神经网络在人工智能的应用
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络在人工智能的应用范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
神经网络在人工智能的应用范文第1篇
【关键词】人工智能 医学领域
1 引言
人工智能（AI）是上世纪50年展起来的新兴学科，主要内容包括：知识表示、自然语言理解、机器学习和知识获取、知识处理系统、计算机视觉、自动推理和搜索方法、智能机器人、自动程序设计等方面。在过去的几十年里人工智能涌现出了大量的方法，大致可分为两大类：第一类是基于Newell和Simon的物理符号系统假说的符号处理方法。这种方法大多采用从知识阶段向下到符号和实施阶段的自上而下的设计方法，第二类是采用自下而上设计的“字符号”方法。
2 人工智能的发展
全球对人工智能的研发经历了已经有70年的发展，从上个世纪的50年代开始一直到今天，历经了两次大起大落，但伴随着深度学习的重燃、庞大的大数据支撑以及计算能力的不断提升和成本的不断下降这些因素的出现，尤其是在摩尔定律、大数据、互联网和云计算、新方法这些人工智能进步的催化剂作用下，将迎来人工智能新的春天。
3 人工智能在医学领域上的应用
在医学诊断中人工智能的应用会出现一些难题，例如知识获取比较难、推理速度慢、自主学习以及自适应变化能力弱。研究人脑连接发现了以人工神经为特点可以解决在获取知识中所出现的瓶颈和知识种类繁琐问题，能够提高对知识的推理能力，包括自主学习，自组织等方面的能力，促进了神经网络在医学专家系统中的快速发展。
人工智能领域ANN，有不同于其他人工智能的方法，在传统的结构上，它只是AI分支中的一个，只能通过逻辑符号来模拟人脑的思维方式，进一步来实现人工智能，与之相比，不同的ANN是学习和训练为一体来达到智能的。ANN具有学习的能力及特殊方法，用户不用编写复杂的程序来解决所遇到的问题，只用提供有效的数据就可以完成。迄今为止，医学领域中对大部分的病理原因无法解释，无法确定病理原因，加上各种疾病的表现种类复杂多变。在医学的日常实践中，疾病相应的治疗只能以经验为基础来判断。所以，ANN有着记忆，学习和归纳总结为一体的人工智能服务，在医学领域有很好的应用发展趋势。
3.2 在中医学中人工神经网络的应用
在中医学中，所提出的“辨证论治”中的“证”具有模棚性、不确定性的特点，主观性比较强，因此中医的诊断方法和治疗手段与医师的经验水平有很大联系。数年来在实验研究，临床观察，文章整理，经验总结上，都有着对“证”的研究思想的深入调查。一部分“辨证”的过程可以用人工神经网络来替换使用。恰当的中医症状可以作为基本输入和适当人工神经网络模型，人工神经网络能够根据以往的学习“经验”来进行综合分析，从而提出中医诊断方法。
由神经元结构模型、网络连接模型、网络学习算法等几个要素组成了人工神经网络。具有某些智能系统的功能。 按照网络结构来划分，人工神经网络有很多不同的种类，例如感知器、BP网络、Hopfield网络等，目前应用最为广泛的神经网络就是其中的BP网络。这种前沿网络非 BP网络所属，网络的结构与权值能够表达复杂的非线性 I/0映射关系。凭借 BP网络优良的自主学习功能，既可以通过误差的反向传播方法，对照已知样本反复进行训练，也可以调整网络的权值，直到网络的 I/0关系在某一块训练指标下最接近样本为止。
3.3 人工智能在临床医疗诊断中的应用
计算机编写的程序主要根据专家系统的设计原理和方法来模拟医生的医学诊断，以及通常治疗手段的思维过程来进行。医疗专家系统是临床医疗诊断中人工智能的很好体现，不仅能够处理较为复杂的医学治疗问题，还能当做医生诊断疾病的重要工具，更重要的是传承了专家们的宝贵医学治疗经验。
3.4 人工智能技术在医学影像诊断中的应用
目前，在医学影像中存在着的问题，比如：误诊率高、缺口大。这些问题需要通过人工智能的方法来解决。在医学影像技术领域人工智能的应用包括主要的两个方面，分别是：第一个方面为图像识别，第二个方面为深度学习，其中人工智能应用最核心的部分实深度学习。这两个部分都是基于医学影像大数据所进行的数据上的挖掘和应用。这两个方面所进行的数据挖掘及其应用都是依据医学影像大数据来完成的。
Geoffrey Hinton教授是神经网络领域的大师，2006年，他与其博士生在《Science》和相关的期刊上发表了论文，第一次提出了“深度信念网络”的概念。2012年，由斯坦福大学Fei-Fei Li教授举办的ImageNet ILSVRC大规模图像识别评测任务是由Hinton教授的研究团队参加的。这个任务包括了120万张高分辨率图片，1000个类比。Hinton教授团队使用了全新的黑科技多层卷积神经网络结构，将图像识别错误率突破性地从26.2%降低到了15.3%。 这个革命性的技术，让神经网络深度学习以迅速的速度进入了医疗和工业的领域范围，随后这一技术被陆续出现的医疗影像公司使用。例如：国际知名的医学影像公司Enlitic和国内刚刚获得有峰瑞资本600万天使轮融资的DeepCare。都是不断积累大量影像数据和诊断数据，继续对神经元网络进行深度的学习训练，从而有效的提高了医生诊断的准确率。
人工智能不仅能使患者的健康检查快速进行，包括X光、B超、核磁共振等。另外还能大量减少医生的读片时间，提升了医生的工作效率，降低误诊率。
4 总结
人工智能软件工作效率远远超过了人类大脑，不仅能够更快速的找到数据的模式和相似性，还能有效帮助医生和科学家提取重要的信息。随着人工智能的发展及其在医学领域的逐渐普及和应用，两者的互相融合在未来必定成为医学发展的重要方向。
参考文献
[1]冯伍，张俊兰.人工智能在医学上的应用[J].电子设计工程，2010（01）.
