前言：中文期刊网精心挑选了人工智能研究综述范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
人工智能研究综述范文1
【Abstract】In recent years， with the support of highly developed electronic technology， artificial intelligence has developed rapidly， even a lot of artificial intelligence products have been put into use and walk， into people's lives. In this paper， the artificial intelligence is reviewed， and analyzed the present situation of artificial intelligence technology， points out its development problems， and the future of artificial intelligence is prospected.
【关键词】人工智能；发展现状；未来展望
【Keywords】artificial intelligence； current situation of the development； future
【中图分类号】TP18 【文献标志码】A 【文章编号】1673-1069（2017）04-0107-02
1 引言
2016年年初，韩国围棋国手李在石与围棋程序Alpha Go对弈中首战失利，再一次将人工智能拉入了公众的视野，使其成为2016年度话题度最高的科技之一。不可否认，近些年来人工智能发展迅速，很多人工智能产品已经开始进入人们的家中，如扫地机器人、智能保姆等，虽然它们还没有美国大片《终结者》中所描述得那么先进，但从前遥不可及的人工智能概念正在一步步变为现实却是不争的事实。人工智能的现状如何，它又将如何发展，都是学界较为关注的课题。
2 人工智能综述
2.1 人工智能的概念
人工智能即AI，其英文全称为Artificial Intelligence。人工智能的概念要从人工和智能两方面来了解，所谓人工就是指人工智能脱胎于人类的文明，是人类智慧的产物；而智能则是指具有人工智能的计算机或其他子设备可以模拟人类的智能行为和思维方式，人工智能是计算机科学的一个分支，它的近期主要目标在于研究用机器来模仿和执行人脑的某些智能功能，并开发相关理论和技术。
2.2 人工智能的现实应用
如今的人工智能机器，可以在胜任一些复杂脑力劳动的同时，辅助人类进行记忆和逻辑运算等活动。现阶段学者已经研制出了一些可以模拟人类精神活动的电子机器，经过完善升级，这些电子机器将有希望超越人类的能力，协助人类完成一些执行难度较大的工作。但是目前研制出的自动化系统或者机器人虽然可以代替部分人类劳动，却还没有到达可以实现人类多方面协调和自我学习升级的智能水平，要制造出一款可以完全拥有人类智慧的机器，还需进一步深入研究。还有一些人工智能产物经常应用于各种商业用途，例如单位内部的客户信息系统，决策支持系统，以及我们在世面上可以看见的医学顾问、法津顾问等软件。
3 人工智能发展现状
3.1 智能接口技术研究现状
人工智能接口研究就是为了实现人机交流，为此学者必须从理论和实践两方面努力，解决计算机对文字和语言的理解与翻译、对自我的表达等功能问题。由于智能接口技术的研究和应用，计算机技术的发展获得了极大的推动力，在运行速率和人机交流等方面都有巨大提升。
3.2 数据挖掘技术研究现状
数据挖掘技术主要是对各类模糊的、大量的应用数据、人未知的、潜在已经存在的数据进行整理挖掘进行细致的研究，寻找出对研究有用的数据。目前，数据库、人工智能、数理统计已经成为数据挖掘技术的三大技术支撑，以基础理论、发现算法、可视化技术、知识表示方法、半结构化等作为研究内容，为数据挖掘技术的发展提供理论和技术支持。
3.3 主体系统研究现状
主体系统可以实现机器意图和想法的生成，是一种智能方面更接近人类的自主性实体系统。自主系统可以完成一些相对独立、自主的任务，甚至可以通过调整自我状态，应对环境和特殊情况的变化，进而保证自身规划任务的完成。在多主体系统研究中，主要是从物理和逻辑思维方面对主体进行智能行为的分析研究。
4 人工智能发展中面临的问题
4.1 识别功能的困惑
计算机识别技术研究在近些年取得了大量成果，其产品的实际应用范围较广，但不可否认的是，计算机识别的模式是基于一定的算法和程序设定的，其识别机制完全不同于人类的感官识别，因此，在计算机进行识别，尤其是图形识别时，对各种印刷体、文字、指纹等清晰图形可以快速识别，但对于相似度较高的物体，计算机识别能力相对较弱，识别失败的情况较为普遍。语音识别主要研究各种语音信号的分类。语音识别技术近年来发展很快，但是缺点是识别极易受到干扰，发音不标准的语音较易引发识别错误。
4.2 GPS功能的局限性
GPS是企图实现一种不依赖于领域知识求解人工智能问题的通用方法，但是问题内部的表达形式和领域知识是分不开的，用谓词逻辑进行定理归结或者人工智能通用方法GPS，都可以从分析表达能力上找出其局限性，这样就减少了人工智能的应用范围[1]。
5 人工智能的未来应用展望
人工智能与人生活最息息相关的应用范围就是融入人们的衣食住行和教育等方面，这也是人工智能未来最普遍的应用方向。
5.1 无人驾驶的汽车
奔驰、丰田等很多大型汽车企业都在研究o人驾驶的汽车，像007电影中的那种拥有自主辨别路况、自动驾驶等功能的汽车也许很快就会成为现实。自动驾驶的汽车要搭载的技术并不只人工智能一种，它还需要将自动控制和视觉计算等新型技术集成应用，改变现有汽车的体系结构，赋予其自动识别、分析和控制的能力。因此，自动驾驶汽车需要实现三方面的技术突破：其一，实现利用摄像设备、雷达和激光测距机来获得路况信息；其二，实现利用地图进行自动的车辆导航；其三，根据已有信息数据对车辆的速度和方向进行控制。未来的自动驾驶汽车还可以通过车辆之间的信息互通和互相感应，来协调车速和方向，避免车辆碰撞，实现自动驾驶车辆的安全行进。
