關于人工智能的期末論文

　　人工智能(ArtificialIntelligence) ,英文縮寫為AI，也稱機器智能。“人工智能”一詞最初是在1956年Dartmouth學會上提出的。以下是學習啦小編精心整理的關于人工智能的期末論文的相關資料，希望對你有幫助!

　　關于人工智能的期末論文篇一

　　人工智能的現狀及今后發(fā)展趨勢展望

　　摘要：介紹了人工智能的概念及其目前發(fā)展概況,對人工智能的幾種類型及應用，如：模式識別、專家系統作了簡要的介紹。并對人工智能今后的發(fā)展前景進行了分析。

　　關鍵詞：人工智能

　　1引言

　　人工智能(ArtificialIntelligence) ,英文縮寫為AI，也稱機器智能。“人工智能”一詞最初是在1956年Dartmouth學會上提出的。它是計算機科學、控制論、信息論、神經生理學、心理學、語言學等多種學科互相滲透而發(fā)展起來的一門綜合性學科。從計算機應用系統的角度出發(fā)，人工智能是研究如何制造智能機器或智能系統，來模擬人類智能活動的能力，以延伸人們智能的科學。

　　2目前人工智能技術的研究和發(fā)展狀況

　　目前，人工智能技術在美國、歐洲和日本依然飛速發(fā)展。在AI技術領域十分活躍的IBM公司，已經為加州勞倫斯·利佛摩爾國家實驗室制造了ASCIWhite 電腦，號稱具有人腦的千分之一的智力能力，而正在開發(fā)的更為強大的新超級電腦—— “藍色牛仔”(Blue Jean)，據其研究主任保羅·霍恩稱， “藍色牛仔”的智力水平將大致與人腦相當。

　　3技術應用

　　隨著AI的技術的發(fā)展，現代幾乎各種技術的發(fā)展都涉及到了人工智能技術，可以說人工智能已經廣泛應用到許多領域，其典型的應用包括：

　　3.1符號計算

　　計算機最主要的用途之一就是科學計算,科學計算可分為兩類:一類是純數值的計算,例如求函數的值; 另一類是符號計算,又稱代數運算,這是一種智能化的計算, 處理的是符號。符號可以代表整數、有理數、實數和復數,也可以代表多項式,函數,集合等。隨著計算機的普及和人工智能的發(fā)展,相繼出現了多種功能齊全的計算機代數系統軟件, 其中Mathematic和Maple 是它們的代表，由于它們都是用C 語言寫成的, 所以可以在絕大多數計算機上使用。

　　3.2模式識別

　　模式識別就是通過計算機用數學技術方法來研究模式的自動處理和判讀。這里,我們把環(huán)境與客體統稱為“模式”。網。用計算機實現模式(文字、聲音、人物、物體等)的自動識別，是開發(fā)智能機器的一個關鍵的突破口，也為人類認識自身智能提供線索。計算機識別的顯著特點是速度快、準確性和效率高。識別過程與人類的學習過程相似。以“語音識別”為例： 語音識別就是讓計算機能聽懂人說的話，一個重要的例子就是七國語言(英、日、意、韓、法、德、中)口語自動翻譯系統。該系統實現后，人們出國預定旅館、購買機票、在餐館對話和兌換外幣時，只要利用電話網絡和國際互聯網，就可用手機、電話等與“老外”通話。

　　3.3機器翻譯

　　機器翻譯是利用計算機把一種自然語言轉變成另一種自然語言的過程，用以完成這一過程的軟件系統叫做機器翻譯系統。目前，國內的機器翻譯軟件不下百種，根據這些軟件的翻譯特點，大致可以分為三大類：詞典翻譯類、漢化翻譯類和專業(yè)翻譯類。詞典類翻譯軟件代表是“金山詞霸”了，堪稱是多快好省的電子詞典，它可以迅速查詢英文單詞或詞組的詞義，并提供單詞的發(fā)音，為用戶了解單詞或詞組含義提供了極大的便利。漢化翻譯軟件的典型代表是“東方快車2000”，它首先提出了“智能漢化”的概念，使翻譯軟件的輔助翻譯作用更加明顯。

　　3.4機器學習

　　機器學習是機器具有智能的重要標志，同時也是機器獲取知識的根本途徑。有人認為，一個計算機系統如果不具備學習功能，就不能稱其為智能系統。機器學習主要研究如何使計算機能夠模擬或實現人類的學習功能。機器學習是一個難度較大的研究領域，它與認知科學、神經心理學、邏輯學等學科都有著密切的聯系，并對人工智能的其他分支，如專家系統、自然語言理解、自動推理、智能機器人、計算機視覺、計算機聽覺等方面，也會起到重要的推動作用。

