人工智能-模糊推理課件

模糊數(shù)學(xué)緒論模糊概念模糊概念：從屬于該概念到不屬于該概念之間無(wú)明顯分界線(xiàn)年輕、重、熱、美、厚、薄、快、慢、大、小、高、低、長(zhǎng)、短、貴、賤、強(qiáng)、弱、軟、硬、陰天、多云、暴雨、清晨、禮品。模糊數(shù)學(xué)就是用數(shù)學(xué)方法研究模糊現(xiàn)象。術(shù)語(yǔ)來(lái)源

Fuzzy:毛絨絨的，邊界不清楚的模糊，不分明，弗齊，弗晰，勿晰模糊數(shù)學(xué)的產(chǎn)生與基本思想產(chǎn)生1965年，L.A.Zadeh（扎德）發(fā)表了文章《模糊集》

(FuzzySets，InformationandControl,8,338-353)基本思想用屬于程度代替屬于或不屬于。某個(gè)人屬于禿子的程度為0.8,另一個(gè)人屬于禿子的程度為0.3等.三、模糊數(shù)學(xué)的發(fā)展75年之前，發(fā)展緩慢；80以后發(fā)展迅速；90-92FuzzyBoom

雜志種類(lèi)78年，Int.J.ofFuzzySetsandSystems每年1卷共340頁(yè)，99年8卷每卷480頁(yè)Int.J.ofApproximateReasoningInt.J.FuzzyMathematicsInt.J.Uncertainty,Fuzziness,knowledge-basedSystemsIEEE系列雜志主要雜志25種，涉及模糊內(nèi)容20,000余種

國(guó)際會(huì)議IFSA(Int.FuzzySystemsAssociation)EUFIT、NAFIP、Fuzzy-IEEE、IPMU模糊代數(shù)，模糊拓?fù)?，模糊邏輯，模糊分析，模糊概率，模糊圖論，模糊優(yōu)化等模糊數(shù)學(xué)分支

涉及學(xué)科分類(lèi)、識(shí)別、評(píng)判、預(yù)測(cè)、控制、排序、選擇；

模糊產(chǎn)品洗衣機(jī)、攝象機(jī)、照相機(jī)、電飯鍋、空調(diào)、電梯人工智能、控制、決策、專(zhuān)家系統(tǒng)、醫(yī)學(xué)、土木、農(nóng)業(yè)、氣象、信息、經(jīng)濟(jì)、文學(xué)、音樂(lè)

研究項(xiàng)目EuropeanNetworkofExcellence120個(gè)子項(xiàng)目與模糊有關(guān)LIFE(LaboratoryforInternationalFuzzyEngineeringResearch)NSF應(yīng)用數(shù)學(xué)：大規(guī)模數(shù)據(jù)處理、不確定性建模國(guó)內(nèi)狀況1976年傳入我國(guó)1980年成立中國(guó)模糊數(shù)學(xué)與模糊系統(tǒng)學(xué)會(huì)1981年創(chuàng)辦《模糊數(shù)學(xué)》雜志1987年創(chuàng)辦《模糊系統(tǒng)與數(shù)學(xué)》雜志我國(guó)已成為全球四大模糊數(shù)學(xué)研究中心之一（美國(guó)、西歐、日本、中國(guó)）為什么研究模糊數(shù)學(xué)人工智能的要求

取得精確數(shù)據(jù)不可能或很困難沒(méi)有必要獲取精確數(shù)據(jù)模糊數(shù)學(xué)的產(chǎn)生不僅形成了一門(mén)嶄新的數(shù)學(xué)學(xué)科，而且也形成了一種嶄新的思維方法，它告訴我們存在亦真亦假的命題，從而打破了以二值邏輯為基礎(chǔ)的傳統(tǒng)思維，使得模糊推理成為嚴(yán)格的數(shù)學(xué)方法。隨著模糊數(shù)學(xué)的發(fā)展，模糊理論和模糊技術(shù)將對(duì)于人類(lèi)社會(huì)的進(jìn)步發(fā)揮更大的作用。模糊數(shù)學(xué)理論

隸屬函數(shù)的確定1.模糊統(tǒng)計(jì)方法

與概率統(tǒng)計(jì)類(lèi)似，但有區(qū)別：若把概率統(tǒng)計(jì)比喻為“變動(dòng)的點(diǎn)”是否落在“不動(dòng)的圈”內(nèi)，則把模糊統(tǒng)計(jì)比喻為“變動(dòng)的圈”是否蓋住“不動(dòng)的點(diǎn)”.2.指派方法

