簡介：PATTERNRECOGNITIONARTIFICIALINTELLIGENCELECTURE7聚類算法（四）,1,主要內(nèi)容,基于密度的聚類算法DBSCAN基于高密度連通區(qū)域聚類OPTICS通過點(diǎn)排序識別聚類結(jié)構(gòu)DENCLUE基于密度分布函數(shù)的聚類,2,基于密度的聚類方法,劃分和層次方法旨在發(fā)現(xiàn)球狀類。他們很難發(fā)現(xiàn)任意形狀的類。改進(jìn)思想，將類看作數(shù)據(jù)空間中由低密度區(qū)域分隔開的高密度對象區(qū)域。這是基于密度的聚類方法的主要策略。基于密度的聚類方法可以用來過濾噪聲孤立點(diǎn)數(shù)據(jù)，發(fā)現(xiàn)任意形狀的類。,3,密度概念,核心對象COREOBJECT一個對象的?–鄰域至少包含最小數(shù)目MINPTS個對象。邊界點(diǎn)不是核心點(diǎn)，但落在某個核心點(diǎn)的EPS鄰域內(nèi)的對象稱為邊界點(diǎn)。噪聲不屬于任何類的對象為噪聲。邊界對象對于空間中的一個對象，如果它在給定半徑E的鄰域中的對象個數(shù)大于密度閥值MINPTS，則該對象被稱為核心對象，否則稱為邊界對象。,4,由一個核心對象和其密度可達(dá)的所有對象構(gòu)成聚類。,直接密度可達(dá)的DIRECTLYDENSITYREACHABLE,DDR給定對象集合D,如果P是在Q的?–鄰域內(nèi),而Q是核心對象,我們說對象P是從對象Q直接密度可達(dá)的如果Q是一個核心對象，P屬于Q的鄰域，那么稱P直接密度可達(dá)Q。密度可達(dá)的DENSITYREACHABLE存在一個從P到Q的DDR對象鏈如果存在一條鏈，滿足P1P，PIQ，PI直接密度可達(dá)PI1，則稱P密度可達(dá)Q,密度概念,兩個參數(shù)EPS鄰域的最大半徑MINPTS在EPS鄰域中的最少點(diǎn)數(shù)NEPSQ{QBELONGSTOD|DISTP,QMINPTS,密度概念,6,密度可達(dá)點(diǎn)P關(guān)于EPS,MINPTS是從Q密度可達(dá)的,如果存在一個節(jié)點(diǎn)鏈P1,,PN,P1Q,PNP使得PI1是從PI直接密度可達(dá)的密度相連的點(diǎn)P關(guān)于EPS,MINPTS與點(diǎn)Q是密度相連的,如果存在點(diǎn)O使得,P和Q都是關(guān)于EPS,MINPTS是從O密度可達(dá)的如果存在O，O密度可達(dá)Q和P，則稱P和Q是密度連通的,,,,,,,,,,,,,,,,,P,Q,,P1,,,密度概念,7,EG假設(shè)半徑?3，MINPTS3。點(diǎn)P的?鄰域中有點(diǎn){M,P,P1,P2,O},點(diǎn)M的?鄰域中有點(diǎn){M,Q,P,M1,M2},點(diǎn)Q的?鄰域有{Q,M},點(diǎn)O的?鄰域中有點(diǎn){O,P,S},點(diǎn)S的?鄰域中有點(diǎn){O,S,S1}那么核心對象有P,M,O,SQ不是核心對象，因?yàn)樗鼘?yīng)的?領(lǐng)域中點(diǎn)數(shù)量等于2，小于MINPTS3；點(diǎn)M從點(diǎn)P直接密度可達(dá)，因?yàn)镸在P的?領(lǐng)域內(nèi)，并且P為核心對象；點(diǎn)Q從點(diǎn)P密度可達(dá)，因?yàn)辄c(diǎn)Q從點(diǎn)M直接密度可達(dá)，并且點(diǎn)M從點(diǎn)P直接密度可達(dá)；點(diǎn)Q到點(diǎn)S密度相連，因?yàn)辄c(diǎn)Q從點(diǎn)P密度可達(dá)，并且S從點(diǎn)P密度可達(dá)。,密度概念例子,8,密度概念例子,MINPTS3Q是從P密度可達(dá)；P不是從Q密度可達(dá)（Q非核心）S和R從O密度可達(dá)；O從R密度可達(dá)；R,S密度相連,9,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,DBSCAN一種基于高密度連通區(qū)域的基于密度的聚類方法，該算法將具有足夠高密度的區(qū)域劃分為類，并在具有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的類。它將類定義為密度相連的點(diǎn)的最大集合。,10,DBSCAN通過檢查數(shù)據(jù)集中每個對象的Ε鄰域來尋找聚類。如果一個點(diǎn)P的Ε鄰域包含多于MINPTS個對象，則創(chuàng)建一個P作為核心對象的新類C。然后，DBSCAN從C中尋找未被處理對象Q的Ε鄰域，如果Q的Ε鄰域包含多MINPTS個對象，則還未包含在C中的Q的鄰點(diǎn)被加入到類中，并且這些點(diǎn)的Ε鄰域?qū)⒃谙乱徊街羞M(jìn)行檢測。這個過程反復(fù)執(zhí)行，當(dāng)沒有新的點(diǎn)可以被添加到任何類時，該過程結(jié)束。具體如下,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,11,輸入數(shù)據(jù)集D，參數(shù)MINPTS,Ε輸出類集合首先將數(shù)據(jù)集D中的所有對象標(biāo)記UNVISITED；DO從D中隨機(jī)選取一個UNVISITED對象P，并將P標(biāo)記為VISITED；IFP的Ε鄰域包含的對象數(shù)至少為MINPTS個創(chuàng)建新類C，并把P添加到C中；令N為P的Ε鄰域中對象的集合；FORN中每個點(diǎn)PIIFPI是UNVISITED標(biāo)記PI為VISITED；IFPI的Ε鄰域至少有MINPTS個對象，把這些對象添加到N；IFPI還不是任何類的對象。將PI添加到類C中；ENDFOR輸出CELSE標(biāo)記P為噪聲UNTILL沒有標(biāo)記為UNVISITED的對象,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,12,下面給出一個樣本事務(wù)數(shù)據(jù)庫（見下表），對它實(shí)施DBSCAN算法。根據(jù)所給的數(shù)據(jù)通過對其進(jìn)行DBSCAN算法，以下為算法的步驟（設(shè)N12，用戶輸入Ε1，MINPTS4）,樣本事務(wù)數(shù)據(jù)庫,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,13,STEP1在數(shù)據(jù)庫中選擇一點(diǎn)1，由于在以它為圓心的，以1為半徑的圓內(nèi)包含2個點(diǎn)（小于4），因此它不是核心點(diǎn)，選擇下一個點(diǎn)。STEP2在數(shù)據(jù)庫中選擇一點(diǎn)2，由于在以它為圓心的，以1為半徑的圓內(nèi)包含2個點(diǎn)，因此它不是核心點(diǎn)，選擇下一個點(diǎn)。STEP3在數(shù)據(jù)庫中選擇一點(diǎn)3，由于在以它為圓心的，以1為半徑的圓內(nèi)包含3個點(diǎn)，因此它不是核心點(diǎn)，選擇下一個點(diǎn)。,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,14,STEP4在數(shù)據(jù)庫中選擇一點(diǎn)4，由于在以它為圓心的，以1為半徑的圓內(nèi)包含5個點(diǎn)，因此它是核心點(diǎn)。尋找從它出發(fā)可達(dá)的點(diǎn)（直接可達(dá)4個，間接可達(dá)3個），聚出的新類{1，3，4，5，9，10，12}，選擇下一個點(diǎn)。,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,,15,STEP5在數(shù)據(jù)庫中選擇一點(diǎn)5，已經(jīng)在類1中，選擇下一個點(diǎn)。STEP6在數(shù)據(jù)庫中選擇一點(diǎn)6，由于在以它為圓心的，以1為半徑的圓內(nèi)包含3個點(diǎn)，因此它不是核心點(diǎn)，選擇下一個點(diǎn)。,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,16,STEP7在數(shù)據(jù)庫中選擇一點(diǎn)7，由于在以它為圓心的，以1為半徑的圓內(nèi)包含5個點(diǎn)，因此它是核心點(diǎn)，尋找從它出發(fā)可達(dá)的點(diǎn)，聚出的新類{2，6，7，8，11}，選擇下一個點(diǎn)。,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,,17,STEP8在數(shù)據(jù)庫中選擇一點(diǎn)8，已經(jīng)在類2中，選擇下一個點(diǎn)。STEP9在數(shù)據(jù)庫中選擇一點(diǎn)9，已經(jīng)在類1中，選擇下一個點(diǎn)。STEP10在數(shù)據(jù)庫中選擇一點(diǎn)10，已經(jīng)在類1中，選擇下一個點(diǎn)。STEP11在數(shù)據(jù)庫中選擇一點(diǎn)11，已經(jīng)在類2中，選擇下一個點(diǎn)。STEP12選擇12點(diǎn)，已經(jīng)在類1中，由于這已經(jīng)是最后一點(diǎn)所有點(diǎn)都以處理，程序終止。,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,18,算法執(zhí)行過程,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,19,ORIGINALPOINTS,CLUSTERS,特點(diǎn)抗噪聲能處理任意形狀聚類,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,20,PROS能克服基于距離的算法只能發(fā)現(xiàn)“類圓形”的聚類的缺點(diǎn)，可發(fā)現(xiàn)任意形狀的聚類，有效地處理數(shù)據(jù)集中的噪聲數(shù)據(jù)，數(shù)據(jù)輸入順序不敏感CONS輸入?yún)?shù)敏感．確定參數(shù)Ε，MINPTS困難，若選取不當(dāng)，將造成聚類質(zhì)量下降．由于在DBSCAN算法中，變量Ε，MINPTS是全局惟一的，當(dāng)空間聚類的密度不均勻、聚類間距離相差很大時，聚類質(zhì)量較差。計(jì)算密度單元的計(jì)算復(fù)雜度大，需要建立空間索引來降低計(jì)算量，且對數(shù)據(jù)維數(shù)的伸縮性較差。這類方法需要掃描整個數(shù)據(jù)庫，每個數(shù)據(jù)對象都可能引起一次查詢，因此當(dāng)數(shù)據(jù)量大時會造成頻繁的I/O操作。,DBSCANDENSITYBASEDSPATIALCLUSTERINGOFAPPLICATIONSWITHNOISE,21,下圖中所描述的數(shù)據(jù)集不能通過一個全局密度參數(shù)同時區(qū)分出類A、B、C、C1、C2和C3，只能得到A、B、C或C1、C2和C3，對于C1、C2和C3而言A、B、C都是噪聲。,DBSCANCANNOTHANDLEVARYINGDENSITIES,22,DBSCANSENSITIVETOPARAMETERS,23,DBSCANDETERMININGTHEPARAMETERSΕANDMINPTS,24,,OPTICSORDERINGPOINTSTOIDENTIFYTHECLUSTERINGSTRUCTURE,為了同時構(gòu)建不同的聚類,應(yīng)當(dāng)以特定的順序來處理對象優(yōu)先選擇最小的?值密度可達(dá)的對象,以便高密度的聚類能被首先完成；每個對象需要存儲兩個值對象P的核心距離COREDISTANCE是使得P成為核心對象的最小?。如果P不是核心對象，P的核心距離沒有定義。對象Q關(guān)于另一個對象P的可達(dá)距離REACHABILITYDISTANCE是P的核心距離和P與Q的歐幾里得距離之間的較大值如果P不是一個核心對象,P和Q之間的可達(dá)距離沒有定義,OPTICS算法通過對象排序識別聚類結(jié)構(gòu)。,25,OPTICSORDERINGPOINTSTOIDENTIFYTHECLUSTERINGSTRUCTURE,EG設(shè)?6MM,MINPTS5P的核心距離是P與四個最近的數(shù)據(jù)對象之間的距離?’Q1關(guān)于P的可達(dá)距離是P的核心距離即?’3MM,因?yàn)樗葟腜到Q1的歐幾里得距離要大Q2關(guān)于P的可達(dá)距離是從P到Q2的歐幾里得距離,它大于P的核心距離,P的核心距離,可達(dá)距離P,Q1?’3MM可達(dá)距離P,Q2DP,Q2,26,OPTICSORDERINGPOINTSTOIDENTIFYTHECLUSTERINGSTRUCTURE,輸入樣本集D,鄰域半徑E,給定點(diǎn)在E領(lǐng)域內(nèi)成為核心對象的最小領(lǐng)域點(diǎn)數(shù)MINPTS輸出具有可達(dá)距離信息的樣本點(diǎn)輸出排序方法STEP1創(chuàng)建兩個隊(duì)列，有序隊(duì)列和結(jié)果隊(duì)列。（有序隊(duì)列用來存儲核心對象及其該核心對象的直接可達(dá)對象，并按可達(dá)距離升序排列；結(jié)果隊(duì)列用來存儲樣本點(diǎn)的輸出次序）；STEP2如果所有樣本集D中所有點(diǎn)都處理完畢，則算法結(jié)束。否則，選擇一個未處理（即不在結(jié)果隊(duì)列中）且為核心對象的樣本點(diǎn)，找到其所有直接密度可達(dá)樣本點(diǎn)，如果該樣本點(diǎn)不存在于結(jié)果隊(duì)列中，則將其放入有序隊(duì)列中，并按可達(dá)距離排序；STEP3如果有序隊(duì)列為空，則跳至上一步，否則，從有序隊(duì)列中取出第一個樣本點(diǎn)（即可達(dá)距離最小的樣本點(diǎn)）進(jìn)行拓展，并將取出的樣本點(diǎn)保存至結(jié)果隊(duì)列中，如果它不存在結(jié)果隊(duì)列當(dāng)中的話,27,STEP31判斷該拓展點(diǎn)是否是核心對象，如果不是，回到步驟3，否則找到該拓展點(diǎn)所有的直接密度可達(dá)點(diǎn)；STEP32判斷該直接密度可達(dá)樣本點(diǎn)是否已經(jīng)存在結(jié)果隊(duì)列，是則不處理，否則下一步；STEP33如果有序隊(duì)列中已經(jīng)存在該直接密度可達(dá)點(diǎn)，如果此時新的可達(dá)距離小于舊的可達(dá)距離，則用新可達(dá)距離取代舊可達(dá)距離，有序隊(duì)列重新排序；重新排序；STEP34如果有序隊(duì)列中不存在該直接密度可達(dá)樣本點(diǎn)，則插入該點(diǎn)，并對有序隊(duì)列STEP4算法結(jié)束，輸出結(jié)果隊(duì)列中的有序樣本點(diǎn)。,OPTICSORDERINGPOINTSTOIDENTIFYTHECLUSTERINGSTRUCTURE,28,OPTICSORDERINGPOINTSTOIDENTIFYTHECLUSTERINGSTRUCTURE,EXAMPLE,有如下表所示的數(shù)據(jù)集。當(dāng)設(shè)置Ε2，MINPTS4時，采用OPTICS算法進(jìn)行聚類的過程如下,29,OPTICSORDERINGPOINTSTOIDENTIFYTHECLUSTERINGSTRUCTURE,EXAMPLE,數(shù)據(jù)分布散點(diǎn)圖,求各個點(diǎn)的可達(dá)距離，如下表所示，表中序號指出輸出次序，對于未輸出的點(diǎn)，表示該點(diǎn)的可達(dá)距離沒有定義。,30,OPTICSORDERINGPOINTSTOIDENTIFYTHECLUSTERINGSTRUCTURE,EXAMPLE,如圖，按照算法，分三個階段輸出了三波值,{A,E,B,D,},{C,F,G,J,K,I,H},{N,Q,O,M}這和DBSCAN的聚類結(jié)果是一樣的。不僅如此，我們通過分析有序圖還能直接得到當(dāng)參數(shù)E15,MINPTS4時DBSCAN的類類結(jié)果，只要在坐標(biāo)圖中找到Y(jié)值小于15的樣本點(diǎn)即可，只有兩類{A,E,B,D,C,F},{G,J,K,I,H},其他點(diǎn)被認(rèn)為是孤立點(diǎn)，和DBSCAN聚類算法取E15,MINPTS4時的結(jié)果一致。所以說，OPTICS聚類算法所得的類排序信息等價于一個廣泛的參數(shù)設(shè)置所獲得的基于密度的聚類結(jié)果。,31,OPTICSORDERINGPOINTSTOIDENTIFYTHECLUSTERINGSTRUCTURE,對于真實(shí)的，高維的數(shù)據(jù)集合而言，絕大多數(shù)算法對參數(shù)值是非常敏感的，參數(shù)的設(shè)置通常是依靠經(jīng)驗(yàn)，難以確定。而OPTICS算法可以幫助找出合適的參數(shù)。OPTICS算法通過對象排序識別聚類結(jié)構(gòu)。OPTICS沒有顯式地產(chǎn)生一個數(shù)據(jù)類類，它為自動和交互的聚類分析計(jì)算一個類排序。這個次序代表了數(shù)據(jù)的基于密度的聚類結(jié)構(gòu)。,特點(diǎn),32,DBSCANVSOPTICS,WHENOPTICSWORKSWELL,,,,,,,CLUSTERORDEROFTHEOBJECTS,,,,,,,WHENOPTICSDOESNOTWORKWELL,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,CLUSTERORDEROFTHEOBJECTS,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,DEFINITION1INFLUENCEFUNCTIONTHEINFLUENCEOFADATAPOINTYATAPOINTXINTHEDATASPACEISMODELEDBYAFUNCTION,EG,DENCLUEDENSITYBASEDCLUSTERING,DEFINITION2DENSITYFUNCTIONTHEDENSITYATAPOINTXINTHEDATASPACEISDEFINEDASTHESUMOFINFLUENCESOFALLDATAPOINTSX,EG,DENCLUEDENSITYBASEDCLUSTERING,EXAMPLE,DENCLUEDENSITYBASEDCLUSTERING,DEFINITION3GRADIENTTHEGRADIENTOFADENSITYFUNCTIONISDEFINEDASEG,DENCLUEDENSITYBASEDCLUSTERING,DEFINITION4DENSITYATTRACTORAPOINTX∈FDISCALLEDADENSITYATTRACTORFORAGIVENINFLUENCEFUNCTION,IFFXISALOCALMAXIMUMOFTHEDENSITYFUNCTION,EXAMPLEOFDENSITYATTRACTOR,DENCLUEDENSITYBASEDCLUSTERING,DEFINITION5DENSITYATTRACTEDPOINTAPOINTXK∈FDISDENSITYATTRACTEDTOADENSITYATTRACTORX,IFK∈NDXK,X??WITHXIISAPOINTINTHEPATHBETWEENXKANDITSATTRACTORXDENSITYATTRACTEDPOINTSAREDETERMINEDBYAGRADIENTBASEDHILLCLIMBINGMETHOD,DENCLUEDENSITYBASEDCLUSTERING,DEFINITION6CENTERDEFINEDCLUSTERACENTERDEFINEDCLUSTERWITHDENSITYATTRACTORXISTHESUBSETOFTHEDATABASEWHICHISDENSITYATTRACTEDBYX,DENCLUEDENSITYBASEDCLUSTERING,DEFINITION7ARBITRARYSHAPEDCLUSTERAARBITRARYSHAPEDCLUSTERFORTHESETOFDENSITYATTRACTORSXISASUBSETC?D,WHERE1?X?C,X?XXISDENSITYATTRACTEDTOXAND2?X1,X2?X?APATHP?FDFROMX1TOX2WITH?P?P,DENCLUEDENSITYBASEDCLUSTERING,NOISEINVARIANCEASSUMPTIONNOISEISUNIFORMLYDISTRIBUTEDINTHEDATASPACELEMMATHEDENSITYATTRACTORSDONOTCHANGEWHENTHENOISELEVELINCREASESIDEAOFTHEPROOFPARTITIONDENSITYFUNCTIONINTOSIGNALANDNOISEDENSITYFUNCTIONOFNOISEAPPROXIMATESACONSTANT,DENCLUEDENSITYBASEDCLUSTERING,EXAMPLEOFNOISEINVARIANCE,DENCLUEDENSITYBASEDCLUSTERING,PARAMETERΣITDESCRIBESTHEINFLUENCEOFADATAPOINTINTHEDATASPACEITDETERMINESTHENUMBEROFCLUSTERS,DENCLUEDENSITYBASEDCLUSTERING,PARAMETERΣCHOOSEΣSUCHTHATNUMBEROFDENSITYATTRACTORSISCONSTANTFORTHELONGESTINTERVALOFΣ,DENCLUEDENSITYBASEDCLUSTERING,PARAMETERΞITDESCRIBESWHETHERADENSITYATTRACTORISSIGNIFICANT,HELPINGREDUCETHENUMBEROFDENSITYATTRACTORSSUCHTHATIMPROVINGTHEPERFORMANCE,DENCLUEDENSITYBASEDCLUSTERING,49,CLUSTERSAREDEFINEDACCORDINGTOTHEPOINTDENSITYFUNCTIONWHICHISTHESUMOFINFLUENCEFUNCTIONSOFTHEDATAPOINTSITHASGOODCLUSTERINGINDATASETSWITHLARGEAMOUNTSOFNOISEITCANDEALWITHHIGHDIMENSIONALDATASETSITISSIGNIFICANTLYFASTERTHANEXISTINGALGORITHMS,DENCLUEDENSITYBASEDCLUSTERING,PROPERTIES,50,總結(jié),掌握DBSCAN,DENCLUE,OPTICS的基本思想掌握DBSCAN,DENCLUE,OPTICS的優(yōu)缺點(diǎn)能夠利用PYTHON實(shí)現(xiàn)上述方法的聚類,

