自然语言理解 自然语言也就是我们是日常使用的语言，像各国语言汉语，英语等只要能完成人们之间相互交流的语言就成为自然语言，自然语言是人类学习环境和互相通讯的工具。在人类历史上以语言文字形式记载和流传的知识占到知识总量的80%以上。就计算机的应用而言，据统计用于数学计算的仅占10%，用于过程控制的不到5%，其余85%左右都是用于语言文字的信息处理。所谓语言信息处理，是指用计算机对自然语言的形、音、义等信息进行处理，即对字、词、句、篇章的输入、输出、识别、分析、理解、生成等的操作和加工。根据可计算性理论，任一计算机的运算都是按一定程序，分步骤相继作用在离散对象之上所完成的，而这些对象又都以线性序列相邻接地排列组合所构成。而自然语言具有的离散性、序列性和邻接性三个特征其具备了“可计算性”，为自然语言处理奠定了物质基础。 语法是语言的组织规律。语法规则制约着如何把词素构成词，把词构成词组和句子。语言正是在这种严格的制约关系中构成的。用词素构成词的规则称为构词规则，如“学”＋“生”构成“学生”。一个词又有不同的词形、单数、复数、阴性、阳性等等。这种构造词形的规则称为构形法，如“学生”＋“们”构成“学生们”。这里，只是在原来的词的后面加上了一个具有复数意义的词素，所构成的并不是一个新词，而是同一个词的复数形式。构形法和构词法称为词法。语法中的另一部分是句法。句法可分为词组构造法和造句法两部分。词组构造法是把词搭配成词组的规则，例如，把“新”＋“朋友”构成“新朋友”。这里，“新”是一个修饰“朋友”的形容词，它们的组合构成了一个新的名词。造句法则是用词和词组构造句子的规则，如“我们是计算机系的学生”就是按照汉语造句法构造的句子。 对于自然语言德理解，能够更好的处理计算机语言与人类语言的交互。他也就是利用计算机技术研究和处理语言的一门学科，即把计算机作为语言研究的强大工具，在计算机的支持下对语言信息进行定量化的研究，并提供可供人与计算机之间能共同使用的语言描写。自然语言理解通常又叫自然语言处理，因为处理自然语言的关键是要让计算机“理解”自然语言。但什么是“理解”呢?对于这个术语也存在着各式各样的认识。如心理学家认为，理解是“紧张的思维活动的结果”，哲学家认为，理解是“认识或揭露事物中本质的东西”，而逻辑学家则认为理解是“把新的知识、经验
什么是模式识别 1 模式识别的概念 模式识别[8]是一种从大量信息和数据出发，在专家经验和已有认识的基础上，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别的过程。模式识别包括相互关联的两个阶段，即学习阶段和实现阶段，前者是对样本进行特征选择，寻找分类的规律，后者是根据分类规律对未知样本集进行分类和识别。广义的模式识别属计算机科学中智能模拟的研究范畴，内容非常广泛，包括声音和语言识别、文字识别、指纹识别、声纳信号和地震信号分析、照片图片分析、化学模式识别等等。计算机模式识别实现了部分脑力劳动自动化。 模式识别－－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，是信息科学和人工智能的重要组成部分。 模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等，属于概念识别研究的范畴，是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、文字、符号、三位物体和景物以及各种可以用物理的、化学的、生物的传感器对对象进行测量的具体模式进行分类和辨识。 模式识别问题指的是对一系列过程或事件的分类与描述，具有某些相类似的性质的过程或事件就分为一类。模式识别问题一般可以应用以下4种方法进行分析处理。 统计模式识别方法：统计模式识别方法是受数学中的决策理论的启发而产生的一种识别方法，它一般假定被识别的对象或经过特征提取向量是符合一定分布规律的随机变量。其基本思想是将特征提取阶段得到的特征向量定义在一个特征空间中，这个空间包含了所有的特征向量，不同的特征向量，或者说不同类别的对象都对应于空间中的一点。在分类阶段，则利用统计决策的原理对特征空间进行划分，从而达到识别不同特征的对象的目的。统计模式识别中个应用的统计决策分类理论相对比较成熟，研究的重点是特征提取。 人工神经网络模式识别：人工神经网络的研究起源于对生物神经系统的研究。人工神经网络区别于其他识别方法的最大特点是它对待识别的对象不要求有太多的分析与了解，具有一定的智能化处理的特点。 句法结构模式识别：句法结构模式识别着眼于对待识别对象的结构特征的描述。 在上述4种算法中，统计模式识别是最经典的分类识别方法，在图像模式识别中有着非常广泛的应用。 2 模式识别研究方向 模式识别研究主要集中在两方面，即研究生物体（包括人）是如何感知对象的，属于认知科学的范畴，以及在给定的任务下，如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家和神经生理学家的研究内容，后者通过数学家、信息学专家和计算机科学工作着近几十年来的努力，已经取得了系统的研究成果。 一个计算机模式识别系统基本上事有三部分组成的[11]，即数据采集、数据处理和分类决策或模型匹配。任何一种模式识别方法都首先要通过各种传感器把被研究对象的各种物理变量转换为计算机可以接受的数值或符号（串）集合。习惯上，称这种数值或符号（串）所组成的空间为模式空间。为了从这些数字或符号（串）中抽取出对识别有效的信息，必须对它进行处理，其中包括消除噪声，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（如表征物体的形状、周长、面积等等）以及必要的变换（如为得到信号功率谱所进行的快速傅里叶变换）等。然后通过特征选择和提取或基元选择形成模式的特
模式识别基础
回顾：模式识别与机器学习的基本思路
第十三章 统计学习理论与支持向量机简介
---- 暨课程总结与展望
x
S M
y y'
?