5.2 智能化的课堂
当前已经有一些智能化的教学软件，教师们可以在这些软件上把教学课件传送给学生，并进行授课答题，学生还可以与教师弹幕互动，使课堂变得妙趣横生，方便了教师的授课活动。对于学生而言，能够在期末十分便捷地回顾上课的错题，甚至能够在几年后翻阅学习过的课件；对于教师而言，能够精细地知道学生对知识的掌握程度，甚至能够发现最积极和最懈怠的学生。未来的智能课堂将更具有时间延展性，学生不仅可以在课堂学习知识，还可以利用智能电子设备进行课前预习和课后复习，从而使学生可以在更加趣味性的氛围中进行自主学习安排。
5.3 自动化的厨房
今后的厨房将会更加智能化，当你做饭时，设定好你想要的菜谱，准备好所需的食材，烹调设备即可将饭菜制作得恰到好处。它会根据你食材的新鲜程度，为你推荐最适合的菜谱，并计算出其营养参考标准，并为你推荐其他食物，使膳食营养均衡。当你家中某样食材不足时，物流公司便会将时下最新鲜的这一食材送至你家中[2]。
6 结语
人工智能这一概念是在1956年提出的，在当时，人工智能还只是人们头脑中的一种幻想，而在60年后的今天，人工智能的梦想已经逐渐照进现实，它甚至渗透进了工业、医学、服务等多个领域，可以说人工智能正在改变着我们生活的世界。但对于人工智能这个人类创造出来的技术，人们也存在一定的担忧，人工智能将向何方发展？人工智能发展到极致会不会脱离人类的控制？人工智能会不会超越人类的智慧？在诸多问题围绕下，人工智能技术依然在迅猛发展，它的未来如何，让我们拭目以待。
【参考文献】
人工智能研究综述范文2
关键词：讯飞超脑计划；人工智能；未来生活
中图分类号：TP18 文献标识码：A 文章编号：1671-2064（2017）01-00218-01
人工智能包含三个层次：计算智能、感知智能和认知智能，讯飞超脑计划是包含模拟人脑的知识表示与推理、类人学习机制与新知识的获取、机器加载专业知识成为专门的教育领域。讯飞超脑计划是基于全球关于人工神经网络的深度学习研究，简单来说就是希望未来讯飞超脑计划能够将人工智能从只是简单地能听会说到能够深度思考相关问题的科技转变。人工智能的不断开拓创新是为了帮助人类能够更好地生活，我们应该注重人工智能的发展推进，将其广泛合理地应用到生活的实际中去。
1 讯飞超脑计划目前取得的阶段学习研究成果
1.1 讯飞超脑计划关于我国现阶段关于高中生学习教育的人工智能成果
随着近年来教育电子多媒体设备的投入普及使用，使目前的高中老师在课堂上更习惯用电子化的教学方式来替代传统的板书课本单一枯燥的教学，与此同时，现阶段高中生也同样具备使用移动互联网的条件，这样就使得科大讯飞超脑计划的教育产品可以形成以下的模式如图1所示。
采用此智能的学习模式可以使我国的高中生接受公平的最好的教育，这就需要借助人工智能的帮助来使老师提高自身的教育水平，使高中生丰富并开阔自身的视野。课堂教学包括了在线课堂、畅言交互式多媒体教学系统以及畅言智能语音等，这种新颖的课堂教学模式使原本单一的教学方式变成了思想上任意遨游的知识海洋；智能考试包含了标准考场、英语四六级网上阅卷、普通话与英语口语测试等方面，智能考试系统从字迹工整的程度、词汇量的丰富度、语法的正确性与通顺性等多个方面来评判考试试卷，加上多年来的不断改进，人工智能的评判方法跟相关专家的人工试卷评判的相似度相差无几，很大程度地增加了试卷评判的效率性与公平性；学习产品与教育评价更是覆盖到了从低到高的各个层面的产品组织结构，更有利于高中生的学习与应试教育的公平性。
1.2 讯飞超脑计划对于提高人类生活水平的成果
随着人工智能技术在经济、教育、文化、娱乐等领域的不断应用，使人们的生活质量水平得到了很大程度的提高，人工智能带来的方便快捷对于人类的发展进化与物质文化的进步产生了不可忽视的作用。随着讯飞超脑计划的推出，一方面，可以把人类从繁重的劳动中解放出来，很大程度地提高人类生产生活的效率与质量；另一方面，人工智能的进步会极大地革新人类的思维方式，使人们能够多角度地认知世界，加深对人类对自身所处的宇宙地位的思考，利于人不断地探索奥秘，进一步推进人类社会的进步。
2 讯飞超脑计划下人工智能对于未来生活的影响及其发展趋势
2.1 讯飞超脑计划下人工智能对未来生活的影响
由于讯飞超脑计划是感知智能结合认知智能的再创新，使得未来机器将会实现高水平的感知智能，具有更多的包括语音识别、手写识别以及图像识别的更多智能感知能力与实现包括智能客服、人机交互等的取代人类脑力劳动的认知智能突破。所以说讯飞超脑计划下的人工智能在未来的教育、经济、文化、社会结构等未来生活的各个方面都会产生重大影响。在教育上，人工智能的应用优化了课堂结构，使学生能够实时接受外界的新知识以及与时俱进的教育模式改革；在经济上，人工智能的高效能与高效率会明显提高经济效益，用人工智能来进行财务管理有助于缩减不必要的人工劳务开支与相关的培训费用，利于经济的变革与提高；在文化上，人工智能对于人类语言文化与图像处理上的优势日益凸显出来，可以确定的是人工智能的发展将会深入到人类生活的各个层面中去。
2.2 讯飞超脑计划下人工智能的未来发展趋势
随着人工智能的不断演进，人工智能从最初能存会算的计算智能阶段，到后来的能听会说、能看会认的感知智能阶段，最后再到讯飞超脑计划下提出的让机器能理解、会思考的认知智能阶段，未来的人工智能在语言理解、知识表达、联想推理以及自主学习等方面都将会取得很大的进展。
3 结语
人工智能对于未来生活的影响是多方面的，在未来生活的各个方面都十分显著。与此同时，讯飞超脑计划下的人工智能不断的改革创新与发展，也将更快地推动人类的发展，人工智能与人类的生活是互相影响又相互制约的。人工智能的不断发展给人类的未来生活带来了很大程度的改变，人类在不断开拓人工智能的领域时也应不断提高自身能力与素养，以适应人工智能带来的不断创新和改变。
参考文献：
[1]张妮，徐文尚，王文文.人工智能技术发展及应用研究综述[J].煤矿机械.2009，30卷（2）.
