人工智能讀書(shū)報(bào)告知識(shí)及推理解讀

1、人工智能讀書(shū)報(bào)告知識(shí)及推理摘要 ：人工智能的目標(biāo)是使機(jī)器能夠成為具有和人類一樣智能的系統(tǒng)，而知識(shí)和推理一直被認(rèn)為是智能最集中的體現(xiàn)，在實(shí)際運(yùn)行的系統(tǒng)中實(shí)現(xiàn)智能的知識(shí)推理是具有非常重要的意義。知識(shí)表示是人工智能領(lǐng)域中非常重要的問(wèn)題之一，目前人們使用的各種知識(shí)表示方法都有知識(shí)表現(xiàn)力和推理演算能力上的優(yōu)缺點(diǎn)，我們需要掌握好這些方法的強(qiáng)項(xiàng)并充分利用它，揚(yáng)長(zhǎng)避短， 綜合使用各種知識(shí)表示方法并進(jìn)行推理，構(gòu)造強(qiáng)大的智能專家系統(tǒng)、準(zhǔn)確的模式識(shí)別以及機(jī)器學(xué)習(xí)才是可能的。關(guān)鍵詞 ：知識(shí)表示、推理、專家系統(tǒng)、機(jī)器學(xué)習(xí)、模式識(shí)別正文 ：一、人工智能中的多種知識(shí)表達(dá)方法對(duì)于知識(shí)這個(gè)概念，我們應(yīng)該有著正確的認(rèn)識(shí)， Fei

2、genbaum 認(rèn)為知識(shí)是經(jīng)過(guò)削減、塑造、解釋和轉(zhuǎn)換的信息。簡(jiǎn)單地說(shuō)，知識(shí)是經(jīng)過(guò)加工的信息。Bernstein 說(shuō)知識(shí)是特定領(lǐng)域的描述、關(guān)系和過(guò)程組成。Hayes-Roth 認(rèn)為知識(shí)是事實(shí)、信念和啟發(fā)式規(guī)則。知識(shí)可從（范圍，目的，有效性）加以三維描述。其中知識(shí)的范圍是由具體到一般，知識(shí)的目的是由說(shuō)明到指定，知識(shí)的有效性是由確定到不確定。例如“為了證明 A B ，只需證明 A B 是不可滿足的”這種知識(shí)是一般性、指示性、確定性的。而像“桌子有四條腿”這種知識(shí)是具體的、說(shuō)明性、不確定性。知識(shí)表示是研究用機(jī)器表示知識(shí)的可行性、 有效性的一般方法， 是一種數(shù)據(jù)結(jié)構(gòu)與控制結(jié)構(gòu)的統(tǒng)一體， 既考慮知識(shí)的存儲(chǔ)

3、又考慮知識(shí)的使用。 知識(shí)表示可看成是一組描述事物的約定，以把人類知識(shí)表示成機(jī)器能處理的數(shù)據(jù)結(jié)構(gòu)。然而人工智能所關(guān)注的知識(shí)是指一個(gè)智能程序高水平的運(yùn)行需要有關(guān)的事實(shí)知識(shí)、 規(guī)則知識(shí)、控制知識(shí)和元知識(shí)。事實(shí)：是有關(guān)問(wèn)題環(huán)境的一些事物的知識(shí)，常以“ .是 .”的形式出現(xiàn)。如事物的分類、屬性、事物間關(guān)系、科學(xué)事實(shí)、客觀事實(shí)等，在知識(shí)庫(kù)中屬于低層的知識(shí)。如雪是白色的、鳥(niǎo)有翅膀、張三李四是好朋友。規(guī)則：是有關(guān)問(wèn)題中與事物的行動(dòng)、動(dòng)作相聯(lián)系的因果關(guān)系知識(shí)，是動(dòng)態(tài)的，常以“如果.那么 .”形式出現(xiàn)。特別是啟發(fā)式規(guī)則是屬于專家提供的專門經(jīng)驗(yàn)知識(shí)，這種知識(shí)雖無(wú)嚴(yán)格解釋但很有用處?？刂疲?是有關(guān)問(wèn)題的求解步驟， 技

