结合本人学习学习《人工智能原理及应用》，现做如下总结！！

概述：本文涵盖人工智能在现阶段主要的研究领域，包括：机器思维、机器学习、机器感知、机器学习的详细介绍等。

    机器思维主要模拟人类的思维功能。在人工智能中，与机器思维有关的研究主要包括推理、搜索、规划等。

    这里对该概念就不再赘述了，感兴趣的同僚可以参考《人工智能原理及应用》

    机器学习是机器获取知识的根本途径，同时也是机器具有智能的重要标志，有人认为，一个计算机系统如果不具备学习功能，就不能称其为智能系统。机器学习有多重不同的分类方法，如果按照对人类学习的模拟方式，机器学习可分为符号学习和联结学习。

        符号学习是指从功能上模拟人类学习能力的机器学习方法，它使一种基于符号主义学派的机器学习挂点。按照这种观点，知识可以用符号来表示，机器学习过程实际是一种符号运算过程。对符号学习，可根据学习策略，即学习中所使用的推理方法，将其分为记忆学习、归纳学习、研一学习等。

记忆学习也叫死记硬背学习，它是一种最基本的学习方法，原因是任何学习系统都必须记住它们所获取的知识，以便将来使用。归纳学习是指以归纳推理为基础的学习，它是机器学习中研究较多的一种学习类型，其任务是要从关于某个概念的一系列一直的具体例子出发，归纳出一般的结论，像示例学习、决策树学习和统计学习等都是归纳学习方法。演绎学习是指以演绎推理为基础的学习，解释学习是一种典型的演绎学习方法，它是在领域知识的知道下，通过对单个问题求解例子的分析，构造出求解过程的因果解释结构，并对该解释结构进行概括化处理，得到用来求解类似问题的一般性知识。

        联结学习也称为神经学习，它是一种基于人工神经网络的学习方法。  现有研究表明，人脑的学习和记忆过程都是通过神经系统来完成的。在神经系统中，神经元及时学习的基本单元，也是记忆的基本单位。连接学习可以有多种不同的分类方法。比较典型的学习算法有感知器学习、BP网络学习和Hopfield网络学习等。

感知器学习实际上是一种基于纠错学习规则，采用迭代思想对联结权重和阈值进行不断调整，直到满足结束条件为止的学习算法。BP网络学习是一种误差反向传播网络学习算法。这种学习算法的学习过程由输出模式的正向传播过程和误差的反向传播过程组成。其中误差的反向传播过程用于修改各层神经元的连接权值，以肘部减少误差信号，直至得到所期望的输出模式为止。Hopfield网络学习实际上是要寻求系统的稳定状态，即从网络的初试状态开始逐渐向其稳定状态过度，直至达到稳定状态为止。至于网络的稳定性，则是通过一个能量函数来描述的。

mining）是在数据库的基础上实现的一种知识发现系统。他通过综合运用统计学、粗糙集、模糊数学、机器学习和专家系统等多种学习手段和方法，从数据库中提炼和抽取知识，从而可以揭示出蕴涵在这些数据背后的客观世界的内在联系和本质原理，实现知识的自动获取。

传统的数据库技术仅限于对数据库的查询和检索，不能够从数据库中提取知识，使得数据库中所蕴涵的丰富知识被白白浪费。知识发现和数据挖掘以数据库作为知识源去抽取知识，不仅可以提高数据库中数据的利用价值，同时也为各种智能系统的知识获取开辟了一条新的途径。目前，随着大规模数据库和互联网的迅速发展，知识发现和数据挖掘已从面向数据库的结构化信息的数据挖掘，发展到面向数据仓库和互联网的海量、半结构化或非结构化信息的数据挖掘。

    机器感知作为机器获取外界信息的主要途径，是机器智能的重要组成部分。下面介绍机器视觉、模式识别、自然语言理解。

        机器视觉是一门用计算机模拟或实现人类视觉功能的新兴学科。其主要研究目标是使计算机具有通过二维图像认知三维环境信息的能力。这种能力不仅包括 对三维环境中物体形状、位置、姿态、运动等几何信息的感知，还包括对这些信息的描述、存储、识别与理解。