簡介：2024/3/20,人工智能與專家系統(tǒng),1,現(xiàn)代計(jì)算機(jī)的智能與人工智能未來發(fā)展,湖北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院教授武漢思維科學(xué)與智能系統(tǒng)學(xué)會理事,熊才權(quán),2024/3/20,人工智能與專家系統(tǒng),2,1、人機(jī)大戰(zhàn)（1）1991年8月在悉尼第12屆國際人工智能聯(lián)合會議上，IBM公司的“深思II”以11平澳大利亞國際象棋冠軍約翰森時，人們對人工智能的水平還沒引起足夠的重視，（2）1997年5月IBM公司的“DEEPERBLUE”以3525總比分勝國際象棋世界冠軍卡斯帕羅夫時，引起了世人－片嘩然?！吧钏{(lán)”5人研制小組的負(fù)責(zé)人是華裔科學(xué)家譚崇仁，主要研制人員還有許雄峰。2、為索尼公司大為露臉的智能機(jī)器狗“阿寶”，它能通過充滿靈性的動作和聲音表達(dá)出自己的喜、怒、哀、樂和恐懼等多種感情，并且還能通過學(xué)習(xí)自我完善，形成與主人相適應(yīng)的習(xí)性。2、人工智能的幻想（1）電影人工智能（2）電影我，機(jī)器人,幾個有趣的計(jì)算機(jī)智能例子,2024/3/20,人工智能與專家系統(tǒng),3,我們的問題,1、人工智能研究什么2、人工智能能超越人類智能嗎3、我們的人工智能課程將要學(xué)些什么,2024/3/20,人工智能與專家系統(tǒng),4,一、什么是人工智能二、人工智能的起源和發(fā)展三、智能計(jì)算機(jī)能做什么四、人工智能的未來發(fā)展。,主要內(nèi)容,2024/3/20,人工智能與專家系統(tǒng),5,一、什么是人工智能,1、什么是智能智能是指人們在認(rèn)識世界和改造世界的行動中，由腦力勞動表現(xiàn)出來的能力。它包括（1）通過視、聽、觸覺等感官活動，認(rèn)識并理解文字、圖像、聲音、語言的能力；（感知）（2）通過人腦活動，將感性知識抽象為理性知識，并對事物運(yùn)動規(guī)律進(jìn)行分析、判斷、推理和決策的能力；（解決問題）（3）通過教育、訓(xùn)練和學(xué)習(xí)過程，日益豐富自身的知識技能的學(xué)習(xí)能力；（學(xué)習(xí)）,生命起源,天體演化,人腦思維,2024/3/20,人工智能與專家系統(tǒng),6,2、什么是人工智能人工智能ARTIFICIALINTELLIGENCE，AI是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。它是是計(jì)算機(jī)科學(xué)的一個分支。（1）企圖了解智能的實(shí)質(zhì)（2）生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器,2024/3/20,人工智能與專家系統(tǒng),7,3、強(qiáng)人工智能與弱人工智能強(qiáng)人工智能強(qiáng)人工智能觀點(diǎn)認(rèn)為有可能制造出真正能推理（REASONING）和解決問題（PROBLEM_SOLVING）的智能機(jī)器，并且，這樣的機(jī)器能將被認(rèn)為是有知覺的，有自我意識的。強(qiáng)人工智能可以有兩類類人的人工智能，即機(jī)器的思考和推理就像人的思維一樣。非類人的人工智能，即機(jī)器產(chǎn)生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。弱人工智能弱人工智能觀點(diǎn)認(rèn)為不可能制造出能真正地推理（REASONING）和解決問題（PROBLEM_SOLVING）的智能機(jī)器，這些機(jī)器只不過看起來像是智能的，但是并不真正擁有智能，也不會有自主意識。主流科研集中在弱人工智能上，并且一般認(rèn)為這一研究領(lǐng)域已經(jīng)取得可觀的成就。強(qiáng)人工智能的研究則處于停滯不前的狀態(tài)下。,2024/3/20,人工智能與專家系統(tǒng),8,,知識工程專家系統(tǒng),自動程序設(shè)計(jì),機(jī)器翻譯,自動定理證明,自然語言理解,機(jī)器人學(xué),計(jì)算機(jī)視覺,模式識別,人工智能程序設(shè)計(jì)語言,數(shù)據(jù)庫智能查詢,機(jī)器學(xué)習(xí),博弈,4、人工智能的研究領(lǐng)域,,,核心技術(shù),,,知識表達(dá),問題求解,2024/3/20,人工智能與專家系統(tǒng),9,二、人工智能的起源與發(fā)展,1、人工智能的提出1956年美國的DARTMOUTH會議，JMCCARTHY等人倡議開展人類思維活動規(guī)律的研究，并為其命名為“人工智能”。,MINSKY首創(chuàng)框架理論,（人工智能之父）LISP語言的發(fā)明人首次提出AI的概念,SIMON（政治學(xué)博士，心理學(xué)家，諾貝爾經(jīng)濟(jì)獎）“通用問題求解系統(tǒng)”GPS最早的下棋程序之一MATER,2024/3/20,人工智能與專家系統(tǒng),10,邏輯理論基礎(chǔ)古希臘的ARISTOTLE亞里士多德前384322的形式邏輯。德國數(shù)學(xué)家、哲學(xué)家LEIBNITZ布萊尼茨16461716的數(shù)理邏輯的思想，把形式邏輯符號化，從而能對人的思維進(jìn)行運(yùn)算和推理。計(jì)算機(jī)科學(xué)基礎(chǔ)計(jì)算思想英國數(shù)學(xué)家TURING圖靈19121954,1936年提出了一種理想計(jì)算機(jī)的數(shù)學(xué)模型（圖靈機(jī)），1950年提出了圖靈試驗(yàn)，發(fā)表了“計(jì)算機(jī)與智能”的論文。1966年ACM設(shè)立圖靈獎。,2、史前研究，1956年之前,TURING圖靈,2024/3/20,人工智能與專家系統(tǒng),11,3、人工智能的發(fā)展，1956年之后,60年代SIMON敘述了智能系統(tǒng)的特點(diǎn)智能表示、智能推理、智能搜索。NILSON發(fā)表了A算法（搜索方法）MCCARTHY發(fā)明人工智能程序設(shè)計(jì)語言LISP1965年ROBINSON提出了歸結(jié)原理，（與傳統(tǒng)的自然演繹法完全不同的消解法）。1968年QUILLIAN提出了語義網(wǎng)絡(luò)的知識表示方法1969年MINSKY出了一本書“感知機(jī)”，給當(dāng)時的神經(jīng)網(wǎng)絡(luò)研究結(jié)果判了死刑1969年召開了第一屆國際人工智能聯(lián)合會議INTERNATIONALJOINTCONFERENCEONAI,IJCAI,此后每兩年召開一次。1970年人工智能國際雜志INTERNATIONALJOURNALOFAI創(chuàng)刊。這些對開展人工智能國際學(xué)術(shù)活動和交流、促進(jìn)人工智能的研究和發(fā)展起到積極作用。,2024/3/20,人工智能與專家系統(tǒng),12,智能行為支撐體與載體的研究數(shù)字計(jì)算機(jī)研究取得突破性的進(jìn)展提出了AI研究的支持語言LISP,3、人工智能的發(fā)展，1956年之后,常規(guī)說法1946年就由美國數(shù)學(xué)家莫希里（MAUCHLY）和?？绿兀‥CHERT）研制出了世界上第一臺電子計(jì)算機(jī),歷史真相保加利亞裔副教授ATANASOFF和他的學(xué)生BERRY在1939年造出了一臺電子計(jì)算機(jī)的樣機(jī)采用電子真空管，采用二進(jìn)制,這臺機(jī)器被稱為ABCATANASOFF–BERRYCOMPUTER。,2024/3/20,人工智能與專家系統(tǒng),13,智能行為基本規(guī)律的研究SIMON夫婦在心理學(xué)研究中對啟發(fā)式信息在人類思維活動中作用的發(fā)現(xiàn)（1960年）ROSENBLATT的感知機(jī)在計(jì)算機(jī)上表現(xiàn)智能行為的理論與方法的研究SHANNON的下棋程序NEWELL，SHAW和SIMON的GPS,王浩的機(jī)器定理證明（1960年）ROBINSON的歸結(jié)原理（1965年）NILSSON的A搜索算法（1971年）SAMUEL的下棋研究（1967年）SELFBRIDGE的地獄模型MINSKY的語義信息處理（1968年）及感知機(jī)（1969年）,2024/3/20,人工智能與專家系統(tǒng),14,1977年，以FEIGENBAUM為首的一批年輕科學(xué)家提出了知識工程的概念，以知識為基礎(chǔ)的專家咨詢系統(tǒng)開始廣泛的應(yīng)用。著名的有DENDRAL化學(xué)分析專家系統(tǒng)（斯坦福大學(xué)1968）MACSYMA符號數(shù)學(xué)專家系統(tǒng)（麻省理工1971）MYCIN診斷和治療細(xì)菌感染性血液病的專家咨詢系統(tǒng)（斯坦福大學(xué)1973）CASNETCAUSALASSCIATIONALNETWORK診斷和治療青光眼的專家咨詢系統(tǒng)（拉特格爾斯（RUTGERS）大學(xué)70年代中）CADUCEUS原名INTERNIST醫(yī)療咨詢系統(tǒng)（匹茲堡大學(xué)）；HEARSAYI和II語音理解系統(tǒng)（卡內(nèi)基梅隆大學(xué)）PROSPECTOR地質(zhì)勘探專家系統(tǒng)（斯坦福大學(xué)1976）XCON計(jì)算機(jī)配置專家系統(tǒng)（卡內(nèi)基梅隆大學(xué)1978）,FEIGENBAUM,2024/3/20,人工智能與專家系統(tǒng),15,巨型智能系統(tǒng)多學(xué)科交叉人機(jī)協(xié)作,2024/3/20,人工智能與專家系統(tǒng),16,符號主義連接主義行為主義,4、人工智能的主要學(xué)派及其觀點(diǎn),2024/3/20,人工智能與專家系統(tǒng),17,（1）符號主義SYMBOLICISM，又稱為邏輯主義LOGICISM、心理學(xué)派PSYCHLOGISM或計(jì)算機(jī)學(xué)派COMPUTERISM，其原理主要為物理符號系統(tǒng)即符號操作系統(tǒng)假設(shè)和有限合理性原理。這個學(xué)派的代表有紐厄爾、肖、西蒙和尼爾遜NILSSON等。主要特征①立足于邏輯運(yùn)算和符號操作，適合于模擬人的邏輯思維過程，解決需要邏輯推理的復(fù)雜問題。②知識可用顯式的符號表示。③能與傳統(tǒng)的數(shù)據(jù)庫進(jìn)行連接。④可對推理結(jié)論進(jìn)行解釋。缺點(diǎn)①可以解決邏輯思維，但對于形象思維難于模擬。②信息表示成符號后，在處理和轉(zhuǎn)換時有丟失的情況。,2024/3/20,人工智能與專家系統(tǒng),18,（2）聯(lián)結(jié)主義CONNECTIONISM，又稱為仿生學(xué)派BIONICSISM或生理學(xué)派PHYSIOLOGISM，其原理主要為神經(jīng)網(wǎng)絡(luò)及神經(jīng)網(wǎng)絡(luò)間的連接機(jī)制與學(xué)習(xí)算法。主要特征①通過神經(jīng)元實(shí)現(xiàn)信息處理，處理過程具有并行性，動態(tài)性和全局性。②可以實(shí)現(xiàn)聯(lián)想的功能，便于對有噪聲的信息進(jìn)行處理。③可以通過對神經(jīng)元之間連接強(qiáng)度的調(diào)整實(shí)現(xiàn)學(xué)習(xí)和分類等。④適合模擬人的形象思維過程。⑤求解問題時，可以較快的得到一個近似解。缺點(diǎn)①不適合解決邏輯思維。,2024/3/20,人工智能與專家系統(tǒng),19,（3）行為主義ACTIONISM，又稱進(jìn)化主義EVOLUTIONISM或控制論學(xué)派CYBERNETICSISM，其原理為控制論及感知動作型控制系統(tǒng)。這一學(xué)派的代表作首推布魯克斯BROOKS的六足行走機(jī)器人，它被看做新一代的“控制論動物”，是一個基于感知－動作模式的模擬昆蟲行為的控制系統(tǒng)。,2024/3/20,人工智能與專家系統(tǒng),20,80年代，人工智能發(fā)展達(dá)到階段性的頂峰。87,89年世界大會有６－７千人參加。硬件公司有上千個。并進(jìn)行LISP硬件、LISP機(jī)的研究。在專家系統(tǒng)及其工具越來越商品化的過程中,國際軟件市場上形成了一門旨在生產(chǎn)和加工知識的新產(chǎn)業(yè)知識產(chǎn)業(yè)。應(yīng)該說，知識工程和專家系統(tǒng)是近十余年來人工智能研究中最有成就的分支之一。同年代，1986年RUMLHART領(lǐng)導(dǎo)的并行分布處理研究小組提出了神經(jīng)元網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法，解決了神經(jīng)網(wǎng)絡(luò)的根本問題之一。從此，神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入新的高潮。,2024/3/20,人工智能與專家系統(tǒng),21,90年代，計(jì)算機(jī)發(fā)展趨勢為小型化、并行化、網(wǎng)絡(luò)化、智能化。人工智能技術(shù)逐漸與數(shù)據(jù)庫、多媒體等主流技術(shù)相結(jié)合，并融合在主流技術(shù)之中，旨在使計(jì)算機(jī)更聰明、更有效、與人更接近。日本政府于1992年結(jié)束了為期十年的稱為“知識信息處理體統(tǒng)”的第五代計(jì)算機(jī)系統(tǒng)研究開發(fā)計(jì)劃。并開始了為期十年的實(shí)況計(jì)算（REALWORDCOMPUTING）計(jì)劃。近十多年來，機(jī)器學(xué)習(xí)、計(jì)算智能、人工神經(jīng)網(wǎng)絡(luò)等和行為主義的研究深入開展，形成高潮。同時，不同人工智能學(xué)派之間的爭論也非常熱烈。這些都推動人工智能研究的進(jìn)一步發(fā)展。,2024/3/20,人工智能與專家系統(tǒng),22,計(jì)算機(jī)智能化技術(shù)的主攻方向體現(xiàn)在并行與分布式處理技術(shù)。包括大規(guī)模并行機(jī)和機(jī)群的體系結(jié)構(gòu)、并行操作系統(tǒng)于并行數(shù)據(jù)結(jié)構(gòu)，分布式CLIENT/SERVER計(jì)算模型及其處理技術(shù)，多專機(jī)系統(tǒng)的合作與知識共享技術(shù)等。知識的獲取、表示、更新和推理新機(jī)制。包括新的知識獲取方法，常識性知識的表示、更新與推理，大型知識庫的組織與維護(hù)，新一代邏輯處理機(jī)制等功能的感知技術(shù)，包括對語音文字、圖形與圖像等信號的獲取、識別、壓縮與轉(zhuǎn)化，以及多媒體輸出和VR技術(shù)等。使計(jì)算機(jī)來實(shí)現(xiàn)人的視覺、聽覺等模式識別能力，是人類在基礎(chǔ)理論與應(yīng)用研究中面臨最重大的挑戰(zhàn)之一。用計(jì)算機(jī)實(shí)現(xiàn)模式的自動識別，是開發(fā)智能機(jī)器的一個最關(guān)鍵的突破口（如果機(jī)器不能自動感知與識別周圍環(huán)境，機(jī)器智能也就無從談起）。隨著數(shù)字化和網(wǎng)絡(luò)通訊技術(shù)的飛速發(fā)展，“信息過載”已成為日益嚴(yán)重的問題。如何用智能化的手段處理和識別網(wǎng)上的海量信息（包括文字、圖像、語音等）已成為當(dāng)前信息技術(shù)領(lǐng)域所面臨的一個巨大挑戰(zhàn)。研究友好人性化的人機(jī)交互技術(shù),以支持用戶通過各種手持式設(shè)備、傳統(tǒng)PC終端和固定電話等形式來安全可靠地檢索各種媒體信息。比爾蓋茨認(rèn)為人類計(jì)算的未來就是要讓計(jì)算機(jī)會看、會聽、會說、會思考。,2024/3/20,人工智能與專家系統(tǒng),23,1、如何判斷機(jī)器有智能圖靈于1936年提出了圖靈測試標(biāo)準(zhǔn)。圖靈測試說，如果一個人不能區(qū)分人和機(jī)器，就說明這個機(jī)器具有智能。,1980年美國著名語言哲學(xué)家賽爾（JOHNRSEARKE）提出的“中文房”模型。,三、計(jì)算機(jī)的智能極限,2024/3/20,人工智能與專家系統(tǒng),24,2、計(jì)算機(jī)理論基礎(chǔ)形式化方法,形式化方法是指建立一個形式系統(tǒng)，并進(jìn)行推理和演繹。形式系統(tǒng)由四個部分組成（1）符號表，規(guī)定系統(tǒng)允許使用的符號；（2）形成規(guī)則，即語法，規(guī)定符號連接成合法序列的規(guī)則；（3）初始公式，即公理；（4）推理規(guī)則，規(guī)定怎樣將一個合法序列就成另一個合法序列。,2024/3/20,人工智能與專家系統(tǒng),25,形式化系統(tǒng)具有以下特點(diǎn)（1）使用專門的人工符號語言；（2）除初始概念以外，任何概念必須由初始或已定義的概念來定義；（3）除初始命題即公理以外，任何斷言必須是經(jīng)過證明的，不許引進(jìn)初始命題以外的假設(shè)作為證明的根據(jù)?；隈T諾伊曼體系結(jié)構(gòu)的計(jì)算機(jī)本質(zhì)上是一個形式系統(tǒng)，程序設(shè)計(jì)和運(yùn)行是一種形式邏輯活動。,2024/3/20,人工智能與專家系統(tǒng),26,“中文房”模型與計(jì)算機(jī)執(zhí)行程序有相似之處，它有以下三個步驟（1）輸入，字符被送入房間；（2）處理，按照操作規(guī)程，將輸入的中文字符轉(zhuǎn)換為另一種字符；（3）輸出，新的中文字符送出房間。計(jì)算機(jī)執(zhí)行程序就象中文房里的人按規(guī)程執(zhí)行操作一樣，它并不知道這些符號的意義是什么，對這個結(jié)果是怎樣得出的也一無所知，即計(jì)算機(jī)程序并不構(gòu)成真正的思維。以35?25戰(zhàn)勝了國際象棋世界冠軍卡斯帕羅夫的IBM的計(jì)算機(jī)“深藍(lán)”，哪怕是一步一目了然的棋也要作全部的搜索和計(jì)算，但人可以用直覺下棋。,2024/3/20,人工智能與專家系統(tǒng),27,現(xiàn)代計(jì)算機(jī)的基本結(jié)構(gòu)是由美藉匈牙利科學(xué)家馮諾依曼于1946年提出的。其要點(diǎn)為1計(jì)算機(jī)完成任務(wù)是由事先編號的程序完成的；2計(jì)算機(jī)的程序被事先輸入到存儲器中，程序運(yùn)算的結(jié)果，也被存放在存儲器中。