前言：中文期刊網精心挑選了人工智能研究綜述范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
人工智能研究綜述范文1
【Abstract】In recent years， with the support of highly developed electronic technology， artificial intelligence has developed rapidly， even a lot of artificial intelligence products have been put into use and walk， into people's lives. In this paper， the artificial intelligence is reviewed， and analyzed the present situation of artificial intelligence technology， points out its development problems， and the future of artificial intelligence is prospected.
【關鍵詞】人工智能；發展現狀；未來展望
【Keywords】artificial intelligence； current situation of the development； future
【中圖分類號】TP18 【文獻標志碼】A 【文章編號】1673-1069（2017）04-0107-02
1 引言
2016年年初，韓國圍棋國手李在石與圍棋程序Alpha Go對弈中首戰失利，再一次將人工智能拉入了公眾的視野，使其成為2016年度話題度最高的科技之一。不可否認，近些年來人工智能發展迅速，很多人工智能產品已經開始進入人們的家中，如掃地機器人、智能保姆等，雖然它們還沒有美國大片《終結者》中所描述得那么先進，但從前遙不可及的人工智能概念正在一步步變為現實卻是不爭的事實。人工智能的現狀如何，它又將如何發展，都是學界較為關注的課題。
2 人工智能綜述
2.1 人工智能的概念
人工智能即AI，其英文全稱為Artificial Intelligence。人工智能的概念要從人工和智能兩方面來了解，所謂人工就是指人工智能脫胎于人類的文明，是人類智慧的產物；而智能則是指具有人工智能的計算機或其他子設備可以模擬人類的智能行為和思維方式，人工智能是計算機科學的一個分支，它的近期主要目標在于研究用機器來模仿和執行人腦的某些智能功能，并開發相關理論和技術。
2.2 人工智能的現實應用
如今的人工智能機器，可以在勝任一些復雜腦力勞動的同時，輔助人類進行記憶和邏輯運算等活動?，F階段學者已經研制出了一些可以模擬人類精神活動的電子機器，經過完善升級，這些電子機器將有希望超越人類的能力，協助人類完成一些執行難度較大的工作。但是目前研制出的自動化系統或者機器人雖然可以代替部分人類勞動，卻還沒有到達可以實現人類多方面協調和自我學習升級的智能水平，要制造出一款可以完全擁有人類智慧的機器，還需進一步深入研究。還有一些人工智能產物經常應用于各種商業用途，例如單位內部的客戶信息系統，決策支持系統，以及我們在世面上可以看見的醫學顧問、法津顧問等軟件。
3 人工智能發展現狀
3.1 智能接口技術研究現狀
人工智能接口研究就是為了實現人機交流，為此學者必須從理論和實踐兩方面努力，解決計算機對文字和語言的理解與翻譯、對自我的表達等功能問題。由于智能接口技術的研究和應用，計算機技術的發展獲得了極大的推動力，在運行速率和人機交流等方面都有巨大提升。
3.2 數據挖掘技術研究現狀
數據挖掘技術主要是對各類模糊的、大量的應用數據、人未知的、潛在已經存在的數據進行整理挖掘進行細致的研究，尋找出對研究有用的數據。目前，數據庫、人工智能、數理統計已經成為數據挖掘技術的三大技術支撐，以基礎理論、發現算法、可視化技術、知識表示方法、半結構化等作為研究內容，為數據挖掘技術的發展提供理論和技術支持。
3.3 主體系統研究現狀
主體系統可以實現機器意圖和想法的生成，是一種智能方面更接近人類的自主性實體系統。自主系統可以完成一些相對獨立、自主的任務，甚至可以通過調整自我狀態，應對環境和特殊情況的變化，進而保證自身規劃任務的完成。在多主體系統研究中，主要是從物理和邏輯思維方面對主體進行智能行為的分析研究。
4 人工智能發展中面臨的問題
4.1 識別功能的困惑
計算機識別技術研究在近些年取得了大量成果，其產品的實際應用范圍較廣，但不可否認的是，計算機識別的模式是基于一定的算法和程序設定的，其識別機制完全不同于人類的感官識別，因此，在計算機進行識別，尤其是圖形識別時，對各種印刷體、文字、指紋等清晰圖形可以快速識別，但對于相似度較高的物體，計算機識別能力相對較弱，識別失敗的情況較為普遍。語音識別主要研究各種語音信號的分類。語音識別技術近年來發展很快，但是缺點是識別極易受到干擾，發音不標準的語音較易引發識別錯誤。
4.2 GPS功能的局限性
GPS是企圖實現一種不依賴于領域知識求解人工智能問題的通用方法，但是問題內部的表達形式和領域知識是分不開的，用謂詞邏輯進行定理歸結或者人工智能通用方法GPS，都可以從分析表達能力上找出其局限性，這樣就減少了人工智能的應用范圍[1]。
5 人工智能的未來應用展望
人工智能與人生活最息息相關的應用范圍就是融入人們的衣食住行和教育等方面，這也是人工智能未來最普遍的應用方向。
5.1 無人駕駛的汽車
奔馳、豐田等很多大型汽車企業都在研究o人駕駛的汽車，像007電影中的那種擁有自主辨別路況、自動駕駛等功能的汽車也許很快就會成為現實。自動駕駛的汽車要搭載的技術并不只人工智能一種，它還需要將自動控制和視覺計算等新型技術集成應用，改變現有汽車的體系結構，賦予其自動識別、分析和控制的能力。因此，自動駕駛汽車需要實現三方面的技術突破：其一，實現利用攝像設備、雷達和激光測距機來獲得路況信息；其二，實現利用地圖進行自動的車輛導航；其三，根據已有信息數據對車輛的速度和方向進行控制。未來的自動駕駛汽車還可以通過車輛之間的信息互通和互相感應，來協調車速和方向，避免車輛碰撞，實現自動駕駛車輛的安全行進。
