论文部分内容阅读
摘 要：人工智能类似人类的认知能力，能感知并做出推理和计划。深度学习依靠机器从数据中获得知识，包括模式识别，数据挖掘和优化。神经网络模拟人类大脑中神经元的网络。将神经网络算法应用于手写数字识别，是基本的智能化应用。未来的人工智能或将更加深入在金融投资和智能驾驶系统中。
关键词：人工智能，神经网络，反向传播算法，数字识别
随着大数据处理的需要和计算机技术的发展，依靠人工智能技术解决生产和生活中的问题成为了近几年来的新热点。本文首先介绍人工智能的发展历程和研究类别，接着对神经网络的基本原理进行阐述并将其中的BP算法应用于数字识别，最后指出人工智能应用的领域。
1、人工智能的起源与发展过程
1956年夏天，“达特茅斯会议”的主要参与者明斯基，麦卡锡，香农提出了人工智能的概念，其含义就是让计算机能够像人一样思考。在漫长的发展过程中，人工智能大致可分为四个阶段：
第一阶段：上世纪五十年代至六十年代
在这一阶段中，出现了人工智能的雏形，以求解各类特殊的智力问题为特征。明斯基创立了Snare学习机，使机器能基于过去行为的知识预测其当前的结果，目的是学习如何穿过迷宫，这是世界上第一个神经网络模拟器。麦卡锡创立的α-β搜索法应用于编制下棋程序，该算法能减少计算机要考虑的棋步。西蒙和纽厄尔的“逻辑理论家”可以让计算机证明一些逻辑学和几何学定理。
第二阶段：上世纪六十年代
主要成果计算机理解人类自然语言，机器自动回答问题和进行景物分析等通用性问题。西蒙用其创立的信息处理语言（IPL）开发了通用问题求解器。
第三阶段：上世纪七十年代
以模拟人类专家进行科学推理的具有专家水平的程序系统的研制为主要特征。这一阶段的代表是MYCIN（用于细菌感染诊断）、RI（用于计算机配置）、HEARSAT（用于语音识别）的智能系统。
第四阶段：上世纪八十年代
以知识为中心，充分发挥各类专门知识在模拟智能中的特殊作用，针对各实际应用领域，广泛研制各类实用专家系统。以“知识+推理=系统”的新模式，代替长期以来“数据结构+算法=程序”的旧模式，并使知识从程序与数据结构中独立出来，构成专门的“知识库”。
第五阶段：上世纪九十年代至今
随着网络时代的大数据出现，依靠先进芯片，云计算，量子技术应用于机器翻译、语音识别、图像识别等领域。产生了机器学习使其自动从数据中学习知识，源于人工神经网络的深度学习代表是AlphaGo（用于围棋计算）。
2、人工智能的分类
经过半个世纪的发展，依据其智能的先进程度可分为三种：弱人工智能只在特定领域、既定规则中表现强大的智能。强人工智能不受领域规则限制，具有人类同样的创作力和想象力。超级人工智能远超越人类智能。人工智能的研究类别大致可以分为三个学派：
1.逻辑学派（符号主义）：计算机上实现了逻辑演绎系统，其有代表性的成果为启发式程序LT（逻辑理论家），证明了38条数学定理，表明了可以应用计算机研究人的思维过程，模拟人类智能活动。
2.控制论学派（行为主义）：20世纪末以人工智能新学派的面孔出现，把神经系统的的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究。这一学派的代表是布鲁克斯的六足行走机器人。是一个基于感知-动作模式的模拟昆虫行为的控制系统。
3.仿生学派（联结主义）：从神经元开始研究人工智能。它的代表性成果是1943年由生理学家麦卡洛克和数理逻辑学家皮茨创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。
3、人工神经网络的原理与应用
从某种意义上看，人工智能是模仿人脑的功能，而人脑是由大量神经元组成的巨大神经网络。根据生物医学，人脑的神经元基本结构为：胞体、树突和轴突。图3-1。
胞体：神经细胞的本体，完成普通细胞功能。
树突：用于接收来自其他神经元的信号。
轴突：用于输出信号。
突触：各个神经元相联系的特殊部位。
神经元可以处于两种状态：兴奋和抑制。当处于抑制状态时，如果接收其他神经元由突触传来的兴奋电位，多个输入在神经元中以代数和的方式叠加，当兴奋总量超过某个阈值，神经元就被激发进入兴奋状态。处于兴奋状态的神经元会输出脉冲，并通过轴突的突触传递给其他神经元。根据神经元的描述，可以采用数学模型解析人工神经元的机制，如图3-2。