[2]杨琴，陈家荣.人工智能在医学领域中的应用[J].科技风，2012（12），100-101.
[3]王宇飞，孙欣.人工智能的研究与应用[J].信息与电脑，2016（05）.
[4]铅笔道.人工智能与影像诊断相结合的医生界阿尔法狗，2016（03）.
神经网络在人工智能的应用范文第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.
关键词： 人工智能；认知无线电；神经网络
基金项目：国家重点基础研究发展规划（“973”计划）项目（2009CB320403）；国家自然科学基金资助项目（60832008，60832006）；国家科技重大专项课题（2009ZX03007-004）。
作者简介：柴新代（1964-），男，北京人，本科，高级工程师，研究方向为通信系统工程；董旭（1979-），男，河北景县人，博士研究生，讲师，研究方向为认知无线电。
1 概述
无线通信技术的飞速发展，正在越来越深刻地影响着人们的生活。与此同时，无线通信技术的发展也面临着严峻的考验，一方面频谱资源的固定分配模式和利用率不均衡制约着无线通信宽带化的发展，另一方面多种空中接口和网络协议并存的局面为无线网络的融合提出了挑战。1999年Mitola博士提出的“认知无线电（Cognitive Radio）”[1]为解决无线通信所面临的问题提供了新的机遇。因此，认知无线电技术迅速成为业界研究的热点。
认知是人类获取运用知识解决问题的一种抽象，将认知运用到无线电技术，会提高无线电系统的智能性，这也是认知无线电技术区别于普通软件无线电的最大特点。认知无线电技术通过实时的获取外部环境信息，并对这些信息进行分析、学习和判断，得到无线电知识，然后根据这些知识智能地调整各种通信参数，从而最终实现可靠的通信，并达到最佳的频谱利用效率。人工智能技术为实现认知无线电的智能性提供了可能，本文将主要围绕多种人工智能技术在认知无线电中的应用进行论述，下面将首先介绍认知无线电智能化的基础框架――认知环路和认知引擎，然后对几种人工智能技术在认知无线电中的应用进行简要介绍，最后将详细介绍神经网络在人工智能中的应用，并通过仿真给出一个具体的示例。
2 相关工作
2.1 认知环路 Mitola博士在提出认知无线电概念的同时提出了OOPDAL（观察-判断-计划-决策-行动-学习）认知环路[1]，用以支持其认知无线电架构。此外，学术界还提出了多种认知环路模型[2,3]，比较著名的有军事战略家Boyd提出的OODA（观察-判断-决策-行动）环路、IBM为自主计算提出的MAPE（监测-分析-计划-执行）环路、Motorola为自主网络提出的FOCALE（基础-观察-比较-行动-学习-擦除）环路等等。OOPDAL环路具有完整认知功能和清晰的认知过程，是设计认知无线电最为理想的环路模型。本文对OOPDAL环路各环节进行了重新定义，丰富了环路模型的内涵与外延，并在原环路模型基础上增加“知识库”，明确表达了知识获取与运用的过程。
如图1所示，经改进的OOPDAL认知环路由外环和内环组成，外环也称决策环。认知无线电首先“感知”无线域、网络域、用户域、政策域中的数据，并对其建模以明确自身所处态势；“判断”是对数据的精炼，也即对感知数据进行清理、集成和选择，提取出其中对决策有贡献的信息；“计划”根据用户需求与当前环境生成优化目标；“决策”根据优化目标执行优化；“行动”将决策结果付诸实施，使内部状态和外界环境发生变化，这些变化又被重新“感知”，进入下一轮循环。内环又称学习环，用于从外环运行的历史经验中提取知识，并存放入知识库以指导决策环运行。
OOPDAL环路对知识的运用过程充分体现了认知无线电的智能性，其中计划、学习、决策等环节更是智能性得以实现的关键所在，具体的实现方法则需要借助于人工智能技术。
2.2 认知引擎 认知引擎是实现认知环路功能的技术手段。但很多认知引擎的设计是针对特定方法实现特定任务的，本文希望设计一种通用的认知引擎架构，以适应认知无线电所面临的各种应用。通用认知引擎结构由认知核与接口部分组成。认知核提供各种丰富的工具，包括知识表示工具、各种推理机、学习机、优化算法库等，为完成认知循环的各环节功能提供支持。接口部分包括感知器接口与用户接口。感知器接口收集各种感知数据，并通过建模系统以机器可理解的方式表示；用户接口部分允许用户调用认知核中各种工具并对其进行流程编排和建模完成专用认知引擎的构建。另外，可配置无线网络具备动态可配置波形与协议，以执行认知引擎的决策。