人工智能研究综述范文3
【关键词】人工智能；人脸识别；神经网络
1 人工智能简介
人工智能（Aritificial Intelligence，AI）是一门综合了计算机科学、控制论、信息论、神经生理学、心理学、语言学、哲学等多种学科互相渗透而发展起来的一门交叉学科[1]，从诞生至今已有近60年的历史。人工智能是研究如何制造智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学[2]。人工智能不在乎计算机是依靠某种算法还是真正理解人类行为，只需要其能表现出与人相似的行为，它是计算机科学中的―个分支，涉及智能机器的研究、设计和应用。人工智能的研究目标在于怎样用计算机来模仿和执行人脑的某些功能，并开发相关的技术以及产品，建立有关的理论。人工智能可分为：基本人工智能，包括知识表示、推理；高级人工智能，如模糊逻辑、神经网络、专家控制；计算智能，如遗传算法、群集智能。人工智能研究领域的三种主要观点[3]：符号主义又称为逻辑主义或计算机学派，其认为符号是人类的认识基元，同时人认识的过程即是对符号的计算与推理的过程；联结主义又被叫做仿生学派，其主要原理是人类的智能是由人脑的生理结构和工作模式所决定；行为主义又被称作进化主义、控制论学派，其主要原理是智能取决于感知和行动，它不需要知识、也不需要知识的表示与推理[4]。
2 人脸识别
人脸识别是指对输入的人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息，并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。人脸识别的研究起源于19世纪末，其发展大致分成三个阶段[5]：第一阶段以面部特征为主要研究对象；第二阶段称为人机交互式识别阶段，分为采用几何特征参数来表示人脸正面图像和统计识别为基础的方法；第三阶段才被称为真正的自动识别阶段，人脸识别技术进入实用阶段。
3 常用的人脸识别方法
人脸识别的技术与方法一般分为：基于几何特征的方法和基于模板匹配的方法。对于基于几何特征方法而言，首先检测出眼耳口鼻等脸部主要部件的位置和大小，然后分析这些部件的总体几何分布关系以及相互之间的参数比例来识别人脸。基于模板的方法也叫做基于表象的方法，利用模板与整个人脸图像的像素值之间的自相关性进行人脸的识别[6]。通过分析常用的人脸识别方法，本文将人脸识别的方法分为基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法。
3.1 基于几何特征的方法
最早的基于几何特征的方法由Bleclsoe提出，该方法将几何特征定义为面部特征点之间的距离和比率，通过最近邻方法来识别人脸，但必须手动定位面部特征点，因此属于半自动系统。侧影识别是另一个基于几何特征的人脸识别方法，其原理是通过提取人脸的侧影轮廓线上特征点，将侧影转化为轮廓曲线，提取其中的基准点，然后识别这些点之间的几何特征。
基于几何特征的方法非常直观，能快速识别人脸，只需要较少内存，光照对特征的提取影响不大，缺点是当人脸变化时，特征的提取不精确，并且由于对图像细节信息的忽略，导致识别率较低，因此近年来少有发展。
3.2 基于模型的方法
隐马尔可夫模型（Hidden Markov Model，HMM）是一种常用的模型，基于HMM的方法被Nefian和Hayes引入到人脸识别领域，它是一组统计模型，用于描述信号统计特性。Cootes等人提出主动形状模型（Active Shape Model，ASM），对形状和局部灰度表象建模，定位新图像中易变的物体[5]。Lanitis等用该方法解释人脸图像，其原理是使用ASM找出人脸的形状，然后对人脸进行切割并归一到统一的框架，通过亮度模型解释和识别与形状无关的人脸。
主动表象模型（Active Appearance Model，AAM）通常被看作是ASM的一种扩展，一般作为通用的非线性图像编码模式，通用的人脸模型经变形处理后与输入图像进行匹配，并将控制参数作为分类的特征向量。
3.3 基于统计的方法
基于统计的方法将人脸图像视为随机向量，采用一些统计方法对人脸进行特征分析，这类方法有较为完善的统计学理论的支持，因此发展较好，研究人员也提出了一些比较成功的统计算法。
特征脸方法由Turk和Pentland提出，该方法中人脸由各个特征脸扩展的空间表示，虽然人脸信息可以有效地表示，但不能对其进行有效鉴别和区分。为取得更好的人脸识别效果，研究者又提出使用其他的线性空间来代替特征脸空间[6]。Moghaddam等人提出了贝叶斯人脸识别方法，用基于概率的方法来度量图像相似度，将人脸图像之间的差异分为类间差异和类内差异，其中类间差异表示不同对象之间的本质差异，类内差异为同一对象的不同图像之间的差异，而实际人脸图像之间的差异为两者之和。如果类内差异大于类间差异，则认为两人脸图像属于同一对象的可能性大。
奇异值分解（Singular Value Decomposition，SVD）作为一种有效的代数特征提取方法，奇异值特征具有多种重要性质，如镜像变换不变性、位移不变性、旋转不变性以及良好的稳定性等，因此人脸识别领域也引入了奇异值分解技术。
3.4 基于神经网络的方法
神经网络用于人脸识别领域也有较长的历史，Kohoncn最早将自组织映射（Self-Organizing Map，SOM）神经网络应用于人脸识别，即使当输入人脸图像有部分丢失或者具有较大噪音干扰时，也能完整的恢复出人脸。人脸识别中最具影响的神经网络方法是动态链接结构（Dynamic Link Architecture，DLA），对网络中语法关系的表达是该方法最突出的特点。
用于人脸识别的神经网络还有：时滞神经网络（Time Delay Neural Net-works，TDNN），是MLP的一种变形，径向基函数网络（Radial Basis Function Network，RBFN）以及能有效地实现低分辨率人脸的联想与识别的Hopfield网络等[6]。
与其他人脸识别方法相比，神经网络方法具有特有的优势，人脸图像的规则和特征的隐性表示可通过对神经网络的训练获得，避免了特征抽取的复杂性，有利于硬件的实现，缺点是可解释性较弱，要求训练集中有多张人脸图像，因此只适合于小型人脸库。人工智能应用在人脸识别、模式识别方面能够提高运行效率、减小计算量小、程序的代码编写更为简洁。
【参考文献】
[1]武海丽.初识人工智能[J].科技创新导报，2009，02：196.
[2]王甲海.创新型人工智能教育改革与实践[J].计算机教育，2010（08）：136.
[3]肖斌，薛丽敏，李照顺.对人工智能发展新方向的思考[J].信息技术，2009，12：166-168.
[4]朱祝武.人工智能发展综述[J].中国西部科技，2011，10（17）：08-10.
人工智能研究综述范文4
Jeffrey J.P.Tsai University of Illinois,
Chicago, USA(Eds.)
Machine Learning
Applications in Software
Engineering
Series on Software Engineering and Knowledge Engineering Vol. 16
2005,355Ppp.
