浅谈计算机人工智能应用及发展

2019-11-27温洲宏

科技与创新 2019年21期

温洲宏

（1.太原理工大学山西太原 030024；2.山西奥美数字传媒有限公司，山西太原 030006）

1 人工智能的概念

人工智能在现代计算机科学中的占比十分大。1956年，计算机专家约翰·麦卡锡提出“人工智能”一词。如今，它已被公认为世界三大最先进的技术之一。尼尔森教授任职于斯坦福大学的人工智能研究中心，他将人工智能定义为“知识的主体，如何表达，如何获得和使用”。美国另一位著名大学教授温斯顿（Winston）提出，“人工智能是关于研究如何使计算机完成以前只有人类才能做到的事情。”此外，关于人工智能的定义很多，至今尚未统一，但是这些表述反映了人工智能主体的基本思想和内容。因此，人工智能可以扩展为研究人类活动的规律，并建立具有某些智能行为的人工智能系统。

2 计算机人工智能的研究现状

2.1 问题求解

问题解决是指在管理活动中，解决预期效果和预期效果产生时两者之间发生的差异。在国际象棋中，人工智能可以解决出现的各种问题，是人工智能发展的重大突破。推理在象棋程序中被广泛应用，例如搜索几个步骤并将问题分解为简单的子问题，已逐渐发展成为人工智能的基本技术，例如研究和归约。搜索策略可以分为没有信息指导的盲目搜索策略和由经验知识指导的启发式搜索策略，它在解决问题的推理步骤中优先使用知识。另一个解决问题的程序是用组装各种数学公式的符号，许多科学家和工程师都在使用它。通过经验，甚至可以增强某些程序。例如，1993年在美国发布的名为MACSYMA 的软件，可以对烦琐的数学公式进行符号运算。

正如上文所描述的，尚未解决的问题包括人类棋手表达自己的能力，例如国际象棋大师参与国际象棋的能力；另一个未解决的问题与问题的原始概念有关，即在人工智能中选择问题的表示形式。人们通常会对问题进行思考，得出解决方法，以便轻松解决问题。

2.2 专家系统

专家系统ES（Expert Sv）是人们对人工智能研究的一个关键转折点，这是植物观光智能理论研究和实际应用的关键转折，该系统将对一般思想的辩论转化为运用专业知识解决专业问题。专家系统同时也是具有特定知识的智能程序系统，并且由特定领域的多方面的专家提供知识和经验。利用专家的知识和经验以及人工智能中的推理技术，可以解决和模拟通常由专家解决的复杂问题。专家系统是智能软件，查找解决方案的方法是一种启发式方法。通常，专家系统要解决的问题不是算法解决方案。专家系统和常规计算机程序之间的区别通常是，即使接收到的有关信息不完整、不准确、具有不确定性，专家系统依然能够得出结论。

最近几年，人工智能技术已有效地应用于搜索专家系统和知识工程。用户和专家系统之间的“协商对话”是人工智能技术的典型示例，类似于用户直接与专家进行交流，可以解决一些问题并推荐实验，或者向专家系统寻求答案。当前的实验系统，例如化学和地质数据分析、计算机系统的构建。技术建设和医学诊断已达到很高的咨询使命水平。另外，专家系统的推理能力已经是许多研究的主题，这使得用户易于接受查询并帮助用户发现系统的推理错误。

开发专家系统的关键是如何准确对专业知识进行表示和应用，这是解决人类专家在特定领域中遇到典型问题时的必要过程和结论。各类专家系统虽然配置基本相同，但由于其所属的领域和类型不一样，因此具有不同的体系结构和功能，但配置基本相同。

一个基本的专家系统的配置一般分为6 种，即知识库、数据库、推理引擎、解释机制、知识获取和用户界面。

2.3 机器学习

机器学习是研究如何使用计算机来模拟或尝试进行学习的思维方式，这是在专家系统被开发之后人工智能应用的另一个重要分支。不仅是制造智能计算机的基本技术，也是人工智能研究的重点方向。如何对其进行应用已经涉及人工智能的所有领域。

