关于人工智能引擎的最初分析文档
關(guān)于人工智能引擎的最初分析文檔
趙立
1、開(kāi)發(fā)人工智能引擎的目的是什么？其功能定位什么？有什么特色？
希望開(kāi)發(fā)一整套人工智能軟件的開(kāi)發(fā)平臺(tái)，用于解決目前軟件技術(shù)難以處理的智能問(wèn)題，從而能逐漸形成這方面的標(biāo)準(zhǔn)。我認(rèn)為以后軟件方面的技術(shù)變革肯定在于其人工智能性方面。
2、數(shù)據(jù)和代碼，存儲(chǔ)和運(yùn)算的緊密結(jié)合，傳統(tǒng)編程技術(shù)數(shù)據(jù)和代碼分離太厲害了，使得軟件明顯可以以數(shù)據(jù)密集型和算法密集型分類，從而導(dǎo)致數(shù)據(jù)密集的軟件缺乏智能性，而算法密集的則缺乏自學(xué)習(xí)能力。
3、軟件設(shè)計(jì)時(shí)特征和運(yùn)行時(shí)特征的分裂，導(dǎo)致了軟件的適應(yīng)能力上缺乏智能性。============================================================
通用模式識(shí)別系統(tǒng)的初步分析
1、目標(biāo)的捕獲算法，運(yùn)動(dòng)物體捕獲，靜止物體的捕獲
運(yùn)動(dòng)物體可以通過(guò)前后兩楨圖象的色差對(duì)比來(lái)確定（運(yùn)動(dòng)可以作為系統(tǒng)自學(xué)習(xí)的一種手段）
靜止物體主要通過(guò)邊沿的連續(xù)性來(lái)確立其獨(dú)立性
2、目標(biāo)的識(shí)別算法，平面目標(biāo)的識(shí)別，立體目標(biāo)的識(shí)別
可以先生成一個(gè)由圖象邊沿組成的稀疏矩陣，然后對(duì)其進(jìn)行模式匹配。
平面目標(biāo)（只有一個(gè)側(cè)面）的識(shí)別算法，平面目標(biāo)在垂直面上發(fā)生旋轉(zhuǎn)時(shí)識(shí)別的問(wèn)題（可以用旋轉(zhuǎn)邊沿圖形來(lái)衍生不同角度的模式）
主要提取的特征：邊沿形狀，色彩分布（必須考慮不同燈光下的穩(wěn)定性），邊沿特征主要通過(guò)邊沿采樣點(diǎn)和目標(biāo)中心之間的比值來(lái)確定匹配度
關(guān)于環(huán)境干擾（如光源等）的排除處理：無(wú)色光源排除主要是依據(jù)是其只產(chǎn)生明暗的變化，而不產(chǎn)生顏色的失真，有色光源排除的主要依據(jù)是光照均勻時(shí)，各區(qū)域的色差還是相對(duì)穩(wěn)定的。
對(duì)一個(gè)立體物體（具備多側(cè)面，角度）的識(shí)別算法：可以通過(guò)捕獲一組運(yùn)動(dòng)目標(biāo)（作水平旋轉(zhuǎn)）分別作為平面目標(biāo)進(jìn)行特征提取，然后通過(guò)這一組特征中最大匹配作為匹配進(jìn)行識(shí)別。
3、模式識(shí)別時(shí)，“注意力”的優(yōu)先級(jí)次序：運(yùn)動(dòng)的物體，靜止的物體。對(duì)靜止物體識(shí)別的算法，可以由大到小的分區(qū)識(shí)別的方法，也可以根據(jù)邊緣特征快速匹配識(shí)別。
目標(biāo)中心位置選取問(wèn)題，細(xì)碎邊沿的排除，空白區(qū)域排除
4、識(shí)別方式，指定目標(biāo)識(shí)別（單模式識(shí)別），能識(shí)別的目標(biāo)羅列（多模式識(shí)別）。