ISBN 9789812560940
软件工程中的
机器学习应用
D张JJP特赛编
本书是《软件工程与知识工程》丛书的第16卷。Brooks在其经典的论文“无银弹”中对于在变化的环境中开发和维护大量软件系统的挑战已经做出了具有说服力的阐述。复杂性、一致性、可变性和隐形性，这些都是在开发大型软件中固有的基本困难。
人们提出了许多演化或者递增改进的办法，每一种改进办法都试图致力于改进这些基本困难的某些方面。人工智能技术对软件工程的应用产生了某些令人振奋的结果。这些成功的人工智能技术包括了基于知识的方法，自动推理、专家系统、启发式搜索策略、时态逻辑、规划及模式识别。为了最终克服这些基本的困难，人工智能技术能够发挥重要的作用。而作为人工智能的一个子领域，机器学习涉及一个问题，即如何建立一个计算机程序，该程序通过经验能够改进它们在执行某些任务时的性能。
机器学习专门致力于创造并且编译可验证的知识，而这些知识与人工制品的设计与构建相关。机器学习领域包括了监督学习、无监督学习和增强学习，它已经被证明在许多的应用领域中具有极大的实用价值。软件工程领域已成为一块沃土，在那里许多软件开发和维护的任务可以系统地阐述为学习问题和依据学习算法的方法。本书涉及了在软件工程中的机器应用这个主题，它提供了对机器学习的综述，总结了这个领域中的最新实践，给出了对现有工作的分类，提供了某些应用准则。书中还包括了在该研究领域中先前发表的论文集合。
本书由9章组成。第1章机器学习与软件工程介绍；第2章预测和估计中的机器学习应用；第3章属性与模型发现中的机器学习应用；第4章变换中的机器学习应用；第5章生成与合成中的机器学习应用；第6章重复使用中的机器学习应用；第7章需求获取中的机器学习应用；第8章开发知识管理中的机器学习应用；第9章准则与结论。
本书可供软件工程以及机器学习专业的研究人员和研究生阅读参考。也可供从事软件开发工作的人员阅读。
胡光华，高级软件工程师
(原中国科学院物理学研究所)
人工智能研究综述范文5
关键词：智能控制；应用；探讨；
前言：
随着时代的发展，科学技术的进步，计算机技术已经逐渐成为人们日常生活中不可分割的一部分，而自人工智能的概念被提出后，各国将更多的精力投入到智能的研究上，随着信息化时代的到来，自动化技术与智能控制技术的结合越来越符合当前工业的发展。智能控制作为以众多学科为基础的过程控制中最为重要的一部分，在社会上的各行各业都有着十分重要的作用。除此之外，智能控制同样是当今社会处于前沿的科学技术，因此，如何将智能控制更好地应用于实际具有十分重要的社会意义。
1 智能控制综述
随着科学技术的发展，人们生活质量的提高，对工业生产的需求越来越旺盛，从而导致了过程控制也就是控制科学这一项技术的诞生。智能控制是指通过控制智能机器完成目标的控制过程，智能控制作为控制过程的重要组成部分，随着各界人士不断的钻研，目前智能控制的理论已相对成熟。智能控制是人工智能、控制论、信息论与运筹学等技术相互交叉所形成的符合当展的一项新型的理论与技术，也因此其应用领域正在不断的扩大。目前主要通过两种研究方法来研究智能控制，提高智能控制所具备的一些能力，如学习能力、组织综合能力、适应能力以及优化能力，从而保证智能控制能更好地发挥其相应的社会作用。
2 智能控制所采用的手段
2.1 专家控制
专家控制其实就是将专家系统引入控制领域的一种新型的智能控制，而随着时间的发展，专家控制逐渐成为智能控制的重要组成部分。专家系统通过知识库采集相关知识进行推理，从而使专家控制能最大限度地模仿专家的经验推理出解决对策以及方案，专家控制最大的优点便是它是通过各种知识进行推理从而得出最终的解决对策，而不是通过一个固定的规则或数据模型得到的结果。目前专家系统的应用极其广泛，但是仍有许多问题值得进一步的研究，以便专家控制系统具备自主学习能力，从而能使智能控制更加完善。
2.2 模糊控制
自1956年模糊控制被第一次提出以后，就成为了智能控制中的重要组成部分，并被广泛地应用于实际中。模糊控制相对于其它智能控制手段最主要的特点就是算法简单、执行速度快、容易实现目标，也因此，模糊控制被广泛地应用于较为复杂的领域解决较为复杂的问题。所谓的模糊控制是基于模糊推理等理论，从而使机器能以较为接近人类思维的语言逻辑进行分析，从而控制系统进行工作，以便达到无人控制的目标。到目前为止，虽然作为智能控制的重要组成部分的模糊控制已经发展得相当不错了，但是仍然存在着一定的问题需要改善。
2.3 神经网络控制
所谓的神经网路控制就是将神经系统融入智能控制中，是基于结构模拟人脑生理结构而形成的智能控制和辨识方法，其中BP网络是神经网络控制的主要网络模型。神经网络控制在控制领域具有十分重要的作用，这主要是因为神经网络控制在理论上是非线性函数且能执行并行分布处理，具有较强的学习能力与适应能力，可以进行多变量的处理。但是神经网络控制同样具有不可忽视的缺陷，目前正在进一步研发将神经网络理论应用到具体的控制系统，以便提高智能控制的性能。
2.4 混沌控制
混沌控制同样也是智能控制的重要组成部分，于1963年被气象学家所提出，是非线性动力系统的理论，而且由于混沌控制在工业上所具有的重要应用价值，使得混沌控制成为了当代社会的重要研究方向。目前常用的混沌控制方法包括OGY法、连续反馈控制法等控制方法。混沌，顾名思义就是在确定的系统中出现的貌似随机的现象，是一种十分普遍的运动情况。近几年，混沌控制逐渐成为了非线性系统领域重点研究对象，但是由于其发展时间较短，仍旧需要进一步的研究。
3 智能控制的应用
3.1 智能机器人
智能控制现阶段被广泛地应用于各个领域。自人工智能理念被提出以后，智能机器人的研究便成为了各界学者关注的重点，而现在的智能机器人研究相对成熟，主要是因为赋予“思维能力”的相应控制系统十分完善，能准确地对周围的环境等情况进行检测，同时进行定位，而智能控制系统强大的学习能力也提高了智能机器人对环境的适应能力。目前智能机器人在社会上有着十分广泛的应用，其中多数都是危险作业，如挖矿、水下运载器、水下无人机等的作业都是通过智能控制实现的。
3.2 智能监控
智能监控是智能控制的主要应用领域。在工业生产中，智能监控是必不可少的，这主要是为了保证加工的效率和准确度，同时由于目前将智能控制技术与自动化技术相结合以成为工业生产的主要方式，而利用智能控制不仅可以提高控制精度与工作效率，避免了工作人员的操作，降低了操作的难度，避免了客观因素对电气设备的干扰，提高了电气设备的自动化程度，促进了工业的发展。除此之外，智能控制同样被应用行器的过程控制以及医疗过程控制中，从而保证飞行器的飞行安全，合理地评估用药，可以看出智能监控对社会的发展十分重要。
3.3 智能检测
设备具有一定的使用寿命，并且极易受到外界因素的干扰，从而降低机器的使用寿命，造成大量的损失，因此必须采取一定的措施延长设备预期使用寿命，而智能检测在这方面具有得天独厚的优点。智能检测是通过合理的分析设备所运行的情况，从而判断设备可能出现故障的地方及原因，并发出警告，以便维修人员能及时地检修，及时地排除故障，从而保障设备的正常运行，延长机器的使用寿命，并在一定程度上降低损失。目前智能故障检测广泛地应用于雷达以及火电站锅炉给水过程等方面。
3.4 智能仪器
随着电子技术的发展，微电子元件具有十分广阔的市场，而随着微电子元件的发展，人工智能与智能控制技术正朝着更高的集成化、网络化、模块化的方向发展，从而与工业生产相结合，形成自动化程度更高的设备，从而实现无人控制与远程控制的目标。
4 智能控制的应用前景
到现在为止，智能控制的发展历史极其短暂，仅仅只有六十年，但是在这短短的六十年间，智能控制逐渐成为了各个领域的主要应用技术。虽然智能控制的发展十分迅速，但是由于发展时间较短，仍然存在很多的问题，因此需要加强对智能控制的研究，从而使其应用更为安全且广泛。这就需要相关的学者继续完善智能控制的相关理论，并且在一定程度上提高智能控制系统的稳定性、可控性等性能，并且解决当前智能控制中所遇到的问题，从而使智能控制应用于更广的领域。
5 结语
综上所述，随着经济的发展，科学技术的进步，当今社会的IT行业正处于蓬勃发展的时期，而智能控制更是基于人工智能理论所衍生的更符合当今社会发展的一项新型的学科。人工智能控制是一项基于运筹学、人工智能以及控制理论等所衍生的一项交叉技术，目前为止，应用最为广泛的智能控制手段包括模糊控制、专家控制、神经网络控制以及混沌控制，并且逐渐在社会中发挥着重要的作用，从而为我国的发展做出一份贡献。
参考文献
人工智能研究综述范文6
〔关键词〕知识图谱；专家系统；发展轨迹
DOI：10．3969／j．issn．1008－0821．2012．02．040
〔中图分类号〕G250.71 〔文献标识码〕A 〔文章编号〕1008－0821（2012）02－0159－08
Knowledge-based Expert System Development Overview MapLiao Yi
（Political Department，National University of Defense Technology，Changsha 410073，China）
〔Abstract〕Artificial intelligence expert system is the most important and most active areas of an application,which implements the artificial intelligence research from theory to practice,turning from the general reasoning strategies of a major breakthrough in the use of expertise.This chronological order,the expert system into the 1980s before the 1980s,1990s,2000,after four stages.Articles using bibliometric methods,analysis of the expert system development process,development and trends,pointing out that the current phase is the development of expert systems,expert systems into a variety of commercial operation,need to address the knowledge acquisition bottleneck,matching conflicts and other issues for expert systems to understand and master the subject structure,evolution,development and so provide an unique perspective and knowledge.
