發信人: soullion (river), 信區: DataMining
標  題: 中醫智能
發信站: 南京大學小百合站 (Fri Mar  1 14:02:38 2002)


備課資料


1 人工智能綜述

1.1 人工智能發展的歷程

    人工智能（Artificial Intelligence）在50年代產生，70年代興起的專家系統（E S
ystem），80年代興起的神經網絡（NN），使人工智能在實用上產生了明顯的效果。人工智
能的發展并非一帆風順，從50年代注重問題求解的方法，70年代注重知識的作用（知識的
獲取是難點），期間曾被冷落過。80年代后期興起機器學習（ML）為知識的獲取創出了新
路。機器學習中的示例學習為知識的自動獲取提供了方法，已經達到實用的階段。


1.1.1第一階段（50-60年代）人工智能的興起和冷落：重視問題求解的方法，忽視了知識
的重要性。

1956年由J.McCarthy、M.L.Minsky 等四人發起，十名從事數學、精神病學、心理學、信息
科學、計算機科學的學者在美國達特茅斯大學（Dartmouth）召開的研討會上首次提出“人
工智能”的概念。之后出現了一系列成果：

* 證明《數學原理》中的52條定理，是計算機模擬人高級思維活動的一個重大成果，是人
工智能的真正開端。

* 研制了西洋跳棋程序，該程序能積累下棋過程中所獲得的經驗，具有自學習和自適應能
力，這個程序戰勝了作者自己，又擊敗了一個州級冠軍，這是模擬人類學習過程的重大突
破。

* 研究了人解題過程的三個步驟：首先想出大致的計劃；再根據記憶中的公式、定理和解
題計劃實施解題過程；三是解題過程中不斷修改計劃，目標分析等。這是一個具有普遍意
義的思維過程?；谶@種發現和認識，研制了“通向問題求解程序GPS”，用來解決不定積
分、三角函數、代數方程等11種不同類型的問題，并首次提出啟發式搜索概念。

* 麥卡西（J.Mc.Carthy）研制了具有重里程碑意義的著名的“LISP”表處理語言，成了人
工智能程序語言的重要里程碑。

據上這個時期興起了人工智能熱。但不久由于研究中的局限性和錯誤使人工智能的研究出
現低潮：“消減法”能力有限，證明兩個連續函數之和還是連續函數時，推了十萬步后失
敗；下棋程序只贏了州級冠軍，沒能戰勝全國冠軍；機器翻譯謬誤百出，例如從英語-俄語
-英文，心有余力不足，翻譯成酒是好的肉變質了。

由于人工智能遇到了困難，使人工智能走向低落，英國70年代初大量削減AI研究的經費，
美國（IBM）出現同樣的局面，使大量人員流失。


1.1.2第二階段人（60年代末到70年代）工智能隨著專家系統的研制出現的新高潮：重視知
識，專家系統的研制使人工智能走向使用。

* 1968年名為DENDRAL的化學質譜分析系統，該系統能根據質譜儀的數據和核磁共振的數據
及有關知識推斷有機化合物的分子結構，達到了幫助化學家推斷分子結構的作用，是第一
個專家系統，系統中運用了大量的化學知識；

* 1974年出現了診斷和治療感染性疾病的MYCIN系統，其特點是：利用了經驗性知識，用可
信度表示，進行了不精確推理；對推斷的結果具有解釋功能，使系統是透明的；第一次使
用了知識庫的概念。以后的專家系統受此影響較大。

* 1976年研制礦藏勘探專家系統PROSPECTOR系統，該系統在華盛頓州發現礦藏，獲利一億
美元。

* 卡內基-梅隆大學研制的語音理解系統采用了“黑板結構”這種新結構形式的專家系統：
人的自然語言-聲音信號-轉成字信號-組成單詞-合成句子（數理語言），形成數據庫查詢
語句（計算機語言）。

* 1969年成立了國際人工智能聯合會議（IJCAI）

    