视觉是人类各种感知能力中最重要的一部分，在人类感知到的外界信息中，约80%以上是通过视觉得到的。人类对视觉信息获取、处理与理解的大概过程是：人们视野中的物体在可见光的照射下，先再眼睛的视网膜上形成图像，再有感光细胞转换成神经脉冲信号，经神经纤维传入大脑皮层，最后由大脑皮层对其进行处理与理解。可见视觉不仅指对光信号的感受，它还包括了对视觉信号的获取、传输、处理、存储于理解的全过程。

        目前，计算机视觉已在人类社会的许多领域得到了成功的应用。例如，在图像、图形识别方面有指纹识别、染色体识别、字符识别等；在航天与军事方面有卫星图像处理、飞行器跟踪、成像精确制导、景物识别、景物识别、目标检测等；在医学方面有CT图像的脏器重建、医学图像分析等；在工业方面有各种检测系统和生产过程监控系统等。

        模式识别是人工智能最早的研究领域之一。“模式”一词的原意是指提供模仿用的完美无缺的一些标本。在日常生活中，可以把那些客观存在的事物心事称为模式。例如，一幅画、一个景物、一段音乐、一幢建筑等。在模式识别理论中，通常把对某一事物所做的定量或结构性描述的集合称为模式。

所谓模式识别就是让计算机能够对给定的事务进行鉴别，并把它归入与其相同或相似的模式中。其中被鉴别的事务可以使物理的、化学的、生理的，也可以是文字、图像、声音等。为了能使计算机进行模式识别，通常需要给它配上各种感知器官，使其能够直接感知外界信息。模式识别的一般过程是先采集待识别事务的模式信息，然后对其进行各种变换和预处理，从中抽出有意义的特征或基元，得到待识别事务的模式，然后在于机器中原有的各种标准模式进行比较，完成对待识别事物的分类识别，最后输出识别结果。

        根据给出的标准模式的不同，模式识别技术可有多种不同的识别方法。其中经常采用的方法有末班匹配法、统计模式法、模糊模式法、神经网络法等。

        自然语言理解一直是人工智能的一个重要领域，它主要研究如何使计算机能够理解和生成自然语言。自然语言是人类进行信息交流的主要媒介，但由于它的多义性和不确定性，是得人类与计算机系统之间的交流还主要依靠那种收到严格限制的非自然语言。要真正实现人机之间的直接自然语言交流，还有待遇自然语言理解研究的突破性进展。

        自然语言理解可分为声音语言理解和书面语言理解两大类。其中声音语言的理解过程包括语音分析、词法分析、句法分析、语义分析和御用分析五个阶段；书面语言的理解过程除不需要语音分析外，其他四个阶段与声音语言理解相同。自然语言理解的主要困难在御用分析阶段，原因是它涉及上下文知识，需要考虑语境对语言的影响。

        与自然语言理解密切相关的另一个领域是机器翻译，即用计算机把一种语言翻译成另外一种语言。尽管自然语言理解和机器翻译都已取得了很多进展，但离计算机完全理解人类自然语言的目标还相距甚远。自然语言理解的研究不仅对智能人机接口有着重要的实际意义，而且对不确定的人工智能的洋酒也具有重大的理论价值。

    机器行为作为计算机作用于外界环境的主要途径，也是机器智能的主要组成部分。其主要内容包括：智能控制、智能制造。此处不再赘述，详情可以参考文末资料。

参考：《人工智能原理及其应用》_王万森

整理不易！！ 转载请注明出处！

苏州科达科技股份有限公司

　　在3月5日举行的全国人大第五次会议上，在李克强总理所作的2017年《政府工作报告》中明确提出：“一方面要加快培育新材料、、集成电路、生物制药、第五代移动通信等新兴产业，另一方面要应用大数据、云计算、物联网等技术加快改造提升传统产业，把发展智能制造作为主攻方向。” 继在2016年8月被加入国务院印发的《“十三五”国家科技创新规划》，此次人工智能被写入《政府工作报告》，也意味着这一技术在国家政策中的急速奔跑。预计未来两年我国人工智能的政策氛围将快速发酵，产业将迎来进一步爆发，2017年将是关键一年。

