人工智能自然语言理解论文
自1956年Dartmouth会议上人工智能概念被提出后，这门科学迅速成为上世纪发展最快的学科之一，衍生出神经网络、蚁群算法、遗传算法等多种算法，并被广泛应用到各个技术领域。以下是小编整理分享的人工智能自然语言理解论文的相关资料，欢迎阅读!
人工智能自然语言理解论文篇一
摘要：在实际工程中的信号处理问题中，模糊控制一向被广泛应用;而在模糊理论的应用中，最为重要的步骤之一就是建立模糊集的隶属函数，如何客观而准确地选取隶属函数也一直是一个重要的话题。在这个问题上，人工智能扮演了重要的角色，为隶属函数的求解问题提供了许多非传统的途径。
关键词：信号处理 模糊控制 隶属函数 人工智能 神经网络 遗传算法 小波分析
1、引言
在实际工程上的信号处理问题中，模糊控制一向被广泛应用;而在模糊理论的应用中，最为重要的步骤之一就是建立模糊集的隶属函数。确定隶属函数不仅在性质上可以进一步确定模糊系统的特点，并且也是通过量化方法来实现数学计算的桥梁。然而，隶属函数的选取与建立在很大程度上是取决于人的主观心理的，这导致学者们很难总结出比较系统的求解隶属函数的方法。虽然目前已总结出统计法、例证法、专家经验法等应用较广的隶属函数建立方法，但仍无法满足在许多领域的需求。
自1956年Dartmouth会议上人工智能概念被提出后，这门科学迅速成为上世纪发展最快的学科之一，衍生出神经网络、蚁群算法、遗传算法等多种算法，并被广泛应用到各个技术领域。现在，人工智能方法也被应用到求取及优化模糊推理系统的隶属函数当中，它们在解决非典型的、较复杂的问题上有着不小的优势。以下便是几种人工智能方法在模糊系统中的典型应用。
2、神经网络
2.1 利用BP神经网络推断隶属函数
建立隶属函数比较经典的方法有专家经验法和试凑法，这两种方法也有着传统的弊病，那就是主观性太强以及浪费人力。而目前比较流行的基于神经网络的方法，比起前两者，却能大大地提高函数的客观性和精确性，并不需要大量的专家经验，还可节约人力。
前馈式神经网络，即BP神经网络是目前应用比较广泛的一种神经网络模型，它可以通过梯度下降法令误差反向传播，通过多层修正使误差趋向最小，也就是使隶属函数趋向于最精确值。将前馈式神经网络与模糊逻辑结合起来形成神经模糊推理系统是一个多层系统，每一层都有各自不同的功能。
利用这种方法求解隶属函数，首先要确定一个初步的输入和输出隶属函数，具体来说，就是要通过聚类在输入和输出空间中发现隶属函数，常用聚类方法有逐步聚类法和传统聚类法两种;第二步是要用学习算法发现模糊规则，从原理上讲同样是要通过对输入模式进行聚类获得，建立模糊规则后便确立了此网络的模型;最后，利用反向传播功能对隶属函数进行进一步的优化，即运用BP网络将输出的隶属函数的误差进行反向传播，将误差最小化，从而得到最精确的隶属函数。
2.2 多目标优化模型的模糊解法
需要使多个目标在限定条件内同时达到最优解的问题，被称为多目标优化问题。多目标优化问题在现实中随处存在，解法也是多种多样，比较常用的解法有目标规划法等，后来，科学家们又将遗传算法应用到了多目标优化问题的求解中。但因为多目标最优解中，各目标之间常常有模糊相关关系，不考虑模糊关系而去求解有可能得不到真正的最优解，因此后来多目标优化的模糊求解又登上了讨论的舞台。其中，基于神经网络的多目标模型模糊求解就是较为突出的一种。
多目标模糊求解首先要按照惯常步骤求出各子目标的约束最优解，利用这些最优解将这些子目标函数模糊化之后，最后所求出的使交集的隶属函数取最大值的解便是该模型的模糊最优解。这其中，最重要的步骤就是选取恰当的隶属函数。但是人为选取的隶属函数总是欠缺一定的客观性。由于函数联接网络具有很强的插值能力和非线性映射能力，因此它的学习速度非常快，很适合应用于模糊处理问题中。利用函数联接网络，便可将多目标问题转换为单目标优化问题，从而找出非主观的、最为恰当的隶属函数，来实现理想的多目标模型模糊求解。
3、小波分析理论：运用小波分析优化模糊推理规则
小波变换是时间、空间频域的局部化分析，它可以做到低频出频率细分，高频出时间细分，在时域和
频域均具有良好的局部化性质，从而可聚焦到信号的任意细节。
构建隶属函数时最大的问题就在于无法系统性地去寻找一个精确的隶属函数。通过将小波基函数与模糊集隶属函数相结合，即可建立小波隶属函数，这种函数有助于弥补以上缺点，然而仍无法去除根据固有的推理规则进行推理所带来的问题。遗传算法是一种全局优化搜索算法，利用它将小波函数进行优化，可以改进该函数缺乏自学习功能的弊病，完善对小波隶属函数的优化，使隶属函数的寻找能够进一步精确化。
4、遗传算法
遗传算法是一种以生物界优胜劣汰遗传规律为原理的随机化搜索方法，它可以直接对结构对象进行操作，对于复杂的优化问题无需建模即可运算;具有良好的全局寻优能力，采用概率化的寻优方法，能自动调整寻优方向。这些优点可以对模糊系统的隶属函数起到良好的优化作用。
根据遗传算法的原理，要运用此算法进行优化，首先要将问题的某些部分与基因片段相对应，按照遗传规则进行选择、交叉、变异后，选取其中优秀的个体保留下来组成下一代的族群，从而完成优化。运用遗传算法对模糊系统的隶属函数进行优化主要是调整参数，如位置、形状等。进行优化后，往往能够达到使整个系统稳定精度提高、更加逼近隶属度的全局最优解的效果。
5、结语
因为模糊理论的现实意义，模糊控制系统在实际生产生活中有着极其广泛的应用。以往隶属度函数的建立一般是通过经验得来的，然而现在人们已经发掘出越来越多系统性的建立方法，在这之中人工智能的应用占据着相当重要的一席，这里介绍的方法仅仅是其中非常小的一部分。多方面的实践经验证明，这些方法均可达到系统化地建立和优化隶属函数的效果。