认知核是认知引擎的核心，包括多种人工智能工具，如专家系统，案例推理，神经网络，遗传算法等，每种人工智能的工具不但可以实现相应的认知功能，还可通过多种不同工具的编排组合实现认知无线电的各种应用，即实现认知引擎的通用性。
3 人工智能技术概述
如果说认知核是认知引擎的核心，那么人工智能技术就是认知核的核心。人工智能技术已有比较成熟的理论体系[4]，但将其应用到认知无线电还处于探索阶段。下面先简要介绍几种人工智能技术在认知无线电中的应用。
3.1 专家系统 专家系统在人工智能技术领域有着非常成功的应用[5]，并能够很好的与其他人工智能技术结合使用，如遗传算法，人工神经网络等。专家系统是运用知识和推理过程来解决只有专家才能解决的复杂问题，也就是说专家系统是一种模拟专家决策能力的计算机系统。专家系统主要包括两个部分：知识库和推理机。知识库用来存储专家知识，推理机则依据专家知识对已有事实进行推理和决策。认知无线电可以借助专家系统完成推理决策功能。认知无线电可以通过主动学习或“人在环中”的方式获取无线电知识并存储到知识库中，然后根据外部无线环境和用户需求的变化，到知识库中查询相应的先验知识，并通过推理机进行决策，从而调整无线电的工作参数以适应环境和需求的变化。CLIPS是目前比较成熟的专家系统工具，已有学者将基于CLIPS的专家系统应用到认知无线电的研究中[6]。
3.2 案例推理 案例推理作为一种人工智能技术致力于从以往的经历或者案例当中得到新问题的解决方案。基于案例的系统通过在案例库查找与需要解决的问题相似度最大的案例来找到问题的解决的方法，并将找到的案例与当前的场景进行匹配，这种匹配实际上就是一种最优化的过程。而最初找到的案例是为了节省优化的时间，通过优化的新的解决方案，将被作为新的案例存储到案例库中。认知无线电可以根据无线环境的变化调整工作参数，不同的环境和工作参数可以作为案例存储到案例库中[7]。当环境发生变化，认知无线电可以在案例库中查找与当前环境最为相似的一个案例，然后用该案例与当前环境进行匹配，优化工作的参数，并把当前环境和优化的参数作为新的案例存储到案例库中。Soar作为一种人工智能系统的开发工具，可以实现案例推理功能，并可以基于案例进行学习，国内已有学者基于Soar和GUN Radio软件无线电平台开发出认知无线电原型系统。
3.3 遗传算法 遗传算法借鉴生物进化和遗传的生物学原理，可用于解决目标优化问题，即找到一组参数（基因）使得目标函数最大化。其基本原理是根据求解问题的目标构造适值函数，使初始种群通过杂交和变异不断选择好的适值进行繁殖，并最终得到最优解。遗传算法同样可以作为认知无线电的决策方法[6,8]：可以把无线电类比为一个生物系统，将无线电的特征定义为一个染色体，染色体的每个基因对应无线电一个可变的参量，比如发射功率、频率、带宽、纠错编码方法、调制算法和帧结构等等，这样就可以通过遗传算法的进化来得到满足用户需求和适应环境变化的系统配置参数。
4 神经网络在认知无线电中的应用
对于人工神经网络的研究源于对人类大脑思维过程的模拟，在很多领域，神经网络已经有了广泛的应用。下面将详细介绍神经网络在认知无线电中的应用。
4.1 神经网络简介 1943年神经物理学家W.McCulloch和逻辑学家W.Pits在对人脑的研究中提出了人工神经网络。目前人工神经网络作为一种人工智能技术主要基于统计评估、优化和控制理论。人工神经网络由用以模拟生物神经元的大量相连的人工神经元组成，主要用于解决人工智能领域的一些复杂问题，比如机器学习。根据网络结果和训练方法的不同，人工神经网络可以分为多种类型，以适应多种的应用需求[7]。多层线性感知器网络（MLPN）：MLPN由多层神经元构成，每一个神经元都是上一层神经元输出的线性组合。一般这种线性组合的权值在训练前是随机生成的，并且可以随着训练不断的更新。更新的方法有多种，如后向传播（BP）、遗传算法等。其训练方法的性能将由其网络规模和应用场景决定。非线性感知器网络（NPN）：NPN是利用对每个神经元的输入平方或两两相乘的方法将非线性引入神经网络使其可以对动态变化的训练数据进行更好的拟合。但NPN的网络结构需要根据训练数据进行调整，另外如果采用BP方法进行训练会使网络收敛缓慢而导致处理时间过长。径向基函数网络（RBFN）：RBFN和NPN类似，不同的只是其非线性的引入是在隐含层利用径向基函数实现非线性映射，这可以防止网络收敛到局部最小值。
