人工智能的發(fā)展歷史闡述和應(yīng)用獲獎科研報告

人工智能的發(fā)展歷史闡述和應(yīng)用獲獎科研報告

摘

要：人工智能類似人類的認(rèn)知能力，能感知并做出推理和計劃。深度學(xué)習(xí)依靠機器從數(shù)據(jù)中獲得知識，包括模式識別，數(shù)據(jù)挖掘和優(yōu)化。神經(jīng)網(wǎng)絡(luò)模擬人類大腦中神經(jīng)元的網(wǎng)絡(luò)。將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于手寫數(shù)字識別，是基本的智能化應(yīng)用。未來的人工智能或?qū)⒏由钊朐诮鹑谕顿Y和智能駕駛系統(tǒng)中。

關(guān)鍵詞：人工智能，神經(jīng)網(wǎng)絡(luò)，反向傳播算法，數(shù)字識別

隨著大數(shù)據(jù)處理的需要和計算機技術(shù)的發(fā)展，依靠人工智能技術(shù)解決生產(chǎn)和生活中的問題成為了近幾年來的新熱點。本文首先介紹人工智能的發(fā)展歷程和研究類別，接著對神經(jīng)網(wǎng)絡(luò)的基本原理進(jìn)行闡述并將其中的BP算法應(yīng)用于數(shù)字識別，最后指出人工智能應(yīng)用的領(lǐng)域。

1、人工智能的起源與發(fā)展過程

1956年夏天，“達(dá)特茅斯會議”的主要參與者明斯基，麥卡錫，香農(nóng)提出了人工智能的概念，其含義就是讓計算機能夠像人一樣思考。在漫長的發(fā)展過程中，人工智能大致可分為四個階段：

第一階段：上世紀(jì)五十年代至六十年代

在這一階段中，出現(xiàn)了人工智能的雛形，以求解各類特殊的智力問題為特征。明斯基創(chuàng)立了Snare學(xué)習(xí)機，使機器能基于過去行為的知識預(yù)測其當(dāng)前的結(jié)果，目的是學(xué)習(xí)如何穿過迷宮，這是世界上第一個神經(jīng)網(wǎng)絡(luò)模擬器。麥卡錫創(chuàng)立的α-β搜索法應(yīng)用于編制下棋程序，該算法能減少計算機要考慮的棋步。西蒙和紐厄爾的“邏輯理論家”可以讓計算機證明一些邏輯學(xué)和幾何學(xué)定理。

第二階段：上世紀(jì)六十年代

主要成果計算機理解人類自然語言，機器自動回答問題和進(jìn)行景物分析等通用性問題。西蒙用其創(chuàng)立的信息處理語言（IPL）開發(fā)了通用問題求解器。

第三階段：上世紀(jì)七十年代

以模擬人類專家進(jìn)行科學(xué)推理的具有專家水平的程序系統(tǒng)的研制為主要特征。這一階段的代表是MYCIN（用于細(xì)菌感染診斷）、RI（用于計算機配置）、HEARSAT（用于語音識別）的智能系統(tǒng)。

第四階段：上世紀(jì)八十年代

以知識為中心，充分發(fā)揮各類專門知識在模擬智能中的特殊作用，針對各實際應(yīng)用領(lǐng)域，廣泛研制各類實用專家系統(tǒng)。以“知識+推理=系統(tǒng)”的新模式，代替長期以來“數(shù)據(jù)結(jié)構(gòu)+算法=程序”的舊模式，并使知識從程序與數(shù)據(jù)結(jié)構(gòu)中獨立出來，構(gòu)成專門的“知識庫”。

第五階段：上世紀(jì)九十年代至今

隨著網(wǎng)絡(luò)時代的大數(shù)據(jù)出現(xiàn)，依靠先進(jìn)芯片，云計算，量子技術(shù)應(yīng)用于機器翻譯、語音識別、圖像識別等領(lǐng)域。產(chǎn)生了機器學(xué)習(xí)使其自動從數(shù)據(jù)中學(xué)習(xí)知識，源于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)代表是AlphaGo（用于圍棋計算）。

2、人工智能的分類

經(jīng)過半個世紀(jì)的發(fā)展，依據(jù)其智能的先進(jìn)程度可分為三種：弱人工智能只在特定領(lǐng)域、既定規(guī)則中表現(xiàn)強大的智能。強人工智能不受領(lǐng)域規(guī)則限制，具有人類同樣的創(chuàng)作力和想象力。超級人工智能遠(yuǎn)超越人類智能。人工智能的研究類別大致可以分為三個學(xué)派：