5.2 智能化的課堂
當前已經有一些智能化的教學軟件，教師們可以在這些軟件上把教學課件傳送給學生，并進行授課答題，學生還可以與教師彈幕互動，使課堂變得妙趣橫生，方便了教師的授課活動。對于學生而言，能夠在期末十分便捷地回顧上課的錯題，甚至能夠在幾年后翻閱學習過的課件；對于教師而言，能夠精細地知道學生對知識的掌握程度，甚至能夠發現最積極和最懈怠的學生。未來的智能課堂將更具有時間延展性，學生不僅可以在課堂學習知識，還可以利用智能電子設備進行課前預習和課后復習，從而使學生可以在更加趣味性的氛圍中進行自主學習安排。
5.3 自動化的廚房
今后的廚房將會更加智能化，當你做飯時，設定好你想要的菜譜，準備好所需的食材，烹調設備即可將飯菜制作得恰到好處。它會根據你食材的新鮮程度，為你推薦最適合的菜譜，并計算出其營養參考標準，并為你推薦其他食物，使膳食營養均衡。當你家中某樣食材不足時，物流公司便會將時下最新鮮的這一食材送至你家中[2]。
6 結語
人工智能這一概念是在1956年提出的，在當時，人工智能還只是人們頭腦中的一種幻想，而在60年后的今天，人工智能的夢想已經逐漸照進現實，它甚至滲透進了工業、醫學、服務等多個領域，可以說人工智能正在改變著我們生活的世界。但對于人工智能這個人類創造出來的技術，人們也存在一定的擔憂，人工智能將向何方發展？人工智能發展到極致會不會脫離人類的控制？人工智能會不會超越人類的智慧？在諸多問題圍繞下，人工智能技術依然在迅猛發展，它的未來如何，讓我們拭目以待。
【參考文獻】
人工智能研究綜述范文2
關鍵詞：訊飛超腦計劃；人工智能；未來生活
中圖分類號：TP18 文獻標識碼：A 文章編號：1671-2064（2017）01-00218-01
人工智能包含三個層次：計算智能、感知智能和認知智能，訊飛超腦計劃是包含模擬人腦的知識表示與推理、類人學習機制與新知識的獲取、機器加載專業知識成為專門的教育領域。訊飛超腦計劃是基于全球關于人工神經網絡的深度學習研究，簡單來說就是希望未來訊飛超腦計劃能夠將人工智能從只是簡單地能聽會說到能夠深度思考相關問題的科技轉變。人工智能的不斷開拓創新是為了幫助人類能夠更好地生活，我們應該注重人工智能的發展推進，將其廣泛合理地應用到生活的實際中去。
1 訊飛超腦計劃目前取得的階段學習研究成果
1.1 訊飛超腦計劃關于我國現階段關于高中生學習教育的人工智能成果
隨著近年來教育電子多媒體設備的投入普及使用，使目前的高中老師在課堂上更習慣用電子化的教學方式來替代傳統的板書課本單一枯燥的教學，與此同時，現階段高中生也同樣具備使用移動互聯網的條件，這樣就使得科大訊飛超腦計劃的教育產品可以形成以下的模式如圖1所示。
采用此智能的學習模式可以使我國的高中生接受公平的最好的教育，這就需要借助人工智能的幫助來使老師提高自身的教育水平，使高中生豐富并開闊自身的視野。課堂教學包括了在線課堂、暢言交互式多媒體教學系統以及暢言智能語音等，這種新穎的課堂教學模式使原本單一的教學方式變成了思想上任意遨游的知識海洋；智能考試包含了標準考場、英語四六級網上閱卷、普通話與英語口語測試等方面，智能考試系統從字跡工整的程度、詞匯量的豐富度、語法的正確性與通順性等多個方面來評判考試試卷，加上多年來的不斷改進，人工智能的評判方法跟相關專家的人工試卷評判的相似度相差無幾，很大程度地增加了試卷評判的效率性與公平性；學習產品與教育評價更是覆蓋到了從低到高的各個層面的產品組織結構，更有利于高中生的學習與應試教育的公平性。
1.2 訊飛超腦計劃對于提高人類生活水平的成果
隨著人工智能技術在經濟、教育、文化、娛樂等領域的不斷應用，使人們的生活質量水平得到了很大程度的提高，人工智能帶來的方便快捷對于人類的發展進化與物質文化的進步產生了不可忽視的作用。隨著訊飛超腦計劃的推出，一方面，可以把人類從繁重的勞動中解放出來，很大程度地提高人類生產生活的效率與質量；另一方面，人工智能的進步會極大地革新人類的思維方式，使人們能夠多角度地認知世界，加深對人類對自身所處的宇宙地位的思考，利于人不斷地探索奧秘，進一步推進人類社會的進步。
2 訊飛超腦計劃下人工智能對于未來生活的影響及其發展趨勢
2.1 訊飛超腦計劃下人工智能對未來生活的影響
由于訊飛超腦計劃是感知智能結合認知智能的再創新，使得未來機器將會實現高水平的感知智能，具有更多的包括語音識別、手寫識別以及圖像識別的更多智能感知能力與實現包括智能客服、人機交互等的取代人類腦力勞動的認知智能突破。所以說訊飛超腦計劃下的人工智能在未來的教育、經濟、文化、社會結構等未來生活的各個方面都會產生重大影響。在教育上，人工智能的應用優化了課堂結構，使學生能夠實時接受外界的新知識以及與時俱進的教育模式改革；在經濟上，人工智能的高效能與高效率會明顯提高經濟效益，用人工智能來進行財務管理有助于縮減不必要的人工勞務開支與相關的培訓費用，利于經濟的變革與提高；在文化上，人工智能對于人類語言文化與圖像處理上的優勢日益凸顯出來，可以確定的是人工智能的發展將會深入到人類生活的各個層面中去。
2.2 訊飛超腦計劃下人工智能的未來發展趨勢
隨著人工智能的不斷演進，人工智能從最初能存會算的計算智能階段，到后來的能聽會說、能看會認的感知智能階段，最后再到訊飛超腦計劃下提出的讓機器能理解、會思考的認知智能階段，未來的人工智能在語言理解、知識表達、聯想推理以及自主學習等方面都將會取得很大的進展。
3 結語
人工智能對于未來生活的影響是多方面的，在未來生活的各個方面都十分顯著。與此同時，訊飛超腦計劃下的人工智能不斷的改革創新與發展，也將更快地推動人類的發展，人工智能與人類的生活是互相影響又相互制約的。人工智能的不斷發展給人類的未來生活帶來了很大程度的改變，人類在不斷開拓人工智能的領域時也應不斷提高自身能力與素養，以適應人工智能帶來的不斷創新和改變。
參考文獻：
[1]張妮，徐文尚，王文文.人工智能技術發展及應用研究綜述[J].煤礦機械.2009，30卷（2）.