Xuegong Zhang Tsinghua University
1
Xuegong Zhang Tsinghua University
2
例
现实经济数据
声音数据 语料库
语音识别结果
模式识别系统的基本组成
监督模式识别(supervised PR)
分类器设计(训练)
经济发展预测 历史数据 储层性质
已知数据
信息获取与预处理 地震数据
特征提取与选择 分类决策(识别)
非监督模式识别(unsupervised PR)
聚类(自学习) 信息获取与预处理 特征提取与选择 结果解释
3 Xuegong Zhang Tsinghua University 4
基因表达数据
Xuegong Zhang Tsinghua University
复杂疾病 已知病例数据
监督模式识别： 回顾与探讨
贝叶斯决策 最小错误率 /最小风险 --最优分类器 要求模型已 知，否则要估 计模型 问题：有限
样本下估计概率 密度模型可能比 设计分类器更难
Xuegong Zhang Tsinghua University
5
Xuegong Zhang Tsinghua University
6
贝叶斯决策 线性判别
Fisher, Perceptron, MSE, …
次优，一定条 件下可最优 线性假设 问题： — 训练错误率 最小≠预测错 误率小 — 多解时谁为 最优？ — Fisher准则 的理论依据？
线性判别
最小距离 分类器
简单、 有效，但 局限大
如何设 计？ 分段线性分类器 样本较 多时性能 优越，样 本少时怎 么办？
8
近邻法
Xuegong Zhang Tsinghua University
7
Xuegong Zhang Tsinghua University
改进的近邻法
通过非线 性变换间接 实现非线性 分类 问题：思 路很好，但 不易实现 广义线性 判别函数 复杂多 样，无从 确定
Xuegong Zhang Tsinghua University
线性判别
线性判别
非线性 判别函数
复杂多 样，无从 确定
9 Xuegong Zhang Tsinghua University
非线性 判别函数 人工神经 网络
MLP: 通用的 非线性分类器 最小化训练 错误≠预测错 误最小 过学习问题 局部最优解 问题
10
通过非线 性变换间接 实现非线性 分类 问题：思 路很好，但 不易实现 广义线性 判别函数
线性判别
线性 训练错误率最小 ≠ 预测错误率小 多解时谁为最优？ Fisher准则的理论 依据？ 参考书： 通用线性/非线性分 类器 大间隔 有限样本 下高的推广能力 核函数 巧妙实现 广义判别函数 二次规划有唯一解 11 良好的理论支持
统计学习理论概要
支持向量机 （SVM）
Xuegong Zhang Tsinghua University
Xuegong Zhang Tsinghua University
12
浅谈自然语言处理 摘要 主要阐述了自然语言处理的定义，发展历史，并对其研究内容，以及目前相关领域的应用加以讨论。最后对自然语言处理的未来发展趋势做简单的介绍。 关键词 自然语言处理 Abstract The definition and the development history of Natural Language Processing(NLP) are explained,the research content and the applications in interrelated areas of NLP are discussed.And the develop direction of NLP in the future are simply introduced. Key Words: Natural Language Processing(NLP)
0.引言 早在计算机还未出现之前，英国数学家A.M.Turing便已经预见到未来计算机将会对自然语言处理研究提出新的问题。他指出，在未来我们可以“教机器英语并且说英语。”同时他觉得“这个过程可以仿效教小孩子说话的那种办法进行”。这便是最早关于自然语言处理概念的设想。 人类的逻辑思维以语言为形式，人类的多种智能都与语言有着密切的联系。所以用自然语言与计算机进行通信是计算机出现以来人们一直所追求的目标。 1.什么是然语言处理 美国计算机科学家Bill Manaris(马纳瑞斯)在1999年出版的《计算机进展》（Advances Computers）第47卷的《从人—机交互的角度看自然语言处理》一文中，曾经给自然与然处理提出了如下定义：“自然语言处理可以定义为研究在人与人交际中的语言问题的一门学科。自然语言处理要研制表示语言能力（linguistic competence）和语言应用（linguistic performance）的模型，建立计算框架来实现这样的语言模型，提出相应的方法来不断地完善这样的语言模型，根据这样的语言模型设计各种实用系统，并探讨这些实用系统的评测技术。”这个定义被广泛的接受，它比较全面的地表达了计算机对自然语言的研究和处理。 简单来说，自然语言处理就是一门研究能实现人鱼计算机之间用自然语言处理进行有效的通信与方法的一门学科，它是计算机科学领域与人工智能领域中的一个重要方向。普遍认为它主要是应用计算机技术，通过可计算的方法对自然语言处理的各级语言单位（字，词，语句，篇章等）进行转换，传输，存储，分析等加工处理的学科，是一门融合了语言学，计算机学，数学等学科于一体的交叉性学科。 互联网技术的发展，极大地推动了信息处理技术的发展，也为信息处理技术不断提出新的需求，语言作为信息的载体，语言处理技术已经日益成为全球信息化和我国社会及经济发展的重要支撑技术。
