人工智能基础毕业论文

人工智能主要研究用人工方法模拟和扩展人的智能，最终实现机器智能。人工智能研究与人的思维研究密切相关。以下是我精心整理的有关人工智能论文的相关资料，希望对你有帮助!

浅谈逻辑学与人工智能

人工智能主要研究用人工方法模拟和扩展人的智能，最终实现机器智能。人工智能研究与人的思维研究密切相关。逻辑学始终是人工智能研究中的基础科学问题，它为人工智能研究提供了根本观点与方法。

1 人工智能学科的诞生

12世纪末13世纪初，西班牙罗门·卢乐提出制造可解决各种问题的通用逻辑机。17世纪，英国培根在《新工具》中提出了归纳法。随后，德国莱布尼兹做出了四则运算的手摇计算器，并提出了“通用符号”和“推理计算”的思想。19世纪，英国布尔创立了布尔代数，奠定了现代形式逻辑研究的基础。德国弗雷格完善了命题逻辑，创建了一阶谓词演算系统。20世纪，哥德尔对一阶谓词完全性定理与N 形式系统的不完全性定理进行了证明。在此基础上，克林对一般递归函数理论作了深入的研究，建立了演算理论。英国图灵建立了描述算法的机械性思维过程，提出了理想计算机模型(即图灵机) ，创立了自动机理论。这些都为1945年匈牙利冯·诺依曼提出存储程序的思想和建立通用电子数字计算机的冯·诺依曼型体系结构，以及1946年美国的莫克利和埃克特成功研制世界上第一台通用电子数学计算机ENIAC做出了开拓性的贡献。

以上经典数理逻辑的理论成果，为1956年人工智能学科的诞生奠定了坚实的逻辑基础。

现代逻辑发展动力主要来自于数学中的公理化运动。20世纪逻辑研究严重数学化，发展出来的逻辑被恰当地称为“数理逻辑”，它增强了逻辑研究的深度，使逻辑学的发展继古希腊逻辑、欧洲中世纪逻辑之后进入第三个高峰期，并且对整个现代科学特别是数学、哲学、语言学和计算机科学产生了非常重要的影响。

2 逻辑学的发展

逻辑学的大体分类

逻辑学是一门研究思维形式及思维规律的科学。 从17世纪德国数学家、哲学家莱布尼兹(G. LEibniz)提出数理逻辑以来，随着人工智能的一步步发展的需求，各种各样的逻辑也随之产生。逻辑学大体上可分为经典逻辑、非经典逻辑和现代逻辑。经典逻辑与模态逻辑都是二值逻辑。多值逻辑，是具有多个命题真值的逻辑，是向模糊逻辑的逼近。模糊逻辑是处理具有模糊性命题的逻辑。概率逻辑是研究基于逻辑的概率推理。

泛逻辑的基本原理

当今人工智能深入发展遇到的一个重大难题就是专家经验知识和常识的推理。现代逻辑迫切需要有一个统一可靠的，关于不精确推理的逻辑学作为它们进一步研究信息不完全情况下推理的基础理论，进而形成一种能包容一切逻辑形态和推理模式的，灵活的，开放的，自适应的逻辑学，这便是柔性逻辑学。而泛逻辑学就是研究刚性逻辑学(也即数理逻辑)和柔性逻辑学共同规律的逻辑学。

泛逻辑是从高层研究一切逻辑的一般规律，建立能包容一切逻辑形态和推理模式，并能根据需要自由伸缩变化的柔性逻辑学，刚性逻辑学将作为一个最小的内核存在其中，这就是提出泛逻辑的根本原因，也是泛逻辑的最终历史使命。

3 逻辑学在人工智能学科的研究方面的应用

逻辑方法是人工智能研究中的主要形式化工具，逻辑学的研究成果不但为人工智能学科的诞生奠定了理论基础，而且它们还作为重要的成分被应用于人工智能系统中。

经典逻辑的应用

人工智能诞生后的20年间是逻辑推理占统治地位的时期。1963年，纽厄尔、西蒙等人编制的“逻辑理论机”数学定理证明程序(LT)。在此基础之上，纽厄尔和西蒙编制了通用问题求解程序(GPS)，开拓了人工智能“问题求解”的一大领域。经典数理逻辑只是数学化的形式逻辑，只能满足人工智能的部分需要。

非经典逻辑的应用

(1)不确定性的推理研究

人工智能发展了用数值的方法表示和处理不确定的信息，即给系统中每个语句或公式赋一个数值，用来表示语句的不确定性或确定性。比较具有代表性的有：1976年杜达提出的主观贝叶斯模型， 1978年查德提出的可能性模型， 1984年邦迪提出的发生率计算模型，以及假设推理、定性推理和证据空间理论等经验性模型。

归纳逻辑是关于或然性推理的逻辑。在人工智能中，可把归纳看成是从个别到一般的推理。借助这种归纳方法和运用类比的方法，计算机就可以通过新、老问题的相似性，从相应的知识库中调用有关知识来处理新问题。

(2)不完全信息的推理研究

常识推理是一种非单调逻辑，即人们基于不完全的信息推出某些结论，当人们得到更完全的信息后，可以改变甚至收回原来的结论。非单调逻辑可处理信息不充分情况下的推理。20世纪80年代，赖特的缺省逻辑、麦卡锡的限定逻辑、麦克德莫特和多伊尔建立的NML非单调逻辑推理系统、摩尔的自认知逻辑都是具有开创性的非单调逻辑系统。常识推理也是一种可能出错的不精确的推理，即容错推理。

