机器学习研究现状与发展趋势
计算机科学与软件学院
引言:
机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对奕中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。
机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。
机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。
机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。
一.机器学习的发展史
机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。
第一阶段是在50年代中叶到60年代中叶，属于热烈时期。…>
第二阶段是在60年代中叶至70年代中叶，被称为机器学习的冷静时期。
第三阶段是从70年代中叶至80年代中叶，称为复兴时期。
机器学习的最新阶段始于1986年。
机器学习进入新阶段的重要表现在下列诸方面：
(1) 机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。
(2) 结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。
(3) 机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。
(4) 各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。连接学习在声图文识别中占优势。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。
(5) 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。
二.机器学习分类
1、基于学习策略的分类
学习策略是指学习过程中系统所采用的推理策略。一个学习系统总是由学习和环境两部分组成。由环境（如书本或教师）提供信息，学习部分则实现信息转换，用能够理解的形
式记忆下来，并从中获取有用的信息。在学习过程中，学生（学习部分）使用的推理越少，他对教师（环境）的依赖就越大，教师的负担也就越重。学习策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类的，依从简单到复杂，从少到多的次序分为以下五种基本类型：
（１）机械学习
学习者无需任何推理或其它的知识转换，直接吸取环境所提供的信息。如塞缪尔的跳棋程序，纽厄尔和西蒙的LT系统。这类学习系统主要考虑的是如何索引存贮的知识并加以利用。系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不作任何工作，或者是通过直接接收既定的事实和数据进行学习，对输入信息不作任何的推理。
（２）示教学习
学生从环境（教师或其它信息源如教科书等）获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。所以要求学生有一定程度的推理能力，但环境仍要做大量的工作。教师以某种形式提出和组织知识，以使学生拥有的知识可以不断地增加。这种学习方法和人类社会的学校教学方式相似，学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存贮和应用学到的知识。目前，不少专家系统在建立知识库时使用这种方法去实现知识获取。示教学习的一个典型应用例是FOO程序。
（3）演绎学习
学生所用的推理形式为演译推理。推理从公理出发，经过逻辑变换推导出结论。这种推理是"保真"变换和特化(specialization)的过程，使学生在推理过程中可以获取有用的知识。这种学习方法包含宏操作(macro-operation)学习、知识编辑和组块(Chunking)技术。演绎推理的逆过程是归纳推理。
（4）类比学习
利用二个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识（包括相似的特征和其它性质）推导出目标域的相应知识，从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。类比学习需要比上述三种学习方式更多的推理。它一般要求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。类比学习在人类科学技术发展史上起着重要作用，许多科学发现就是通过类比得到的。例如著名的卢瑟福类比就是通过将原子结构（目标域）同太阳系（源域）作类比，揭示了原子结构的奥秘。
（５）基于解释的学习学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。EBL已被广泛应用于知识库求精和改善系统的性能。著名的EBL系统有迪乔恩（G.DeJong）的GENESIS, 米切尔（T.Mitchell）的LEXII和LEAP, 以及明顿（S.Minton）等的PRODIGY。
（６）归纳学习
归纳学习是由教师或环境提供某概念的一些实例或反例，让学生通过归纳推理得出该概念的一般描述。这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一般性概念描述（如公理）。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为"源概念"加以取用。归纳学习是最基本的，发展也较为成熟的学习方法，在人工智能领域中已经得到广泛的研究和应用。
2.按应用领域分类
目前最主要的应用领域有: 专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。