1.1.3第三階段（80年代）隨著第五代計算機的研制，人工智能得到很大的發展。

日本在1982年開始了第五代計算機的研制計劃，即“知識信息處理計算機系統KIPS”，目
的是使邏輯推理達到數值運算那樣快。十年后這個計劃并沒有實現，只是取得了部分成果
，計劃的宣傳引發了世界各國的追趕潮，但是計劃的失敗對人工智能的研究帶來了負面的
影響。


1.1.4第四階段（80年代以后）神經網絡飛速發展，并逐步成為一個獨立的學科。

    * 1943年，美國心理學家W.Mcculloch和數學家W.Pitts提出了神經元網絡對信息進行
處理的數學模型（即M-P模型）。1949年。Hebb提出了神經元之間連結強度變化的學習規則
，即Hebb規則，從而開創了神經元網絡研究的新局面

    * 1957年美國心理學家Rosenblate提出的感知機（Perceptron，模擬人類視神經控制
系統的圖形識別）。模型是這個時期有代表性的工作。該網絡模型具有自學習能力。它的
成功掀起了人工神經元網絡的第一次研究熱潮。利用感知機所提出的數學概念直至今天仍
在模式識別中起著很大的作用。

    * 1969年人工智能創始人之一Misky和Paper出版了《Perceptron》一書，指出Percep
tron僅適合于線性樣本的情況，對非線性樣本的問題，它解決不了，但也指出若增加隱結
點則能夠解決非線性樣本問題，但他們沒有提出增加隱結點的多層網絡學習算法。由于Mi
sky在學術界的影響，使很多研究者轉向符號處理為基礎的人工智能研究，從而使神經元網
絡的研究處于低潮

* 1982年美國Hopfield 提出仿人腦的神經網絡新模型，既可用硬件實現，又能解決運籌的
巡回銷售商TSP（推銷員旅行路徑）問題。由此引發了人們對神經網絡的情趣。掀起了人工
神經元網絡的第二次研究熱潮。期間，另一個有代表性的工作是：

* 1985年Rumelhart和Mcclelland提出的多層網絡的誤差傳播學習算法，即B-P模型，該模
型引入多層隱結點，解決了非線性樣本的問題。從而掃除了神經網絡的障礙，興起了神經
網絡的熱潮。同時還有其它的一些神經網絡模型。這些成果大大促進了神經網絡的發展。

    * 1987年美國召開了第一次神經網絡國際會議，宣布新學科的誕生。

    * 1988年日本稱為神經網絡計算機元年，提出研制第六代計算機計劃。

    * 1989年后，各國在神經元網絡方面的投資逐年增加。


1.2 人工智能的概念、研究范圍和研究領域

1.2.1人工智能的概念

    1）關于機器智能的定義

    Turing試驗：一個房間放一臺機器，另一個房間有一個人，當人們提出問題，房間里
的人和機器同時回答，如果提問的人分辨不了哪是人的回答，哪是機器的回答，則認為機
器有了智能。

    Feigenbanm定義：只告訴機器做什么，而不告訴怎樣做，機器就能完成工作，便可以
說機器有了智能。

2）人的智能行為

    學習能力：知識學習；技能的學習；個性的形成。

解決問題的能力：用已知的知識和技能解決問題；創造性的（建立新的知識和技能）解決
問題。

    3）人工智能的定義

    由計算機來表示和執行人類的智能活動（如判斷、識別、理解、學習、規劃、和問題
求解等）就是人工智能。人工智能的研究在逐步擴大機器智能，使計算機逐步向人的智能
靠近。

    

1.2.2人工智能研究的基本范圍

    1）問題求解：如下棋程序

    2）邏輯推理和定理證明：如數學定理的證明

    例如為了求證主要定理而猜測應當首先證明哪一個引理。一個熟練的數學家運用他的
判斷力能夠精確地推測出哪些定理在當前的證明中是有用的，并善于把目標問題歸結成若
干子問題，以便獨立地出處理它們。有幾個定理程序在有限的程度上具有某些這樣的技巧
。許多非形式化的工作，例如醫療診斷，和定理證明一樣能夠加以形式化。