人工智能研究綜述范文3
【關鍵詞】人工智能；人臉識別；神經網絡
1 人工智能簡介
人工智能（Aritificial Intelligence，AI）是一門綜合了計算機科學、控制論、信息論、神經生理學、心理學、語言學、哲學等多種學科互相滲透而發展起來的一門交叉學科[1]，從誕生至今已有近60年的歷史。人工智能是研究如何制造智能機器或智能系統，來模擬人類智能活動的能力，以延伸人們智能的科學[2]。人工智能不在乎計算機是依靠某種算法還是真正理解人類行為，只需要其能表現出與人相似的行為，它是計算機科學中的―個分支，涉及智能機器的研究、設計和應用。人工智能的研究目標在于怎樣用計算機來模仿和執行人腦的某些功能，并開發相關的技術以及產品，建立有關的理論。人工智能可分為：基本人工智能，包括知識表示、推理；高級人工智能，如模糊邏輯、神經網絡、專家控制；計算智能，如遺傳算法、群集智能。人工智能研究領域的三種主要觀點[3]：符號主義又稱為邏輯主義或計算機學派，其認為符號是人類的認識基元，同時人認識的過程即是對符號的計算與推理的過程；聯結主義又被叫做仿生學派，其主要原理是人類的智能是由人腦的生理結構和工作模式所決定；行為主義又被稱作進化主義、控制論學派，其主要原理是智能取決于感知和行動，它不需要知識、也不需要知識的表示與推理[4]。
2 人臉識別
人臉識別是指對輸入的人臉圖像或者視頻，判斷其中是否存在人臉，如果存在人臉，則進一步給出每張人臉的位置、大小和各個主要面部器官的位置信息，并且依據這些信息，進一步提取每張人臉蘊含的身份特征，并將其與已知人臉庫中的人臉進行對比，從而識別每張人臉的身份。人臉識別的研究起源于19世紀末，其發展大致分成三個階段[5]：第一階段以面部特征為主要研究對象；第二階段稱為人機交互式識別階段，分為采用幾何特征參數來表示人臉正面圖像和統計識別為基礎的方法；第三階段才被稱為真正的自動識別階段，人臉識別技術進入實用階段。
3 常用的人臉識別方法
人臉識別的技術與方法一般分為：基于幾何特征的方法和基于模板匹配的方法。對于基于幾何特征方法而言，首先檢測出眼耳口鼻等臉部主要部件的位置和大小，然后分析這些部件的總體幾何分布關系以及相互之間的參數比例來識別人臉?；谀０宓姆椒ㄒ步凶龌诒硐蟮姆椒?，利用模板與整個人臉圖像的像素值之間的自相關性進行人臉的識別[6]。通過分析常用的人臉識別方法，本文將人臉識別的方法分為基于幾何特征的方法、基于模型的方法、基于統計的方法、基于神經網絡的方法。
3.1 基于幾何特征的方法
最早的基于幾何特征的方法由Bleclsoe提出，該方法將幾何特征定義為面部特征點之間的距離和比率，通過最近鄰方法來識別人臉，但必須手動定位面部特征點，因此屬于半自動系統。側影識別是另一個基于幾何特征的人臉識別方法，其原理是通過提取人臉的側影輪廓線上特征點，將側影轉化為輪廓曲線，提取其中的基準點，然后識別這些點之間的幾何特征。
基于幾何特征的方法非常直觀，能快速識別人臉，只需要較少內存，光照對特征的提取影響不大，缺點是當人臉變化時，特征的提取不精確，并且由于對圖像細節信息的忽略，導致識別率較低，因此近年來少有發展。
3.2 基于模型的方法
隱馬爾可夫模型（Hidden Markov Model，HMM）是一種常用的模型，基于HMM的方法被Nefian和Hayes引入到人臉識別領域，它是一組統計模型，用于描述信號統計特性。Cootes等人提出主動形狀模型（Active Shape Model，ASM），對形狀和局部灰度表象建模，定位新圖像中易變的物體[5]。Lanitis等用該方法解釋人臉圖像，其原理是使用ASM找出人臉的形狀，然后對人臉進行切割并歸一到統一的框架，通過亮度模型解釋和識別與形狀無關的人臉。
主動表象模型（Active Appearance Model，AAM）通常被看作是ASM的一種擴展，一般作為通用的非線性圖像編碼模式，通用的人臉模型經變形處理后與輸入圖像進行匹配，并將控制參數作為分類的特征向量。
3.3 基于統計的方法
基于統計的方法將人臉圖像視為隨機向量，采用一些統計方法對人臉進行特征分析，這類方法有較為完善的統計學理論的支持，因此發展較好，研究人員也提出了一些比較成功的統計算法。
特征臉方法由Turk和Pentland提出，該方法中人臉由各個特征臉擴展的空間表示，雖然人臉信息可以有效地表示，但不能對其進行有效鑒別和區分。為取得更好的人臉識別效果，研究者又提出使用其他的線性空間來代替特征臉空間[6]。Moghaddam等人提出了貝葉斯人臉識別方法，用基于概率的方法來度量圖像相似度，將人臉圖像之間的差異分為類間差異和類內差異，其中類間差異表示不同對象之間的本質差異，類內差異為同一對象的不同圖像之間的差異，而實際人臉圖像之間的差異為兩者之和。如果類內差異大于類間差異，則認為兩人臉圖像屬于同一對象的可能性大。
奇異值分解（Singular Value Decomposition，SVD）作為一種有效的代數特征提取方法，奇異值特征具有多種重要性質，如鏡像變換不變性、位移不變性、旋轉不變性以及良好的穩定性等，因此人臉識別領域也引入了奇異值分解技術。
3.4 基于神經網絡的方法
神經網絡用于人臉識別領域也有較長的歷史，Kohoncn最早將自組織映射（Self-Organizing Map，SOM）神經網絡應用于人臉識別，即使當輸入人臉圖像有部分丟失或者具有較大噪音干擾時，也能完整的恢復出人臉。人臉識別中最具影響的神經網絡方法是動態鏈接結構（Dynamic Link Architecture，DLA），對網絡中語法關系的表達是該方法最突出的特點。
用于人臉識別的神經網絡還有：時滯神經網絡（Time Delay Neural Net-works，TDNN），是MLP的一種變形，徑向基函數網絡（Radial Basis Function Network，RBFN）以及能有效地實現低分辨率人臉的聯想與識別的Hopfield網絡等[6]。
與其他人臉識別方法相比，神經網絡方法具有特有的優勢，人臉圖像的規則和特征的隱性表示可通過對神經網絡的訓練獲得，避免了特征抽取的復雜性，有利于硬件的實現，缺點是可解釋性較弱，要求訓練集中有多張人臉圖像，因此只適合于小型人臉庫。人工智能應用在人臉識別、模式識別方面能夠提高運行效率、減小計算量小、程序的代碼編寫更為簡潔。
【參考文獻】
[1]武海麗.初識人工智能[J].科技創新導報，2009，02：196.
[2]王甲海.創新型人工智能教育改革與實踐[J].計算機教育，2010（08）：136.
[3]肖斌，薛麗敏，李照順.對人工智能發展新方向的思考[J].信息技術，2009，12：166-168.
[4]朱祝武.人工智能發展綜述[J].中國西部科技，2011，10（17）：08-10.
人工智能研究綜述范文4
Jeffrey J.P.Tsai University of Illinois,
Chicago, USA(Eds.)
Machine Learning
Applications in Software
Engineering
Series on Software Engineering and Knowledge Engineering Vol. 16
2005,355Ppp.
