前言：中文期刊網精心挑選了紡織人工智能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。
紡織人工智能范文1
關鍵詞:結構模擬;功能模擬;行為模擬;機制主義方法;人工智能統一理論
1人工智能成為信息科學技術的焦點
信息是事物存在方式和運動狀態的表象;知識是由信息提煉出來的產物,是事物存在方式和運動規律的本質表征;智能是知識和目的演繹的結果,是運用知識來認識問題和解決問題的能力。信息科學技術的研究目標不僅是為了認識和利用信息本身,更重要的是為了“利用信息、提煉知識、生成智能、解決問題”。后者,就是“人工智能”的研究。
人,是地球上所存在的最高級信息系統。人體信息系統的進化表現了一個重要的科學規律:在感覺器官、神經系統、古皮層舊皮層、行動器官成熟之后,新皮層就成為整體發展的焦點。信息技術的發展也遵循同樣的規律:在傳感(感覺器官功能的擴展)、通信(傳導神經系統功能的擴展)、計算(古皮層舊皮層功能的擴展)、控制(行動器官功能的擴展)充分發展起來之后,人工智能(新皮層功能的擴展)就成為信息技術整體發展的焦點。
進入21世紀,傳感、通信、計算、控制以及基于通信和計算的互聯網都獲得了長足的發展,智能傳感、智能通信、智能計算、智能控制、智能信息處理、智能機器人、智能信息安全、智能游戲等已經成為備受關注的方向,因而它們的共同基礎――人工智能本身的發展客觀上就成為了當代信息技術發展的焦點。
2人工智能研究現狀簡述
迄今,人工智能的研究形成了3種主流學說。
1) 1943年以來形成的模擬人腦結構的“結構模擬學說”[1-5],它的典型代表是人工神經網絡(后來與模糊邏輯及進化計算相結合,稱為計算智能)。它的特點是:通過對“信息樣本的訓練”獲得經驗知識和策略,用以解決形象思維一類智能問題。
2) 1956年以來興起的模擬人腦邏輯思維功能的“功能模擬學說”[6-10],典型代表是符號邏輯系統(如專家系統)。它的特點是:通過獲取領域相關的規范知識和運用邏輯演繹的方法獲得求解問題的策略,求解邏輯思維一類智能問題。
3) 1990年前后發展起來的模擬智能系統行為的“行為模擬學說”[11],它的典型代表是黑箱系統(如感知―動作系統)。它的特點是:需要建立刺激與響應之間的關系(表現為常識知識),于是只要識別了刺激的類型,與之相關的響應就可以自動產生。
目前的人工智能研究還存在許多問題。主要問題之一是,在“三種學說”各自取得進展的同時,卻很少互相溝通。不僅如此,互相之間還存有“孰優孰劣”的爭論,有時爭論還非常尖銳和激烈[12],表現出三者之間的不和諧,形成“鼎足三分”的格局。
這種“鼎足三分互不溝通”的狀況,不能不使人們深思,并且逐漸醒悟:看來,現有人工智能的各種研究方法還沒有真正抓住智能問題的本質,致使“三分”狀態未能實現“歸一”;為此,當務之急就是要加緊研究和發現更加深刻更加科學的研究方法。
3人工智能理論研究的新進展
3.1新進展之一:人工智能的第4方法――機制主義方法
智能是一種復雜的研究對象。智能系統的結構、功能、行為雖然都是窺探其中奧秘的重要觀察窗口,卻不是最根本的入口。
本文的研究發現:探索智能奧秘最具本質意義的途徑,應當是探尋和闡明“智能生成的機制”,回答“智能是怎樣生成的”這樣根本的問題,特別要把注意力放在“智能生成的共性核心機制”的問題上。這就是人工智能研究的第4種方法的基本理念。
按照這個新的理念,我們分析了典型的智能活動過程,考察了隱藏其中的普遍規律。
典型的智能活動過程。
無論何種場合,典型的智能活動過程一般都應當包含以下6個基本步驟:
1) 給定問題P、目標G和環境E,稱為“任務給定”。
2) 獲得關于問題、目標、環境的信息,稱為“信息獲取”,符號表示為:I(P, G, E)。
3) 把這些信息加工成為相應的知識,稱為“知識提煉”,符號表示為: = f (I)。
4) 在目標的引導下把知識和信息演繹成為解決問題的策略,稱為“策略生成”,符號表示為: = g (K, I, D)。
5) 把策略轉換為行為,求解問題,稱為“策略執行”。
6) 把求解的效果(誤差)作為新的信息反饋至2),通過2)至5)的步驟調整和優化策略,稱為“反饋優化”;逐次逼近,直至滿意。
智能活動過程的普遍規律。
考察上述典型的智能活動過程不難發現:通常,1)是由人給定的,2)至6)則可以由機器執行;而機器執行的這些步驟之中,2)至4)――信息獲取、知識提煉、策略生成是核心步驟?？紤]到“策略”是智能的集中體現,所以,策略生成也可以成為智能生成。于是,這些核心步驟也可以表示為:信息獲取、知識提煉、智能生成。信息獲取、知識提煉、智能生成是逐層遞進的過程,由此可以得出結論:智能生成的共性核心機制是“信息―知識―智能轉換”。符號表示為:
= g (, I, G)(1)
其中,
= f (I (P, G, E)) (2)
公式(2)表示的是由信息到知識的轉換;公式(1)表示的是在目標制導下由信息和知識到智能的轉換;兩者的綜合表示了“信息―知識―智能”的轉換。關于公式中的轉換g和f,原則上可以認為:f 是一類由大量信息樣本提煉共性知識的“歸納算法”,而g則是在目標制導下由相關知識和信息演繹智能策略的“演繹算法”。因此,它們在原則上是可以操作和可以實現的。不過,關于g和f還需要做出如下的說明:
1) 在規范的場合,轉換g和f可能由“數學”表達式來嚴格地表示并進行運算。
2) 在更多的場合,由于智能問題的復雜性,這些轉換不一定能夠用現有的數學表達式來表示。這時,可能要借助“邏輯”來表達和推理。
3) 在許多更為復雜的情形,現有的邏輯學也無能為力。這時,可以用“算法程序”來表示和處理。
4) 在那些極為復雜的情形,甚至還要借助“人工”的方法來處置。
本文確信,在各種智能問題求解需求的強烈推動之下,各種新的數學方法、邏輯方法和算法程序必將陸續應運而生。正像經典微積分方法處理不了隨機現象的時候就誕生了概率論等統計數學方法,經典微積分和統計數學方法處理不了模糊現象的時候就催生了模糊數學方法一樣。
于是,以公式(1)和(2)表示的“信息―知識―智能轉換”就是“智能生成的共性核心機制”。只要給定了具體的問題、環境約束和目標,原則上就可以通過(1)和(2)的轉換來獲取信息、提煉知識、生成智能(策略),使問題得到滿意的解決。
3.2新進展之二:知識的生態學結構
如上所見,智能生成的共性核心機制涉及到信息、知識、智能3個層次的理論。在這三者之中,信息是現象,知識是本質,智能是能力。信息來自現實世界,能力作用于現實世界,知識則是信息與智能之間的橋梁與中介。因此,知識在“智能生成的共性核心機制”中扮演著極其重要的作用。
本文研究發現:知識并非孤立靜止的對象,相反,它是一個不斷動態生長著的復雜運動過程。在先天知識的支持下,在各種信息的激勵下,不斷生長出“欠成熟”的經驗知識,其中一些經驗知識會成長為“成熟”的規范知識,并進一步成長為“過成熟”的常識知識;后者的一部分又可能沉淀成為下一代的先天知識。如此不斷生長,不斷進化,成為一個“有始無終”的開放的生態過程。這就是“知識的生態學”,它的結構也可以由圖1表示。
圖1知識的生態學系統
如果把這個知識生態學系統看作是知識內部生長過程的規律,稱為“知識的內生態系統”,那么,前面所討論的“信息―知識―智能轉換”則可以看作是知識的“外部”生長過程的規律,稱為“知識的外生態系統”。
3.3新進展之三:人工智能的統一理論