一種主觀方法，一般給出隸屬函數(shù)的解析表達(dá)式。3.借用已有的“客觀”尺度

模糊推理

模糊命題含有模糊概念、模糊數(shù)據(jù)的語(yǔ)句稱(chēng)為模糊命題。它的一般表示形式為：x is A

或者 x is A (CF)

其中，A是模糊概念或者模糊數(shù)，用相應(yīng)的模糊集及隸屬函數(shù)刻畫(huà)；x是論域上的變量，用以代表所論述對(duì)象的屬性；CF是該模糊命題的可信度，它既可以是一個(gè)確定的數(shù)，也可以是一個(gè)模糊數(shù)或者模糊語(yǔ)言值。模糊語(yǔ)言值是指表示大小、長(zhǎng)短、多少等程度的一些詞匯。如：極大、很大、相當(dāng)大、比較大。模糊語(yǔ)言值同樣可用模糊集描述。模糊知識(shí)的表示（1）模糊產(chǎn)生式規(guī)則的一般形式是：IF E THEN H (CF,λ)其中，E是用模糊命題表示的模糊條件；H是用模糊命題表示的模糊結(jié)論；CF是知識(shí)的可信度因子，它既可以是一個(gè)確定的數(shù)，也可以是一個(gè)模糊數(shù)或模糊語(yǔ)言值。λ是匹配度的閾值，用以指出知識(shí)被運(yùn)用的條件。例如：IF xisATHENyisB(CF,λ)（2）推理中所用的證據(jù)也用模糊命題表示，一般形式為x is A’或者x is A’ (CF)（3）模糊推理要解決的問(wèn)題：證據(jù)與知識(shí)的條件是否匹配：如果匹配，如何利用知識(shí)及證據(jù)推出結(jié)論。 5.6.3模糊匹配與沖突消解在模糊推理中，知識(shí)的前提條件中的A與證據(jù)中的A’不一定完全相同，因此首先必須考慮匹配問(wèn)題。例如：IF xis小 THEN yis大 (0.6) xis較小兩個(gè)模糊集或模糊概念的相似程度稱(chēng)為匹配度。常用的計(jì)算匹配度的方法主要有貼近度、語(yǔ)義距離及相似度等。1.貼近度設(shè)A與B分別是論域U={u1,u2,…,un}上的兩個(gè)模糊集，則它們的貼近度定義為：(A,B)=[A?B+(1-A⊙B)]/2其中2.語(yǔ)義距離(1)海明距離(2)歐幾里得距離(3)明可夫斯基距離(4)切比雪夫距離匹配度為：1-d(A,B)3.相似度(1)最大最小法(2)算術(shù)平均法(3)幾何平均最小法(4)相關(guān)系數(shù)法(5)指數(shù)法匹配度舉例設(shè)U={a,b,c,d}A=0.3/a+0.4/b+0.6/c+0.8/dB=0.2/a+0.5/b+0.6/c+0.7/d貼近度：A?B=(0.3∧0.2)∨(0.4∧0.5)∨(0.6∧0.6)∨(0.8∧0.7)=0.7A⊙B=(0.3∨0.2)∧(0.4∨0.5)∧(0.6∨0.6)∧(0.8∨0.7)=0.3(A,B)=1/2[A?B+(1-A⊙B)]=1/2[0.7+(1-0.3)]=0.7海明距離：d(A,B)=1/4×(|0.3-0.2|+|0.4-0.5|+|0.6-0.6|+|0.8-0.7|)=0.075(A,B)=1-d(A,B)=1-0.075=0.925相似度：最大最小法：r(A,B)=((0.3∧0.2)+(0.4∧0.5)+(0.6∧0.6)+(0.8∧0.7))/((0.3∨0.2)+(0.4∨0.5)+(0.6∨0.6)+(0.8∨0.7))=1.9/2.2=0.86(1)分別計(jì)算出每一個(gè)子條件與其證據(jù)的匹配度例如對(duì)復(fù)合條件E=x1isA1ANDx2isA2ANDx3isA3及相應(yīng)證據(jù)E’:x1isA’1,x2isA’2,x3isA’3分別算出Ai與A’i的匹配度δmatch(Ai,A’i),i=1,2,3。(2)求出整個(gè)前提條件與證據(jù)的總匹配度。目前常用的方法有“取極小”和“相乘”等。δmatch(E,E’)=min{δmatch(A1,A’1),δmatch(A2,A’2),δmatch(A3,A’3)}δmatch(E,E’)=δmatch(A1,A’1)×δmatch(A2,A’2)×δmatch(A3,A’3)(3)檢查總匹配度是否滿(mǎn)足閾值條件，如果滿(mǎn)足就可以匹配，否則為不可匹配。復(fù)合條件的模糊匹配模糊推理中的沖突消解1.按匹配度大小排序2.按加權(quán)平均值排序例如，設(shè)U={u1,u2,u3,u4,u5},A=0.9/u1+0.6/u2+0.4/u3B=0.6/u2+0.8/u3+0.5/u4C=0.5/u3+0.8/u4+1/u5D=0.8/u1+0.5/u2+0.1/u3并設(shè)有如下模糊知識(shí)：R1: IF xisA THEN yisH1R2: IF xisB THEN yisH2R3: IF xisC THEN yisH3用戶(hù)提供的初始證據(jù)為：E’: xisDδmatch(A,D)=μD(u1)/μA(u1)+μD(u2)/μA(u2)+μD(u3)/μA(u3)=0.8/0.9+0.5/0.6+0.1/0.4同理可得：δmatch(B,D)=0.8/0+0.5/0.6+0.1/0.8δmatch(C,D)=0.8/0+0.5/0+0.1/0.5以上D與A、B、C的匹配度用模糊集形式表示。下面求匹配度的加權(quán)平均值：AV(δmatch(A,D))=(0.8×0.9+0.5×0.6+0.1×0.4)/(0.9+0.6+0.4)=0.56同理可得：AV(δmatch(B,D))=0.27AV(δmatch(C,D))=0.1于是得到：AV(δmatch(A,D))>AV(δmatch(B,D))>AV(δmatch(C,D))所以R1是當(dāng)前首先被選用的知識(shí)。3.按廣義順序關(guān)系排序由上例可得：δmatch(A,D)=μD(u1)/μA(u1)+μD(u2)/μA(u2)+μD(u3)/μA(u3)=0.8/0.9+0.5/0.6+0.1/0.4δmatch(B,D)=0.8/0+0.5/0.6+0.1/0.8δmatch(C,D)=0.8/0+0.5/0+0.1/0.5下面以δmatch(A,D)與δmatch(B,D)為例說(shuō)明廣義順序排序的方法：首先用δmatch(B,D)的每一項(xiàng)分別與δmatch(A,D)的每一項(xiàng)進(jìn)行比較。比較時(shí)μD(ui)與μD(uj)中取其小者，μA(ui)與μB(uj)按如下規(guī)則取值：若μA(ui)≥μB(uj)則取“1”；若μA(ui)<μB(uj)則取“0”。例如用μD(u1)/μB(u1)與δmatch(A,D)的各項(xiàng)進(jìn)行比較時(shí)得到：0.8/1+0.5/1+0.1/0然后對(duì)得到的各項(xiàng)進(jìn)行歸并，把“分母”相同的項(xiàng)歸并為一項(xiàng)，“分子”取其最大者，于是得到如下比較結(jié)果：μ1/1+μ0/0此時(shí)，若μ1>μ0

