人工智能技术研究如何让计算机完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机来模拟人类某些智能行为的基本理论、方法和技术，涵盖语言的学习与处理、知识表现、智能搜索、推理、规划、机器学习、知识获取、组合调度问题、感知问题、模式识别、逻辑程序设计、软计算、不精确和不确定的管理、人工生命、神经网络、复杂系统、遗传算法、人类思维方式、机器的自主创造性思维能力的塑造与提升等多个技术领域。
（一）专家系统（Expert System，ES）
专家系统是依靠人类专家已有的知识建立起来的知识系统，是一类具有专门领域内大量知识与经验的计算机智能程序系统。它采用人工智能中的推理技术，运用特定领域中专家提供的专门知识和经验来求解和模拟通常由专家才能解决的各种复杂问题，其水平可以达到甚至超过人类专家的水平。
专家系统的关键在于表达和运用专家知识，专家知识是指来自人类专家的，且已被证明能够解决某领域内的典型问题的有用的事实和过程。
不同领域与不同类型的专家系统的体系结构和功能是有一定的差异的，但它们的组成基本一致。通常情况下，专家系统由人机交互界面、知识库及其管理系统、推理机、解释器、综合数据库及其管理系统、知识获取机构等六个部分组成，如图2-21所示。
图2-21 典型专家系统结构
1．人机交互界面
人机界面是系统与用户进行交流时的界面，用户通过该界面输入基本信息、回答系统提出的相关问题，系统通过该界面输出推理结果及相关的解释。
2．知识库及其管理系统
知识库是问题求解所需要的领域知识的集合，包括基本事实、规则和其他有关信息。知识的表示形式是多种多样的，包括框架、规则、语义网络等。知识库中的知识源于领域专家，是专家系统的核心组成部分，是决定专家系统能力的关键，即知识库中知识的质量和数量决定着专家系统的质量水平。一般来说，专家系统中的知识库与专家系统程序是相互独立的，用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能。
3．推理机
推理机是实施问题求解的核心执行机构，是对知识进行解释的程序，它根据知识的语义，对按一定策略找到的知识进行解释执行，并把结果记录到动态库的适当空间中。推理机的程序与知识库的具体内容无关，即推理机和知识库是分离的，这是专家系统的重要特征。它的优点是对知识库的修改无须改动推理机，但是纯粹的形式推理会降低问题求解的效率。将推理机和知识库相结合也不失为一种可选方法。
4．知识获取机构
知识获取负责建立、修改和扩充知识库，是专家系统中把问题求解的各种专门知识从人类专家的头脑中或其他知识源转换到知识库中的一个重要机构。知识获取既可以采用手工的方式，也可以采用半自动知识获取方法或自动知识获取方法。
5．综合数据库及其管理系统
综合数据库也称为动态库或工作存储器，是反映当前问题求解状态的集合，用于存放系统运行过程中所产生的所有信息，以及所需要的原始数据，包括用户输入的信息、推理的中间结果、推理过程的记录等。综合数据库中由各种事实、命题和关系组成的状态，既是推理机选用知识的依据，也是解释机制获得推理路径的来源。
6．解释器
解释器用于对求解过程做出说明，并回答用户的提问。两个最基本的问题是“why”和“how”。解释机制涉及程序的透明性，它让用户理解程序正在做什么和为什么这样做，向用户提供了关于系统的一个认识窗口。在很多情况下，解释机制是非常重要的，为了回答“为什么”得到某个结论的询问，系统通常需要反向跟踪动态库中保存的推理路径，并把它翻译成用户能接受的自然语言表达方式。
与传统的计算机程序上不同，专家系统强调的是知识而不是方法，以知识库和推理机为中心而展开的，即专家系统=知识库+推理机。很多问题没有基于算法的解决方案，或算法方案太复杂，可以利用人类专家拥有的丰富知识，模拟专家的思维来解决问题。
（二）机器学习（Machine Learning）
人工智能从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，有一条自然、清晰的脉络。学习是一个有特定目的的知识获取过程，它的内部主要表现为新知识不断建构和修改，外部表现为性能的改善。机器学习的过程从本质上讲，就是学习系统把导师（或专家）提供的信息转换成能被系统理解并应用的形式的过程。机器学习在现实生活中的很多方面都有应用。机器学习应用在数据分析领域就是数据挖掘，比如识别垃圾邮件、购物网站的推荐系统等；机器学习应用在图像处理领域就是机器视觉，比如自动驾驶汽车、人脸识别等。
