神經網絡在人工智能的應用
前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡在人工智能的應用范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。
神經網絡在人工智能的應用范文第1篇
【關鍵詞】人工智能 醫學領域
1 引言
人工智能（AI）是上世紀50年展起來的新興學科，主要內容包括：知識表示、自然語言理解、機器學習和知識獲取、知識處理系統、計算機視覺、自動推理和搜索方法、智能機器人、自動程序設計等方面。在過去的幾十年里人工智能涌現出了大量的方法，大致可分為兩大類：第一類是基于Newell和Simon的物理符號系統假說的符號處理方法。這種方法大多采用從知識階段向下到符號和實施階段的自上而下的設計方法，第二類是采用自下而上設計的“字符號”方法。
2 人工智能的發展
全球對人工智能的研發經歷了已經有70年的發展，從上個世紀的50年代開始一直到今天，歷經了兩次大起大落，但伴隨著深度學習的重燃、龐大的大數據支撐以及計算能力的不斷提升和成本的不斷下降這些因素的出現，尤其是在摩爾定律、大數據、互聯網和云計算、新方法這些人工智能進步的催化劑作用下，將迎來人工智能新的春天。
3 人工智能在醫學領域上的應用
在醫學診斷中人工智能的應用會出現一些難題，例如知識獲取比較難、推理速度慢、自主學習以及自適應變化能力弱。研究人腦連接發現了以人工神經為特點可以解決在獲取知識中所出現的瓶頸和知識種類繁瑣問題，能夠提高對知識的推理能力，包括自主學習，自組織等方面的能力，促進了神經網絡在醫學專家系統中的快速發展。
人工智能領域ANN，有不同于其他人工智能的方法，在傳統的結構上，它只是AI分支中的一個，只能通過邏輯符號來模擬人腦的思維方式，進一步來實現人工智能，與之相比，不同的ANN是學習和訓練為一體來達到智能的。ANN具有學習的能力及特殊方法，用戶不用編寫復雜的程序來解決所遇到的問題，只用提供有效的數據就可以完成。迄今為止，醫學領域中對大部分的病理原因無法解釋，無法確定病理原因，加上各種疾病的表現種類復雜多變。在醫學的日常實踐中，疾病相應的治療只能以經驗為基礎來判斷。所以，ANN有著記憶，學習和歸納總結為一體的人工智能服務，在醫學領域有很好的應用發展趨勢。
3.2 在中醫學中人工神經網絡的應用
在中醫學中，所提出的“辨證論治”中的“證”具有模棚性、不確定性的特點，主觀性比較強，因此中醫的診斷方法和治療手段與醫師的經驗水平有很大聯系。數年來在實驗研究，臨床觀察，文章整理，經驗總結上，都有著對“證”的研究思想的深入調查。一部分“辨證”的過程可以用人工神經網絡來替換使用。恰當的中醫癥狀可以作為基本輸入和適當人工神經網絡模型，人工神經網絡能夠根據以往的學習“經驗”來進行綜合分析，從而提出中醫診斷方法。
由神經元結構模型、網絡連接模型、網絡學習算法等幾個要素組成了人工神經網絡。具有某些智能系統的功能。 按照網絡結構來劃分，人工神經網絡有很多不同的種類，例如感知器、BP網絡、Hopfield網絡等，目前應用最為廣泛的神經網絡就是其中的BP網絡。這種前沿網絡非 BP網絡所屬，網絡的結構與權值能夠表達復雜的非線性 I/0映射關系。憑借 BP網絡優良的自主學習功能，既可以通過誤差的反向傳播方法，對照已知樣本反復進行訓練，也可以調整網絡的權值，直到網絡的 I/0關系在某一塊訓練指標下最接近樣本為止。
3.3 人工智能在臨床醫療診斷中的應用
計算機編寫的程序主要根據專家系統的設計原理和方法來模擬醫生的醫學診斷，以及通常治療手段的思維過程來進行。醫療專家系統是臨床醫療診斷中人工智能的很好體現，不僅能夠處理較為復雜的醫學治療問題，還能當做醫生診斷疾病的重要工具，更重要的是傳承了專家們的寶貴醫學治療經驗。
3.4 人工智能技術在醫學影像診斷中的應用
目前，在醫學影像中存在著的問題，比如：誤診率高、缺口大。這些問題需要通過人工智能的方法來解決。在醫學影像技術領域人工智能的應用包括主要的兩個方面，分別是：第一個方面為圖像識別，第二個方面為深度學習，其中人工智能應用最核心的部分實深度學習。這兩個部分都是基于醫學影像大數據所進行的數據上的挖掘和應用。這兩個方面所進行的數據挖掘及其應用都是依據醫學影像大數據來完成的。
Geoffrey Hinton教授是神經網絡領域的大師，2006年，他與其博士生在《Science》和相關的期刊上發表了論文，第一次提出了“深度信念網絡”的概念。2012年，由斯坦福大學Fei-Fei Li教授舉辦的ImageNet ILSVRC大規模圖像識別評測任務是由Hinton教授的研究團隊參加的。這個任務包括了120萬張高分辨率圖片，1000個類比。Hinton教授團隊使用了全新的黑科技多層卷積神經網絡結構，將圖像識別錯誤率突破性地從26.2%降低到了15.3%。 這個革命性的技術，讓神經網絡深度學習以迅速的速度進入了醫療和工業的領域范圍，隨后這一技術被陸續出現的醫療影像公司使用。例如：國際知名的醫學影像公司Enlitic和國內剛剛獲得有峰瑞資本600萬天使輪融資的DeepCare。都是不斷積累大量影像數據和診斷數據，繼續對神經元網絡進行深度的學習訓練，從而有效的提高了醫生診斷的準確率。
人工智能不僅能使患者的健康檢查快速進行，包括X光、B超、核磁共振等。另外還能大量減少醫生的讀片時間，提升了醫生的工作效率，降低誤診率。
4 總結
人工智能軟件工作效率遠遠超過了人類大腦，不僅能夠更快速的找到數據的模式和相似性，還能有效幫助醫生和科學家提取重要的信息。隨著人工智能的發展及其在醫學領域的逐漸普及和應用，兩者的互相融合在未來必定成為醫學發展的重要方向。
參考文獻
[1]馮伍，張俊蘭.人工智能在醫學上的應用[J].電子設計工程，2010（01）.