概率论在自然语言处理中的应用 twd2 2017年5月4日 当下，人工智能是热议话题。人工智能中，有一个方向叫做自然语言处理。 而在自然语言处理方面，有两个经典的问题：光学字符识别（奏奃奒）和拼音输 入法。它们都可以用概率的方法解决，本文就尝试讨论这个话题。 光学字符识别问题所谓光学字符识别（奏奃奒），就是给定一幅图片，让计算 机程序识别出来图片中的文字。这涉及到图像匹配、模式识别等算法，但本文 不关注于此，本文关注的是后处理的过程。 首先，对于一个字符的识别，识别结果就可能有多种，每一个结果都有一 个置信度。所谓后处理过程，就是对于已经识别出来的字串（字串每个字都有 多种可能选项），选择“最佳”的组合。这和下文讨论的拼音输入法十分类似，所以本文的重点放在对于拼音输入法的讨论。 拼音输入法问题拼音输入法，指的是一个程序，它接受用户输入的拼音串（比如“奱奩奮奧奨奵奡奤奡奸奵奥奪奩女奵奡奮奪奩奫奥奸奵奥她奵奪奩女奨奵奸奩”），根据内部数据，将这 个拼音串转换为文字串输出（对于上面的例子就是“清华大学计算机科学与技 术系”）。 对于输入拼音串的每一个拼音（上面例子中的“奱奩奮奧”、“奨奵奡”、“奤奡”、“奸奵奥”等），可以简单直接地查询字典来获得该拼音对应的所有可能的字，然后选择“最佳”的组合，认为是该拼音串对应的句子： 请清氢··· 画话华··· 大打答··· 学雪血··· ··· “最佳”的不同的定义方法，对应着寻找最佳组合的不同算法。这里，我讨论 一个简单的二元字模型或字的二元模型。我理解中，字的二元模型就是将句子 失
中相邻的两个字作为一组，后一个字出现的概率只和前面一个字出现的情况有关。这能够极大地简化相关算法设计、提高算法速度，但是准确度也会因此受到不良影响。 对于任意一个句子S ，如果记其长度n |S |，并且记S 夽w 1w 2···w n ，w i ∈W 夨i 夽失,夲,...,n 天为字符集W 中的一个字符，那么，其出现的概率P 夨S 天可以表示成： P 夨S 天夽 P 夨w 1天·P 夨w 2|w 1天·····P 夨w n |w 1w 2···w n ?1天夽n i =1 P 夨w i |w 1w 2···w i ?1天 其中，P 夨w i 天夨i 夽失,夲,...,n 天为w i 出现的概率。 在字的二元模型下，这个表达式可以进一步简化成： P 夨S 天≈ n i =1P 夨w i |w i ?1天再由条件概率的定义及大数定律， P 夨w i |w i ?1天夽P 夨w i ?1w i 天P 夨w i ?1天夽P 夨w i ?1w i 天count 夨?天P 夨w i ?1天count 夨?天≈count 夨w i ?1w i 天count 夨w i ?1天 其中，count 夨w 天夽w 出现的次数，并且count 夨?天 w ∈W count 夨w 天，表示字和字的二元组出现次数总和。它们都可以由语料统计得到。于是， P 夨S 天≈ n i =1count 夨w i ?1w i 天count 夨w i ?1天 这就是一个句子出现概率的算法。记W 夨y 天夽{拼音y 对应的所有字}?W ，不妨认为其中的元素按照某种顺序排好序。这样，给定一个包含m 个拼音的拼音串y 1y 2···y m ，如“奱奩奮奧奨奵奡奤奡奸奵奥”，可以枚举每一个可能的句子S ∈ m i =1W 夨y i 天夽{请,清,氢,...}×{画,话,华,...}×{大,打,答,...}×{学,雪,血,...}，计算P 夨S 天，然后认为P 夨S 天最大的S 就是这个拼音串对应的句子，即对y 1y 2···y m 求出 奡奲奧奭奡奸S ∈ m i =1W (y i ) {P 夨S 天}实现上有几个问题：精度问题、平滑问题以及速度问题。 夲
人工智能与模式识别 摘要：信息技术的飞速发展使得人工智能的应用围变得越来越广，而模式识别作为其中的一个重要方面，一直是人工智能研究的重要方向。在介绍人工智能和模式识别的相关知识的同时，对人工智能在模式识别中的应用进行了一定的论述。模式识别是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词：模式识别；数字识别；人脸识别中图分类号； Abstract: The rapid development of information technology makes the application of artificial intelligence become more and more widely. Pattern recognition, as one of the important aspects, has always been an important direction of artificial intelligence research. In the introduction of artificial intelligence and pattern recognition related knowledge at the same time, artificial intelligence in pattern recognition applications were discussed.Pattern recognition is a basic human intelligence, the emergence of the 20th century, 40 years of computer and the rise of artificial intelligence in the 1950s, pattern recognition technology has made great progress. Pattern recognition and statistics, psychology,