4、巧性知識(shí)， 告訴怎么做一件事。 也包括當(dāng)有多個(gè)動(dòng)作同時(shí)被激活時(shí)應(yīng)選哪一個(gè)動(dòng)作來(lái)執(zhí)行的知識(shí)。元知識(shí)：是有關(guān)知識(shí)的知識(shí)，是知識(shí)庫(kù)中的高層知識(shí)。包括怎樣使用規(guī)則、解釋規(guī)則、校驗(yàn)規(guī)則、解釋程序結(jié)構(gòu)等知識(shí)。在人工智能中， 知識(shí)有著很多種不同的表示方法， 比如我們經(jīng)常是用的邏輯表示法對(duì)知識(shí)通過(guò)引入謂詞、 函數(shù)來(lái)加以形式描述， 獲得有關(guān)的邏輯公式， 進(jìn)而以機(jī)器內(nèi)部代碼表示以及產(chǎn)生式表示法。 此外，我們還有語(yǔ)義網(wǎng)絡(luò)表示法和框架表示法，邏輯表示法和產(chǎn)生式表示法常用于表示有關(guān)論域中各個(gè)不同狀態(tài)間的關(guān)系， 然而用于表示一個(gè)事物同其各個(gè)部分間的分類知識(shí)就不方便了。槽（ slot）與填槽表示方法便于表示這種分類知識(shí)。語(yǔ)

5、義網(wǎng)絡(luò)和框架表示方法就屬于其中的兩種。語(yǔ)義網(wǎng)絡(luò)是對(duì)知識(shí)的有向圖表示方法。一個(gè)語(yǔ)義網(wǎng)絡(luò)是由一些以有向圖表示的三元組（結(jié)點(diǎn) 1，弧，結(jié)點(diǎn)2）連接而成。結(jié)點(diǎn)表示概念、事物、事件、情況等?；∈怯蟹较虻挠袠?biāo)注的。方向體現(xiàn)主次， 結(jié)點(diǎn) 1 為主，結(jié)點(diǎn)2 為輔。弧上的標(biāo)注表示結(jié)點(diǎn) 1 的屬性或結(jié)點(diǎn)1 和結(jié)點(diǎn) 2 之間的關(guān)系。語(yǔ)義網(wǎng)絡(luò)表示下的推理方法不像邏輯表示法和產(chǎn)生式表示法的推理方法那樣明了。語(yǔ)義網(wǎng)絡(luò)表示法是依匹配和繼承來(lái)進(jìn)行推理的。而至于框架表示法，1975 年 Minsky 的論文“ A framework for respresenting knowledge ”中首次提出了框架理論。其基本觀點(diǎn)是人

6、腦已存儲(chǔ)有大量典型情景，當(dāng)人面臨新的情景時(shí)，就從記憶中選擇一個(gè)稱為框架的基本知識(shí)結(jié)構(gòu)，這個(gè)框架是以前記憶的一個(gè)知識(shí)空框，而其具體內(nèi)容依新的情景而改變，對(duì)這空框的細(xì)節(jié)加工修改和補(bǔ)充，形成對(duì)新情景的認(rèn)識(shí)又記憶于人腦中。框架理論將框架視作的知識(shí)單位，將一組有關(guān)的框架連接起來(lái)便形成框架系統(tǒng)。系統(tǒng)中不同框架可以有共同結(jié)點(diǎn)，系統(tǒng)的行為由系統(tǒng)內(nèi)框架的變化來(lái)表現(xiàn)的。推理過(guò)程是由框架間的協(xié)調(diào)來(lái)完成的?？蚣鼙硎痉ㄊ且环N適應(yīng)性強(qiáng)、概括性高、 結(jié)構(gòu)化良好、 推理方式靈活又能把陳述性知識(shí)與過(guò)程性知識(shí)相結(jié)合的知識(shí)表示方法?？蚣苁怯扇舾山Y(jié)點(diǎn)和關(guān)系（統(tǒng)稱為槽slot ）構(gòu)成的網(wǎng)絡(luò)。是語(yǔ)義網(wǎng)絡(luò)一般化形式化的一種結(jié)構(gòu)， 同語(yǔ)義網(wǎng)