[2]楊琴，陳家榮.人工智能在醫學領域中的應用[J].科技風，2012（12），100-101.
[3]王宇飛，孫欣.人工智能的研究與應用[J].信息與電腦，2016（05）.
[4]鉛筆道.人工智能與影像診斷相結合的醫生界阿爾法狗，2016（03）.
神經網絡在人工智能的應用范文第2篇
Abstract: Cognitive radio technology provides new opportunities and challenges for the development of wireless communication. Intelligence is an important characteristic for cognitive radio, and application of artificial intelligence techniques is key to implement this characteristic. This paper will first provide our own research framework on cognitive radio, second give an overview of application of artificial intelligence to cognitive radio, and last introduce and simulate the application of neural network to cognitive radio.
關鍵詞： 人工智能；認知無線電；神經網絡
基金項目：國家重點基礎研究發展規劃（“973”計劃）項目（2009CB320403）；國家自然科學基金資助項目（60832008，60832006）；國家科技重大專項課題（2009ZX03007-004）。
作者簡介：柴新代（1964-），男，北京人，本科，高級工程師，研究方向為通信系統工程；董旭（1979-），男，河北景縣人，博士研究生，講師，研究方向為認知無線電。
1 概述
無線通信技術的飛速發展，正在越來越深刻地影響著人們的生活。與此同時，無線通信技術的發展也面臨著嚴峻的考驗，一方面頻譜資源的固定分配模式和利用率不均衡制約著無線通信寬帶化的發展，另一方面多種空中接口和網絡協議并存的局面為無線網絡的融合提出了挑戰。1999年Mitola博士提出的“認知無線電（Cognitive Radio）”[1]為解決無線通信所面臨的問題提供了新的機遇。因此，認知無線電技術迅速成為業界研究的熱點。
認知是人類獲取運用知識解決問題的一種抽象，將認知運用到無線電技術，會提高無線電系統的智能性，這也是認知無線電技術區別于普通軟件無線電的最大特點。認知無線電技術通過實時的獲取外部環境信息，并對這些信息進行分析、學習和判斷，得到無線電知識，然后根據這些知識智能地調整各種通信參數，從而最終實現可靠的通信，并達到最佳的頻譜利用效率。人工智能技術為實現認知無線電的智能性提供了可能，本文將主要圍繞多種人工智能技術在認知無線電中的應用進行論述，下面將首先介紹認知無線電智能化的基礎框架――認知環路和認知引擎，然后對幾種人工智能技術在認知無線電中的應用進行簡要介紹，最后將詳細介紹神經網絡在人工智能中的應用，并通過仿真給出一個具體的示例。
2 相關工作
2.1 認知環路 Mitola博士在提出認知無線電概念的同時提出了OOPDAL（觀察-判斷-計劃-決策-行動-學習）認知環路[1]，用以支持其認知無線電架構。此外，學術界還提出了多種認知環路模型[2,3]，比較著名的有軍事戰略家Boyd提出的OODA（觀察-判斷-決策-行動）環路、IBM為自主計算提出的MAPE（監測-分析-計劃-執行）環路、Motorola為自主網絡提出的FOCALE（基礎-觀察-比較-行動-學習-擦除）環路等等。OOPDAL環路具有完整認知功能和清晰的認知過程，是設計認知無線電最為理想的環路模型。本文對OOPDAL環路各環節進行了重新定義，豐富了環路模型的內涵與外延，并在原環路模型基礎上增加“知識庫”，明確表達了知識獲取與運用的過程。
如圖1所示，經改進的OOPDAL認知環路由外環和內環組成，外環也稱決策環。認知無線電首先“感知”無線域、網絡域、用戶域、政策域中的數據，并對其建模以明確自身所處態勢；“判斷”是對數據的精煉，也即對感知數據進行清理、集成和選擇，提取出其中對決策有貢獻的信息；“計劃”根據用戶需求與當前環境生成優化目標；“決策”根據優化目標執行優化；“行動”將決策結果付諸實施，使內部狀態和外界環境發生變化，這些變化又被重新“感知”，進入下一輪循環。內環又稱學習環，用于從外環運行的歷史經驗中提取知識，并存放入知識庫以指導決策環運行。
OOPDAL環路對知識的運用過程充分體現了認知無線電的智能性，其中計劃、學習、決策等環節更是智能性得以實現的關鍵所在，具體的實現方法則需要借助于人工智能技術。
2.2 認知引擎 認知引擎是實現認知環路功能的技術手段。但很多認知引擎的設計是針對特定方法實現特定任務的，本文希望設計一種通用的認知引擎架構，以適應認知無線電所面臨的各種應用。通用認知引擎結構由認知核與接口部分組成。認知核提供各種豐富的工具，包括知識表示工具、各種推理機、學習機、優化算法庫等，為完成認知循環的各環節功能提供支持。接口部分包括感知器接口與用戶接口。感知器接口收集各種感知數據，并通過建模系統以機器可理解的方式表示；用戶接口部分允許用戶調用認知核中各種工具并對其進行流程編排和建模完成專用認知引擎的構建。另外，可配置無線網絡具備動態可配置波形與協議，以執行認知引擎的決策。