，則就認(rèn)為δmatch(A,D)優(yōu)于δmatch(B,D)，記為δmatch(A,D)≥δmatch(B,D)。按這種方法，對(duì)δmatch(A,D)與δmatch(B,D)可以得到：0.8/1+0.5/1+0.1/1+0.5/1+0.5/1+0.1/0+0.1/1+0.1/0+0.1/0=0.8/1+0.1/0由于μ1=0.8>μ0=0.1，所以得到：δmatch(A,D)≥δmatch(B,D)同理可得：δmatch(A,D)≥δmatch(C,D)δmatch(B,D)≥δmatch(C,D)最后得到：δmatch(A,D)≥δmatch(B,D)≥δmatch(C,D)由此可知R1應(yīng)該是首先被選用的知識(shí)。模糊推理的基本模式1.模糊假言推理知識(shí)：IF xisA THEN yisB證據(jù)： xisA’-------------------------------------------結(jié)論： yisB’對(duì)于復(fù)合條件有：知識(shí)：IFx1isA1ANDx2isA2AND…ANDxnisAnTHEN yisB證據(jù)：x1isA’1，

x2isA’2，

…

，xnisA’n----------------------------------------結(jié)論： yisB’2.模糊拒取式推理知識(shí)：IF xisA THEN yisB證據(jù)： yisB’-------------------------------------------結(jié)論： xisA’知識(shí)：IF xisA THEN yisB證據(jù)： yisnotB’-------------------------------------------結(jié)論： xisnotA’簡(jiǎn)單模糊推理知識(shí)中只含有簡(jiǎn)單條件，且不帶可信度因子的模糊推理稱(chēng)為簡(jiǎn)單模糊推理。合成推理規(guī)則：對(duì)于知識(shí)IF xisA THEN yisB首先構(gòu)造出A與B之間的模糊關(guān)系R，然后通過(guò)R與證據(jù)的合成求出結(jié)論。如果已知證據(jù)是xisA’且A與A’可以模糊匹配，則通過(guò)下述合成運(yùn)算求取B’：B’=A’?R