〔Key words〕knowledge maps;expert systems;the development trajectory
专家系统作为人工智能的一个重要分支，发展已经超过50年，在很多应用领域都获得了广泛使用，取得了丰硕成果。本文运用文献计量这一独特视角对专家系统进行了再回顾和再分析，将智能科技划分为初创期、成长期、低谷期、发展期，利用词频分析、共引分析、作者共现分析等方法揭示专家系统的学科结构、影响程度、关键节点与时间点等重要而独特的知识，为了解和掌握专家系统的发展与演化过程提供了独特视角。
1 数据来源
SCI（Science Citation Index）是美国科学情报研究所ISI（Institute for Science Information）出版的期刊文献检索工具，所收录的文献覆盖了全世界最重要和最有影响力的研究成果，成为世界公认的自然科学领域最为重要的评价工具。本文以Web of Science中的SCI数据库为数据来源，选用高级检索方式，以“Expert System/Experts System”作为主题词，于2011年5月在Web of Secience中进行检索，一共检索到14 500篇相关文献记录。获得的年度分布如图1。所示。虽然，专家系统研究从20世纪五六十年代就开始了，但是从图1可以看出直到1982年才有主题词与专家系统相关的论文出现。图1表明1991年左右，专家系统相关论文达到了峰值，但随后呈逐年下降的趋势。到1999年，只有494篇。但21世纪开始，专家系统相关论文又出现了增加的趋势，并维持在一个稳定的水平中。图1 专家系统在SCI数据库文献发表年度变化情况
2012年2月第32卷第2期基于知识图谱的专家系统发展综述Feb.，2012Vol.32 No.22 专家系统前40年的发展
本文利用基于JAVA平台的引文分析可视化软件Citespace，首先设定时间跨度为1950-1991年，时间切片长度为1年，聚类方式为共被引聚类（Cited Reference），阈值选择为（2，2，20）、（3，3，20）、（3，3，20）。Citespace得出这些引文的时间跨度为1950－1990年，可以绘制出该时间段的专家系统论文时区分布图，如图2所示。我们以年代先后为序，将20世纪80年代以前作为第一阶段，80年代至90年代作为第二阶段。图2 1950-1991年各年度专家系统论文之间的时区分布图
2.1 专家系统起源时期
根据图2显示，这段时期有7个突出节点，既有7位代表人物。第一个节点代表的是“人工智能之父”――英国著名科学家阿兰・麦席森・图灵（Alan Mathison Turing），他于1950年在《心灵》杂志上《计算机器与智能》，提出了著名的“图灵测试”，探讨了机器智能的可能性，为后来的人工智能科学提供了开创性的构思［1］。
第二个节点代表的是美国工程院院士、加州大学扎德（LA.Zadeh）教授，他于1965年在《信息与控制》杂志第8期上发表题为《模糊集》的论文，提出模糊集合理论，给出了模糊性现象定量描述和分析运算的方法，从而诞生了模糊数学。1978年，扎德教授提出了“可能性理论”，将不确定性理解为可能性，为模糊集理论建立了一个实际应用上的理论框架，这也被认为是模糊数学发展的第二个里程碑。同年，国际性期刊《International Journal of Fuzzy Sets and System》诞生，这使得模糊理论得到普遍承认，理论研究高速发展，实际应用迅速推广。
第三个节点代表的美国两院院士、卡内基-梅隆大学教授艾伦・纽厄尔（Allen Newell），1972年，他出版了《人怎样解题》（Human Problem Solving)一书，书中描述了他和西蒙试图建立一个计算机化的“通用问题求解器”的历程：20世纪50年代，他们发现，人类的问题解决，在一定知识领域内可以通过计算机实现，所以他们开始用计算机编程来解决问题，1956年，他们研发出了逻辑理论家和通用问题求解器（General Problem Solver），并建立了符号主义人工智能学派。我们可以看出，这本书是对他以前所作工作的总结与归纳，而逻辑理论家和通用问题求解器正是专家系统的雏形，为专家系统的出现奠定了坚实的基础。
但是艾伦・纽厄尔的尝试无法解决大的实际问题，也很难把实际问题改造成适合于计算机解决的形式，并且对于解题所需的巨大搜索空间也难于处理。为此，美国国家工程院院士、斯坦福大学教授费根鲍姆（E.A.Feigenbaum）等人在总结通用问题求解系统成功与失败的经验基础上，结合化学领域的专门知识，于1965年研制了世界上第一个专家系统dendral，可以推断化学分子结构。专家系统进入了初创期，其代表有dendral、macsyma（数学专家系统）等，第一代专家系统以高度专业化、求解专门问题的能力强为特点，向人们展示了人工智能应用的广阔前景［2］。
第四个节点代表人物是美国麻省理工学院著名的人工智能学者明斯基（Minsky）。1975年，他在论文《表示知识的框架》(A Framework for Representating Knowledge，McGraw-Hill)中提出了框架理论，框架理论的核心是以框架这种形式来表示知识。理论提出后，在人工智能界引起了极大的反响，并成为了基于框架的专家系统的理论基础，基于框架的专家系统适合于具有固定格式的事物、动作或事件。
第五个节点代表人物是美国普林斯顿大学教授格伦谢弗（Glenn Shafer），他在1976年出版了《数学理论的证据》（A mathematical theory of evidence）一书，介绍了由他和Dempster于1967年提出的D-S理论（即证据理论）。证据理论可处理由不知道因素引起的不确定性，后来，该理论被广泛应用于计算机科学和工程应用，是基于D-S证据理论的专家系统的理论基础。
第六个重要节点代表是美国斯坦福大学爱德华・汉斯・肖特利夫（Shortliff EH）教授，他于1975年在著名杂志《数学生物科学》上发表《A model of inexact reasoning in medicine》（《在医学模型的不精确推理》）一文，他结合自己1972－1974年研制的世界第一个医学专家系统――MYCIN系统（用于诊断和治疗血液感染及脑炎感染，是第二代专家系统的经典之作），提出了确定性理论，该理论对专家系统的发展产生了重大影响。
第七个节点代表人物是美国麻省理工学院计算机科学和人工智能实验室的戴维斯（Randall Davis）教授，他于1976年提出元知识的概念，并在专家系统的研制工具开发方面做出了突出贡献――研制出知识获取工具Teiresias，为专家系统获取知识实现过程中知识库的修改和添加提供了工具［3］，关Teiresias，他于1977年在《Artificial Intelligence》杂志上中进行了详细介绍，而这也为本时期专家系统的快速增多和广泛应用奠定了坚实基础。