認知核是認知引擎的核心，包括多種人工智能工具，如專家系統，案例推理，神經網絡，遺傳算法等，每種人工智能的工具不但可以實現相應的認知功能，還可通過多種不同工具的編排組合實現認知無線電的各種應用，即實現認知引擎的通用性。
3 人工智能技術概述
如果說認知核是認知引擎的核心，那么人工智能技術就是認知核的核心。人工智能技術已有比較成熟的理論體系[4]，但將其應用到認知無線電還處于探索階段。下面先簡要介紹幾種人工智能技術在認知無線電中的應用。
3.1 專家系統 專家系統在人工智能技術領域有著非常成功的應用[5]，并能夠很好的與其他人工智能技術結合使用，如遺傳算法，人工神經網絡等。專家系統是運用知識和推理過程來解決只有專家才能解決的復雜問題，也就是說專家系統是一種模擬專家決策能力的計算機系統。專家系統主要包括兩個部分：知識庫和推理機。知識庫用來存儲專家知識，推理機則依據專家知識對已有事實進行推理和決策。認知無線電可以借助專家系統完成推理決策功能。認知無線電可以通過主動學習或“人在環中”的方式獲取無線電知識并存儲到知識庫中，然后根據外部無線環境和用戶需求的變化，到知識庫中查詢相應的先驗知識，并通過推理機進行決策，從而調整無線電的工作參數以適應環境和需求的變化。CLIPS是目前比較成熟的專家系統工具，已有學者將基于CLIPS的專家系統應用到認知無線電的研究中[6]。
3.2 案例推理 案例推理作為一種人工智能技術致力于從以往的經歷或者案例當中得到新問題的解決方案?；诎咐南到y通過在案例庫查找與需要解決的問題相似度最大的案例來找到問題的解決的方法，并將找到的案例與當前的場景進行匹配，這種匹配實際上就是一種最優化的過程。而最初找到的案例是為了節省優化的時間，通過優化的新的解決方案，將被作為新的案例存儲到案例庫中。認知無線電可以根據無線環境的變化調整工作參數，不同的環境和工作參數可以作為案例存儲到案例庫中[7]。當環境發生變化，認知無線電可以在案例庫中查找與當前環境最為相似的一個案例，然后用該案例與當前環境進行匹配，優化工作的參數，并把當前環境和優化的參數作為新的案例存儲到案例庫中。Soar作為一種人工智能系統的開發工具，可以實現案例推理功能，并可以基于案例進行學習，國內已有學者基于Soar和GUN Radio軟件無線電平臺開發出認知無線電原型系統。
3.3 遺傳算法 遺傳算法借鑒生物進化和遺傳的生物學原理，可用于解決目標優化問題，即找到一組參數（基因）使得目標函數最大化。其基本原理是根據求解問題的目標構造適值函數，使初始種群通過雜交和變異不斷選擇好的適值進行繁殖，并最終得到最優解。遺傳算法同樣可以作為認知無線電的決策方法[6,8]：可以把無線電類比為一個生物系統，將無線電的特征定義為一個染色體，染色體的每個基因對應無線電一個可變的參量，比如發射功率、頻率、帶寬、糾錯編碼方法、調制算法和幀結構等等，這樣就可以通過遺傳算法的進化來得到滿足用戶需求和適應環境變化的系統配置參數。
4 神經網絡在認知無線電中的應用
對于人工神經網絡的研究源于對人類大腦思維過程的模擬，在很多領域，神經網絡已經有了廣泛的應用。下面將詳細介紹神經網絡在認知無線電中的應用。
4.1 神經網絡簡介 1943年神經物理學家W.McCulloch和邏輯學家W.Pits在對人腦的研究中提出了人工神經網絡。目前人工神經網絡作為一種人工智能技術主要基于統計評估、優化和控制理論。人工神經網絡由用以模擬生物神經元的大量相連的人工神經元組成，主要用于解決人工智能領域的一些復雜問題，比如機器學習。根據網絡結果和訓練方法的不同，人工神經網絡可以分為多種類型，以適應多種的應用需求[7]。多層線性感知器網絡（MLPN）：MLPN由多層神經元構成，每一個神經元都是上一層神經元輸出的線性組合。一般這種線性組合的權值在訓練前是隨機生成的，并且可以隨著訓練不斷的更新。更新的方法有多種，如后向傳播（BP）、遺傳算法等。其訓練方法的性能將由其網絡規模和應用場景決定。非線性感知器網絡（NPN）：NPN是利用對每個神經元的輸入平方或兩兩相乘的方法將非線性引入神經網絡使其可以對動態變化的訓練數據進行更好的擬合。但NPN的網絡結構需要根據訓練數據進行調整，另外如果采用BP方法進行訓練會使網絡收斂緩慢而導致處理時間過長。徑向基函數網絡（RBFN）：RBFN和NPN類似，不同的只是其非線性的引入是在隱含層利用徑向基函數實現非線性映射，這可以防止網絡收斂到局部最小值。
4.2 應用舉例 由于神經網絡可以動態的自適應和實時的訓練，因此可以對系統的各種模式、參數、屬性等進行“學習”，并“記住”這些事實，當系統有了新的輸入和輸出時，可以進行實時的訓練來記憶新的事實。這正符合了認知無線電認知功能的需求，因此神經網絡在認知無線電中有著廣泛的應用前景。下面就列舉一些神經網絡在認知無線電中的應用[9-12]。神經網絡可以用于認知無線電的頻譜感知，例如利用基于神經網絡的分類器可以根據信號的循環平穩特性或者頻譜特性等對信號進行分類。神經網絡還可用于無線電參數的自適應決策和調整，神經網絡可以根據當前信道質量和用戶需求等所確定的優化目標選擇無線電參數。另外神經網絡還可以對無線電系統的各種性能進行預測，神經網絡可以記憶不同無線環境不同無線參數所達到的系統性能，比如誤碼率、吞吐量、時延等等，從而對未來可能產生的系統性能進行預測，進而對各種無線參數進行優化。
5 仿真及分析