如果已知證據(jù)是yisB’且B與B’可以模糊匹配，則通過(guò)下述合成運(yùn)算求出A’：A’=R?B’構(gòu)造模糊關(guān)系R的方法1.扎德方法扎德提出了兩種方法：一種稱(chēng)為條件命題的極大極小規(guī)則；另一種稱(chēng)為條件命題的算術(shù)規(guī)則，由它們獲得的模糊關(guān)系分別記為Rm和Ra。設(shè)A∈F(U),B∈F(V)，其表示分別為且用×，∪，∩，?，分別表示模糊集的笛卡兒乘積、并、交、補(bǔ)及有界和運(yùn)算，則扎德把Rm和Ra分別定義為：

IFxisA THEN yisB對(duì)于模糊假言推理，若已知證據(jù)為xisA’則：B’m=A’?RmB’a=A’?Ra對(duì)于模糊拒取式推理，若已知證據(jù)為yisB’則：A’m=Rm?B’A’a=Ra?B’扎德法推理舉例(1)例5.8設(shè)U=V={1,2,3,4,5},A=1/1+0.5/2,B=0.4/3+0.6/4+1/5并設(shè)模糊知識(shí)及模糊證據(jù)分別為：

IFxisATHENyisBxisA’其中，A’的模糊集為：A’=1/1+0.4/2+0.2/3則由模糊知識(shí)可分別得到Rm與Ra：扎德法推理舉例(2)B’m=A’?Rm={1,0.4,0.2,0,0}?={0.4,0.4,0.4,0.6,1}B’a=A’?Ra={0.4,0.4,0.4,0.6,1}若已知證據(jù)為:yisB’,且B’=0.2/1+0.4/2+0.6/3+0.5/4+0.3/5,則：A’m=Rm?B’

＝A’a=Ra?B’={0.5,0.6,0.6,0.6,0.6}2.Mamdani方法

IFxisA THEN yisB對(duì)于模糊假言推理，B’c=A’?Rc對(duì)于模糊拒取式推理，A’c=Rc?B’3.Mizumoto方法米祖莫托等人根據(jù)多值邏輯中計(jì)算T(AB)的定義，提出了一組構(gòu)造模糊關(guān)系的方法，分別記為Rs,Rg,Rsg,Rgs,Rgg,Rss等等。其定義分別為：設(shè)U=V={1,2,3,4,5},A=1/1+0.5/2,B=0.4/3+0.6/4+1/5

模糊知識(shí)： IFxisATHENyisB

模糊證據(jù)：xisA’