　　一、人工智能的定义及发展历程

　　人工智能（Artificial Intelligence）最早在1956 年就提出了，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。是对人的意识、思维的信息过程的模拟。

　　人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

　　人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人、经济政治决策、控制系统、仿真系统中得到应用。著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的教授温斯顿认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。

　　人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理，制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。

　　人工智能至今经历了三次浪潮。第一次，五十年代的达特茅斯会议确立了人工智能（AI）这一术语，人们陆续发明了第一款感知神经网络软件和聊天软件，证明了数学定理，人类惊呼 “人工智能来了”、“再过十年机器人会超越人类”。然而，人们很快发现，这些理论和模型只能解决一些非常简单的问题，人工智能进入第一次冬天。

　　第二次，八十年代 Hopfield 神经网络和 BT 训练算法的提出，使得人工智能再次兴起，出现了语音识别、语音翻译计划，以及日本提出的第五代计算机。但这些设想迟迟未能进入人们的生活之中，第二次浪潮又破灭了。

竞赛在图像识别领域带来的突破，人工智能再次爆发。这一次，不仅在技术上频频取得突破，在商业市场同样炙手可热，创业公司层出不穷，投资者竞相追逐。

　　可以说，整个人工智能的发展过程都是在这样的模式之中，不同技术在不同时期扮演着推动人工智能发展的角色。在此，我们基于人工智能行业的企业、投资融资以及研究成果等维度提供一个全新看待人工智能的视角。

　　二、人工智能核心技术

　　计算机视觉、机器学习、自然语言处理、机器人和语音识别是人工智能的五大核心技术，它们均会成为独立的子产业。

　　1.计算机视觉：计算机视觉技术运用由图像处理操作及机器学习等技术所组成的序列来将图像分析任务分解为便于管理的小块任务。

　　2.机器学习：机器学习是从数据中自动发现模式，模式一旦被发现便可以做预测，处理的数据越多，预测也会越准确。

　　3.自然语言处理：对自然语言文本的处理是指计算机拥有的与人类类似的对文本进行处理的能力。例如自动识别文档中被提及的人物、地点等，或将合同中的条款提取出来制作成表。

　　4.机器人技术：近年来，随着算法等核心技术提升，机器人取得重要突破。例如无人机、家务机器人、医疗机器人等。

　　5.：生物识别可融合计算机、光学、声学、生物传感器、生物统计学，利用人体固有的生体特性如指纹、人脸、 虹膜、静脉、 声音、步态等进行个人身份鉴定，最初运用于司法鉴定。

　　随着科技的发展，生物识别技术已经成为个人身份识别或认证技术的重要方式，作为生物特征识别的重要分支，它的无侵害性和对用户以最自然、最直观的识别方式更容易被接受，然而，已有的一些机器学习算法大都使用浅层结构，而浅层结构的网络很难表示复杂函数。同时，以往提出的多层感知机器虽可以表示复杂的函数关系但又由于没有很好的学习算法。近几年深度学习技术被业界广泛认可，并在各个相关领域都取得了突飞猛进的进展，特别是深度学习技术在人脸识别领域的应用，在今年的安博会上，各厂家也纷纷推出人脸识别技术。随着市场需求的不断变化，不同的应用场合，人脸识别技术也根据需要开发出各种各样的产品来满足用户的需求。

　　三、人工智能在安防领域应用及发展

　　随着经济环境、政治环境、社会环境的变化和日趋复杂,各行业对安防的需求不断增加,同时对于安防技术的应用性、灵活性、人性化也提出了更高的要求，传统安防技术的局限性日益凸显。在这样的大背景下，人工智能发展趋势大致有以下几个方面：