7、絡(luò)沒(méi)有本質(zhì)區(qū)別。將語(yǔ)義網(wǎng)絡(luò)中結(jié)點(diǎn)間弧上的標(biāo)注也放入槽內(nèi)就成了框架表示法?？蚣苁潜硎灸骋活惽榫暗慕Y(jié)構(gòu)化的一種數(shù)據(jù)結(jié)構(gòu)?？蚣苡煽蚣苊鸵恍┎郏?slot ）組成，每個(gè)槽有一些值，槽值可以是邏輯的、數(shù)字的， 可以是程序、 條件、默認(rèn)值或是一個(gè)子框架。槽值含有如何使用框架信息、下一步可能發(fā)生的信息、預(yù)計(jì)未實(shí)現(xiàn)該如何做的信息等?？蚣艿囊话愀袷剑篎RAMEWORK ： :value.:value:value.:value.例：framework: 類屬： 學(xué)歷：（學(xué)士，碩士，博士）專業(yè)： 職稱：（助教，講師，副教授，教授）外語(yǔ)：范圍：（英，法，德，.）默認(rèn)：英水平：（優(yōu)、良、中、差）默認(rèn)：良框架表示法沒(méi)有

8、固定的推理機(jī)理。但框架系統(tǒng)的推理和語(yǔ)義網(wǎng)絡(luò)一樣遵循匹配和繼承的原則，而且框架中如 if-needed、if-added 等槽的槽值是附加過(guò)程， 在推理過(guò)程中起重要作用。如確定一個(gè)人的年齡，已匹配的知識(shí)庫(kù)中的框架為槽名年齡： NILif-needed:ASKif-added:CHECK在推理的過(guò)程中便啟動(dòng)了if-needed 和 if-added 兩個(gè)槽的附加過(guò)程ASK 和 CHECK 。此外我們還可以采用基于粗糙集理論的知識(shí)表示方法、基于對(duì)象的XML 的知識(shí)表示方法、基于模糊Petri 網(wǎng)的知識(shí)表示方法。這些方法為我們進(jìn)行知識(shí)歸結(jié)和推理提供了很大便利，我們需要合理使用以上這些知識(shí)表示方法，并且

9、及時(shí)關(guān)注最新的各種知識(shí)表示方法，在此基礎(chǔ)上進(jìn)行推理，來(lái)構(gòu)造我們所需要的專家系統(tǒng)、機(jī)器學(xué)習(xí)以及模糊識(shí)別等結(jié)構(gòu)功能。二、人工智能的本質(zhì)推理幾乎所有的人工智能領(lǐng)域都要用到推理，因此，推理技術(shù)是人工智能的基本技術(shù)之一，并且也是人工智能的本質(zhì)。早期的人工智能研究人員直接模仿人類進(jìn)行逐步的推理，就像是玩棋盤游戲或進(jìn)行邏輯推理時(shí)人類的思考模式。到了 1980 和 1990 年代，利用概率和經(jīng)濟(jì)學(xué)上的概念，人工智能研究還發(fā)展了非常成功的方法處理不確定或不完整的資訊。對(duì)于困難的問(wèn)題，有可能需要大量的運(yùn)算資源，也就是發(fā)生了“可能組合爆增”：當(dāng)問(wèn)題超過(guò)一定的規(guī)模時(shí)，電腦會(huì)需要天文數(shù)量級(jí)的存儲(chǔ)器或是運(yùn)算時(shí)間。尋找更有

10、效的算法是優(yōu)先的人工智能研究項(xiàng)目。人類解決問(wèn)題的模式通常是用最快捷，直觀的判斷， 而不是有意識(shí)的， 一步一步的推導(dǎo)，早期人工智能研究通常使用逐步推導(dǎo)的方式。人工智能研究已經(jīng)于這種“次表征性的” 解決問(wèn)題方法取得進(jìn)展：實(shí)體化 AGENT 研究強(qiáng)調(diào)感知運(yùn)動(dòng)的重要性。神經(jīng)網(wǎng)絡(luò)研究試圖以模擬人類和動(dòng)物的大腦結(jié)構(gòu)重現(xiàn)這種技能。人們?cè)趯?duì)各種事物進(jìn)行分析、綜合后作出決策時(shí)，通常是從已知的事實(shí)出發(fā)，通過(guò)運(yùn)用已掌握的知識(shí)， 找出其中蘊(yùn)涵的事實(shí)，或歸納出新的事實(shí)，這一過(guò)程通常稱為推理。嚴(yán)格的說(shuō)，所謂推理就是按某種策略由已知判斷推出另一種判斷的思維過(guò)程。推理所根據(jù)的判斷叫做前提， 有前提所推出的那個(gè)判斷叫結(jié)論。推理