20世纪70年代后期，随着专家系统应用领域的不断开拓，专家系统研发技术逐渐走向成熟。但同时，专家系统本身存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一等问题也被逐渐暴露出来。人们从各种不同类型的专家系统和知识处理系统中抽取共性，人工智能又从具体研究逐渐回到一般研究。围绕知识这一核心问题，人们重新对人工智能的原理和方法进行探索，并在知识的获取、表示以及知识在推理过程中的利用等方面开始出现一组新的原理、工具和技术。
2.2 专家系统发展的黄金时期
20世纪80年代是专家系统突飞猛进、迅速发展的黄金时代，根据图2显示，这段时期共有论文982篇，有7个突出节点。
1980年，出现了第一个节点代表――美国斯坦福大学计算机科学系系主任尼尔森（NILS J.NILSSON），他出版的《人工智能原理》（《Principles of artificial intelligence》）一书，表明了拉近理论和实践的距离的目标，书中对基于规则的专家系统、机器问题解决系统以及结构对象的代表等都进行了具体的论述。
1981年，出现了第二个节点代表――英国赫特福德大学教授Clocksin，威廉F，他出版的《PROLOG语言编程》一书，引起了计算机科学界的极大兴趣，并已被证明是一个重要的编程语言和人工智能系统的新一代基础，是专家系统的重要编程语言。
1982年，出现了第三个节点代表――美国匹兹堡大学教授米勒（Miller RA），他在《英格兰医药分册》上发表了《基于计算机的医学内科实验诊断顾问》（An Experimental Computer based Diagnostic Consultant for General Internal Medicine.N Engl J Med,307,468-76,1982）一文，属当时诊断专家系统的代表力作，书中介绍了著名的内科疾病诊断咨询系统INTERNIST-1，之后将其不断完善成改进型INTERNIST-2，即后来的CADUCEUS专家系统，其知识库中包含了572种疾病，约4 500种症状。
1983年，出现了第四个节点代表――美国的海斯罗斯（Hayes-Roth，F）教授，他于1983年发表著作《建立专家系统》，对专家系统建立的原则和要素、开发的生命周期等重要问题进行了详细讲解，为研究与开发各种类型的专家系统提供了理论依据。
1984年，出现了第五个节点代表――美国匹兹堡大学计算机科学、哲学和医学教授布鲁斯・布坎南（Bruce G.Buchanan），他于1984年发表著作《规则的专家系统：斯坦福启发式编程项目Mycin实验》（《Rule Based Expert Systems:The Mycin Experiments of the Stanford Heuristic Programming Project》，这是有史以来关于医疗诊断系统MYCIN的实验规则库公布。基于规则的专家系统MYCIN是专家系统开发过程中一个里程碑，研究其开发思路与方法具有非常重要的意义。
1985年，出现了第六个节点代表――美国人工智能专家、加州大学教授哈蒙（Harmon P），他出版了《专家系统：人工智能业务》（《Expert systems：artificial intelligence in business》）一书。书中阐述了专家系统如何解决问题，代表知识，并得出推论，并介绍了人工智能的具体制度，确定了专家系统的市场。
1986年，出现了第七个节点代表――著名的专家系统学者沃特曼（Waterman DA），他出版了《专家系统指南》一书，该书对专家系统的概念、组成、建立过程、建立工具、应用领域等做了深入浅出的系统介绍与论述，是当时全面介绍专家研发与应用的经典书籍。
20世纪80年代初，医疗专家系统占主流，主要原因是它属于诊断类型系统且容易开发。80年代中期，出现大量投入商业化运行的专家系统，为各行业带来了显著的经济效益。从80年代后期开始，大量新技术成功运用到专家系统之中，使得专家系统得到更广泛的运用。在这期间开发的专家系统按处理问题的类型可以分为：解释型、预测型、诊断型、设计型等。应用领域扩展到农业、商业、化学、通信、医学等多个方面，成为人们常用的解决问题的手段之一。
然而，与此同时，现有的专家系统也暴露出了自身严重的缺陷，使不少计算机界的知名学者对专家系统产生了怀疑，认为专家系统存在的问题有以下几点：（1）专家系统中的知识多限于经验知识，极少有原理性的知识，系统没有应用它们的能力；（2）知识获取功能非常弱。为了建造专家系统，必须依赖于专家获取知识， 不仅费时， 而且很难获取完备性和一致性的知识；（3）求解问题的方法比较单一，以推理机为核心的对问题的求解尚不能反映专家从认识问题到解决问题的创造性过程；（4）解释功能不强［4］。等到学者们回过头重新审视时，20世纪90年代的专家系统理论危机已然爆发。
3 90年代专家系统向多个方向发展
由于20世纪80年代专家系统研究迅猛发展，商业价值被各行各业看好，导致90年代大批专家系统从实验室走出来，开始了它们的工程化市场化进程。从图1看以看出，在20世纪90年代，专家系统的相关论文不增反减，进入一个局部低谷期，这期间以“Expert System/Experts System”为主题词的论文共7 547篇。本文利用Citespace软件，设置参数为（4，4，20）（4，3，20）（4，4，20），获取了该时期论文的引文聚类图（如图3所示）。图2 专家系统1990－2000年的论文引文聚类图
从图3中我们可以看出，全图的节点比较分散，没有形成大的聚类，这表示该阶段没有形成重点研究方向，也没有重大科研成果和标志性著作产生，专家系统的市场化进程严重牵引了研究者们的注意力，这是专家系统研究陷入低谷期的重要原因。
这段时间专家系统的研究工作大致分以下几个方面：第一个研究方向依旧是建立在扎德（LA.Zadeh）教授模糊理论上的模糊专家系统，它同样是该年代专家系统研究的重点方向。
第二个研究方向是骨架专家系统，代表人物有美国斯坦福大学的爱德华・汉斯・肖特利夫（Shortliff EH）教授。1974年末，MYCIN系统基本建成后，MYCIN的设计者们就想到用其它领域的知识替换关于感染病学的知识，可能会得到一个新的专家系统，这种想法导致了EMYCIN骨架系统的产生。EMYCIN的出现大大缩短了专家系统的研制周期，随后，AGE、OPS5、KEE、KBMS、GESDE等骨架系统应运而生，它们在20世纪90年代专家系统的研究进程中，发挥着重要作用。
