关于人工智能引擎的最初分析文档
關于人工智能引擎的最初分析文檔
趙立
1、開發人工智能引擎的目的是什么？其功能定位什么？有什么特色？
希望開發一整套人工智能軟件的開發平臺，用于解決目前軟件技術難以處理的智能問題，從而能逐漸形成這方面的標準。我認為以后軟件方面的技術變革肯定在于其人工智能性方面。
2、數據和代碼，存儲和運算的緊密結合，傳統編程技術數據和代碼分離太厲害了，使得軟件明顯可以以數據密集型和算法密集型分類，從而導致數據密集的軟件缺乏智能性，而算法密集的則缺乏自學習能力。
3、軟件設計時特征和運行時特征的分裂，導致了軟件的適應能力上缺乏智能性。============================================================
通用模式識別系統的初步分析
1、目標的捕獲算法，運動物體捕獲，靜止物體的捕獲
運動物體可以通過前后兩楨圖象的色差對比來確定（運動可以作為系統自學習的一種手段）
靜止物體主要通過邊沿的連續性來確立其獨立性
2、目標的識別算法，平面目標的識別，立體目標的識別
可以先生成一個由圖象邊沿組成的稀疏矩陣，然后對其進行模式匹配。
平面目標（只有一個側面）的識別算法，平面目標在垂直面上發生旋轉時識別的問題（可以用旋轉邊沿圖形來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定性），邊沿特征主要通過邊沿采樣點和目標中心之間的比值來確定匹配度
關于環境干擾（如光源等）的排除處理：無色光源排除主要是依據是其只產生明暗的變化，而不產生顏色的失真，有色光源排除的主要依據是光照均勻時，各區域的色差還是相對穩定的。
對一個立體物體（具備多側面，角度）的識別算法：可以通過捕獲一組運動目標（作水平旋轉）分別作為平面目標進行特征提取，然后通過這一組特征中最大匹配作為匹配進行識別。
3、模式識別時，“注意力”的優先級次序：運動的物體，靜止的物體。對靜止物體識別的算法，可以由大到小的分區識別的方法，也可以根據邊緣特征快速匹配識別。
目標中心位置選取問題，細碎邊沿的排除，空白區域排除
4、識別方式，指定目標識別（單模式識別），能識別的目標羅列（多模式識別）。
5、關于抽象目標的識別問題，如，如何識別畫面當中是否有一臺電視機，但具體電視機就有不同的型號和品牌，千差萬別，如何識別抽象意義上的電視機。
============================================================
神經網絡的初步分析
1、開發人工智能引擎的目的是什么？其功能定位什么？有什么特色？
希望開發一整套人工智能軟件的開發平臺，用于解決目前軟件技術難以處理的智能問題
2、有什么哲學依據？本人的“層-----級”理論
3、數據和代碼，存儲和運算的緊密結合，傳統編程技術數據和代碼分離太厲害了，使得軟件明顯可以以數據密集型和算法密集型分類。
4、神經網絡的新概念實現，用于處理感性問題（歸納型的問題）。
興奮度,指單個神經元的興奮程度
連接度,當前發生興奮的神經元和目標神經元之間的關聯程度(即條件反射的鞏固程度)
條件反射發生公式: 興奮度*連接度=目標的興奮度
條件反射養成公式: 連接度=興奮度1*興奮度2*同時興奮次數
興奮和抑制的相對性，算法搜索少數幾個興奮度最高的神經原
興奮度隨時間自然遞減（第三方控制遞減步長,可以作為一個設置參數）,可以以一個基準時鐘頻率做為時間緯度,也可以按每次計算輪循作為一個時鐘周期.
5、概念編程模式，用于處理理性問題
6、如何連接感性問題和理性問題
7、數據結構：神經元可以是用一個數組作為數據結構，多個神經元組成一個全連通的神經元網絡，神經原數組中的第一個元素用于存放這個神經原的興奮度，其他每一個元素分別對應該神經元和其他神經原的連接度，初始值為0，所以如果神經網絡有100個神經原組成的話，那么每個神經原就要有100個元素的數組組成，所以有N個神經元的全連接神經網絡其存儲規模為N*N，為了節省神經網絡的存儲空間，沒必要建立太大的全連接神經網絡，可以建立多個獨立的網絡組成的多層次網絡。為了存儲的方便每個獨立的網絡可以是一塊連續的存儲空間。
8、多層網絡間的連接和自組織問題。
總結
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內容，希望文章能夠幫你解決所遇到的問題。