11、是人們無(wú)時(shí)無(wú)刻都在使用的方法，不論是在科學(xué)研究，學(xué)習(xí)以至日常生活中都在運(yùn)用著它。在人工智能系統(tǒng)中，推理是由程序?qū)崿F(xiàn)的，稱為推理機(jī)。推理從不同的角度可以有不同的分類。從新判斷推出的途徑劃分為演繹推理、歸納推理、默認(rèn)推理； 按推理是所用知識(shí)的確定性劃分為確定性推理和不確定性推理；按推理過(guò)程中推出的結(jié)論是否單調(diào)的增加劃分為單調(diào)推理與非單調(diào)推理；按推理中是否運(yùn)用與問(wèn)題有關(guān)的啟發(fā)性知識(shí)可劃分為啟發(fā)是推理和非啟發(fā)式推理；從方法論的角度劃分為基于知識(shí)的推理、統(tǒng)計(jì)推理和直覺(jué)推理。例如： 當(dāng)你走路時(shí)， 不小心摔了一跤，在摔下去而未倒到地面時(shí)，你就會(huì)意識(shí)到你將會(huì)摔破衣服，這就是使用了直覺(jué)推理；所有人都要吃飯+張三

12、是人 張三要吃飯，使用了演繹推理； 該細(xì)菌的染色斑是革蘭氏陽(yáng)性+該細(xì)菌的形狀為球狀+該細(xì)菌的生長(zhǎng)結(jié)構(gòu)成鏈形存在證據(jù)表明該細(xì)菌是鏈球菌類，不確定性推理等等。推理的控制策略主要包括推理方向、搜索策略、 沖突消解策略、 求解策略及限制策略等。正向推理是以已知事實(shí)作為出發(fā)點(diǎn)的一種推理，又稱為數(shù)據(jù)驅(qū)動(dòng)推理、向前鏈推理、 模式制導(dǎo)推理及前件推理等。逆向推理是以某個(gè)假設(shè)目標(biāo)作為出發(fā)點(diǎn)的一種推理，又稱為目標(biāo)驅(qū)動(dòng)推理、逆向鏈推理、目標(biāo)制導(dǎo)推理及后件推理等。求解策略是指推理只求一個(gè)解，還是求所有解及最優(yōu)解等等。限制策略是為了防止無(wú)窮的推理過(guò)程，以及由于推理過(guò)程太長(zhǎng)增加時(shí)間及空間的復(fù)雜性，可在控制策略中指定推理的限

13、制條件，以及對(duì)推理的深度、寬度、時(shí)間、空間等進(jìn)行限制。常用的沖突消解策略有按針對(duì)性排序、按已知事實(shí)的新鮮性排序、按匹配度排序、 根據(jù)領(lǐng)域問(wèn)題的特點(diǎn)排序、按上下文限制排序、按冗余限制排序、按條件個(gè)數(shù)排序等等。另外還有歸納法推理系統(tǒng)、不確定性推理， 歸納法推理是人工智能領(lǐng)域的一個(gè)重要研究方向。通過(guò)歸納法推理可以證明一些復(fù)雜程序的正確性以及一些關(guān)鍵算法的重要屬性。國(guó)外已經(jīng)把這一研究成果應(yīng)用到國(guó)防、航空、航天領(lǐng)域。自80 年代以來(lái)，國(guó)內(nèi)外科技人員已研制出一些程序證明系統(tǒng)，其中最具代表性的是Boyer-Moore 的歸納證明方法，他們打破了傳統(tǒng)方法，代一階謂詞邏輯以遞歸函數(shù)，使問(wèn)題的描述簡(jiǎn)單自然、直觀易

14、懂。不精確推理標(biāo)準(zhǔn)的邏輯推理是假定事實(shí)要么為真，要么為假， 并不考慮可能為真的情況。 但在現(xiàn)實(shí)生活中，人們經(jīng)常使用一些不精確的或不完善的知識(shí)與資料來(lái)進(jìn)行工作，尤其是專家系統(tǒng)模擬人類專家工作的，所以在專家系統(tǒng)中，不精確推理的使用，幾乎是難以避免的。它既反映了斷言及客觀世界中因果關(guān)系的不確定性，也體現(xiàn)了在此情況下推理方法的運(yùn)用。 下述問(wèn)題對(duì)不確定推理來(lái)說(shuō)是基本的問(wèn)題：(1)如何正確地、定性地刻畫(huà)一個(gè)命題的不確定性?(2)如何適當(dāng)?shù)囟攘恳粋€(gè)命題的不確定性? 命題的不確定性可以形式地定義如下：定義 1.命題 h 是不能由K 確定的，如果 h 在以 K 中的公式作公理的邏輯系統(tǒng)中是不可判定的 (即 h

