不确定性人工智能探究方法及其局限性.doc

不确定性人工智能探究方法及其局限性摘 要：不确定性人工智能从崭新的角度对人工智能进行研究，很有可能成为突破当前人工智能瓶颈的有效方法。分析了四种常用的处理不确定性人工智能的方法并对其局限性提出了相应的完善建议,最后从人工智能的物质基础和社会性方面对其发展进行了展望 关键词：不确定性；人工智能；局限性；研究方法 中图分类号：TP1 文献标志码：A 文章编号：1002-2589（2011）34-0059-02 一、不确定性人工智能的研究方法 传统的人工智能以确定性作为基础，出现了以符号主义、连接主义、行为主义为代表的主流学派[1]，在研究初期分别取得了一系列的理论和应用成果。随着研究的深入和相关学科的发展，人们逐渐意识到要想彻底解决人工智能研究中遇到的难题，需要考虑到不确定性的因素，把确定性和不确定性有机统一，制造出真正“智能”的机器 不确定性人工智能以不确定性为研究的重点和主要方面[2]，从崭新的角度对人工智能进行研究，弥补了传统确定性人工智能的不足。当前在不确定性人工智能国内外认可的理论是钟义群教授提出的“机制主义”[3]。机制主义考虑到了智能生成机制中的不确定性，并结合随机性、模糊性、不完备性、不协调性、非恒常性等不确定性特征对信息获取、认知、形成知识、决策等过程进行了分析。为了尽可能将理论和应用相结合，国内外研究者先后提出了概率理论、模糊集、粗糙集、非单调函数、云模型、分形网络、混沌等针对不确定性问题的研究方法，本文将主要分析四种研究相对成熟的方法[4] 1.概率理论 概率理论从事件发生的必然性和偶然性出发，是处理随机性的最重要手段[5]，一直以来得到了很广泛的应用。例如：在产品生产中，通过抽样来测试产品的合格率，通过标准差和方差来计算样本的稳定程度；在复杂系统中，通过分支线路的可靠性来评估系统整体的可靠性；在医学上，通过马尔可夫链来预测人群感染某类传染病的程度等等 2.模糊集 模糊集是用来表达模糊性概念的集合[6]。模糊集出现之前的集合都是具有某种属性的对象的全体，属性的划分是确定性的，并且在对应过程中，定义域中的一个值只能在值域中找到一个唯一与之对应的值。但在模糊集中，定义域中的一个值可能会对应值域中的两个值，但到底更偏向于哪一个值，将通过隶属度来考虑。隶属度体现了元素对集合隶属的程度，其取值范围是[0，1]。通过引入隶属度，使得元素和集合的关系从“属于”和“不属于”变成了“属于”、“不属于”和“隶属度上属于”三种情况。虽然概率论和模糊集是两种不同的方法，在实际研究中，往往需要将两种方法综合起来考虑。模糊集运算的基础与隶属度有关，而隶属度的计算需要通过一定数量的知识积累才能达到所需的精确度，即需要先验知识。而先验知识的获取过程往往要用到统计的方法 3.粗糙集 粗糙集从知识分类入手，着手通过不确定性本身提供的信息来研究不确定性[7]。其主要思想是将不确定或不精确的知识用已有知识库的知识来刻画，具体做法是在保持分类能力不变的情况下，通过知识约简推导出概念的分类规则，得到不可区分的关系和等价类划分所确定的近似域，从而找到数据中隐含的规律，把不确定性的知识放入对应的集合中 4.非单调逻辑 经典逻辑都具备单调性，简要地说，经典逻辑一旦往一个方向发展后，就不会再回退，是一个不可逆的过程[8]。非单调逻辑属于非标准逻辑的一种，是在人工智能研究的大背景下产生的，非单调逻辑随着前提的增加，显示出一种不确定性的状态，其发展是可逆的，具有定义域的开放性和值域的不确定性的特点，类似于人类常识推理非单调的特点。非单调逻辑是处理不确定性问题的一种重要的方法。例如：新知识有可能对原有的知识进行补充，原有的推理成立，继续单调的发展；但新知识也有可能会与原有的知识冲突，这个时候原有的结论将不再成立，推理将不再具有单调性，需要回过头对知识进行更新或再划分 二、现有方法的局限性 虽然目前在不确定性人工智能研究方面取得了一系列的成果，但就其研究方法而言，应用较广的四种方法在实践中暴露出了一定的局限性，需要有针对性地进行改进 1.概率理论 概率理论中存在Zipf定理，即单词出现的频率与它的名次的常数次幂存在着简单的反比关系。Zipf定理给不确定性人工智能的研究带来了一定的启示。例如：在预测一周内降雨概率的时候，其概率可能并不与长期预测的结果相符合，因为具体时间段受到客观条件的影响比较大，规律并不容易把握。所以就短时期来说，可以采用“学习”型概率。即将非单调逻辑和概率论相结合，也就是说根据具体情况，不断修正原有相对固定的概率，更有针对性地给出相对精确的天气预测 当把不确定性引入专家系统中，也存在类似的问题。专家系统的知识要想更具指导性，更类似真正的人类专家，还需要针对不同的