从机器学习的执行部分所反映的任务类型上看，目前大部分的应用研究领域基本上集中
于以下两个范畴：分类和问题求解。
（1）分类任务要求系统依据已知的分类知识对输入的未知模式（该模式的描述）作分析，以确定输入模式的类属。相应的学习目标就是学习用于分类的准则（如分类规则）。
（2）问题求解任务要求对于给定的目标状态,??寻找一个将当前状态转换为目标状态的动作序列；机器学习在这一领域的研究工作大部分集中于通过学习来获取能提高问题求解效率的知识（如搜索控制知识，启发式知识等）。
三.机器学习技术的发展趋势
从目前研究趋势看，机器学习今后主要的研究方向如下：1)人类学习机制的研究：2)发展和完善现有学习方法，同时开展新的学习方法的研究：3)建立实用的学习系统，特别是开展多种学习方法协同工作的集成化系统的研究：4)机器学习有关理论及应用的研究．机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。
结论
我发现,机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。
从目前研究趋势看，机器学习今后主要的研究方向如下：1)人类学习机制的研究：2)发展和完善现有学习方法，同时开展新的学习方法的研究：3)建立实用的学习系统，特别是开展多种学习方法协同工作的集成化系统的研究：4)机器学习有关理论及应用的研究．机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。
工业机器人发展现状与趋势 工业机器人是集机械、电子、控制、计算机、传感器、人工智能等多学科先进技术于一体的现代制造业重要的自动化装备。自从1962年美国研制出世界上第一台工业机器人以来，机器人技术及其产品发展很快，已成为柔性制造系统(FMS)、自动化工厂(FA)、计算机集成制造系统(CIMS)的自动化工具。 广泛采用工业机器人，不仅可提高产品的质量与产量，而且对保障人身安全，改善劳动环境，减轻劳动强度，提高劳动生产率，节约原材料消耗以及降低生产成本，有着十分重要的意义。和计算机、网络技术一样，工业机器人的广泛应用正在日益改变着人类的生产和生活方式。 一、工业机器人技术现状及国内外发展的趋势 工业机器人是最典型的机电一体化数字化装备，技术附加值很高，应用范围很广，作为先进制造业的支撑技术和信息化社会的新兴产业，将对未来生产和社会发展起着越来越重要的作用。国外专家预测，机器人产业是继汽车、计算机之后出现的一种新的大型高技术产业。据联合国欧洲经济委员会(UNECE)和国际机器人联合会(IFR)的统计，世界机器人市场前景看好，从20世纪下半叶起，世界机器人产业一直保持着稳步增长的良好势头。进入20世纪90年代，机器人产品发展速度加快，年增长率平均在10％左右。2004年增长率达到创记录的20％。其中，亚洲机器人增长幅度最为突出，高达43%，如图1所示。
各区域用户工业机器人定购指数（以1996年作为100） 国外机器人领域发展近几年有如下几个趋势： 1．工业机器人性能不断提高（高速度、高精度、高可*性、便于操作和维修），而单机价格不断下降，平均单机价格从91年的10．3万美元降至97年的6．5万美元。 2．机械结构向模块化、可重构化发展。例如关节模块中的伺服电机、减速机、检测系统三位一体化；由关节模块、连杆模块用重组方式构造机器人整机；国外已有模块化装配机器人产品问市。 3．工业机器人控制系统向基于PC机的开放型控制器方向发展，便于标准化、网络化；器件集成度提高，控制柜日见小巧，且采用模块化结构；大大提高了系统的可*性、易操作性和可维修性。 4．机器人中的传感器作用日益重要，除采用传统的位置、速度、加速度等传感器外，装配、焊接机器人还应用了视觉、力觉等传感器，而遥控机器人则采用视觉、声觉、力觉、触觉等多传感器的融合技术来进行环境建模及决策控制；多传感器融合配置技术在产品化系统中已有成熟应用。
机器翻译技术的现状及发展 篇一：翻译技术领域的现状与展望 翻译技术领域的现状与展望 作者/王华伟闫栗丽 翻译技术在中国的发展起步相对较晚，但近年来随着中国在全球化进程中扮演着越来越重要的角色，催生了对翻译技术发展的强烈需求。中国翻译行业在借鉴国外同行经验的基础上，于2007~2008年间在翻译技术领域取得了一系列成就，也还存在一些亟需改进的方面，而这也势必对我国的翻译行业产生深远的影响。 1. 国家政策的扶持和行业协会的推动 翻译技术的发展直接关乎整个翻译行业的翻译质量及效率，具备巨大的行业经济效益。对此，科技部、财政部都给与了足够的重视并拨出专项资金进行扶持。在 2008年的科技型中小企业技术创新基金扶持计划中，中文及多语种处理软件及基于先进语言学理论的中文翻译软件等赫然在列。而中国译协也在 2008年的第 18届世界翻译大会上专门辟出了翻译工具、术语管理和翻译标准等分论坛，着力推动翻译技术的探讨与发展。 2. 词典型翻译软件百花齐放 词典是使用范围最广的工具，它以使用便利的优势，几乎占据了每个计算机的桌面，无论语言学习者还是专业翻译人员，几乎都是必备工具。词典的发展从最早的单机版本发展至今，已经有很多种产品
类型，我们可以见到的有：电子词典、在线词典、手机词典等。“金山词霸”的网络版本“爱词霸”在这两年获得了长足的发展，如爱词霸网络释义、谷歌金山词霸等一系列特色功能的相继推出，将词典型翻译软件的应用领域从传统的桌面计算机拓展到网络、手机等，并取得了显著的成功。另外，类似Google这样的搜索引擎，因为信息量大，检索便利而成为很多专业翻译人员查词的重要辅助工具。 值得一提的是，最新推出的基于用户发布词汇的词典编撰系统之前的词典都是以各大出版社公开发行的词典中的词条作为主要数据库来源，为用户提供查询上的便利。但是传统出版词典的方式存在发布周期长、词汇更新慢的缺陷。互联网的出现，加快了信息传播的速度，也提高了用户对新词更新的速度要求，为了方便新词汇的发布，词典编纂系统也就应运而生了。这是一种基于用户的词典发布系统，用户可自由发起词典编纂项目，自发组织人员参与项目，发起人可以按照需要给小组成员分配不同的权限，将词汇添加等基本工作和审核人员明确区分，既确保了词典的专业性，也实现了专业语料的适时更新和发布。 3. 机器翻译应用软件融入普通网民生活 谷歌语言工具的推出打破了互联网语言的藩篱，用户可以方便简捷地将目标语言的网页转化成自己的母语进行浏览。事实上，这也是机器翻译软件的一个应用领域，而国内的相关软件如金山快译等，专注于为普通网民提供更为友好的英中日网站浏览体验，并在亚洲语言的机器翻译应用方面积累了大量的经验。其他如华建等长期从事机器