1.邏輯學(xué)派（符號主義）：計算機上實現(xiàn)了邏輯演繹系統(tǒng)，其有代表性的成果為啟發(fā)式程序LT（邏輯理論家），證明了38條數(shù)學(xué)定理，表明了可以應(yīng)用計算機研究人的思維過程，模擬人類智能活動。

2.控制論學(xué)派（行為主義）：20世紀(jì)末以人工智能新學(xué)派的面孔出現(xiàn)，把神經(jīng)系統(tǒng)的的工作原理與信息理論、控制理論、邏輯以及計算機聯(lián)系起來。模擬人在控制過程中的智能行為和作用，如對自尋優(yōu)、自適應(yīng)、自鎮(zhèn)定、自組織和自學(xué)習(xí)等控制論系統(tǒng)的研究。這一學(xué)派的代表是布魯克斯的六足行走機器人。是一個基于感知-動作模式的模擬昆蟲行為的控制系統(tǒng)。

3.仿生學(xué)派（聯(lián)結(jié)主義）：從神經(jīng)元開始研究人工智能。它的代表性成果是1943年由生理學(xué)家麥卡洛克和數(shù)理邏輯學(xué)家皮茨創(chuàng)立的腦模型，即MP模型，開創(chuàng)了用電子裝置模仿人腦結(jié)構(gòu)和功能的新途徑。

3、人工神經(jīng)網(wǎng)絡(luò)的原理與應(yīng)用

從某種意義上看，人工智能是模仿人腦的功能，而人腦是由大量神經(jīng)元組成的巨大神經(jīng)網(wǎng)絡(luò)。根據(jù)生物醫(yī)學(xué)，人腦的神經(jīng)元基本結(jié)構(gòu)為：胞體、樹突和軸突。圖3-1。

胞體：神經(jīng)細(xì)胞的本體，完成普通細(xì)胞功能。

樹突：用于接收來自其他神經(jīng)元的信號。

軸突：用于輸出信號。

突觸：各個神經(jīng)元相聯(lián)系的特殊部位。

神經(jīng)元可以處于兩種狀態(tài)：興奮和抑制。當(dāng)處于抑制狀態(tài)時，如果接收其他神經(jīng)元由突觸傳來的興奮電位，多個輸入在神經(jīng)元中以代數(shù)和的方式疊加，當(dāng)興奮總量超過某個閾值，神經(jīng)元就被激發(fā)進(jìn)入興奮狀態(tài)。處于興奮狀態(tài)的神經(jīng)元會輸出脈沖，并通過軸突的突觸傳遞給其他神經(jīng)元。根據(jù)神經(jīng)元的描述，可以采用數(shù)學(xué)模型解析人工神經(jīng)元的機制，如圖3-2。

手寫像素為28*28數(shù)字圖片數(shù)字0-9分別存放于10個文件夾，將黑底白字的二值圖像轉(zhuǎn)化為35維的特征矢量。

每個數(shù)字4500張圖片用于訓(xùn)練網(wǎng)絡(luò)，500張用于測試已訓(xùn)練網(wǎng)絡(luò)的準(zhǔn)確率。使用Matlab實現(xiàn)BP網(wǎng)絡(luò)訓(xùn)練過程。

BP神經(jīng)網(wǎng)絡(luò)創(chuàng)建，訓(xùn)練可以用以下代碼實現(xiàn)：

網(wǎng)絡(luò)訓(xùn)練函數(shù)：

net=network_train（train_data，train_label）;

其中包括初始化網(wǎng)絡(luò)結(jié)構(gòu)：

net=newff（train_data，train_label，layer）;

layer=25;網(wǎng)絡(luò)隱含層數(shù)25

net.trainParam.epochs=1;訓(xùn)練次數(shù)

net.trainParam.lr=0.1;網(wǎng)絡(luò)學(xué)習(xí)速率

net.trainParam.goal=0.001;訓(xùn)練目標(biāo)最小誤差

net.trainFcn='trainrp';以彈性BP算法修正神經(jīng)網(wǎng)絡(luò)

net=train（net，train_data，train_label）;網(wǎng)絡(luò)訓(xùn)練

使用已訓(xùn)練網(wǎng)絡(luò)函數(shù)測試5000張數(shù)字的識別：

predict_label=network_test（test_data，net）;

神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖6-1所示，經(jīng)過888次訓(xùn)練，計算誤差為0.02849，達(dá)到最佳。

使用已訓(xùn)練網(wǎng)絡(luò)識別數(shù)字的正確率達(dá)到86.2%。

6、人工智能的應(yīng)用

人工智能在處理海量信息、應(yīng)對不確定性方面可以發(fā)揮其優(yōu)勢，符