機器學(xué)習(xí)研究現(xiàn)狀與發(fā)展趨勢.doc

資料收集于網(wǎng)絡(luò) 如有侵權(quán)請聯(lián)系網(wǎng)站 刪除 謝謝 機器學(xué)習(xí)研究現(xiàn)狀與發(fā)展趨勢計算機科學(xué)與軟件學(xué)院 引言:機器能否象人類一樣能具有學(xué)習(xí)能力呢？1959年美國的塞繆爾(Samuel)設(shè)計了一個下棋程序，這個程序具有學(xué)習(xí)能力，它可以在不斷的對奕中改善自己的棋藝。4年后，這個程序戰(zhàn)勝了設(shè)計者本人。又過了3年，這個程序戰(zhàn)勝了美國一個保持8年之久的常勝不敗的冠軍。這個程序向人們展示了機器學(xué)習(xí)的能力，提出了許多令人深思的社會問題與哲學(xué)問題。 機器學(xué)習(xí)的研究是根據(jù)生理學(xué)、認知科學(xué)等對人類學(xué)習(xí)機理的了解，建立人類學(xué)習(xí)過程的計算模型或認識模型，發(fā)展各種學(xué)習(xí)理論和學(xué)習(xí)方法，研究通用的學(xué)習(xí)算法并進行理論上的分析，建立面向任務(wù)的具有特定應(yīng)用的學(xué)習(xí)系統(tǒng)。這些研究目標(biāo)相互影響相互促進。機器學(xué)習(xí)是關(guān)于理解與研究學(xué)習(xí)的內(nèi)在機制、建立能夠通過學(xué)習(xí)自動提高自身水平的計算機程序的理論方法的學(xué)科。近年來機器學(xué)習(xí)理論在諸多應(yīng)用領(lǐng)域得到成功的應(yīng)用與發(fā)展，已成為計算機科學(xué)的基礎(chǔ)及熱點之一。機器學(xué)習(xí)是繼專家系統(tǒng)之后人工智能應(yīng)用的又一重要研究領(lǐng)域，也是人工智能和神經(jīng)計算的核心研究課題之一?，F(xiàn)有的計算機系統(tǒng)和人工智能系統(tǒng)沒有什么學(xué)習(xí)能力，至多也只有非常有限的學(xué)習(xí)能力，因而不能滿足科技和生產(chǎn)提出的新要求。對機器學(xué)習(xí)的討論和機器學(xué)習(xí)研究的進展，必將促使人工智能和整個科學(xué)技術(shù)的進一步發(fā)展 。一.機器學(xué)習(xí)的發(fā)展史機器學(xué)習(xí)是人工智能研究較為年輕的分支，它的發(fā)展過程大體上可分為4個時期。 第一階段是在50年代中葉到60年代中葉，屬于熱烈時期。 第二階段是在60年代中葉至70年代中葉，被稱為機器學(xué)習(xí)的冷靜時期。 第三階段是從70年代中葉至80年代中葉，稱為復(fù)興時期。 機器學(xué)習(xí)的最新階段始于1986年。 機器學(xué)習(xí)進入新階段的重要表現(xiàn)在下列諸方面： (1) 機器學(xué)習(xí)已成為新的邊緣學(xué)科并在高校形成一門課程。它綜合應(yīng)用心理學(xué)、生物學(xué)和神經(jīng)生理學(xué)以及數(shù)學(xué)、自動化和計算機科學(xué)形成機器學(xué)習(xí)理論基礎(chǔ)。 (2) 結(jié)合各種學(xué)習(xí)方法，取長補短的多種形式的集成學(xué)習(xí)系統(tǒng)研究正在興起。特別是連接學(xué)習(xí)符號學(xué)習(xí)的耦合可以更好地解決連續(xù)性信號處理中知識與技能的獲取與求精問題而受到重視。 (3) 機器學(xué)習(xí)與人工智能各種基礎(chǔ)問題的統(tǒng)一性觀點正在形成。例如學(xué)習(xí)與問題求解結(jié)合進行、知識表達便于學(xué)習(xí)的觀點產(chǎn)生了通用智能系統(tǒng)SOAR的組塊學(xué)習(xí)。類比學(xué)習(xí)與問題求解結(jié)合的基于案例方法已成為經(jīng)驗學(xué)習(xí)的重要方向。 (4) 各種學(xué)習(xí)方法的應(yīng)用范圍不斷擴大，一部分已形成商品。歸納學(xué)習(xí)的知識獲取工具已在診斷分類型專家系統(tǒng)中廣泛使用。連接學(xué)習(xí)在聲圖文識別中占優(yōu)勢。分析學(xué)習(xí)已用于設(shè)計綜合型專家系統(tǒng)。遺傳算法與強化學(xué)習(xí)在工程控制中有較好的應(yīng)用前景。