机器学习研究现状与发展趋势 计算机科学与软件学院 引言: 机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对奕中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的学科。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。 机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。 一.机器学习的发展史 机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。 第一阶段是在50年代中叶到60年代中叶，属于热烈时期。…> 第二阶段是在60年代中叶至70年代中叶，被称为机器学习的冷静时期。 第三阶段是从70年代中叶至80年代中叶，称为复兴时期。 机器学习的最新阶段始于1986年。 机器学习进入新阶段的重要表现在下列诸方面： (1) 机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。 (2) 结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。 (3) 机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。 (4) 各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。连接学习在声图文识别中占优势。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。 (5) 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。 二.机器学习分类 1、基于学习策略的分类 学习策略是指学习过程中系统所采用的推理策略。一个学习系统总是由学习和环境两部分组成。由环境（如书本或教师）提供信息，学习部分则实现信息转换，用能够理解的形
智能移动机器人的现状和发展 姓名 学号 班级：
智能移动机器人的现状及其发展 摘要：本文扼要地介绍了智能移动机器人技术的发展现状，以及世界各国智能移动机器人的发展水平，然后介绍了智能移动机器人的分类，从几个典型的方面介绍了智能移动机器人在各行各业的广泛应用，讨论了智能移动机器人的发展趋势以及对未来技术的展望，最后提出了自己的建议和设想，分析我国在智能移动机器人方面发展并提出期望。 关键词：智能移动机器人；发展现状；应用；趋势 1引言 机器人是一种可编程和多功能的，用来搬运材料、零件、工具的操作机，或是为了执行不同的任务而具有可改变和可编程动作的专门系统。智能移动机器人则是一个在感知 - 思维 - 效应方面全面模拟人的机器系统，外形不一定像人。它是人工智能技术的综合试验场，可以全面地考察人工智能各个领域的技术，研究它们相互之间的关系。还可以在有害环境中代替人从事危险工作、上天下海、战场作业等方面大显身手。一部智能移动机器人应该具备三方面的能力：感知环境的能力、执行某种任务而对环境施加影响的能力和把感知与行动联系起来的能 力。智能移动机器人与工业机器人的根本区别在于，智能移动机器人具有感知功 能与识别、判断及规划功能[1] 。 随着智能移动机器人的应用领域的扩大，人们期望智能移动机器人在更多领 域为人类服务，代替人类完成更复杂的工作。然而,智能移动机器人所处的环境 往往是未知的、很难预测。智能移动机器人所要完成的工作任务也越来越复杂; 对智能移动机器人行为进行人工分析、设计也变得越来越困难。目前，国内外对 智能移动机器人的研究不断深入。 本文对智能移动机器人的现状和发展趋势进行了综述，分析了国内外的智能 移动机器人的发展，讨论了智能移动机器人在发展中存在的问题，最后提出了对 智能移动机器人发展的一些设想。 1
第10章机器学习研究与应用新进展 徐从富李石坚王金龙 （浙江大学人工智能研究所，杭州 310027） 2005年10月7日第一稿 2006年10月16日第二稿 10.1 机器学习研究与应用综述 10.1.1 机器学习的发展概况 机器学习（Machine Learning）不仅是人工智能的一个核心研究领域，而且已成为整个计算机领域中最活跃、应用潜力最明显的领域之一，它扮演着日益重要的角色。近年来，欧美各国都投入了大量人财物进行机器学习的研究和应用，Intel、IBM、波音、微软、通用电器等大型公司也积极开展该领域的研究和开发，而且已有不少研究成果进入产品。美国航空航天局JPL实验室的科学家们在2001年9月出版的《Science》上撰文指出：“机器学习对科学研究的整个过程正起到越来越大的支持作用，……，该领域在今后的若干年内将取得稳定而快速的发展。”此外，机器学习研究的热门程度还可以从该领域的国际权威期刊《机器学习研究学报》（Journal of Machine Learning Research，简称JMLR）的影响因子（Impact factor）看出，据美国科学引文检索公司（ISI）统计，2004年该学报的影响因子已达到5.952，这是除了《ACM计算综述》（ACM Computing Survey）以外影响因子最高的计算机类期刊。需要特别说明的是，《ACM计算综述》每年只发表12篇世界级权威计算机专家关于某个研究方向最新研究进展的综述文章，一般并不发表研究论文，2004年其影响因子为10.037。 1997年Tom M. Mitchell在“Machine Learning”一书中给出了机器学习的经典定义——“计算机利用经验改善系统自身性能的行为。”还有人认为，机器学习是“神经科学（含认知科学）＋数学＋计算”的有机结合，数学则填补了神经科学与计算之间的鸿沟。与很多新兴学科一样，机器学习也是一个多学科交叉的产物，它吸取了人工智能、概率统计、神经生物学、认知科学、信息论、控制论、计算复杂性理论、哲学等学科的成果。实践证明，机器学习在很多应用领域发挥了重要的实用价值，特别是在数据挖掘、语音识别、图像识别、机器人、车辆自动驾驶、生物信息学、信息安全、遥感信息处理、计算金融学、工业过程控制等