手写像素为28*28数字图片数字0-9分别存放于10个文件夹，将黑底白字的二值图像转化为35维的特征矢量。
每个数字4500张图片用于训练网络，500张用于测试已训练网络的准确率。使用Matlab实现BP网络训练过程。
BP神经网络创建，訓练可以用以下代码实现：
网络训练函数：
net=network_train（train_data，train_label）;
其中包括初始化网络结构：
net=newff（train_data，train_label，layer）;
layer=25;网络隐含层数25
net.trainParam.epochs=1;训练次数
net.trainParam.lr=0.1;网络学习速率
net.trainParam.goal=0.001;训练目标最小误差
net.trainFcn='trainrp';以弹性BP算法修正神经网络
net=train（net，train_data，train_label）;网络训练
使用已训练网络函数测试5000张数字的识别：
predict_label=network_test（test_data，net）;
神经网络训练结果如图6-1所示，经过888次训练，计算误差为0.02849，达到最佳。
使用已训练网络识别数字的正确率达到86.2%。
6、人工智能的应用
人工智能在处理海量信息、应对不确定性方面可以发挥其优势，符合金融投资的不确定性。如应用于股票交易市场上，通过大数据与人工智能，把股市行情中众多繁杂的指标数据进行整合分析，计算出最优的投资策略组合。在人工智能出现之前，这些数据都需要股市分析师自己整理分析，而如今计算机能自行给出基础方案，与普通投资者相比大大提高了投资的准确性。
参考文献
[1] 李彦宏，智能革命：迎接人工智能时代的社会、经济与文化变革.中信出版社，2017
[2] 迈克尔.帕拉斯泽克，斯蒂芬妮.托马斯，Matlab与机器学习.机械工业出版社，2018
[3] 刘衍琦，詹福宇，蒋献文，周华英，Matlab计算机视觉与深度学习实战.中国工信出版集团，2017
关键词：人工智能，神经网络，反向传播算法，数字识别
随着大数据处理的需要和计算机技术的发展，依靠人工智能技术解决生产和生活中的问题成为了近几年来的新热点。本文首先介绍人工智能的发展历程和研究类别，接着对神经网络的基本原理进行阐述并将其中的BP算法应用于数字识别，最后指出人工智能应用的领域。
1、人工智能的起源与发展过程
1956年夏天，“达特茅斯会议”的主要参与者明斯基，麦卡锡，香农提出了人工智能的概念，其含义就是让计算机能够像人一样思考。在漫长的发展过程中，人工智能大致可分为四个阶段：
第一阶段：上世纪五十年代至六十年代
在这一阶段中，出现了人工智能的雏形，以求解各类特殊的智力问题为特征。明斯基创立了Snare学习机，使机器能基于过去行为的知识预测其当前的结果，目的是学习如何穿过迷宫，这是世界上第一个神经网络模拟器。麦卡锡创立的α-β搜索法应用于编制下棋程序，该算法能减少计算机要考虑的棋步。西蒙和纽厄尔的“逻辑理论家”可以让计算机证明一些逻辑学和几何学定理。
第二阶段：上世纪六十年代
主要成果计算机理解人类自然语言，机器自动回答问题和进行景物分析等通用性问题。西蒙用其创立的信息处理语言（IPL）开发了通用问题求解器。
第三阶段：上世纪七十年代
以模拟人类专家进行科学推理的具有专家水平的程序系统的研制为主要特征。这一阶段的代表是MYCIN（用于细菌感染诊断）、RI（用于计算机配置）、HEARSAT（用于语音识别）的智能系统。
第四阶段：上世纪八十年代
以知识为中心，充分发挥各类专门知识在模拟智能中的特殊作用，针对各实际应用领域，广泛研制各类实用专家系统。以“知识+推理=系统”的新模式，代替长期以来“数据结构+算法=程序”的旧模式，并使知识从程序与数据结构中独立出来，构成专门的“知识库”。
第五阶段：上世纪九十年代至今