由于無線環境的開放性，無線系統大都是非線性系統，因此神經網絡用于認知無線電也應采用非線性模型。非線性感知器網絡（NPN）可以完成認知無線電的學習功能，從而對各種系統性能進行預測，下面就通過一個具體例子來仿真基于NPN的誤碼率性能預測。
5.1 仿真模型 NPN由三層節點構成：輸入層、隱含層和輸出層。隱含層通常只有一層神經元，本文在此基礎上擴展了隱含層的層數，從而擴大了神經網絡的規模，使其具有更好的學習效果。具體的網絡結構如圖2所示，每個節點都與下一層的所有節點唯一相連，除了輸入層節點，其他各層節點稱為神經元，具有一個非線性的激活函數，以實現對非線性系統的擬合。本文將采用最為常用的非線性激活函數――S函數，即：f
神經網絡的訓練將采用BP方法，具體算法如下：
③根據RMS誤差決定是否調整權值，直到RMS誤差或者迭代次數達到停止要求。
5.2 仿真場景 仿真場景的設置將根據上面提出通用認知引擎架構進行編排。首先認知引擎要收集各種數據。WiMax可以根據信道質量調整其調制編碼模式等無線電參數，因此將作為通用認知引擎架構中的可重配置的無線電平臺將系統的誤碼率性能實時上報給認知引擎；信噪比作為無線環境的表征可通過感知器進行收集；編碼速率作為用戶對業務的需求可通過用戶接口上報給認知引擎。然后認知引擎內基于NPN的學習機就可以對這些數據進行訓練了，訓練的方法如上節所述。最后訓練好的神經網絡就可以根據無線環境和用戶需求對系統的誤碼率進行實時的預測，從而調整認知無線電的各種操作參數。
5.3 仿真結果及分析 由于對神經網絡模型的隱含層進行了擴展，首先驗證一下改進的模型性能是否有所提升。仿真結果如圖3所示，分別仿真了具有2層、3層和4層神經元的NPN的收斂性能。其中2層模型是沒有經過改進的，其收斂速度最快，但RMS誤差較三層模型差；3層模型雖然收斂速度稍慢，但收斂的RMS誤差最低；4層模型的網絡規模最大，因此收斂速度最慢，但其RMS誤差收斂的并不是最低，這是由于神經網絡的規模應該與訓練數據的規模相適應，過大的網絡規模反而不會得到很好的收斂性能。折中考慮，在后續誤碼率預測仿真中，將采用3層神經元模型的NPN對數據進行訓練。
如圖4所示，利用3層神經元模型分別對WiMax場景下的64QAM、16QAM、QPSK和BPSK的誤碼率性能進行了預測。從預測結果和實際的仿真結果的比較可以顯示，隨著調制模式的升高，預測的性能將越來越好。
6 結束語
本文主要介紹了人工智能技術在認知無線電中的應用，并通過人工神經網絡進行舉例，從仿真的結果可以看出神經網絡在認知無線電中應用的可能性。人工智能技術在認知無線電領域的應用還有著廣闊的研究前景，應該積極探索更多的人工智能技術在認知無線電中應用。但也并非所有的人工智能技術都適用于認知無線電的開發和應用，應在研究中有所選擇把握方向。不同的應用場景也對人工智能技術提出了不同的需求，找到適用于相應場景的人工智能技術也很重要。未來的工作應更多的考慮一些實際的應用，讓無線通信系統可以真正的像人一樣思考。
參考文獻：
[1]J.Mitola Ⅲ."Cognitive radio: Making software radios more personal"，IEEE Personal Communications，vol.6，no.4，pp.13-18，1999.
[2]S.Haykin."Cognitive radio：Brain-empowered wireless communications"，IEEE Journal on Selected Areas in Communications，vol.23，no.2，pp.201-220，2005.
[3]T.W.Rondeau，C.W.Bostian，D.Maldonado，A.Ferguson，S.Ball，B.Le，and S.Midki，“Cognitive radios in public safety and spectrum management”，Telecommunications Policy and Research Conference，vol.33，2005.
[4]George F.Luger，“Artificial Intelligence Structures and Strategies for Complex Problem Solving Fifth Edition”，Pearson Education Limited，2005.
[5]Joseph C.Giarratano, Gary D.Riley，“Expert System Principles and Programming Fourth Edition”，Thomson learning，2006.
[6]Timothy R.Newman，“Multiple Objective Fitness Functions for Cognitive Radio Adaptation”，Doctor Thesis，2008.
[7]A.He，K.K.Bae，T.R.Newman，J.Gaeddert，K.Kim，R.Menon，L.M.Tirado，J.Neel，Y.Zhao，J.H.Reed，and W.H.Tranter，“A survey of artificial intelligence for cognitive radios”，IEEE Transactiongs on Vehicular Technology，vol.59，no.4，pp.1578-1592，2010.