    3）自然語言處理：語言翻譯，語音識別，語言的生成和理解

    4）自動程序設計：超級編譯程序，能從高級形式的描述，生成所需的程序。

    5）機器學習：歸納（induction）學習和類比學習

    學習是一個有特定目的的知識獲取過程，其內部表現為新知識結構的不斷建立和修改
，而外部表現為性能的改善。學習過程本質上是學習系統把導師提供的信息轉換成被系統
理解并應用的形式。按照系統對導師的依賴程度可將學習方法分類為：機械學習、講授學
習、類比學習、歸納學習、發現學習。

    6）專家系統：利用專家知識進行推理達到專家解決問題的能力。

專家系統是一個具有大量專門知識與經驗的程序系統，用以模擬人類專家的決策過程，以
解決哪些需要專家決定的復雜問題。例如用戶與專家系統進行“咨詢對話”，就像他與具
有某些方面經驗的專家進行對話一樣，解決他的問題，建議進行某些試驗以及向專家系統
提出詢問以求得到有關的解答和指點。可以把專家系統看作人類專家和人類用戶之間的媒
介?，F在的專家系統具有解釋它們推理的能力，從而使咨詢更好地為用戶所接受，又能幫
助人類專家發現系統推理過程中出現的差錯。新的研究還包括應用專家系統來教初學者以
及請教有經驗的專業人員。

發展專家系統的關鍵是表達和運用專家知識。專家系統和傳統計算機程序最本質的不同之
處在于專家系統所要解決的問題一般沒有算法解，并且經常要在不完全、不精確或不確定
的信息基礎上作出結論。專家系統可以解決的問題一般包括解釋、預測、診斷、設計、規
劃、監視、修理、指導和控制等。正在開發的新一代專家系統有分布式專家系統和協同式
專家系統等，在這些系統中不但采用基于規則的方法，而且采用基于模型的原理。

    7）機器人學：能完成人部分工作的機器人。

    8）機器視覺：研究感知過程

    9）智能檢索系統：具有智能行為的檢索系統

    當我們想用數據庫中的事實進行推理并從中檢索答案時，這個課題就顯得很有意義。
智能信息檢索系統的設計者們將面臨以下幾個問題：首先建立一個能夠理解以自然語言陳
述的詢問系統；其次如何根據存儲的事實數據演繹出答案；第三理解詢問和演繹答案所需
的知識超出數據庫所表達的知識時怎么辦。因此怎樣表示和應用學科知識是采用人工智能
方法的系統設計問題之一。

    10）組合的調度問題：如最短旅行路線

    11）系統與表達語言：用人工智能來深化計算機系統（如操作系統）和語言

    

1.2.3主要研究領域

    * 自然語言處理：語言的識別與合成，自然語言的理解和生成，機器翻譯。

    * 機器人學：從操縱型、自動型轉向智能型。在重、難、險、害等工作中實用機器人
。日本機器人研究走在前列，我國機器人研究在發展：如國防科技大學的兩足步行機器人
和哈爾濱工業大學的焊接機器人等。

    * 知識工程：研究和開發專家系統。目前人工智能的研究中，最接近實用的成果是專
家系統。專家系統在符號推理、醫療診斷、礦床勘探、化學分析、工程設計、軍事決策、
案情分析等方面都取得明顯的效果。


1.3 人工智能的前景

人工智能的研究是一個長期的任務。目前，人們逐步認識到揭開人的智能之謎是發展人工
智能的關鍵。1986年5月日本提出“人類新領域研究計劃”的研究課題，目的在于弄清人體
的各種機能。人體有兩項根本機能：物質、能量轉化機能和信息轉換機能。信息轉換包括
：創造思考、學習與記憶、感覺與知覺、語言控制等。人工神經網絡的研究就是在人腦神