ISBN 9789812560940
軟件工程中的
機器學習應用
D張JJP特賽編
本書是《軟件工程與知識工程》叢書的第16卷。Brooks在其經典的論文“無銀彈”中對于在變化的環境中開發和維護大量軟件系統的挑戰已經做出了具有說服力的闡述。復雜性、一致性、可變性和隱形性，這些都是在開發大型軟件中固有的基本困難。
人們提出了許多演化或者遞增改進的辦法，每一種改進辦法都試圖致力于改進這些基本困難的某些方面。人工智能技術對軟件工程的應用產生了某些令人振奮的結果。這些成功的人工智能技術包括了基于知識的方法，自動推理、專家系統、啟發式搜索策略、時態邏輯、規劃及模式識別。為了最終克服這些基本的困難，人工智能技術能夠發揮重要的作用。而作為人工智能的一個子領域，機器學習涉及一個問題，即如何建立一個計算機程序，該程序通過經驗能夠改進它們在執行某些任務時的性能。
機器學習專門致力于創造并且編譯可驗證的知識，而這些知識與人工制品的設計與構建相關。機器學習領域包括了監督學習、無監督學習和增強學習，它已經被證明在許多的應用領域中具有極大的實用價值。軟件工程領域已成為一塊沃土，在那里許多軟件開發和維護的任務可以系統地闡述為學習問題和依據學習算法的方法。本書涉及了在軟件工程中的機器應用這個主題，它提供了對機器學習的綜述，總結了這個領域中的最新實踐，給出了對現有工作的分類，提供了某些應用準則。書中還包括了在該研究領域中先前發表的論文集合。
本書由9章組成。第1章機器學習與軟件工程介紹；第2章預測和估計中的機器學習應用；第3章屬性與模型發現中的機器學習應用；第4章變換中的機器學習應用；第5章生成與合成中的機器學習應用；第6章重復使用中的機器學習應用；第7章需求獲取中的機器學習應用；第8章開發知識管理中的機器學習應用；第9章準則與結論。
本書可供軟件工程以及機器學習專業的研究人員和研究生閱讀參考。也可供從事軟件開發工作的人員閱讀。
胡光華，高級軟件工程師
(原中國科學院物理學研究所)
人工智能研究綜述范文5
關鍵詞：智能控制；應用；探討；
前言：
隨著時代的發展，科學技術的進步，計算機技術已經逐漸成為人們日常生活中不可分割的一部分，而自人工智能的概念被提出后，各國將更多的精力投入到智能的研究上，隨著信息化時代的到來，自動化技術與智能控制技術的結合越來越符合當前工業的發展。智能控制作為以眾多學科為基礎的過程控制中最為重要的一部分，在社會上的各行各業都有著十分重要的作用。除此之外，智能控制同樣是當今社會處于前沿的科學技術，因此，如何將智能控制更好地應用于實際具有十分重要的社會意義。
1 智能控制綜述
隨著科學技術的發展，人們生活質量的提高，對工業生產的需求越來越旺盛，從而導致了過程控制也就是控制科學這一項技術的誕生。智能控制是指通過控制智能機器完成目標的控制過程，智能控制作為控制過程的重要組成部分，隨著各界人士不斷的鉆研，目前智能控制的理論已相對成熟。智能控制是人工智能、控制論、信息論與運籌學等技術相互交叉所形成的符合當展的一項新型的理論與技術，也因此其應用領域正在不斷的擴大。目前主要通過兩種研究方法來研究智能控制，提高智能控制所具備的一些能力，如學習能力、組織綜合能力、適應能力以及優化能力，從而保證智能控制能更好地發揮其相應的社會作用。
2 智能控制所采用的手段
2.1 專家控制
專家控制其實就是將專家系統引入控制領域的一種新型的智能控制，而隨著時間的發展，專家控制逐漸成為智能控制的重要組成部分。專家系統通過知識庫采集相關知識進行推理，從而使專家控制能最大限度地模仿專家的經驗推理出解決對策以及方案，專家控制最大的優點便是它是通過各種知識進行推理從而得出最終的解決對策，而不是通過一個固定的規則或數據模型得到的結果。目前專家系統的應用極其廣泛，但是仍有許多問題值得進一步的研究，以便專家控制系統具備自主學習能力，從而能使智能控制更加完善。
2.2 模糊控制
自1956年模糊控制被第一次提出以后，就成為了智能控制中的重要組成部分，并被廣泛地應用于實際中。模糊控制相對于其它智能控制手段最主要的特點就是算法簡單、執行速度快、容易實現目標，也因此，模糊控制被廣泛地應用于較為復雜的領域解決較為復雜的問題。所謂的模糊控制是基于模糊推理等理論，從而使機器能以較為接近人類思維的語言邏輯進行分析，從而控制系統進行工作，以便達到無人控制的目標。到目前為止，雖然作為智能控制的重要組成部分的模糊控制已經發展得相當不錯了，但是仍然存在著一定的問題需要改善。
2.3 神經網絡控制
所謂的神經網路控制就是將神經系統融入智能控制中，是基于結構模擬人腦生理結構而形成的智能控制和辨識方法，其中BP網絡是神經網絡控制的主要網絡模型。神經網絡控制在控制領域具有十分重要的作用，這主要是因為神經網絡控制在理論上是非線性函數且能執行并行分布處理，具有較強的學習能力與適應能力，可以進行多變量的處理。但是神經網絡控制同樣具有不可忽視的缺陷，目前正在進一步研發將神經網絡理論應用到具體的控制系統，以便提高智能控制的性能。
2.4 混沌控制
混沌控制同樣也是智能控制的重要組成部分，于1963年被氣象學家所提出，是非線性動力系統的理論，而且由于混沌控制在工業上所具有的重要應用價值，使得混沌控制成為了當代社會的重要研究方向。目前常用的混沌控制方法包括OGY法、連續反饋控制法等控制方法。混沌，顧名思義就是在確定的系統中出現的貌似隨機的現象，是一種十分普遍的運動情況。近幾年，混沌控制逐漸成為了非線性系統領域重點研究對象，但是由于其發展時間較短，仍舊需要進一步的研究。
3 智能控制的應用
3.1 智能機器人
智能控制現階段被廣泛地應用于各個領域。自人工智能理念被提出以后，智能機器人的研究便成為了各界學者關注的重點，而現在的智能機器人研究相對成熟，主要是因為賦予“思維能力”的相應控制系統十分完善，能準確地對周圍的環境等情況進行檢測，同時進行定位，而智能控制系統強大的學習能力也提高了智能機器人對環境的適應能力。目前智能機器人在社會上有著十分廣泛的應用，其中多數都是危險作業，如挖礦、水下運載器、水下無人機等的作業都是通過智能控制實現的。
3.2 智能監控
智能監控是智能控制的主要應用領域。在工業生產中，智能監控是必不可少的，這主要是為了保證加工的效率和準確度，同時由于目前將智能控制技術與自動化技術相結合以成為工業生產的主要方式，而利用智能控制不僅可以提高控制精度與工作效率，避免了工作人員的操作，降低了操作的難度，避免了客觀因素對電氣設備的干擾，提高了電氣設備的自動化程度，促進了工業的發展。除此之外，智能控制同樣被應用行器的過程控制以及醫療過程控制中，從而保證飛行器的飛行安全，合理地評估用藥，可以看出智能監控對社會的發展十分重要。
3.3 智能檢測
設備具有一定的使用壽命，并且極易受到外界因素的干擾，從而降低機器的使用壽命，造成大量的損失，因此必須采取一定的措施延長設備預期使用壽命，而智能檢測在這方面具有得天獨厚的優點。智能檢測是通過合理的分析設備所運行的情況，從而判斷設備可能出現故障的地方及原因，并發出警告，以便維修人員能及時地檢修，及時地排除故障，從而保障設備的正常運行，延長機器的使用壽命，并在一定程度上降低損失。目前智能故障檢測廣泛地應用于雷達以及火電站鍋爐給水過程等方面。
3.4 智能儀器
隨著電子技術的發展，微電子元件具有十分廣闊的市場，而隨著微電子元件的發展，人工智能與智能控制技術正朝著更高的集成化、網絡化、模塊化的方向發展，從而與工業生產相結合，形成自動化程度更高的設備，從而實現無人控制與遠程控制的目標。
4 智能控制的應用前景
到現在為止，智能控制的發展歷史極其短暫，僅僅只有六十年，但是在這短短的六十年間，智能控制逐漸成為了各個領域的主要應用技術。雖然智能控制的發展十分迅速，但是由于發展時間較短，仍然存在很多的問題，因此需要加強對智能控制的研究，從而使其應用更為安全且廣泛。這就需要相關的學者繼續完善智能控制的相關理論，并且在一定程度上提高智能控制系統的穩定性、可控性等性能，并且解決當前智能控制中所遇到的問題，從而使智能控制應用于更廣的領域。
5 結語
綜上所述，隨著經濟的發展，科學技術的進步，當今社會的IT行業正處于蓬勃發展的時期，而智能控制更是基于人工智能理論所衍生的更符合當今社會發展的一項新型的學科。人工智能控制是一項基于運籌學、人工智能以及控制理論等所衍生的一項交叉技術，目前為止，應用最為廣泛的智能控制手段包括模糊控制、專家控制、神經網絡控制以及混沌控制，并且逐漸在社會中發揮著重要的作用，從而為我國的發展做出一份貢獻。
參考文獻
人工智能研究綜述范文6
〔關鍵詞〕知識圖譜；專家系統；發展軌跡
DOI：10．3969／j．issn．1008－0821．2012．02．040
〔中圖分類號〕G250.71 〔文獻標識碼〕A 〔文章編號〕1008－0821（2012）02－0159－08
Knowledge-based Expert System Development Overview MapLiao Yi
（Political Department，National University of Defense Technology，Changsha 410073，China）
〔Abstract〕Artificial intelligence expert system is the most important and most active areas of an application,which implements the artificial intelligence research from theory to practice,turning from the general reasoning strategies of a major breakthrough in the use of expertise.This chronological order,the expert system into the 1980s before the 1980s,1990s,2000,after four stages.Articles using bibliometric methods,analysis of the expert system development process,development and trends,pointing out that the current phase is the development of expert systems,expert systems into a variety of commercial operation,need to address the knowledge acquisition bottleneck,matching conflicts and other issues for expert systems to understand and master the subject structure,evolution,development and so provide an unique perspective and knowledge.
