人工智能报告
学号： 姓名： 专业： 指导老师：
目录
1. 概述 ................................................................................................... 3
2. 人工智能原理 ................................................................................... 4
2.1 知识和知识的表示 ..................................................................... 4
2.1.1知识的概念 ......................................................................... 4
2.1.2知识表达及其映像原理 ..................................................... 5
2.2常用知识表示法 .......................................................................... 7
2.2.1一阶谓词逻辑表示法 ......................................................... 7
2.2.2产生式表示法 ..................................................................... 8
2.2.3 语义网络表达式 ................................................................ 9
2.2.4框架表式式 ....................................................................... 10
2.3推理 ........................................................................................... 12
2.3.1推理的概念与类型 ........................................................... 12
2.3.2演绎推理、归纳推理、默认推理 .................................... 12
2.3.3确定性推理、不确定性推理 ........................................... 13
2.3.4单调推理、非单调推理 ................................................... 13
3．人工智能的应用 ............................................................................. 14
3.1专家系统 ................................................................................... 14
3.2人工神经网络 ........................................................................... 15
3.3机器人学 ................................................................................... 16
参考文献 ............................................................................................... 17
1. 概述
人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。“人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在计算机不但能完成这种计算, 而且能够比人脑做得更快、更准确，因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”, 可见复杂工作的定义是随着时代的发展和技术的进步而变化的, 人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算
机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、 知识处理系统、自然语言理计算机视觉、智能机器人、自动程序设计等方。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。
2. 人工智能原理
2.1知识和知识的表示
2.1.1知识的概念
知识是人类世界特有的概念，他是人类对客观世界的一种比较准确、全面的认识和理解的结晶。
(1) 知识只有相对正确的特性。
常言道：实践出真理。只是源于人们生活、学习与工作的实践，知识是人们在信息社会中各种实践经验的汇集、智慧的概括与积累。
只是爱源于人们对客观世界运动规律的正确认识，是从感知认识上升成为理性认识的高级思维劳动过程的结晶，故相应于一定的客观
环境与条件下，只是无疑是正确的。然而当客观环境与条件发生改变时，知识的正确性就接受检验，必要时就要对原来的认识加以修改和补充，一至全部更新而取而代之。
(2) 知识的确定与不确定性
如前说述，知识有若干信息关联的结构组成，但是，其中有的信息是精确的，有的信息却是不精确的。这样，则由该信息结构形成的知识也有了确定与不确定的特征。
例如，在我国中南地区，根据天上出现彩虹的方向及其位置，可以预示天气的变化。有谚语曰：“东边日（晴天），西边雨。”但是，这只是一种常识性经验，并不能完全肯定或否定。
再如：家有一头秀发，一时两鬓如霜。我们则认为家一定是年轻人，乙就是老年人嘛？不能完全肯定，因为相反的事例是很多的。比如，当年的白毛女就不是老人，而现在六十多岁的演员有一头黑发也不足为奇。
2.1.2知识表达及其映像原理
智能机器系统如同智能生物一样，在运用知识进行信息交流或只能问题求解时，都需要预先进行知识表示。进而实现知识调用，达到利用知识求解问题的目的。因而只是表示是知识信息处理系统必不可少的关键环节。
对智能机器系统而言,只是表示，实际上就是对知识的一种描述或约定。其本质，就是采用某种技术模式，八所要求解决的问题的相
关知识，映射为一种便于找到该问题解的数据结构。
对知识进行表示的过程，实质上就是把相关只是映射（或称为变换：Transformation；或称为映像：Mapping；或称为编码：Coded）为该数据结构的过程。如图:
图只是表达及其映射原理
如图，其目标是要对复杂的智能性问题实现机器求解，但机器直接对原始问题求解难度很大，可采用知识表达的映射原理，把原始问题映射为它的一种同构或同态问题，然后在对同构或同态问题求出它的解答，则相对容易而方便。
顺便指出：同构解答与原始问题有相同的形式解，然而对于同态问题，如果得到原始解，只需对同台解答再施行反运算即可。在自然科学实际应用研究中，利用映射（称之为变换）原理迂回求解的思想，是一种非常有效而广为使用的重要手段。
目前比较常见的知识表达方法主要有：常用的知识表示方法：一阶谓词逻辑表示法，产生式表示法，框架表示法，语义网络表示法，脚本表示法，过程表示法，面向对象表示法，神经网络表示法。如图
图只是表达法的基本框架
2.2常用知识表示法
2.2.1一阶谓词逻辑表示法
一阶谓词逻辑表示法是目前应用最广的方法之一，在AI系统上已经得到了应用。它是通过分析命题内容和谓词逻辑，尽可能正确地表述它的各种意境的过程。知识的谓词逻辑表示符合人的思维习惯，可读性好，逻辑关系表达简便。使用谓词逻辑既便于表达概念、状态、属性等事实性知识，又能方便地采用谓词公式的表达形式，进行各种智能行为的过程性描述与演绎推理。
一阶谓词的一般形式为P(x1，x2，?，xn) 其中P是谓词名，xi为个体常量、变元，或函数。
例如：STUDENT(zhangsan)：zhangsan是学生STUDENT(x)：x是学生Greater(x，5)：x>5TEACHER(father(Wanghong))：王宏的父亲是教师。 在一阶谓词表示法中连接词是非常重要的其中：
连接词：?、∨、∧、→、?