表面上看,這里所揭示的“知識內生態系統”并沒有什么新奇而不可理解或不可接受的概念。然而,正是這個“知識內生態系統”與“知識外生態系統(即智能生成的共性核心機制)”結合在一起,卻產生了一個非常有意義的重要結果,這就是:依所用知識類型的不同,機制主義方法有A、B、C型之分;而神經網絡(結構模擬)、專家系統(功能模擬)、感知―動作系統(行為模擬)分別是A、B、C型的機制主義方法特例,如表1所示。
表1說明:機制主義方法的實現是“信息―知識―智能轉換”;當其中的知識屬于經驗知識的時候,機制模擬可以退化為“結構模擬”;當其中的知識屬于規范知識的時候,機制模擬可以退化為“功能模擬”;當其中的知識屬于常識知識的時候,機制模擬可以退化為“行為模擬”。換言之,結構模擬、功能模擬、行為模擬都是機制模擬分別在經驗知識、規范知識、常識知識條件下的特例,而根據知識的內生態結構,經驗知識可以成長為規范知識并進而可能成長為常識知識。因此,結構模擬、功能模擬、行為模擬之間構成了一種各司其職、相互支持和相輔相成的生態關系,而不存在先前那種“孰優孰劣”的矛盾。
這樣,如果令表示機制模擬方法,和分別表示“信息―知識―智能轉換”的知識和智能策略,令(S)、(F)和(B)分別表示結構模擬方法、功能模擬方法和行為模擬方法,令(E)、(R)和(C)分別表示經驗知識、規范知識和常識知識,(E)、(R)和(C)表示經驗性智能策略、規范性智能策略和常識性智能策略,那么,就分別有:
(S),若 = (E)(3)
和
(F),若 = (R) (4)
以及
(B),若 = (C) (5)
且有
(S) (F) (B) (6)
上述公式的含義和表1的含義完全等效,兩者都說明:人工智能的結構模擬方法、功能模擬方法和行為模擬方法在機制模擬方法的框架內實現了和諧的統一。
4進展的學術意義
當今社會已經進入信息時代,信息化(利用信息技術促進經濟與社會發展)正如火如荼地展開。但是,理論預測和實踐經驗都表明,信息化發展到一定程度就必須向智能化的水平提升,否則就會進入“休眠期”。因此,“智能化”正越來越強烈地成為社會各行各業共同的呼聲。這便是今天發展人工智能科學技術的意義。
由于國際上迄今所建立的結構模擬、功能模擬、行為模擬3種方法各自都具有明顯的局限性,在相當程度上制約了人工智能的發展。本文提出的“機制模擬方法”(即人工智能研究的第4方法)比已有的3種方法更加深刻地觸及了智能生成的本質機制――“信息―知識―智能轉換”,為人工智能的研究提供了更為科學的研究方法。只有方法更科學,才能使研究取得更好的進步。這是三大進展的學術意義之一。
知識生態結構理論的發現,不僅使人們理解了“知識”的生態規律,而且使人們認識到原來“鼎足三分,勢不兩立”的人工智能三種研究方法之間并非水火不容。恰恰相反,它們之間正是處在“知識生態結構”的不同部位,是可以通過一定的措施實現互相轉化的,從而可以結束以前互不認可的局面。這是本文三大進展的學術意義之二。
基于前面兩大進展,本文證明了:結構模擬方法、功能模擬方法、行為模擬方法都可以在機制模擬方法的框架內實現和諧的統一。這樣,原先看似獨立的“人工神經網絡學說”(也稱為計算智能,結構主義或者并行聯接主義)、“(狹義的)人工智能學說”(也稱為專家系統,功能主義或者符號邏輯主義)和“感知動作系統學說”(也稱為黑箱系統,行為主義)就在“機制主義方法”的基礎上形成了人工智能的統一理論?；蛘哒f,人工智能的結構主義方法、功能主義方法、行為主義方法都成為了機制主義方法的3個相輔相成的特例。3個原來不和諧的“分力”形成和諧一致的“合力”,這是本文提出的三大進展的學術
意義之三。
總之,本文獲得的三大進展――新的研究方法、新的知識理論、統一的人工智能理論將使人工智能學科的理論更為深刻、更為成熟、更為完善。因此,一方面對學科的發展具有重要意義,同時對人工智能學科的教學也具有重要意義。
5結論
本文注意到人工智能研究領域三大主流學說之間存在“互不認可”的矛盾,認識到其中的本質問題是研究方法不完善,于是筆者通過深入研究提出和建立了“機制主義方法”,進而又發現和總結了“知識內生態結構”與“知識外生態結構”。綜合以上提出的方法和兩項發現,建立了人工智能的統一理論,使整個人工智能的研究由原來“鼎足三分”的狀態轉變為“三分歸一”。這一研究成果,對于人工智能理論研究的進一步發展具有重要的意義。
參考文獻:
[1]W. C. McCulloch and W. Pitts. A Logic Calculus of the Ideas Immanent in Nervous Activity[J]. Bulletin of Mathematical Biophysics,1943(5):115-133.
[2]Rosenblatt, F. The Perceptrom: A Probabilistic Model for Information Storage and Organization in the Brain[J]. Psych.Rev.,1958(65):386-408.
[3]Hopfield, J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities[J]. Proc. Natl.Acad,1982(79):2554-2558.
[4]Grossberg, S. Studies of Mind and Brain: Neural Principles of Learning Perception, Development, Cognition, and Motor Control[M]. Boston:Reidel Press,1982.
[5]Rumelhart, D.E.Brain Style Computation: Leaning and Generalization[M]//Introduction to Neural and Electronic Networks[M]. New York:Academic Press,1990.
[6]Newell,A. and Simon,H.A.A Program That Simulates Human Thought[M]//Computers and Thought. New York:McGraw-Hill, 1963:279-293.
[7]Feigenbaum,E.A.,J.Feldman. Computers and Thought[M]. New York:McGraw-Hill,1963.
[8]Simon,H.A. The Sciences of Artificial[M]. Cambridge:The MIT Press,1969.
[9]Newell,A.,H.A. Simon. Human Problem Solving[M]. Englewood Cliffs:Prentice-Hall,1972.
[10]Minsky,M.L. The Society of Mind [M]. New York:Simon and Schuster,1986.
[11]Brooks,R.A. Intelligence without Representation[J]. Artificial Intelligence,1991(47):139-159.
[12]鐘義信. 機器知行學原理:信息-知識-智能轉換理論[M]. 北京:科學出版社,2007.