4.2 应用举例 由于神经网络可以动态的自适应和实时的训练，因此可以对系统的各种模式、参数、属性等进行“学习”，并“记住”这些事实，当系统有了新的输入和输出时，可以进行实时的训练来记忆新的事实。这正符合了认知无线电认知功能的需求，因此神经网络在认知无线电中有着广泛的应用前景。下面就列举一些神经网络在认知无线电中的应用[9-12]。神经网络可以用于认知无线电的频谱感知，例如利用基于神经网络的分类器可以根据信号的循环平稳特性或者频谱特性等对信号进行分类。神经网络还可用于无线电参数的自适应决策和调整，神经网络可以根据当前信道质量和用户需求等所确定的优化目标选择无线电参数。另外神经网络还可以对无线电系统的各种性能进行预测，神经网络可以记忆不同无线环境不同无线参数所达到的系统性能，比如误码率、吞吐量、时延等等，从而对未来可能产生的系统性能进行预测，进而对各种无线参数进行优化。
5 仿真及分析
由于无线环境的开放性，无线系统大都是非线性系统，因此神经网络用于认知无线电也应采用非线性模型。非线性感知器网络（NPN）可以完成认知无线电的学习功能，从而对各种系统性能进行预测，下面就通过一个具体例子来仿真基于NPN的误码率性能预测。
5.1 仿真模型 NPN由三层节点构成：输入层、隐含层和输出层。隐含层通常只有一层神经元，本文在此基础上扩展了隐含层的层数，从而扩大了神经网络的规模，使其具有更好的学习效果。具体的网络结构如图2所示，每个节点都与下一层的所有节点唯一相连，除了输入层节点，其他各层节点称为神经元，具有一个非线性的激活函数，以实现对非线性系统的拟合。本文将采用最为常用的非线性激活函数――S函数，即：f
神经网络的训练将采用BP方法，具体算法如下：
③根据RMS误差决定是否调整权值，直到RMS误差或者迭代次数达到停止要求。
5.2 仿真场景 仿真场景的设置将根据上面提出通用认知引擎架构进行编排。首先认知引擎要收集各种数据。WiMax可以根据信道质量调整其调制编码模式等无线电参数，因此将作为通用认知引擎架构中的可重配置的无线电平台将系统的误码率性能实时上报给认知引擎；信噪比作为无线环境的表征可通过感知器进行收集；编码速率作为用户对业务的需求可通过用户接口上报给认知引擎。然后认知引擎内基于NPN的学习机就可以对这些数据进行训练了，训练的方法如上节所述。最后训练好的神经网络就可以根据无线环境和用户需求对系统的误码率进行实时的预测，从而调整认知无线电的各种操作参数。
5.3 仿真结果及分析 由于对神经网络模型的隐含层进行了扩展，首先验证一下改进的模型性能是否有所提升。仿真结果如图3所示，分别仿真了具有2层、3层和4层神经元的NPN的收敛性能。其中2层模型是没有经过改进的，其收敛速度最快，但RMS误差较三层模型差；3层模型虽然收敛速度稍慢，但收敛的RMS误差最低；4层模型的网络规模最大，因此收敛速度最慢，但其RMS误差收敛的并不是最低，这是由于神经网络的规模应该与训练数据的规模相适应，过大的网络规模反而不会得到很好的收敛性能。折中考虑，在后续误码率预测仿真中，将采用3层神经元模型的NPN对数据进行训练。
如图4所示，利用3层神经元模型分别对WiMax场景下的64QAM、16QAM、QPSK和BPSK的误码率性能进行了预测。从预测结果和实际的仿真结果的比较可以显示，随着调制模式的升高，预测的性能将越来越好。
6 结束语
本文主要介绍了人工智能技术在认知无线电中的应用，并通过人工神经网络进行举例，从仿真的结果可以看出神经网络在认知无线电中应用的可能性。人工智能技术在认知无线电领域的应用还有着广阔的研究前景，应该积极探索更多的人工智能技术在认知无线电中应用。但也并非所有的人工智能技术都适用于认知无线电的开发和应用，应在研究中有所选择把握方向。不同的应用场景也对人工智能技术提出了不同的需求，找到适用于相应场景的人工智能技术也很重要。未来的工作应更多的考虑一些实际的应用，让无线通信系统可以真正的像人一样思考。
参考文献：
[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.