　　3.5問題求解

　　人工智能的第一大成就是下棋程序,在下棋程度中應用的某些技術,今天的計算機程序已能夠達到下各種方盤棋和國際象棋的錦標賽水平。但是,尚未解決包括人類棋手具有的但尚不能明確表達的能力。如國際象棋大師們洞察棋局的能力。網。另一個問題是涉及問題的原概念,在人工智能中叫問題表示的選擇,人們常能找到某種思考問題的方法,從而使求解變易而解決該問題。到目前為止,人工智能程序已能知道如何考慮它們要解決的問題,即搜索解答空間,尋找較優(yōu)解答。

　　3.6邏輯推理與定理證明

　　邏輯推理是人工智能研究中最持久的領域之一,其中特別重要的是要找到一些方法,只把注意力集中在一個大型的數據庫中的有關事實上,留意可信的證明,并在出現新信息時適時修正這些證明。醫(yī)療診斷和信息檢索都可以和定理證明問題一樣加以形式化。因此,在人工智能方法的研究中定理證明是一個極其重要的論題。

　　3.7自然語言處理

　　自然語言的處理是人工智能技術應用于實際領域的典型范例,經過多年艱苦努力,這一領域已獲得了大量令人注目的成果。目前該領域的主要課題是:計算機系統如何以主題和對話情境為基礎,注重大量的常識——世界知識和期望作用,生成和理解自然語言。這是一個極其復雜的編碼和解碼問題。

　　3.8分布式人工智能

　　分布式人工智能在20世紀70年代后期出現，是人工智能研究的一個重要分支。分布式人工智能系統一般由多個Agent(智能體)組成，每一個Agent又是一個半自治系統，Agent之間以及Agent與環(huán)境之間進行并發(fā)活動，并通過交互來完成問題求解。

　　3.9計算機視覺

　　計算機視覺是一門用計算機實現或模擬人類視覺功能的新興學科。其主要研究目標是使計算機具有通過二維圖像認知三維環(huán)境信息的能力，這種能力不僅包括對三維環(huán)境中物體形狀、位置、姿態(tài)、運動等幾何信息的感知，而且還包括對這些信息的描述、存儲、識別與理解。

　　目前，計算機視覺已在人類社會的許多領域得到成功應用。例如，在圖像、圖形識別方面有指紋識別、染色體識字符識別等;在航天與軍事方面有衛(wèi)星圖像處理、飛行器跟蹤、成像精確制導、景物識別、目標檢測等;在醫(yī)學方面有圖像的臟器重建、醫(yī)學圖像分析等;在工業(yè)方面有各種監(jiān)測系統和生產過程監(jiān)控系統等。

　　3.10智能信息檢索技術

　　信息獲取和精化技術已成為當代計算機科學與技術研究中迫切需要研究的課題,將人工智能技術應用于這一領域的研究是人工智能走向廣泛實際應用的契機與突破口。

　　3.11專家系統

　　專家系統是目前人工智能中最活躍、最有成效的一個研究領域,它是一種具有特定領域內大量知識與經驗的程序系統。近年來,在“專家系統”或“知識工程”的研究中已出現了成功和有效應用人工智能技術的趨勢。人類專家由于具有豐富的知識,所以才能達到優(yōu)異的解決問題的能力。那么計算機程序如果能體現和應用這些知識,也應該能解決人類專家所解決的問題,而且能幫助人類專家發(fā)現推理過程中出現的差錯,現在這一點已被證實。如在礦物勘測、化學分析、規(guī)劃和醫(yī)學診斷方面,專家系統已經達到了人類專家的水平。

　　4　目前人工智能發(fā)展中所面臨的難題

　　人工智能(A I) 學科自1956 年誕生至今已走過50 多個年頭, 就研究解釋和模擬人類智能、智能行為及其規(guī)律這一總目標來說, 已經邁出了可喜的一步, 某些領域已取得了相當的進展。但從整個發(fā)展的過程來看, 人工智能發(fā)展曲折, 而且還面臨不少難題，主要有以下幾個方面：

　　4.1　計算機博弈的困難

　　博弈是自然界的一種普遍現象。它表現在對自然界事物的對策或智力競爭上。博弈不僅存在于下棋之中, 而且存在于政治、經濟; 軍事和生物的斗智和競爭之中。盡管西洋跳棋和國際象棋的計算機程序已經達到了相當高的水平, 然而計算機博弈依然面臨著巨大的困難。這主要表現在以下兩個方面的問題。其一是組合爆炸問題, 狀態(tài)空間法是人工智能中基本形式化方法。若用博弈樹來表示狀態(tài)空間, 對于幾種常見的棋類, 其狀態(tài)空間都大得驚人, 例如, 西洋跳棋為10 的40 次方,國際象棋為10 的120 次方, 圍棋則是10 的700 次方。如此巨大的狀態(tài)空間, 現有計算機是很難忍受的。其二是現在的博弈程序往往是針對二人對弈, 棋局公開,有確定走步的一類棋類進行研制的。而對于多人對弈, 隨機性的博弈這類問題, 至少目前計算機還是難以模擬實現的。