机器学习使用计算机模拟或实现人类的学习活动，是使机器具有智能的根本途径。机器学习系统通过获取知识、积累经验、发现规律，使系统性能得到改进，系统实现自我完善、自适应环境，如图2-22所示。
图2-22 机器学习系统
几乎所有的机器学习系统都是由上图所示组成，不同的是监督型的系统训练数据可能需要人工干预，非监督型的系统不需要人工干预，即将一批训练数据给机器学习模型进行学习，得到一个预测模型，然后对新的未知数据进行预测。
机器学习可以进一步细化为5个基本流程：
（1）收集数据：收集训练模型所需要的相关数据。
（2）准备和清理数据：保证收集数据的质量，处理一些数据的问题，如缺失值和极端值。
（3）训练模型：选择适当的算法构建模型，将数据分为想训练集、交叉集和测试集。
（4）评估模型：利用交叉集来评估模型的质量，利用测试集来评估模型的通用性。
（5）优化模型性能。
其中，模型的选择、评估和优化对于找出一个好的模型来说是十分必要的，每种机器学习算法都有它们的应用范围，需要针对不同的情况加以区分和选择。模型的优化和评估对于提高模型的准确度有很大的帮助。
（三）模式识别（Pattern Recognition）
模式识别是指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，它是信息科学和人工智能的重要组成部分。
标准的模式识别流程如图2-23所示。
图2-23 典型模式识别流程
（1）使用各种传感器把客观对象的各种物理变量转换为计算机可以接受的数字或符号集合，采集客观对象的信息特征，如指纹、人脸、语音等生物信息。依照采集生物信息特征源的不同，模式识别传感器有指纹采集器、人脸采集摄像头、语音采集麦克风等。
（2）对传感器采集的信息进行消除噪声、排除不相干的信号，以及与对象的性质和采用的识别方法密切相关的特征的计算、必要的变换等操作处理，抽取出对识别有效的信息，实现特征数据的数值表示。
（3）根据建立的模式识别模板，进行模式识别比对，即把模式识别特征采样的样板与模板比较，输出识别的结果。
按模式识别信息的采集方式，可以把模式识别分为两类：
1．直接采集生物信息特征的模式识别
直接采集生物信息特征的模式识别只需要使用普通传感器就可以进行，例如指纹、人脸、语音的生物信息特征模式识别。
2．间接采集生物信息特征的模式识别
间接采集生物信息特征的模式识别需要使用特殊的传感器，甚至还需要化验技术才可以进行，例如DNA图谱识别。
（四）人工神经网络
人工神经网络是一种基于人脑与神经系统的研究启发所开发的信息处理技术，它具有人脑学习、记忆和归纳基本特性。人脑的学习系统是由相互连接的神经元组成的异常复杂的网络，人工神经网络与人脑大体相似，也是由一系列简单的单元相互密集连接构成的。大脑中的一个神经元就是一个极其复杂的机器，即使在今天，我们仍然无法完全理解。而神经网络中的一个“神经元”只是一个极其简单的数学函数，它只能获取生物神经元复杂性中极小的一部分。
整个神经网络包含一系列基本的神经元，通过权重（weight）相互连接的节点层组成，单个节点被称为感知器（perceptron）。在多层感知器（MLP）中，感知器按层级排布，层与层之间互相连接，如图2-24所示。
图2-24 人工神经网络示意图
在MLP中有三种类型的层，即输入层（Input-layer）、隐藏层（Hidden-layer）和输出层（Output-layer）。输入层用于接收输入；输出层是神经网络的决策层，可以包含一个分类列表或输入模式可以映射的输出信号；隐藏层用于提取输入数据中的显著特征，调整输入的权重，直到将神经网络的预测误差降至最小。隐藏层一般为1～2层，而深度神经网络具有大量隐藏层，有能力从数据中提取更加深层的特征。多层深度学习算法（Deep Learning）直接影响了神经网络的学习效率，好的学习算法可以有效降低神经网络的传递误差，加速收敛。
人工神经网络以建立数值结构（含加权值的网络）来学习，通过“学习循环”，持续修正类神经网络神经元权重，使输出值越来越接近真值。深度学习技术被广泛使用在不同的系统中，包括基于Nuance Communications技术的Apple Siri智能个人助手以及Google街景的地址识别系统。
人工神经网络所具有的学习能力，使它可以不依赖“专家”的头脑而自动从已有实验数据中总结规律。因此，人工神经网络擅长处理复杂多维的非线性问题，不仅可以解决定性问题，也可解决定量问题，同时还具有大规模并行处理和分布的信息存储能力，具有良好的自适应性、自组织性以及很强的学习、联想、容错能力和较好的可靠性。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