神经网络在人工智能的应用范文第3篇
当你用谷歌搜索东西、使用地图软件、在亚马逊上购物，或者对智能手机中的语音识别软件说话，其实都在使用人工智能。当你登录到Facebook，欣赏那些可爱的婴儿照片，人工智能都在塑造你的体验。
所有这些应用的背后都使用了算法，算法本质上是形成分析过程的一组规则，能够对变量输入做出响应。如今的算法，尤其是来自亚马逊和Facebook等巨头的算法，响应速度快，还不断学习。它们事先经过编程，可采集来自用户的更准确的响应；也就是说，结果是为控制算法的那些厂商服务的。
了解和响应
当你在亚马逊上购物时，算法在后台基于一个包含众多购买模式的庞大数据库，执行异常高级的运算，之后决定将什么产品展示在你面前。它实时响应你的点击轨迹。
你可能觉得，有一个活生生的私人购物助手是最好不过的选择；她了解潮流，对你本人很了解。可是人工智能技术厂商Ayasdi的首席营销官丹尼尔・德鲁克（Daniel Druker）表示，这样的私人购物助手与亚马逊没法比。亚马逊“利用人工智能，结合你之前的购买活动，从100万件商品中推测眼下哪些商品最能吸引你的眼球。没有哪个人能做到这一点。”
在Facebook上，出现在你个人动态（feed）中的朋友不多，那是因为Facebook的人工智能算法知道：你受不了个人动态内容太多的情况。于是，Facebook使用人工智能，对你关于私人关系圈的讯号做出敏感的反应，打造你的个人动态，建立起一种更有效的情感联系。要是你以为人工智能冷若冰霜、缺乏人情味，Facebook用它来窥视你的内心（以及Facebook另外12.3亿日常用户的内心）。它威力强大，说Facebook人工智能影响了美国总统大选毫不为过。
尽管人工智能目前具有巨大的影响力，但它仍被看作是太过遥远的一项神奇技术。人工智能技术厂商Sentient Technologies的创始人兼首席科学家巴巴克・霍加特 （Babak Hodjat）说：“算法或应用有多诱人、多新潮、多强大，并不重要。我常常出去介绍这些系统时，人们总是会说‘是的，那很智能、那很酷，但这不是人工智能。’”
人们之所以会有这种怀疑，是因为“普通公众而非从业人士常常误以为人工智能是包含情感智能、创造力、自主性等一系列能力的人类级一般智能。”霍加特说，因而，人工智能“总是被认为是我们会发明的下一大技术。我认为，今后10年至15年还会是这种情况。”
他表示，在许多当前的应用中，人工智能比人类更强大。“你只要说一个方面，我可以告诉你这个方面是如何实施的、如何比人类更强大。起码，人工智能运行起来更快，所以当下人工智能的决策和行动周期要比人类响应世界的速度快得多。”
人工智能在过去几年得到了突飞猛进的发展。百度硅谷人工智能实验室主任亚当・科茨（Adam Coates）说：“这在10年前是很难实现的。当然，未来几年，我们认为在人类非常擅长处理、但计算机向来不擅长的许多问题上，人工智能会取得巨大进展。比如说，识别图像中的实体，或者理解语音、对口语做出响应，那些是深度学习和人工智能技术在未来几年会持续改进的问题。”
推动与向前
什么功能在推动这些进展？人工智能必须获得什么样的功能才能向前发展？
皮特・阿贝尔（Pieter Abbeel）是加州大学伯克利分校的计算机科学系教授，也是人工智能教育初创公司Gradescope的联合创始人。他表示，首先，人工智能系统需要能够在没有人类干预的情况下自主学习。此外，它还在被告知诸如“你从这个角度堆方块，也许效果会更好”之类的信息时，应该有沟通和理解能力。“要是它无法领会这样的信息，我们不会认为它具有真正的智能。”
人类（至少理论上）能够利用过去的经验来推断和处理新环境，在这方面机器人则差的很远。为机器人编程、以便它在有限的环境下提供辅助要容易得多。人工智能科学家们想为机器人编程，以便处理相关的变化。
阿贝尔说：“它们需要运用过去获得的经验，推广到不一样但相类似的新场景，了解这种关联性。我对于机器人如何能真正从头开始学会做事很感兴趣。”从头开始学起是人类特有的能力；如果机器人能够真正做到填补其空白，它有望成为独立的个体。
但人工智能机器人的“学习能力”可能有许多不同的方式来定义，一些是很普通的“尝试和奖励”方式，类似于教狗学新花招。比如说，人工智能强化学习可编写机器人的软件，从试错过程中学习。加州大学伯克利分校的BRETT机器人基于行动后奖励的多少来使用强化学习技术。阿贝尔说：“奖励的变化让该机器人得以分辨什么是好的，什么是不好的，进而重点采用获得奖励多的策略。”