[8]Thomas W.Rondeau，“Application of Artificial Intelligence to Wireless Communication”，Doctor Thesis，2007.
[9]N.Baldo，B.R.Tamma，B.S.Manoj，R.Rao，and M.Zorzi，“A neural network based cognitive controller for dynamic channel selection”，in Proceedings of IEEE International Conference on Communications（ICC），pp.1-5，2009.
[10]X.Zhu，Y.Liu，W.Weng，and D.Yuan，“Channel sensing algorithm based on neural network for cognitive wireless mesh network”，in Proceedings of IEEE International Conference on Wireless Communications（WiCom），pp.1-4，2008.
神經網絡在人工智能的應用范文第3篇
當你用谷歌搜索東西、使用地圖軟件、在亞馬遜上購物，或者對智能手機中的語音識別軟件說話，其實都在使用人工智能。當你登錄到Facebook，欣賞那些可愛的嬰兒照片，人工智能都在塑造你的體驗。
所有這些應用的背后都使用了算法，算法本質上是形成分析過程的一組規則，能夠對變量輸入做出響應。如今的算法，尤其是來自亞馬遜和Facebook等巨頭的算法，響應速度快，還不斷學習。它們事先經過編程，可采集來自用戶的更準確的響應；也就是說，結果是為控制算法的那些廠商服務的。
了解和響應
當你在亞馬遜上購物時，算法在后臺基于一個包含眾多購買模式的龐大數據庫，執行異常高級的運算，之后決定將什么產品展示在你面前。它實時響應你的點擊軌跡。
你可能覺得，有一個活生生的私人購物助手是最好不過的選擇；她了解潮流，對你本人很了解?？墒侨斯ぶ悄芗夹g廠商Ayasdi的首席營銷官丹尼爾?德魯克（Daniel Druker）表示，這樣的私人購物助手與亞馬遜沒法比。亞馬遜“利用人工智能，結合你之前的購買活動，從100萬件商品中推測眼下哪些商品最能吸引你的眼球。沒有哪個人能做到這一點?！?/p>
在Facebook上，出現在你個人動態（feed）中的朋友不多，那是因為Facebook的人工智能算法知道：你受不了個人動態內容太多的情況。于是，Facebook使用人工智能，對你關于私人關系圈的訊號做出敏感的反應，打造你的個人動態，建立起一種更有效的情感聯系。要是你以為人工智能冷若冰霜、缺乏人情味，Facebook用它來窺視你的內心（以及Facebook另外12.3億日常用戶的內心）。它威力強大，說Facebook人工智能影響了美國總統大選毫不為過。
盡管人工智能目前具有巨大的影響力，但它仍被看作是太過遙遠的一項神奇技術。人工智能技術廠商Sentient Technologies的創始人兼首席科學家巴巴克?霍加特 （Babak Hodjat）說：“算法或應用有多誘人、多新潮、多強大，并不重要。我常常出去介紹這些系統時，人們總是會說‘是的，那很智能、那很酷，但這不是人工智能?！?/p>
人們之所以會有這種懷疑，是因為“普通公眾而非從業人士常常誤以為人工智能是包含情感智能、創造力、自主性等一系列能力的人類級一般智能?！被艏犹卣f，因而，人工智能“總是被認為是我們會發明的下一大技術。我認為，今后10年至15年還會是這種情況?！?/p>
他表示，在許多當前的應用中，人工智能比人類更強大?！澳阒灰f一個方面，我可以告訴你這個方面是如何實施的、如何比人類更強大。起碼，人工智能運行起來更快，所以當下人工智能的決策和行動周期要比人類響應世界的速度快得多?！?/p>
人工智能在過去幾年得到了突飛猛進的發展。百度硅谷人工智能實驗室主任亞當?科茨（Adam Coates）說：“這在10年前是很難實現的。當然，未來幾年，我們認為在人類非常擅長處理、但計算機向來不擅長的許多問題上，人工智能會取得巨大進展。比如說，識別圖像中的實體，或者理解語音、對口語做出響應，那些是深度學習和人工智能技術在未來幾年會持續改進的問題?！?/p>
推動與向前
什么功能在推動這些進展？人工智能必須獲得什么樣的功能才能向前發展？
皮特?阿貝爾（Pieter Abbeel）是加州大學伯克利分校的計算機科學系教授，也是人工智能教育初創公司Gradescope的聯合創始人。他表示，首先，人工智能系統需要能夠在沒有人類干預的情況下自主學習。此外，它還在被告知諸如“你從這個角度堆方塊，也許效果會更好”之類的信息時，應該有溝通和理解能力?！耙撬鼰o法領會這樣的信息，我們不會認為它具有真正的智能。”
人類（至少理論上）能夠利用過去的經驗來推斷和處理新環境，在這方面機器人則差的很遠。為機器人編程、以便它在有限的環境下提供輔助要容易得多。人工智能科學家們想為機器人編程，以便處理相關的變化。