3計(jì)算機(jī)能自動連續(xù)地完成程序。4程序運(yùn)行的所需要的信息和結(jié)果可以通輸入\輸出設(shè)備完成。5計(jì)算機(jī)由運(yùn)算器、控制器、存儲器、輸入設(shè)備、輸出設(shè)備所組成；,2、計(jì)算機(jī)體系結(jié)構(gòu),2024/3/20,人工智能與專家系統(tǒng),28,（1）科學(xué)計(jì)算科學(xué)計(jì)算是計(jì)算機(jī)最早的應(yīng)用領(lǐng)域，如航空航天、氣象、軍事等，都離不開準(zhǔn)確的計(jì)算。（2）數(shù)據(jù)處理計(jì)算機(jī)可對大量的數(shù)據(jù)進(jìn)行分類、綜合、排序、分析、整理、統(tǒng)計(jì)等加工處理，并可要求輸出結(jié)果。如人事管理、衛(wèi)星圖片分析、金融管理、倉庫管理、圖書和資料檢索等。（3）實(shí)時控制在工業(yè)、科學(xué)和軍事方面,利用計(jì)算機(jī)能夠按照預(yù)定的方案進(jìn)行自動控制，完成一些人工無法親自操作的工作，如汽車生產(chǎn)流水線等。,3、計(jì)算機(jī)能做什么,2024/3/20,人工智能與專家系統(tǒng),29,形式化方法模擬人類智能面臨以下三個問題第一，人類智能是否全部可以形式化。形式化的界限就是計(jì)算機(jī)的第一界限。思維科學(xué)研究表明，抽象思維可以形式化，而形象思維和靈感思維不能形式化。計(jì)算機(jī)在數(shù)值計(jì)算、定理證明等方面表現(xiàn)出優(yōu)秀的性能，但計(jì)算機(jī)不具備形象思維和靈感思維能力怎樣實(shí)現(xiàn)從非形式化領(lǐng)域向形式化領(lǐng)域的轉(zhuǎn)變?nèi)绻捎?jì)算機(jī)來完成這一轉(zhuǎn)變，就得把這個轉(zhuǎn)變形式化，那么轉(zhuǎn)變的起點(diǎn)在哪里這就造成了一種回歸現(xiàn)象（甚至是悖論）。要避免這種回歸，必須假設(shè)有一種包羅萬象的先驗(yàn)的形式化系統(tǒng)，然而形式化方法屬于人類抽象思維范疇，先驗(yàn)的形式化系統(tǒng)是不存在的。所以人類的智能不可能全部形式化。,智能計(jì)算機(jī)與人工智能極限,2024/3/20,人工智能與專家系統(tǒng),30,第二，形式化問題是否都是可計(jì)算的。形式化問題的可計(jì)算性是計(jì)算機(jī)的第二界限。1931年，哥德爾不完全性定理任何形式系統(tǒng)都是不完全的，亦即存在一個命題A，該命題及其否定命題都是不可證的6。1939年，圖靈證明了圖靈停止問題和哥德爾不完全定理是等價的7。圖靈停止問題是指，任何一個圖靈機(jī)都一定有不可解的問題，即一定存在一個數(shù)學(xué)問題，不可能找到一個算法使得這個問題有解。哥德爾不完全定理和圖靈停止問題都說明形式系統(tǒng)是不完備的，形式系統(tǒng)中存在不可計(jì)算問題。彭羅斯使用哥德爾不完備定理論述了意識的不可計(jì)算性。對于一個無法在一個形式化系統(tǒng)中用數(shù)學(xué)公理規(guī)則體系去決定其真?zhèn)蔚拿}，人類可以由“直覺”定義它是真或者假，然后把它作為一個公理加在原來的體系里，并形成一個新的體系。計(jì)算機(jī)不具有“直覺”，它無法實(shí)現(xiàn)形式系統(tǒng)的自我完備。可見，即使問題是可形式化的，也不一定可以在計(jì)算機(jī)上求解。,2024/3/20,人工智能與專家系統(tǒng),31,第三，計(jì)算機(jī)難解問題。即使形式化系統(tǒng)中的可計(jì)算問題還須區(qū)分這個問題是不是計(jì)算機(jī)難解問題，這是計(jì)算機(jī)的第三界限?？捎?jì)算問題分為兩類，第一類問題的求解只需要低次多項(xiàng)式時間，如有序檢索和分類的計(jì)算時間復(fù)雜度分別為OLOGN和ONLOGN；第二類問題是包括那些迄今為止已知的最好算法所需時間為非多項(xiàng)式時間的問題，如貨朗擔(dān)問題和背包問題的時間復(fù)雜度分別為ON22N和O2N/2。對于第二類問題，由于算法的執(zhí)行所需要的時間和空間會隨N的增大而急劇增加，以致即使是一個中等規(guī)模的問題也不能解出9。,2024/3/20,人工智能與專家系統(tǒng),32,第三，計(jì)算機(jī)難解問題。即使形式化系統(tǒng)中的可計(jì)算問題還須區(qū)分這個問題是不是計(jì)算機(jī)難解問題，這是計(jì)算機(jī)的第三界限?？捎?jì)算問題分為兩類，第一類問題的求解只需要低次多項(xiàng)式時間，如有序檢索和分類的計(jì)算時間復(fù)雜度分別為OLOGN和ONLOGN；第二類問題是包括那些迄今為止已知的最好算法所需時間為非多項(xiàng)式時間的問題，如貨朗擔(dān)問題和背包問題的時間復(fù)雜度分別為ON22N和O2N/2。對于第二類問題，由于算法的執(zhí)行所需要的時間和空間會隨N的增大而急劇增加，以致即使是一個中等規(guī)模的問題也不能解出。,2024/3/20,人工智能與專家系統(tǒng),33,一個問題在計(jì)算機(jī)上是可解的，首先必須是可形式化的，可形式化的問題還必須是可計(jì)算的，可計(jì)算機(jī)的問題還必須是有一個合理的復(fù)雜程度它們的關(guān)系如下,,,因此基于形式系統(tǒng)的計(jì)算機(jī)可以求解的只是自然界問題的極小部分。正如美國計(jì)算機(jī)專家JACOBSCHWARTZ指出“最近的計(jì)算理論的結(jié)果表明所有可能的問題中只有一個特殊的集是數(shù)學(xué)上可知的，而數(shù)學(xué)上可知的問題中又只有很小的一部分用計(jì)算機(jī)能有效地實(shí)現(xiàn)。”,{問題}{可形式化問題}{可計(jì)算問題}{非計(jì)算機(jī)難解問題},2024/3/20,人工智能與專家系統(tǒng),34,五、人工智能的研究目標(biāo)和未來發(fā)展,近期目標(biāo)建造智能計(jì)算機(jī)代替人類的部分智力勞動遠(yuǎn)期目標(biāo)用自動機(jī)模仿人類的思維過程和智能行為,2024/3/20,人工智能與專家系統(tǒng),35,人工智能的基本技術(shù)（1）知識表示（KNOWLEDGEREPRESENTATION）狀態(tài)空間法、問題歸約法、謂詞邏輯法（2）推理搜索（SEARCHING人工智能的第一個大成就是發(fā)展了能夠求解難題的下棋如國際象棋程序，它包含問題的表示、分解、搜索與歸約等。2、邏輯推理與定理證明通過對事實(shí)數(shù)據(jù)庫的操作來證明定理多種證明方法幾何定理證明的“吳氏方法”3、自然語言理解語言自然語言、人造語言、機(jī)器語言“理解”的標(biāo)準(zhǔn)4、自動程序設(shè)計(jì)根據(jù)不同目的描述來編寫的計(jì)算機(jī)程序促進(jìn)人工智能系統(tǒng)的發(fā)展,五、人工智能的研究領(lǐng)域和未來發(fā)展,2024/3/20,人工智能與專家系統(tǒng),37,專家系統(tǒng)是一個智能化的計(jì)算機(jī)程序系統(tǒng)和傳統(tǒng)的計(jì)算機(jī)程序之間有本質(zhì)區(qū)別機(jī)器學(xué)習(xí)是機(jī)器獲取智能的途徑學(xué)習(xí)是一個有特定目的的知識獲取過程學(xué)習(xí)的本質(zhì)是對信息的理解與應(yīng)用有多種學(xué)習(xí)方法,2024/3/20,人工智能與專家系統(tǒng),38,傳統(tǒng)的人工智能研究領(lǐng)域神經(jīng)網(wǎng)絡(luò)神經(jīng)計(jì)算機(jī)在其它領(lǐng)域中的廣泛應(yīng)用機(jī)器人學(xué)操作機(jī)器人智能機(jī)器人機(jī)器人的廣泛應(yīng)用促進(jìn)人工智能的發(fā)展,2024/3/20,人工智能與專家系統(tǒng),39,傳統(tǒng)的人工智能研究領(lǐng)域模式識別是計(jì)算機(jī)對環(huán)境識別的需要是對人類環(huán)境的感知模擬機(jī)器視覺人類80％以上的外部信息來自視覺低層視覺與高層視覺前沿研究領(lǐng)域廣泛應(yīng)用,2024/3/20,人工智能與專家系統(tǒng),40,傳統(tǒng)的人工智能研究領(lǐng)域智能控制驅(qū)動智能機(jī)器自主地實(shí)現(xiàn)其目標(biāo)的過程是一個定性和定量的混合控制過程是當(dāng)今自動控制的最高水平智能檢索是信息時代來臨的需要智能檢索系統(tǒng)所面臨的三大問題,2024/3/20,人工智能與專家系統(tǒng),41,傳統(tǒng)的人工智能研究領(lǐng)域智能調(diào)度與指揮尋找最佳調(diào)度和組合NP完全類問題的求解軍事指揮系統(tǒng)等領(lǐng)域分布式人工智能與AGENT是傳統(tǒng)人工智能的延伸和擴(kuò)展研究目標(biāo)是創(chuàng)建一種能描述自然系統(tǒng)和社會系統(tǒng)的精確概念模型,2024/3/20,人工智能與專家系統(tǒng),42,傳統(tǒng)的人工智能研究領(lǐng)域計(jì)算智能與進(jìn)化計(jì)算計(jì)算智能包括神經(jīng)計(jì)算、模糊計(jì)算、進(jìn)化計(jì)算等進(jìn)化計(jì)算的理論基礎(chǔ)是生物進(jìn)化論數(shù)據(jù)挖掘與知識發(fā)現(xiàn)知識獲取數(shù)據(jù)庫知識挖掘數(shù)據(jù)庫中知識發(fā)現(xiàn)的四個特征,2024/3/20,人工智能與專家系統(tǒng),43,傳統(tǒng)的人工智能研究領(lǐng)域人工生命人工生命概念的提出理論基礎(chǔ)與研究方法研究內(nèi)容系統(tǒng)與語言工具計(jì)算機(jī)系統(tǒng)的一些概念得到發(fā)展新的編程語言與專用開發(fā)工具,2024/3/20,人工智能與專家系統(tǒng),44,我們的研究,綜合集成法（錢學(xué)森院士提出的理論與方法）人工智能從以往的追求自主的系統(tǒng)，改變?yōu)槿藱C(jī)結(jié)合的系統(tǒng)。計(jì)算機(jī)的定量與人的定性信息處理相結(jié)合，取長補(bǔ)短，結(jié)構(gòu)模擬和功能模擬相互補(bǔ)充。甚至提出了沒有知識表示、沒有推理的智能（六腳爬蟲）。,

簡介：PATTERNRECOGNITION如果CRANDOM0,1基因鏈碼N個0和1組成的二進(jìn)制碼D維特征子集長度為D的染色體每個特征基因,56,【遺傳算法】,基本遺傳算法的組成（1）編碼（產(chǎn)生初始種群）（2）適應(yīng)度函數(shù)（3）遺傳算子（選擇、交叉、變異）（4）運(yùn)行參數(shù),編碼需要將問題的解編碼成字符串的形式才能使用遺傳算法。最簡單的一種編碼方式是二進(jìn)制編碼,選擇選擇一些染色體來產(chǎn)生下一代。一種常用的選擇策略是“比例選擇”，也就是個體被選中的概率與其適應(yīng)度函數(shù)值成正比。假設(shè)群體的個體總數(shù)是M，那么那么一個體XI被選中的概率為FXI/FX1FX2FXN。,適應(yīng)度函數(shù)FITNESSFUNCTION用于評價某個染色體的適應(yīng)度，用FX表示。適應(yīng)度函數(shù)與目標(biāo)函數(shù)是正相關(guān)的，可對目標(biāo)函數(shù)作一些變形來得到適應(yīng)度函數(shù)。,57,【遺傳算法】,交叉CROSSOVER2條染色體交換部分基因，來構(gòu)造下一代的2條新的染色體。例如交叉前00000|011100000000|1000011100|000001111110|00101交叉后00000|000001111110|1000011100|011100000000|00101染色體交叉是以一定的概率發(fā)生的，這個概率記為PC。變異MUTATION在繁殖過程，新產(chǎn)生的染色體中的基因會以一定的概率出錯，稱為變異。變異發(fā)生的概率記為PM。例如變異前000001110000000010000變異后000001110000100010000,58,GA的框圖,【遺傳算法】,59,【遺傳算法】,基本遺傳算法偽代碼PC交叉發(fā)生的概率；PM變異發(fā)生的概率M種群規(guī)模；G終止進(jìn)化的代數(shù)TF進(jìn)化產(chǎn)生的任何一個個體的適應(yīng)度函數(shù)超過TF，則可以終止進(jìn)化過程初始化PM，PC，M，G，TF等參數(shù)。隨機(jī)產(chǎn)生第一代種群POPDO{計(jì)算種群POP中每一個體的適應(yīng)度FI。初始化空種群NEWPOPDO{根據(jù)適應(yīng)度以比例選擇算法從種群POP中選出2個個體IFRANDOM0,1PC{對2個個體按交叉概率PC執(zhí)行交叉操作}IFRANDOM0,1PM{對2個個體按變異概率PM執(zhí)行變異操作}將2個新個體加入種群NEWPOP中}UNTILM個子代被創(chuàng)建用NEWPOP取代POP}UNTIL任何染色體得分超過TF，或繁殖代數(shù)超過G,60,討論怎么利用特征選擇方法進(jìn)行人臉識別主要思想是什么,61,總結(jié),類可分性判據(jù)距離和概率（重點(diǎn)）特征提取PCA和SVD思想和應(yīng)用,重點(diǎn)特征選擇BAB,SA,GA,SEQUENTIALSELECTION，重點(diǎn),62,

簡介：PATTERNRECOGNITIONARTIFICIALINTELLIGENCELECTURE7聚類算法（三）,1,主要內(nèi)容,HIERARCHICALCLUSTERING基于分層的聚類算法,凝聚和分裂層次聚類,,01,BIRCH利用層次方法的平衡迭代歸約和聚類,,02,CHAMELEON利用動態(tài)建模的層次聚類算法,,05,ROCK分類屬性的層次聚類算法,,03,CURE基于質(zhì)心和基于代表對象方法之間的中間策略,,04,2,概要,層次聚類方法將數(shù)據(jù)對象組成一棵聚類樹。根據(jù)層次分解是以自底向上（合并）還是自頂向下（分裂）方式，層次聚類方法可以進(jìn)一步分為凝聚的和分裂的。一種純粹的層次聚類方法的質(zhì)量受限于一旦合并或分裂執(zhí)行，就不能修正。也就是說，如果某個合并或分裂決策在后來證明是不好的選擇，該方法無法退回并更正。,3,層次聚類方法,一般來說，有兩種類型的層次聚類方法凝聚層次聚類采用自底向上策略，首先將每個對象作為單獨(dú)的一個原子類，然后合并這些原子類形成越來越大的類，直到所有的對象都在一個類中（層次的最上層），或者達(dá)到一個終止條件。絕大多數(shù)層次聚類方法屬于這一類。分裂層次聚類采用自頂向下策略，首先將所有對象置于一個類中，然后逐漸細(xì)分為越來越小的類，直到每個對象自成一個類，或者達(dá)到某個終止條件，例如達(dá)到了某個希望的類的數(shù)目，或者兩個最近的類之間的距離超過了某個閾值。,4,例子,下圖描述了一種凝聚層次聚類算法AGNES（AGLOMERATIVENESTING）和一種分裂層次聚類算法DIANA（DIVISIVEANALYSIS）對一個包含五個對象的數(shù)據(jù)集合{A,B,C,D,E}的處理過程。,圖1對數(shù)據(jù)對象{A,B,C,D,E}的凝聚和分裂層次聚類,5,初始，AGNES將每個對象自為一類，然后這些類根據(jù)某種準(zhǔn)則逐步合并，直到所有的對象最終合并形成一個類。例如，如果類C1中的一個對象和類C2中的一個對象之間的距離是所有屬于不同類的對象間歐氏距離中最小的，則C1和C2合并。在DIANA中，所有的對象用于形成一個初始類。根據(jù)某種原則（如，類中最近的相鄰對象的最大歐氏距離），將該類分裂。類的分裂過程反復(fù)進(jìn)行，直到最終每個新類只包含一個對象。在凝聚或者分裂層次聚類方法中，用戶可以定義希望得到的類數(shù)目作為一個終止條件。,例子,6,樹狀圖,通常，使用一種稱作樹狀圖的樹形結(jié)構(gòu)表示層次聚類的過程。它展示出對象是如何一步步分組的。圖2顯示圖1的五個對象的樹狀圖。,圖2數(shù)據(jù)對象{A,B,C,D,E}層次聚類的樹狀圖表示,7,類間距離,四個廣泛采用的類間距離度量方法如下，其中|PP|是兩個對象或點(diǎn)P和P之間的距離，MI是類CI的均值，而NI是類CI中對象的數(shù)目。最小距離最大距離均值距離平均距離,8,最小距離,最大距離,均值距離,平均距離,類間距離,9,當(dāng)算法使用最小距離衡量類間距離時，有時稱它為最近鄰聚類算法。此外，如果當(dāng)最近的類之間的距離超過某個任意的閾值時聚類過程就會終止，則稱其為單連接算法。當(dāng)一個算法使用最大距離度量類間距離時，有時稱為最遠(yuǎn)鄰聚類算法。如果當(dāng)最近類之間的最大距離超過某個任意閾值時聚類過程便終止，則稱其為全連接算法。,10,單連接算法例子,先將五個樣本都分別看成是一個類，最靠近的兩個類是3和4，因?yàn)樗麄兙哂凶钚〉念愰g距離D（3，4）50。第一步合并類3和4，得到新類集合1，2，（34），5,11,更新距離矩陣D1,34MIND1,3，D1,4MIN206，224206D2,34MIND2,3，D2,4MIN141，112112D5,34MIND3,5，D4,5MIN250，255250原有類1，2，5間的距離不變，修改后的距離矩陣如圖所示，在四個類1，2，34，5中，最靠近的兩個類是1和5，它們具有最小類間距離D（1,5）＝707。,單連接算法例子,12,,單連接算法例子,13,,單連接算法例子,14,最小和最大度量代表了類間距離度量的兩個極端。它們趨向?qū)﹄x群點(diǎn)或噪聲數(shù)據(jù)過分敏感。使用均值距離和平均距離是對最小和最大距離之間的一種折中方法，而且可以克服離群點(diǎn)敏感性問題。盡管均值距離計(jì)算簡單，但是平均距離也有它的優(yōu)勢，因?yàn)樗饶芴幚頂?shù)值數(shù)據(jù)又能處理分類數(shù)據(jù)。,15,層次聚類方法的困難之處,層次聚類方法盡管簡單，但經(jīng)常會遇到合并或分裂點(diǎn)選擇的困難。這樣的決定是非常關(guān)鍵的，因?yàn)橐坏┮唤M對象合并或者分裂，下一步的處理將對新生成的類進(jìn)行。不具有很好的可伸縮性，因?yàn)楹喜⒒蚍至训臎Q定需要檢查和估算大量的對象或類。,16,層次聚類的改進(jìn),一個有希望的方向是集成層次聚類和其他的聚類技術(shù)，形成多階段聚類。在下面的內(nèi)容中會介紹四種這類的方法BIRCH首先用樹結(jié)構(gòu)對對象進(jìn)行層次劃分，其中葉節(jié)點(diǎn)或者是低層次的非葉節(jié)點(diǎn)可以看作是由分辨率決定的“微類”，然后使用其他的聚類算法對這些微類進(jìn)行宏聚類。ROCK基于類間的互聯(lián)性進(jìn)行合并。CURE選擇基于質(zhì)心和基于代表對象方法之間的中間策略。CHAMELEON探查層次聚類的動態(tài)建模。,17,BIRCH方法通過集成層次聚類和其他聚類算法來對大量數(shù)值數(shù)據(jù)進(jìn)行聚類。其中層次聚類用于初始的微聚類階段，而其他方法如迭代劃分（在后來的宏聚類階段）。它克服了凝聚聚類方法所面臨的兩個困難可伸縮性；不能撤銷前一步所做的工作。BIRCH使用聚類特征來概括一個類，使用聚類特征樹（CF樹）來表示聚類的層次結(jié)構(gòu)。這些結(jié)構(gòu)幫助聚類方法在大型數(shù)據(jù)庫中取得好的速度和伸縮性，還使得BIRCH方法對新對象增量和動態(tài)聚類也非常有效。,BIRCH（BALANCEDITERATIVEREDUCINGANDCLUSTERINGUSINGHIERARCHIES）聚類,18,聚類特征（CF）,考慮一個N個D維的數(shù)據(jù)對象或點(diǎn)的類，類的聚類特征是一個3維向量，匯總了對象類的信息。定義如下CF其中，N是類中點(diǎn)的數(shù)目，LS是N個點(diǎn)的線性和（即），SS是數(shù)據(jù)點(diǎn)的平方和（即）。聚類特征本質(zhì)上是給定類的統(tǒng)計(jì)匯總從統(tǒng)計(jì)學(xué)的觀點(diǎn)來看，它是類的零階矩、一階矩和二階矩。,19,使用聚類特征，我們可以很容易地推導(dǎo)出類的許多有用的統(tǒng)計(jì)量。例如，類的形心X0，半徑R和直徑D分別是其中R是成員對象到形心的平均距離，D是類中逐對對象的平均距離。R和D都反映了形心周圍類的緊湊程度。,聚類特征（CF）,20,PAGE?21,使用聚類特征概括類可以避免存儲個體對象或點(diǎn)的詳細(xì)信息。我們只需要固定大小的空間來存放聚類特征。