量词：?、?
(?x)P(x)为真、为假的定义
(?x)P(x)为真、为假的定义
结合具体事例可以看到一阶谓词逻辑在知识表示法中的优越性： 李明是计算机系的学生，但他不喜欢编程。
定义谓词：
COMPUTER(x):x是计算机系的学生
LIKE(x,y):x喜欢y
谓词公式为：
LIKE(liming，programming)?COMPUTER(liming) ∧
谓词逻辑是一种传统经典也是最基本的形式化方法。谓词逻辑知识表示:规范性严，逻辑性强，自然性好，推理过程严密，易于实现。这些优良特性使得谓词逻辑最早用于人工智能机器定理证明，并获得了成功。但是必须看到，谓词逻辑属于标准的二值（T与F）逻辑，难以直接进行不确定性问题的处理。对于复杂系统的求解问题，容易陷入冗长演绎推理中，常常不可避免地带来求解效率低,甚至产生“组合爆炸”问题。因此，针对谓词逻辑，尚待人们不断加以改进，以便寻求自然性好而效率更高的技术方法。
2.2.2产生式表示法
目前，产生式表示方法是专家系统的第一选择的知识表达方式。是美国数学家Post在19xx年提出了一种计算形式体系里所使用的术
语。产生式表示的基本形式为：
（1）确定性知识的表示：
产生式形式： P→Q或者IF P THEN Q 它的含义：如果前提P满足，则可以推出结论Q或执行Q操作。例如：
IF CLEAR(B) AND HANDEMPTYTHEN Pickup(B)
如果积木B上是空的，且机械手空，则机械手从桌面上抓起积木B。
（2）不确定知识的表示：
产生式形式：P→Q （置信度）或者IF P THEN Q（置信度） 在不确定推理中，当已知事实与前提P不能精确匹配时，只要按照“置信度”的要求达到一定的相似度，就认为已知事实与前提条件相匹配，再按照一定的算法将这种可能性（不确定性）传递到结论Q。
产生式表示法其优点在于模块性。规则与规则之间相互独立灵活性。知识库易于增加、修改、删除自然性。方便地表示专家的启发性知识与经验透明性。易于保留动作所产生的变化、轨迹，但仍有不少缺点：知识库维护难。效率低。为了模块一致性理解难。由于规则一致性彼此之间不能调用。
2.2.3 语义网络表达式
语义网络是人工智能常用的知识表示法之一。是一种使用概念及其语义关系来表达知识的有向图。它作为人类联想记忆的一个显示心理学模型，是由J.R.Quillian于19xx年在他的博士论文中首先提出，并用于自然语言处理。语义网络结构共使用了三种图形符号：框、带
箭头及文字标识的线条和文字标识线。分别称为:
（1）节(结)点; 弧(又叫做边或支路); 指针。
（2）节点(Node)：也称为结点。用圆形、椭圆、菱形或长方形的框图来表示，用来表示事物的名称、概念、属性、情况、动作、状态等。
（3）弧(Arc)：这是一种有向弧，又称之为支路（Branch）。节点之间用带箭头及文字标识的有向线条来联结，用以表示事物之间的结构，即语义关系。
（4）指针(Pointer)：也叫指示器。是在节点或者弧线的旁边，另外附加必要的线条及文字标识，用来对节点、弧线和语义关系作出相宜的补充、解释与说明。
语义网络是一种结构化知识表示方法，具有表达直观，方法灵活，容易掌握和理解的特点。概括起来，主要优点在于采用语义关系的有向图来连接，语义、语法、词语应用兼顾，具有描述生动，表达自然，易于理解等。
虽然语义网络知识表示和推理具有较大的灵活性和多样性，但是没有公认严密的形式表达体系，却不可避免地带来了非一致性和程序设计与处理上的复杂性，这也是语义网络知识表示尚待深入研究解决的一个课题。
2.2.4框架表式式
框架表示法诞生于19xx年，这也是一种结构化的知识表示方法，并已在多种系统中得到成功的应用。框架理论是由人工智能科学创始
人之一，美国著名的人工智能学者M.L.Minsky(明斯基)提出来的。 自然界各种事物都可用框架(Frame)组织构成。每个被定义的框架对象分别代表着不同的特殊知识结构，从而可在大脑或计算机中表示、存储并予以认识、理解和处理。框架是一种被用来描述某个对象（诸如一个事物、一个事件或一个概念）属性知识的数据结构。下面是一个关于“大学教师”的框架设计模式。
n 框架名：〈大学教师〉
