人工智能与类神经网络简史
人工智能与类神经网络简史2015-05-04 贾维斯 数盟
人工智能的发展可以追溯到第二次世界大战的末期，当时为了解决一些军事上和情报上的问题，科学家们开始研究发展一种有智能的机器。後来在1956年McCarthy主持了Dartmouth会议，成为公认之人工智能发展史的开端。
在人工智能的研究方面，有几位有名的始祖。A.M.Turing是奠定电脑科学基础的人，他曾提出棋奕论与电脑的研究成果。M.L.Minsky则是发表框架理论的人，也就是先将大量相关资讯输入电脑，再将这些资讯按照情形来定义为选择性的条件或是强制性的条件，用这种方法来解决模棱两可或是有例外的问题。J.McCarthy则体会到必须用符号语言来代替以公式为处理中心的语言，因而发表了LISP人工智能语言。此外尚有发表通信理论的C.Shannon和发表生产系统的A.Newell。
究竟什么是人工智能呢？先让我们尝试着为生命做个定义：一个生命必须有1.新陈代谢和消耗精力的行为2.生长3.繁衍後代4.对於环境的刺激有所反应，进而适应所处的环境。
人工智能精确的定义是：一个电脑系统具有人类的知识和行为，并具有学习、推理判断来解决问题、记忆知识和了解人类自然语言的能力。人工智能的产生过程则是：对於人类因问题和事物所引起的刺激和反应，以及因此所引发的推理、解决问题、学习、判断及思考决策等过程，将这些过程分解成一些基本步骤，再透过程式设计，将这些人类解决问题的过程模组化或公式化，使得电脑能够有一个结构的方法来设计或应付更复杂的问题。这套能够应付问题的软体系统，即称之为人工智能系统。人工智能是一种技术，而不是一项产品。它的目的是让电脑更能了解一般化的事物。
人工智能研究的题材约可分为：（1）联络沟通，以及如何使电脑更有智能了解人的语言与知识。（2）符号处理，如LISP人工智能语言、生产系统、黑板系统等领域研究。（3）经验法则搜寻技巧。（4）逻辑（logic）系统，如复杂事实的归纳及推理等。
在Dartmouth会议之後，相关的人工智能实验室便相继成立，如Stanford、MIT、CarnegieMellon等学校。今日国内各大学资讯相关科系也多有设立人工智能实验室，上网便可以获得相关资讯。
未来人工智能的发展包含：将人工智能技术运用在机器上、将原来顺序逻辑架构的电脑改为高速平行架构的电脑、以及发展具有经济价值的商业应用产品。研究的方式包含了理论和实验两层面，其中实验层面还可以细分为基础部分和应用部分。研究的方向则有生物的方向和世界整体现象的方向。
研究人工智能所牵涉的学科包含：数学和逻辑、基础科学、心理学和神经生理学、程式设计语言（若包含机械语言更好）。
至於人工智能所引发的哲学和伦理问题，目前仍有无法定论的问题，有些目前尚未被重视。也许目前只有哲学家们会比较注意这些议题吧？
类神经网络介绍《起源》：
为了在语音及影像辨认获至与人脑相似的功能，自1940年起，科学家即着手从事此方面的研究，仿造最简单的神经元模式，开始建立最原始的类神经网络（ArtificialNeuralNetworkANN），历经40年的发展，类神经的研究工作虽曾一度陷入低潮，近几年又再度复苏，并且结合了生理，心理，电脑等科技而成为新的研究领域。
电脑的功能虽然日新月异，但却不能因此就完全取代人脑。因人脑可轻易的听、说、读、写、看，电脑却力有未逮。尤其是在影像处理或语音辨认等问题，电脑更是无法胜任。这显然意谓人脑有着尚未为人所知的特殊结构。要如何模拟这种复杂的人类行为进而建立一部可以人脑匹敌的电脑，可说是电脑科学家的一大梦想。
《简介》
类神经网络已被研究多年。这些类神经网络的模型主要是尝试着去模仿人类的神经系统，因为人类的神经系统在语音、听觉、影像和视觉方面均有很完美的表现，所以也期望这些模型能够在这些方面有出色的成果。很明白的，类神经的架构就是来自於现今对人类神经系统的认识。现今的类神经网络是由很多非线性的运算单元（我们叫神经元Neuron）和位於这些运算单元间的众多连结所组成，而这些运算单元通常是以平行且分散的方式在作运算，如此就可以同时处理大量的资料，由这样的设计就可以被用来处理各种需要大量资料运算的应用上，比如说语音辨认等。
（一）类神经网络的特性
神经网络所擅长的，与人类相似，具有以下几种特性：
1.平行处理的特性
早期人工智能平行处理的研究只集中在小程度的平行，而最近已朝向超大型方向进行。类神经网络是以动物的树状神经网络为蓝本的设计，原本因平行技术未成熟而无法深入研究，现在因超大型平行处理的成熟及若干理论的发展，又成为人工智能中最活跃的研究领域。
2.容错特性
其在操作上具有很高之容忍度，整个神经网络都会参与解决问题之运作。如果输入资料混杂少许杂讯干扰，仍然不影响其运作之正确。而且即使10%的神经网络失效，仍能照常运作。
3.结合式记忆的特性
其又称为内容定址记忆，它可以记忆曾经训练过的输入样式以及对应的理想输出值。我们只要给予一部份的资料，便可以得到全部的资料并且可以容忍错误，就像人类只要看到某一部份的影像可以回忆起全部的影像，这便是结合式记忆的效果。
4.解决最佳化问题
可用於处理非演算法表示的问题，或是以演算法处理很费时者。
5.超大型积体电路实作
神经网络的结构具有高度的互相连接，而且简单，有规则性，易以超大型积体电路（VLSI）来完成。
6.能处理一般演算法难以处理的问题
在非常大的推销员问题中，为了增加效率起见，我们可利“个个击破”的方法，来求得一条正确可走的路径。这是用传统的方法所以无法达到的。
（二）神经网络基本模型
每一个神经细胞网络模型，其特性是由网络的拓朴图形，节点的特性加以决定。在训练的过程中这些法则最初是由一组初始加权值来决定，并在学习过程中调整其加权以增进效率，经由不断的调整和学习，使得真正的网络输出与目标值能达到相同值後，才固定网络中的加权值，此时才算训练完成。
（三）神经网络的架构与训练演算法
1.单层知觉网络：其可形成两个决定区域，牵而此二区域由一超平面加以分隔开来。有一特殊情形就是，若网络只涉到两个输入，则超平面便退化成一条直线。
2.多层知觉网络：其是在输入层节点与输出层节间多了一层或多层的隐藏层，即输入节点没有直接接往输出节点。
页:
[1]