這是空間中BIRCH有效性的關(guān)鍵。聚類特征是可加的。也就是說，對于兩個不相交的類C1和C2，其聚類特征分別為CF1和CF2，合并C1和C2后的類的聚類特征是CF1CF2,聚類特征（CF）,PAGE?22,例子,假定在類C1中有三個點(diǎn)（2,5），（3,2）和（4,3）。C1的聚類特征是CF1假定C1和第2個類C2是不相交的，其中CF2。C1和C2合并形成一個新的類C3，其聚類特征便是CF1和CF2之和，即CF3,CF樹,CF樹是一棵高度平衡的樹，它存儲了層次聚類的聚類特征。根據(jù)定義，樹中的非葉節(jié)點(diǎn)有后代或“子女”。非葉節(jié)點(diǎn)存儲了其子女的CF的總和，因而匯總了關(guān)于其子女的聚類信息。CF樹有兩個參數(shù)分支因子B和閾值T。分支因子B定義了每個非葉節(jié)點(diǎn)子女的最大數(shù)目。而閾值T參數(shù)給出了存儲在樹的葉節(jié)點(diǎn)中的子類的最大直徑。這兩個參數(shù)影響結(jié)果樹的大小。,23,CF樹,24,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,,IFCLUSTER1BECOMESTOOLARGENOTCOMPACTBYADDINGOBJECT2,THENSPLITTHECLUSTER,LEAFNODE,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,,,CLUSTER2,ENTRY1,ENTRY2,LEAFNODEWITHTWOENTRIES,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,,,CLUSTER2,3,ENTRY1ISTHECLOSESTTOOBJECT3IFCLUSTER1BECOMESTOOLARGEBYADDINGOBJECT3,THENSPLITTHECLUSTER,ENTRY1,ENTRY2,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,,CLUSTER2,3,,,ENTRY1,,ENTRY2,ENTRY3,CLUSTER3,LEAFNODEWITHTHREEENTRIES,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,,CLUSTER2,3,,,ENTRY1,,ENTRY2,ENTRY3,CLUSTER3,4,ENTRY3ISTHECLOSESTTOOBJECT4CLUSTER2REMAINSCOMPACTWHENADDINGOBJECT4THENADDOBJECT4TOCLUSTER2,,CLUSTER2,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,3,,,ENTRY1,,ENTRY2,ENTRY3,CLUSTER3,4,ENTRY2ISTHECLOSESTTOOBJECT5CLUSTER3BECOMESTOOLARGEBYADDINGOBJECT5THENSPLITCLUSTER3BUTTHEREISALIMITTOTHENUMBEROFENTRIESANODECANHAVETHUS,SPLITTHENODE,,CLUSTER2,5,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,3,,CLUSTER3,4,,CLUSTER2,5,,,ENTRY1,ENTRY2,,,ENTRY11,ENTRY12,,,ENTRY21,ENTRY22,LEAFNODE,NONLEAFNODE,,CLUSTER4,,,BIRCHTHEIDEABYEXAMPLE,DATAOBJECTS,1,CLUSTERINGPROCESSBUILDATREE,,,CLUSTER1,,1,2,3,4,5,6,2,LEAFNODE,3,,CLUSTER3,4,,CLUSTER2,5,,,ENTRY1,ENTRY2,,,ENTRY11,ENTRY12,,,ENTRY21,ENTRY22,LEAFNODE,NONLEAFNODE,,CLUSTER4,,,6,ENTRY12ISTHECLOSESTTOOBJECT6CLUSTER3REMAINSCOMPACTWHENADDINGOBJECT6THENADDOBJECT6TOCLUSTER3,,CLUSTER3,CFTREE,BBRANCHINGFACTOR,MAXIMUMCHILDRENINANONLEAFNODETTHRESHOLDFORDIAMETERORRADIUSOFTHECLUSTERINALEAFLNUMBEROFENTRIESINALEAFCFENTRYINPARENTSUMOFCFENTRIESOFACHILDOFTHATENTRYINMEMORY,HEIGHTBALANCEDTREE,,,,,,,,,,,,ROOTLEVEL,FIRSTLEVEL,CFTREEINSERTION,STARTWITHTHEROOTFINDTHECFENTRYINTHEROOTCLOSESTTOTHEDATAPOINT,MOVETOTHATCHILDANDREPEATTHEPROCESSUNTILACLOSESTLEAFENTRYISFOUNDATTHELEAFIFTHEPOINTCANBEACCOMMODATEDINTHECLUSTER,UPDATETHEENTRYIFTHISADDITIONVIOLATESTHETHRESHOLDT,SPLITTHEENTRY,IFTHISVIOLATESTHELIMITIMPOSEDBYL,SPLITTHELEAFIFITSPARENTNODETOOISFULL,SPLITTHATANDSOONUPDATETHECFENTRIESFROMTHEROOTTOTHELEAFTOACCOMMODATETHISPOINT,,PHASE1LOADINTOMEMORYBYBUILDINGACFTREE,,PHASE2OPTIONALCONDENSETREEINTODESIRABLERANGEBYBUILDINGASMALLERCFTREE,,INITIALCFTREE,DATA,,PHASE3GLOBALCLUSTERING,,SMALLERCFTREE,,GOODCLUSTERS,PHASE4OPTIONALANDOFFLINECLUSTERREFINING,BETTERCLUSTERS,,,,BIRCHALGORITHM,BIRCHALGORITHMPHASE1,CHOOSEANINITIALVALUEFORTHRESHOLD,STARTINSERTINGTHEDATAPOINTSONEBYONEINTOTHETREEASPERTHEINSERTIONALGORITHMIF,INTHEMIDDLEOFTHEABOVESTEP,THESIZEOFTHECFTREEEXCEEDSTHESIZEOFTHEAVAILABLEMEMORY,INCREASETHEVALUEOFTHRESHOLDCONVERTTHEPARTIALLYBUILTTREEINTOANEWTREEREPEATTHEABOVESTEPSUNTILTHEENTIREDATASETISSCANNEDANDAFULLTREEISBUILTOUTLIERHANDLING,BIRCHALGORITHMPHASE2,3,AND4,PHASE2ABRIDGEBETWEENPHASE1ANDPHASE3BUILDSASMALLERCFTREEBYINCREASINGTHETHRESHOLDPHASE3APPLYGLOBALCLUSTERINGALGORITHMTOTHESUBCLUSTERSGIVENBYLEAFENTRIESOFTHECFTREEIMPROVESCLUSTERINGQUALITYPHASE4SCANTHEENTIREDATASETTOLABELTHEDATAPOINTSOUTLIERHANDLING,PAGE?38,該算法的計(jì)算復(fù)雜度是ON，其中N是聚類的對象的數(shù)目。實(shí)驗(yàn)表明該算法關(guān)于對象數(shù)目是線性可伸縮的，并且具有較好的數(shù)據(jù)聚類質(zhì)量。然而，既然CF樹的每個節(jié)點(diǎn)由于大小限制只能包含有限數(shù)目的條目，一個CF樹節(jié)點(diǎn)并不總是對應(yīng)于用戶所考慮的一個自然類。此外，如果類不是球形的，BIRCH不能很好地工作，因?yàn)樗褂冒霃交蛑睆降母拍顏砜刂祁惖倪吔纭?BIRCH（BALANCEDITERATIVEREDUCINGANDCLUSTERINGUSINGHIERARCHIES）聚類,PAGE?39,ROCK（ROBUSTCLUSTERINGUSINGLINKS）分類屬性的層次聚類算法,對于聚類包含布爾或分類屬性的數(shù)據(jù)，傳統(tǒng)聚類算法使用距離函數(shù)。然而，實(shí)驗(yàn)表明對分類數(shù)據(jù)聚類時，這些距離度量不能產(chǎn)生高質(zhì)量的類。此外，大多數(shù)聚類算法在進(jìn)行聚類時只估計(jì)點(diǎn)與點(diǎn)之間的相似度；也就是說，在每一步中那些最相似的點(diǎn)合并到一個類中。這種“局部”方法很容易導(dǎo)致錯誤。,PAGE?40,ROCK是一種層次聚類算法，針對具有分類屬性的數(shù)據(jù)使用了鏈接（指兩個對象間共同的近鄰數(shù)目）這一概念。ROCK采用一種比較全局的觀點(diǎn)，通過考慮成對點(diǎn)的鄰域情況進(jìn)行聚類。如果兩個相似的點(diǎn)同時具有相似的鄰域，那么這兩個點(diǎn)可能屬于同一個類而合并。,ROCK（ROBUSTCLUSTERINGUSINGLINKS）分類屬性的層次聚類算法,兩個點(diǎn)PI和PJ是近鄰，如果其中SIM是相似度函數(shù)，SIM可以選擇為距離度量；Θ是用戶指定的閾值。PI和PJ之間的鏈接數(shù)定義為這兩點(diǎn)的共同近鄰個數(shù)。如果兩個點(diǎn)的鏈接數(shù)很大，則他們很可能屬于相同的類。由于在確定點(diǎn)對之間的關(guān)系時考慮鄰近的數(shù)據(jù)點(diǎn)，ROCK比起只關(guān)注點(diǎn)間相似度的標(biāo)準(zhǔn)聚類方法就顯得更加魯棒。,ROCK（ROBUSTCLUSTERINGUSINGLINKS）分類屬性的層次聚類算法,41,PAGE?42,ROCK中近鄰和鏈接的概念將在下面的例子中闡述，其中兩個“點(diǎn)”即兩個事務(wù)TI和TJ之間的相似度用JACCARD系數(shù)定義為,ROCK（ROBUSTCLUSTERINGUSINGLINKS）分類屬性的層次聚類算法,當(dāng)集合A，B都為空時，JA,B定義為1,PAGE?43,假定一個購物籃數(shù)據(jù)庫包含關(guān)于商品A,B,,G的事務(wù)記錄?？紤]這些事務(wù)的兩個類C1和C2。C1涉及商品{A,B,C,D,E}，包含事務(wù){(diào)A,B,C}，{A,B,D}，{A,B,E}，{A,C,D}，{A,C,E}，{A,D,E}，{B,C,D}，{B,C,E}，{B,D,E}，{C,D,E}C2涉及商品{A,B,F,G}，包含事務(wù){(diào)A,B,F}，{A,B,G}，{A,F,G}，{B,F,G}假設(shè)我們首先只考慮點(diǎn)間的相似度而忽略鄰域信息。C1中事務(wù){(diào)A,B,C}和{B,D,E}之間的JACCARD系數(shù)為1/502。事實(shí)上，C1中任意一對事務(wù)之間的JACCARD系數(shù)都在02和05之間，而屬于不同類的兩個事務(wù)之間的JACCARD系數(shù)也可能達(dá)到05。很明顯，僅僅使用JACCARD系數(shù)本身，無法得到所期望的類。,ROCK（ROBUSTCLUSTERINGUSINGLINKS）分類屬性的層次聚類算法,PAGE?44,另一方面，ROCK基于鏈接的方法可以成功地把這些事務(wù)劃分到恰當(dāng)?shù)念愔?。事?shí)證明，對于每一個事務(wù)，與之鏈接最多的那個事務(wù)總是和它處于同一個類中。令05，則C2中的事務(wù){(diào)A,B,F}與同樣來自同一類中的事務(wù){(diào)A,B,G}之間的鏈接數(shù)為5（因?yàn)樗鼈冇泄餐慕弡A,B,C}，{A,B,D}，{A,B,E}，{A,F,G}和{B,F,G}）然而，C2中的事務(wù){(diào)B,F,G}與C1中的事務(wù){(diào)A,B,C}之間的鏈接數(shù)僅為2（其共同的鄰居為{A,B,F}，{A,B,G}）類似地，C2中的事務(wù){(diào)A,F,G}與C2中其他每個事務(wù)之間的鏈接數(shù)均為2，而與C1中所有事務(wù)的鏈接數(shù)都為0。因此，這種基于鏈接的方法能夠正確地區(qū)分出兩個不同的事務(wù)類，因?yàn)樗丝紤]對象間的相似度之外還考慮鄰域信息。,ROCK（ROBUSTCLUSTERINGUSINGLINKS）分類屬性的層次聚類算法,PAGE?45,構(gòu)造目標(biāo)函數(shù)使得最終類之間的鏈接總數(shù)最小，累內(nèi)的鏈接總數(shù)最大,ROCK（ROBUSTCLUSTERINGUSINGLINKS）分類屬性的層次聚類算法,CI第I個類；K類的個數(shù)；NICI的大?。颖军c(diǎn)的數(shù)量）FΘ1Θ/1ΘFΘ一般具有以下性質(zhì)CI中的每個樣本點(diǎn)在CI中有NIFΘ個鄰居。,PAGE?46,相似性度量通過相似性度量不斷的凝聚對象至K個類，最終計(jì)算上面目標(biāo)函數(shù)值必然是最大的。,ROCK（ROBUSTCLUSTERINGUSINGLINKS）分類屬性的層次聚類算法,ROCK,SUPPOSEWEHAVEFOURVERSESCONTAINSSOMESUBJECTS,ASFOLLOWSP1{JUDGMENT,FAITH,PRAYER,FAIR}P2{FASTING,FAITH,PRAYER}P3{FAIR,FASTING,FAITH}P4{FASTING,PRAYER,PILGRIMAGE}THESIMILARITYTHRESHOLD03,ANDNUMBEROFREQUIREDCLUSTERIS2USINGJACCARDCOEFFICIENTASASIMILARITYMEASURE,WEOBTAINTHEFOLLOWINGSIMILARITYTABLE,EXAMPLE,ROCK,EXAMPLE,SINCEWEHAVEASIMILARITYTHRESHOLDEQUALTO03,THENWEDERIVETHEADJACENCYTABLE?BYMULTIPLYINGTHEADJACENCYTABLEWITHITSELF,WEDERIVETHEFOLLOWINGTABLEWHICHSHOWSTHENUMBEROFLINKSORCOMMONNEIGHBORS?,ROCK,EXAMPLE,WECOMPUTETHEGOODNESSMEASUREFORALLADJACENTPOINTS,ASSUMINGTHATF?1?/1?WEOBTAINTHEFOLLOWINGTABLE?WEHAVEANEQUALGOODNESSMEASUREFORMERGINGP1,P2,P2,P1,P3,P1,ROCK,EXAMPLE,NOW,AFTERMERGINGP1ANDP2,WEHAVEONLYTHREECLUSTERSTHEFOLLOWINGTABLESHOWSTHENUMBEROFCOMMONNEIGHBORSFORTHESECLUSTERS?THENWECANOBTAINTHEFOLLOWINGGOODNESSMEASURESFORALLADJACENTCLUSTERS?,SINCETHENUMBEROFREQUIREDCLUSTERSIS2,THENWEFINISHTHECLUSTERINGALGORITHMBYMERGINGCP1,P2ANDP3,OBTAININGANEWCLUSTERCP1,P2,P3WHICHCONTAINS{P1,P2,P3}LEAVINGP4ALONEINASEPARATECLUSTER,PAGE?51,算法輸入需要聚類的個數(shù)K，和相似度閾值Θ算法開始每個點(diǎn)都是單獨(dú)的聚類，根據(jù)公式計(jì)算點(diǎn)與點(diǎn)間的相似度，生成相似度矩陣。根據(jù)相似度矩陣和相似度閾值Θ，計(jì)算鄰居矩陣A。如果兩點(diǎn)相似度Θ,取值1（鄰居），否則取值0計(jì)算鏈接矩陣LAXA計(jì)算相似性的度量（GOODNESSMEASURE），將相似性最高的兩個對象合并?；氐降?步進(jìn)行迭代直到形成K個聚類或聚類的數(shù)量不在發(fā)生變換。輸出類和異常值（不一定存在）,ROCK（ROBUSTCLUSTERINGUSINGLINKS）分類屬性的層次聚類算法,52,,FIGURE1RESULTOFDMEAN,CURE（CLUSTERINGUSINGREPRESENTATIVES）,,FIGURE2RESULTOFDMEAN,,FIGURE3RESULTOFDMIN,很多聚類算法只擅長處理球形或相似大小的聚類，另外有些聚類算法對孤立點(diǎn)比較敏感。,出現(xiàn)的原因,PAGE?53,CURE算法解決了上述兩方面的問題，選擇基于質(zhì)心和基于代表對象方法之間的中間策略，即選擇空間中固定數(shù)目的具有代表性的點(diǎn)，而不是用單個中心或?qū)ο髞泶硪粋€類。類的代表點(diǎn)產(chǎn)生方式首先選擇類中分散的對象，然后根據(jù)一個特定的分?jǐn)?shù)或收縮因子向類中心收縮或移動它們。在算法的每一步，有最近距離的代表點(diǎn)對（每個點(diǎn)來自于一個不同的類）的兩個類被合并該算法首先把每個數(shù)據(jù)點(diǎn)看成一類，然后再以一個特定的收縮因子向類中心“收縮”它們，即合并兩個距離最近的代表點(diǎn)的類。,CURE（CLUSTERINGUSINGREPRESEN