此外，多值逻辑和模糊逻辑也已经被引入到人工智能中来处理模糊性和不完全性信息的推理。多值逻辑的三个典型系统是克林、卢卡西维兹和波克万的三值逻辑系统。模糊逻辑的研究始于20世纪20年代卢卡西维兹的研究。1972年，扎德提出了模糊推理的关系合成原则，现有的绝大多数模糊推理方法都是关系合成规则的变形或扩充。

4 人工智能——当代逻辑发展的动力

现代逻辑创始于19世纪末叶和20世纪早期，其发展动力主要来自于数学中的公理化运动。21世纪逻辑发展的主要动力来自哪里?笔者认为，计算机科学和人工智能将至少是21世纪早期逻辑学发展的主要动力源泉，并将由此决定21世纪逻辑学的另一幅面貌。由于人工智能要模拟人的智能，它的难点不在于人脑所进行的各种必然性推理，而是最能体现人的智能特征的能动性、创造性思维，这种思维活动中包括学习、抉择、尝试、修正、推理诸因素。例如，选择性地搜集相关的经验证据，在不充分信息的基础上做出尝试性的判断或抉择，不断根据环境反馈调整、修正自己的行为，由此达到实践的成功。于是，逻辑学将不得不比较全面地研究人的思维活动，并着重研究人的思维中最能体现其能动性特征的各种不确定性推理，由此发展出的逻辑理论也将具有更强的可应用性。

5 结语

人工智能的产生与发展和逻辑学的发展密不可分。

一方面我们试图找到一个包容一切逻辑的泛逻辑，使得形成一个完美统一的逻辑基础;另一方面，我们还要不断地争论、更新、补充新的逻辑。如果二者能够有机地结合，将推动人工智能进入一个新的阶段。概率逻辑大都是基于二值逻辑的，目前许多专家和学者又在基于其他逻辑的基础上研究概率推理，使得逻辑学尽可能满足人工智能发展的各方面的需要。就目前来说，一个新的泛逻辑理论的发展和完善需要一个比较长的时期，那何不将“百花齐放”与“一统天下”并行进行，各自发挥其优点，为人工智能的发展做出贡献。目前，许多制约人工智能发展的因素仍有待于解决，技术上的突破，还有赖于逻辑学研究上的突破。在对人工智能的研究中，我们只有重视逻辑学，努力学习与运用并不断深入挖掘其基本内容，拓宽其研究领域，才能更好地促进人工智能学科的发展。

随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。以下是我整理分享的人工智能神经网络论文的相关资料，欢迎阅读!

人工神经网络的发展及应用

摘要随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。人工神经网络的发展经历了不同的阶段，是人工智能的重要组成部分，并且在发展过程中形成了自身独特的特点。文章对人工神经网络的发展历程进行回顾，并对其在各个领域的应用情况进行探讨。

关键词人工神经网络;发展;应用

随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。

1人工神经网络概述

关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助;人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决;人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制;人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。

2人工神经网络的发展历程

萌芽时期

在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。1951年，心理学家Hebb提出了关于连接权数值强化的法则，为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流，为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后，出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型，提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。

低谷时期

在人工神经网络形成的初期，人们只是热衷于对它的研究，却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究，在1969年对之前所取得的研究成果提出了质疑，认为当前研究出的神经网络只合适处理比较简单的线性问题，对于非线性问题以及多层网络问题却无法解决。由于他们的质疑，使神经网络的发展进入了低谷时期，但是在这一时期，专家和学者也并没有停止对神经网络的研究，针对他们的质疑也得出一些相应的研究成果。

复兴时期

美国的物理学家Hopfield在1982年提出了新的神经网络模型，并通过实验证明在满足一定的条件时，神经网络是能够达到稳定的状态的。通过他的研究和带动，众多专家学者又重新开始了对人工神经网络方面的研究，推动了神经网络的再一次发展[3]。经过专家学者的不断努力，提出了各种不同的人工神经网络的模型，神经网络理论研究不断深化，新的理论和方法层出不穷，使神经网络的研究和应用进入了一个崭新的时期。

稳步发展时期

随着人工神经网络研究在世界范围内的再次兴起，我国也迎来了相关理论研究的热潮，在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时，国内对于神经网络领域的研究得到了进一步的完善和发展，而且能够利用神经网络对非线性的系统控制问题进行解决，研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开，我国人工神经网络的研究和应用条件逐步改善，得到了国际的关注。

随着人工神经网络的稳步发展，逐渐建立了光学神经网络系统，利用光学的强大功能，提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题，采取有效措施，提高超平面的光滑性，对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法，虽然保证了精度，但也加大了消耗，在一定程度上降低了神经网络的效率，因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步，提高了神经网络的泛化能力。

3人工神经网络的应用

在信息领域中的应用

人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。

在医学领域的应用

人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。

在经济领域中的应用

经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。

在其他领域的应用

人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。

4总结

随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。

参考文献

[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993(5)：8-12，20.

[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，2009(10)：59-61.

[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009(5)：44-46.

[4]过效杰，祝彦知.人工神经网络的发展及其在岩土工程领域研究现状[J].河南水利，2004(1)：22-23.

[5]崔永华.基于人工神经网络的河流汇流预报模型及应用研究[D].郑州大学，2006.

下一页分享更优秀的<<<人工智能神经网络论文