统计模式识别方法 在嗅觉模拟技术领域中，模式识别问题就是由气敏传感器阵列的测量空间向被测对象的的分类或分级空间转化的问题。由于这种模式空间的变化对识别或鉴别结果有着较大的影响，因此模式识别算法的研究和讨论始终较为活跃，各种模式识别方法层出不穷，有力推动了嗅觉模拟技术的应用进程。下面介绍几种常用的统计模式识别方法。 1统计模式识别概述 统计方法，是发展较早也比较成熟的一种方法。被识别对象首先数字化，变换为适于计算机处理的数字信息。一个模式常常要用很大的信息量来表示。许多模式识别系统在数字化环节之后还进行预处理，用于除去混入的干扰信息并减少某些变形和失真。随后是进行特征抽取，即从数字化后或预处理后的输入模式中抽取一组特征。所谓特征是选定的一种度量，它对于一般的变形和失真保持不变或几乎不变，并且只含尽可能少的冗余信息。特征抽取过程将输入模式从对象空间映射到特征空间。这时，模式可用特征空间中的一个点或一个特征矢量表示。这种映射不仅压缩了信息量，而且易于分类。在决策理论方法中，特征抽取占有重要的地位，但尚无通用的理论指导，只能通过分析具体识别对象决定选取何种特征。特征抽取后可进行分类，即从特征空间再映射到决策空间。为此而引入鉴别函数，由特征矢量计算出相应于各类别的鉴别函数值，通过鉴别函数值的比较实行分类。 统计模式识别的技术理论较完善，方法也很多，通常较为有效，现已形成了一个完整的体系。尽管方法很多，但从根本上讲，都是利用各类的分布特征，即直接利用各类的概率密度函数、后验概率等，或隐含地利用上述概念进行识别。其中基本的技术为聚类分析法、判别类域代数界面法、统计决策法、最邻近法等。在聚类分析中，利用待分类模式之间的“相似性”进行分类，较相似的作为一类，较不相似的作为另外一类。在分类过程中不断地计算所划分的各类的中心，一个待分类模式与各类中心的距离作为对其分类的依据。这实际上在某些设定下隐含地利用了概率分布概念，因常见的概率密度函数中，距期望值较近的点概密值较大。该类方法的另一种技术是根据待分类模式和已指判出类别的模式的距离来确定其判别，这实际上也是在一定程度上利用了有关的概念。判别类域界面法中，用已知类别的训练样本产生判别函数，这相当于学习或训练。根据待分类模式
浅析人工智能 21007002 关键词：人工智能、计算机、系统、哲学 摘要：人工智能是一门通过运用人类智能的机理来使机器模拟人的智能的学科。它是计算机学科的一个分支，也是计算机科学、语言学、心理学、哲学、数学、控制论、信息论、决定论、神经生理学等多种学科相互渗透而发展起来的综合性学科。本文了分三部分对人工作智能进行了简要的介绍与分析，第一部分给出了人工智能的科学定义及哲学定义，第二部分阐述了人工智能的发展现状及发展趋势，最后一部分分析了人工智能给人类带来的利与弊。 人工智能（Artificial Intelligence，简称AI）是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术（空间技术、能源技术、人工智能）之一，也被认为是二十一世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果。它一方面成为人类智能的延长，另一方面又为探讨人类智能机理提供了新的理论和研究方法。 一、人工智能的定义 1、人工智能的科学定义 人工智能在科学层面上定义为一门通过运用人类智能的机理来使机器模拟人的智能的学科。具体来说就是通过研究人类智能活动的规律，构造具有一定智能的人工系统，让它去完成以往需要人的智力才能胜任的工作的基本理论、方法和技术。它是计算机科学的一个分支，也是计算机科学、语言学、心理学、哲学、数学、控制论、信息论、决定论、神经生理学等多种学科相互渗透而发展起来的综合性学科。 人工智能有三种,第一种是通常所认为的那样, 试图让机器做你所做的事，如在工厂里干活,把人们从繁重的体力和脑力劳动中解放出来；第二种是通过接受大量不同的科学训练及日常生活的训练，使机器具有可以理解不同种类的事情、语言、制造计划、测试计划、解决问题、监视我们行动的能力等等；第三种是包括具有动机、情感、情绪等能力的机器,例如感到孤独,窘迫、自豪、厌恶、兴奋等。 2、人工智能的哲学定义 在哲学意义上，人工智能被看作是一般性的智能科学，或更确切地说，被