簡介：廣義智能科學(xué)的邏輯基礎(chǔ)探討,西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院何華燦2004年09月11日于秦皇島,,一邏輯是智能的基本科學(xué)問題嗎,,對這個問題的回答經(jīng)歷了早期狹義智能的完全肯定√中期知識工程的部分動搖計(jì)算智能的完全否定?現(xiàn)在探索廣義下的肯定答案?,解決這個問題的重大意義?有助于深刻認(rèn)識智能的本質(zhì)?為智能科學(xué)奠定重要理論基礎(chǔ)?使人工智能有統(tǒng)一的可靠的邏輯基礎(chǔ)，這是由實(shí)證科學(xué)向理論科學(xué)過渡和由定性向定量轉(zhuǎn)型的必要條件,深刻的比喻?盡管人類很早就通過形體、結(jié)構(gòu)和遺傳進(jìn)化認(rèn)識了生物和生命，但直到發(fā)現(xiàn)了DNA，才真正開始認(rèn)識生物和生命的本質(zhì)。人類基因組計(jì)劃如高貴的人和卑微的黑猩猩比較DNA的差別小于幾?邏輯學(xué)是思維和智能的DNAL計(jì)劃,根據(jù)1工生命的重要啟示?人工生命中的研究結(jié)果L系統(tǒng)細(xì)胞機(jī)?DNA是生命系統(tǒng)的邏輯規(guī)則生物體只是這些邏輯規(guī)則的語義解釋和物理實(shí)現(xiàn),,根據(jù)2蓬勃發(fā)展的現(xiàn)代邏輯?與AI界有人放棄邏輯不同，有些邏輯學(xué)家認(rèn)為人工智能是現(xiàn)代邏輯學(xué)發(fā)展的原動力?他們在努力拓展經(jīng)典數(shù)理邏輯，以適應(yīng)計(jì)算機(jī)科學(xué)，計(jì)算語言學(xué)和人工智能發(fā)展的需要，取得了豐碩成果，這集中反映在現(xiàn)代邏輯的“圣經(jīng)”哲學(xué)邏輯手冊中。?適應(yīng)智能科學(xué)需要的邏輯已初現(xiàn)端倪,,,問題的關(guān)鍵何在?智能科學(xué)要處理矛盾和不確定，如不精確不完全動態(tài)演化?人工智能只能使用數(shù)學(xué)化的邏輯而經(jīng)典數(shù)理邏輯不考慮矛盾和不確定?辯證邏輯能處理內(nèi)在矛盾性和外在不確定性,辯證邏輯能夠數(shù)學(xué)化嗎關(guān)鍵探索數(shù)理辯證邏輯,二廣義智能科學(xué)對邏輯學(xué)的需求,,什么是廣義智能觀?智能廣泛存在于自然界中。（涂序彥等）?廣義智能是信息系統(tǒng)感知環(huán)境及其變化，通過自身結(jié)構(gòu)和功能的改變，恰當(dāng)而有效地對其作出反映，以適應(yīng)環(huán)境，達(dá)到系統(tǒng)生存目標(biāo)的能力。（何華燦）?廣義智能是一切可把廣義信息?廣義知識?廣義智力的機(jī)制和方法（鐘義信）,,,什么是廣義邏輯觀?邏輯是自然界一切事物及其變化的一般規(guī)則和規(guī)范。（何華燦）?邏輯和具體科學(xué)及哲學(xué)的關(guān)系與區(qū)別科學(xué)具體研究某類對象的變化規(guī)律哲學(xué)抽象研究整個自然的變化規(guī)律邏輯抽象研究自然變化的規(guī)則和規(guī)范邏輯側(cè)重規(guī)則和規(guī)范，科學(xué)側(cè)重原理,?邏輯有多種形態(tài)，如二值邏輯/二值圖象看多值邏輯/灰度圖象墨多維邏輯/彩色圖象之缺省邏輯/缺省圖象舞動態(tài)邏輯/動畫視頻,?結(jié)構(gòu)和過程都是邏輯的具體實(shí)現(xiàn)事物的三種等價描述相互滲透不可分邏輯規(guī)則描述事物用推理演算解決知識結(jié)構(gòu)描述事物用搜索策略解決演化過程描述事物用尋優(yōu)過程解決例如可從三個不同側(cè)面觀看芭蕾舞從形體上看是人體結(jié)構(gòu)的變化從能量上看是能量變換的過程從信息上看是思維邏輯的演繹三個中一個為主，其他是伴隨的附件人工生命使我們想的更大膽，更深入,廣義智能科學(xué)理論體系,,,,,基本需求數(shù)理邏輯柔性化?邏輯學(xué)分為★形式邏輯研究具有內(nèi)在同一性和外在確定性的概念、命題之間的必然聯(lián)系；★辨證邏輯研究具有內(nèi)在矛盾性和外在不確定性的概念、命題之間的必然聯(lián)系。?研究辨證邏輯的基本方法是將辨證邏輯問題通過劃分和時空定位，轉(zhuǎn)化為形式邏輯問題。,,,邏輯學(xué)中的基本問題,剛性邏輯學(xué)和柔性邏輯學(xué),?辨證邏輯的數(shù)學(xué)化得到非經(jīng)典數(shù)理邏輯，它是柔性邏輯學(xué)FLEXIBILITYLOGICS?形式邏輯的數(shù)學(xué)化得到經(jīng)典數(shù)理邏輯，它是剛性邏輯學(xué)RIGIDLOGICS,,數(shù)理邏輯柔性化的三個方向1不精確推理二值邏輯?連續(xù)值邏輯三值概率模糊多值模態(tài)2信息不完全全信息邏輯?非全信息邏輯歸納類比容錯非單調(diào)弗協(xié)調(diào)開放3動態(tài)變化一維邏輯?高維邏輯四值八值動態(tài)區(qū)間粗糙灰色?眾多現(xiàn)代邏輯需要在新的理論框架下統(tǒng)一,,,,不精確推理二值邏輯?連續(xù)值邏輯關(guān)鍵1命題真值連續(xù)變化的邏輯意義關(guān)鍵2命題連接詞及其運(yùn)算模型,,,邏輯意義整體判斷和局部判斷,命題連接詞及其運(yùn)算模型?已經(jīng)提出不少連續(xù)值邏輯定義?受傳統(tǒng)邏輯學(xué)思想束縛，運(yùn)算模型唯一?T范數(shù)發(fā)現(xiàn)了許多連續(xù)變化的算子簇，但不知道不什么物理意義。?認(rèn)識到不同情況需要不同的運(yùn)算模型?關(guān)鍵是轉(zhuǎn)變傳統(tǒng)觀念，找到適應(yīng)不同情況的自適應(yīng)機(jī)制和調(diào)整參數(shù),,,,,信息不全全信息邏輯?非全信息邏輯關(guān)鍵1如何補(bǔ)充和修正假設(shè)命題關(guān)鍵2如何處理假設(shè)命題帶來的各種問題,?目前是在二值邏輯基礎(chǔ)上放寬對推理的前提條件應(yīng)該全部已知的限制，允許部分條件缺省，然后利用先驗(yàn)或后驗(yàn)的信息進(jìn)行補(bǔ)充和修正。?產(chǎn)生和修正假設(shè)命題的方法不同，就形成了不同的邏輯（和附加機(jī)制）。如不完全歸納類比案例發(fā)現(xiàn)信念等?假設(shè)命題造成了推理過程的非單調(diào)性、弗協(xié)調(diào)性、開放性等。?非全信息邏輯主要是研究附加機(jī)制。,,,,,動態(tài)變化一維邏輯?高維邏輯關(guān)鍵1偽偏序邏輯的蘊(yùn)涵如何定義關(guān)鍵2從整數(shù)維實(shí)數(shù)維可能嗎,可拓邏輯有更多的變化機(jī)制（蔡文）,人工生命系統(tǒng)的經(jīng)驗(yàn)為什么天下沒有完全相同的葉子生物體內(nèi)部如此完美地協(xié)調(diào)生物和它存在的環(huán)境如此和諧因?yàn)樗倪壿嬕?guī)則中存在隨機(jī)參數(shù)、內(nèi)部動態(tài)平衡參數(shù)、對環(huán)境敏感的參數(shù)等邏輯學(xué)中需要而且可能引入許多附加參數(shù)和自適應(yīng)機(jī)制,數(shù)理辯證邏輯的統(tǒng)一之路?經(jīng)典數(shù)理邏輯已經(jīng)是一個完整的理論體系，但它只能處理具有內(nèi)在同一性和外在確定性的推理問題，它的各種邏輯學(xué)要素都是固定不變的，沒有調(diào)整機(jī)制。?數(shù)理辯證邏輯需要在經(jīng)典數(shù)理邏輯的基礎(chǔ)上，根據(jù)辨證處理具有內(nèi)在矛盾性和外在不確定性事物的劃分和時空定位規(guī)律，引入各種柔性參數(shù)和調(diào)整機(jī)制。,,,,,統(tǒng)一考慮多值性和非全信息性,,,,,統(tǒng)一考慮各種不確定性,三泛邏輯學(xué)研究綱要及初步成果,,1泛邏輯學(xué)的研究綱要?泛邏輯學(xué)的總綱領(lǐng)是從頂層研究邏輯學(xué)的一般規(guī)律，建立統(tǒng)一而又開放的邏輯學(xué)理論架構(gòu)，以規(guī)范和指導(dǎo)現(xiàn)代邏輯學(xué)研究，實(shí)現(xiàn)數(shù)理邏輯的柔性化。?核心問題是在數(shù)理邏輯中引入柔性機(jī)制包容各種矛盾和不確定性?任何邏輯都有語法規(guī)則和語義解釋兩部分?語法規(guī)則中至少有四個要素可柔性化,11建立柔性真值域命題真值的度量空間必須是有序空間，可是線序、偏序或超序。真值域的一般形式是多維超序空間W＝{?}∪0,1NN＞0其中0,1是基空間，N是維數(shù)，?表示無定義或超出范圍，可沒有?是有限符號串，代表命題的附加參數(shù)，可是?。,12建立柔性連接詞命題連接詞由運(yùn)算模型定義，我們根據(jù)模糊測度的邏輯性質(zhì)研究發(fā)現(xiàn)了柔性邏輯在W＝0,1上定義的命題連接詞有7個泛非泛與泛或泛蘊(yùn)含泛等價泛平均泛組合柔性命題連接詞的運(yùn)算模型是連續(xù)變化的算子簇,它隨調(diào)整參數(shù)變化，可描述柔性命題間關(guān)系的不確定性（關(guān)系柔性）。,13建立柔性量詞定義在W上的柔性量詞有標(biāo)志命題真值閾元的閾元量詞♂K標(biāo)志假設(shè)命題的假設(shè)量詞K約束個體變元范圍的范圍量詞∮?指示個體變元的相對位置的位置量詞♀?改變真值分布過渡特性的過渡量詞∫?其中參數(shù)K,?表示約束條件，稱為程度柔性柔性量詞可描述各種約束的不確定性。,14建立柔性推理模式柔性推理模式有上述三要素上定義的演繹推理歸納推理類比推理假設(shè)推理發(fā)現(xiàn)推理進(jìn)化推理由于在柔性連接詞和柔性量詞中都有柔性參數(shù)存在，這些推理模式不是決然分開的，可在一定條件下相互轉(zhuǎn)化，由量變引起質(zhì)變，稱這種柔性為模式柔性。模式柔性可描述推理模式的不確定性。,由于柔性邏輯學(xué)中允許真值柔性、維數(shù)柔性、關(guān)系柔性、程度柔性和模式柔性存在，具有與內(nèi)外交互的附加參數(shù)，可以描述矛盾的對立統(tǒng)一及矛盾的轉(zhuǎn)化過程描述認(rèn)識的發(fā)生、發(fā)展和完善的全過程這為辯證邏輯的數(shù)學(xué)化提供了可能性這些都是智能科學(xué)技術(shù)中急需解決的重大問題,?邏輯學(xué)的語義解釋賦予各種邏輯學(xué)符號01PQR?????以具體的物理意義，以便描述和解決現(xiàn)實(shí)世界的具體問題。?同一個語法規(guī)則通過不同的語義解釋可以派生出不同的邏輯，如開關(guān)邏輯、圖形邏輯、語言邏輯等,2建立柔性邏輯學(xué)的“新四論”?“四論”為經(jīng)典數(shù)理邏輯奠定了嚴(yán)格的數(shù)學(xué)基礎(chǔ)，保證了它的可靠性和完備性。數(shù)理邏輯柔性化后，引入了表示各種表示矛盾和不確定性的邏輯學(xué)要素，作為邏輯學(xué)數(shù)學(xué)基礎(chǔ)的“四論”也要發(fā)生相應(yīng)的變化，所以建立與柔性邏輯學(xué)相適應(yīng)的“新四論”是一個十分重要的任務(wù)，它是柔性邏輯學(xué)成熟的標(biāo)志。,?我們特別注意到，集合、邏輯和代數(shù)是一個事物的三個不同方面集合是事物的外延；邏輯是事物的內(nèi)涵；代數(shù)則描述了集合和邏輯的共同數(shù)學(xué)性質(zhì)，它們是三位一體的關(guān)系。一種邏輯學(xué)理論，必然有一種集合理論和代數(shù)理論與之對應(yīng)，充分利用這種三位一體的關(guān)系，可以加快集合、邏輯和代數(shù)理論的協(xié)同發(fā)展。?目前泛邏輯學(xué)還是個待實(shí)現(xiàn)的研究綱要,3已初步建立起柔性命題邏輯?能否在經(jīng)典數(shù)理邏輯基礎(chǔ)上，增加各種柔性參數(shù)和自適應(yīng)調(diào)整機(jī)制，包容矛盾和不確定性，實(shí)現(xiàn)辯證邏輯的數(shù)學(xué)化?各種邏輯的基礎(chǔ)是它的命題邏輯，命題演算是邏輯學(xué)必須首先確立的奠基石。?我們已經(jīng)在模糊測度的邏輯性質(zhì)、三角范數(shù)SCHWEIZER算子簇和LUKASIEWICZ連續(xù)值邏輯的基礎(chǔ)上，引入柔性參數(shù)和自適應(yīng)調(diào)整機(jī)制，建立了柔性命題邏輯學(xué),主要的運(yùn)算模型簇1泛非命題連接詞的運(yùn)算模型簇NX,K＝1－XN1/NN＝－1/LOG2K,K?0,12泛與命題連接詞的運(yùn)算模型TX,Y,H,K＝MAX0,XNM＋YNM－11/NMM＝3－4H/4H1－H,H?0,13泛或命題連接詞的運(yùn)算模型SX,Y,H,K＝NTNX,K,NY,K,H,K,K4泛蘊(yùn)涵命題連接詞的運(yùn)算模型IX,Y,H,K＝MIN1,1－XNM＋YNM1/NM,,影響柔性邏輯運(yùn)算模型的因素有?模糊測度的誤差，用誤差系數(shù)K表示K1最大正誤差K05沒誤差K0最大負(fù)誤差?廣義相關(guān)性，用廣義相關(guān)性系數(shù)H表示H1最大相吸H075獨(dú)立相關(guān)H05最大相斥H0最大相克?不平等性，用偏袒系數(shù)P表示P1最大左偏袒P05沒有偏袒P0最大右偏袒柔性邏輯運(yùn)算模型簇,,,命題泛邏輯學(xué)的應(yīng)用?邏輯生成器已經(jīng)生成許多已有和未知的命題邏輯?統(tǒng)一了不精確推理理論?是進(jìn)一步建立柔性謂詞邏輯的基礎(chǔ)?柔性控制（一切可以運(yùn)用模糊邏輯、概率論、證據(jù)理論、近似推理的地方，原則上都可以用柔性命題邏輯）,,建立統(tǒng)一的不精確推理理論可包容基于概率的各種推理模型基于模糊邏輯的推理模型基于信任測度的推理模型基于似然測度的推理模型基于必然測度的推理模型基于可能測度的推理模型,,,進(jìn)一步的研究工作?理論上證明這套運(yùn)算系統(tǒng)的和諧性同一個H,K，不同的H,K?應(yīng)用上廣泛應(yīng)用各種不精確推理指導(dǎo)新邏輯學(xué)研究分形邏輯?邏輯學(xué)上進(jìn)一步建立柔性謂詞邏輯學(xué),,,ML代數(shù)（剩余格）,MTL代數(shù),WNM代數(shù),IMTL代數(shù),∏MTL代數(shù),BL代數(shù),乘積代數(shù)H075,MV代數(shù)正規(guī)FI代數(shù)H05,GODEL代數(shù)H1,BOOLE代數(shù),LINDENBAUM代數(shù),NM代數(shù)R0,,,,,,,,,,,,,,,,,,,,,部分代數(shù)系統(tǒng)之間的關(guān)系,,歡迎提問謝謝,,,

簡介：序論,人工智能與模糊數(shù)學(xué),人工智能之父JOHNMCCARTHY,人工智能的定義可以分為兩部分，即“人工”和“智能”“人工”比較好理解，爭議性也不大?！爸悄堋鄙婕爸T如意識（CONSCIOUSNESS）、自我（SELF）、思維（MIND）（包括無意識的思維（UNCONSCIOUS_MIND）等等問題。人唯一了解的智能是人本身的智能。但是我們對自身智能的理解非常有限，對構(gòu)成人的智能的必要元素也了解有限，所以就很難定義什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及對人的智能本身的研究。其它關(guān)于動物或其它人造系統(tǒng)的智能也普遍被認(rèn)為是人工智能相關(guān)的研究課題。,一、什么叫人工智能（ARTIFICIALINTELLIGENCE）,麥卡錫（JOHNMCCARTHY）人工智能是使一部機(jī)器的反應(yīng)方式就象是一個人在行動時所依據(jù)的智能。尼爾遜（美國斯坦福大學(xué)人工智能研究中心教授）人工智能是關(guān)于知識的學(xué)科怎樣表示知識以及怎樣獲得知識并使用知識的科學(xué)。溫斯頓（麻省理工學(xué)院教授）人工智能就是研究如何使計(jì)算機(jī)去做過去只有人才能做的智能工作。,現(xiàn)在通用的描述所謂人工智能，是指人類的各種智能行為和各類腦力勞動，諸如感知、記憶、情感、判斷、推理、證明、識別、理解、通信、設(shè)計(jì)、思考、學(xué)習(xí)等思維活動，可用某種物化了的機(jī)器予以人工的實(shí)現(xiàn)。,二、人工智能的發(fā)展歷程,在1955的時候，香農(nóng)等人一起開發(fā)了THELOGICTHEORIST程序，它是一種采用樹形結(jié)構(gòu)的程序，在程序運(yùn)行時，它在樹中搜索，尋找與可能答案最接近的樹的分枝進(jìn)行探索，以得到正確的答案。這個程序在人工智能的歷史上可以說是有重要地位的，它在學(xué)術(shù)上和社會上帶來的巨大的影響，以至于我們現(xiàn)在所采用的方法思想方法有許多還是來自于這個50年代的程序。,1956年6月，達(dá)特茅斯會議發(fā)起者約翰邁卡錫（JOHNMCCARTHY）（普林斯頓大學(xué)數(shù)學(xué)博士）馬文明斯基（MARVINMINSKY（人工智能大師，心智社會的作者）納撒尼爾羅徹斯特（NATHANIELROCHESTER）（IBM計(jì)算機(jī)設(shè)計(jì)者之一）克勞德香農(nóng)（CLAUDESHANNON）（信息論創(chuàng)立者）,在理論方面，70年代也是大發(fā)展的一個時期，計(jì)算機(jī)開始有了簡單的思維和視覺。在70年代，另一個人工智能語言PROLOG語言誕生了，它和LISP一起幾乎成了人工智能工作者不可缺少的工具。20世紀(jì)80年代，數(shù)理邏輯和形式化推理成為人工智能的時尚。關(guān)于神經(jīng)網(wǎng)絡(luò)的研究和日本的“第五代計(jì)算機(jī)研制計(jì)劃”（即“知識信息處理計(jì)算機(jī)系統(tǒng)”），把人工智能研究推向高潮。最近20年，計(jì)算機(jī)技術(shù)飛速發(fā)展，人工智能新增眾多研究方向，各方面研究深入進(jìn)行，但距離真正的“智能”還很遙遠(yuǎn)。,實(shí)際應(yīng)用機(jī)器視覺，指紋識別，人臉識別，視網(wǎng)膜識別，虹膜識別，掌紋識別，專家系統(tǒng),智能搜索，定理證明，博弈，自動程序設(shè)計(jì)，航天應(yīng)用等。,研究范疇自然語言處理，不確定性的數(shù)學(xué)理論，知識表示，知識獲取，機(jī)器學(xué)習(xí)，推理，神經(jīng)網(wǎng)絡(luò)，復(fù)雜系統(tǒng)，智能搜索，規(guī)劃，組合調(diào)度問題，感知問題，模式識別，邏輯程序設(shè)計(jì)，軟計(jì)算，人工生命，遺傳算法，人類思維方式,,,,,涉及學(xué)科哲學(xué)，腦科學(xué)，認(rèn)知科學(xué)，數(shù)學(xué)，神經(jīng)生理學(xué)，心理學(xué)，計(jì)算機(jī)科學(xué)，信息論，控制論，仿生學(xué)，人類學(xué)，語言學(xué)等多個自然科學(xué)和社會科學(xué)的交叉。,,家庭智能機(jī)器人,類人形機(jī)器人,寶石般的機(jī)器魚，可以執(zhí)行搜尋水中污染物的巡邏任務(wù),機(jī)器龍蝦,真正認(rèn)識人類大腦是開發(fā)智能機(jī)器的必由之路。杰夫霍金斯,杰夫霍金斯掌上型電腦PALMPILOT、智能電話TREO以及許多手持裝置的發(fā)明人，ONINTELLIGENCE一書作者智能究竟是什么為什么人腦有智能而電腦沒有為什么一個6歲的小孩可以在河床的石頭上跳來跳去，姿勢優(yōu)美，而當(dāng)今最先進(jìn)的機(jī)器人卻象行動遲緩的傻瓜為什么3歲的小孩已經(jīng)粗通語言，而計(jì)算機(jī)卻語言不通，枉費(fèi)了程序師半個世紀(jì)以來艱苦卓絕的努力為什么你能在一秒鐘以內(nèi)分辨貓和狗，而超級計(jì)算機(jī)卻不能這些都是亟待破解的斯芬克斯之謎。目前的線索不少，但真正需要的是一些關(guān)鍵性的見解。,單就美國就有成千上萬的神經(jīng)科學(xué)家，可惜至今也沒有形成一套有關(guān)智能和大腦工作原理的完整的理論。大部分神經(jīng)生物學(xué)家不大考慮有關(guān)大腦的理論，因?yàn)樗麄冎回炞⒂谟嘘P(guān)大腦的諸子系統(tǒng)的實(shí)驗(yàn)，只埋頭于收集更多的數(shù)據(jù)。盡管一批又一批的計(jì)算機(jī)工程師曾經(jīng)嘗試讓計(jì)算機(jī)擁有智能，卻一次次以失敗而收場。我相信他們會屢戰(zhàn)屢敗，除非這些程序師不再忽視計(jì)算機(jī)與大腦之間的差別。,大腦人類的大腦皮層平均厚度為25～30毫米，分為6個層次，神經(jīng)細(xì)胞約有140億個，面積約2200平方厘米，灰色物質(zhì)層有四張A4打印紙大小，神經(jīng)細(xì)胞的周圍還有1000多億個膠質(zhì)細(xì)胞。,神經(jīng)元神經(jīng)元細(xì)胞體、軸突、樹突、樹突棘。樹突棘的數(shù)量及分布因不同神經(jīng)元而異，并可隨功能而改變。在大腦皮質(zhì)錐體細(xì)胞和小腦皮質(zhì)蒲肯野細(xì)胞的樹突上，樹突棘數(shù)量最多而明顯，一個蒲肯野細(xì)胞的樹突棘可多達(dá)10萬個以上。,三、知識的不確定性,知識的不確定性包括隨機(jī)性、模糊性、不完備性、不協(xié)調(diào)性、非恒常性研究人工智能不能回避的問題語言的不確定性常識知識的不確定性,（一）隨機(jī)性德國兒歌“你知道有多少星星鑲嵌在藍(lán)色的天空你知道有多少云朵飄浮過大地上帝對它們作過清點(diǎn)，數(shù)字雖然巨大，可是無一遺漏?！毙潜?、云表多少世紀(jì)以前，人們就能預(yù)測常見的天文現(xiàn)象；但要想精確地預(yù)測明天的天氣，一般并不容易。,天文學(xué)和氣象學(xué)所以這樣不同，原因是天文學(xué)的時間是可逆的，而氣象學(xué)的時間是不同逆的。牛頓時間與伯格森時間以牛頓理論為代表的確定性科學(xué)，創(chuàng)造了給世界以精確描繪的方法，將整個宇宙看作是鐘表式的動力學(xué)系統(tǒng)，處于確定、和諧、有序的運(yùn)動之中。只要知道初始條件就可以確定未來的一切。愛因斯坦與玻爾的分歧,當(dāng)自然科學(xué)進(jìn)入到有大量要素組成的多自由度體系時，確定論不再有效。統(tǒng)計(jì)力學(xué)、量子力學(xué)、氣象學(xué)、海洋學(xué)、進(jìn)化論隨機(jī)現(xiàn)象在完全相同的條件下，一個試驗(yàn)或觀察出現(xiàn)的結(jié)果可能是不同的（即條件和結(jié)果沒有必然的因果關(guān)系）。,（二）模糊性,楊炳儒教授與模糊理論創(chuàng)始人LAZADEH教授,禿頭悖論命題A一根頭發(fā)都沒有的人肯定是禿頭。命題B比禿頭多一根頭發(fā)的還是禿頭。所以命題C滿頭烏發(fā)是禿頭。,清晰非此即彼，明明白白，不模棱兩可模糊性的例子季節(jié)交替、晝夜交替、少年青年幾乎一切連續(xù)變化過程的定性描述模糊性根植于客觀事物差異的中介過渡性。就客觀對象而言，有的對象明顯地呈現(xiàn)出非此即彼的性態(tài)（清晰），有的對象明顯地呈現(xiàn)出亦此亦彼的性態(tài)（模糊）。,認(rèn)為模糊知識必定是靠不住的，這種看法是大錯特錯了。,,羅素,傳統(tǒng)邏輯都習(xí)慣于假設(shè)使用的是精確的符號，因此，它不適用于塵世生活，而僅僅適用于想象的天堂。,,同計(jì)算機(jī)相比，人腦的一個優(yōu)越性似乎是“能夠掌握尚未明確的含糊概念”。,大腦的語言不是數(shù)學(xué)語言。馮諾伊曼,,,諾伯特維納,自然語言的不確定性,自然語言的不確定性是知識不確定性的一個重要研究內(nèi)容，而自然語言理解又是人工智能研究的重要內(nèi)容。語言組織思想表達(dá)句子名詞謂詞人們使用語言時，詞語的意思常常是模糊的，詞語的選擇、句子的表達(dá)、語句的使用、句間的組織有隨機(jī)性。,如果能在自然語言的不確定性研究方面有所突破，讓計(jì)算機(jī)不再用精確嚴(yán)密的符號來計(jì)算，而直接用自然語言來思考，那么就可以使自然語言理解乃至人工智能取得實(shí)質(zhì)性的進(jìn)展。,參考文獻(xiàn),1人工智能的未來作者杰夫霍金斯出版社陜西科學(xué)技術(shù)出版社出版日期2006年1月,2人工智能一種現(xiàn)代方法作者羅素RUSSELL,S諾維格NORVIG,P出版日期2006年5月,3神經(jīng)生物學(xué)從神經(jīng)元到腦原書名FROMNEURONTOBRAIN原出版社SINAUERASSOCIATES作者JG尼克爾斯AR馬丁BG華萊士PA富克斯譯者楊雄里出版社科學(xué)出版社出版日期2006年12月,4模糊系統(tǒng)與模糊控制教程王立新著王迎軍譯清華大學(xué)出版社20030601,5粗糙集理論與方法張文修等編著科學(xué)出版社2001年出版,6粗糙集理論、算法與應(yīng)用苗奪謙，李道國等著清華大學(xué)出版社2008年出版,7不確定性人工智能作者李德毅等出版社國防工業(yè)出版社出版日期2005年10月,