15、和 h 都不是該系統(tǒng)的定理)。定義 2.命題 h 是不能由 K 確定的，如果我們無(wú)法確定K 的哪個(gè)模型是我們所需要的。定義 1 和 2 說(shuō)明 ,命題的不確定性是推理系統(tǒng)的特征，所以，我們可用傳統(tǒng)的二值邏輯來(lái)描述不確定推理。定義 3.如果命題集合E 中的命題都被認(rèn)為為真,則稱 E 是 K 中對(duì) h 的證據(jù)集合。如果KE3h 或 K E3h,則稱 E 是 K 中對(duì) h 的完備證據(jù)集合，否則，E 是不完備的。在 AI 研究中 ,概率論在不確定推理中有廣泛的應(yīng)用，人們提出了各種基于概率的不確定性測(cè)度 .這些基于概率的測(cè)度方法是可以用支持度來(lái)表示的，概率是能夠由支持度來(lái)表示的各種基于概率的不確定性測(cè)度方

16、法就自然地可以由提出的支持度來(lái)表示了。在人工智能領(lǐng)域中， 為了正確地推理出我們所需要的結(jié)果，就需要采取準(zhǔn)確必要的控制策略來(lái)限定推理方向、搜索策略、沖突消解策略、 求解策略及限制策略等， 科學(xué)合理的進(jìn)行推理過(guò)程，這樣才能應(yīng)用與專家系統(tǒng)、機(jī)器學(xué)習(xí)以及模式識(shí)別等。三、將知識(shí)運(yùn)用到推理過(guò)程中的具體應(yīng)用機(jī)器學(xué)習(xí)、模式識(shí)別、專家系統(tǒng)（ 1）機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí) (Machine Learning, ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、 統(tǒng)計(jì)學(xué)、逼近論、凸分析、 算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。它是人工

17、智能的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域，它主要使用歸納、綜合而不是演繹。學(xué)習(xí)能力是智能行為的一個(gè)非常重要的特征，但至今對(duì)學(xué)習(xí)的機(jī)理尚不清楚。人們?cè)鴮?duì)機(jī)器學(xué)習(xí)給出各種定義。認(rèn)為，學(xué)習(xí)是系統(tǒng)所作的適應(yīng)性變化，使得系統(tǒng)在下一次完成同樣或類似的任務(wù)時(shí)更為有效。認(rèn)為，學(xué)習(xí)是構(gòu)造或修改對(duì)于所經(jīng)歷事物的表示。從事專家系統(tǒng)研制的人們則認(rèn)為學(xué)習(xí)是知識(shí)的獲取。這些觀點(diǎn)各有側(cè)重，第一種觀點(diǎn)強(qiáng)調(diào)學(xué)習(xí)的外部行為效果，第二種則強(qiáng)調(diào)學(xué)習(xí)的內(nèi)部過(guò)程，而第三種主要是從知識(shí)工程的實(shí)用性角度出發(fā)的。機(jī)器學(xué)習(xí)在人工智能的研究中具有十分重要的地位。一個(gè)不具有學(xué)習(xí)能力的智能系統(tǒng)難以稱得上是一個(gè)真正的智能系

18、統(tǒng)，但是以往的智能系統(tǒng)都普遍缺少學(xué)習(xí)的能力。例如，它們遇到錯(cuò)誤時(shí)不能自我校正； 不會(huì)通過(guò)經(jīng)驗(yàn)改善自身的性能；不會(huì)自動(dòng)獲取和發(fā)現(xiàn)所需要的知識(shí)。它們的推理僅限于演繹而缺少歸納，因此至多只能夠證明已存在事實(shí)、定理， 而不能發(fā)現(xiàn)新的定理、定律和規(guī)則等。隨著人工智能的深入發(fā)展，這些局限性表現(xiàn)得愈加突出。正是在這種情形下， 機(jī)器學(xué)習(xí)逐漸成為人工智能研究的核心之一。它的應(yīng)用已遍及人工智能的各個(gè)分支，如專家系統(tǒng)、自動(dòng)推理、自然語(yǔ)言理解、模式識(shí)別、計(jì)算機(jī)視覺(jué)、智能機(jī)器人等領(lǐng)域。其中尤其典型的是專家系統(tǒng)中的知識(shí)獲取瓶頸問(wèn)題，人們一直在努力試圖采用機(jī)器學(xué)習(xí)的方法加以克服。機(jī)器學(xué)習(xí)的研究是根據(jù)生理學(xué)、認(rèn)知科學(xué)等對(duì)人類