Mechanism Approach and Unified AI Theory
ZHONG Yi-xin
(Department of Intelligence Science, Beijing University of Posts and Telecommunications, Beijing 100876, China)
紡織人工智能范文2
關鍵詞:人工智能;專家系統;ARM;單片機
人工智能(AI)[1]是計算機科學的重要分支,是計算機科學與技術專業的核心課程之一。本課程在介紹人工智能的基本概念、基本方法的基礎上,主要是研究如何用計算機來模擬人類智能,即如何用計算機實現諸如問題求解、規劃推理、模式識別、知識工程、自然語言處理、機器學習等只有人類才具備的“智能”,本課程重點闡明這些方法的一般性原理和基本思想,使得計算機更好得為人類服務。
1人工智能課程體系
人工智能主要研究傳統人工智能的知識表示方法,包括狀態空間法、問題歸約法謂詞邏輯法、語義網絡法、框架表示、劇本表示等;搜索推理技術主要包括盲目搜索、啟發式搜索、消解原理、規則演繹算法和產生式系統等。
人工智能的研究論題包括計算機視覺、規劃與行動、多Agent系統、語音識別、自動語言理解、專家系統和機器學習等。這些研究論題的基礎是通用和專用的知識表示和推理機制、問題求解和搜索算法,以及計算智能技術等。
人工智能課程在我校計算機科學與工程學院是作為大三年級的一門專業選修課開設,總共學時數為:60(其中理論學時為36,實驗學時為24),隨著計算機技術的不斷更新發展,人工智能的應用領域變得越來越廣,因此人工智能(AI)這個學科已不再陌生,很多學生對其充滿興趣,所以在選課人數上遠遠超過其他選修課的人數,另外結合我校的實際情況,部分理論或實驗設計項目可以與其他相關專業結合起來而應用。
2人工智能教學實踐
50多年以來,人工智能獲得很大的發展,已經引起眾多學科和不同專業背景學者們的日益重視,成為一門廣泛的交叉和前沿科學,但是到目前為止人工智能至今仍尚無統一的定義,要給人工智能下一個準確、科學和嚴謹的定義也是困難的。
由于人工智能[2]是一門交叉性的學科,涉及到了控制論、語言學、信息論、神經生理學、心理學、數學、哲學等許多學科。所以該學科具有知識點多、涉及面廣、內容抽象、不易理解、理論性強、需要較好的數學基礎和較強的邏輯思維能力等特點,導致了在教學過程中老師講得吃力、學生聽得吃力。盡管在多年的教學過程中積累了一些經驗,但是對于如何把握這門課程的特點,提高學生的學習興趣,幫助學生更好的理解這門課程,目前仍然有很多問題需要研究解決。
目前在整個教學過程中存在的主要問題[3]是:
1) 教學內容陳舊,部分參考書相關內容或案例都過于陳舊。在整個教學過程中,多數教學案例涉及到人工智能理論的高級應用――機器人,目前在國際及國內機器人的水平已經達到相當高的水平,但是部分教科書中仍沿用關節型機器人為例,教學內容稍顯陳舊。
2) 教材難易程度不均勻,部分章節學生難以理解。由于人工智能課程的部分章節,本身就可以獨立成一門課程,但由于是面向本科生的內容,因此很多內容壓縮于一章來講解,同時由于課時所限,完全不能將相關的內容講透講通;例如:神經計算中的神經網絡,與模糊邏輯控制的相關理論與應用。
3) 教學手段單一,教學過程中缺乏師生之間的溝通與交流。經過自己的實踐教學及對兄弟院校的人工智能的教學內容與教學手段的調研,同時也在學生之間進行溝通交流,發現多數同學反映,理論與應用雖然前沿,但是在學習過程中,教師教學手段單一,內容枯燥乏味,一般的教學模式,多采用“老師講,學生聽”的方法,整個教學效果并不理想。
4) 考核方法不科學,不能體現學生實際的學習情況。目前對于課程學習的考核采用閉卷考試的方式,很多考點有的同學根本不理解,完全死記硬背,考后又將內容丟棄,從學習的效果來講,收獲甚微且完全沒有達到真正學習及應用的能力。
3教學方法改進
3.1注重激發學生的學習興趣
科學家愛因斯坦曾說過:“興趣是最好的老師?！比绾卧诮虒W工作中激發和培養學生的學習興趣,提高他們學習的主動性和積極性是當前教學改革中迫切需要解決的重要問題。
在實際的課堂教學中發現,剛開始聽課由于有興趣學生整體學習的積極性很高,但是一段時間過后發現部分學生由于教學內容抽象,難點比較多,不便于理解,興趣日漸變少,針對此種情況,可以采用任務驅動式教學或案例教學。
例如:在講專家系統章節時,在授課之前先通過互聯網,采取案例教學法,給學生們實時在線演示一個醫療專家診斷系統,演示其中的功能,同時與學生互動,以問答式與學生互動,了解目前專家系統的具體應用、可以解決的問題、給人民生活帶來的益處等。通過這種教學的形式,一方面可以激發學生的學習興趣;另一方面也使同學們體會到人工智能與我們生活的貼近程度。第二步,采用任務驅動法,具體來說,它是指教學全過程中,以醫療專家診斷系統若干個具體任務為中心,通過完成任務的過程,介紹和學習基本知識和具體設計方法。
3.2注重教材選擇
這一任務的執行者主要是由教研室主任或任課老師來完成。目前在各高校中所使用的人工智能相關教材的種類繁多,章節和內容的設置上也存在差別。筆者在訂閱教材或參加教材展銷的活動中,都比較重視人工智能教材的情況,通過比較發現,有的教材內容及難度太低,完全不符合高等本科院校的要求,而部分出版社的教材則是內容及章節安排內容太多太泛,有些知識點講的又過于深奧,限于學時所限也不適合選用。在選教材方面,除了關注內容方面外,還要注重書上所講的一些實例,注重這些例子的典型性、時效性及新穎性,例如,部分教材在自動規劃這一章,選用機械手作為例子來說明積木世界的機器人規劃問題,還有一些選擇關節機器人,前些年這樣的機器人技術確實是個難點,但是依據現在成熟的機器人技術,無論是國際還是國內都已不再是技術難點,再拿這個例子去配合理論去講解,無論內容還是形式都稍顯陳舊,目前機器人技術發展水平基本上達到盡可能高仿真狀態。
3.3運用現代化的多媒體教學手段
針對人工智能課程相關內容比較抽象,公式推導比較繁瑣,除了具有完善的教學大綱、合理的教學計劃以及好的教材外,還應該根據學校的實際硬件條件盡可能地選擇多媒體教學手段來輔助教學。因此在實踐教學中,配合教學內容,充分利用計算機、投影儀以及互聯網的優勢,結合多種教學方法與手段組織整個教學過程。例如:在講述搜索推理技術時,使用一些小的演示軟件,將相關推理技術的理論通過動畫的形式一步一步演示出來;在講專家系統相關理論知識時,尤其是各種類型的專家系統,采用互聯網上的一些在線視頻資源為例,給同學進行詳細講解,同時結合農業院校的特點,在線資源有如農業專家系統或動物專家診斷系統等,這樣學生可以加強對理論知識的理解,同時也體會到理論不再是抽象空洞的文字描述;在自動規劃這一章,給同學們選擇演示發達國家目前研制的各種類型機器人,通過這些形象生動、行為舉止逼近真實人的機器人來給學生講理論,這樣學生通過觀看視頻資源,不僅可以拓寬知識面及視野,同時也可以及時地了解國際及國內機器人的發展水平及差距,不斷更正自己的錯誤觀點并更新自己新的專業認識,另一個方面也可以同時激發學生們的學習熱情和積極性,這一點在課堂實踐教學中得到驗證,得到廣大同學的認可和接受,整個教學課堂不再那么單調枯燥呆板了,基本可以達到在娛樂中傳授專業知識。
3.4加強對實驗教學的重視
目前高校在人工智能的教學過程中,實驗所占的學時比較少,有的甚至就不安排實驗課學時;另外實驗內容也相對比較簡單,應用不到理論課堂上所學到的人工智能原理,實驗效果不是很好。面向人工智能課程的程序設計語言,多采用Prolog程序設計語言,該語言是一種基于一階謂詞的邏輯程序設計語言,它在AI和知識庫的實現技術方面具有十分重要的作用,具有表達力強、表示方便、便于理解、語法簡單等優點。但在整個實驗教學環境也遇到了如下問題:首先是目前有關人工智能的專門配套實驗教程很少;其次是即使有諸如《面向人工智能程序設計Prolog》教程,則主要是側重介紹這門自然語言的程序設計,而其中很多部分與AI實驗環節關聯度不大,另外教材價位也比較高。針對此種情況,筆者在24個學時的實驗教學過程中,安排7個實驗內容,其中最后一個專家系統的設計與實現作為一個綜合性實驗來設計。在進行實驗教學的過程中,首先參考多本Prolog程序設計教程,選擇其中與實驗教學計劃中相關的內容,專門編寫相應的電子教程,同時也結合我校學生本身的特點[4],有側重地體現和編寫,總的目的是給學生一份完整的、系統的、規范的電子教程。這樣做的目的是:一方面作為學生參考的技術文檔;另一方面也可以節省學生的部分經濟開支。電子教程的結構分為三個部分來完成,首先為人工智能理論及原理,Prolog語言的使用說明;其次具體的例子演示(均經過調試正常運行);最后為布置給學生具體的實驗內容及相關題目,以提供給學生自己動手實踐的機會。此外在實驗教學過程中,同時也會給學生們自由發揮的機會,比如專家系統的設計與實現作為一個綜合性實驗,學生可以采用Prolog編程實現,也可以采用其他自己擅長的程序設計語言,例如有的同學選擇C語言、VC++、Visual Basic、Java及網頁開發設計語言ASP/JSP等,此外在實驗內容方面,實驗遞交的專家系統涉及多個領域(有動物辨別、醫療診斷、動物養殖咨詢等專家系統)、范圍也頗廣,實驗內容重復性很小,在設計過程中,絕大部分同學均是結合自己的興趣愛好來完成設計。
4結語
人工智能的研究成果將能夠創造出更多、更高級的智能“制品”,并使之在越來越多的領域超越人類智能,同時將為發展國民經濟和改善人類生活做出更大的貢獻。作為一名當代的大學生有必要學好這門課程,但是根據實際教學情況,教師與學生仍然需要繼續進行相應的研究與發展,只有不斷地探索和提高,才能使我們的教學工作更上一層樓,才能培養出符合時代和社會需求的人才。另外人工智能與農業等方面存在很多結合應用的契機,這樣計算機就可真正地服務于社會、服務于人類、服務于農業、應用于農業、發展農業。
參考文獻:
[1] 蔡自興. 人工智能及其應用[M]. 3版. 北京:清華大學出版社,2007.