学习是人类的重要活动标志，人类通过学习获取新的知识。机器学习也是创建智能计算机的基本方法。正如Shank先生所说：“计算机如果不能自主学习新能力，那它只会是一台普通的计算机。”机器学习可以帮助发现人类的学习机制，并探索人类大脑的秘密。

通过不同的教育方式来获取不同的知识内容，此方式称为“学习”。简单地说，学习就是不断推翻和制定不同的知识内容，同时，学习也能通过提高工作效率来体现。学习过程，可以简单地理解为，学习系统将老师（或专家）提供的信息转换为系统可以理解的格式的过程。根据教师对系统提供信息的不同，学习方法可以划分为机器学习、顺序学习、模拟学习、归纳学习、观察和发现学习。

近年来，计算机人工智能已经开发了基于解释、先例、概念、神经网络和遗传学习的学习方法。

2.4 神经网络

人工神经网络（ANN）是由许多相互连接的处理单元（即神经元）组成的网络，也称为人工神经网络、神经网络。神经网络是由大量节点（或神经元）和互连组成的操作模型，是自然神经网络基本特征的抽象和模拟。它的作用是模拟大脑执行某种功能的某种机制。具体来说，人工厂毛巾经纱网络是根据生物神经网络的机理、控制工程的思路和方法，来确定数学模型参数的一种技术。

3 计算机人工智能的研究与应用

3.1 人工智能在电力负荷预测中的作用

人工智能具有随机性和非线性，因此在预测中经常会出现错误。模糊控制是一种基于模糊规则和模糊推理的智能控制方法，能够很好地消除非线性系统所产生的误差。将其作用于电力负荷的预测中，可以很好地校正RBF 神经网络的预测结果，提高预测的确定性。

3.1.1 确定语言变量和相关函数

在本文中，负载由2 输入二维模糊控制器和输出预测构成，预测误差为e（预测误差从预测值中减去实际值），而误差变化为选择预测e。校正系数Q用输出变量作为输入变量。

在本文的模糊控制器中，每个输入变量均由模糊语言变量和表示，并且五个语言值分别为NB（大负数）、 NS（小负数）、ZE（零）、PS（小正数）和PB（正数）。对应的模糊区域用E 表示，其阈值量化为9 级，即E={-4，-3，-2，-1，0，1，2，3，4} ，Ec={-4，-3，-2，-1，0，1，2，3，4}。

根据量化因子，可以将实际数量转换为阈值。校正系数，用模糊语言变量a表示，该变量在模糊集中是模糊的，与NB、NS、ZO、PS 和PB 对应的模糊单点集为0、0.25、0.5、0.75、1.0。

模糊语言变量的每种语言值可以看作是模糊世界的模糊子集，并最终由从属函数来作为表达的形式。三角相关函数的特点是公式简单，噪声容忍度强，平衡点附近的控制能力强，因此模糊语言变量的相关函数为三角函数。模糊语言变量的相关函数，如图1和图2所示。

图1 输入语言变量隶属函数

图2 输出语言变量隶属函数

3.1.2 确定模糊控制规则

模糊控制规则本质上是由操作员的控制经验汇编而成的模糊条件语句。确定模糊控制规则的原理：优化控制器输出，以优化系统输出响应的动态。

以误差为负的情况为例。当e为NB 时，预测值小于实际值。模糊规则如表1所示。

表1 模糊规则

如表1所示，发生更改时应大大减少产量。根据上述规则，获得模糊控制规则。模糊控制规则如表2所示。

表2 模糊控制规则表

3.1.3 创建一个搜索表

从前面的分析可以看出，模糊推理的结果仅仅是模糊量，而通过去模糊化只能得到模糊量。搜索方法是最简单的模糊控制器之一。可以查询与当前时间模糊控制器的输入变量量化值（变量误差和误差变化）相对应的控制输出值，作为模糊逻辑控制器，实时高速控制和模糊控制的最终输出可以做的控制规则表是必不可少的。它通过一组模糊逻辑推理方法量化所有输入语言变量的各种组合，为每种状态计算模糊逻辑控制器的输出，并生成模糊搜索表。

