Page 372 - 江西普通高校专升本信息技术

江西普通高校专升本信息技术

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲
学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等。机
器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门
学科。专门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。它是人工智能核心，是使计算机具有智能的根本途径。总
的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂
工作。
目前，应用最广泛的人工智能技术为人工神经元网络（Artificial Neural Network，ANN）。

人工神经网络是对生物神经网络的一种模拟和近似，是由大量神经元通过相互连接而构成的
自适应非线性动态网络系统。1943年，心理学家McCulloch和数理逻辑学家Pitts提出了神经元
的第1个数学模型—MP模型。MP模型具有开创意义，为后来的研究工作提供了依据。到了
20世纪50年代末至60年代初，Rosenblatt在MP模型的基础之上增加了学习功能，提出了单层感

知器模型，第一次把神经网络的研究付诸实践。单层感知器网络模型不能够处理线性不可分问
题，1986年，Rumelhart等人提出了一种按误差逆传播算法训练的多层前馈网络—反向传播网络
（BackPropagationNetwork，BP网络），解决了原来一些单层感知器所不能解决的问题。由于在
20世纪90年代，各种浅层机器学习模型相继被提出，较经典的如支持向量机，而且当增加神经网

络的层数时传统的BP网络会遇到局部最优、过拟合及梯度扩散等问题，这些使得深度模型的研究
被搁置。
2006年，Hinton等人提出了深度学习（DeepLearning）的概念，认为多隐层的人工神经网络
具有优异的特征学习能力，可通过“逐层预训练”（layer-wise-pretraining）来有效克服深层神经

网络在训练上的困难，掀起了人工神经网络的又一热潮。在深度学习的逐层预训练算法中首先将
无监督学习应用于网络每一层的预训练，每次只无监督训练一层，并将该层的训练结果作为其下
一层的输入，然后再用有监督学习（BP算法）微调预训练好的网络。这种深度学习预训练方法在
手写体数字识别或者行人检测中，特别是当标注样本数量有限时能使识别效果或者检测效果得到

显著提升。
目前，常用的深度学习模型有深度置信网络（Deep Belief Network，DBN）、层叠自动去噪
编码机（Stacked DeoisingAutoencoders，SDA）、卷积神经网络（ConvolutionalNeuralNetwork，
CNN）、循环神经网络（Recurrent Neural Network，RNN）等。2016年，谷歌旗下人工智能公

司深灵（DeepMind）开发的AlphaGo以5∶0战胜了卫冕欧洲冠军。AlphaGo主要采用价值网络
（Value Networks）来评估棋盘的位置，用策略网络（Policy Networks）来选择下棋步法，这两种
网络都是深层神经网络模型，AlphaGo所取得的成果是深度学习带来的人工智能的又一次突破，
这也说明了深度学习具有强大的潜力。

随着深度学习理论与技术的发展，人工智能已经广泛应用于人们的生活生产过程。常见人工
智能应用包括机器视觉、指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、专家系统、
自动规划、智能搜索、定理证明、博弈、自动程序设计、智能控制、机器人学、语言和图像理
解、遗传编程等。当前，人工智能技术及其还在不断发展中。

·350·