19、學(xué)習(xí)機(jī)理的了解，建立人類學(xué)習(xí)過(guò)程的計(jì)算模型或認(rèn)識(shí)模型， 發(fā)展各種學(xué)習(xí)理論和學(xué)習(xí)方法，研究通用的學(xué)習(xí)算法并進(jìn)行理論上的分析，建立面向任務(wù)的具有特定應(yīng)用的學(xué)習(xí)系統(tǒng)。這些研究目標(biāo)相互影響相互促進(jìn)。自從 1980 年在卡內(nèi)基梅隆大學(xué)召開(kāi)第一屆機(jī)器學(xué)習(xí)研討會(huì)以來(lái)，機(jī)器學(xué)習(xí)的研究工作發(fā)展很快， 已成為中心課題之一。隨著機(jī)器學(xué)習(xí)的蓬勃發(fā)展， 人們?cè)诠ぷ髦欣鄯e了大量可供測(cè)試算法的數(shù)據(jù)集或者超大數(shù)據(jù)集，機(jī)器學(xué)習(xí)工作者在此基礎(chǔ)上可以進(jìn)行更精準(zhǔn)的研究，例如 ICCV2011 年馬爾獎(jiǎng)：相對(duì)屬性的數(shù)據(jù)； AOL-user-ct-collection 數(shù)據(jù)集；科雷爾圖片特征數(shù)據(jù)集（ UCI ）；植被型數(shù)據(jù)集（ UCI

20、）等等。（ 2）模式識(shí)別模式識(shí)別就是通過(guò)計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來(lái)研究模式的自動(dòng)處理和判讀。這里,我們把環(huán)境與客體統(tǒng)稱為”模式”,隨著計(jì)算機(jī)技術(shù)的發(fā)展，人類有可能研究復(fù)雜的信息處理過(guò)程。用計(jì)算機(jī)實(shí)現(xiàn)模式（文字、聲音、人物、物體等）的自動(dòng)識(shí)別，是開(kāi)發(fā)智能機(jī)器的一個(gè)最關(guān)鍵的突破口， 也為人類認(rèn)識(shí)自身智能提供線索。信息處理過(guò)程的一個(gè)重要形式是生命體對(duì)環(huán)境及客體的識(shí)別。對(duì)人類來(lái)說(shuō)，特別重要的是對(duì)光學(xué)信息（通過(guò)視覺(jué)器官來(lái)獲得）和聲學(xué)信息（通過(guò)聽(tīng)覺(jué)器官來(lái)獲得）的識(shí)別。這是模式識(shí)別的兩個(gè)重要方面。市場(chǎng)上可見(jiàn)到的代表性產(chǎn)品有光學(xué)字符識(shí)別系統(tǒng)(Optical Character Recognition ，OCR)

21、、語(yǔ)音識(shí)別系統(tǒng)等。計(jì)算機(jī)識(shí)別的顯著特點(diǎn)是速度快、準(zhǔn)確性和效率高。識(shí)別過(guò)程與人類的學(xué)習(xí)過(guò)程相似。以”漢字識(shí)別” 為例： 首先將漢字圖象進(jìn)行處理，抽取主要表達(dá)特征并將其特征與漢字的代碼存在計(jì)算機(jī)中。 就象把老師教我們這個(gè)字叫什么、如何寫(xiě)的知識(shí)記憶在大腦中。這一過(guò)程叫做”訓(xùn)練” 。識(shí)別過(guò)程就是將輸入的漢字圖像經(jīng)處理后與計(jì)算機(jī)中所保存的全部漢字進(jìn)行比較， 找出最相近的字作為識(shí)別結(jié)果,這一過(guò)程叫做” 匹配”。語(yǔ)音識(shí)別就是讓計(jì)算機(jī)能聽(tīng)懂人說(shuō)的話，一個(gè)重要的例子就是七國(guó)語(yǔ)言（英、日、意、韓、法、德、中）口語(yǔ)自動(dòng)翻譯系統(tǒng)。其中， 中文部分的實(shí)驗(yàn)平臺(tái)設(shè)立在中國(guó)科學(xué)院自動(dòng)化所的模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室，這是口語(yǔ)翻譯