　　1.前端智能：感知型摄像机的推广应该是一个大方向。如果视频监控能够通过机器视觉和，识别出监控画面中的内容，并通过后台的云计算和大数据分析，来做出思考和判断，并在此基础上采取行动，我们就能够真正的让视频监控代替人类去观察世界。而要做到这一点，我们必须拥有具备感知能力的摄像机。因为，只有前端摄像机具有感知识别功能，我们才能进行智能分析的规模化部署和应用。将视频转为可利用的数据成为可能。可以说，感知型摄像机是智能分析经济性和规模化部署的基础，也是智慧城市大数据应用的关键，如果我们要真正拥抱大数据时代，感知型摄像机无疑才是视频监控的基石。

　　2.深度学习：各种自学习和自适应算法的研究和应用。后续的智能分析产品应该是带有强大的自学习和自适应功能的。能够根据不同的复杂环境进行自动学习和过滤，能够将视频中的一些干扰目标进行自动过滤。从而达到提高准确率，降低调试复杂度的目的。例如，科达猎鹰人员卡口分析系统集成采用了业内技术领先的人脸检测算法、人脸跟踪算法、人员跟踪算法、人脸质量评分算法、人脸识别算法、人员属性分析算法、人员目标搜索算法。可以实现对城市各主要场所人员进出通道进行人脸抓拍、识别以及属性特征信息提取，建立全市海量人脸特征数据库，并以公安实战应用为核心，创新实战技战法。通过对接公安信息资源数据库，可对涉恐、涉稳、犯罪分子进行提前布控和实时预警，实时掌握动态；可对犯罪嫌疑人进行轨迹分析和追踪，快速锁定嫌疑人的活动轨迹；可对不明人员进行快速身份鉴别，为案件侦破提供关键线索。通过本系统的建设与应用，实现在大数据时代公安工作的跨越式发展，进一步提高工作效率、节约资源成本、缩短破案周期。

　　3.大数据挖掘：视频数据深入挖掘应用迅速发展。随着视频分析技术的快速发展，视频数据量也非常大，如何让视频分析技术在大数据中发挥作用也成为人们关注的一个方向。利用各种不同的算法计算，将大量视频数据中不同属性的事物进行检索、标注、识别等应用，以达到对大量数据中内容的快速查找检索。大大降低人工成本，提高效率。甚至在有些方面让一些人工无法完成的任务成为可能。如：人脸、人员大数据库检索，身份证库重复人员查找，通过语义描述从视频中查找穿某种衣服，某种颜色的车辆查找，车牌查找，以图搜图，视频关联等应用。针对平安城市建设中海量视频目标排查工作量大，且海量视频场景各异，快速找目标较困难等实际应用需求，科达推出了结构化分析系统，一款专门针对于海量图片和视频二次分析的应用系统，适用于多场景、差异大的各种媒体源。支持对接入的多类型前端进行实时分析；支持对离线图片和视频进行目标检测、属性分析、特征提取等二次分析；支持分布式部署及扩展。

　　在安防行业内，目前人工智能算法使用最多的还是在视频图像领域，因为传统安防企业的产品都是与视频图像相关。但对于公安等业务应用来说，视频图像只是一小部分，公安应用还需要网络信息、通信信息、社交信息等等。将来安防行业还需要以视频图像信息为基础，打通各种异构信息，在海量异构信息的基础上，充分发挥机器学习、数据分析与挖掘等各种人工智能算法的优势，为安防行业创造更多价值。

　　目前无论是整个人工智能的发展，还是安防智能化的发展，其水平仍然存在起步的阶段，人工智能是安防领域的未来，在通往未来的道路上，还有许许多多障碍和困难需要跨越和克服，但总体趋势是乐观的，只有具备自主、个性化、不断进化完善的人工智能大脑，才能解决安防领域日益增加的需求，成为广大用户的专家和助手，提升整个安防领域的智能化水平，推动安防产业的升级换代。