1.什么是模式及模式识别？模式识别的应用领域主要有哪些？ 模式：存在于时间，空间中可观察的事物，具有时间或空间分布的信息； 模式识别：用计算机实现人对各种事物或现象的分析,描述,判断,识别。 模式识别的应用领域：（1）字符识别；（2） 医疗诊断；（3）遥感； (4）指纹识别 脸形识别；（5）检测污染分析，大气，水源，环境监测； （6）自动检测；（7 ）语声识别，机器翻译，电话号码自动查询，侦听，机器故障判断； （8）军事应用。 2.模式识别系统的基本组成是什么？ （1） 信息的获取：是通过传感器，将光或声音等信息转化为电信息； （2） 预处理：包括A\D,二值化，图象的平滑，变换，增强，恢复，滤波等, 主要指图 象处理； （3） 特征抽取和选择：在测量空间的原始数据通过变换获得在特征空间最能反映分类 本质的特征； （4） 分类器设计：分类器设计的主要功能是通过训练确定判决规则，使按此类判决规 则分类时，错误率最低。把这些判决规则建成标准库； （5） 分类决策：在特征空间中对被识别对象进行分类。 3.模式识别的基本问题有哪些？ （1）模式(样本)表示方法：（a ）向量表示；（b ）矩阵表示；（c ）几何表示；（4）基元(链码)表示； （2）模式类的紧致性：模式识别的要求:满足紧致集，才能很好地分类；如果不满足紧致集，就要采取变换的方法,满足紧致集 （3）相似与分类；(a)两个样本x i ，x j 之间的相似度量满足以下要求： ① 应为非负值 ② 样本本身相似性度量应最大 ③ 度量应满足对称性 ④ 在满足紧致性的条件下，相似性应该是点间距离的 单调函数 (b) 用各种距离表示相似性 （4）特征的生成:特征包括：(a)低层特征;(b)中层特征;(c)高层特征 （5） 数据的标准化:(a)极差标准化；(b)方差标准化 4．线性判别方法 （1）两类：二维及多维判别函数，判别边界，判别规则 二维情况：（a ）判别函数： ( ) （b ）判别边界：g(x)=0; （c n 维情况：（a ）判别函数： 也可表示为： 32211)(w x w x w x g ++=为坐标向量为参数，21,x x w 12211......)(+++++=n n n w x w x w x w x g X W x g T =)(为增值模式向量。 ，＝为增值权向量，T n n T n n x x x x X w w w w W )1,...,,(),,...,,(21121+=+
NLP Dataset for Training and Testing Models(NLP训 练和测试模型数据集) 数据摘要： Three data sets from the PASCAL Recognising Textual Entailment Challenge. they are Development Set,Test Set,Annotated Test Set. 中文关键词： 训练,测试模型,开发集,测试集,带注释的测试集, 英文关键词： Training,Testing Models,Development Set,Test Set,Annotated Test Set, 数据格式： TEXT 数据用途： Information Processing 数据详细介绍：
NLP Dataset for Training and Testing Models Three data sets from the PASCAL Recognising Textual Entailment Challenge. For more information about the contest (now ended) and instructions for the data sets, please visit the official site. Development Set (58k zipped) Test Set (74k zipped) Annotated Test Set (67k zipped) 数据预览：
点此下载完整数据集
中国西部科技
２００９年１０月（下旬）第０８卷第３０期 总第１９１期
浅谈人工智能
李轶博
（吉林石化信息网络公司软信公司，吉林 １３２０２１） 摘 要： 人工智能作为计算机学科的一个分支，有其自身的特点，现已在社会生活各个领域都有应用，并将有更为广阔 的发展前景。 关键词： 人工智能；ＡＩ；模拟
关于人工智能的定义众说不一，美国斯坦福大学人工 智能研究中心尼尔逊教授下过这样的一个定义：“人工智 能是关于知识的学科——怎样表示知识以及怎么样获得知 识并使用知识的科学。”而麻省理工学院的温斯顿教授认 为：人工智能就是如何使用计算机去做过去只有人才能做的 工作。”人们普遍认为人工智能，它是研究、开发用于模 拟、延伸和扩展人的智能的理念、方法技术以及应用系统 的一门新的技术科学。它是从计算机应用系统的角度出 发，研究如何制造出人造的智能机器或智能系统，来模拟 人类智能活动能力，以延伸人们智能的科学。 人工智能就其本质而言，是对人的思维的信息过程的 模拟，人工智能不是人的智能，更不会超过人的智能，对 于人的思维模拟可是结构模拟，仿照人脑的结构机制，暂 时撇开人脑的内部结构，而从其功能过程进行模拟。 人工智能可以分为强人工智能和弱人工智能。强人工 智能观点认为有可能制造出真正能推理和解决问题的智能 机器，并且，这样的奇迹将被认为是有知觉的，有自我意 识的。弱人工智能观点认为不可能制造出能真正的地推理 和解决问题的智能机器，这些机器只不过看起来像是智能 的，但并不真正拥有智能，也不会有自主意识。 １ 人工智能研究的历史与现状 人工智能的研究经历了以下几个阶段： 第一阶段：２０世纪５０年代人工智能的兴起和冷落。人工