阿貝爾說：“它們需要運用過去獲得的經驗，推廣到不一樣但相類似的新場景，了解這種關聯性。我對于機器人如何能真正從頭開始學會做事很感興趣。”從頭開始學起是人類特有的能力；如果機器人能夠真正做到填補其空白，它有望成為獨立的個體。
但人工智能機器人的“學習能力”可能有許多不同的方式來定義，一些是很普通的“嘗試和獎勵”方式，類似于教狗學新花招。比如說，人工智能強化學習可編寫機器人的軟件，從試錯過程中學習。加州大學伯克利分校的BRETT機器人基于行動后獎勵的多少來使用強化學習技術。阿貝爾說：“獎勵的變化讓該機器人得以分辨什么是好的，什么是不好的，進而重點采用獲得獎勵多的策略。”
與之相仿，人工智能科學家使用監督式學習，為計算機饋送標記輸入（這些是貓，這些是狗）的許多實例，并給出明確的目標輸出（這是貓還是狗？）。非監督式學習給計算機饋送非標記數據（比如說許多動物的照片），計算機進行分類，或者以其他方式為該數據定義結構模型（這些動物身上的毛比其他這些動物多得多）。科茨表示，非監督式學習是“非常重要的研究熱點，因為我們知道人類所做的在很大程度上是非監督式學習。”
人工智能“學習”的核心是神經網絡，它類似人類大腦。跟大腦一樣，面對更多的輸入，神經網絡會自我調整。阿貝爾說：“你展示足夠多的那些實例，神經網絡就會自我調整，說‘針對那個輸入，我需要那個輸出’；所以，要做到這一點，唯一的途徑是，我需要調整聯系的部分強度，那樣我才能搞好那種對應。所以，在某種意義上，你在訓練神經網絡時，是讓計算機學習它的計算機程序，而不是將計算程序編入到里面?！?/p>
科茨解釋，不過打造神經網絡并非易事?！耙淮筇魬鹪谟?，我們不是非常清楚如何僅憑一些非標記、非結構化的數據來訓練神經網絡。我們不知道如何量化神經網絡在處理這些種類的任務中的好壞。等到我們在這方面有了發現，那將是一大進步。但我們還沒有到那一步。所以，這離人類智能相差甚遠。”
神經網絡在人工智能的應用范文第4篇
關鍵詞：無人機 神經網絡 控制技術
中圖分類號:TP183 文獻標識碼：A 文章編號：1007-9416(2012)07-0010-01
無人機的核心部分是飛行控制系統。無人機進行自主飛行時,控制系統需要有效地對姿態回路部分和水平位置、高度回路部分進行重點控制，才能保持良好的自主飛行適應性。研究表明，智能技術的發展水平在相當大的程度上決定了自主控制技術的發展水平，人工智能系統若要提高對形勢的感應能力和外部環境的理解能力，并作出準確、快速反應，需要以獲取信息的完整性和準確性為前提支撐。
研究表明，現代絕大多數控制理論在飛行控制系統設計的應用方面，均表現出一定的優勢和劣勢。
反步控制的優勢在于收斂性方面表現較好，可對具有不確定性的未知擾動進行有效處理，缺點是魯棒性表現較差。反饋線性化的優勢在于設計靈活，缺點是對數學模型建立的精確性要求較高，且不能處理具有不確定性的未知擾動。采用變結構的滑?？刂萍夹g優勢在于響應快捷，且所建數學模型的精確性要求不高，對外部不確定性擾動反應不敏感，缺點是需要進一步提高抖振現象的解決能力。在計算機技術和人工智能技術的發展帶動下，人工智能應用于無人機控制系統已具備一定的技術基礎，特別是神經網絡技術，因其具有良好的學習和推理能力，所以應用最為廣泛。本文以無人機的飛行控制應用為中心,重點分析了神經網絡技術應用于智能控制的最新成果，為今后的深入研究提供一定的基礎支撐。
1、神經網絡PID控制技術
PID控制器魯棒性表現較好，結構相對簡單，廣泛應用于典型無人機控制系統設計中。但是經典PID對于具有非線性特性的多變量系統，其處理能力較差，不能有效提升系統的抗外擾能力，特別是系統參數變化攝動時，其魯棒性表現較差，致使系統的飛行動態控制能力較差。近年來，以神經網絡智能控制技術的快速發展為支撐，神經網絡智能控制技術開始和常規PID控制相融合，優化形成了兩種類型的神經網絡PID控制器。一種為神經元網絡PID控制器，該控制器在傳統PID控制器的基礎上，融合加入了一個神經元網絡控制器，對PID參數進行優化確定;另一種是單神經元PID控制器，它用神經元輸入權值跟PID參數進行一一對應，該輸入值為經比例、積分、微分處理后的偏差值。
1.1 采用神經元網絡確定PID控制器參數
神經網絡控制器通過對被控對象建立反向模型，構成前饋控制器。神經網絡控制器首先學習PID控制器的輸出，而后在線進行調整，盡量使反饋誤差趨零化，逐步提升自身在系統控制中的主導作用，最終替換反饋控制器的相應作用，但PID反饋控制器繼續存在，沒有消失。當系統受到外部干擾擾動時，PID反饋控制器可繼續發揮作用。采用神經元網絡確定PID控制器參數的技術實際上是一種前饋加反饋的特殊控制技術，該技術在提高了系統精度的情況下，同時提高了系統的自適應能力，增強了系統的控制穩定性，改善了控制系統的魯棒性能。其典型控制原理如圖1所示
1.2 單神經元PID控制
