人工智能读书报告.doc

〔读书报告、研究报告〕
考
核
科
目 :人工智能
学生所在院〔系〕:计算机学院
学生所在学科 :计学 生 姓 名 : 学 号 : 学 生 类 别 :学考
核结果
算机术 科学与技术 阅卷人
人工智明过程：令y(n)? ；y(n)? 因为**
?(ht(n))?(ht(n))11?aht*(n)y(n)1?a
????(y)=y，故有y(n)?y(n)? 根据定理成立条
aa?(ht*(n))aa
件可知，当a 1?时，p[|y(n)|?(1?a)?a??]?p[|y(n)|?(a?1)?a??]?令 ? =(β+1)a – 1，当0??0?1 ，
?
b
，
1
?a?1 时，存在 ?>0，使得：1??
ht(n)?ht*(n)?p[||??]?p[|y(n)|??]?
?(ht*(n))b
，当a?1时，
p[|y(n)|?(1?a)?a?]?p[|y(n)?(a?1)|?a?]?
?
b
，令 ??(??1)a?1 ，
ht(n)?ht*(n)?1
|??]?当0??0?1存在 ??0 ，使得：p[| ?a?1时，*
?(ht(n))b1??
故定理是成立的。
定理二说明，至少存在一个区间，使得动态加权技术无法改变评价函数引出的?(n)?n 的标准差。pearl已经证明了使用动态加权的算法a在类
似这样的区间内，动态算法仍呈现最坏情况下的指数爆炸问题，类似，算法
ra?，假设使用动态加权技术，也不能防止指数爆炸问题。
结论
启发式搜索算法在人工智能领域应用广泛，文章提到的动态加权启发式搜索算法在某些方面要比a*算法出色，通过动态调整搜索中深度优先与宽度优先的比值, 更能提高搜索的效率。但由分析可见，动态加权技术虽然在一定程度上提高了算法的搜索效率，但它也存在缺点，即不能从根本上解决指数爆炸问题。
参考文献
haslum,p., and geffner,h. 2001. heuristic planning with time and resources. in proceedings of ecp-01.
bonet,b., and geffner, h. 2001. planning as heuristic search. artificial intellegence 129(1-2):5-：人工智能读书笔记 西安交通大学
人工智能读书笔记
——神经网络初步探究
西安交通大学 电信学院 计算机15班 高君宇 2110505112
本学期，我有幸跟随相明教授进行了为期十周的人工智能课程学习。我最真切的体会是：在当今的人工智能领域里，理论是浩如烟海的，发现是十分之多的，应用是颇有限制的，成熟是有待时间的。但是，这丝毫不会降低我对人工智能诸多领域的兴趣。为什么呢？因为我是一个计算机专业的学生，对计算机这个看似冷冰的机器有着独特的感情，我渴望与他沟通与他交互向他诉说。所以，机器学习、神经网络等一系列理论都让我兴致勃勃，而且这些理论在相关领域中已经有所应用。在这个读书笔记里，我想专门记录自己对神经网络的研究。
人类在很多方面已成功地采用机器来完成繁重和重复的体力工作，但人们也一直没有放弃让机器具有人类的思维能力的努力。自电子计算机的出现至今，使这种梦想有了某些实现的可能。特别是人工智能技术的出现，使得人们又向思维机器的研究方向迈进了一步。
现在，人工神经网络技术又为我们进一步研究怎样模拟人类智能以及了解人脑思维的奥秘开辟了一条新的途径。[1]
那么，什么是神经网络呢？通过老师课上的讲述和自身的理解，我认为神经网络就是让计算机像生物体的神经系统一样，可以对外界传来的各种刺激〔输入〕产生一系列确定的反响〔输出〕。神经元在神经系统中具体怎么工作的我们不用纠结太多，而机器中实现神经网络模型需要用一系列数学方法对输入信号进行变换、分类、加权等。我们主要学习了早期的感知器模型，它第一次引入了学习的概念，但
简单感知器是通过非线性函数输出的，它只能解决线性可分问题，不能解决线性不可分问题〔即无法用一个平面〔直线〕把超空间〔二维平面〕中的点正确划分〕，但多层感知器可以解决这个问题，因为它把多个感知器级联在了一起，相当于在一个平面上画多条直线，其层次可分为输入层、隐层和输出层，每一层都是上一层的输入加权后输出，但多层感知器模型不能学习。接着，我们重点学习了bp算法，它是一种最为著名的前馈网络学习算法，bp网络既解决了多层感知器不能学习的缺陷，又继承了感知器强大的分类能力。[2]它将初始的各层权值不断调整，用迭代的方法逐步逼近最优结果。
bp神经网络是前馈神经网络中应用最广泛的网络之一。理论上，当bp 神经网络隐