n 姓名：单位（姓，名）
n 年龄：单位（岁）
n 性别：范围(（男，女）缺省：男)
n 学历：范围（学士，硕士，博士）
n 职称：范围(（教授，副教授，讲师，助教）缺省：讲师) n 部门：范围（学院（或系、处））
n 住址：〈住址框架〉
n 工资：〈工资框架〉
n 参加工作时间：单位（年，月）
n 健康状况：范围（健康，一般，较差）
n 其它：范围（〈个人家庭框架〉，〈个人经济状况框架〉）
上述框架共有十一个槽，分别描述了关于“大学教师”的十一个方面的知识及其属性。在每个槽里都指定了一些说明性的信息，表明了相关槽的值的填写要有某些限制。框架表示法支持上层框架概念抽象和下层框架信息继承共享的思想，不仅减少了框架信息和属性知识
表达的冗余，而且保证了上、下层框架知识表达的一致性。
主要缺点：框架表示法过于死板，难以描述诸如机器人纠纷等类问题的动态交互过程生动性。
2.3推理
2.3.1推理的概念与类型
1）推理是人类求解问题的主要思维方法.
2）所谓推理就是按照某种策略从已有事实和知识推出结论的过程。推理是由程序实现的，称为推理机。
3）人类的智能活动有多种思维方式，人工智能作为对人类智能的模拟，相应地也有多种推理方式。
2.3.2演绎推理、归纳推理、默认推理
(1). 演绎推理：演绎推理是从全称判断推出特称判断或单称判断的过程，即从一般到个别的推理。最常用的形式是三段论法。 例如：
1）所有的推理系统都是智能系统；
2）专家系统是推理系统；
3）所以，专家系统是智能系统。
(2).归纳推理: 是从足够多的事例中归纳出一般性结论的推理过程，是一种从个别到一般的推理过程。
(3). 默认推理：默认推理又称缺省推理，它是在知识不完全的情况下假设某些条件已经具备所进行的推理。
2.3.3确定性推理、不确定性推理
如果按推理时所用的知识的确定性来分，推理可分为确定性推理与不确定性推理。
（1）确定性推理（精确推理）。如果在推理中所用的知识都是精确的，即可以把知识表示成必然的因果关系，然后进行逻辑推理，推理的结论或者为真，或者为假，这种推理就称为确定性推理。（如归结反演、基于规则的演绎系统等）
（2）不确定性推理(不精确推理)。在人类知识中，有相当一部分属于人们的主观判断，是不精确的和含糊的。由这些知识归纳出来的推理规则往往是不确定的。基于这种不确定的推理规则进行推理，形成的结论也是不确定的，这种推理称为不确定推理。 (在专家系统中主要使用的方法)。
2.3.4单调推理、非单调推理
如果按推理过程中推出的结论是否单调增加，或者说推出的结论是否越来越接近最终目标来划分，推理又可分为单调推理与非单调推理。
（1）单调推理。是指在推理过程中随着推理的向前推
进及新知识的加入，推出的结论呈单调增加的趋势，并且越来越接近最终目标。(演绎推理是单调推理。)
（2）非单调推理。是指在推理过程中随着推理的向前推进及新知识的加入，不仅没有加强已推出的结论，反而要否定它，使得推理
退回到前面的某一步，重新开始。(一般是在知识不完全的情况下进行的)
3．人工智能的应用
3.1专家系统
一般地说，专家系统是一个智能计算机程序系统，其内部具有大量专家水平的某个领域知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题。也就是说，专家系统是一个具有大量专门知识与经验的程序系统，它应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。 当前的研究涉及有关专家系统设计的各种问题。这些系统是在某个领域的专家(他可能无法明确表达他的全部知识)与系统设计者之间经过艰苦的反复交换意见之后建立起来的。在已经建立的专家咨询系统中，有能够诊断疾病的(包括中医诊断智能机)，估计潜在石油等矿藏的，研究复杂有机化合物结构的以及提供使用其它计算机系统的参考意见等。发展专家系统的关键是表达和运用专家知识，即来自人类专家的并已被证明对解决有关领域内的典型问题是有用的事实和过程。专家系统和传统的计算机程序最本质的不同之处在于专家系统所要解决的问题一般没有算法解，并且经常要在不完全、不精确或不确定的信息基础上作出结论。