此计划最终失败，但它的开展形成了一股研究人工智能的 热潮。 第四阶段：２０世 纪 ８０年代末，精神网络飞速发展。 １９８７年，美国召开第一次精神网络国际会议，宣告了这一 新学科的诞生。此后，各国在精神网络方面的投资逐渐增 大，精神网络迅速发展起来。 第五阶段：２０世纪９０年代，人工智能出现新的研究高 潮。由于网络技术特别是国际互联网的技术发展，人工智 能开始由单个智能主体研究转向基于网络环境下的分布式 人工智能研究。不仅研究基于同一目标的分布式问题求 解，而且研究多个智能主体的多目标问题求解，将人工智 能面向实用。 人工智能研究范畴有自然语言处理、知识表现、智能 搜索、推理、知识获得、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，精神网络，复杂系统等。 ２ 人工智能是与具体领域相结合 目前，人工智能是与具体领域相结合进行研究的，有 如下领域：①专家系统。依靠人类已有的知识建立起来的 知识系统，目前专家系统是人工智能研究中开展最早、最 活跃、成就最多的领域。②机器学习。主要在三个方面进 行：首先是研究人类学习的机理、人脑思维的过程。其次 是机器学习的方法。最后是建立针对具体任务的学习系 统。③模式识别。研究如何使机器具有感知能力，主要研 究听觉模式和视觉模式的识别。④理解自然语言，计算机 如能“听懂”人的语言，便可以直接用口语操作计算机， 这将给人们带来极大的便利。⑤机器人学。机器人是一种 模拟人的行为的机械，对它的研究历经三代发展过程：第 一代机器人只能按程序完成工作。第二代机器人配备了像 样的感觉传感器，能取得作业环境、操作对象等简单的信 息，并由机器人体内的计算机进行分析处理，控制机器人 的动作。第三代机器人具有类似人的智能，它装备了高灵 敏度传感器，因而具有超过人的视觉、听觉、嗅觉、触觉 的能力，能对感知的信息进行分析，控制自己的行为，处 理环境发生的变化，完成各种复杂的任务。而且有自我学 习、归纳、总结、提高已掌握知识的能力。⑥智能决策支 （下转第４１页）
智能概念首次提出后，出现了一批显著的成果，如机器定理 证明、跳棋程序、ＬＩＳＰ表处理语言等。但由于揭发推理能力 有限，以及其翻译失败等，使人工智能走入低谷。这一阶段 的特点是：重视问题求解的方法，忽视知识重要性。 第二阶段：２０世纪６０年代末到７０年代，专家系统出现使 人工智能研究出现新高潮，ＤＥＮＤＡＬ化 学 质 谱 分 析 系 统 、 ＭＴＣＩＮ疾 病 诊 断 和 治 疗 系 统 、 ＰＲＯＳＰＥＣＴＩＯＲ探 矿 系 统 ， Ｈｅａｒｓａｙ－ＩＩ语言理解系统等专家系统的研究和开发，将人工 智能引向了实用化。１９６９年成立了国际人工智能联合会。 第三阶段：２０世纪 ８０年代，随着第五代计算机的研 制，人工智能得到了很大发展。日本１９８２年开始了“第五 代计算机研制计划”，即“知识信息处理计算机系统 ＬＩＰＳ”，其目的是使逻辑推理达到数值运算那么快。虽然
收稿日期： ２００９－０９－０６ 修回日期：２００９－１０－１６
作者简介： 李轶博（１９８２－），男，吉林籍，本科，助理工程师，主要研究方向为信息技术应用和管理。
58
1.简述模式的概念及其直观特性，模式识别的分类，有哪几种方法。（6’） 答（1）：什么是模式？广义地说，存在于时间和空间中可观察的物体，如果我们可以区别它们是否相同或是否相似，都可以称之为模式。 模式所指的不是事物本身，而是从事物获得的信息，因此，模式往往表现为具有时间和空间分布的信息。 模式的直观特性：可观察性；可区分性；相似性。 答（2）：模式识别的分类： 假说的两种获得方法（模式识别进行学习的两种方法）： 监督学习、概念驱动或归纳假说； 非监督学习、数据驱动或演绎假说。 模式分类的主要方法： 数据聚类：用某种相似性度量的方法将原始数据组织成有意义的和有用的各种数据 集。是一种非监督学习的方法，解决方案是数据驱动的。 统计分类：基于概率统计模型得到各类别的特征向量的分布，以取得分类的方法。 特征向量分布的获得是基于一个类别已知的训练样本集。是一种监督分类的方法， 分类器是概念驱动的。 结构模式识别：该方法通过考虑识别对象的各部分之间的联系来达到识别分类的目 的。（句法模式识别） 神经网络：由一系列互相联系的、相同的单元（神经元）组成。相互间的联系可以 在不同的神经元之间传递增强或抑制信号。增强或抑制是通过调整神经元相互间联 系的权重系数来（weight）实现。神经网络可以实现监督和非监督学习条件下的分 类。 2.什么是神经网络？有什么主要特点？选择神经网络模式应该考虑什么因 素？（8’） 答（1）：所谓人工神经网络就是基于模仿生物大脑的结构和功能而构成的一种信息处理系统（计算机）。由于我们建立的信息处理系统实际上是模仿生理神经网络，因此称它为人工神经网络。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。 人工神经网络的两种操作过程：训练学习、正常操作（回忆操作）。 答（2）：人工神经网络的特点： 固有的并行结构和并行处理； 知识的分布存储； 有较强的容错性； 有一定的自适应性； 人工神经网络的局限性： 人工神经网络不适于高精度的计算； 人工神经网络不适于做类似顺序计数的工作； 人工神经网络的学习和训练往往是一个艰难的过程； 人工神经网络必须克服时间域顺序处理方面的困难； 硬件限制； 正确的训练数据的收集。 答（3）：选取人工神经网络模型，要基于应用的要求和人工神经网络模型的能力间的匹配，主要考虑因素包括：