簡介：1,1,SOMERECENTDEVELOPMENTOFINTELLIGENTPRANDAPPLICATIONS,GUANGHUIHEGHHECQUEDUCN,2,2,WHATAREBIOMETRICSBIOMETRICSAREAUTOMATEDMETHODSOFRECOGNIZINGAPERSONBASEDONTHEACQUIREDPHYSIOLOGICALORBEHAVIORALCHARACTERISTICS,PERCENTAGEOFUSAGESOURCEINTERNATIONALBIOMETRICGROUP,3,3,ASCENARIOTWOALQAEDA（“基地”組織）SUSPECTSWERERECENTLYTAKENINTOCUSTODYBYUSIMMIGRATIONAUTHORITIESASTHEYTRIEDTOENTERTHEUNITEDSTATESAFTERTHEIRFINGERPRINTSWEREMATCHEDWITHONESLIFTEDBYUSMILITARYOFFICIALSFROMDOCUMENTSFOUNDINCAVESINAFGHANISTAN（阿富汗）,WHYBIOMETRICTECHNOLOGIESFORSECURITYREASONS,4,4,EXAMPLE1SFINGESYNTHETICFINGERPRINTGENERATORDEVELOPEDATTHEBIOMETRICSYSTEMSLAB,UNIVERSITYOFBOLOGNA–ITALY,ISUTILIZEDTO,COMPAREDIFFERENTFINGERPRINTMATCHINGALGORITHMS,TRAINPATTERNRECOGNITIONTECHNIQUESTHATREQUIRELARGELEARNINGSETSEGNEURALNETWORK,EASILYGENERATEALARGENUMBEROF“VIRTUALUSERS”TODEVELOPANDTESTMEDIUM/LARGESCALEFINGERPRINTBASEDSYSTEMS,5,5,,,3DMODELPRESSUREINONLINEMODEL,MODELINGBYDEFORMATION,MODELINGSEGMENTSCONICS,SPLINES,EXAMPLE2GENERATIONOFSYNTHETICSIGNATURE,ASSEMBLINGDESEGMENTATIONOF2DMODEL,6,6,EXAMPLE3PRIVACYPROTECTIONAFTERENROLLMENT,ATRUEOBJECTEGIMAGEOFFACE,FINGERPRINTORVOICESIGNALISINTENTIONALLYDISTORTEDUSINGIRREVERSIBLETRANSFORMCANCELABLEBIOMETRICSRATHA,CONNELL,BOLLE,2001,SKINDISTORTIONFINGERPRINTSOURCEBIOMETRICSYSTEMSLAB,UNIVERSITYOFBOLOGNA,FACEIMAGEISWARPEDWITHBILINEARINTERPOLATIONSOURCESERIFINC,SOMEMOREEXAMPLESGENERATIONOFSYNTHESISFINGERPRINTSGENERATIONOFSYNTHETICSIGNATURESHANDWRITINGMODELINGISARELEVANTPROBLEMIRISRECOGNITIONANDSYNTHESISINFORMATIONFUSIONINBIOMETRICSSPEECHTOANIMATEDFACE,7,8,WHEREDOWENEEDBIOMETRICS,,TRADITIONALAPPLICATIONHUMANIDENTIFICATIONRECENTADVANCESEARLYWARNINGPARADIGMDESIGNINGSIMULATORSFORHQPTRAININGSYSTEMSSENSINGINROBOTICS,9,EARLYDETECTIONANDWARNING,,,,,,SEMANTICDOMAIN,,BIOMETRICSENSOR,SIGNALPROCESSING,DECISIONMAKING,,,,,RAWBIOMETRICDATA,,,BASICCONFIGURATION,FEATURESPACE,,,,APPLICATIONPHYSICALACCESSCONTROLSYSTEM,SENSORS,EXTRACTORSIMAGEANDSIGNALPROCESSINGALGORITHM,CLASSIFIERS,,,BIOMETRICSVOICE,SIGNATURE,FACE,FINGERPRINT,IRIS,HANDGEOMETRY,ETC,DATAREPAUDIOSIGNAL,IMAGE,INFRAREDIMAGE,FEATUREVECTORS,SCORES,,,,,,,DECISIONMATCH,NONMATCH,INCONCLUSIVE,,BIOMETRICDATABASES,LEVEL1DOCUMENTCHECK,DATABASESWATCHLIST,,,LEVEL2BIOMETRICS,10,11,LABORATORYEXPERIMENTS,,,12,EARLYWARNINGSYSTEMCOMPONENTS,SUPPORTSFACIALANALYSISSKINTEMPERATUREEVALUATIONDETECTIONOFDISGUISEWIGANDOTHERARTIFICIALMATERIALS,ANDSURGICALALTERNATIONSEVALUATIONOFBLOODVESSELFLOWMODELINGEXPRESSIONSOTHERPHYSIOLOGICAL/MEDICALMEASUREMENTSALCOHOL/DRUGABUSE,INFRAREDBIOMETRICSANDDECISIONSUPPORT,MIDINFRARED35??M,FARINFRARED812??M,TEMPERATUREVALUE3287540CISDETECTEDINAPOINT,13,EARLYWARNINGSYSTEMCOMPONENTS,BLOODFLOWRATEANALYSISFROMINFRARED,VISUALIZATIONOFTHEBLOODFLOWRATEFROMTHEUPPERRECTANGLEOFA,THERMALIMAGEOFSUBJECTATTHEBEGINNINGOFANSWERINGTHEQUESTION“DOYOUHAVETHATSTOLEN20ONYOURIGHTNOW”,THERMALIMAGEOFSUBJECTATTHEENDOFANSWERINGTHEQUESTION,VISUALIZATIONOFTHEBLOODFLOWRATEFROMBTHEDIFFERENCEISSIGNIFICANTFROMIPAVLIDIS’REPORT,14,EARLYWARNINGSYSTEMDECISIONMAKING,,INSUFFICIENCYOFINFORMATION,INDIVIDUALBIOMETRICS,DEGREESOFBELIEF,BIOMETRICSENSOR,,TEMPORALFAULTSOFBIOMETRICSENSORS,,ERRORSOFBIOMETRICSENSORS,MASSASSIGNMENTS,,,,,,,,,BELIEFFUNCTION,,,,,,,UPDATING,,DECISIONMAKINGINSEMANTICFORM,15,EARLYWARNINGSECURITYACCESSCONTROLSYSTEM,SEMANTICPROCESSOR,GAITBIOMETRICPROCESSOR,,GAITFEATURESPROCESSOR,,,THEGROUNDREACTIONFORCE,GENDERPREGNANCYFATIGUEINJURIESAFFLICTIONSDRUNKENNESS,,,,,,,,,GROUNDREACTIONFORCEPROCESSOR,,,,,,,DISCRIMINATIVEGAITBIOMETRICINSEMANTICFORM,GAITBIOMETRICSANALYSISANDDECISIONMAKINGASSISTANCE,16,FACECAPTURING,FITTINGPOINTS,,,,0001001001010011010010010010010110010010001000010010110100100101001001001000,FILEMESH/COLOUR,3DFACEMODEL,EARLYWARNINGSYSTEMCOMPONENTS,17,FACECAPTURING,FITTINGPOINTS,,,,0001001001010011010010010010010110010010001000010010110100100101001001001000,FILEMESH/COLOUR,3DFACEMODEL,EARLYWARNINGSYSTEMCOMPONENTS,18,OTHERAPPLICATIONSBIOMETRICDATAMODELINGFORHQPTRAINING,,PROCESSINGOFSCREENEDDATA,,PROCESSINGOFPRESCREENEDDATA,,,,,,,,DIALOGSUPPORT,DECISIONMAKINGSUPPORT,,,,VISIBLEBANDCAMERA,IRBANDCAMERA,SYNTHETICIMAGEOFANINDIVIDUAL,VOICEANALYZER,,OFFICERINTRAINING,19,PERSPECTIVESHUMANOIDROBOTS,,SENSINGINROBOTICS,ROBOTHEADDEVELOPEDBYDRMAREKPERKOWSKIATPORTLANDSTATEUNIVERSITY,EMOTIONSYNTHESIS,ROBOTSPEECH,20,20,IT’SSIMILARITYANDPATTERNMATCHING,WHATISMEASUREMENT,JUSTACOMICSJOKE,NOMORETHANTHAT,21,21,PATTERNRECOGNITION,COGNITIONLEARNINGRECOGNITIONCLASSIFICATIONIDENTIFICATIONVERIFICATIONCLUSTERING,22,22,3DOBJECTRECOGNITION,23,23,TABLEOFCONTENTS,BACKGROUNDTHEORYEXPERIMENTSANDILLUSTRATIONSFUTURERESEARCH,24,24,LINEARCOMBINATION,OBJECT1A1OBJECT2A2OBJECT3A3OBJECT4A4OBJECTA4AA1BA2CA3D,25,25,3DRECOGNITIONBACKGROUND,WIDELYUSEDINDUSTRIALPARTSINSPECTIONMILITARYTARGETIDENTIFICATIONCAM/CADENGINEERINGDESIGNIMAGE/VISIONUNDERSTANDING,INTERPRETATION,VISUALIZATION,ANDRECOGNITION,26,26,3DRECOGNITIONBACKGROUND,RECOGNITION3DOBJECTSRIGIDOBJECTSFIXEDSHAPESDEFORMABLEOBJECTSVARIABLESHAPESARTICULATEDOBJECTSFEWERMETHODSPROPOSEDBROOKSACRONYMSYSTEMUSINGSYMBOLICREASONINGGRIMSONETALEXTENDEDTHEINTERPRETATIONOFTREEAPPROACHTODEALWITH2DOBJECTSWITHARTICULATEDCOMPONENTS,27,27,3DRECOGNITIONBACKGROUND,EXTENDEDLINEARCOMBINATIONMETHODLCSIMPLERPREPROCESSINGSIMPLERANDFASTERCOMPUTATIONAPPLICABLETOMANYARTICULATEDOBJECTRECOGNITION,UNDERSTANDING,INTERPRETATION,ANDVISUALIZATION,28,28,THEORY,EXTENDEDLINEARCOMBINATIONMETHODLCBASEDONTHEOBSERVATIONTHATNOVELVIEWSOFOBJECTSCANBEEXPRESSEDASLINEARCOMBINATIONOFTHESTOREDVIEWSFROMLEARNINGITIDENTIFIESOBJECTSBYCONSTRUCTINGCUSTOMTAILOREDTEMPLATESFROMSTOREDTWODIMENSIONALIMAGEMODELS,29,29,LINEARCOMBINATION,MODELANIMAGECONSISTSOFALISTOFFEATUREPOINTSOBSERVEDINTHEIMAGE,30,30,LINEARCOMBINATION,,RECOGNITIONANUNKNOWNOBJECTISMATCHEDWITHAMODELBYCOMPARINGTHEPOINTSINANIMAGEOFTHEUNKNOWNOBJECTWITHATEMPLATELIKECOLLECTIONOFPOINTSPRODUCEDFROMTHEMODEL,31,31,32,32,33,33,34,34,35,35,EXPERITMENT1MATCHSAMEOBJECTS,,,36,36,EXPERIMENT1RESULT,,37,37,EXPERIMENT2,,,38,38,EXPERIMENT3,,39,39,EXPERIMENT3RESULT,,,40,40,EXPERIMENT4,,41,41,EXPERIMENT4RESULT,,,REJECTED,REJECTEDTOO,,,42,42,43,43,44,44,45,45,46,46,COLORBIOMETRICIMAGINGANALYSIS,47,47,ITEMSTOBEDISCUSSED,CLUSTERINGANDKMEANSALGORITHMSTATISTICALUNSUPERVISEDCOLORREPRESENTATIONANDCOLORIMAGESEGMENTATION,48,48,SUPERVISEDCLASSIFICATIONANDMINIMUMDISTANCECLASSIFICATION,MINIMUMDISTANCECLASSIFICATIONSUPERVISEDFINDTHECENTEROFKNOWNPATTERNSOFEACHCLASSCLASSIFYUNKNOWNPATTERNSINTOTHECLASSTHATIS“CLOSEST”TOIT,,,49,49,COLORIMAGESEGMENTATIONHUECOMPONENT,50,50,COLORIMAGESEGMENTATION,TASKSTUDYTHEKMEANSALGORITHMINHUESPACEINTERESTINGPERIODICALCIRCULARPROPERTYOFHUECOMPONENTNEWMEASUREOFDISTANCEPROBLEMKMEANSALGORITHMISBASEDONTHEMEASUREOFDISTANCEANDDEFINITIONOFCENTER,51,51,HUECOMPONENTCLUSTERING,DEFINITION1DISTANCEOFHUEVALUESDEFINITION2DIRECTEDDISTANCEOFHUEVALUESTRICKYADDITIONOFDIRECTEDDISTANCEDEFINITION3INTERVALANDITSMIDPOINTINHSPACEDEFINITION4CENTEROFASETOFPOINTSINHUESPACETHEORYEUCLIDEANTHEORYOFCENTERINHUESPACE,52,52,HUECOMPONENTCLUSTERING,DEFINITION1DISTANCEOFHUEVALUES,,53,53,HUECOMPONENTCLUSTERING,DEFINITION2DIRECTEDDISTANCEOFHUEVALUESTRICKYADDITIONOFDIRECTEDDISTANCETHEFOLLOWINGVECTORADDITIONPROPERTYNOLONGERHOLDS,,,,54,54,HUECOMPONENTCLUSTERING,REVISITDEFINITIONINTERVALANDITSMIDPOINTINHSPACEREVISITDEFINITIONCENTEROFASETOFPOINTSINHUESPACEREVISITTHEPROOFOFTHEORYEUCLIDEANTHEORYOFCENTERINHUESPACE,55,55,COLORIMAGESEGMENTATION,IANDHCOMPONENTSAREOFINTERESTGOODCOLORIMAGESEGMENTATIONALGORITHMSSHOULDCONSIDERANDCOMBINEBOTHVARIATIONOFLIGHTINTENSITYANDOCCLUSIONHUECOMPONENTISBETTERCOLORINFORMATIONISLOSTINTENSITYCOMPONENTISBETTERFUZZYMEMBERFUNCTIONISINTRODUCED,56,56,COLORIMAGESEGMENTATIONEXPERIMENT1INTENSITYDISTINGUISHABLE,AORIGINALCOLORIMAGE,57,57,COLORIMAGESEGMENTATIONEXPERIMENT1INTENSITYDISTINGUISHABLE,BINTENSITYIMAGE,58,58,COLORIMAGESEGMENTATIONEXPERIMENT1INTENSITYDISTINGUISHABLE,CHUEIMAGE,59,59,COLORIMAGESEGMENTATION–EXPERIMENTINTENSITYDISTINGUISHABLE,DSEGMENTATIONBYHUE,60,60,COLORIMAGESEGMENTATIONEXPERIMENT1INTENSITYDISTINGUISHABLE,ESEGMENTATIONBYHUEANDINTENSITY,61,61,COLORIMAGESEGMENTATIONEXPERIMENT2HUEDISTINGUISHABLE,AORIGINALCOLORIMAGE,62,62,COLORIMAGESEGMENTATIONEXPERIMENT2HUEDISTINGUISHABLE,BINTENSITYIMAGE,63,63,COLORIMAGESEGMENTATIONEXPERIMENT2HUEDISTINGUISHABLE,CHUEIMAGE,64,64,COLORIMAGESEGMENTATIONEXPERIMENT2HUEDISTINGUISHABLE,DSEGMENTATIONBYINTENSITY,65,65,COLORIMAGESEGMENTATIONEXPERIMENT2HUEDISTINGUISHABLE,ESEGMENTATIONBYHUEANDINTENSITY,66,66,SOMEMOREILLUSTRATIVEEXAMPLESOFMEDICALIMAGINGRESULTS,67,67,68,68,69,69,70,70,71,71,72,72,73,73,74,74,75,75,76,76,77,77,PRPATTERNRECOGNITIONANDAIARTIFICIALINTELLIGENCE,