其中，A’的模糊集為：A’=1/1+0.4/2+0.2/3B’s=A’?Rs={0.2,0.2,0.2,0.4,1}B’g=A’?Rg={0.2,0.2,0.4,0.6,1}各種模糊關(guān)系的性能分析(1)比較模糊關(guān)系性能所依據(jù)的基本原則：原則1：知識(shí)：IF xisA THEN yisB證據(jù)： xisA-------------------------------------------結(jié)論： yisB原則2：知識(shí)：IF xisA THEN yisB證據(jù)： xisveryA------------------------------------------------結(jié)論： yisveryB yisB各種模糊關(guān)系的性能分析(2)原則3：知識(shí)：IF xisA THEN yisB證據(jù)： xismoreorlessA----------------------------------------------------------------結(jié)論： yismoreorlessB yisB原則4：知識(shí)：IF xisA THEN yisB證據(jù)： xisnotA------------------------------------------------結(jié)論： yisunknown yisnotB以上原則是針對(duì)模糊假言推理的。各種模糊關(guān)系的性能分析(3)原則5：知識(shí)：IF xisA THEN yisB證據(jù)： yisnotB---------------------------------------------------結(jié)論： xisnotA原則6：知識(shí)：IF xisA THEN yisB證據(jù)： yisnotveryB----------------------------------------------------結(jié)論： xisnotveryA各種模糊關(guān)系的性能分析(4)原則7：知識(shí)：IF xisA THEN yisB證據(jù)： yisnotmoreorlessB-------------------------------------------------------------結(jié)論： xisnotmoreorlessA原則8：知識(shí)：IF xisA THEN yisB證據(jù)： yisB----------------------------------------------結(jié)論： xisunknown xisA模糊關(guān)系評(píng)測(cè)實(shí)例設(shè)U=V={1,2,3,4,5,6,7,8,9,10}A=1/1+0.8/2+0.6/3+0.4/4+0.2/5（?。〣=0.2/4+0.4/5+0.6/6+0.8/7+1/8+1/9+1/10（大）根據(jù)基本概念擴(kuò)充法，由A可得：veryA=={1,0.64,0.36,0.16,0.04,0,0,0,0,0}moreorlessA=={1,0.89,0.77,0.63,0.45,0,0,0,0,0}notA=={0,0.2,0.4,0.6,0.8,1,1,1,1,1}notveryA=={0,0.36,0.64,0.84,0.96,1,1,1,1,1}notmoreorlessA=={0,0.11,0.23,0.37,0.55,1,1,1,1,1}由B可得：veryB=={0,0,0,0.04,0.16,0.36,0.64,1,1,1}moreorlessB=={0,0,0,0.45,0.63,0.77,0.89,1,1,1}notB=={1,1,1,0.8,0.6,0.4,0.2,0,0,0}notveryB=={1,1,1,0.96,0.84,0.64,0.36,0,0,0}notmoreorlessB=={1,1,1,0.55,0.37,0.23,0.11,0,0,0}各種模糊關(guān)系符合推理原則情況一覽表原則A’B’RmRa

Rc

Rs

Rg

Rsg

Rgg

Rgs

RssRbR△R▲R*R#R□1234AVeryAVeryAmoreorlessAMoreorlessANotANotABVeryBBMoreorlessBBUnknownNotB××v

v

v

v

vv

v×××××××××

v

×

v

××

v××××××××v

×

v

×

vv

××××××××××

v

v

v

vv

v××××××××v

×

×

×

××

×××××××vv×

v

v

×

××

×vvvvvv×××

×

×

v

vv

v××××××5678NotANotveryANotmoreorlessAUnknownANotBNotveryBNotmoreorlessBBB×××

v

×

v

××

v×××××××××

v

×

v

××

v×××××××××

v

×

v

××

v×××××××v×

v

v

×

××

×vvvvvv××v

×

×

×

×v

v××××××5.6.6模糊三段論推理R1:IF xisA THEN yisBR2:IF yisB THEN zisC-------------------------------------------R3:IF xisA THEN zisC其中A、B、C分別是論域U、V、W上的模糊集。如果R3可由R1及R2推導(dǎo)出來(lái)，則稱(chēng)模糊三段論成立。設(shè)R(A,B),R(B,C)與R(A,C)分別是根據(jù)上述模糊知識(shí)得到的模糊關(guān)系，它們分別定義在U×V,V×W,U×W上，如果R(A,B)?R(B,C)=R(A,C)則R3就能夠從R1和R2推導(dǎo)出來(lái)，此時(shí)稱(chēng)模糊三段論成立。滿(mǎn)足模糊三段論的模糊關(guān)系在前面討論的15種模糊關(guān)系中，有一些能滿(mǎn)足模糊三段論，有一些不能滿(mǎn)足。設(shè)U=V=W={1,2,3,4,5}A=1/1+0.6/2+0.2/3B=0.3/3+0.7/4+1/5C=0.09/3+0.49/4+1/5對(duì)Rm由R1，R2，R3分別得到：顯然，Rm(A,B)?Rm(B,C)≠Rm(A,C)。這說(shuō)明Rm不滿(mǎn)足模糊三段論。顯然，Rg(A,B)?Rg(B,C)=Rg(A,C)這說(shuō)明Rg滿(mǎn)足模糊三段論。各種模糊關(guān)系滿(mǎn)足模糊三段論情況表中，“v”表示滿(mǎn)足，“×”表示不滿(mǎn)足。模糊關(guān)系RmRaRcRsRgRsgRggRgsRssRbR△R▲R*R#R□模糊三段論××vvvvvvv×××××v模糊判決方法在推理得到的模糊集合中取一個(gè)相對(duì)最能代表這個(gè)模糊集合的單值的過(guò)程就稱(chēng)作解模糊或模糊判決（Defuzzification）。模糊判決可以采用不同的方法：重心法、最大隸屬度方法、加權(quán)平均法、隸屬度限幅元素平均法。下面介紹各種模糊判決方法，并以“水溫適中”為例，說(shuō)明不同方法的計(jì)算過(guò)程。假設(shè)“水溫適中”的隸屬函數(shù)為