[2] 陳峰,文運平. 淺談人工智能課程的教學[J]. 消費導刊,2006(12):123.
[3] 趙蔓,何千舟. 面向21世紀的人工智能課程的教學思考[J]. 沈陽教育學院學報,2004,6(4):131-132.
[4] 王蓮芝. 高等農林院校人工智能教學的探討[J]. 高等農業教育,2003(12):64-65
Study of the Artificial Intelligence Teaching Methods
HAN Jie-qiong1, YU Yong-quan2
(1. School of Computer Science and Engineering, Zhongkai University of Agriculture and Engineering, Guangzhou 510225, China;
2. School of Computer, Guangdong University of Technology, Guangzhou 510075, China)
紡織人工智能范文3
1.1智能專家系統不完善
根據人工智能的發展來看，現在還存在著智能專家系統不完善的問題，因為要使人工智能取得良好的應用效果，必須要與專業知識進行充分的融合，從而可以使專業問題可以得到解決。然而，目前智能專家系統的不完善使得相關的專業問題在實際過程中不能夠得到妥善的解決，在真正的系統當中，很多的相關知識領域都沒有全部納入系統中，因此，還存在著很多的不足。
1.2模式識別能力不足
在人工智能應用的過程中，智能系統模式識別的能力并不是非常足夠，主要是在這個過程中，對于很多的模式都不能做到有效的識別，所以，在真正運用的過程中也存在著不小的問題，對于用戶來說沒有一個良好的使用體驗。在人工智能系統的發展當中，這個問題的存在很在一定程度上阻礙著人工智能的發展。
1.3機器人缺乏自我意識
雖然機器人的研究在近些年來取得了不小的進步，但是在實際生活當中，機器人是不能夠真正取代人類的，機器人的系統也是不能完全模擬人類的大腦的，主要表現為他們缺乏明顯的自我意識，對于很多的工作都是機械性地完成，在本質上與人類有著非常顯著的差別。
2人工智能在計算機網絡技術中的應用技術
2.1模糊數據處理技術
在計算機網絡技術當中，人工智能的應用其中一項就是模糊數據處理技術。例如，如果要進行一些數據的計算，那么一定首先要數據進行提前的采集，然后再對這些數據采取相關的操作處理，并利用相關的數據模型去進行計算。在很多其他的系統當中，所得到的答案往往都是封閉的，唯一的，但是利用人工智能卻可以得到開放性的結果。
2.2人工智能決策技術
人工智能在計算機網絡技術當中的另一項應用技術就是人工智能決策技術，主要表現為人工智能可以根據計算機當中所輸入的信息去進行相應的決策。例如，如果人工機器人在與人類對話，在這個過程中，機器人可以對人類所給出的關鍵詞進行提取，然后對自己數據庫當中的一系列信息進行篩選，最后在這些信息當中選取一條符合人類對話的信息。人工智能系統的這種決策技術可以完美地選擇最適合的那種方案。
2.3智能思維學習技術
人工智能與人類一樣，擁有智能思維學習技術，并會得到慢慢的發展。例如，機器人與人類進行對話的時候，兩者之間可能有著非常陌生的距離，機器人與人類交談的內容可能存在著很大的差異，并且人類會對機器人所對答的結果不太滿意。但是機器人會在與人類進行對話的過程中，逐漸地去學習人類所喜歡的話題等內容，從而學會與人類進行聊天，還會在聊天的過程中主動尋找話題。
3人工智能在計算機網絡技術中的實現方法
3.1拓展計算機網絡技術功能
在人工智能的不斷發展中，計算機網絡技術與其進行充分的融合，使得計算機網絡得到了更多的發展，功能也得到了深入的挖掘。例如，在以前的生活當中，人們對于自己計算機網絡的保密方式主要是通過密碼保護的形式去進行的，體現為人們為了取得計算機的使用權限，設置一系列的密碼，只有自己輸入的密碼與計算機當中預設的密碼一致，才能夠打開計算機進行使用。但是這種密保方式卻存在著很大的安全隱患，主要是自己設置的密碼很有可能被別人所盜竊，那么就會使計算機當中的隱私得到泄漏。所以，人工智能技術在計算機網絡技術當中的應用，可以為人們在計算機當中設置人臉識別技術，這樣就可以充分地提高了計算機使用的安全性，因為人的面容是獨一無二的。所以，人工智能的應用可以進一步的拓展計算機網絡技術功能。
3.2優化計算機網絡系統管理
在以前的計算機是用的過程中，人們只能通過被動管理的方式來對計算機采取管理，對于計算機當中所出現的各種故障和問題，計算機還是依賴人去進行管理，來對計算機系統進行相應的完善。但是人工智能的應用則可以有效的改變這一種情況，因為人工智能的應用可以對計算機系統當中的各種特點做到全面的把握，然后為計算機系統提出最完美的決策方案。例如，在計算機網絡當中，人工智能的使用會對計算機網絡當中的被攻擊次數、軟件漏洞等進行全面的統計。在這個過程中，再將所采集的數據進行處理，然后去對系統中最合適的決策方法去進行選擇。通過這樣的過程，人工智能得到了有效的應用，使系統的管理變得更加得主動。
3.3整合計算機網絡數據信息
以前人們要想對數據庫進行管理的話，都是采取手動操作，效率往往非常的低下，管理的效果也不是非常的理想。比如，如果有人發現了一種新型病毒，想要對這種病毒進行記錄，就會手動將這種病毒記錄在數據庫當中。一旦沒有對這種病毒進行及時的記錄，那么將會造成巨大的損失，這種病毒很可能在這個時間間隙侵入到計算機網絡當中，使計算機網絡全面癱瘓。如果人工智能應用到計算機網絡當中，就可以對這種情況進行有效的改善。人工智能會自動的將數據庫進行更新。在進行相關判斷的時候，它所采取的方式使否定判斷的形式，對于生成的數字，去進行對比和分析，然后去刪除這種字符串。在這種操作中，如果所采取的做法是符合實際情況的，就表示這種操作是正確的。
紡織人工智能范文4
襄陽老龍堤是古城襄陽最重要最古老的堤防工程，歷史上襄陽城水患嚴重，護城堤屢毀屢修。老龍堤自萬山東麓至襄陽城長門，全長10華里，平均高度8米，堤頂寬度6米。大堤迎水面砌條石駁岸，人工筑有三角形石磯，凸出堤外，因勢而建，大小不一，磯數眾多，形如鋸齒，是國內少見古老的人工組合三角石磯群。
徒步勘察，老龍堤現存明清石磯大小28處，多集中在大堤龍王廟段上1000米、下2000米內。其磯都是等邊三角形，其中磯底邊長7米至10米22處，底邊長15米至30米6處。在所測石磯中有2處為重疊石磯，下大上小，在同一位置上復疊石壘。除在頭工嘴段有一處1964年修補外，其它為明萬歷、清雍正、乾隆年間修建，有石刻文獻為據。概言之，老龍堤有3灣28磯，10里石堤，縱觀水勢地形和歷史考證，老龍堤三角磯群功能顯著，即有萬山始有襄陽，有老龍堤可保襄陽城，有石磯群可固老龍堤。石磯群為老龍堤護岸工程之本。