〔Key words〕knowledge maps;expert systems;the development trajectory
專家系統作為人工智能的一個重要分支，發展已經超過50年，在很多應用領域都獲得了廣泛使用，取得了豐碩成果。本文運用文獻計量這一獨特視角對專家系統進行了再回顧和再分析，將智能科技劃分為初創期、成長期、低谷期、發展期，利用詞頻分析、共引分析、作者共現分析等方法揭示專家系統的學科結構、影響程度、關鍵節點與時間點等重要而獨特的知識，為了解和掌握專家系統的發展與演化過程提供了獨特視角。
1 數據來源
SCI（Science Citation Index）是美國科學情報研究所ISI（Institute for Science Information）出版的期刊文獻檢索工具，所收錄的文獻覆蓋了全世界最重要和最有影響力的研究成果，成為世界公認的自然科學領域最為重要的評價工具。本文以Web of Science中的SCI數據庫為數據來源，選用高級檢索方式，以“Expert System/Experts System”作為主題詞，于2011年5月在Web of Secience中進行檢索，一共檢索到14 500篇相關文獻記錄。獲得的年度分布如圖1。所示。雖然，專家系統研究從20世紀五六十年代就開始了，但是從圖1可以看出直到1982年才有主題詞與專家系統相關的論文出現。圖1表明1991年左右，專家系統相關論文達到了峰值，但隨后呈逐年下降的趨勢。到1999年，只有494篇。但21世紀開始，專家系統相關論文又出現了增加的趨勢，并維持在一個穩定的水平中。圖1 專家系統在SCI數據庫文獻發表年度變化情況
2012年2月第32卷第2期基于知識圖譜的專家系統發展綜述Feb.，2012Vol.32 No.22 專家系統前40年的發展
本文利用基于JAVA平臺的引文分析可視化軟件Citespace，首先設定時間跨度為1950-1991年，時間切片長度為1年，聚類方式為共被引聚類（Cited Reference），閾值選擇為（2，2，20）、（3，3，20）、（3，3，20）。Citespace得出這些引文的時間跨度為1950－1990年，可以繪制出該時間段的專家系統論文時區分布圖，如圖2所示。我們以年代先后為序，將20世紀80年代以前作為第一階段，80年代至90年代作為第二階段。圖2 1950-1991年各年度專家系統論文之間的時區分布圖
2.1 專家系統起源時期
根據圖2顯示，這段時期有7個突出節點，既有7位代表人物。第一個節點代表的是“人工智能之父”――英國著名科學家阿蘭?麥席森?圖靈（Alan Mathison Turing），他于1950年在《心靈》雜志上《計算機器與智能》，提出了著名的“圖靈測試”，探討了機器智能的可能性，為后來的人工智能科學提供了開創性的構思［1］。
第二個節點代表的是美國工程院院士、加州大學扎德（LA.Zadeh）教授，他于1965年在《信息與控制》雜志第8期上發表題為《模糊集》的論文，提出模糊集合理論，給出了模糊性現象定量描述和分析運算的方法，從而誕生了模糊數學。1978年，扎德教授提出了“可能性理論”，將不確定性理解為可能性，為模糊集理論建立了一個實際應用上的理論框架，這也被認為是模糊數學發展的第二個里程碑。同年，國際性期刊《International Journal of Fuzzy Sets and System》誕生，這使得模糊理論得到普遍承認，理論研究高速發展，實際應用迅速推廣。
第三個節點代表的美國兩院院士、卡內基-梅隆大學教授艾倫?紐厄爾（Allen Newell），1972年，他出版了《人怎樣解題》（Human Problem Solving)一書，書中描述了他和西蒙試圖建立一個計算機化的“通用問題求解器”的歷程：20世紀50年代，他們發現，人類的問題解決，在一定知識領域內可以通過計算機實現，所以他們開始用計算機編程來解決問題，1956年，他們研發出了邏輯理論家和通用問題求解器（General Problem Solver），并建立了符號主義人工智能學派。我們可以看出，這本書是對他以前所作工作的總結與歸納，而邏輯理論家和通用問題求解器正是專家系統的雛形，為專家系統的出現奠定了堅實的基礎。
但是艾倫?紐厄爾的嘗試無法解決大的實際問題，也很難把實際問題改造成適合于計算機解決的形式，并且對于解題所需的巨大搜索空間也難于處理。為此，美國國家工程院院士、斯坦福大學教授費根鮑姆（E.A.Feigenbaum）等人在總結通用問題求解系統成功與失敗的經驗基礎上，結合化學領域的專門知識，于1965年研制了世界上第一個專家系統dendral，可以推斷化學分子結構。專家系統進入了初創期，其代表有dendral、macsyma（數學專家系統）等，第一代專家系統以高度專業化、求解專門問題的能力強為特點，向人們展示了人工智能應用的廣闊前景［2］。
第四個節點代表人物是美國麻省理工學院著名的人工智能學者明斯基（Minsky）。1975年，他在論文《表示知識的框架》(A Framework for Representating Knowledge，McGraw-Hill)中提出了框架理論，框架理論的核心是以框架這種形式來表示知識。理論提出后，在人工智能界引起了極大的反響，并成為了基于框架的專家系統的理論基礎，基于框架的專家系統適合于具有固定格式的事物、動作或事件。
第五個節點代表人物是美國普林斯頓大學教授格倫謝弗（Glenn Shafer），他在1976年出版了《數學理論的證據》（A mathematical theory of evidence）一書，介紹了由他和Dempster于1967年提出的D-S理論（即證據理論）。證據理論可處理由不知道因素引起的不確定性，后來，該理論被廣泛應用于計算機科學和工程應用，是基于D-S證據理論的專家系統的理論基礎。
第六個重要節點代表是美國斯坦福大學愛德華?漢斯?肖特利夫（Shortliff EH）教授，他于1975年在著名雜志《數學生物科學》上發表《A model of inexact reasoning in medicine》（《在醫學模型的不精確推理》）一文，他結合自己1972－1974年研制的世界第一個醫學專家系統――MYCIN系統（用于診斷和治療血液感染及腦炎感染，是第二代專家系統的經典之作），提出了確定性理論，該理論對專家系統的發展產生了重大影響。
第七個節點代表人物是美國麻省理工學院計算機科學和人工智能實驗室的戴維斯（Randall Davis）教授，他于1976年提出元知識的概念，并在專家系統的研制工具開發方面做出了突出貢獻――研制出知識獲取工具Teiresias，為專家系統獲取知識實現過程中知識庫的修改和添加提供了工具［3］，關Teiresias，他于1977年在《Artificial Intelligence》雜志上中進行了詳細介紹，而這也為本時期專家系統的快速增多和廣泛應用奠定了堅實基礎。