22、研究跨入世界領(lǐng)先水平的標(biāo)志。該系統(tǒng)實(shí)現(xiàn)后，人們出國(guó)預(yù)定旅館、購(gòu)買機(jī)票、在餐館對(duì)話和兌換外幣時(shí)，只要利用電話網(wǎng)絡(luò)和國(guó)際互聯(lián)網(wǎng)，就可用手機(jī)、 電話等與” 老外”通話。指紋是人體的一個(gè)重要特征，具有唯一性。 北京大學(xué)有關(guān)專家對(duì)數(shù)字圖像的離散幾何性質(zhì)進(jìn)行了深入研究， 建立了從指紋灰度圖像精確計(jì)算紋線局部方向、進(jìn)而提取指紋特征信息的理論與算法， 隨后研究成功了適于民用身份鑒定的全自動(dòng)指紋鑒定系統(tǒng)，以及適于公安刑事偵破的指紋鑒定系統(tǒng)。從而開(kāi)創(chuàng)了我國(guó)指紋自動(dòng)識(shí)別系統(tǒng)應(yīng)用的先河。北大指紋自動(dòng)識(shí)別系統(tǒng)的推出，使我國(guó)公安干警從指紋查對(duì)的繁重人工處理中解放出來(lái)。浙江省從1997 年開(kāi)始使用北大指紋自動(dòng)識(shí)別系統(tǒng)，采取

23、省地（市）二級(jí)建庫(kù)、省地（市）縣三級(jí)查詢的方式，形成了獨(dú)特的”浙江模式”。省公安廳現(xiàn)已建立了100 多萬(wàn)人的指紋庫(kù)，是目前國(guó)內(nèi)的第二大庫(kù)。在 100 多萬(wàn)人的指紋庫(kù)中，檢索一枚現(xiàn)場(chǎng)指紋僅需4分鐘左右。2000 年浙江省用指紋自動(dòng)識(shí)別系統(tǒng)直接破案3063 起，連帶破案 12000 多起。破案率為全國(guó)第一，并遙遙領(lǐng)先于國(guó)內(nèi)其它指紋識(shí)別系統(tǒng)，被公安部樹(shù)為指紋系統(tǒng)建設(shè)應(yīng)用樣板。（ 3）專家系統(tǒng)專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問(wèn)題的計(jì)算機(jī)程序系統(tǒng)。專家系統(tǒng)內(nèi)部含有大量的某個(gè)領(lǐng)域的專家水平的知識(shí)與經(jīng)驗(yàn)，能夠運(yùn)用人類專家的知識(shí)和解決問(wèn)題的方法進(jìn)行推理和判斷， 模擬人類專家的決策過(guò)程，來(lái)解決該領(lǐng)域的復(fù)雜問(wèn)題

24、。 專家系統(tǒng)是人工智能應(yīng)用研究最活躍和最廣泛的應(yīng)用領(lǐng)域之一,涉及到社會(huì)各個(gè)方面，各種專家系統(tǒng)已遍布各個(gè)專業(yè)領(lǐng)域，取得很大的成功。根據(jù)專家系統(tǒng)處理的問(wèn)題的類型，把專家系統(tǒng)分為解釋型、診斷型、調(diào)試型、維修型、教育型、預(yù)測(cè)型、規(guī)劃型、設(shè)計(jì)型和控制型等10 種類型。具體應(yīng)用就很多了， 例如血液凝結(jié)疾病診斷系統(tǒng)、電話電纜維護(hù)專家系統(tǒng)、 花布圖案設(shè)計(jì)和花布印染專家系統(tǒng)等等。為了實(shí)現(xiàn)專家系統(tǒng)， 必須要存儲(chǔ)有該專門領(lǐng)域中經(jīng)過(guò)事先總結(jié)、分析并按某種模式表示的專家知識(shí) (組成知識(shí)庫(kù) ) ，以及擁有類似于領(lǐng)域?qū)＜医鉀Q實(shí)際問(wèn)題的推理機(jī)制(構(gòu)成推理機(jī) )。系統(tǒng)能對(duì)輸入信息進(jìn)行處理， 并運(yùn)用知識(shí)進(jìn)行推理， 做出決策和判斷