該種類型的自適應控制器依靠調整加權系數完成自適應和自組織，采用有監督Hebb學習規則對加權系數進行調整。單神經元PID控制器采用具有明確物理意義的算法組織學習，結構也較簡單，在環境變化適應性方面，呈現出較好的魯棒性。其劣勢在于由于該種類型控制器為單神經元結構，因此不具備任意函數逼近的能力。
2、自適應神經網絡控制技術
針對任意一個非線性連續函數，人工神經網絡因具有較強的自學習能力，所以能以任意精度要求逼近，且能夠完成并行處理，實現萬能函數逼近功能。與傳統查表法對比,人工神經網絡進行計算時間較短，且不需要大內存容量，在對相鄰兩個訓練點之間的點進行插值計算時，不需要額外的計算消耗。相比典型的自適應線性控制器，研究表明，人工神經網絡能夠獲得較好的期望性能，表現出相對較高的自適應非線性控制能力。人工神經網絡能夠實現對非線性對象的有效控制，對不確定對象的有效控制，且抗環境干擾能力較強，因此特別適合于實現自適應自主飛行控制。
人工神經網絡應用于自適應飛行控制的基本原理為:對飛行器模型進行近似線性化處理，爾后對該控制器添加人工神經元網絡,通過逆轉換完成非線性控制功能，對飛行中的動態誤差，自適應消除其影響，有效提升系統響應。該種類型的神經網絡控制器通過在線提升自適應能力,在一定程度上改善了風洞數據依賴度，對動態先驗知識的需求也進一步降低,從而減少了飛行控制系統的研發費用。
3、結語
研究表明，常規PID控制器雖然結構較簡單，可靠性能表現較好，呈現出良好的魯棒性，但其缺少自學習、自組織、自適應的能力，這些能力恰恰是神經網絡控制器的智能優勢。但神經網絡也具有一定的缺點，表現為收斂速度較慢，個別情況下不能搜索到全局最優解等。神經網絡利用自身較強的并行處理能力和自然容錯特性，對非線性飛行系統能夠進行較好的智能處理，有效降低了逆誤差，可以精確獲取無人機控制模型，魯棒性表現優異。
目前，已在無人機上進行應用的神經網絡算法主要是與PID算相融合的智能算法。今后，將自適應控制和神經網絡智能控制相結合的控制算法將逐步進入飛行控制實踐技術行列,從而大副提升無人機應對不確定環境和復雜問題的能力,真正實現自主飛行。
參考文獻
神經網絡在人工智能的應用范文第5篇
關鍵詞：人工智能；傳統繪畫藝術；藝術審美；大數據
傳統繪畫藝術從地域上來說可以簡單的分為中國傳統繪畫藝術以及西方傳統繪畫藝術。中國傳統繪畫多講究神韻，躍然紙上的色彩和線條都頗具象征性，畫家所呈現出的往往是一種意境。傳統的西方繪畫在文藝復興時期達到了鼎盛的狀態，從畫面結構來說比中國傳統繪畫更注重科學與現實的結合。透視，幾何，材料等概念的靈活運用使畫作在畫家筆下達到了一種均衡的美。無論是中西哪種繪畫都需要借用筆，刀等工具，通過墨，顏料等繪畫材料，在紙，木板，織物等平面工具上，通過構圖、造型和顏色等表現手法，創造出可視的形象。
人工智能（Artificial Intelligence AI）是一門技術科學，主要研究用機器模仿人類的思維、感知等智能活動，用理論、方法、技術及應用系統使機器能夠代替人類做復雜的智力勞動。
傳統繪畫與人工智能作為人類智慧活動的兩個方向有著各自不同的特性，但隨著科學技術的大力發展，藝術家與科學家在各自不同的領域越來越意識到兩者的共同性。人工智能技術在傳統繪畫上的應用，把科學技術與傳統繪畫有機地結合在了一起，為創造和傳播傳統繪畫藝術提供了先進的方式，大數據的支持，為傳統繪畫領域帶來了新變革。
一、人工智能下傳統繪畫藝術的發展與創作
早期用來表現傳統繪畫的新媒體方式多采用了數字化復刻繪畫，或者通過動漫、電影、攝影等方式來表F。融入人工智能技術后，傳統繪畫藝術就范圍來說仍然屬于新媒體藝術的一個組成部分，但卻呈現出了多樣的變化。
自1973年始，Harold Cohen（畫家，San Diego加州大學教授）所編譯的電腦程序“AARON”就開始了自動繪畫的過程。
2013年，電腦程序“The Painting Fool”，在巴黎舉辦了展覽會，新聞媒體競相報道，其中部分作品花了多年時間創作。從形式上來說這就是一場傳統意義上的藝術作品展。
年初Google旗下的深度學習神經網絡研究小組通過算法教會計算機自主創作繪畫的能力。Google稱其為Deep Dream。本次繪畫作品展引來了大批對科技與現代藝術感興趣的觀眾。最終，由人工智能創作的繪畫被一位專業的拍賣商拍下，最高單幅的價格甚至達到了八千美元。在Deep Dream的創作中主體內容包括了各種天馬行空的海景，漩渦；風格奇幻的城堡以及各種擁有三頭六臂的動物。從風格上看接近法國的后期印象派，有輪廓但不具體，有繽紛的色彩，但卻不是客觀物體原來的色彩，然而整幅畫面的躍動感卻似乎能表達出作者的主觀情感。
此外，受眾們可以利用公開的代碼，編譯出屬于自己的Deep Dream圖像，藝術家的靈感有時來源于對某一物體的想象。Deep Dream正是從這個方面折射出了人類的創造力和想象力。
人工智能創作傳統繪畫不得不提到兩個概念，即深度學習和神經網絡。2006年，杰弗里?希爾頓等人提出了深度學習的概念。深度學習是人工智能學科下的一個分支，通過編譯教導計算機進行無監督學習，以此來解決深層優化的問題。深度學習概念是目前人工智能像人腦一樣處理數據的關鍵算法。