20世紀70年代后期，隨著專家系統應用領域的不斷開拓，專家系統研發技術逐漸走向成熟。但同時，專家系統本身存在的應用領域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一等問題也被逐漸暴露出來。人們從各種不同類型的專家系統和知識處理系統中抽取共性，人工智能又從具體研究逐漸回到一般研究。圍繞知識這一核心問題，人們重新對人工智能的原理和方法進行探索，并在知識的獲取、表示以及知識在推理過程中的利用等方面開始出現一組新的原理、工具和技術。
2.2 專家系統發展的黃金時期
20世紀80年代是專家系統突飛猛進、迅速發展的黃金時代，根據圖2顯示，這段時期共有論文982篇，有7個突出節點。
1980年，出現了第一個節點代表――美國斯坦福大學計算機科學系系主任尼爾森（NILS J.NILSSON），他出版的《人工智能原理》（《Principles of artificial intelligence》）一書，表明了拉近理論和實踐的距離的目標，書中對基于規則的專家系統、機器問題解決系統以及結構對象的代表等都進行了具體的論述。
1981年，出現了第二個節點代表――英國赫特福德大學教授Clocksin，威廉F，他出版的《PROLOG語言編程》一書，引起了計算機科學界的極大興趣，并已被證明是一個重要的編程語言和人工智能系統的新一代基礎，是專家系統的重要編程語言。
1982年，出現了第三個節點代表――美國匹茲堡大學教授米勒（Miller RA），他在《英格蘭醫藥分冊》上發表了《基于計算機的醫學內科實驗診斷顧問》（An Experimental Computer based Diagnostic Consultant for General Internal Medicine.N Engl J Med,307,468-76,1982）一文，屬當時診斷專家系統的代表力作，書中介紹了著名的內科疾病診斷咨詢系統INTERNIST-1，之后將其不斷完善成改進型INTERNIST-2，即后來的CADUCEUS專家系統，其知識庫中包含了572種疾病，約4 500種癥狀。
1983年，出現了第四個節點代表――美國的海斯羅斯（Hayes-Roth，F）教授，他于1983年發表著作《建立專家系統》，對專家系統建立的原則和要素、開發的生命周期等重要問題進行了詳細講解，為研究與開發各種類型的專家系統提供了理論依據。
1984年，出現了第五個節點代表――美國匹茲堡大學計算機科學、哲學和醫學教授布魯斯?布坎南（Bruce G.Buchanan），他于1984年發表著作《規則的專家系統：斯坦福啟發式編程項目Mycin實驗》（《Rule Based Expert Systems:The Mycin Experiments of the Stanford Heuristic Programming Project》，這是有史以來關于醫療診斷系統MYCIN的實驗規則庫公布。基于規則的專家系統MYCIN是專家系統開發過程中一個里程碑，研究其開發思路與方法具有非常重要的意義。
1985年，出現了第六個節點代表――美國人工智能專家、加州大學教授哈蒙（Harmon P），他出版了《專家系統：人工智能業務》（《Expert systems：artificial intelligence in business》）一書。書中闡述了專家系統如何解決問題，代表知識，并得出推論，并介紹了人工智能的具體制度，確定了專家系統的市場。
1986年，出現了第七個節點代表――著名的專家系統學者沃特曼（Waterman DA），他出版了《專家系統指南》一書，該書對專家系統的概念、組成、建立過程、建立工具、應用領域等做了深入淺出的系統介紹與論述，是當時全面介紹專家研發與應用的經典書籍。
20世紀80年代初，醫療專家系統占主流，主要原因是它屬于診斷類型系統且容易開發。80年代中期，出現大量投入商業化運行的專家系統，為各行業帶來了顯著的經濟效益。從80年代后期開始，大量新技術成功運用到專家系統之中，使得專家系統得到更廣泛的運用。在這期間開發的專家系統按處理問題的類型可以分為：解釋型、預測型、診斷型、設計型等。應用領域擴展到農業、商業、化學、通信、醫學等多個方面，成為人們常用的解決問題的手段之一。
然而，與此同時，現有的專家系統也暴露出了自身嚴重的缺陷，使不少計算機界的知名學者對專家系統產生了懷疑，認為專家系統存在的問題有以下幾點：（1）專家系統中的知識多限于經驗知識，極少有原理性的知識，系統沒有應用它們的能力；（2）知識獲取功能非常弱。為了建造專家系統，必須依賴于專家獲取知識， 不僅費時， 而且很難獲取完備性和一致性的知識；（3）求解問題的方法比較單一，以推理機為核心的對問題的求解尚不能反映專家從認識問題到解決問題的創造性過程；（4）解釋功能不強［4］。等到學者們回過頭重新審視時，20世紀90年代的專家系統理論危機已然爆發。
3 90年代專家系統向多個方向發展
由于20世紀80年代專家系統研究迅猛發展，商業價值被各行各業看好，導致90年代大批專家系統從實驗室走出來，開始了它們的工程化市場化進程。從圖1看以看出，在20世紀90年代，專家系統的相關論文不增反減，進入一個局部低谷期，這期間以“Expert System/Experts System”為主題詞的論文共7 547篇。本文利用Citespace軟件，設置參數為（4，4，20）（4，3，20）（4，4，20），獲取了該時期論文的引文聚類圖（如圖3所示）。圖2 專家系統1990－2000年的論文引文聚類圖
從圖3中我們可以看出，全圖的節點比較分散，沒有形成大的聚類，這表示該階段沒有形成重點研究方向，也沒有重大科研成果和標志性著作產生，專家系統的市場化進程嚴重牽引了研究者們的注意力，這是專家系統研究陷入低谷期的重要原因。
這段時間專家系統的研究工作大致分以下幾個方面：第一個研究方向依舊是建立在扎德（LA.Zadeh）教授模糊理論上的模糊專家系統，它同樣是該年代專家系統研究的重點方向。
第二個研究方向是骨架專家系統，代表人物有美國斯坦福大學的愛德華?漢斯?肖特利夫（Shortliff EH）教授。1974年末，MYCIN系統基本建成后，MYCIN的設計者們就想到用其它領域的知識替換關于感染病學的知識，可能會得到一個新的專家系統，這種想法導致了EMYCIN骨架系統的產生。EMYCIN的出現大大縮短了專家系統的研制周期，隨后，AGE、OPS5、KEE、KBMS、GESDE等骨架系統應運而生，它們在20世紀90年代專家系統的研究進程中，發揮著重要作用。
