按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
给定的信息和数据内容：专家的经验知识、启发知识和联想知识等。知识表示阶段是在概念化阶段所建立的求解问题基本模型基础上；把所确定的知识假设空
41
间结构和数据特征结构；变换成一定的表示形式；且必须是机器可以接受的表示形式；因此该阶段实际是知识的模型化或形式化阶段。由于不同特性的知识描述；所用的表示模式不同；而且同一个问题亦可用不同的表示方法；但它们在效能上是有差异的；因此要用一定原则专门评估知识形式化工作。
在人工智能中知识表示研究也是一个最基本的内容。现已有十几种表示方法；常用的有：产生规则表示法、过程式知识表示法、特征表示法、框架结构表示法、语意网络表示法等。
（3）问题求解即运用存贮于机器中的知识形式进行相应知识处理的问题。求解问题的能力是衡量智能的重要尺度。在人工智能中问题求解应与传统程序的问题求解严格化分开。传统程序的问题求解是依靠建立数学模型和相应的算法进行；而人工智能中的问题求解是由思维规律和心理学出发建立模型。因此人工智能的问题求解是运用已有知识来推出结论；故推理方式与知识表示形式有密切关系；一般用搜索原理或逻辑演绎原理；在所构造问题域的空间内进行问题求解。搜索原理策略有宽度优先搜索、深度优先搜索、启发式搜索、博弈树搜索等。
逻辑演绎是反复运用归结原理求解。全部知识推理过程是由控制器或推理机来引导实现；其基本控制策略有正向、反向、双向混合推理。
问题求解是人工智能研究领域的核心课题之一。有许多分支课题都与它密切相关；如自然语言理解、模式识别、数学定理证明、智能机器人、机器学习、专家系统等都涉及问题求解。
人工智能语言任何人工智能系统的构成必须有相应的语言。其作用是为了表达人类的思维活动；把问题域经形式化的知识有效地传递给机器；便于对求解问题基本模型的表示。自人工智能发展以来；由于应用领域广泛；对语言的要求也有所不同；目前较广泛应用的是LISP和PROLOG两种语言。
人工智能的应用研究人工智能的应用研究是指根据人工智能原理构成的智能信息处理系统；或称智能系统；它是专家系统、神经网络、模糊控制三者的总称；是在知识获取和知识表达基础上；通过问题求解策略进行知识信息求得问题的解答；或作出决策；或作出行为反应等。由于人工智能学科本身具有广泛性的特点；因此其应用研究也已深入各个学科和领域；并取得了显著成果。随着学科的发展已形成许多新的重要分支；如专家系统、智能机器人系统、自然语言理解系统、模式识别系统、机器学习系统、智能控制系统等。
人工神经网络
〃人脑是如何工作的？〃
〃人类能否制作模拟人脑的人工神经元？〃
多少年以来；人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中；近年来逐渐形成了一个新兴的多学科交叉技术领域；称之为〃神经网络〃。神经网络的研究涉及众多学科领域；这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发；提出不同的问题；从不同的角度进行研究。
心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和
42
搜索信息的机制；弄清人脑功能的机理；建立人类认知过程的微结构理论。
生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展；同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决目前不能解决或解决起来有极大困难的大量问题；构造更加逼近人脑功能的新一代计算机。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单；但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性；但并非生物系统的逼真描述；只是某种模仿、简化和抽象。
与数字计算机比较；人工神经网络在构成原理和功能特点等方面更加接近人脑；它不是按给定的程序一步一步地执行运算；而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经元的研究起源于脑神经元学说。19世纪末；在生物、生理学领域；Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元；每立方毫米约有数万个；它们互相联结形成神经网络；通过感觉器官和神经接受来自身体内外的各种信息；传递至中枢神经系统内；经过对信息的分析和综合；再通过运动神经发出控制信息；以此来实现机体与内外环境的联系；协调全身的各种机能活动。
神经元也和其他类型的细胞一样；包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊；具有许多突起；因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核；突起的作用是传递信息。树突是作为引入输入信号的突起；而轴突是作为输出端的突起；它只有一个。
树突是细胞体的延伸部分；它由细胞体发出后逐渐变细；全长各部位都可与其他神经元的轴突未稍相互联系；形成所谓〃突触〃。在突触处两神经元并未连通；它只是发生信息传递功能的结合部；联系界面之间间隙约为■（15～50）×10－9米。突触可分为兴奋性与抑制性两种类型；它相应于神经元之间耦合的极性。每个神经元的突触数目正常；最高可达105个。各神经元之间的连接强度和极性有所不同；并且都可调整、基于这一特性；人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。下面通过人工神经网络与通用的计算机工作特点来对比一下：若从速度的角度出发；人脑神经元之间传递信息的速度要远低于计算机；前者为毫秒量级；而后者的频率往往可达几百兆赫。但是；由于人脑是一个大规模并行与串行组合处理系统；因而；在许多问题上可以作出快速判断、决策和处理；其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑；具有并行处理特征；可以大大提高工作速度。
人脑存贮信息的特点为利用突触效能的变化来调整存贮内容；也即信息存贮在神经元之间连接强度的分布上；存贮区与计算机区合为一体。虽然人脑每日有大量神经细胞死亡（平均每小时约一千个）；但不影响大脑的正常思维活动。
普通计算机是具有相互独立的存贮器和运算器；知识存贮与数据运算互不相关；只有通过人编出的程序使之沟通；这种沟通不能超越程序编制者的预想。元器件的局部损坏及程序中的微小错误都可能引起严重的失常。
人类大脑有很强的自适应与自组织特性；后天的学习与训练可以开发许
43
多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。
普通计算机的功能取决于程序中给出的知识和能力。显然；对于智能活动要通过总结编制程序将十分困难。
人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值；以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统；可以发展知识；以致超过设计者原有的知识水平。通常；它的学习训练方式可分为两种；一种是有监督或称有导师的学习；这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习；这时；只规定学习方式或某些规则；则具体的学习内容随系统所处环境（即输入信号情况）而异；系统可以自动发现环境特征和规律性；具有更近似人脑的功能。
人工神经网络早期的研究工作应追溯至本世纪40年代。下面以时间顺序；以著名的人物或某一方面突出的研究成果为线索；简要介绍人工神经网络的发展历史。
1943年；心理学家W。Mcculloch和数理逻辑学家W。Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今；并且直接影响着这一领域研究的进展。因而；他们两人可称为人工神经网络研究的先驱。
1945年冯。诺依曼领导的设计小组试制成功存储程序式电子计算机；标