5、關(guān)于抽象目標(biāo)的識(shí)別問(wèn)題，如，如何識(shí)別畫面當(dāng)中是否有一臺(tái)電視機(jī)，但具體電視機(jī)就有不同的型號(hào)和品牌，千差萬(wàn)別，如何識(shí)別抽象意義上的電視機(jī)。
============================================================
神經(jīng)網(wǎng)絡(luò)的初步分析
1、開(kāi)發(fā)人工智能引擎的目的是什么？其功能定位什么？有什么特色？
希望開(kāi)發(fā)一整套人工智能軟件的開(kāi)發(fā)平臺(tái)，用于解決目前軟件技術(shù)難以處理的智能問(wèn)題
2、有什么哲學(xué)依據(jù)？本人的“層-----級(jí)”理論
3、數(shù)據(jù)和代碼，存儲(chǔ)和運(yùn)算的緊密結(jié)合，傳統(tǒng)編程技術(shù)數(shù)據(jù)和代碼分離太厲害了，使得軟件明顯可以以數(shù)據(jù)密集型和算法密集型分類。
4、神經(jīng)網(wǎng)絡(luò)的新概念實(shí)現(xiàn)，用于處理感性問(wèn)題（歸納型的問(wèn)題）。
興奮度,指單個(gè)神經(jīng)元的興奮程度
連接度,當(dāng)前發(fā)生興奮的神經(jīng)元和目標(biāo)神經(jīng)元之間的關(guān)聯(lián)程度(即條件反射的鞏固程度)
條件反射發(fā)生公式: 興奮度*連接度=目標(biāo)的興奮度
條件反射養(yǎng)成公式: 連接度=興奮度1*興奮度2*同時(shí)興奮次數(shù)
興奮和抑制的相對(duì)性，算法搜索少數(shù)幾個(gè)興奮度最高的神經(jīng)原
興奮度隨時(shí)間自然遞減（第三方控制遞減步長(zhǎng),可以作為一個(gè)設(shè)置參數(shù)）,可以以一個(gè)基準(zhǔn)時(shí)鐘頻率做為時(shí)間緯度,也可以按每次計(jì)算輪循作為一個(gè)時(shí)鐘周期.
5、概念編程模式，用于處理理性問(wèn)題
6、如何連接感性問(wèn)題和理性問(wèn)題
7、數(shù)據(jù)結(jié)構(gòu)：神經(jīng)元可以是用一個(gè)數(shù)組作為數(shù)據(jù)結(jié)構(gòu)，多個(gè)神經(jīng)元組成一個(gè)全連通的神經(jīng)元網(wǎng)絡(luò)，神經(jīng)原數(shù)組中的第一個(gè)元素用于存放這個(gè)神經(jīng)原的興奮度，其他每一個(gè)元素分別對(duì)應(yīng)該神經(jīng)元和其他神經(jīng)原的連接度，初始值為0，所以如果神經(jīng)網(wǎng)絡(luò)有100個(gè)神經(jīng)原組成的話，那么每個(gè)神經(jīng)原就要有100個(gè)元素的數(shù)組組成，所以有N個(gè)神經(jīng)元的全連接神經(jīng)網(wǎng)絡(luò)其存儲(chǔ)規(guī)模為N*N，為了節(jié)省神經(jīng)網(wǎng)絡(luò)的存儲(chǔ)空間，沒(méi)必要建立太大的全連接神經(jīng)網(wǎng)絡(luò)，可以建立多個(gè)獨(dú)立的網(wǎng)絡(luò)組成的多層次網(wǎng)絡(luò)。為了存儲(chǔ)的方便每個(gè)獨(dú)立的網(wǎng)絡(luò)可以是一塊連續(xù)的存儲(chǔ)空間。
8、多層網(wǎng)絡(luò)間的連接和自組織問(wèn)題。
總結(jié)
以上是生活随笔為你收集整理的关于人工智能引擎的最初分析文档的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