25、， 其解決問(wèn)題的水平達(dá)到或接近專家的水平，因此能起到專家或?qū)＜抑值淖饔?。開(kāi)發(fā)專家系統(tǒng)的關(guān)鍵是表示和運(yùn)用專家知識(shí)， 即來(lái)自領(lǐng)域?qū)＜业募罕蛔C明對(duì)解決有關(guān)領(lǐng)域內(nèi)的典型問(wèn)題有用的事實(shí)和過(guò)程。 目前，專家系統(tǒng)主要采用基于規(guī)則的知識(shí)表示和推理技術(shù)。由于領(lǐng)域的知識(shí)更多是不精確或不確定的，因此，不確定的知識(shí)表示與知識(shí)推理是專家系統(tǒng)開(kāi)發(fā)與研究的重要課題。 此外，專家系統(tǒng)開(kāi)發(fā)工具的研制發(fā)展也很迅速， 這對(duì)擴(kuò)大專家系統(tǒng)的應(yīng)用范圍， 加快專家系統(tǒng)的開(kāi)發(fā)過(guò)程， 將起到積極地促進(jìn)作用。 隨著計(jì)算機(jī)科學(xué)技術(shù)整體水平的提高，分布式專家系統(tǒng)、協(xié)同式專家系統(tǒng)等新一代專家系統(tǒng)的研究也發(fā)展很快。在新一代專家系統(tǒng)中， 不但采用基于規(guī)

26、則的推理方法， 而且采用了諸如人工神經(jīng)網(wǎng)絡(luò)的方法與技術(shù)。隨著人工智能的不斷發(fā)展，知識(shí)以及推理各種方法手段的進(jìn)步，人工智能給我們的科技生活帶來(lái)了不可估量的影響。在需要使用數(shù)學(xué)計(jì)算機(jī)工具解決問(wèn)題的學(xué)科，AI帶來(lái)的幫助不言而喻。更重要的是，AI反過(guò)來(lái)有助于人類最終認(rèn)識(shí)自身智能的形成。并且隨著專家系統(tǒng)更深入各行各業(yè)，帶來(lái)巨大的宏觀效益。AI也促進(jìn)了計(jì)算機(jī)工業(yè)網(wǎng)絡(luò)工業(yè)的發(fā)展。但同時(shí)，也帶來(lái)了勞務(wù)就業(yè)問(wèn)題。由于AI 在科技和工程中的應(yīng)用，能夠代替人類進(jìn)行各種技術(shù)工作和腦力勞動(dòng)，會(huì)造成社會(huì)結(jié)構(gòu)的劇烈變化，AI 也為人類文化生活提供了新的模式。伴隨著人工智能的不斷發(fā)展，我們需要更好的去學(xué)習(xí)和了解人工智能，掌握

27、知識(shí)和推理的方法， 并將其不斷拓展到新的應(yīng)用中去，以發(fā)展更加先進(jìn)的人工智能，并且改善提高我們的科技水平。參考文獻(xiàn)：計(jì)算機(jī)學(xué)報(bào)歸納法推理系統(tǒng)李衛(wèi)華、張黔、劉娟、石自立科教文匯人工智能知識(shí)表示方法之比較張欽2008(27)計(jì)算機(jī)學(xué)報(bào)王玨、袁小紅、石純一關(guān)于知識(shí)表示的討論1995(03)軟件學(xué)報(bào)王生生，劉大有、謝琦、王新穎集成多方面信息的定性空間推理及應(yīng)用 . 軟件學(xué)報(bào)，第14 卷，第 11 期， 2003 年， 1857-1862軟件學(xué)報(bào) 陳杰 ,陳熙霖 ,高文 .基于遺傳算法重采樣的人臉樣本擴(kuò)張J.2005;16(11):1894-1901韓偉 ,王云,王成道.電子商務(wù)智能Agent的自適應(yīng)模糊

28、推理.計(jì)算機(jī)應(yīng)用,2004; 24(11), 38-40Console L., Dressler O. Model-based diagnosis in the real world: lessons learnedand challenges remaining(Invited Talks). In: Thomas Dean ed. Proc. 16th IJCAI,Stockholm, Sweden: Morgan-Kaufmann Publishers, 1999, 1393-1400不確定推理的支持度周青，鞠實(shí)兒，軟件學(xué)報(bào) (中山大學(xué)軟件研究所廣州 510275)( 中山大學(xué)哲學(xué)系 廣州 510275)Visual Knowled