經考證，老龍堤人工組合三角石磯群在治河防洪中的功能有四：
一、防滑固堤功能。漢江古河道非今河道，始由萬山東麓沿檀溪湖、琵琶山、真武山、虎頭山、峴山、鐵帽山麓順勢而下，現在所存檀溪南琵琶山下有系船樁石孔為證，襄陽城南南渠即為古河道。大約晉朝時期始修土堤。改河道流向，與今河道流向無大差別。因漢水上、中游多雨，夏汛、秋汛多發，以致連年洪水、年年修。觀老龍堤地勢，萬山至夫人城，大堤彎曲處為洪峰大浪撞擊而誘發崩岸、滑坡所致。察其建筑，大堤以長形條石梯形壘砌，坡度近垂直達80度。大型石磯相接，大型石磯間筑有小型石磯多座，猶如龍王父子之首，伸入江中。清點28座石磯，皆因勢而筑，實為大堤支柱，有三角支撐之功。清乾隆時期，襄陽知府尹會一在《重修老龍堤記》中道出了修堤要決：“修筑宜豫，立根宜深，植腳宜寬、砌石宜密”。由此結論：三角石磯群皆為大堤之“根”、大堤之“腳”，起固堤防止崩岸、滑坡之作用。
二、減煞水勢功能。俯瞰襄陽城西北漢江流徑態勢和城西地形地貌，漢江流至萬山因地勢由西北至東南走向，移為東西走向。汛期洪水直沖老龍堤，浪濤洶涌，旋流湍急，至大堤屢次崩岸、垮方。由土堤改為石壘?？逼鋲臼记?，大為驚嘆。大堤龍王廟（普陀庵址）上游300米第一大灣處多為長0.5米至1米，寬0.5米，高0.4米的毛青石（未細鑿）以糯米漿參合生石灰砌成。且石泛白，風化嚴重，壘砌最早。龍王廟下游100米處第二大灣，由于萬山段江面積沙成灘，漢江主航道下移沖擊大堤所致。其壘石白、青相間，條石長0.8米至1.2米，用糯米漿合生石灰砌成。時間應為清乾隆時期修復。龍王廟下游800米處第三大灣，因大堤作用和江中積沙向下游伸展，主航道下移洪峰沖擊所至，大堤用石長1.2米至2米，以青石為主，間有數塊墓石和刻有雙龍的龍頭碑，應為清中、后期搶修而成。三灣弧長在350米至500米不等，三灣連接處均為大型三角石磯，三灣內均筑有3至5座小型石磯，梯形石堤中、下層均有石條凸出堤面0.2至0.3米，成幾何狀，似如石樁橫于水面。形成大石磯迎峰削浪，水流順灣沿梯形石堤逐層減涌，配以小型單石磯，雙疊磯、石堤凸出石端消力的防洪減煞水勢組合體，實為江河治理防洪工程一絕。
三、沉泥積沙功能。漢江枯水季節清澈見底，游魚可瞰。洪水時期濁浪滔天，若身在水中，黃泥滿身。急流帶走泥，水緩可沉沙。長江入海口有江心崇明島，皆屬此類淤積。江漢汛期，洪峰抵老龍堤因磯群而減緩水勢，其速其力相對削弱，江水所帶泥沙因水緩沉積。久而久之，老龍堤迎水江面，積泥沙成洲、成渚、成灘。自然形成了襄陽城、老龍堤天然削力屏障。此地理變化，老龍堤人工組合三角形磯群功不可沒。
四、順勢轉流功能。觀漢江主航道直指老龍堤至襄陽城夫人城墻，汛期主峰威脅老龍堤、夫人城、小北門、大北門一線。江水已臨城下，防洪過峰甚為重要。老龍堤為襄陽城上游防洪過峰屏障。為保襄陽城萬無一失。有效之法為引漢江主航道向北轉移，削弱江水洪流對下游城池威脅。為此，前人在修建老龍堤時即考慮削峰減力，又注重以人工組合三角石磯群伸入江中，形成磯頭，抑制水勢。引主峰入主航道，恰到好處。站在最大磯首向下游觀夫人城、小北門、長門在一直線。若磯小或內移對城保護作用不大，對轉移江水洪峰因勢入江心主航道力度不夠。若磯首再向水中伸長10米，洪峰必將移至樊城一側，對樊城造成威脅。粗看磯首與夫人城墻，磯首與城毫無關聯，細析則不然。漢水洪峰至老龍堤削峰減力，洪水在石堤三灣處形成水勢回旋向江心外移，該段5大石磯配以十多處小石磯順勢將洪峰推向江心，上可緩水勢，下可引水轉向。此磯群上制5里江水，下抑10里洪峰，則城池無虞也。
襄陽老龍堤自晉起已有千年有余，僅從清雍正五年算起（1727年），也有287年，至今仍發揮著防洪功能。究其工程設計甚為科學。雖為前人所建，但仍對現今治理江河有啟迪作用，特別是江、河轉向處、險工險段處，在設計施工時，均可參考此古老工程設計?！拌F打的襄陽，紙糊的樊城”是襄陽人俗語，也為世人認可，鐵打的襄陽因老龍堤而堅，老龍堤存世千年因石磯群而固。
參考文獻：
1、南朝《襄陽東歌》；
2、唐劉禹錫所作《大堤曲》；
3、明《天順襄陽郡志》；
4、明清顧炎武所撰《天下郡國利病書》；
5、清乾隆《重修老龍堤記》碑刻；
紡織人工智能范文5
在論壇中，九合聯合創始人王嘯認為阿爾法狗引起很多人關注，未來三到五年時間，人工智能這個領域可能會推動互聯網向下一個方向演進。在談到未來的投資方向時，幾位嘉賓表示，未來三到五年的大的投資方向是VR、AR，還有大數據，基于大數據和人工智能和軟件的服務。
其中真格基金合伙人李劍威、明勢創始合作伙伴黃明明、聯創永宣創始合作伙伴田野、九合聯合創始人王嘯、啟明創始合伙人葉冠泰參與了投資嘉賓圓桌論壇環節，清華大學崔鵬博士擔任論壇主持人。
以下是投資嘉賓圓桌論壇實錄：
崔鵬：請各位首先介紹一下。
王嘯：我現在做的基金叫九合創投，主天使和A輪的項目，過去四年多投了一百多個項目，主要是天使的。
孫剛：我是高維資本的創始合伙人。我們也是主要做中早期的投資，從A輪到B輪的多一點，主要是投資大數據，AR和VA領域多一點，今天也是過來學習。
田野：我是聯創永宣，我們主要投資的階段相對跨度比較大，從天使就開始投資，人工智能這方向也是我們未來比較關注的領域。
黃明明：我們是專注在早期的投資，主要兩大領域一個是工業升級，工業自動化和消費升級，機器人領域我們也投了幾家不錯的公司，希望今天有機會跟大家交流。
李劍威：真格基金是徐小平老師在2011年創立的機構，到目前為止投資了300多個公司，行業跨度比較大，我個人是看大數據和人工智能，包括智能硬件，在人工智能這個領域里我們也投了一些項目，包括像自動駕駛，包括余凱的地平線，最近會投一兩個機器人和深度學習的項目，今天很高興有機會跟大家交流一下。
葉冠泰：大家好我是啟明創投的IT合伙人，我們公司成立了10年，現在投資了190多個項目，分布在互聯網、IT和醫療這些技術。在IT這邊，在人工智能方面，我們投資過像人臉識別，還有語音識別，還有像大數據我們投過一些反欺詐的大數據公司等等。
崔鵬：謝謝各位嘉賓的介紹，接下來我們創業者有幾個問題各位嘉賓，大家想了解一下投資的方向。第一個話題，最近也是非常熱門的，想知道各位投資人對阿爾法狗對智能產業到底產生什么影響？我們嘉賓比較多，請王總回答一下。