随着网络时代的大数据出现，依靠先进芯片，云计算，量子技术应用于机器翻译、语音识别、图像识别等领域。产生了机器学习使其自动从数据中学习知识，源于人工神经网络的深度学习代表是AlphaGo（用于围棋计算）。
2、人工智能的分类
经过半个世纪的发展，依据其智能的先进程度可分为三种：弱人工智能只在特定领域、既定规则中表现强大的智能。强人工智能不受领域规则限制，具有人类同样的创作力和想象力。超级人工智能远超越人类智能。人工智能的研究类别大致可以分为三个学派：
1.逻辑学派（符号主义）：计算机上实现了逻辑演绎系统，其有代表性的成果为启发式程序LT（逻辑理论家），证明了38条数学定理，表明了可以应用计算机研究人的思维过程，模拟人类智能活动。
2.控制论学派（行为主义）：20世纪末以人工智能新学派的面孔出现，把神经系统的的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究。这一学派的代表是布鲁克斯的六足行走机器人。是一个基于感知-动作模式的模拟昆虫行为的控制系统。
3.仿生学派（联结主义）：从神经元开始研究人工智能。它的代表性成果是1943年由生理学家麦卡洛克和数理逻辑学家皮茨创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。
3、人工神经网络的原理与应用
从某种意义上看，人工智能是模仿人脑的功能，而人脑是由大量神经元组成的巨大神经网络。根据生物医学，人脑的神经元基本结构为：胞体、树突和轴突。图3-1。
胞体：神经细胞的本体，完成普通细胞功能。
树突：用于接收来自其他神经元的信号。
轴突：用于输出信号。
突触：各个神经元相联系的特殊部位。
神经元可以处于两种状态：兴奋和抑制。当处于抑制状态时，如果接收其他神经元由突触传来的兴奋电位，多个输入在神经元中以代数和的方式叠加，当兴奋总量超过某个阈值，神经元就被激发进入兴奋状态。处于兴奋状态的神经元会输出脉冲，并通过轴突的突触传递给其他神经元。根据神经元的描述，可以采用数学模型解析人工神经元的机制，如图3-2。
手写像素为28*28数字图片数字0-9分别存放于10个文件夹，将黑底白字的二值图像转化为35维的特征矢量。
每个数字4500张图片用于训练网络，500张用于测试已训练网络的准确率。使用Matlab实现BP网络训练过程。
BP神经网络创建，訓练可以用以下代码实现：
网络训练函数：
net=network_train（train_data，train_label）;
其中包括初始化网络结构：
net=newff（train_data，train_label，layer）;
layer=25;网络隐含层数25
net.trainParam.epochs=1;训练次数
net.trainParam.lr=0.1;网络学习速率
net.trainParam.goal=0.001;训练目标最小误差
net.trainFcn='trainrp';以弹性BP算法修正神经网络
net=train（net，train_data，train_label）;网络训练
使用已训练网络函数测试5000张数字的识别：
predict_label=network_test（test_data，net）;
神经网络训练结果如图6-1所示，经过888次训练，计算误差为0.02849，达到最佳。
使用已训练网络识别数字的正确率达到86.2%。
6、人工智能的应用
人工智能在处理海量信息、应对不确定性方面可以发挥其优势，符合金融投资的不确定性。如应用于股票交易市场上，通过大数据与人工智能，把股市行情中众多繁杂的指标数据进行整合分析，计算出最优的投资策略组合。在人工智能出现之前，这些数据都需要股市分析师自己整理分析，而如今计算机能自行给出基础方案，与普通投资者相比大大提高了投资的准确性。
参考文献
[1] 李彦宏，智能革命：迎接人工智能时代的社会、经济与文化变革.中信出版社，2017
[2] 迈克尔.帕拉斯泽克，斯蒂芬妮.托马斯，Matlab与机器学习.机械工业出版社，2018
[3] 刘衍琦，詹福宇，蒋献文，周华英，Matlab计算机视觉与深度学习实战.中国工信出版集团，2017