使用MATLAB 编程，最小推理方法和Mamdani 重心方法用于量化所有输入语言变量的各种组合，计算每种状态的模糊逻辑控制器的输出，然后可以生成。关于模糊控制规则的查询，如表3所示。

表3 模糊控制查询表

3.1.4 基于模糊算法的神经网络负荷预测

本文的模糊控制器输入定义了当前的预测负载和实际负载误差e和误差变化率，并将其作为该量的校正系数输出。在校正下一个电荷预测之后，基于以下解析表达式来计算校正量：

式（1）中：α为修正因子，且α∈［0，1］。

模棱两可的调整后的预测值是电荷神经网络的电荷F和调整值ΔU的代数，即：

3.2 人工智能在音乐教学中的应用

智能教学系统（ITS）是在人工智能应用于教育领域（AI-ED）的早期阶段产生的。智能教学系统是人工智能技术与教育相结合的主要形式。它是未来教学研究和发展的主要方向。这也是本文的重点部分之一。在当前信息技术发展迅速的背景下，新教育系统发展模式的完善和改进，促使人们利用超媒体技术和网络来发展新的教育系统。ITS 是典型的代表之一,它包括领域模型、学习者模型和指导者模型，体现了教学系统开发的全部内容。可以说，它具有无与伦比的优势和巨大的吸引力。领域模型关注学习的主题。导师制是一种恰当、有效的教学方法。

学习者模型代表学生本身。这个模型显示了计算机或机器与学习者之间的相互作用。该模型可由AI 系统的教学部分（即学习者模型）来判断课程进度和学习者的学习进度，并确定最有效、最恰当、最有趣的教学活动及其交互。更重要的是，由于系统也在不断地积累和改变数据，学习者在课堂上的学习行为和表现将不断地被学习者模型吸收和反馈，使得学习者模型更加丰富、系统和准确。人工智能在音乐教育中的模型如图3所示。

图3 人工智能在音乐教育中的模型图

4 人工智能发展趋势

4.1 垂直区域的适用性

人工智能市场在零售、运输、自动化、制造业和农业中尚且存在很大的发展空间。市场的主要驱动力是在最终用户的每个垂直区域中应用和构建人工智能技术，尤其是如果它可以为消费者提供更多的人性化服务。

许多因素影响了人工智能市场的发展，例如IT 基础设施的改善以及智能手机和智能软件的普及。在这里，自然语言处理（NLP）是关键，自然语言处理技术的进步极大地扩展了人工智能的服务范围，并刺激了消费市场。

4.2 开发过程中，芯片是关键

AI 芯片的核心由半导体和算法组成。人工智能设备需要满足快速指令周期、低功耗以及与深度学习算法集成的要求。当前，AI 芯片包括GPU、DSP、ASIC、FPGA 和神经元芯片。GPU 速度比FPGA 快，但是FPGA 功耗低于GPU。因此，人工智能设备的选择取决于产品供应商的需求。以Apple 的FaceID 人脸识别应用程序为例，此应用程序集成了八个组件，并要求高性能。苹果特别关注用户的生物识别体验。最后，选择了FPGA。

4.3 自主学习是目标

通过深入研究机器，从独立学习的各个阶段开始，人工智能“大脑”变得更加智能。当前，人工智能仍处于使用来自世界各地的机器进行深入研究的阶段。为了实现自我学习，有必要解决以下四个重要问题：①用于机器独立性的人工智能平台需要创建一个用于自我学习自我机器的虚拟环境。②必须遵守物理定律。碰撞、压力和影响必须与现实世界相同。③必须放置大脑。④建立通往虚拟环境的大门。