第三個研究方向是故障診斷專家系統，代表人物有美國麻省理工學院的蘭德爾?戴維斯（Randall Davis）教授。他于1984年在《人工智能》雜志上發表了《基于結構和行為的診斷推理 》（《Diagnostic Reasoning Based on Structure and Behavior》）一文，該論文描述了一個利用知識結構和行為，在電子電路領域進行故障診斷排除的專家系統。之后，故障診斷專家系統在電路與數字電子設備、機電設備等各個領域已取得了令人矚目的成就，已成為當今世界研究的熱點之一。
第四個研究方向是基于規則的專家系統，布魯斯?布坎南（Bruce G.Buchanan）的著作對基于規則的專家系統在這個時期的發展仍有著積極的指導作用。多種基于規則的專家系統進入了試驗階段。傳統基于規則的專家系統只是簡單的聲明性知識，而目前，規則的形式開始向產生式規則轉變，并趨向于提供較完善的知識庫建立和管理功能。
第五個研究方向是知識工程在專家系統中的運用。代表人物是美國斯坦福大學的克蘭西教授（Clancy W J），他于1985年在《人工智能》雜志上發表了重要論文《啟發式分類》（《Heuristis classification》），啟發式分類即對未知領域情況的類的識別過程。它是人類思維解決問題的重要方法，在人工智能、專家系統中可常用啟發式設計計算機程序，模擬人類解決問題的思維活動。
第六個研究方向是機器學習在專家系統中的運用。代表人物是機器學習領域前輩、澳洲悉尼大學著名教授John Ross Quinlan。他于1986年在《機器學習》（《Mach.Learn》）雜志上發表《決策樹算法》（《Induction of Decision Trees》）一文，文中他詳細描述了決策樹算法的代表――ID3算法。之后，有大量學者圍繞該算法進行了廣泛的研究，并提出多種改進算法，由于決策樹的各類算法各有優缺點，在專家系統的實際應用中，必須根據數據類型的特點及數據集的大小，選擇合適的算法。
第七個研究方向是神經網絡專家系統，代表人物有人工智能專家Stephan I.Gallant和美國加利福尼業大學教授巴特?卡斯科（Bart Kosko）。Gallant于1988年在《ACM的通信》上發表了《連接主義專家系統》（《Connectionist expert systems》）一文，文中講述Gallant 設計了一個連接主義專家系統（Connectionist expert system），其知識庫是由一個神經網絡實現的（即神經網絡知識獲取），開創了神經網絡與專家系統相結合的先例。
第八個研究方向是遺傳算法在專家系統中的運用。代表人物是遺傳算法領域著名學者、美國伊利諾伊大學David Goldberg教授和人工智能專家L.Davis。1989年，Goldberg出版了專著《搜索、優化和機器學習中的遺傳算法》，該書系統總結了遺傳算法的主要研究成果，全面而完整地論述了遺傳算法的基本原理及其應用；1991年，Davis編輯出版了《遺傳算法手冊》，書中包含了遺傳算法在科學計算、工程技術和社會經濟中的大量應用實例，該書為推廣和普及遺傳算法的應用起到了重要的指導作用。這些都推動了基于遺傳算法的專家系統的研發推廣。
第九個研究方向是決策支持系統在專家系統中的運用，代表人物是美國加利福尼亞大學伯克利分校教授埃弗雷姆?特班（Efraim Turban）。他于1990年出版了《決策支持和專家系統的管理支持系統》（《Decision support and expert systems:management support systems》）一書。20世紀80年代末90年代初，決策支持系統開始與專家系統相結合，形成智能決策支持系統，該系統充分做到了定性分析和定量分析的有機結合，將解決問題的范圍和能力提高到一個新的層次。
第十個研究方向是各種理論知識在專家系統中的綜合運用，代表人物是美國加利福尼業大學教授巴特?卡斯科（Bart Kosko）和美國伊利諾伊州研究所教授Abdul-Rahman K.H?？ㄋ箍疲↘osko）于1992年出版《神經網絡和模糊系統：一個擁有機器智能的動力系統方法》（《Neural networks and fuzzy systems:a dynamical systems approach to machine intelligence》）一書，這是第一本將神經網絡和模糊系統結合起來的讀本，也是神經網絡與模糊理論綜合應用于專家系統建設的經典著作；Abdul-Rahman K.H教授于1995年，在美國電氣和電子工程師協會的《電力系統及自動化》（《Transactions on Power Systems》）會議刊上發表了《人工智能模糊無功負荷的最優VAR控制方法 》（《AI approach to optimal VAR control with fuzzy reactive loads》）一文，論文提出了一個解決無功功率（VAR）控制問題，這個方法包含了專家系統、模糊集理論和人工神經網絡的重要知識。
雖然專家系統大量建造，但投入實際運行的專家系統并不多，且效率較低，問題求解能力有待進一步提高。原因之一就是專家系統主要是模擬某一領域中求解特定問題的專家的能力，而在模擬人類專家協作求解方面很少或幾乎沒有做什么工作。然而在現實世界中，協作求解具有普遍性，針對特定領域、特定問題的求解僅僅具有特殊性，專家系統雖然在模擬人類專家某一特定領域知識方面取得了成功，但它仍然不能或難以解決現實世界中的問題。其次，開發的專家系統的規模越來越大，并且十分復雜。這樣就要求將大型專家系統的開發變成若干小的、相對獨立的專家系統來開發，而且需要將許多不同領域的專家系統聯合起來進行協作求解。然而，與此相關的分布式人工智能理論和實用技術尚處在科研階段。只有分布式系統協作求解問題得以解決，才能克服由于單個專家系統知識的有限性和問題求解方法的單一性等導致系統的“脆弱性”，也才能提高系統的可靠性，并且在靈活性、并行性、速度等方面帶來明顯的效益［5］。
4 21世紀專家系統進入穩定發展時期
進入21世紀，專家系統開始緩慢發展，這期間以“Expert System/Experts System”為主題詞的論文共5 964篇。本文利用Citespace軟件，設置參數為（6，6，20）（5，5，20）（5，5，20），獲取了該時期論文的引文聚類圖（如圖4所示）。圖4 專家系統2000－2010年的論文引文聚類圖
這個時期專家系統有3個主要研究方向：第一個是研究方向是節點明顯的基于模糊邏輯的專家系統研究方向。90年代以來，模糊控制與專家系統技術相結合，進一步提高了模糊控制器的智能水平?；谀：壿嫷膶＜蚁到y有以下優點：一是具有專家水平的專門知識，能表現專家技能和高度的技巧以及有足夠的魯棒性（即健壯性）；二是能進行有效的推理，能夠運用人類專家的經驗和知識進行啟發性的搜索和試探性的推理；三是具有靈活性和透明性。