用身高和/或体重数据进行性别分类 1、【实验目的】 （1）掌握最小错误率Bayes 分类器的决策规则 （2）掌握Parzen 窗法 （3）掌握Fisher 线性判别方法 （4）熟练运用matlab 的相关知识。 2、【实验原理】 （1）、最小错误率Bayes 分类器的决策规则 如果在特征空间中观察到某一个（随机）向量x = ( x 1 , x 2 ,…, x d )T ，已知类别状态的先验概率为：()i P w 和类别的条件概率密度为(|)1,2,3...i P x w i c =，根据Bayes 公式得到状态的后验概率 有：1 (|)() (|)(|)() i i i c j j j p P P p P ωωωωω== ∑x x x 基本决策规则：如果1,...,(|)max (|)i j j c P P ωω==x x ，则i ω∈x ，将 x 归属后验概率最大的类 别 。 （2）、掌握Parzen 窗法 对于被估计点X ： 其估计概率密度的基本公式(x)N k N N N p V =，设区域 R N 是以 h N 为棱长的 d 维超立方体， 则立方体的体积为d N N V h =； 选择一个窗函数(u)?，落入该立方体的样本数为x x 1 ( )i N N N h i k ?-== ∑，点 x 的概率密度:
x x 11 1(x)( )N i N N k N N N V h i N p V N ?-== =∑ 其中核函数：x x 1i K(x,x )( )i N N V h ?-= ，满足的条件：i (1) K(x,x )0≥；i (2) K(x,x )dx 1=?。 （3）、Fisher 线性判别方法 Fisher 线性判别分析的基本思想：通过寻找一个投影方向（线性变换，线性组合），将高维问题降低到一维问题来解决，并且要求变换后的一维数据具有如下性质：同类样本尽可能聚集在一起，不同类的样本尽可能地远。 Fisher 线性判别分析，就是通过给定的训练数据，确定投影方向W 和阈值y0，即确定线性判别函数，然后根据这个线性判别函数，对测试数据进行测试，得到测试数据的类别。 线性判别函数的一般形式可表示成 0)(w X W X g T += ，其中????? ??=d x x X 1 ? ????? ? ??=d w w w W 21 根据Fisher 选择投影方向W 的原则，即使原样本向量在该方向上的投影能兼顾类间分布尽可能分开，类内样本投影尽可能密集的要求，用以评价投影方向W 的函数为： 2 2 2122 1~~)~~()(S S m m W J F +-= )(211 *m m S W W -=- 上面的公式是使用Fisher 准则求最佳法线向量的解，该式比较重要。另外，该式这种 形式的运算，我们称为线性变换，其中21m m -式一个向量，1-W S 是W S 的逆矩阵，如21m m -是d 维，W S 和1-W S 都是d ×d 维，得到的* W 也是一个d 维的向量。 向量* W 就是使Fisher 准则函数)(W J F 达极大值的解，也就是按Fisher 准则将d 维X 空间投影到一维Y 空间的最佳投影方向，该向量* W 的各分量值是对原d 维特征向量求加权和的权值。
1、试说明Mahalanobis 距离平方的定义，到某点的Mahalanobis 距离平方为常数的轨迹的几何意义，它与欧氏距离的区别与联系。 答：Mahalanobis 距离的平方定义为：∑---=1 2)()(),(u x u x u x r T 其中x ，u 为两个数据，1-∑是一个正定对称矩阵（一般为协方差矩阵）。根据定义，距 某一点的Mahalanobis 距离相等点的轨迹是超椭球，如果是单位矩阵Σ，则Mahalanobis 距离就是通常的欧氏距离。 2、试说明用监督学习与非监督学习两种方法对道路图像中道路区域的划分的基本做法，以说明这两种学习方法的定义与它们间的区别。 答：监督学习方法用来对数据实现分类，分类规则通过训练获得。该训练集由带分类号的数据集组成，因此监督学习方法的训练过程是离线的。 非监督学习方法不需要单独的离线训练过程，也没有带分类号（标号）的训练数据集，一般用来对数据集进行分析，如聚类，确定其分布的主分量等。 就道路图像的分割而言，监督学习方法则先在训练用图像中获取道路象素与非道路象素集，进行分类器设计，然后用所设计的分类器对道路图像进行分割。 使用非监督学习方法，则依据道路路面象素与非道路象素之间的聚类分析进行聚类运算，以实现道路图像的分割。 3、已知一组数据的协方差矩阵为??? ? ??12/12/11，试问 (1) 协方差矩阵中各元素的含义。 (2) 求该数组的两个主分量。 (3) 主分量分析或称K-L 变换，它的最佳准则是什么？ (4) 为什么说经主分量分析后，消除了各分量之间的相关性。
答：协方差矩阵为??? ? ??12/12/11，则 (1) 对角元素是各分量的方差，非对角元素是各分量之间的协方差。 (2) 主分量，通过求协方差矩阵的特征值，用???? ? ? ?? ----121211λλ＝0得4/1)1(2=-λ，则 ?? ?=2/32/1λ，相应地：2/3=λ，对应特征向量为???? ??11，21 =λ，对应??? ? ??-11。 这两个特征向量，即为主分量。 (3) K-L 变换的最佳准则为： 对一组数据进行按一组正交基分解，在只取相同数量分量的条件下，以均方误差计算截尾误差最小。 (4) 在经主分量分解后，协方差矩阵成为对角矩阵，因而各主分量间相关性消除。 4、试说明以下问题求解是基于监督学习或是非监督学习： (1) 求数据集的主分量 (2) 汉字识别 (3) 自组织特征映射 (4) CT 图像的分割 答：(1) 求数据集的主分量是非监督学习方法； (2) 汉字识别：对待识别字符加上相应类别号—有监督学习方法； (3) 自组织特征映射—将高维数组按保留近似度向低维映射—非监督学习； (4) CT 图像分割—按数据自然分布聚类—非监督学习方法； 5、试列举线性分类器中最著名的三种最佳准则以及它们各自的原理。