与之相仿，人工智能科学家使用监督式学习，为计算机馈送标记输入（这些是猫，这些是狗）的许多实例，并给出明确的目标输出（这是猫还是狗？）。非监督式学习给计算机馈送非标记数据（比如说许多动物的照片），计算机进行分类，或者以其他方式为该数据定义结构模型（这些动物身上的毛比其他这些动物多得多）。科茨表示，非监督式学习是“非常重要的研究热点，因为我们知道人类所做的在很大程度上是非监督式学习。”
人工智能“学习”的核心是神经网络，它类似人类大脑。跟大脑一样，面对更多的输入，神经网络会自我调整。阿贝尔说：“你展示足够多的那些实例，神经网络就会自我调整，说‘针对那个输入，我需要那个输出’；所以，要做到这一点，唯一的途径是，我需要调整联系的部分强度，那样我才能搞好那种对应。所以，在某种意义上，你在训练神经网络时，是让计算机学习它的计算机程序，而不是将计算程序编入到里面。”
科茨解释，不过打造神经网络并非易事。“一大挑战在于，我们不是非常清楚如何仅凭一些非标记、非结构化的数据来训练神经网络。我们不知道如何量化神经网络在处理这些种类的任务中的好坏。等到我们在这方面有了发现，那将是一大进步。但我们还没有到那一步。所以，这离人类智能相差甚远。”
神经网络在人工智能的应用范文第4篇
关键词：无人机 神经网络 控制技术
中图分类号:TP183 文献标识码：A 文章编号：1007-9416(2012)07-0010-01
无人机的核心部分是飞行控制系统。无人机进行自主飞行时,控制系统需要有效地对姿态回路部分和水平位置、高度回路部分进行重点控制，才能保持良好的自主飞行适应性。研究表明，智能技术的发展水平在相当大的程度上决定了自主控制技术的发展水平，人工智能系统若要提高对形势的感应能力和外部环境的理解能力，并作出准确、快速反应，需要以获取信息的完整性和准确性为前提支撑。
研究表明，现代绝大多数控制理论在飞行控制系统设计的应用方面，均表现出一定的优势和劣势。
反步控制的优势在于收敛性方面表现较好，可对具有不确定性的未知扰动进行有效处理，缺点是鲁棒性表现较差。反馈线性化的优势在于设计灵活，缺点是对数学模型建立的精确性要求较高，且不能处理具有不确定性的未知扰动。采用变结构的滑模控制技术优势在于响应快捷，且所建数学模型的精确性要求不高，对外部不确定性扰动反应不敏感，缺点是需要进一步提高抖振现象的解决能力。在计算机技术和人工智能技术的发展带动下，人工智能应用于无人机控制系统已具备一定的技术基础，特别是神经网络技术，因其具有良好的学习和推理能力，所以应用最为广泛。本文以无人机的飞行控制应用为中心,重点分析了神经网络技术应用于智能控制的最新成果，为今后的深入研究提供一定的基础支撑。
1、神经网络PID控制技术
PID控制器鲁棒性表现较好，结构相对简单，广泛应用于典型无人机控制系统设计中。但是经典PID对于具有非线性特性的多变量系统，其处理能力较差，不能有效提升系统的抗外扰能力，特别是系统参数变化摄动时，其鲁棒性表现较差，致使系统的飞行动态控制能力较差。近年来，以神经网络智能控制技术的快速发展为支撑，神经网络智能控制技术开始和常规PID控制相融合，优化形成了两种类型的神经网络PID控制器。一种为神经元网络PID控制器，该控制器在传统PID控制器的基础上，融合加入了一个神经元网络控制器，对PID参数进行优化确定;另一种是单神经元PID控制器，它用神经元输入权值跟PID参数进行一一对应，该输入值为经比例、积分、微分处理后的偏差值。
1.1 采用神经元网络确定PID控制器参数
神经网络控制器通过对被控对象建立反向模型，构成前馈控制器。神经网络控制器首先学习PID控制器的输出，而后在线进行调整，尽量使反馈误差趋零化，逐步提升自身在系统控制中的主导作用，最终替换反馈控制器的相应作用，但PID反馈控制器继续存在，没有消失。当系统受到外部干扰扰动时，PID反馈控制器可继续发挥作用。采用神经元网络确定PID控制器参数的技术实际上是一种前馈加反馈的特殊控制技术，该技术在提高了系统精度的情况下，同时提高了系统的自适应能力，增强了系统的控制稳定性，改善了控制系统的鲁棒性能。其典型控制原理如图1所示
1.2 单神经元PID控制
该种类型的自适应控制器依靠调整加权系数完成自适应和自组织，采用有监督Hebb学习规则对加权系数进行调整。单神经元PID控制器采用具有明确物理意义的算法组织学习，结构也较简单，在环境变化适应性方面，呈现出较好的鲁棒性。其劣势在于由于该种类型控制器为单神经元结构，因此不具备任意函数逼近的能力。
2、自适应神经网络控制技术
针对任意一个非线性连续函数，人工神经网络因具有较强的自学习能力，所以能以任意精度要求逼近，且能够完成并行处理，实现万能函数逼近功能。与传统查表法对比,人工神经网络进行计算时间较短，且不需要大内存容量，在对相邻两个训练点之间的点进行插值计算时，不需要额外的计算消耗。相比典型的自适应线性控制器，研究表明，人工神经网络能够获得较好的期望性能，表现出相对较高的自适应非线性控制能力。人工神经网络能够实现对非线性对象的有效控制，对不确定对象的有效控制，且抗环境干扰能力较强，因此特别适合于实现自适应自主飞行控制。