與符號系統(tǒng)耦合的神經(jīng)網(wǎng)絡(luò)連接學(xué)習(xí)將在企業(yè)的智能管理與智能機器人運動規(guī)劃中發(fā)揮作用。 (5) 與機器學(xué)習(xí)有關(guān)的學(xué)術(shù)活動空前活躍。國際上除每年一次的機器學(xué)習(xí)研討會外，還有計算機學(xué)習(xí)理論會議以及遺傳算法會議。二.機器學(xué)習(xí)分類 1、基于學(xué)習(xí)策略的分類學(xué)習(xí)策略是指學(xué)習(xí)過程中系統(tǒng)所采用的推理策略。一個學(xué)習(xí)系統(tǒng)總是由學(xué)習(xí)和環(huán)境兩部分組成。由環(huán)境（如書本或教師）提供信息，學(xué)習(xí)部分則實現(xiàn)信息轉(zhuǎn)換，用能 夠理解的形式記憶下來，并從中獲取有用的信息。在學(xué)習(xí)過程中，學(xué)生（學(xué)習(xí)部分）使用的推理越少，他對教師（環(huán)境）的依賴就越大，教師的負擔(dān)也就越重。學(xué)習(xí) 策略的分類標(biāo)準(zhǔn)就是根據(jù)學(xué)生實現(xiàn)信息轉(zhuǎn)換所需的推理多少和難易程度來分類的，依從簡單到復(fù)雜，從少到多的次序分為以下五種基本類型：（）機械學(xué)習(xí)學(xué)習(xí)者無需任何推理或其它的知識轉(zhuǎn)換，直接吸取環(huán)境所提供的信息。如塞繆爾的跳棋程序，紐厄爾和西蒙的LT系統(tǒng)。這類學(xué)習(xí)系統(tǒng)主要考慮的是如何索引存貯的 知識并加以利用。系統(tǒng)的學(xué)習(xí)方法是直接通過事先編好、構(gòu)造好的程序來學(xué)習(xí)，學(xué)習(xí)者不作任何工作，或者是通過直接接收既定的事實和數(shù)據(jù)進行學(xué)習(xí)，對輸入信息 不作任何的推理。（）示教學(xué)習(xí)學(xué)生從環(huán)境（教師或其它信息源如教科書等）獲取信息，把知識轉(zhuǎn)換成內(nèi)部可使用的表示形式，并將新的知識和原有知識有機地結(jié)合為一體。所以要求學(xué)生有一定程 度的推理能力，但環(huán)境仍要做大量的工作。教師以某種形式提出和組織知識，以使學(xué)生擁有的知識可以不斷地增加。這種學(xué)習(xí)方法和人類社會的學(xué)校教學(xué)方式相似， 學(xué)習(xí)的任務(wù)就是建立一個系統(tǒng)，使它能接受教導(dǎo)和建議，并有效地存貯和應(yīng)用學(xué)到的知識。目前，不少專家系統(tǒng)在建立知識庫時使用這種方法去實現(xiàn)知識獲取。示教 學(xué)習(xí)的一個典型應(yīng)用例是FOO程序。（3）演繹學(xué)習(xí)學(xué)生所用的推理形式為演譯推理。推理從公理出發(fā)，經(jīng)過邏輯變換推導(dǎo)出結(jié)論。這種推理是保真變換和特化(specialization)的過程，使學(xué)生 在推理過程中可以獲取有用的知識。這種學(xué)習(xí)方法包含宏操作(macro-operation)學(xué)習(xí)、知識編輯和組塊(Chunking)技術(shù)。演繹推理的 逆過程是歸納推理。（4）類比學(xué)習(xí)利用二個不同領(lǐng)域（源域、目標(biāo)域）中的知識相似性，可以通過類比，從源域的知識（包括相似的特征和其它性質(zhì)）推導(dǎo)出目標(biāo)域的相應(yīng)知識，從而實現(xiàn)學(xué)習(xí)。類比 學(xué)習(xí)系統(tǒng)可以使一個已有的計算機應(yīng)用系統(tǒng)轉(zhuǎn)變?yōu)檫m應(yīng)于新的領(lǐng)域，來完成原先沒有設(shè)計的相類似的功能。類比學(xué)習(xí)需要比上述三種學(xué)習(xí)方式更多的推理。它一般要 求先從知識源（源域）中檢索出可用的知識，再將其轉(zhuǎn)換成新的形式，用到新的狀況（目標(biāo)域）中去。類比學(xué)習(xí)在人類科學(xué)技術(shù)發(fā)展史上起著重要作用，許多科學(xué)發(fā) 現(xiàn)就是通過類比得到的。例如著名的盧瑟福類比就是通過將原子結(jié)構(gòu)（目標(biāo)域）同太陽系（源域）作類比，揭示了原子結(jié)構(gòu)的奧秘。