机器学习的发展现状及其相关研究 摘要: 阐述了机器学习的概念及其研究现状, 讨论了其中的关键技术、难点及应用与发展前景, 并对机器学习研究中的有关问题提出一些看法. 关键词: 人工智能; 机器学习; 泛化 1 机器学习的发展现状 机器学习(machine learning)是继专家系统之后人工智能应用的又一重要研究领域, 也是人工智能和神经计算的核心研究课题之一. 机器学习是人工智能领域中较为年轻的分支, 其发展过程可分为4 个时期: 1)20 世纪50 年代中期到60 年代中期, 属于热烈时期; 2)60 年代中期至70 年代中期,被称为机器学习的冷静时期; 3)70 年代中期至80 年代中期, 称为复兴时4)1986 年开始是机器学习的最新阶段. 这个时期的机器学习具有如下特点: 机器学习已成为新的边缘学科并在高校成为一门独立课程; 融合了各种学习方法且形式多样的集成学习系统研究正在兴起; 机器学习与人工智能各种基础问题的统一性观点正在形成; 各种学习方法的应用范围不断扩大, 一部分应用研究成果已转化为商品; 与机器学习有关的学术活动空前活跃. 2 机器学习的概念、类型及特点 2.1 机器学习的基本概念
机器学习的研究主旨是使用计算机模拟人类的学习活动, 它是研究计算机识别现有知识、获取新知识、不断改善性能和实现自身完善的方法.机器学习的研究目标有3 个: 1)人类学习过程的认知模型; 2)通用学习算法; 3)构造面向任务的专用学习系统的方法.在图1 所示的学习系统基本模型中, 包含了4 个基本组成环节. 环境和知识库是以某种知识表示形式表达的信息的集合, 分别代表外界信息来源和系统所具有的知识; 环境向系统的学习环节提供某些信息, 而学习环节则利用这些信息对系统的知识库进行改进, 以提高系统执行环节完成任务的效能. “执行环节”根据知识库中的知识完成某种任务, 同时将获得的信息反馈给学习环节. 2.2 基于符号的机器学习 基于符号的机器学习, 是基于代表问题域中实体和关系的符号集合. 符号学习算法就是利用这些符号推出新颖、有效的一般规则, 规则同时也用这些符号进行表述. 1)变型空间搜索. 候选解排除算法依赖于变量空间这个概念, 是与训练实例一致的所有概念描述的集合. 这些算法有更多实
机器人发展历史、现状、应用、及发展 趋势 院系：信息工程学院 专业：电子信息工程 姓名：王炳乾
机器人发展历史、现状、应用、及发展趋势 摘要：随着计算机技术不断向智能化方向发展,机器人应用领域的不断扩展和深化,机器人已成为一种高新技术产业,为工业自动化发挥了巨大作用,将对未来生产和社会发展起越来越重要的作用。文章介绍了机器人的国内国外的发展历史、状况、应用、并对机器人的发展趋势作了预测。 关键词：机器人;发展；现状；应用；发展趋势。 1．机器人的发展史 1662年，日本的竹田近江利用钟表技术发明了自动机器玩偶并公开表演。 1738年，法国技师杰克·戴·瓦克逊发明了机器鸭，它会嘎嘎叫、进食和游泳。 1773年，瑞士钟表匠杰克·道罗斯发明了能书写、演奏的玩偶，其体内全是齿轮和发条。它们手执画笔、颜料、墨水瓶，在欧洲很受青睐。 保存至今的、最早的机器人是瑞士的努萨蒂尔历史博物馆里少女形象的玩偶，有200年历史。她可以用风琴演奏。 1893年，在机械实物制造方面，发明家摩尔制造了“蒸汽人”，它靠蒸汽驱动行走。 20世纪以后，机器人的研究与开发情况更好，实用机器人问世。 1927年，美国西屋公司工程师温兹利制造了第一个机器人“电报箱”。它是电动机器人，装有无线电发报机。 1959年第一台可以编程、画坐标的工业机器人在美国诞生。 现代机器人 有关现代机器人的研究始于20世纪中期，计算机以及自动化技术的发展、原子能的开发利用是前提条件。1946年，第一台数字电子计算机问世。随后，计算机大批量生产的需要推动了自动化技术的发展。1952年，数控机床诞生，随后相关研究不断深入；同时，各国原子能实验室需要代替人类处理放射性物质的机械。
2011／2 机械制造49卷第558期 纵观历史研究文献，国内外对工业机器人的研究热点问题主要分为3个方面：仿生机器人与新型机构、机器人的定位与地图创建、机器人-环境交互。本文将分别就以上3方面对研究现状进行简要分析，并对工业机器人的发展趋势作了预测。 1工业机器人的发展历程 自1954年美国戴沃尔最早提出了工业机器人的 概念以来，工业机器人就得以不断地发展。概括起来，工业机器人的发展历程为3代： 第1代：示教再现型机器人，但不具备反馈能力。如郭勇等人[1]研制的挖掘机手柄自动操作机构，该机构结构简单，能够实现动作示教再现。 第2代：有感觉的机器人，不仅具有内部传感器，而且具有外部传感器，能获得外部环境信息。如P.l Liljeb.ck 等人研制的蛇形机器人就装有内部测转速的 传感器，以及外部测力的传感器，该机器人能够在不规则环境中具有一定的运动能力。 第3代：智能机器人。定义为“可自动控制的装置，能理解指示命令，感知环境，识别对象，规划自身操作程序来完成任务”。如John Vannoy 等人采用实时可适应性的运动规划（RAMP ）算法的PUMA560机械臂，它能在复杂动态环境中自动识别来自不同方向的移动或静止的障碍物，主动规划路径，进而完成预定任务。 