人工神经网络应用于自适应飞行控制的基本原理为:对飞行器模型进行近似线性化处理，尔后对该控制器添加人工神经元网络,通过逆转换完成非线性控制功能，对飞行中的动态误差，自适应消除其影响，有效提升系统响应。该种类型的神经网络控制器通过在线提升自适应能力,在一定程度上改善了风洞数据依赖度，对动态先验知识的需求也进一步降低,从而减少了飞行控制系统的研发费用。
3、结语
研究表明，常规PID控制器虽然结构较简单，可靠性能表现较好，呈现出良好的鲁棒性，但其缺少自学习、自组织、自适应的能力，这些能力恰恰是神经网络控制器的智能优势。但神经网络也具有一定的缺点，表现为收敛速度较慢，个别情况下不能搜索到全局最优解等。神经网络利用自身较强的并行处理能力和自然容错特性，对非线性飞行系统能够进行较好的智能处理，有效降低了逆误差，可以精确获取无人机控制模型，鲁棒性表现优异。
目前，已在无人机上进行应用的神经网络算法主要是与PID算相融合的智能算法。今后，将自适应控制和神经网络智能控制相结合的控制算法将逐步进入飞行控制实践技术行列,从而大副提升无人机应对不确定环境和复杂问题的能力,真正实现自主飞行。
参考文献
神经网络在人工智能的应用范文第5篇
关键词：人工智能；传统绘画艺术；艺术审美；大数据
传统绘画艺术从地域上来说可以简单的分为中国传统绘画艺术以及西方传统绘画艺术。中国传统绘画多讲究神韵，跃然纸上的色彩和线条都颇具象征性，画家所呈现出的往往是一种意境。传统的西方绘画在文艺复兴时期达到了鼎盛的状态，从画面结构来说比中国传统绘画更注重科学与现实的结合。透视，几何，材料等概念的灵活运用使画作在画家笔下达到了一种均衡的美。无论是中西哪种绘画都需要借用笔，刀等工具，通过墨，颜料等绘画材料，在纸，木板，织物等平面工具上，通过构图、造型和颜色等表现手法，创造出可视的形象。
人工智能（Artificial Intelligence AI）是一门技术科学，主要研究用机器模仿人类的思维、感知等智能活动，用理论、方法、技术及应用系统使机器能够代替人类做复杂的智力劳动。
传统绘画与人工智能作为人类智慧活动的两个方向有着各自不同的特性，但随着科学技术的大力发展，艺术家与科学家在各自不同的领域越来越意识到两者的共同性。人工智能技术在传统绘画上的应用，把科学技术与传统绘画有机地结合在了一起，为创造和传播传统绘画艺术提供了先进的方式，大数据的支持，为传统绘画领域带来了新变革。
一、人工智能下传统绘画艺术的发展与创作
早期用来表现传统绘画的新媒体方式多采用了数字化复刻绘画，或者通过动漫、电影、摄影等方式来表F。融入人工智能技术后，传统绘画艺术就范围来说仍然属于新媒体艺术的一个组成部分，但却呈现出了多样的变化。
自1973年始，Harold Cohen（画家，San Diego加州大学教授）所编译的电脑程序“AARON”就开始了自动绘画的过程。
2013年，电脑程序“The Painting Fool”，在巴黎举办了展览会，新闻媒体竞相报道，其中部分作品花了多年时间创作。从形式上来说这就是一场传统意义上的艺术作品展。
年初Google旗下的深度学习神经网络研究小组通过算法教会计算机自主创作绘画的能力。Google称其为Deep Dream。本次绘画作品展引来了大批对科技与现代艺术感兴趣的观众。最终，由人工智能创作的绘画被一位专业的拍卖商拍下，最高单幅的价格甚至达到了八千美元。在Deep Dream的创作中主体内容包括了各种天马行空的海景，漩涡；风格奇幻的城堡以及各种拥有三头六臂的动物。从风格上看接近法国的后期印象派，有轮廓但不具体，有缤纷的色彩，但却不是客观物体原来的色彩，然而整幅画面的跃动感却似乎能表达出作者的主观情感。
此外，受众们可以利用公开的代码，编译出属于自己的Deep Dream图像，艺术家的灵感有时来源于对某一物体的想象。Deep Dream正是从这个方面折射出了人类的创造力和想象力。
人工智能创作传统绘画不得不提到两个概念，即深度学习和神经网络。2006年，杰弗里・希尔顿等人提出了深度学习的概念。深度学习是人工智能学科下的一个分支，通过编译教导计算机进行无监督学习，以此来解决深层优化的问题。深度学习概念是目前人工智能像人脑一样处理数据的关键算法。
人工神经网络，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。（百度百科）
