人工智能建模方法.pptVIP

人工智能建模发展趋势 目前常见的混合建模方法 松耦合方法 将要建模的系统根据其特点划分为多个子系统，每个子系统采用不同方式建立模型，然后将各子系统连接在一起形成原系统的模型。根据各子系统连接方式的不同，松耦合又可以分为并联集成、串联集成、嵌套集成。 紧耦合方法 以一种建模方式为主，其它建模方式完成主建模方式中的结构确定、参数确定、学习等辅助功能。例如：用机理模型确定神经元网络的某些固定参数；用基于知识的系统确定机理模型中的某些经验参数。用神经元网络实现基于知识人工智能系统中知识获取等。值得注意的是由于从理论上讲，人工神经元网络即可以表达机理知识、又可以表达经验知识，近几年来出现了利用神经元网络进行混合建模的研究热潮。 * * * * * * * * * * * * * * * * * * * * * * 主要内容 1. 人工智能建模相关概念 2. 人工智能的两个流派 2.1 基于知识的人工智能系统 2.2 人工神经网络 3. 基于知识的人工智能建模 4. 人工神经网络建模 5. 人工智能建模发展趋势 6. 小结 1. 相关概念 人工智能：通过人造物来模拟人的智能的一种方法及其实现技术的一门学科。 人工智能建模：通过模拟人认识客观事物和解决实际问题的方法对实际系统或系统的某一部分进行描述和表达的过程。也可以简述为利用人工智能方法对实际系统或系统的某一部分进行描述和表达的过程。 2.1 基于知识的人工智能系统Artificial Intelligent System Based on Knowledge 一种从功能角度来模拟人类（特别是各领域专家）智能的方法，也称为专家系统、符号主义或逻辑主义。 专家之所以具有智能，能认识和解决某一领域内的实际问题，关键在于专家具备该领域内的各种知识（常识、书本知识和实际工作中积累的经验），并且能够运用这些知识进行适当的推理。 2.1 基于知识的人工智能系统 对人类理性认识过程（或逻辑思维过程）的一种模拟，建立在概念、判断和推理这些抽象语言符号的基础上。 关键问题1 ： 知识的表示 如何把专家知识转化为机器所能识别、存储和使用的形式 。 2.1 基于知识的人工智能系统 常用知识表示方法 谓词逻辑 适用场合——用于表达概念和判断等事实知识 。 举例——“鲸是哺乳动物”这一判断用谓词逻辑表示为：哺乳动物（鲸）； 产生式规则 适用场合——适于表达具有因果关系的逻辑推理知识 。 举例——“如果是合金钢，应该进行热处理”这一推理用产生式规则可以表示为：IF 合金钢 THEN 热处理； 框架表示 适用场合——表达多方面多层次结构知识 举例——桌子可以用框架表示为：{桌面，桌腿1、桌腿2、桌腿3、桌腿4、桌面与桌腿的连接}。 过程表示 适用场合——用于表示某一操作序列。 举例——做馒头用过程表示表示为：{和面、定型、蒸、起锅}。 2.1 基于知识的人工智能系统 关键问题 2： 推理方法 研究机器如何模拟人类进行知识选择并运用这些知识分析和解决实际问题。 常用推理方法： 由已知条件推出结论的正向推理 由结论出发，寻找应具备条件的反向推理 综合使用正向推理和反向推理的双向推理方法。 研究热点 ：知识表示和推理中的不确定性和模糊性问题。 不确定性是由于各种随机因素的影响而造成的对预测结果的不肯定程度，一般由概率来描述这种不肯定程度的大小。如，明天降水概率80%。 模糊性是由于语言表达时词语所对应的概念内涵和外延的不确定性决定的。如： “温度高”的表述。 2.1 基于知识的人工智能系统 优点： 1）表达能力强。可以表达难以用数学公式来描述的复杂、定性的经验知识。 2）灵活性。知识的存放和推理过程相互独立的，通过知识的修改和扩充，系统可以适应新的需求。 3）透明性。无论知识的表达还是推理过程都具有明确的含义，使得用户对系统机理可以具有明确的认识。 缺点： 1）知识获取的困难。要将专家并不明确的经验知识加以提取、整理、转换成各种知识表示，还要考虑知识之间的相容性，因此，知识的获取相当困难。 2）存在“组合爆炸”问题。对于复杂的任务，知识库将变的异常庞大，推理中对知识的搜索和运用分支将呈几何级数的增加。 3）精度不高，容错能力差。由于知识获取的困难和“组合爆炸”问题的存在，常导致知识的不完备，从而降低了系统的精度。同时，每一条知识的错误，都有可能导致整个推理的错误，因此系统容错能力差。 1、我们的市场行为主要的导向因素，第一个是市场需求的导向，第二个是技术进步的导向，第三大导向是竞争对手的行为导向。 2、市场销售中最重要的字就是“问”。 3、现今，每个人都在谈论着创意，坦白讲，我害怕我们会假创意之名犯下一切过失。 4、在购买时，你可以用任何语