簡介：1當(dāng)產(chǎn)品參數(shù)中沒有對應(yīng)的參數(shù)信息，想要回復(fù)給買家比較精確的答案，我們可以通過以下哪個方法來配置商品屬性問題話術(shù)中設(shè)置固定屬性，配置不同答案關(guān)聯(lián)對應(yīng)商品2我們可以實(shí)時根據(jù)“未解決榜”的問題聚類來進(jìn)行配置優(yōu)化。以上這種說法是否正確否3歡迎語卡片的問題點(diǎn)擊情況，我們最快可以在隔天看到效果。以上這種說法是否正確否4關(guān)于轉(zhuǎn)人工率的計(jì)算方法，以下哪個說法是正確的轉(zhuǎn)人工率店小蜜請求轉(zhuǎn)人工數(shù)店小蜜接待買家數(shù)5詢單轉(zhuǎn)化率中的店小蜜接待UV，包含以下哪些人群的UV都包含6關(guān)于尺碼表和官方知識庫選碼場景關(guān)系，以下哪個說法是正確的優(yōu)先匹配尺碼表，官方選碼場景兜底7在“旺旺分流”“離線消息”板塊中，不能查看聊天記錄。以上這種說法是否正確否8我們可以根據(jù)當(dāng)天的“轉(zhuǎn)人工知識高頻列表”的問題來進(jìn)行配置優(yōu)化。以上這種說法是否正確否9關(guān)于變量標(biāo)簽規(guī)范的使用方式，以下哪個選項(xiàng)是正確的答案編輯框點(diǎn)擊插入10自定義知識庫配置時應(yīng)當(dāng)盡可能簡化用戶的問題，精簡到短語。以上這種說法是否正確否11柳柳想要在知識庫中快速找到關(guān)聯(lián)某一時效的答案，那么她應(yīng)該按照以下哪個方法進(jìn)行操作點(diǎn)擊知識庫左上角的“搜時效”，輸入時效名稱搜索12冷門自定義問法的定義是指連續(xù)兩周該自定義知識的所有問法，熱度均幾乎為0。以上這種說法是否正確是13某條知識配置了一條任意類型的答案，那么這條知識就不會出現(xiàn)在“沒有配置答案轉(zhuǎn)人工”的列表里。以上這種說法是否正確否27轉(zhuǎn)人工率越低，解決能力越高。以上這個說法是否正確是28關(guān)于店小蜜轉(zhuǎn)人工后的分流邏輯，以下哪個說法是正確的同分流管理邏輯一致29大促期間店小蜜優(yōu)化應(yīng)當(dāng)重視關(guān)鍵詞的使用。以上這種說法是否正確是30“離線消息”的“已處理”部分中，雙擊客戶名稱，即可查看那部分跟店小蜜溝通過程中有成功轉(zhuǎn)到人工客服的聊天記錄。以上這種說法是否正確是31在大促期間，官方知識庫中需要維護(hù)的重要知識包含以下哪幾類活動相關(guān)商品類閑聊類售后類32為了優(yōu)化店小蜜，降低轉(zhuǎn)人工率，訓(xùn)練師應(yīng)該按照以下哪些方法來進(jìn)行操作定期收集未解決問題并添加知識庫定期梳理優(yōu)秀客服的對話記錄，提取優(yōu)秀話術(shù)，優(yōu)化店小蜜答案產(chǎn)品更新時，需要重新梳理優(yōu)化店小蜜需要重新梳理優(yōu)化店小蜜33關(guān)于店小蜜診斷報(bào)告的評價維度，可以包含以下哪幾個選項(xiàng)店小蜜使用情況店小蜜配置水平店小蜜智能服務(wù)水平店小蜜詢單轉(zhuǎn)化能力34關(guān)于有利于提升詢單轉(zhuǎn)化的方法，以下哪些選項(xiàng)是正確的設(shè)置商品推薦在高頻咨詢問題中，設(shè)置活動優(yōu)惠推薦自定義中添加推薦相關(guān)問題，并在答案中設(shè)置可推薦的商品鏈接刪除設(shè)置了關(guān)聯(lián)商品的答案35關(guān)于配置知識庫答案必須注意的點(diǎn)，包含以下哪些選項(xiàng)每個問題都要配置一個通用兜底答案每個問題的盡量關(guān)聯(lián)不同商品配置多個答案答案中盡量少包含轉(zhuǎn)人工引導(dǎo)語答案不可太明確，以免答錯引起交易糾紛36關(guān)于官方知識庫配置需要注意的點(diǎn)，包含以下哪些選項(xiàng)劃詞意義是區(qū)分相似問法的歸類，劃詞需要準(zhǔn)確問法需要全面，不能只寫一個短語，或一個詞語行業(yè)包不要漏訂答案需要關(guān)聯(lián)商品，做到精細(xì)化配置37想要獲得“商品尺碼”功能，可以通過訂閱以下哪些行業(yè)包獲得該功能服裝戶外手機(jī)鞋類38訓(xùn)練師環(huán)環(huán)希望提升店小蜜關(guān)聯(lián)銷售的能力，可以使用商品推薦的功能（查看路徑全自動機(jī)器人商品推薦），以下哪幾個場景會觸發(fā)店小蜜進(jìn)行商品推薦

簡介：非專業(yè)人士翻譯，如有錯誤請諒解。GOOGLESAIREASONSITSWAYAROUNDTHELONDONUNDERGROUND谷歌人工智能推導(dǎo)出環(huán)繞倫敦地鐵系統(tǒng)的路線DEEPMIND’SLATESTTECHNIQUEUSESEXTERNALMEMYTOSOLVETASKSTHATREQUIRELOGICREASONINGASTEPTOWARDMEHUMANLIKEAI深度思維最新技術(shù)使用了外部存儲來解決需要邏輯思維和推理能力的任務(wù)BYELIZABETHGIBNEYNATUREMAGAZINEONOCTOBER142016伊麗莎白吉布尼2016年10月14日發(fā)表于自然雜志ARTIFICIALINTELLIGENCEAISYSTEMSKNOWNASNEURALWKSCANRECOGNIZEIMAGESTRANSLATELANGUAGESEVENMASTERTHEANCIENTGAMEOFGOBUTTHEIRLIMITEDABILITYTOREPRESENTCOMPLEXRELATIONSHIPSBETWEENDATAVARIABLESHASPREVENTEDTHEMFROMCONQUERINGTASKSTHATREQUIRELOGICREASONINGMEMYMAGIC記憶魔法ANEURALWKLEARNSBYSTRENGTHENINGCONNECTIONSBETWEENVIRTUALNEURONLIKEUNITSWITHOUTAMEMYSUCHAWKMIGHTNEEDTOSEEASPECIFICLONDONUNDEGROUNDMAPTHOUSSOFTIMESTOLEARNTHEBESTWAYTONAVIGATETHETUBE神經(jīng)網(wǎng)絡(luò)通過加強(qiáng)虛擬神經(jīng)元之間的聯(lián)系來學(xué)習(xí)。如果沒有存儲器，這樣一個網(wǎng)絡(luò)可能需要看一副特定的倫敦地鐵地圖數(shù)千次來學(xué)習(xí)最佳路線。DEEPMINDSNEWSYSTEMWHICHTHEYCALLADIFFERENTIABLENEURALCOMPUTERCANMAKESENSEOFAMAPITHASNEVERSEENBEFEITFIRSTTRAINSITSNEURALWKONROMLYGENERATEDMAPLIKESTRUCTURESWHICHCOULDREPRESENTSTATIONSCONNECTEDBYLINESOTHERRELATIONSHIPSINTHEPROCESSLEARNINGHOWTOSTEDEIONSOFTHESERELATIONSHIPSINITSEXTERNALMEMYASWELLASANSWERQUESTIONSABOUTTHEMCONFRONTEDWITHANEWMAPTHEDEEPMINDSYSTEMCANWRITETHESENEWRELATIONSHIPSCONNECTIONSBETWEENUNDERGROUNDSTATIONSINONEEXAMPLEFROMTHEPAPERTOMEMYRECALLITTOPLANAROUTE深度思維的新系統(tǒng)他們稱它為微分神經(jīng)計(jì)算機(jī)可以理解它從未見過的地圖。第一次訓(xùn)練神經(jīng)網(wǎng)絡(luò)是在隨機(jī)生成的類似結(jié)構(gòu)的地圖上被鐵路線鏈接的車站，或者其他關(guān)系，在這個過程中學(xué)習(xí)如何將這些關(guān)系的描述存儲在它的外部存儲器并且回答問題。面對一個新的地圖，深度思維的系統(tǒng)可以把這些新關(guān)系按照一個圖紙上例子來連接各地鐵站之間的關(guān)系寫到存儲器，并能夠回憶這些關(guān)系然后計(jì)劃路線。DEEPMIND’SAISYSTEMUSEDTHESAMETECHNIQUETOTACKLEPUZZLESTHATREQUIREREASONINGAFTERTRAININGON20DIFFERENTTYPESOFQUESTIONANSWERPROBLEMSITLEARNTTOMAKEACCURATEDEDUCTIONS

簡介：論人工智能對人類生活的影響2015年9月10日，騰訊財(cái)經(jīng)登出的一篇文章8月CPI同比上漲20，創(chuàng)12個月新高，最近在媒體圈兒里持續(xù)發(fā)酵。這篇文章內(nèi)容只是一篇普通的財(cái)經(jīng)消息，但它的署名卻竟然是一個機(jī)器人。人工智能經(jīng)歷過三次大跨越的發(fā)展，從示教再現(xiàn)型機(jī)器人到帶感覺的機(jī)器人，最后發(fā)展到現(xiàn)在的智能機(jī)器人。機(jī)器人，曾經(jīng)在科幻小說中給我們帶來無限遐想如今正快步向我們走來。無數(shù)科幻小說作者都曾經(jīng)暢想過人工智能走入我們的生活。而在去年舉行的2015年銀河獎頒獎典禮上，微軟人工智能機(jī)器人小冰也代表人類為著名科幻作家劉宇昆頒發(fā)了“最受歡迎外國作家獎”。關(guān)于人工智能的爭論仍然在繼續(xù)，但是人工智能的腳步并不會因此而停下。如今，人工智能仍然在提升我們的效率，給我們的生活帶來更多的火花。然而就在前不久李世石以14敗給了ALPHAGO，這場人機(jī)大戰(zhàn)再次震動了整個世界。顯然這些只是人工智能發(fā)展的一個縮影。隨著社會的發(fā)展，計(jì)算機(jī)技術(shù)得到普遍而廣泛的應(yīng)用，而計(jì)算機(jī)技術(shù)朝著智能化方向發(fā)展也將成為不可避免的趨勢。但是，隨著計(jì)算機(jī)越來越智能化，不少人或多或少都有這樣的疑問人工智能是否會取代人類人工智能對人類弊大于利還是利大于弊在討論人工智能對人類生活的影響之前，我們先對人工智能要有一個初步的認(rèn)識人工智能（ARTIFICIALINTELLIGENCE，簡稱AI）是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)，也是指由人工制造出來的系統(tǒng)所表現(xiàn)出來的智能。人工智能是非常廣泛的科學(xué)，牽扯到很多關(guān)于計(jì)算機(jī)科學(xué)、心理學(xué)、哲學(xué)學(xué)科的知識并利用這些技術(shù)來盡可能的模擬人的意識、思想、思維的信息過程，甚至可能會超過人的智能。美國麻以同時保持最新的實(shí)際建議如治療方案和方法而專家系統(tǒng)卻能迅速地更新和保存這類建議，使終端用戶如病人從中受益。2人工智能推動計(jì)算機(jī)技術(shù)發(fā)展人工智能研究已經(jīng)對計(jì)算機(jī)技術(shù)的各個方面產(chǎn)生并將繼續(xù)產(chǎn)生較大影響。人工智能應(yīng)用要求繁重的計(jì)算，促進(jìn)了并行處理和專用集成片的開發(fā)。算法發(fā)生器和靈巧的數(shù)據(jù)結(jié)構(gòu)獲得應(yīng)用，自動程序設(shè)計(jì)技術(shù)將開始對軟件開發(fā)產(chǎn)生積極影響。所有這些在研究人工智能時開發(fā)出來的新技術(shù)，推動了計(jì)算機(jī)技術(shù)的發(fā)展，進(jìn)而使計(jì)算機(jī)為人類創(chuàng)造更大的經(jīng)濟(jì)實(shí)惠。二、人工智能對文化的影響1改善人類語言根據(jù)語言學(xué)的觀點(diǎn)，語言是思維的表現(xiàn)和工具，思維規(guī)律可用語言學(xué)方法加以研究，但人的下意識和潛意識往往“只能意會，不可言傳“。由于采用人工智能技術(shù)，綜合應(yīng)用語法、語義和形式知識表示方法，我們有可能在改善知識的自然語言表示的同時，把知識闡述為適用的人工智能形式。隨著人工智能原理日益廣泛傳播，人們可能應(yīng)用人工智能概念來描述他們生活中的日常狀態(tài)和求解各種問題的過程。人工智能能夠擴(kuò)大人們交流知識的概念集合，為我們提供一定狀況下可供選擇的概念，描述我們所見所聞的方法以及描述我們的信念的新方法。2改善文化生活人工智能技術(shù)為人類文化生活打開了許多新的窗口。比如圖像處理技術(shù)必將對圖形藝術(shù)、廣告和社會教育部門產(chǎn)生深遠(yuǎn)的影響。比如現(xiàn)有的智力游戲機(jī)將發(fā)展為具有更高智能的文化娛樂手段。

簡介：國務(wù)院關(guān)于印發(fā)國務(wù)院關(guān)于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知新一代人工智能發(fā)展規(guī)劃的通知國發(fā)〔2017〕35號各省、自治區(qū)、直轄市人民政府，國務(wù)院各部委、各直屬機(jī)構(gòu)現(xiàn)將新一代人工智能發(fā)展規(guī)劃印發(fā)給你們，請認(rèn)真貫徹執(zhí)行。國務(wù)院2017年7月8日（此件公開發(fā)布）新一代人工智能發(fā)展規(guī)劃新一代人工智能發(fā)展規(guī)劃人工智能的迅速發(fā)展將深刻改變?nèi)祟惿鐣?、改變世界。為搶抓人工智能發(fā)展的重大戰(zhàn)略機(jī)遇，構(gòu)筑我國人工智能發(fā)展的先發(fā)優(yōu)勢，加快建設(shè)創(chuàng)新型國家和世界科技強(qiáng)國，按照黨中央、國務(wù)院部署要求，制定本規(guī)劃。一、戰(zhàn)略態(tài)勢一、戰(zhàn)略態(tài)勢人工智能發(fā)展進(jìn)入新階段。經(jīng)過60多年的演進(jìn)，特別是在移動互聯(lián)網(wǎng)、大數(shù)據(jù)、超級計(jì)算、傳感網(wǎng)、腦科學(xué)等新理論新技術(shù)以及經(jīng)濟(jì)社會發(fā)展強(qiáng)烈需求的共同驅(qū)動下，人工智能加速發(fā)展，呈現(xiàn)出深度學(xué)習(xí)、跨界融合、人機(jī)協(xié)同、群智開放、自主操控等新特征。大數(shù)據(jù)驅(qū)動知識學(xué)習(xí)、跨媒體協(xié)同處理、人機(jī)協(xié)同增強(qiáng)智能、群體集成智能、自主智能系統(tǒng)成為人工智能的發(fā)展重點(diǎn)，受腦科學(xué)研究成果啟發(fā)的類腦智能蓄勢待發(fā)，芯片化硬件化平臺化趨勢更加明顯，人工智能發(fā)展進(jìn)入新階段。當(dāng)前，新一代人工智能相關(guān)學(xué)科發(fā)展、理論建模、人工智能發(fā)展的不確定性帶來新挑戰(zhàn)。人工智能是影響面廣的顛覆性技術(shù)，可能帶來改變就業(yè)結(jié)構(gòu)、沖擊法律與社會倫理、侵犯個人隱私、挑戰(zhàn)國際關(guān)系準(zhǔn)則等問題，將對政府管理、經(jīng)濟(jì)安全和社會穩(wěn)定乃至全球治理產(chǎn)生深遠(yuǎn)影響。在大力發(fā)展人工智能的同時，必須高度重視可能帶來的安全風(fēng)險(xiǎn)挑戰(zhàn)，加強(qiáng)前瞻預(yù)防與約束引導(dǎo)，最大限度降低風(fēng)險(xiǎn)，確保人工智能安全、可靠、可控發(fā)展。我國發(fā)展人工智能具有良好基礎(chǔ)。國家部署了智能制造等國家重點(diǎn)研發(fā)計(jì)劃重點(diǎn)專項(xiàng)，印發(fā)實(shí)施了“互聯(lián)網(wǎng)”人工智能三年行動實(shí)施方案，從科技研發(fā)、應(yīng)用推廣和產(chǎn)業(yè)發(fā)展等方面提出了一系列措施。經(jīng)過多年的持續(xù)積累，我國在人工智能領(lǐng)域取得重要進(jìn)展，國際科技論文發(fā)表量和發(fā)明專利授權(quán)量已居世界第二，部分領(lǐng)域核心關(guān)鍵技術(shù)實(shí)現(xiàn)重要突破。語音識別、視覺識別技術(shù)世界領(lǐng)先，自適應(yīng)自主學(xué)習(xí)、直覺感知、綜合推理、混合智能和群體智能等初步具備跨越發(fā)展的能力，中文信息處理、智能監(jiān)控、生物特征識別、工業(yè)機(jī)器人、服務(wù)機(jī)器人、無人駕駛逐步進(jìn)入實(shí)際應(yīng)用，人工智能創(chuàng)新創(chuàng)業(yè)日益活躍，一批龍頭骨干企業(yè)加速成長，在國際上獲得廣泛關(guān)注和認(rèn)可。加速積累的技術(shù)能力與海量的數(shù)據(jù)資源、巨大的應(yīng)用需求、開放的市場環(huán)境有機(jī)結(jié)合，形成了我國人工智能發(fā)展的獨(dú)特優(yōu)勢。同時，也要清醒地看到，我國人工智能整體發(fā)展水平與發(fā)達(dá)國家相比仍存在差距，缺少重大原創(chuàng)成果，在基礎(chǔ)理論、核心算法以及關(guān)鍵設(shè)備、高端芯片、重大產(chǎn)品與系統(tǒng)、基礎(chǔ)材料、元器件、軟件與接口等方面差距較大；科研機(jī)構(gòu)和企業(yè)尚未形成具有國際影響力的生態(tài)圈和產(chǎn)業(yè)鏈，缺乏系統(tǒng)的超前研發(fā)布局；人工智能尖端人才遠(yuǎn)遠(yuǎn)不能滿足需求；適應(yīng)人工智能發(fā)展的基礎(chǔ)設(shè)施、政策法規(guī)、標(biāo)準(zhǔn)體系亟待完善。面對新形勢新需求，必須主動求變應(yīng)變，牢牢把握人工智能發(fā)展的重大歷史機(jī)遇，緊扣發(fā)展、研判大勢、主動謀劃、把握方向、搶占先機(jī)，引領(lǐng)世界人

簡介：關(guān)于人工智能的一些介紹與看法關(guān)于人工智能的一些介紹與看法內(nèi)容提要內(nèi)容提要人工智能是計(jì)算機(jī)科學(xué)的一個領(lǐng)域，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式作出反應(yīng)的智能機(jī)器。它研究和應(yīng)用的領(lǐng)域包括模式識別、自然語言理解與生成、專家系統(tǒng)、自動程序設(shè)計(jì)、定理證明、聯(lián)想與思維的機(jī)理、數(shù)據(jù)智能檢索等。除了計(jì)算機(jī)科學(xué)以外人工智能還涉及信息論、控制論、自動化、仿生學(xué)、生物學(xué)、心理學(xué)、數(shù)理邏輯、語言學(xué)、醫(yī)學(xué)和哲學(xué)等多門學(xué)科。人工智能也被認(rèn)為是二十一世紀(jì)（基因工程、納米科學(xué)、人工智能）三大尖端技術(shù)之一。近三十年來它獲得了迅速的發(fā)展，在很多學(xué)科領(lǐng)域都獲得了廣泛應(yīng)用，并取得了豐碩的成果，人工智能已逐步成為一個獨(dú)立的分支，無論在理論和實(shí)踐上都已自成一個系統(tǒng)。關(guān)鍵詞關(guān)鍵詞人工智能領(lǐng)域應(yīng)用技術(shù)一、人工智能概述一、人工智能概述“人工智能”一詞最初是在1956年DARTMOUTH學(xué)術(shù)會議上提出的。從那以后，研究者們發(fā)展了眾多理論和原理，人工智能的概念也隨之越來越深入人心。人工智能研究的一個主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。通常，計(jì)算機(jī)的數(shù)學(xué)基礎(chǔ)包括統(tǒng)計(jì)學(xué)，信息論和控制論，當(dāng)然還包括一些非數(shù)學(xué)學(xué)科。長期的工作中，計(jì)算機(jī)往往只是始終如一的運(yùn)用這些知識來進(jìn)行工作，基本上只是依靠以前的“經(jīng)驗(yàn)”。所謂人工智能，就是指能讓計(jì)算機(jī)像人腦一樣去工作，不僅僅是能夠連續(xù)式學(xué)習(xí)，更要在工作的過程中，學(xué)會跳躍式學(xué)習(xí)，也就是能過像人類一樣，獲得頓悟或是靈感。一直以來，計(jì)算機(jī)通常只能靠經(jīng)驗(yàn)來工作，很難會“頓悟”，也就是很難獲得較大的技能提高。人類的實(shí)踐過程同時包括經(jīng)驗(yàn)和創(chuàng)造。這正是智能化工作者夢寐的東西。近幾十年來，人工智能日益發(fā)展，技術(shù)日趨成熟，研究成果也日趨豐富。例如2013年，帝金數(shù)據(jù)普數(shù)中心數(shù)據(jù)研究員SCWANG開發(fā)了一種新的數(shù)據(jù)分析方法，該方法導(dǎo)出了研究函數(shù)性質(zhì)的新方法。作者發(fā)現(xiàn)，新數(shù)據(jù)分析方法給計(jì)算機(jī)學(xué)會“創(chuàng)造”提供了一種方法。