Deep Dream中的画作即是由人工神经网络创作，也就是用软件模拟大脑神经元处理信息的方式。软件先要接受大数据训练，通过分析数百万个大数据后才能识别图像中的物体。在Deep Dream创作绘画的过程中，程序先向神经网络输入一张图片，然后由神经网络进行自我调整，软件之前已经有了数据库，神经网络要从中寻找出与数据库中物体相似的地方再进行编译，于是一幅人工智能画作就完成了。
二、人工智能下的传统绘画艺术传播的文化价值
人工智能创作的绘画在传播时呈现了两级分化的局面，一方面有人高价收购人工智能绘画，而另一方面，有人却对这样的迷幻风格难以接受。暂不论人工智能绘画的画作质量，在文化价值上，人工智能绘画是否能算是创作并且富有感染力吗？
绘画创作就其动机来说存在多种类别，有的是有感于情境而创作，作者将情感上的汇集融入绘画作品；有的是为特定目的而创作，比如早期石刻的农耕渔织狩猎图等；还有的画作则是为了宣扬宗教观念，教育宗教信徒而创作。由此可见，在这些创作动机中，既存在单纯表达情感思想的艺术，也有为传播特定信息的艺术，还有为将宗教观念具象化，通过绘画创作更直观的进行表达的艺术。在评论艺术的本质时，有感于情境而作的绘画创作更接近绘画艺术的本质，在这种绘画艺术作品中可能包含了普遍的对人类情感及相关价值观的探索。或许，人工智能下的绘画艺术应该独立成为一个门类，毕竟相较于人工智能的逻辑化、程序化。绘画艺术应是属于人类展现天赋，表达情感的领域。
传统绘画艺术诞生至今，文化价值的体现皆是因为画作中的主体性、不确定性、奇思妙想，抽象感知展现了人类灵魂深处的情感。
三、人工智能下传统绘画艺术的传播
绘画作品具有其独特的传播的功能，首先绘画是一种是具备信息承载能力和传播能力的传播介质。其次，绘画作品中的内在感染力以及受众欣赏过程中能动的二次创作也为传统绘画作品的传播提供了动因。此外，经济基础决定上层建筑，随着人们物质水平的逐年提高，越来越多的人们走进博物馆，美术馆，艺术长廊等多种艺术场所，借由这些渠道了解艺术，欣赏艺术，以此来满足精神需求的增长，由此可见，当下艺术产业领域正受到各方的重视。然而现代社会，艺术生产与艺术消费市场分离的局面，也使传统绘画作品的传播成为必然趋势。
对艺术信息产生情感反馈是人类独有的思维和能力，通过人工智能的神经网络以及大数据分析不仅能创作绘画，还能对传统的绘画艺术作品进行分析判断，继而整理出一套基于大数据分析的传播方案。这样的方案是否可行呢，在当今这个信息爆炸以及媒介去中心化的时代下，越来越多的受众通过各种方式接触到传统绘画艺术，因此当受众面临绘画艺术鉴赏时，便产生了选择障碍。
传统的绘画艺术传播是指在艺术创作和鉴赏阶段所形成的人内信息交流。它的传播模式分为人际传播，把关人推荐和群体传播等。这些传统的传播方式经过多年来的验证确实具有一定的实际意义的，但在针对个体差异上的分类推荐却不是很明显，面对庞大的信息量以及高度差异化的传播需求，如今传统的艺术传播方式，其可行性正在逐渐下降。而人工智能应用于艺术传播，通过云计算可以精确而高效地分析和处理艺术信息。并且通过庞大的大数据资源加强索引优势，速度与精度的大幅度提升正是传统的艺术传播过程中所缺失的。
τ诨婊艺术来说，千人千面，每个人都有自己独到的理解，同一件作品可能有的人喜爱，而有的人无感，在海量绘画作品中筛选出针对目标受众的艺术作品，尤其是不具备绘画专业知识的受众在面对诸多绘画作品时，往往会没有头绪，不知如何进行选择和鉴赏。
四、结语
在人工智能传播传统绘画作品时，受众并不纯粹只是受者，而是具备了双重身份，由被动的欣赏者转变为了主动的创作者。借助神经网络，每个人都具备通过绘画表达内心情感的能力。虽然当前的人工智能下传统绘画艺术的发展还存在这一定的不确定性，但是相信随着人工智能技术的高速发展，今后人工智能创作的绘画一定会在现今的绘画领域独树一帜。此外人工智能的神经网络尚不能对所有绘作品充分理解，但是在速度和精度方面却得到了很大的提升，如果再结合当下其他一些完善的学科，比如结合个体信息，设计心理学，消费学，历史学，哲学等多方位的研究。人工智能系统就能根据受众的个人信息等预测处其的欣赏层次以及需求推荐给受众相应的作品。
人工智能使传统的绘画艺术具备了无限延伸的维度空间和各种难以预料的不确定性，颠覆了传统的绘画传播体系，实现了传统绘画艺术最本质的创作与传播。
【参考文献】
[1]陈端端.艺术传播的人工智能应用需求研究[D].东南大学，2014.
[2]刘峰.传统绘画艺术的新媒体传播研究[D].山东大学，2012.
[3]李连德.一本书读懂人工智能（图解版）[M].北京：人民邮电出版社，2016.
[4]李同娟.人工智能能否创造艺术[D].中国传媒大学，2015.
[5]郭全中.大数据时代下的智能传播及其盈利模式，2015（01）：15-19.