2 国外工业机器人的研究现状 2.1 仿生机器人与新型机构 对人的研究，国外侧重于对人行走时的步态分析， 通过对人脚形状的分析，得出具有圆形截面的脚趾和脚后跟以及具有扁平截面的连接脚趾和脚后跟的中间 部分具有最佳的动力学性能。对人形机器人步态规划问题，Xia Zeyang 等人提出了一种基于样品的决定性的脚步规划方法，该方法综合考虑了自身独特的运动能力和稳定性。对于在不同类型障碍的复杂环境中脚步规划，Yasar Ayaz 采用与人走近障碍物时绕过的方法，通过脚步实时的生成成功避开障碍物。此外，对于双足步行机器人的复杂地面运动的研究也有新的进展，研究出一种新型的双足机构，能实现不平区域稳定地行走，该足由4个分别带光学传感器的鞋钉组成，总重1.5kg 。对动物的研究则表现为对诸如蛇、鱼的结构以及运动性能的研究。仿蛇机器人不仅可以作为管道检测装置，也可以作为地震或矿难探索装置，更可以当作极地探测器来进行科研活动。Shigeo 和Hiroya Yamada 就将仿蛇机器人的机械结构分为5种类型：活 动的弯曲关节式；活动的弯曲和拉伸关节式；活动的弯曲关节和活动的车轮式；被动弯曲关节和活动车轮式；活动的弯曲关节和履带式。Aksel Andreas Transeth 等采用摩擦力模型方法建立了一蛇形机器人模型，该机器人能与包括地面的障碍物以外的物体接触，对地震或矿区救援很有帮助。Kristin Y.Pettersen 等人对蛇形机器人在存在障碍物环境中运动进行了复合建模，仿真结构证明该模型能实现不规则环境中的一般运动。但蛇形机器人目前要真正达到在复杂环境中畅通无阻地运动，还有待进一步研究。对海洋的开发，相对于其它的水下自动化装置，仿生鱼具有更好的推进力和流体适应性。其研究主要体现在结构和运动特性上。Jun Gao 和K.H.Low 等人对胸鳍驱动和尾鳍驱动鱼形机器 人进行了分析，讨论了鱼结构和运动各参数的关系。 Yu Zhong 等人对由阀体与尾鳍构成的机器人鱼的运 动性能进行了研究，采用量纲分析方法，建立了一种能预测运动的机器鱼模型。Giuseppe Tortora 等人设计了 工业机器人研究现状及发展趋势 □ 曹文祥 □ 冯雪梅 武汉理工大学机电工程学院 武汉 430070 摘 要：作为最典型的机电一体化的高科技装备，工业机器人得到了非常广泛的应用。综述了国内外工业机器人的 研究热点现状，并预测了其发展趋势。 关键词：工业机器人现状 发展趋势 中图分类号：TP242.2 文献标识码：A 文章编号：1000－4998(2011)02－0041－03 Abstract:As the typical high-tech equipment of mechanoelectronic integration,industrial robots have been widely used.The current situation of research hot points of IR is presented and the developing trend forecasted. Key Words:Industrial Robot (IR)Current Situation Developing Trend 收稿日期：2010年9月 41
机器翻译研究现状与展望1 戴新宇，尹存燕，陈家骏，郑国梁 （南京大学计算机软件新技术国家重点实验室，南京 210093） （南京大学计算机科学与技术系，南京 210093） 摘要：本文回顾机器翻译研究的历史，介绍典型的机器翻译方法，包括：基于规则、基于统计以及基于实例的机器翻译方法；针对机器翻译的研究现状，详细介绍和分析了基于混合策略的机器翻译方法，对统计以及机器学习方法在机器翻译中的应用进行了描述；论文还介绍了当前机器翻译评测技术；最后对机器翻译进行总结和展望。 关键字：机器翻译，基于规则，基于统计，基于实例，混合策略，机器学习 Machine Translation:Past,Present,future Dai Xinyu, Yin Cunyan, Chen Jiajun and Zheng Guoliang (State Key Laboratory for Novel Software Technology, Department of Computer Science & Technology Nanjing University, Nanjing 210093) Abstract：This paper firstly presents the history of machine translation, and introduces some classical paradigms of machine translation: RBMT, SBMT and EBMT. Secondly, we introduce the recent research on machine translation, and describe the hybrid strategies on machine translation in detail, and discuss the applications of machine learning for machine translation. We also analyze the current techniques about evaluation on machine translation. Finally, we draw a conclusion and prospect on the research of machine translation. Keywords：Machine Translation, RBMT, SBMT,EBMT, HSBMT, Machine Learning. 1本论文工作得到863课题资助（编号：2001AA114102, 2002AA117010-04） 戴新宇博士生，主要研究自然语言处理；尹存燕助教，主要研究自然语言处理；陈家骏教授，博士生导师，主要研究自然语言处理、软件工程；郑国梁教授，博士生导师，主要研究软件工程。