王嘯：阿爾法狗確實會引起很多人關注，我們知道任何產業的變化都是因為資金密集的推動，目前是一個標志性的實踐，大家認為人工智能對于很多事情的推動作用比較大，我個人判斷，在未來三到五年時間，人工智能這個領域可能會推動互聯網向下一個方向演進，這個演進的路徑我把它歸結到智能互聯網。我們知道下一代互聯網很大的特點是前端有各種各樣的數據，后端有大數據的模型和深度學習的算法，幫助它調整應對的策略，這是一個基礎的模型，我相信未來三五年以后來看這是一個起點，幫助機器下圍棋，下過世界冠軍，這只是一個非常單點突破的事，我相信它能做更多有價值的事情，下圍棋這只是一個個別的事件，但我相信會有一些問題被解決，這就靠在座的各位花更多的錢，投入更多的資源做起來。
黃明明：對于阿爾法狗這個事情，這件事情它的象征意義會更大一點，因為從阿爾法狗事件以后，可能全社會，不管是不是在這個行業里，可能對人工智能這件事算是有了一個比較初級的認識，這次出現的是比較震撼的，它第一次表明了機器在這么復雜的局勢判斷中戰勝人類，但是它離產業化的道路有非常大的距離。好處是說，通過這樣的事件，會讓整個社會的關注度集中到人工智能這個領域里來，相信對整個行業的推動和帶動后續大量的資源、資本進入這個行業會有好處，但是我們也要清醒的看到，這件事還比較早，最近有很多朋友問我，因為這個結果帶來的一些恐慌，我覺得這個還早。
李劍威：我覺得這次阿爾法狗對我來說是挺震撼的事情，而且是一個跨時代的，上一次人工智能給大家帶來及是97年IBM深藍，國際象棋那個，在圍棋里面，賽前大家都覺得機器贏不了的情況下，形成這么大的反差，對業界和工業屆都是特別大的沖擊。其實我原來看智能硬件，我們也投了一些公司，包括小米平衡車，華米，還有誰上機器人，云舟智能，中國其實在人工智能行業其實已經不錯了，在智能硬件這個點上，往上有兩個層面，第一就是硬件層面中國做的不錯，在感知層面，可能接下來會有巨大的突破，感知上面何以看到接下來兩年會有巨大的突破。再往上就是智能，這次阿爾法狗給大家特別大的沖擊，我感覺在未來會出現特別特別多的項目，會有特別多的錢會投進去。
崔鵬：好，各位投資人分享一下對三到五年發展趨勢的判斷，以及2016年投資的重點投資的方向？
葉冠泰：我覺得三到五年的投資方向，今天我們就在這個會議上，我們又是VC，肯定是三到五年的大方向，基本上都比較同意。我個人在今年，我們會比較關注的是VR、AR，還有大數據，基于大數據和人工智能和軟件的服務，基本上我們現在看到有很多公司使用大數據，但是我們覺得更有價值的是用大數據預測一些方向，這個東西是我們在關注的，而且從計算能力來說，它可能還沒有那么復雜，是可以做到的。這樣的軟件是跟2B行業結合，這種公司必須要有對行業的理解，必須能夠推向客戶，還是需要鎖定這個行業。像我們已經在金融方面看到一些公司，像機器人我們也不斷關注，還有VR、AR的結合，感知的一些技術。VR、AR這邊現在的硬件基本上國外的公司制定一些標準，我自己覺得在純硬件的地方，中國可能還落后一些，這方面比較難看到一些突破，但是在內容方面，在落地的文化新的方面會有一些突破。
李劍威：VC們關心的都差不多，前沿的大家都會看的很多，機器人，VR、AR，大數據這類的。我們感覺從對生活的改變角度來講，我們可能對未來有一些想法，比如以后可能不會在大城市，比如美國的城郊到農村的地方，交通有一些改變，比如用184的無人機，或者說水面作戰，不是航母對航母，以后就是無人船對無人船，或者無人航母對無人航母。而且我覺得未來三五年肯定會實現，從現在感知技術和智能技術的發展來看，可能會實現，所以我們也積極的在布局一些公司。VR、AR我們覺得稍微早一點，從消費者應用來講，因為它的頭盔太大，很重，戴起來視覺有沖擊，但不是很方便，未來它會朝很輕量的方向發展。未來我們會遠遠低估五年內技術帶來的變化，05年我們覺得智能手機不好意思，諾基亞的N71也不錯，現在蘋果有了128G的內存，勻速速度那么快，就像一個電腦一樣，未來五年無人駕駛，包括無人機這些都會實現，希望我們有幸參與到這些浪潮里的優勢公司。
黃明明：我先講講阿爾法狗的問題，其實講點有意思的事情，大家知道什么人最感興趣的嗎，就是以前一批研究神經網絡和深度學習這批人，其實深度學習和神經網絡是在五六十年代這個提法就有了，我記得在我上大學的時候，當有人說我是搞神經網絡學習的時候，基本上在國際上認為是騙子，這個可能是個玩笑，當時一個是算法理論，一個是當時的計算能力，后來這幫人搞不下去了，我換個名字叫深度學習，就能繼續搞下去了，這是比較有意思的事情。但是今天我在下面聽鄧老師講課非常羨慕，一個是給我們做了很好的講座和普及，另外我們是做投資的，我們特別羨慕沒有鄧老師這樣的奢侈，一個是暢想未來，第二個可以把未來很多前沿的東西做研究。
我一直講我們做早期投資的，我們是站在未來看今天，如果站在特別遠的未來，我是未來的科學家或者是學者，我們要做的是連接未來和今天的橋梁。我認為阿爾法狗的事件還是跨里程碑的實踐，不管這些年的GPU，顯卡能力計算能力的提升還是算法的突破，確實人計算第一次擁有了可以在非常復雜的非標準性的問題上可以第一次在這些問題上戰勝人類的特點。從我們投資的角度，我們可以看到，剛才講我們第一個領域就是出行領域，自動駕駛領域，大家有研究的，在美國已經是一個半成熟的技術，到2020年加州已經允許在馬路上開始跑。在這個領域中國公司有機會，因為電動車和新能源汽車的普及，讓中國的汽車工業第一次有彎道超車的機會，未來的交通一定是UBER模式加無人駕駛的模式。我們剛投資了汽車之家的李想的項目，我們覺得基于未來的新能源的個人出行工具和無人駕駛功能會在未來改變人類的生活。
第二塊就是在感知方面，不管是機器、視覺，聲音識別、圖像識別人工智能是會產生有價值的領域，其實有很多公司已經有布局了，包括像激光雷達，室內識別這些技術上，在未來幾年都是能看到的一些投資領域的機會。
第三點，我們這個基金針對國內的制造領域，在工業機器人領域我們認為有非常大的優勢，我們會持續圍繞機器人的上下游產業鏈進行布局。
田野：剛才幾位介紹了他們對這個領域投資的一些思考，從我們的角度來講，我們認為有幾個機會吧。第一個從人工智能的角度來講，我們認為在一些垂直領域，人工智能的應用能夠最先獲得成功，或者說能夠實現產業化。因為一些垂直領域相對來說數據量比較小，所以機器深度學習能夠做的用戶體驗比較好，這個中間我們比較看好在醫療、交通等領域的人工智能的應用。包括我們也投了一些人工智能在醫療影像，在醫療問答等方面的項目，另外，我們也投了利用人工智能技術在出行管理方向的應用，它會從每個人每天的日程管理開始，切入到用人工智能技術做整個人的生活助理這個方向。人工智能在大范圍使用還不太現實，因為樣本太大。從機器人角度來講，我們目前投資了哈工大的機器人集團，我們認為在中國未來幾年，機器換人的需求非常大，這個領域會出現很多的公司。大家知道中國在機器人這塊的核心，零部件這些方面沒有優勢，但是結合中國應用場景的機器人技術的集成還是有比較大的機會，這個領域也會出來不少優秀的公司，這也是我們的重點投資方向。我們今天也在做了一個新的基金，是專注于在機器人、人工智能和智能制造這個領域的投資，所以我們也非常希望能夠用我們的基金參與到更多的行業的優秀的企業里面。