第三个研究方向是故障诊断专家系统，代表人物有美国麻省理工学院的兰德尔・戴维斯（Randall Davis）教授。他于1984年在《人工智能》杂志上发表了《基于结构和行为的诊断推理 》（《Diagnostic Reasoning Based on Structure and Behavior》）一文，该论文描述了一个利用知识结构和行为，在电子电路领域进行故障诊断排除的专家系统。之后，故障诊断专家系统在电路与数字电子设备、机电设备等各个领域已取得了令人瞩目的成就，已成为当今世界研究的热点之一。
第四个研究方向是基于规则的专家系统，布鲁斯・布坎南（Bruce G.Buchanan）的著作对基于规则的专家系统在这个时期的发展仍有着积极的指导作用。多种基于规则的专家系统进入了试验阶段。传统基于规则的专家系统只是简单的声明性知识，而目前，规则的形式开始向产生式规则转变，并趋向于提供较完善的知识库建立和管理功能。
第五个研究方向是知识工程在专家系统中的运用。代表人物是美国斯坦福大学的克兰西教授（Clancy W J），他于1985年在《人工智能》杂志上发表了重要论文《启发式分类》（《Heuristis classification》），启发式分类即对未知领域情况的类的识别过程。它是人类思维解决问题的重要方法，在人工智能、专家系统中可常用启发式设计计算机程序，模拟人类解决问题的思维活动。
第六个研究方向是机器学习在专家系统中的运用。代表人物是机器学习领域前辈、澳洲悉尼大学著名教授John Ross Quinlan。他于1986年在《机器学习》（《Mach.Learn》）杂志上发表《决策树算法》（《Induction of Decision Trees》）一文，文中他详细描述了决策树算法的代表――ID3算法。之后，有大量学者围绕该算法进行了广泛的研究，并提出多种改进算法，由于决策树的各类算法各有优缺点，在专家系统的实际应用中，必须根据数据类型的特点及数据集的大小，选择合适的算法。
第七个研究方向是神经网络专家系统，代表人物有人工智能专家Stephan I.Gallant和美国加利福尼业大学教授巴特・卡斯科（Bart Kosko）。Gallant于1988年在《ACM的通信》上发表了《连接主义专家系统》（《Connectionist expert systems》）一文，文中讲述Gallant 设计了一个连接主义专家系统（Connectionist expert system），其知识库是由一个神经网络实现的（即神经网络知识获取），开创了神经网络与专家系统相结合的先例。
第八个研究方向是遗传算法在专家系统中的运用。代表人物是遗传算法领域著名学者、美国伊利诺伊大学David Goldberg教授和人工智能专家L.Davis。1989年，Goldberg出版了专著《搜索、优化和机器学习中的遗传算法》，该书系统总结了遗传算法的主要研究成果，全面而完整地论述了遗传算法的基本原理及其应用；1991年，Davis编辑出版了《遗传算法手册》，书中包含了遗传算法在科学计算、工程技术和社会经济中的大量应用实例，该书为推广和普及遗传算法的应用起到了重要的指导作用。这些都推动了基于遗传算法的专家系统的研发推广。
第九个研究方向是决策支持系统在专家系统中的运用，代表人物是美国加利福尼亚大学伯克利分校教授埃弗雷姆・特班（Efraim Turban）。他于1990年出版了《决策支持和专家系统的管理支持系统》（《Decision support and expert systems:management support systems》）一书。20世纪80年代末90年代初，决策支持系统开始与专家系统相结合，形成智能决策支持系统，该系统充分做到了定性分析和定量分析的有机结合，将解决问题的范围和能力提高到一个新的层次。
第十个研究方向是各种理论知识在专家系统中的综合运用，代表人物是美国加利福尼业大学教授巴特・卡斯科（Bart Kosko）和美国伊利诺伊州研究所教授Abdul-Rahman K.H。卡斯科（Kosko）于1992年出版《神经网络和模糊系统：一个拥有机器智能的动力系统方法》（《Neural networks and fuzzy systems:a dynamical systems approach to machine intelligence》）一书，这是第一本将神经网络和模糊系统结合起来的读本，也是神经网络与模糊理论综合应用于专家系统建设的经典著作；Abdul-Rahman K.H教授于1995年，在美国电气和电子工程师协会的《电力系统及自动化》（《Transactions on Power Systems》）会议刊上发表了《人工智能模糊无功负荷的最优VAR控制方法 》（《AI approach to optimal VAR control with fuzzy reactive loads》）一文，论文提出了一个解决无功功率（VAR）控制问题，这个方法包含了专家系统、模糊集理论和人工神经网络的重要知识。
虽然专家系统大量建造，但投入实际运行的专家系统并不多，且效率较低，问题求解能力有待进一步提高。原因之一就是专家系统主要是模拟某一领域中求解特定问题的专家的能力，而在模拟人类专家协作求解方面很少或几乎没有做什么工作。然而在现实世界中，协作求解具有普遍性，针对特定领域、特定问题的求解仅仅具有特殊性，专家系统虽然在模拟人类专家某一特定领域知识方面取得了成功，但它仍然不能或难以解决现实世界中的问题。其次，开发的专家系统的规模越来越大，并且十分复杂。这样就要求将大型专家系统的开发变成若干小的、相对独立的专家系统来开发，而且需要将许多不同领域的专家系统联合起来进行协作求解。然而，与此相关的分布式人工智能理论和实用技术尚处在科研阶段。只有分布式系统协作求解问题得以解决，才能克服由于单个专家系统知识的有限性和问题求解方法的单一性等导致系统的“脆弱性”，也才能提高系统的可靠性，并且在灵活性、并行性、速度等方面带来明显的效益［5］。
4 21世纪专家系统进入稳定发展时期
进入21世纪，专家系统开始缓慢发展，这期间以“Expert System/Experts System”为主题词的论文共5 964篇。本文利用Citespace软件，设置参数为（6，6，20）（5，5，20）（5，5，20），获取了该时期论文的引文聚类图（如图4所示）。图4 专家系统2000－2010年的论文引文聚类图
这个时期专家系统有3个主要研究方向：第一个是研究方向是节点明显的基于模糊逻辑的专家系统研究方向。90年代以来，模糊控制与专家系统技术相结合，进一步提高了模糊控制器的智能水平。基于模糊逻辑的专家系统有以下优点：一是具有专家水平的专门知识，能表现专家技能和高度的技巧以及有足够的鲁棒性（即健壮性）；二是能进行有效的推理，能够运用人类专家的经验和知识进行启发性的搜索和试探性的推理；三是具有灵活性和透明性。