机器学习研究现状与发展趋势 摘要: 机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。 机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。采用机器学习方法的计算机程序被成功用于机器人下棋程序、语音识别、信用卡欺诈监测、自主车辆驾驶、智能机器人等应用领域，除此之外机器学习的理论方法还被用于大数据集的数据挖掘这一领域。实际上，在任何有经验可以积累的地方，机器学习方法均可发挥作用。 机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 本文主要叙述了 1.机器学习的研究现状,包括定义,应用领域,研究意义,发展史,系统结构,和对其进行各种角度的分类. 2.机器学习的发展趋势。 引言: 1
按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。西蒙对学习给出的定义本身，就说明了学习的重要作用。 机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对奕中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 什么叫做机器学习？至今，还没有统一的“机器学习”定义，而且也很难给出一个公认的和准确的定义。为了便于进行讨论和估计的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义，机器学习是研究如何使用机器来模拟人类学习活动的一门。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。 机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 机器学习是关于理解与研究学习的内在机制、建立能够通过学习自动提高自身水平的计算机程序的理论方法的。近年来机器学习理论在诸多应用领域得到成功的应用与发展，已成为计算机科学的基础及热点之一。 机器学习已经有了十分广泛的应用例如搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。 机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计 1
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2017, 6(1), 16-21 Published Online February 2017 in Hans. https://www.doczj.com/doc/0014277209.html,/journal/airr https://https://www.doczj.com/doc/0014277209.html,/10.12677/airr.2017.61003 文章引用: 洪歧, 杨刚, 惠立山. 大数据分析中机器学习研究[J]. 人工智能与机器人研究, 2017, 6(1): 16-21. The Study of Machine Learning in Big Data Analysis Qi Hong, Gang Yang, Lishan Hui School of Mathematics and Computer Science, Shaanxi Sci-Tech University, Hanzhong Shaanxi Received: Dec. 29th , 2016; accepted: Jan. 13th , 2017; published: Jan. 18th , 2017 Abstract Machine learning played a more and more important role in the analysis of large data. The main methods and techniques of machine learning under the background of large data were summa- rized. Firstly, the basic model and classification of machine learning were introduced. Then, sev-eral key technologies of machine learning in large data environment were described. And the ar-ticle showed the popular four kinds of big data machine learning systems, and analyzed their cha-racteristics. In the end, it pointed out the main research direction and the challenges of the big data machine learning. Keywords Big Data, Machine Learning, Semi-Supervised Learning, Machine Learning System in Big Data, Probabilistic Graph Model, R Language 大数据分析中机器学习研究 洪 歧，杨 刚，惠立山 陕西理工大学，数学与计算机科学学院，陕西 汉中 收稿日期：2016年12月29日；录用日期：2017年1月13日；发布日期：2017年1月18日 摘 要 机器学习在大数据分析中起着越来越重要的作用，本文主要对大数据背景下机器学习方法和技术等进行了归纳和总结。首先对机器学习的基本模型、分类进行简介；然后对大数据环境下的机器学习的几个关键技术进行了叙述；接着展示了目前流行的四种大数据机器学习系统，并分析了其特点；最后指明了大