孫剛：我很贊同前面幾位說的，我從另外一個角度說說，你說熱點在哪，方向就跟著天天投就行，你搜天天投很多的數據，你看到哪個板塊交投特別活躍，標的特別多，那一定是方向。今天和上一場就是明顯的例子，最主要就是考慮人工智能和大數據，還有就是VR、AR，前面做那一場我聽說特別火爆。簡單說，如果未來一兩年，肯定是VR、AR這兩個領域。但是我自己個人體會，我覺得這種非常大眾化的，包括這種熱點有時候也是不理智、不理性的，可是作為一個VC來說，我也沒有辦法，比如說我們在組合中，我們投的數量不多，但是我們覺得有些公司相當不錯，需要一段時間去養，我們剛投了一個VR、AR的公司，沒投三四個月，下一輪就有很多倍數被拿走了，我并不覺得這個公司有什么變化或者好，但是它的確就是熱點，它是一個風口，所以我只想說明，如果是熱點的話，這幾位投很小離不開VR、AR這方面。另外有一個點，通過智能技術和大數據，在剛需方面的應用可能是我們非常關注的熱點，它的底層是傳統行業，通過和大數據和人工智能技術的融合，它會有一個質的區別。比如前兩天投了一個企業叫小路美美，其實是做童裝和媽媽類的服裝，創始人是谷歌公司的分析師，然后做了金融的分析師，因為生了小孩，他太太就和他說了，他一點不懂服裝，他用爬蟲技術把中國很多母嬰類公司的數據結合起來，預測下個季度或下個月，什么顏色，什么款式好賣，然后交給代工廠用它的品牌做而已，其實它做的就是傳統的垂直的電商，只不過插了智能的數據，所以我們很關注這種在傳統領域和智能技術和大數據結合的項目。
另外，我個人和團隊討論覺得文化娛樂方面是有不錯的需求，VR、AR在很多領域都是視頻直播，游戲類，都跟這方面有關系。大概就是這幾個熱點，還有智能制造這塊也是。方向不光是領域，還有地點，經常投資人會談到中國有些項目，像風險回報的比例不是很好了，有的去以色列和比利時看一些項目，阿爾法狗就是45個在倫敦的小伙子做的，后來大家知道倫敦在02年人工智能也很強，英國他們非常低調，不知道怎么宣傳，不知道到中國來對接投資人，這點和美國和以色列的創業家完全不一樣。
崔鵬：對，我們天天投后續會結合產業投資效應會推出投資地圖，并且是在線的方式讓大家看。如果用10平方公里做一個方格，比如說投智能硬件，你跑到江西這樣的地方投是有問題的，你投醫療在成都是不錯的。對于項目來講，我認為地點決定了它的和周邊的效率和成本，決定了產業政策，決定了這個公司運轉的效率，這對創業公司來講影響很大，我們會專門推出投資地圖的產品，進行專業分析，邀請一些分析的專家協助我們做。
王嘯：這個話題比較大，而且也不好做預測，現在如果能預測未來，每個人都會投的非常好。我想說的是，我們可以從簡單的事情做判斷，所謂的機器學習和大數據，前提是數據的累積和收集，沒有這些數據阿爾法狗下圍棋也下不好，最近各種各樣的智能硬件不錯，是因為它能收到大量的之前收集不到的數據。隨著這些數據和大數據的算法結合會產生更多的東西，前一段我們有一個公司是專門做揮桿的，把數據精確捕捉到以后可以告訴你怎么樣精確打球，其實不管是下圍棋還是教你怎么揮桿，可以在細分領域找到一個突破點的。第二個我們看這個事情，看數據比較密集的地方，通過衛星數據能不能做一些農業的保險等等，可以通過一些數據和學習，結合產業的自身規律形成閉環的應用，就是解決一個問題能產生價值，這個事就是有基礎，需要數據和產業當中結合，解決某一個具體的問題。人工智能解決我們面臨太多的復雜性的東西也不現實，像自動駕駛這個也不復雜，但是谷歌這樣的公司花了很長時間那么多人解決，我相信任何一個現實當中復雜的問題，它的解決是需要比較長的時間，而且一般來講小公司不一定干得了，所以小公司做的話突破起來非常難。包括下圍棋這樣的事，如果一個小公司想獲得那么多的支持是非常難的，這是第三個事情。第四個，如果數據標準化的地方容易形成創業公司突破的機會，剛才提到的醫學影像，包括醫學影像的數據通過互聯網和移動互聯網這么多年收集了大量的數據，這些事情做起來比較容易。像交通和衛星數據，有大量的數據存在，因為機器的計算能力不夠，解決不了問題，這是我看到的趨勢和方向。我相信還有很多看不到的東西才是有價值的，所有人都看到了，其實都是我們要一波一波通過天使和VC推動變成現實，這是我們的價值和意義。
崔鵬：最后一個問題，人工智能在金融領域，尤其像一級資本市場有沒有可能應用？
葉冠泰：其實我們已經有一家公司，反欺詐的公司做大數據分析，他們已經開使用深度學習的算法，預測一個可能性的壞人的行為，再做出一些風險模型，提供給金融的客戶們，已經在做這樣的準備。除了風險預測之外，一級市場股票的波動，這方面我還沒有類似的公司。我覺得深度學習可以應用在所有環節里面的東西，但是在每一個環節都有需要落地的地方，都有很多的已經積累的商業知識和行業規則，比如這個數據從哪里來，有這樣的問題，我覺得可以分成幾個類別。我們自己在大數據投資的時候，我們分成三個類別，第一個類別是它有數據，或者有分析能力能夠拿到數據，大部分的時候，大數據在今天的層面上，小公司是沒有數據的，你如何從大公司拿到數據，必須能夠把它的數據，因為它不會賣數據給你，大公司不需要錢，你必須告訴它說你的數據有一部分是我加工給你的，這是一種，基本上數據模型在反欺詐或者安保，現在可以做到石油勘探方面。第二，也許可以做這些東西，我覺得未來數據本身不是計算，現在像做HADOOP，我們還投了一家做數據庫的公司，像這樣的東西都是用在金融本身的。
王嘯：如果在一級市場很簡單，如果回答YES的話，我們臺上這些人都失業了。如果我告訴你在一級市場的VC和PE領域，如果人工智能有用的話我們大家多回家歇著去了。我覺得在二級市場，在過去幾年，我的很多同學都可以做快速的炒股的，這個不新鮮了。但是我認為我們一定是有價值的，我們不會失業，對我們做VC的老板來說，阿爾法狗事件出來我們第一次開例會的時候，我就說人類區別于其他動物的，我們唯一最強的就是學習能力，我們沒有老虎和馬跑的快，我們人類之所以能生存下來就是學習能力，現在機器初步具備了學習能力，如果你們再不努力工作，先失業的就是你們，再失業就是我，一級市場最好的應用就是可以激勵我的團隊，這是我的回答。
黃明明：在二級市場剛剛也說了，我覺得在整個大金融領域里邊，其實VC是最不具有金融屬性的細分領域，本身金融就是數字游戲，它很容易被量化，只要容易被量化的東西都是人工智能可以逐漸突破和解決的，包括現在很多量化交易都在做了。對VC這個行業來講，我覺得它更多在很大程度上對事情的判斷是基于一種模糊的東西，剛剛鄧教授介紹的，包括人工智能全世界沒有做的靈感、頓悟還沒有做，而做VC很大程度上需要一種直覺，這個工作有點偏向于手藝人的活，所以人工智能想替代的話有相當漫長的道路。單位人工智能對數據的分析，作為VC領域的輔助工具是有機會的，像天天投現在做的事情，不斷搜集行業數據幫助我們形成投資決策的判斷，在這個上面來講可能還是有機會的。
