1. 首頁 > 生活百科 > 科技 > >

|大多數人工智能程序都是相當復雜的對象，掌握其復雜性是一個主要的研究目標

|大多數人工智能程序都是相當復雜的對象，掌握其復雜性是一個主要的研究目標

文章圖片

|大多數人工智能程序都是相當復雜的對象，掌握其復雜性是一個主要的研究目標

文章圖片

|大多數人工智能程序都是相當復雜的對象，掌握其復雜性是一個主要的研究目標

文章圖片


許多人類的心理活動 ， 如寫計算機程序、做數學題、從事常識推理、理解語言 ， 甚至駕駛汽車 ， 這些都需要“智力” 。 在過去的幾十年里 ， 全球已經建立了幾個計算機系統 ， 可以執行這樣的任務 。 具體來說 ， 有一些計算機系統可以診斷疾病 ， 計劃復雜的有機化合物的合成 ， 以符號形式解決微分方程 ， 分析電子電路 ， 理解有限數量的人類語言和自然語言文本 ， 或編寫小的計算機程序來滿足正式的規范 。



我們可以說 ， 這種系統具有某種程度上的人工智能 。 構建這類系統的大部分工作都發生在人工智能領域進行 。 大多數人工智能程序都是相當復雜的對象 ， 掌握其復雜性是一個主要的研究目標 。 要對人工智能程序中存在的問題進行全面的研究 ， 就需要進行精確的形式化 ， 以便進行詳細的分析 ， 從而獲得令人滿意的解決方案 。 人工智能技術有潛力比任何傳統方法做出更好、更快、更實際的預測 。



人工智能由人工神經網絡、模糊邏輯、基于自適應網絡的模糊推理系統和數據挖掘等幾個分支組成 。 神經網絡是由并行操作的簡單元素組成的 ， 這些元素都是受到了生物神經系統的啟發 。 在本質上 ， 網絡的功能在很大程度上是由元素之間的連接所決定 ， 可以通過調整元素之間的連接值來訓練神經網絡來執行特定的功能 。 通常 ， 神經網絡經過調整或訓練 ， 使特定的輸入導致特定的目標輸出 。


【|大多數人工智能程序都是相當復雜的對象，掌握其復雜性是一個主要的研究目標】
在這里 ， 網絡根據輸出和目標之間的比較進行調整 ， 直到網絡輸出與目標匹配 。 通常需要許多這樣的輸入與輸出來訓練一個網絡 。 人工神經網絡已成功地應用于數學、工程學、醫學、經濟學、氣象學、心理學、神經學等各個領域 。 其中一些最重要的問題是在模式、聲音和語音識別、對肌電圖和其他醫療特征的分析、識別軍事目標和識別乘客行李箱中的爆炸物方面 。



它們還被用于天氣和市場趨勢預測、礦產勘探地點的預測、電力和熱負荷預測 ， 以及自適應和機器人控制 。 神經網絡被用于過程控制 ， 因為它們可以從傳感器常規收集的多維數據中建立過程的預測模型 。 該網絡通常由一個輸入層、一些隱藏層和一個輸出層組成 。 在其簡單的形式下 ， 每個神經元通過自適應的突觸權值與前一層的其他神經元連接起來 。 知識通常作為一組連接權重存儲 。



訓練是指利用合適的學習方法有序地修改連接權值的過程 。 網絡使用一種學習模式 ， 在該模式中 ， 將輸入與期望的輸出一起呈現給網絡 ， 并調整權重 ， 使網絡試圖產生期望的輸出 。 訓練后的權重包含有意義的信息 ， 而訓練前的權重是隨機的 ， 沒有任何意義 。 將這些數據加起來 ， 然后通過一個激活函數傳遞結果 。 對于每個傳出的連接 ， 這個激活值乘以特定的權重 ， 并轉移到下一個節點 。



模糊推理系統模型是通過將模糊邏輯和神經網絡的概念結合成一個統一的平臺而得到的一個混合框架 。 該模型具有用于系統識別的自適應網絡形式的模糊推理系統 ， 以及基于具有代表性的訓練數據集將給定的輸入空間映射到相應的輸出空間的預測工具 。 模糊推理系統依賴于模糊的人類知識和一組輸入輸出數據對來完成輸入輸出映射的過程 。

相關經驗推薦