（）基于解釋的學(xué)習(xí)學(xué)生根據(jù)教師提供的目標(biāo)概念、該概念的一個例子、領(lǐng)域理論及可操作準(zhǔn)則，首先構(gòu)造一個解釋來說明為什該例子滿足目標(biāo)概念，然后將解釋推廣為目標(biāo)概念的一個 滿足可操作準(zhǔn)則的充分條件。EBL已被廣泛應(yīng)用于知識庫求精和改善系統(tǒng)的性能。著名的EBL系統(tǒng)有迪喬恩（G.DeJong）的GENESIS, 米切爾（T.Mitchell）的LEXII和LEAP, 以及明頓（S.Minton）等的PRODIGY。（）歸納學(xué)習(xí)in charge 主管；看管歸納學(xué)習(xí)是由教師或環(huán)境提供某概念的一些實例或反例，讓學(xué)生通過歸納推理得出該概念的一般描述。這種學(xué)習(xí)的推理工作量遠多于示教學(xué)習(xí)和演繹學(xué)習(xí)，因為環(huán)境 并不提供一般性概念描述（如公理）。從某種程度上說，歸納學(xué)習(xí)的推理量也比類比學(xué)習(xí)大，因為沒有一個類似的概念可以作為源概念加以取用。歸納學(xué)習(xí)是最 基本的，發(fā)展也較為成熟的學(xué)習(xí)方法，在人工智能領(lǐng)域中已經(jīng)得到廣泛的研究和應(yīng)用。2.按應(yīng)用領(lǐng)域分類目前最主要的應(yīng)用領(lǐng)域有: 專家系統(tǒng)、認知模擬、規(guī)劃和問題求解、數(shù)據(jù)挖掘、網(wǎng)絡(luò)信息服務(wù)、圖象識別、故障診斷、自然語言理解、機器人和博弈等領(lǐng)域。從機器學(xué)習(xí)的執(zhí)行部分所反映的任務(wù)類型上看，目前大部分的應(yīng)用研究領(lǐng)域基本上集中于以下兩個范疇：分類和問題求解。（1）分類任務(wù)要求系統(tǒng)依據(jù)已知的分類知識對輸入的未知模式（該模式的描述）作分析，以確定輸入模式的類屬。相應(yīng)的學(xué)習(xí)目標(biāo)就是學(xué)習(xí)用于分類的準(zhǔn)則（如分類規(guī)則）。（2）問題求解任務(wù)要求對于給定的目標(biāo)狀態(tài),?尋找一個將當(dāng)前狀態(tài)轉(zhuǎn)換為目標(biāo)狀態(tài)的動作序列；機器學(xué)習(xí)在這一領(lǐng)域的研究工作大部分集中于通過學(xué)習(xí)來獲取能提高問題求解效率的知識（如搜索控制知識，啟發(fā)式知識等）。三.機器學(xué)習(xí)技術(shù)的發(fā)展趨勢從目前研究趨勢看，機器學(xué)習(xí)今后主要的研究方向如下：1)人類學(xué)習(xí)機 制的研究：2)發(fā)展和完善現(xiàn)有學(xué)習(xí)方法，同時開展新的學(xué)習(xí)方法的研究：3)建立實用的學(xué)習(xí)系統(tǒng)，特別是開展 多種學(xué)習(xí)方法協(xié)同工作的集成化系統(tǒng)的研究：4)機器學(xué)習(xí)有關(guān)理論及應(yīng)用的研究機器學(xué)習(xí)是繼專家系統(tǒng)之后人工智能應(yīng)用的又一重要研究領(lǐng)域，也是人工智能和神經(jīng)計算的核心研究課題之一。現(xiàn)有的計算機系統(tǒng)和人工智能系統(tǒng)沒有什么學(xué)習(xí)能力，至多也只有非常有限的學(xué)習(xí)能力，因而不能滿足科技和生產(chǎn)提出的新要求。對機器學(xué)習(xí)的討論和機器學(xué)習(xí)研究的進展，必將促使人工智能和整個科學(xué)技術(shù)的進一步發(fā)展 。結(jié)論我發(fā)現(xiàn),機器學(xué)習(xí)是繼專家系統(tǒng)之后人工智能應(yīng)用的又一重要研究領(lǐng)域，也是人工智能和神經(jīng)計算的核心研究課題之一。現(xiàn)有的計算機系統(tǒng)和人工智能系統(tǒng)沒有什么學(xué)習(xí)能力，至多也只有非常有限的學(xué)習(xí)能力，因而不能滿足科技和生產(chǎn)提出的新要求。對機器學(xué)習(xí)的討論和機器學(xué)習(xí)研究的進展，必將促使人工智能和整個科學(xué)技術(shù)的進一步發(fā)展 。從目前研究趨勢看，機器學(xué)習(xí)今后主要的研究方向如下：1)人類學(xué)習(xí)機 制的研