　　4.2　機器翻譯所面臨的問題

　　在計算機誕生的初期, 有人提出了用計算機實現自動翻譯的設想。目前機器翻譯所面臨的問題仍然是1964 年語言學家黑列爾所說的構成句子的單詞和歧義性問題。歧義性問題一直是自然語言理解(NLU ) 中的一大難關。同樣一個句子在不同的場合使用, 其含義的差異是司空見慣的。因此, 要消除歧義性就要對原文的每一個句子及其上下文, 尋找導致歧義的詞和詞組在上下文中的準確意義。然而, 計算機卻往往孤立地將句子作為理解單位。另外, 即使對原文有了一定的理解, 理解的意義如何有效地在計算機里表示出來也存在問題。目前的NLU 系統幾乎不能隨著時間的增長而增強理解力, 系統的理解大都局限于表層上, 沒有深層的推敲, 沒有學習, 沒有記憶, 更沒有歸納。導致這種結果的原因是計算機本身結構的問題和研究方法的問題?，F在NLU 的研究方法很不成熟, 大多數研究局限在語言這一單獨的領域, 而沒有對人們是如何理解語言這個問題作深入有效的探討。

　　4.3　自動定理證明和GPS 的局限

　　自動定理證明的代表性工作是1965 年魯賓遜提出的歸結原理。歸結原理雖然簡單易行, 但它所采用的方法是演繹,而這種形式上的演繹與人類自然演繹推理方法是截然不同的。基于歸結原理演繹推理要求把邏輯公式轉化為子句集合,從而喪失了其固有的邏輯蘊涵語義。前面曾提到過的GPS 是企圖實現一種不依賴于領域知識, 求解人工智能問題的通用方法。GPS 想擺脫對問題內部表達形式的依賴, 但是問題的內部表達形式的合理性是與領域知識密切相關的。不管是用一階謂詞邏輯進行定理證明的歸結原理, 還是求解人工智能問題的通用方法GPS, 都可以從中分析出表達能力的局限性, 而這種局限性使得它們縮小了其自身的應用范圍。

　　4.4　模式識別的困惑

　　雖然使用計算機進行模式識別的研究與開發(fā)已取得大量成果,有的已成為產品投入實際應用, 但是它的理論和方法與人的感官識別機制是全然不同的。人的識別手段形象思維能力, 是任何最先進的計算機識別系統望塵莫及的,另一方面, 在現實世界中, 生活并不是一項結構嚴密的任務一般家畜都能輕而易舉地對付, 但機器不會, 這并不是說它們永遠不會, 而是說目前不會。”

　　5人工智能的發(fā)展前景。

　　5.1人工智能的發(fā)展趨勢

　　技術的發(fā)展總是超乎人們的想象，要準確地預測人工智能的未來是不可能的。但是，從目前的一些前瞻性研究可以看出未來人工智能可能會向以下幾個方面發(fā)展:模糊處理、并行化、神經網絡和機器情感。

　　5.2　人工智能的發(fā)展?jié)摿薮?/p>

　　人工智能作為一個整體的研究才剛剛開始, 離我們的目標還很遙遠。但人工智能在某些方面將會有圈套的突破。

　　(1)自動推理人工智能最經典的研究分支, 其基本理論是人工智能其它分支的共同基礎。一直以來自動推理都是人工智能研究的最熱門內容之一, 其中知識系統的動態(tài)演化特征及可行性推理的研究是最新的熱點, 很有可能取得大的突破。

　　(2)機器學習的研究取得長足的發(fā)展。許多新的學習方法相繼問世并獲得了成功的應用,如增強學習算法、reinforcement learning 等。也應看到, 現有的方法處理在線學習方面尚不夠有效, 尋求一種新的方法,以解決移動機器人、自主agent、智能信息存取等研究中的在線學習問題是研究人員共同關心的問題, 相信不久會在這引起方面取得突破。

　　(3)自然語言處理是A I 技術應用于實際領域的典型范例, 經過A I 研究人員的艱苦努力,這一領域已獲得了大量令人注目的理論與應用成果。許多產品已經進入了眾的智能信息檢索技術在Internet 技術的影響下,近年來迅猛發(fā)展, 已經成為了A I 的一個獨立研究分支。由于信息獲取與精化技術已成為當代計算機科學與技術研究中迫切需要研究的課題,將A I 技術應用于這一領域的研究是人工智能走向應用的契機與突破口。網。從近年的人工智能發(fā)展來看,這方面的研究已取得了可喜的進展。

　　6結束語

　　人工智能一直處于計算機技術的前沿，人工智能研究的理論和發(fā)現在很大程度上將決定計算機技術的發(fā)展方向。今天，已經有很多人工智能研究的成果進入人們的日常生活。將來，人工智能技術的發(fā)展將會給人們的生活、工作和教育等帶來更大的影響。

下一頁分享更優(yōu)秀的<<<關于人工智能的期末論文