二、人工智能的科學(xué)范疇二、人工智能的科學(xué)范疇現(xiàn)在，人工智能已構(gòu)成信息技術(shù)領(lǐng)域的一個重要的學(xué)科。該學(xué)科研究如何使機(jī)器具有智能或者說如何利用計(jì)算機(jī)實(shí)現(xiàn)智能的理論、方法和技術(shù)，所以，人工智能既屬于計(jì)算機(jī)科學(xué)技術(shù)的一個前沿領(lǐng)域，也屬于信息處理和自動化技術(shù)的一個前沿領(lǐng)域。但由于其研究內(nèi)容涉及到“智能”，因此，人工智能不僅局限于計(jì)算機(jī)、信息和自動化等學(xué)科，還涉及到智能學(xué)科、認(rèn)知科學(xué)、語言學(xué)、邏輯學(xué)、教育科學(xué)、系統(tǒng)教學(xué)、數(shù)理科學(xué)等眾多學(xué)科領(lǐng)域。人工智能是一門綜合性的交叉學(xué)科和邊緣學(xué)科。三、人工智能的研究內(nèi)容三、人工智能的研究內(nèi)容人工智能的研究內(nèi)容可以歸納為搜索與求解、學(xué)習(xí)與發(fā)現(xiàn)、知識與推理、發(fā)明與創(chuàng)造、感知與交流、記憶與聯(lián)想、系統(tǒng)與建設(shè)、應(yīng)用于工程等八個方面。從研究對象來說，人工智能涉及三個相對獨(dú)立的域，即（1）研究會讀和說的計(jì)算機(jī)程序，也就是通常稱為“自然語言處理”領(lǐng)域；（2）研制靈敏的機(jī)器，通過設(shè)計(jì)出具有視覺和聽覺程序化的機(jī)器人，在活動時能識別不斷改變的環(huán)境；（3）開發(fā)用符號識別來模擬人類專家行為的程序，即專家系統(tǒng)。但是，從研究的性質(zhì)來說，人工智能一般可分為理論研究和工程研究兩個方面。理論研究主要是對有關(guān)開發(fā)和理解人和機(jī)器智能方面理論進(jìn)行研究和探索而工程研2在工程領(lǐng)域的應(yīng)用（1）醫(yī)學(xué)專家系統(tǒng)是人工智能和專家系統(tǒng)理論和技術(shù)在醫(yī)學(xué)領(lǐng)域的重要應(yīng)用，具有極大的科研和應(yīng)用價值，它可以幫助醫(yī)生解決復(fù)雜的醫(yī)學(xué)問題，作為醫(yī)生診斷、治療的輔助工具。目前，醫(yī)學(xué)智能系統(tǒng)已通過其在醫(yī)學(xué)影像方面的重要作用，從而應(yīng)用于內(nèi)科、骨科等多個醫(yī)學(xué)領(lǐng)域中，并在不斷發(fā)展完善中。（2）地質(zhì)勘探、石油化工等領(lǐng)域是人工智能的主要作用發(fā)揮領(lǐng)地。1978年美國斯坦福國際研究所就研發(fā)制成礦藏勘探和評價專家系統(tǒng)“PROSPECT”，該系統(tǒng)用于勘探評價、區(qū)域資源估值和鉆井井位選擇等，是工業(yè)領(lǐng)域的首個人工智能專家系統(tǒng)，其發(fā)現(xiàn)了一個鉬礦沉積，價值超過1億美元。3在技術(shù)研究中的應(yīng)用（1）在超聲無損檢測NDT與無損評價NDE領(lǐng)域中，目前主要廣泛采用專家系統(tǒng)方法對超聲損傷UT中缺陷的性質(zhì)、形狀和大小進(jìn)行判斷和歸類；專家運(yùn)用超聲無損檢測儀器，以其高精度的運(yùn)算、控制和邏輯判斷力代替大量人的體力與腦力勞動，減少了任務(wù)因素造成的無擦，提高了檢測的可靠性，實(shí)現(xiàn)了超聲檢測和評價的自動化、智能化。（2）人工智能在電子技術(shù)領(lǐng)域的應(yīng)用可謂由來已久。隨著網(wǎng)絡(luò)的迅速發(fā)展，網(wǎng)絡(luò)技術(shù)的安全是我們關(guān)心的重點(diǎn)，因此我們必須在傳統(tǒng)技術(shù)的基礎(chǔ)上進(jìn)行網(wǎng)絡(luò)安全技術(shù)的改進(jìn)和變更，大力發(fā)展數(shù)據(jù)挖掘技術(shù)、人工免疫技術(shù)等高效的AI技術(shù)，開發(fā)更高級AI通用和專用語言，和應(yīng)用環(huán)境以及開發(fā)專用機(jī)器，而與人工智能技術(shù)則為我們提供了可能性。七、人工智能的發(fā)展方向七、人工智能的發(fā)展方向1專家系統(tǒng)是目前人工智能中最活躍、最有成效的一個研究領(lǐng)域，它是一種具有特定領(lǐng)域內(nèi)大量知識與經(jīng)驗(yàn)的程序系統(tǒng)。近年來，在“專家系統(tǒng)”或“知識工程”的研究中已出現(xiàn)了成功和有效應(yīng)用人工智能技術(shù)的趨勢。2智能信息檢索技術(shù)的飛速發(fā)展。人工智能在網(wǎng)絡(luò)信息檢索中的應(yīng)用，主要表現(xiàn)在1如何利用計(jì)算機(jī)軟硬件系統(tǒng)模仿、延伸與擴(kuò)展人類智能的理論、方法和技術(shù)。2由于網(wǎng)絡(luò)知識信息既包括規(guī)律性的知識，如一般原理概念，也包括大量的經(jīng)驗(yàn)知識這些知識不可避免地帶有模糊性、隨機(jī)性、不可靠性等不確定性因素對其進(jìn)行推理，需要利用人工智能的研究成果。3SOAR是一種通用智能體系結(jié)構(gòu)，其始終處在人工智能研究的前沿，已顯示出強(qiáng)大的問題求解能力，它認(rèn)為機(jī)器人的開發(fā)是人工智能應(yīng)用的重要領(lǐng)域。八、強(qiáng)弱對比八、強(qiáng)弱對比1強(qiáng)人工智能強(qiáng)人工智能觀點(diǎn)認(rèn)為有可能制造出真正能推理和解決問題的智能機(jī)器，并且，這樣的機(jī)器能將被認(rèn)為是有知覺的，有自我意識的。強(qiáng)人工智能可以有兩類（1）類人的人工智能，即機(jī)器的思考和推理就像人的思維一樣。（2）非類人的人工智能，即機(jī)器產(chǎn)生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。2弱人工智能弱人工智能觀點(diǎn)認(rèn)為不可能制造出能真正地推理和解決問題的智能機(jī)器，這些機(jī)器只不過看起來像是智能的，但是并不真正擁有智能，也不會有自主意識。主流科研集中在弱人工智能上，并且一般認(rèn)為這一研究領(lǐng)域已經(jīng)取得可觀的成就。強(qiáng)人工智能的研究則處于停滯不前的狀態(tài)下。結(jié)論與看法結(jié)論與看法人工智能的研究內(nèi)容與應(yīng)用領(lǐng)域之廣，決定了人工智能在將來的各個工作領(lǐng)域得到大展手腳的機(jī)會，是未來社會發(fā)展的趨勢。為此，需要我們一代代人去為之努力奮斗。不僅要在弱人工智能上取得突破，更要努力在強(qiáng)人工智能上做出一些較大的進(jìn)取。對于人工智能，現(xiàn)在與將來同樣會有很多人為之付出或多或少的精力，為了更加美好的明天。期待著將來人工智能能更好地融入到社會的各個方面，造福于人類。

簡介：NOWADAYSWITHTHERAPIDDEVELOPMENTOFINFMATIONTECHNOLOGYINTERELECTRONICCOMMERCEHAVEBEENVERYPOPULARINOURDAILYLIVESFEXAMPLEITISFASHIONABLEFYOUNGSTERSTOPURCHASEDAILYESSENTIALSSUCHASBOOKSCLOTHESELECTRICALEQUIPMENTONSOMEFAMOUSWEBSITELIKETAOBAOEBAYALIBABATHROUGHMANYCOURIERCOMPANIESASWEALLKNOWNONLINESHOPPINGHASMANYADVANTAGESFIRSTLYONLINESHOPPINGISMECONVENIENTTHANTRADITIONALMEANSWECANFINDASHOPWITHSOMANYGOODSTHATWEMAYFAVWHILEALLTHESEJUSTNEEDCLICKINGOURMOUSETYPINGINTHEKEYWDOFWHATWEWANTTOFINDITALSOSAVESOURAGREATSOMEOFTIMESECONDLYMECHOICESTHANREALSTEAREANOTHERATTRACTIONTOCUSTOMERSONLINESHOPPINGCANPROVIDEMASSINFMATIONABOUTPRODUCTSWHICHCANBESUITFCUSTOMERSNEEDSTASTESPREFERENCESTHIRDLYASWITHOUTTRADITIONALWAREHOUSESRETAILSHOPSONLINESHOPPINGHASCANMAKEUSGAINLOWERCOSTSPRICESHOWEVERINSPITEOFITSADVANTAGESWECANTTURNABLINDEYETOITSDISADVANTAGESOBVIOUSLYQUALITYPROBLEMISITSFIRSTDISADVANTAGECUSTOMERSALWAYSBUYFAKECOMMODITIESWHICHARENOTDESCRIBEDASONLINESHOPSINADDITIONITSTROUBLESOMEANNOYINGFUSTOMAKEACHANGEWHENTHEYARENOTSATISFIEDWITHWHATWEBOUGHTONLINETHESECONDDISADVANTAGEISSECURITYISSUESWHENWESHOPONLINEWENEEDPAYFTHECOMMODITIESBYELECTRONICPAYMENTSBUTHACKERSCANINVADELIFEWEAREALWAYSATTRACTEDBYOTHERTHINGSWHICHARENOTRELEVANTTOOURDREAMSISTILLREMEMBERTHATBECOMINGANELECTRONICSENGINEERWASMYDREAMIHADASTRONGCURIOSITYTOELECTRONICSESPECIALLYLIKEELECTRICTOYCARRADIOROBOTIWASINFLUENCEDDEEPLYBYSOMECARTOONSLIKETHEJAPANESEANIMEBUTIBECOMEANEMPLOYEEINACOMPANYWHONEEDDOTHINGSWHICHARENOTABOUTMYMAJTHEDREAMOFMYCHILDHOODHASIMMERSEDINHEARTITSJUSTABEAUTIFULIDEALWHICHONLYCOMESOUTINMYSLEEPHAVINGADREAMISNOTDIFFICULTBUTHOWTOMAKEITCOMETRUEISVERYHARDTOREALIZEMYDREAMITRIEDMYBESTTOLEARNWHENIENTEREDAUNIVERSITYICHOSETHEAUTOMATIONSPECIALTYBECAUSEITWASCLOSERTOMYDREAMWHENIGRADUATEDFROMTHEUNIVERSITYIWASAWAREOFTHATIHADTOFINDAJOBTOMAKEALIVINGDREAMISNOTREALITYITSJUSTADREAMWHICHWILLALWAYSBETHEBOTTOMOFMYHEARTNOWADAYSARTIFICIALINTELLIGENCEWHICHISBECOMINGMEMEFAMILIARWITHUSWITHTHEDEVELOPMENTOFSCIENCETECHNOLOGYISINFILTRATINGINTOOURDAILYLIFEGRADUALLYITBRINGSGREATCONVENIENCEPROGRESSTOOURSOCIETYALTHOUGHWEDONTHAVEAGREATKNOWLEDGEABOUTTHESPECIFICCONTENTOFARTIFICIALINTELLIGENCEWEENJOYTHECONVENIENCEBENEFITTHATARTIFICIALINTELLIGENCEBRINGSTOUSWECAN

簡介：一、單選題1人工智能的目的是讓機(jī)器能夠（D），以實(shí)現(xiàn)某些腦力勞動的機(jī)械化。A具有完全的智能B和人腦一樣考慮問題C完全代替人D模擬、延伸和擴(kuò)展人的智能2下列關(guān)于人工智能的敘述不正確的有（C）。A人工智能技術(shù)它與其他科學(xué)技術(shù)相結(jié)合極大地提高了應(yīng)用技術(shù)的智能化水平。B人工智能是科學(xué)技術(shù)發(fā)展的趨勢。C因?yàn)槿斯ぶ悄艿南到y(tǒng)研究是從上世紀(jì)五十年代才開始的，非常新，所以十分重要。D人工智能有力地促進(jìn)了社會的發(fā)展。3自然語言理解是人工智能的重要應(yīng)用領(lǐng)域，下面列舉中的（C）不是它要實(shí)現(xiàn)的目標(biāo)。A理解別人講的話。B對自然語言表示的信息進(jìn)行分析概括或編輯。C欣賞音樂。D機(jī)器翻譯。4下列不是知識表示法的是（）。A計(jì)算機(jī)表示法B謂詞表示法C框架表示法D產(chǎn)生式規(guī)則表示法5關(guān)于“與或”圖表示知識的敘述，錯誤的有（D）。A用“與或”圖表示知識方便使用程序設(shè)計(jì)語言表達(dá)，也便于計(jì)算機(jī)存儲處理。B“與或”圖表示知識時一定同時有“與節(jié)點(diǎn)”和“或節(jié)點(diǎn)”。C“與或”圖能方便地表示陳述性知識和過程性知識。D能用“與或”圖表示的知識不適宜用其他方法表示。6一般來講，下列語言屬于人工智能語言的是（D）。AVJBCCFOXPRODLISP7專家系統(tǒng)是一個復(fù)雜的智能軟件，它處理的對象是用符號表示的知識，處理的過程是（C）的過程。A思考B回溯C推理D遞歸8確定性知識是指（A）知識。A可以精確表示的B正確的C在大學(xué)中學(xué)到的知識D能夠解決問題的9下列關(guān)于不精確推理過程的敘述錯誤的是（B）。A不精確推理過程是從不確定的事實(shí)出發(fā)B不精確推理過程最終能夠推出確定的結(jié)論C不精確推理過程是運(yùn)用不確定的知識D不精確推理過程最終推出不確定性的結(jié)論D“與或”圖就是用“與”節(jié)點(diǎn)和“或”節(jié)點(diǎn)組合起來的樹形圖，用來描述某類問題的求解過程20一般來講，下列語言屬于人工智能語言的是（D）。AVBBPALCLOGODPROLOG21不確定推理過程的不確定性不包括（）。A證據(jù)的不確定性B規(guī)則的不確定性C推理過程的不確定性D知識表示方法的不確定性22下列關(guān)于不確定性知識描述錯誤的是（C）。A不確定性知識是不可以精確表示的B專家知識通常屬于不確定性知識C不確定性知識是經(jīng)過處理過的知識D不確定性知識的事實(shí)與結(jié)論的關(guān)系不是簡單的“是”或“不是”23能通過對過去和現(xiàn)在已知狀況的分析，推斷未來可能發(fā)生的情況的專家系統(tǒng)是（B）。A修理專家系統(tǒng)B預(yù)測專家系統(tǒng)C調(diào)試專家系統(tǒng)D規(guī)劃專家系統(tǒng)24PROLOG語言的三種基本語句是（C）。A順序；循環(huán)；分支B陳述；詢問；感嘆C事實(shí)；規(guī)則；詢問D肯定；疑問；感嘆25下列哪種情況是圖靈測試的內(nèi)容（B）A當(dāng)機(jī)器與人對話，兩者相互詢問，人分不清機(jī)器是人還是機(jī)器，說明它通過了圖靈測試B當(dāng)機(jī)器騙過測試者，使得詢問者分不清是人還是機(jī)器時，說明它通過了圖靈測試C當(dāng)人與人對話，其中一人的智力超過另一人時，說明智者通過了圖靈測試D兩機(jī)對話，其中一機(jī)的智力超過另一機(jī)時，說明智者機(jī)器通過了圖靈測試26人工智能誕生于哪一年（C）A1955B1957C1956D196527盲人看不到一切物體，他們可以通過辨別人的聲音識別人，這是智能的（B）方面。A行為能力B感知能力C思維能力D學(xué)習(xí)能力28人類智能的特性表現(xiàn)在4個方面（B）。A聰明、靈活、學(xué)習(xí)、運(yùn)用。B能感知客觀世界的信息、能對通過思維對獲得的知識進(jìn)行加工處理、能通過學(xué)習(xí)積累知識增長才干和適應(yīng)環(huán)境變化、能對外界的刺激作出反應(yīng)傳遞信息。C感覺、適應(yīng)、學(xué)習(xí)、創(chuàng)新。D能捕捉外界環(huán)境信息、能夠利用利用外界的有利因素、能夠傳遞外界信息、能夠

簡介：1第1章人工智能概述課后題答案11什么是智能智能包含哪幾種能力解解智能主要是指人類的自然智能。一般認(rèn)為，智能是是一種認(rèn)識客觀事物和運(yùn)用知識解決問題的綜合能力。智能包含感知能力，記憶與思維能力，學(xué)習(xí)和自適應(yīng)能力，行為能力12人類有哪幾種思維方式各有什么特點(diǎn)解人類思維方式有形象思維、抽象思維和靈感思維形象思維也稱直感思維，是一種基于形象概念，根據(jù)感性形象認(rèn)識材料，對客觀對象進(jìn)行處理的一種思維方式。抽象思維也稱邏輯思維，是一種基于抽象概念，根據(jù)邏輯規(guī)則對信息或知識進(jìn)行處理的理性思維形式。靈感思維也稱頓悟思維，是一種顯意識與潛意識相互作用的思維方式。13什么是人工智能它的研究目標(biāo)是什么解解從能力的角度講，人工智能是指用人工的方法在機(jī)器（計(jì)算機(jī)）上實(shí)現(xiàn)智能；從學(xué)科的角度看，人工智能是一門研究如何構(gòu)造智能機(jī)器或智能系統(tǒng)，使它能模擬、延伸和擴(kuò)展人類智能的學(xué)科。研究目標(biāo)對智能行為有效解釋的理論分析；解釋人類智能；構(gòu)造具有智能的人工產(chǎn)品；14什么是圖靈實(shí)驗(yàn)圖靈實(shí)驗(yàn)說明了什么解解圖靈實(shí)驗(yàn)可描述如下，該實(shí)驗(yàn)的參加者由一位測試主持人和兩個被測試對象組成。其中，兩個被測試對象中一個是人，另一個是機(jī)器。測試規(guī)則為測試主持人和每個被測試對象分別位于彼此不能看見的房間中，相互之間只能通過計(jì)算機(jī)終端進(jìn)行會話。測試開始后，由測試主持人向被測試對象提出各種具有智能性的問題，但不能詢問測試者的物理特征。被測試對象在回答問題時都應(yīng)盡量使測試者相信自己是“人”，而另一位是”機(jī)器”。在這個前提下，要求測試主持人區(qū)分這兩個被測試對象中哪個是人，哪個是機(jī)器。如果無論如何更換測試主持人和被測試對象的人，測試主持人總能分辨出人和機(jī)器的概率都小于50，則認(rèn)為該機(jī)器具有了智能。15人工智能的發(fā)展經(jīng)歷了哪幾個階段解解孕育期，形成期，知識應(yīng)用期，從學(xué)派分立走向綜合，智能科學(xué)技術(shù)學(xué)科的興起3第2章確定性知識系統(tǒng)參考答案21什么是知識有哪幾種主要的知識分類方法解解知識是人們在改造客觀世界的實(shí)踐中積累起來的認(rèn)識和經(jīng)驗(yàn)；知識是對信息進(jìn)行智能性加工中形成的對客觀世界規(guī)律性的認(rèn)識。分類按適用范圍常識性知識、領(lǐng)域性知識按作用效果陳述性知識、過程性知識、控制性知識按確定性確定性知識、不確定性知識22什么是知識表示知識表示有哪些要求解解知識表示就是對知識的描述，即用一些約定的符號把知識編碼成一組可以被計(jì)算機(jī)直接識別，并便于系統(tǒng)使用的數(shù)據(jù)結(jié)構(gòu)一介謂詞邏輯表示法非結(jié)構(gòu)化方法產(chǎn)生式陳述性知識表示語義網(wǎng)絡(luò)結(jié)構(gòu)化方法框架結(jié)構(gòu)知識表示方法過程性知識表示要求表示能力，可利用性，可組織性與可維護(hù)性，可理解性和可實(shí)現(xiàn)性23從心理學(xué)的角度看，推理有哪兩種比較典型的觀點(diǎn)它們的含義是什么解解結(jié)構(gòu)觀點(diǎn)這種觀點(diǎn)從結(jié)構(gòu)的角度出發(fā)，認(rèn)為推理由兩個以上判斷所組成，每個判斷所揭示的是概念之間的聯(lián)系和關(guān)系，推理過程是一種對客觀事物做出肯定或否點(diǎn)的思維活動。過程觀點(diǎn)這種觀點(diǎn)從過程的角度出發(fā)，認(rèn)為推理是在給定信息和已有知識的基礎(chǔ)上所進(jìn)行的一系列加工操作，其代表人物克茨提出了如下人類推理的公式Y(jié)F（X，K）式中，X是推理時給出的信息，K是推理時可用的領(lǐng)域知識和特殊事例，F(xiàn)是可用的一系列操作，Y是推理過程所得到的結(jié)論。24什么是推理它有哪些分類方法解解推理是由具體事例歸納出一般規(guī)律，或者根據(jù)已有的知識推出新的結(jié)論的思維過程分為演繹法和歸納法