智能机器人的现状及其发展趋势 摘要：本文扼要地介绍了智能机器人技术的发展现状，以及世界各国智能机器人的发展水平，然后介绍了智能机器人的分类，从几个典型的方面介绍了智能机器人在各行各业的广泛应用，讨论了智能机器人的发展趋势以及对未来技术的展望，最后提出了自己的建议和设想，分析我国在智能机器人方面发展并提出期望。 关键词：智能机器人；发展现状；应用；趋势 The status and trends of intellectual robot Abstract: This paper briefly discusses the development, status of intellectual robot, development of intellectual robot in many countries. And then it presents the categories of intellectual robot, talks about the extensive applications in all works of life from several typical aspects and trends of intellectual robot. After that, it puts forward prospects for future technology, suggestion and a tentative idea of myself, and analyses the development of intellectual robot in China. Finally, it raises expectations of intellectual robot in China. Key words: intellectual robot; development status; application; trend 1 引言 机器人是一种可编程和多功能的，用来搬运材料、零件、工具的操作机，或是为了执行不同的任务而具有可改变和可编程动作的专门系统。智能机器人则是一个在感知- 思维- 效应方面全面模拟人的机器系统，外形不一定像人。它是人工智能技术的综合试验场，可以全面地考察人工智能各个领域的技术，研究它们相互之间的关系。还可以在有害环境中代替人从事危险工作、上天下海、战场作业等方面大显身手。一部智能机器人应该具备三方面的能力：感知环境的能力、执行某种任务而对环境施加影响的能力和把感知与行动联系起来的能力。智能机器人与工业机器人的根本区别在于，智能机器人具有感知功能与识别、判断及规划功能[1]。 随着智能机器人的应用领域的扩大，人们期望智能机器人在更多领域为人类服务，代替
机器翻译技术的研究和应用综述 ACM Matrix_68 摘要：随着互联网的日益发展，网络信息的激增，国际社会交流愈加频繁，机器翻译已成为克服交流时所产生的语言障碍的重要手段之一。本文回顾机器翻译研究的历史，介绍典型的机器翻译方法，在分析机器翻译内涵的基础上，阐述了机器翻译的现状，探讨了机器翻译所面临的问题及机器翻译的发展趋势，对统计以及机器学习方法在机器翻译中的应用进行了描述；论文还介绍了当前机器翻译评测技术；最后对机器翻译进行总结和展望。 关键字：机器翻译；自然语言；基于规则；基于统计；基于实例；混合策略；机器学习 1引言 近年来，自然语言处理的研究已经成为热点，而机器翻译作为自然语言研究领域的一个重要分支，同时也是人工智能领域的一个课题，同样为大家所关注。当电子计算机1946年问世的时候，人们就提出了机器翻译的想法，并且在1954年进行了第一次机器翻译试验。然而与后来的各种语言信息处理研究和应用（语言信息检索、文本自动分类、自动文摘、信息提取等等）相比，机器翻译却是进展最慢的。 从上个世纪40年代英国工程师Booth 和美国工程师Weaver提出利用计算机进行翻译的想法，到50年代欧美国家投入大量的人力、物力致力于机器翻译的研究，再到60年代ALPAC置疑报告的提出，机器翻译走向沉寂。 学者们倾其大半生精力、商家投入为数可观的资金，经历五十多年不懈的研究和开发，得到的成果或者产品却常常不能令人满意。最近的二十年，随着语言学理论的发展、计算机技术的进步以及统计学和机器学习 方法在自然语言处理领域中的广泛应用，人们对机器翻译本身的应用背景、目标等也有了更加准确的认识，机器翻译在此背景下取得了长足的发展，基于统计、基于实例等新的机器翻译方法也都是在这一时期出现，一些机器翻译系统也从实验室走向了市场。 本文第二节介绍了机器翻译的历史现状；第三节介绍了机器翻译面临的问题；第四节介绍几种经典的机器翻译方法；第五节给出近期机器翻译的发展趋势，介绍基于混合策略的机器翻译方法，对统计机器学习在机器翻译中的应用进行总结；第六节讨论当前机器翻译的评测系统；最后，对机器翻译研究进行总结和展望。 2机器翻译的历史现状 机器翻译的研究历史可以追溯到20世纪三四十年代。20世纪30年代初，法国科学家G.B.阿尔楚尼提出了用机器来进行翻译的想法。1933年，苏联发明家П.П.特罗扬斯基设计了把一种语言翻译成另一种语 言的机器，并在同年9月5日登记了他的发明；但是，由于30年代技术水平还很低，他的翻译机没有制成。1946年，第一台现代电子计算机ENIAC诞生，随后不久，信息论的先驱、美国科学家W.Weaver和英国工程师A.D.Booth在讨论电子计算机的应用范围时，于1947年提出了利用计算机进行语言自动翻译的想法。1949年，W.Weaver发表《翻译备忘录》，正式提出机器翻译的思想。走过六十年的风风雨雨，机器翻译经历了一条曲折而漫长的发展道路，学术界一般将其划分为如下四个阶段： 2.1机器翻译的开创期（1947-1964） 1954年，美国乔治敦大学（GeorgetownUniversity）在IBM公司协同下，用IBM-701计算机首次完成了英俄机器