崔鵬：其實我們的理解，第一個是信息優勢，第二個是反復投資必須的大腦，這樣的過程，天天投今天2.0戰略，第一步希望我們在未來創業投資的數字信息方面建立優勢，相對于任何投資機構的信息優勢。第二個這個市場是不可能完全變化的，剛才各位說了，它很多有任性的判斷，這是未來幾十年可能更長遠的周期無法量化的東西，但是有一種方法，可能通過群體的意志獲得群體的智能，群體智能體現出來的東西會有可能應用在這個市場的。
紡織人工智能范文6
目前狀況下，在很多工程項目之中，都需要對相關的信號進行一定程度上的處理，而在進行信號處理所采取的諸多方法之中，模糊控制的應用最為廣泛。在對模糊理論進行運用時，存在一個十分重要的環節：對相應模糊集的隸屬函數進行一定程度上的建立。對隸屬函數的確定有著十分重要的意義，因為它不僅可以從性質方面對模糊系統的相關特點進行進一步的確定，同時它又可以通過量化的方法來對數學計算進行一定程度上的實現。但是對于隸屬函數的選取以及建立來說，它具有很大的主觀性，因此人們在對其進行研究時，在函數求解方法的總結方面存在一定的困難。而目前狀況下的隸屬函數方法僅僅局限于統計法、論證法以及專家經驗法等，雖然這些方法已經在一些領域已經取得了一定程度的應用。然而，這并不能夠滿足發展的需求。近你年來，隨著科學技術水平的逐步提高，人工智能方法逐漸被引用到對隸屬函數的求解過程當中，并取得了良好的效果，能夠對一些相對較為復雜的問題進行有效的解決。
1 人工智能
目前狀況下，人工智能主要存在著兩種實現方法，分別是工程學方法以及模擬法。前者主要是對傳統的編程技術進行有效的利用，通過一系列的編程促使相關的系統能夠呈現出一定程度的智能化效果。而后一種方法較為嚴格，它不僅需要對所設置出的效果進行一定程度上的保證，還要對其實現的方法有一定的要求，要求其實現方法能夠與人類或者生物機體所使用的方法具有較高的相似程度。前一種方法較為復雜繁瑣，且容易出現問題，不做贅述。本文主要針對模擬法中的相關算法進行一定程度上的介紹以及闡述。在采用模擬法時，相關的編程者需要對智能系統進行設計，并通過它實現有效的控制。這一系統的發展具有一定的漸進性，它具備自主學習的功能，通過不斷的學習并逐漸對周圍的環境進行有效的適應。這樣才能夠提升其解決復雜問題的能力。相對于工程學方法來說，模擬法更為省力，且能夠發揮出更大的優勢，因此得到了較為廣泛的推廣。
2 神經網絡
2.1 充分利用BP神經網絡，實現對隸屬函數的有效推斷
目前狀況下，對于隸屬函數的建立已經存在一些方法，而在這些方法之中，最常用也是最經典的兩種就是專家經驗法以及試湊法。然而，這兩種方法也存在著固有的弊端，主要表現在兩個方面，分別是較強的主觀性以及需要消耗大量的人力。隨著科學技術水平的提高，相關學者探究出一種基于神經網絡的方法，相對于專家經驗法以及試湊法來說，這種方法能夠發揮出較大的優勢，這主要是因為其具有較高的準確性以及客觀性，并且能夠對專家經驗法以及試湊法所存在的弊端進行有效的克服。
BP神經網絡，又被稱作為前饋式神經網絡，作為一種神經網絡模型，在當前狀況下得到了十分廣泛的運用。其運作的原理以及流程主要如下：首先，對梯度下降法進行有效的利用，通過它實現將誤差進行反向的傳播，然后層層修正，最終達到誤差最小化的目的。這樣一來，就能夠對隸屬函數值的精確程度進行有效的提高。
2.2 多目標優化模型的模糊解法
多目標優化主要指的是在一定的條件之下對多個目標進行一系列的操作，使其達到最優解。目前狀況下，它已經存在著多種解法，但最常使用的方法還是目標規劃法。隨著技術的逐步完善以及研究的逐步深入，人們在對多目標優化問題的解決時又實現了遺傳算法的融入。這樣一來，使得解決問題更加方便而高效。然而，又出現了一個新的問題，那就是在多目標的最優解中，各個目標之間往往存在著一定程度上的模糊相關關系，因此在求解時需要對模糊關系進行充分的考慮，否則，就不能對求解結果的精確性進行有效的保證。而隨著人們對于這一問題關注度以及研究力度的加深，研究出了基于神經網絡的多目標模型模糊求解的方法，這一方法能夠有效的解決相關問題。
多目標的模糊求解存在著一套系統性較強的求解流程與步驟。首先，應當采取相應的方法實現對于其各個子目標最優解的求值。然后，對這些求出來的最優解進行有效的利用，通過它們對子目標進行一定程度上的模糊處理。當這些操作步驟完成之后，所求出來的能夠使交集的隸屬函數取最大值的解也就是這一模型的模糊最優解。而要想對以上的步驟進行有效的實現，就必須做好對于隸屬函數的選取工作。然而如果采取認為選取的方式，就會因為較強的主觀性而影響選擇隸屬函數的合理性以及科學性。因此，為了對這一問題進行有效的解決，相關研究者將函數進行與網絡的聯接，這樣一來，由于其本身具備較強的插值能力以及非線性映射能力，因此它同時具備了較強的學習能力，通過不斷的學習并逐漸對周圍的環境進行有效的適應，并對其解決復雜問題的能力進行一定程度的提升。而通過這一辦法可以有效的實現對于多目標模型的模糊求解。
3 遺傳算法
從本質上來看，遺傳算法其實是一種搜索方法，并具有一
定程度的隨機性，同時，它嚴格的遵循生物界優勝劣汰的遺傳規律。通過遺傳算法，能夠十分有效的對結構對象進行一系列的操作。遺傳算法的一大特點就是不需要建立相關的模型而是直接進行運算。除此之外，遺傳算法還具有十分優良的全局尋優能力。它能夠對概率化的尋優方法進行有效的利用，并可以實現對于尋優方向合理而有效的調節。正是這一系列的優點，使得遺傳算法能夠有效的實現對于模糊系統隸屬函數的優化。
在運用遺傳算法進行操作時，首先要做的就是實現問題部分與基因片段的有效對應，然后再按照相應的遺傳規則對其進行一定程度上的選擇、交叉以及變異。而當上述步驟完成之后，就可以對其中的個體進行優化選擇。將選取好的優秀個體進行保留并將之組成下一代的族群。這樣一來，就可以實現優化的目的。通過對其的有效優化，能夠在很大程度上對系統穩定性以及精確性進行一定程度的提高，同時也更加逼近隸屬度的全局最優解的效果。
4 結束語
本文主要針對人工智能方法在信號處理中的有效應用進行一定程度上的研究與分析。首先，闡述人工智能的兩種實現方式并對其進行了一定的對比。然后，具體分析了神經網絡以及遺傳算法。經過實踐，這些方法都能夠達到理想的效果。
參考文獻：
[1]睢丹、金顯華，人工智能在網絡擁塞控制中的路徑優化研究[J].計算機仿真，2011（09）.