第二个是研究方向是Rete模式匹配算法在专家系统中的应用，代表人物是美国卡内基―梅隆大学计算机科学系的Charles L.Forgy教授，1979年，他首次提出Rete算法。专家系统工具中一个核心部分是推理机，Rete算法能利用推理机的“时间冗余”特性和规则结构的相似性，并通过保存中间运算结果的方法来提高推理的效率。1982年，他在《人工智能》杂志上发表《Rete算法：许多模式／多对象的模式匹配问题的一个快速算法》（《Rete:A Fast Algorithm for the Many Pattern/Many Object Pattern Match Problem》）一文，该文解释了基本算法的概念，介绍了详细的算法，描述了模式和适当的对象交涉算法，并说明了模式匹配的执行操作。
第三个是研究方向是专家系统在电力系统中的运用。世界各国的专家们开始热衷于在电力生产的各个环节使用专家系统，代表人物有日本的福井贤、T.Sakaguchi、印度的Srinivasan D、美国伊利诺伊州研究所的Abdul-Rahman K.H、希腊雅典国立技术大学的Protopapas C.A、和中国的罗旭，他们在美国电气和电子工程师协会的《电力传输》（《IEEE transactions on power delivery）会议刊及《电源设备系统》会议刊（《On Power Apparatus and Systems》）上发表了多篇有影响力的论文，内容涉及系统恢复、电力需求预测、变电站故障诊断和报警处理等多方面。
这十年间，专家系统的研究不再满足于用现有各种模型与专家系统进行简单结合，形成基于某种模型的专家系统的固有模式。研究者们不断探索更方便、更有效的方法，来解决困扰专家系统的知识获取瓶颈、匹配冲突、组合爆炸等问题，而这也推动了研究不断向深层次、新方向发展。但是，由于专家系统应用的时间长、领域广，他们遭遇的瓶颈问题一时得不到有效解决，导致了这一时期末，专家系统研究呈现出暂时的下滑现象。
5 专家系统发展趋势分析
图一发展曲线上第二个时间节点是1992年，从该年起专家系统相关论文呈下降趋势，然后在2002年又开始缓慢增长，近一年多来又开始下降，这标志着专家系统研究在布满荆棘的道路上前行，前景是光明的，但道路是曲折的。本文以5年为一个单位，统计了1990－2009年20年期间专家系统相关论文中高频词的变化情况，如表1所示，从该表可以获得这个时期专家系统研究的一些特点。
（1）在1990-1999年期间，人工智能出现新的研究，由于网络技术特别是国际互连网技术发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究，使人工智能更加实用，这给专家系统带来了发展的希望。正因为如此，我们从词频上可以看出，人工智能（artificial intelligence）一词在这十年一直位居前两位，在专家系统研究中处于主导地位，而与其相关的知识表示（knowledge representation）、知识获取(knowledge acquisition)等，也成为了学者们研究的重点方向。
（2）该时期的第二个特点是神经网络研究的复苏。神经网络是通过模拟人脑的结构和工作模式，使机器具有类似人类的智能，如机器学习、知识获取、专家系统等。我们从词频上可以看出神经网络（neural network）一词得以快速增长，1995年时位列第一，进入21世纪也是稳居第二位，神经网络很好地解决了专家系统中知识获取的瓶颈问题，能使专家系统具有自学习能力，它的出现为专家系统提供了一种新的解决途径［6］，同时也显示出他独有的生机与活力。
（3）该时期是模糊逻辑的发展时期。模糊理论发展至今已接近三十余年，应用范围非常广泛，它与专家系统相结合，在故障诊断、自然语言处理、自动翻译、地震预测、工业设计等方面取得了众多成果。我们从词频上可以看出，模糊逻辑（fuzzy logic）一词，除在1990－1994年期间位居第六位外，之后都位居前三甲，2000-2004年期间更是位列第一。模糊控制与专家系统技术相结合，进一步提高了模糊控制器智能水平，这种控制方法既保持了基于规则的方法的价值和用模糊集处理带来的灵活性，同时把专家系统技术的表达与利用知识的长处结合起来，能处理更广泛的控制问题。
（4）故障诊断成为专家系统研究与应用的又一重要领域。故障诊断专家系统的发展起始于20世纪70年代末,虽然时间不长,但在电路与数字电子设备、机电设备等各个领域已取得了令人瞩目的成就,已成为当今世界研究的热点之一。这从高频词分布可以开出，故障诊断（fault diagnosis）从1995-1999年间的最后一位攀升至2005-2009年间的第一位，足见其强大的生命力。在专家系统己有较深厚基础的国家中，机械、电子设备的故障诊断专家系统已基本完成了研究和试验的阶段，开始进入广泛应用。
（5）遗传算法的应用逐渐增多。20世纪90年代，遗传算法迎来了发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高。进入21世纪，遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。这在高频词分布中可以看出，以2000作为临界点，遗传算法（genetic algorithms）从20世纪90年代的10名之后，到位于高频词前六强之中，充分反映出它发展的良好势头。
6 小 结
专家系统是20世纪下半叶发展起来的重大技术之一，它不仅是高技术的标志，而且有着重大的经济效益。“知识工程之父”E.Feignbaum在对世界许多国家和地区的专家系统应用情况进行调查后指出：几乎所有的ES都至少将人的工作效率提高10倍，有的能提高100倍，甚至300倍［7］。
专家系统技术能够使专家的专长不受时间和空间的限制，以便推广稀缺的专家知识和经验；同时，专家系统能促进各领域的发展，是各领域专家专业知识和经验的总结和提炼。
专家系统发展的近期目标，是建造能用于代替人类高级脑力劳动的专家系统；远期目标是探究人类智能和机器智能的基本原理，研究用自动机模拟人类的思维过程和智能行为，这几乎涉及自然科学和社会科学的所有学科，远远超出了计算机科学的范畴。
随着人工智能应用方法的日渐成熟，专家系统的应用领域也不断扩大。有人类活动的地方，必将有智能技术包括专家系统的应用，专家系统将成为21世纪人类进行智能管理与决策的工具与助手。
参考文献
［1］百度百科［EB］.http:∥baike.省略/view/2130.htm．
［2］黄可鸣.专家系统二十年［J］.计算机科学，1986，（4）：26-37.
［3］路耀华.思维模拟与知识工程［M］.北京：清华大学出版社，1997．
［4］赵致琢.专家系统研究［J］.贵州大学学报：自然科学版，1990，（6）：40-48.
［5］邹光宇.专家系统发展现状及其应用前景［J］.电力勘测，1994，（3）：21-26.