机器学习 机器学习就是通过对人类学习过程和特点的研究，简历学习理论和方法，以改进机器的行为和性能，提高机器解决问题的能力。通俗地说，机器学习就是研究如何用机器来模拟人类的学习活动，以使机器能够更好的帮助人类。而机器学习，就是要解决知识的自动获取问题。 机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。例如，它们遇到错误时不能自我校正；不会通过经验改善自身的性能；不会自动获取和发现所需要的知识。它们的推理仅限于演绎而缺少归纳，因此至多只能够证明已存在事实、定理，而不能发现新的定理、定律和规则等。随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。其中尤其典型的是专家系统中的知识获取瓶颈问题，人们一直在努力试图采用机器学习的方法加以克服。 机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。至今，还没有统一的“机器学习”定义，尽管如此，为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义，机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等 机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个跳棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。 机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的，因此无论如何其能力也不会超过设计者本人。这种意见对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。 机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。 第一阶段是在50年代中叶到60年代中叶，属于探索时期。 第二阶段是在60年代中叶至70年代中叶，被称为机器学习的发展时期。 第三阶段是从70年代中叶至80年代中叶，称为繁荣时期。 机器学习进入新阶段的重要表现在下列诸方面： (1) 机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。 (2) 结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。
７２ 计算机教育 2005.4 人／才／培／养／与／就／业机器翻译（Ｍａｃｈｉｎｅ Ｔｒａｎｓ－ｌａｔｉｏｎ）是通过计算机来实现不同自然语言之间的翻译。机器翻译是自然语言处理（Ｎａｔｕｒａｌ ＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ）的一个分支，机器翻译与计算语言学（ＣｏｍｐｕｔａｔｉｏｎａｌＬｉｎｇｕｉｓｔｉｃｓ）、自然语言理解（Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ）存在着密不可分的关系。机器翻译的研究与发展取决于计算机科学、数学、语言学、人工智能等多学科的发展，因此机器翻译可以说是一个跨学科的综合性系统工程。人类步入２１世纪以来，随着国际互联网（Ｉｎｔｅｒｎｅｔ）的迅猛发展，网络信息急剧膨胀，国际交流日益频繁以及地球村的形成，机器翻译正在逐渐成为克服人们之间进行交流时所面临的语言障碍的重要手段，同时也面临着很大的市场机遇和挑战。 历史的回顾 从美国人维弗（Ｗａｒｒｅｎ?Ｗｅａｖｅｒ）于１９４９年发表《翻译》备忘录并正式提出机器翻译的思想以来，机器翻译已经走过了５０多个风风雨雨的春秋。在这期间，机器翻译可以说经历了一条曲折而漫长的 发展道路。 １９５４年，在美国乔治敦大学（Ｇｅｏｒｇｅｔｏｗｎ Ｕｎｉｖｅｒｓｉｔｙ）进行了 人类历史上的第一次机器翻译的公开演示。尽管演示尚不算很成功，但是它却具有划时代的意义，因为它拉开了人们研究机器翻译 的序幕。 从２０世纪５０年代开始到２０世纪６０年代的前半期，机器翻译的研 究呈不断上升的趋势。美国和前苏联两个超级大国出于军事和政治经济目的，纷纷对机器翻译项目提供了大量的资金支持，而欧洲国家由于地缘政治和经济的需要也对机器翻译研究给予了相当大的重视。 １９６６年，美国科学院发表的ＡＬＰＡＣ报告使当时正在蓬勃发展的机器翻译陷入了停滞的状态。现在来看，该报告是非常片面、狭隘和短视的。 从２０世纪６０年代中后期到整个７０年代，整个机器翻译领域处于一个相对平稳发展的时期，而在某些国家，特别是加拿大和欧盟，机器翻译的研究却取得了比较显著的进步。尤其是在加拿大，由于双语文 化的影响，政府积极支持机器翻译的研发工作，１９７６年，加拿大蒙特利尔大学与加拿大联邦政府翻译局联合开发了提供天气预报服务的实用性机器翻译系统ＴＡＵＭ－ＭＥＴＥＯ，该系统的成功开发标志着 机器翻译已经在某些领域达到了实用化的程度。 进入２０世纪８０年代以来，由于计算机科学、语言学研究的发展，特别是计算机硬件技术的大幅度提高以及人工智能在自然语言处理上的应用，机器翻译在全世界范围内开始复苏，并在随后的９０年代取得了长足的进步。 ２０世纪９０年代以来的机器翻译技术的新进展 １．机器翻译的分类 进入２０世纪９０年代，机器翻译领域的的研究方法基本上可以分为两大类，即基于规则（Ｒｕｌｅ－Ｂａｓｅｄ）和基于语料库（Ｃｏｒｐｕｓ－Ｂａｓｅｄ）的方法。基于规则的方法又可以分为基于转换的方法和基于中间语言的方法，基于语料库的方法又可以分为基于统计的方法和基于实例的方法。传统的基于规则的方法又可以 机器翻译的现状和发展趋势 中国软件与技术服务股份有限公司 岳涛／文 ◆ 课外新知 ◆