人工神經網絡，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。（百度百科）
Deep Dream中的畫作即是由人工神經網絡創作，也就是用軟件模擬大腦神經元處理信息的方式。軟件先要接受大數據訓練，通過分析數百萬個大數據后才能識別圖像中的物體。在Deep Dream創作繪畫的過程中，程序先向神經網絡輸入一張圖片，然后由神經網絡進行自我調整，軟件之前已經有了數據庫，神經網絡要從中尋找出與數據庫中物體相似的地方再進行編譯，于是一幅人工智能畫作就完成了。
二、人工智能下的傳統繪畫藝術傳播的文化價值
人工智能創作的繪畫在傳播時呈現了兩級分化的局面，一方面有人高價收購人工智能繪畫，而另一方面，有人卻對這樣的迷幻風格難以接受。暫不論人工智能繪畫的畫作質量，在文化價值上，人工智能繪畫是否能算是創作并且富有感染力嗎？
繪畫創作就其動機來說存在多種類別，有的是有感于情境而創作，作者將情感上的匯集融入繪畫作品；有的是為特定目的而創作，比如早期石刻的農耕漁織狩獵圖等；還有的畫作則是為了宣揚宗教觀念，教育宗教信徒而創作。由此可見，在這些創作動機中，既存在單純表達情感思想的藝術，也有為傳播特定信息的藝術，還有為將宗教觀念具象化，通過繪畫創作更直觀的進行表達的藝術。在評論藝術的本質時，有感于情境而作的繪畫創作更接近繪畫藝術的本質，在這種繪畫藝術作品中可能包含了普遍的對人類情感及相關價值觀的探索?；蛟S，人工智能下的繪畫藝術應該獨立成為一個門類，畢竟相較于人工智能的邏輯化、程序化。繪畫藝術應是屬于人類展現天賦，表達情感的領域。
傳統繪畫藝術誕生至今，文化價值的體現皆是因為畫作中的主體性、不確定性、奇思妙想，抽象感知展現了人類靈魂深處的情感。
三、人工智能下傳統繪畫藝術的傳播
繪畫作品具有其獨特的傳播的功能，首先繪畫是一種是具備信息承載能力和傳播能力的傳播介質。其次，繪畫作品中的內在感染力以及受眾欣賞過程中能動的二次創作也為傳統繪畫作品的傳播提供了動因。此外，經濟基礎決定上層建筑，隨著人們物質水平的逐年提高，越來越多的人們走進博物館，美術館，藝術長廊等多種藝術場所，借由這些渠道了解藝術，欣賞藝術，以此來滿足精神需求的增長，由此可見，當下藝術產業領域正受到各方的重視。然而現代社會，藝術生產與藝術消費市場分離的局面，也使傳統繪畫作品的傳播成為必然趨勢。
對藝術信息產生情感反饋是人類獨有的思維和能力，通過人工智能的神經網絡以及大數據分析不僅能創作繪畫，還能對傳統的繪畫藝術作品進行分析判斷，繼而整理出一套基于大數據分析的傳播方案。這樣的方案是否可行呢，在當今這個信息爆炸以及媒介去中心化的時代下，越來越多的受眾通過各種方式接觸到傳統繪畫藝術，因此當受眾面臨繪畫藝術鑒賞時，便產生了選擇障礙。
傳統的繪畫藝術傳播是指在藝術創作和鑒賞階段所形成的人內信息交流。它的傳播模式分為人際傳播，把關人推薦和群體傳播等。這些傳統的傳播方式經過多年來的驗證確實具有一定的實際意義的，但在針對個體差異上的分類推薦卻不是很明顯，面對龐大的信息量以及高度差異化的傳播需求，如今傳統的藝術傳播方式，其可行性正在逐漸下降。而人工智能應用于藝術傳播，通過云計算可以精確而高效地分析和處理藝術信息。并且通過龐大的大數據資源加強索引優勢，速度與精度的大幅度提升正是傳統的藝術傳播過程中所缺失的。
τ諢婊藝術來說，千人千面，每個人都有自己獨到的理解，同一件作品可能有的人喜愛，而有的人無感，在海量繪畫作品中篩選出針對目標受眾的藝術作品，尤其是不具備繪畫專業知識的受眾在面對諸多繪畫作品時，往往會沒有頭緒，不知如何進行選擇和鑒賞。
四、結語
在人工智能傳播傳統繪畫作品時，受眾并不純粹只是受者，而是具備了雙重身份，由被動的欣賞者轉變為了主動的創作者。借助神經網絡，每個人都具備通過繪畫表達內心情感的能力。雖然當前的人工智能下傳統繪畫藝術的發展還存在這一定的不確定性，但是相信隨著人工智能技術的高速發展，今后人工智能創作的繪畫一定會在現今的繪畫領域獨樹一幟。此外人工智能的神經網絡尚不能對所有繪作品充分理解，但是在速度和精度方面卻得到了很大的提升，如果再結合當下其他一些完善的學科，比如結合個體信息，設計心理學，消費學，歷史學，哲學等多方位的研究。人工智能系統就能根據受眾的個人信息等預測處其的欣賞層次以及需求推薦給受眾相應的作品。
人工智能使傳統的繪畫藝術具備了無限延伸的維度空間和各種難以預料的不確定性，顛覆了傳統的繪畫傳播體系，實現了傳統繪畫藝術最本質的創作與傳播。
【參考文獻】
[1]陳端端.藝術傳播的人工智能應用需求研究[D].東南大學，2014.
[2]劉峰.傳統繪畫藝術的新媒體傳播研究[D].山東大學，2012.
[3]李連德.一本書讀懂人工智能（圖解版）[M].北京：人民郵電出版社，2016.
[4]李同娟.人工智能能否創造藝術[D].中國傳媒大學，2015.
[5]郭全中.大數據時代下的智能傳播及其盈利模式，2015（01）：15-19.