第二個是研究方向是Rete模式匹配算法在專家系統中的應用，代表人物是美國卡內基―梅隆大學計算機科學系的Charles L.Forgy教授，1979年，他首次提出Rete算法。專家系統工具中一個核心部分是推理機，Rete算法能利用推理機的“時間冗余”特性和規則結構的相似性，并通過保存中間運算結果的方法來提高推理的效率。1982年，他在《人工智能》雜志上發表《Rete算法：許多模式／多對象的模式匹配問題的一個快速算法》（《Rete:A Fast Algorithm for the Many Pattern/Many Object Pattern Match Problem》）一文，該文解釋了基本算法的概念，介紹了詳細的算法，描述了模式和適當的對象交涉算法，并說明了模式匹配的執行操作。
第三個是研究方向是專家系統在電力系統中的運用。世界各國的專家們開始熱衷于在電力生產的各個環節使用專家系統，代表人物有日本的福井賢、T.Sakaguchi、印度的Srinivasan D、美國伊利諾伊州研究所的Abdul-Rahman K.H、希臘雅典國立技術大學的Protopapas C.A、和中國的羅旭，他們在美國電氣和電子工程師協會的《電力傳輸》（《IEEE transactions on power delivery）會議刊及《電源設備系統》會議刊（《On Power Apparatus and Systems》）上發表了多篇有影響力的論文，內容涉及系統恢復、電力需求預測、變電站故障診斷和報警處理等多方面。
這十年間，專家系統的研究不再滿足于用現有各種模型與專家系統進行簡單結合，形成基于某種模型的專家系統的固有模式。研究者們不斷探索更方便、更有效的方法，來解決困擾專家系統的知識獲取瓶頸、匹配沖突、組合爆炸等問題，而這也推動了研究不斷向深層次、新方向發展。但是，由于專家系統應用的時間長、領域廣，他們遭遇的瓶頸問題一時得不到有效解決，導致了這一時期末，專家系統研究呈現出暫時的下滑現象。
5 專家系統發展趨勢分析
圖一發展曲線上第二個時間節點是1992年，從該年起專家系統相關論文呈下降趨勢，然后在2002年又開始緩慢增長，近一年多來又開始下降，這標志著專家系統研究在布滿荊棘的道路上前行，前景是光明的，但道路是曲折的。本文以5年為一個單位，統計了1990－2009年20年期間專家系統相關論文中高頻詞的變化情況，如表1所示，從該表可以獲得這個時期專家系統研究的一些特點。
（1）在1990-1999年期間，人工智能出現新的研究，由于網絡技術特別是國際互連網技術發展，人工智能開始由單個智能主體研究轉向基于網絡環境下的分布式人工智能研究，使人工智能更加實用，這給專家系統帶來了發展的希望。正因為如此，我們從詞頻上可以看出，人工智能（artificial intelligence）一詞在這十年一直位居前兩位，在專家系統研究中處于主導地位，而與其相關的知識表示（knowledge representation）、知識獲取(knowledge acquisition)等，也成為了學者們研究的重點方向。
（2）該時期的第二個特點是神經網絡研究的復蘇。神經網絡是通過模擬人腦的結構和工作模式，使機器具有類似人類的智能，如機器學習、知識獲取、專家系統等。我們從詞頻上可以看出神經網絡（neural network）一詞得以快速增長，1995年時位列第一，進入21世紀也是穩居第二位，神經網絡很好地解決了專家系統中知識獲取的瓶頸問題，能使專家系統具有自學習能力，它的出現為專家系統提供了一種新的解決途徑［6］，同時也顯示出他獨有的生機與活力。
（3）該時期是模糊邏輯的發展時期。模糊理論發展至今已接近三十余年，應用范圍非常廣泛，它與專家系統相結合，在故障診斷、自然語言處理、自動翻譯、地震預測、工業設計等方面取得了眾多成果。我們從詞頻上可以看出，模糊邏輯（fuzzy logic）一詞，除在1990－1994年期間位居第六位外，之后都位居前三甲，2000-2004年期間更是位列第一。模糊控制與專家系統技術相結合，進一步提高了模糊控制器智能水平，這種控制方法既保持了基于規則的方法的價值和用模糊集處理帶來的靈活性，同時把專家系統技術的表達與利用知識的長處結合起來，能處理更廣泛的控制問題。
（4）故障診斷成為專家系統研究與應用的又一重要領域。故障診斷專家系統的發展起始于20世紀70年代末,雖然時間不長,但在電路與數字電子設備、機電設備等各個領域已取得了令人矚目的成就,已成為當今世界研究的熱點之一。這從高頻詞分布可以開出，故障診斷（fault diagnosis）從1995-1999年間的最后一位攀升至2005-2009年間的第一位，足見其強大的生命力。在專家系統己有較深厚基礎的國家中，機械、電子設備的故障診斷專家系統已基本完成了研究和試驗的階段，開始進入廣泛應用。
（5）遺傳算法的應用逐漸增多。20世紀90年代，遺傳算法迎來了發展時期，無論是理論研究還是應用研究都成了十分熱門的課題。尤其是遺傳算法的應用研究顯得格外活躍，不但應用領域擴大，而且利用遺傳算法進行優化和規則學習的能力也顯著提高。進入21世紀，遺傳算法的應用研究已從初期的組合優化求解擴展到了許多更新、更工程化的應用方面。這在高頻詞分布中可以看出，以2000作為臨界點，遺傳算法（genetic algorithms）從20世紀90年代的10名之后，到位于高頻詞前六強之中，充分反映出它發展的良好勢頭。
6 小 結
專家系統是20世紀下半葉發展起來的重大技術之一，它不僅是高技術的標志，而且有著重大的經濟效益?！爸R工程之父”E.Feignbaum在對世界許多國家和地區的專家系統應用情況進行調查后指出：幾乎所有的ES都至少將人的工作效率提高10倍，有的能提高100倍，甚至300倍［7］。
專家系統技術能夠使專家的專長不受時間和空間的限制，以便推廣稀缺的專家知識和經驗；同時，專家系統能促進各領域的發展，是各領域專家專業知識和經驗的總結和提煉。
專家系統發展的近期目標，是建造能用于代替人類高級腦力勞動的專家系統；遠期目標是探究人類智能和機器智能的基本原理，研究用自動機模擬人類的思維過程和智能行為，這幾乎涉及自然科學和社會科學的所有學科，遠遠超出了計算機科學的范疇。
隨著人工智能應用方法的日漸成熟，專家系統的應用領域也不斷擴大。有人類活動的地方，必將有智能技術包括專家系統的應用，專家系統將成為21世紀人類進行智能管理與決策的工具與助手。
參考文獻
［1］百度百科［EB］.http:∥baike.省略/view/2130.htm．
［2］黃可鳴.專家系統二十年［J］.計算機科學，1986，（4）：26-37.
［3］路耀華.思維模擬與知識工程［M］.北京：清華大學出版社，1997．
［4］趙致琢.專家系統研究［J］.貴州大學學報：自然科學版，1990，（6）：40-48.
［5］鄒光宇.專家系統發展現狀及其應用前景［J］.電力勘測，1994，（3）：21-26.