浅谈人工智能与计算机 王晨浩 计算机1506班201526810617 摘要人工智能一直处于计算机技术的前沿，人工智能研究的理论和发现在很大程度上将决定计算机技术的发展方向.人工智能作为计算机学科的一个分支,有其自身的特点,现已在社会生活各个领域都有应用,并将有更为广阔的发展前景。 关键词人工智能 / 发展 / 应用 / 机器人 / 智能研究 / 计算机学科 1．引言 在进入了二十一世纪之后，信息科学技术的发展越来越受到人们的重视，重视程度也超越了以往的任何时候。正是因为这样，人工智能技术的发展在进入新的世纪之后也有了非常快速的进步，那么，这项技术作为一种比较高端的信息科学技术，它主要是通过借助计算机的各种功能来非常形象的模拟我们人类的思维方式和思维结果，从而使人类的各种思维活动可以在计算机的程序当中得以实现[1]。2．人工智能的发展概述 人工智能的研究经历了以下几个阶段：第一阶段：20世纪50年代人T智能的兴起和冷落。人工智能概念首次提出后，出现了一批显著的成果，如机器定理证明、跳棋程序、LISP表处理语言等。但由于揭发推理能力有限，以及其翻泽失败等，使人工智能走入低谷。这一阶段的特点是：重视问题求解的方法，忽视知识重要性。第二阶段：20世纪60年代末到70年代，专家系统出现使人工智能研究出现新高潮，DENDAI。化学质谱分析系统、MTCIN疾病诊断和治疗系统、PROSPECTIOR 探矿系统，Hearsay-II语言理解系统等专家系统的研究和开发，将人工智能引向了实用化。1969年成立了国际人工智能联合会。第三阶段：20世纪80年代，随着第五代计算机的研制，人工智能得到了很大发展。日本1982年开始了“第五代计算机研制计划”，即“知识信息处理计算机系统LIPS”，其目的是使逻辑推理达到数值运算那么快。虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮一第四阶段：20世纪80年代末，精神网络飞速发展。1987年，美国召开第一次精神网络国际会议，宣告了这一新学科的诞生。此后，各国在精神网络方面的投资逐渐增大，精神网络迅速发展起来。第五阶段：20世纪90年代，人工智能出现新的研究高潮。由于网络技术特别是嗣际互联网的技术发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研
一、填空与选择填空（本题答案写在此试卷上，30分） 1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择 和模式分类。 2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。 3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。 （1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法 4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。 （1）距离测度（2）模糊测度（3）相似测度（4）匹配测度 5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。 （1）（2） (3) (4) 6、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。 （1）二维空间（2）一维空间（3）N-1维空间 7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。 （1）感知器算法（2）H-K算法（3）积累位势函数法 8、下列四元组中满足文法定义的有（1）（2）（4）。 （1）({A, B}, {0, 1}, {A→01, A→ 0A1 , A→ 1A0 , B→BA , B→ 0}, A) （2）({A}, {0, 1}, {A→0, A→ 0A}, A) （3）({S}, {a, b}, {S → 00S, S → 11S, S → 00, S → 11}, S) （4）({A}, {0, 1}, {A→01, A→ 0A1, A→ 1A0}, A) 9、影响层次聚类算法结果的主要因素有（计算模式距离的测度、（聚类准则、类间距离门限、预定的 类别数目））。 10、欧式距离具有（ 1、2 ）；马式距离具有（1、2、3、4 ）。 （1）平移不变性（2）旋转不变性（3）尺度缩放不变性（4）不受量纲影响的特性 11、线性判别函数的正负和数值大小的几何意义是（正（负）表示样本点位于判别界面法向量指向的 正（负）半空间中；绝对值正比于样本点到判别界面的距离。）。 12、感知器算法1。 （1）只适用于线性可分的情况；（2）线性可分、不可分都适用。