μF

(x)={X：0.0/0+0.0/10+0.33/20+0.67/30+1.0/40+1.0/50

+0.75/60+0.5/70+0.25/80+0.0/90+0.0/100}1、重心法所謂重心法就是取模糊隸屬函數(shù)曲線(xiàn)與橫坐標(biāo)軸圍成面積的重心作為代表點(diǎn)。理論上應(yīng)該計(jì)算輸出范圍內(nèi)一系列連續(xù)點(diǎn)的重心，即

但實(shí)際上是計(jì)算輸出范圍內(nèi)整個(gè)采樣點(diǎn)（即若干離散值）的重心。這樣，在不花太多時(shí)間的情況下，用足夠小的取樣間隔來(lái)提供所需要的精度，這是一種最好的折衷方案。

=（0×0.0+10×0.0×+20×.033×+30×0.67×+40×1.0×+50×1.0

+60×0.75×+70×0.5+80×0.25+90×0.0+100×0.0）

/（0.0+0.0+0.33+0.67+1.0+1.0+0.75+0.5+0.25+0.0+0.0）

=48.2

在隸屬函數(shù)不對(duì)稱(chēng)的情況下，其輸出的代表值48.2°C

。如果模糊集合中沒(méi)有48.2°C,那么就選取最靠近的一個(gè)溫度值50°C

輸出。2.最大隸屬度法這種方法最簡(jiǎn)單，只要在推理結(jié)論的模糊集合中取隸屬度最大的那個(gè)元素作為輸出量即可。不過(guò)，要求這種情況下的隸屬函數(shù)曲線(xiàn)一定是正規(guī)凸模糊集合（即其曲線(xiàn)只能是單峰曲線(xiàn)）。如果該曲線(xiàn)是梯形平頂，那么具有最大隸屬度的元素就可能不只一個(gè)，這時(shí)就要對(duì)所有取最大隸屬度的元素求其平均值。例如，對(duì)于“水溫適中”這種情況，按最大隸屬度原則，有兩個(gè)元素40和50具有最大隸屬度1.0，那就要對(duì)所有取最大隸屬度的元素40和50求平均值，執(zhí)行量應(yīng)取：

umax=(40+50)/2=45

3.系數(shù)加權(quán)平均法系數(shù)加權(quán)平均法的輸出執(zhí)行量由下式?jīng)Q定：

u=

ki·xi/ki

式中，系數(shù)ki的選擇要根據(jù)實(shí)際情況而定，不同的系統(tǒng)決定了系統(tǒng)有不同的響應(yīng)特性。4.隸屬度限幅元素平均法用所確定的隸屬度值a隸屬度函數(shù)曲線(xiàn)進(jìn)行切割，再對(duì)切割后等于該隸屬度的所有元素進(jìn)行平均，用這個(gè)平均值作為輸出執(zhí)行量，這種方法就稱(chēng)為隸屬度限幅元素平均法。學(xué)科前沿講座人工智能——皇帝的新腦還是人類(lèi)的終結(jié)

一、關(guān)于人工智能

一、關(guān)于人工智能從數(shù)值計(jì)算文字、圖像等多媒體信息處理初步實(shí)現(xiàn)了Leibniz提出的“將人的思維機(jī)器化”的思想讓機(jī)器擁有人的心智——成為計(jì)算機(jī)專(zhuān)家夢(mèng)寐以求的理想！1956年，M.L.Minsky，C.Shanon，J.McCarthy(人工智能之父)等在美國(guó)達(dá)德茅斯大學(xué)召開(kāi)第一屆人工智能學(xué)術(shù)會(huì)議。 會(huì)上首次使用“人工智能”這一術(shù)語(yǔ)。 標(biāo)志著人工智能學(xué)科的誕生。一、關(guān)于人工智能1950年，W.格雷.瓦爾特，可以自己充電的“烏龜”1960年，K.M.柯?tīng)?，模擬了一個(gè)精神病療法專(zhuān)家電腦下棋方面，97年的“深藍(lán)”(DeepBlue)，03年的“小深”(DeepJunior)一、關(guān)于人工智能醫(yī)生：我可以為你效勞嗎病人：我不知道醫(yī)生：請(qǐng)告訴我一些情