专家系统可以解决的问题一般包括解释、预测、诊断、设计、规划、监视、修理、指导和控制等。高性能的专家系统也已经从学术研究开始进入实际应用研究。随着人工智能整体水平的提高，专家系统也获得发展。正在开发的新一代专家系统有分布式专家系统和协同式专家系统等。在新一代专家系统中，不但采用基于规则的方法，而且采用基于模型的原理。
3.2人工神经网络
由于冯·诺依曼(VanNeumann)体系结构的局限性，数字计算机存在一些尚无法解决的问题。人们一直在寻找新的信息处理机制，神经网络计算就是其中之一。 研究结果已经证明，用神经网络处理直觉和形象思维信息具有比传统处理方式好得多的效果。神经网络的发展有着非常广阔的科学背景，是众多学科研究的综合成果。神经生理学家、心理学家与计算机科学家的共同研究得出的结论是：人脑是一个功能特别强大、结构异常复杂的信息处理系统，其基础是神经元及其互联关系。因此，对人脑神经元和人工神经网络的研究，可能创造出新一代人工智能机--神经计算机。
对神经网络的研究始于40年代初期，经历了一条十分曲折的道路，几起几落，80年代初以来，对神经网络的研究再次出现高潮。霍普菲尔德(Hopfield)提出用硬件实现神经网络，鲁梅尔哈特(Rumelhart)等提出多层网络中的反向传播(BP)算法就是两个重要标志。现在，神经网络已在模式识别、图象处理、组合优化、自动控制、信
息处理、机器人学和人工智能的其它领域获得日益广泛的应用。
3.3机器人学
人工智能研究日益受到重视的另一个分支是机器人学，其中包括对操作机器人装置程序的研究。这个领域所研究的问题，从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法，无所不包。机器人和机器人学的研究促进了许多人工智能思想的发展。它所导致的一些技术可用来模拟世界的状态，用来描述从一种世界状态转变为另一种世界状态的过程。它对于怎样产生动作序列的规划以及怎样监督这些规划的执行有了一种较好的理解。复杂的机器人控制问题迫使我们发展一些方法，先在抽象和忽略细节的高层进行规划，然后再逐步在细节越来越重要的低层进行规划。在本书中，我们经常应用一些机器人问题求解的例子来说明一些重要的思想。智能机器人的研究和应用体现出广泛的学科交叉，涉及众多的课题，如机器人体系结构、机构、控制、智能、视觉、触觉、力觉、听觉、机器人装配、恶劣环境下的机器人以及机器人语言等。机器人已在各种工业、农业、商业、旅游业、空中和海洋以及国防等领域获得越来越普遍的应用。
3.4模式识别
"模式"(Pattern)一词的本意是指完美无缺的供模仿的一些标本。模式识别就是指识别出给定物体所模仿的标本。人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，是对人类感知外
界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。
模式识别是一个不断发展的新学科，它的理论基础和研究范围也在不断发展。随着生物医学对人类大脑的初步认识，模拟人脑构造的计算机实验即人工神经网络方法早在50年代末、60年代初就已经开始。至今，在模式识别领域，神经网络方法已经成功地用于手写字符的识别、汽车牌照的识别、指纹识别、语音识别等方面。目前模式识别学科正处于大发展的阶段，随着应用范围的不断扩大，随着计算机科学的不断进步，基于人工神经网络的模式识别技术，在90年代将有更大的发展。
参考文献
[1]邢传鼎.人工智能原理及应用.东华大学出版社.2005（2）
[2]马宪民.人工智能的原理与方法.西北工业大学出版社.2002
[3] 蔡之华.模糊Petri网及知识表示 [J].计算机应用与软件.1994（3）
[4] 张科杰,袁国华,彭颖红.知识表示及其在机械工程设计中的应用探讨[J].机械设计.2004(6)
[5] 刘晓霞.新的知识表示方法——概念图.航空计算技术.1997（4）
[6] 王永庆 人工智能原理与方法.西安交通大学出版社.1998
[7] Nils.Nilsson .人工智能.机械工业出版社.2005(10)
[8] 蔡自兴, 佑.人工智能及其应用.清华大学出版社.1996 (2)