智能制造技术基础 第七章 人工智能.pptVIP

* * * * * * * * * * * * 除了上面介绍的几个神经网络模型外，当前应用最为广泛的神经网络模型还包括：深度信念网络DBN、主要用于图像与视频分析的卷积神经网络CNN、主要用于语音信号与文本分析的递归神经网络RNN以及具有极高鲁棒性的生成对抗网络GAN等。 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 另一点需要注意的是：语义网络中的连线都是有项的，其中：线段的尾端表示语义关系的主体，而指向的一方则为语义关系的受体。 * * * * * * * * * * * * * * * * * * 从图7.6可以看出：宽度优先搜索执行的是“从上到下”的搜索过程，而深度优先搜索则执行了“从左到右”的搜索过程。对于较为复杂的问题，上述二者的时空复杂度都很高，效率低下，但若问题在客观上有解，宽度优先搜索策略可以保证找到解，当有多个解时，其也可以保证首先找到的是最优解，而深度优先搜索策略则可能在某一分支无限向下延伸，导致无法找到解，且即使找到，也不能保证其是最优解。 * * 01 机器学习的定义及发展 机器学习与知识发现是人工智能技术的一个重要方面和分支领域，由于专家系统需要具备学习能力，促进了机器学习的研究，并获得了较快的发展,研制出了多种学习系统。 （1）机器学习的定义 至今，机器学习还没有统一的定义，而且也很难给出一个公认的和准确的定义。目前这些定义大都市是不完全的和不充分的。机器学习是研究如何使用机器来模拟人类学习活动的一门学科，即让计算机具有学习的能力。更严格的定义是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机，包括未来的中子计算机、光子计算机或神经计算机等等。 01 机器学习的定义及发展 （2）机器学习的发展历程 机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为以下5个时期： 1）第一阶段是在50年代中叶到60年代中叶，属于萌芽时期。在这个时期，所研究的是“没有知识”的学习，即“无知”学习，其研究目标是各类自组织系统和自适应系统，指导本阶段研究的理论基础是早在40年代就开始研究的神经网络模型。 2）第二阶段在60年代中叶至70年代中叶，被称为机器学习的冷静时期。本阶段的研究目标是模拟人类的概念学习过程，并采用逻辑结构或图结构作为机器内部描述。 3）第三阶段从70年代中叶至80年代中叶，称为复兴时期。在这个时期，人们从学习单个概念扩展到学习多个概念，探索不同的学习策略和各种学习方法。本阶段已开始把学习系统与各种应用结合起来。 4）第四阶段从1986年至2006年。这一时期机器学习技术发展迅猛。究其原因，一方面，由于神经网络研究的重新兴起以及统计学习等新理论的出现，另一方面，对实验研究和应用研究得到前所未有的重视。 5）机器学习研究的最新阶段始于2006年。这一阶段是机器学习的爆发期，这主要归功于深度学习的出现与兴起。 01 机器学习的定义及发展 目前，机器学习已进入一个新的发展时期，主要表现在下面几点： 1）机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。 2）结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题。 3）机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的方法已成为经验学习的重要研究方向。 4）各种学习方法的应用范围不断扩大，一部分已形成商品。如归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用；连接学习在声图文识别中占优势；分析学习已用于设计综合型专家系统；遗传算法与强化学习在工程控制中有较好的应用前景；与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用 02 机器学习的分类及常用方法 机器学习分类较多，一般可以按照基于学习策略的分类、基于学习方法的分类、基于学习方式的分类、基于数据形式的分类以及基于学习目标的分类等来划分。 基于学习策略的分类又可以分为模拟人脑的机器学习（如符号学习、神经网络学习等）和直接采用数学方法的机器学习（如几何分类学习、支持向量机等）两种分类方法； 基于学习方法的分类可分为归纳学习（如符号归纳学习、函数归纳学习等）、演绎学习、类比学习和分析学习等四种分类方法； 基于学习方式的分类包括有导师学习（监督学习）、无导师学习（非监督学习）