关于人工智能引擎的最初分析文档

赵立

1、开发人工智能引擎的目的是什么？其功能定位什么？有什么特色？

希望开发一整套人工智能软件的开发平台，用于解决目前软件技术难以处理的智能问题，从而能逐渐形成这方面的标准。我认为以后软件方面的技术变革肯定在于其人工智能性方面。

2、数据和代码，存储和运算的紧密结合，传统编程技术数据和代码分离太厉害了，使得软件明显可以以数据密集型和算法密集型分类，从而导致数据密集的软件缺乏智能性，而算法密集的则缺乏自学习能力。

3、软件设计时特征和运行时特征的分裂，导致了软件的适应能力上缺乏智能性。============================================================

通用模式识别系统的初步分析

1、目标的捕获算法，运动物体捕获，静止物体的捕获

运动物体可以通过前后两桢图象的色差对比来确定（运动可以作为系统自学习的一种手段）

静止物体主要通过边沿的连续性来确立其独立性

2、目标的识别算法，平面目标的识别，立体目标的识别

可以先生成一个由图象边沿组成的稀疏矩阵，然后对其进行模式匹配。

平面目标（只有一个侧面）的识别算法，平面目标在垂直面上发生旋转时识别的问题（可以用旋转边沿图形来衍生不同角度的模式）

主要提取的特征：边沿形状，色彩分布（必须考虑不同灯光下的稳定性），边沿特征主要通过边沿采样点和目标中心之间的比值来确定匹配度

关于环境干扰（如光源等）的排除处理：无色光源排除主要是依据是其只产生明暗的变化，而不产生颜色的失真，有色光源排除的主要依据是光照均匀时，各区域的色差还是相对稳定的。

对一个立体物体（具备多侧面，角度）的识别算法：可以通过捕获一组运动目标（作水平旋转）分别作为平面目标进行特征提取，然后通过这一组特征中最大匹配作为匹配进行识别。

3、模式识别时，“注意力”的优先级次序：运动的物体，静止的物体。对静止物体识别的算法，可以由大到小的分区识别的方法，也可以根据边缘特征快速匹配识别。

目标中心位置选取问题，细碎边沿的排除，空白区域排除

4、识别方式，指定目标识别（单模式识别），能识别的目标罗列（多模式识别）。

5、关于抽象目标的识别问题，如，如何识别画面当中是否有一台电视机，但具体电视机就有不同的型号和品牌，千差万别，如何识别抽象意义上的电视机。

============================================================

神经网络的初步分析

1、开发人工智能引擎的目的是什么？其功能定位什么？有什么特色？

希望开发一整套人工智能软件的开发平台，用于解决目前软件技术难以处理的智能问题

2、有什么哲学依据？本人的“层-----级”理论

3、数据和代码，存储和运算的紧密结合，传统编程技术数据和代码分离太厉害了，使得软件明显可以以数据密集型和算法密集型分类。

4、神经网络的新概念实现，用于处理感性问题（归纳型的问题）。

兴奋度,指单个神经元的兴奋程度

连接度,当前发生兴奋的神经元和目标神经元之间的关联程度(即条件反射的巩固程度)

条件反射发生公式: 兴奋度*连接度=目标的兴奋度

条件反射养成公式: 连接度=兴奋度1*兴奋度2*同时兴奋次数

兴奋和抑制的相对性，算法搜索少数几个兴奋度最高的神经原

兴奋度随时间自然递减（第三方控制递减步长,可以作为一个设置参数）,可以以一个基准时钟频率做为时间纬度,也可以按每次计算轮循作为一个时钟周期.

5、概念编程模式，用于处理理性问题

6、如何连接感性问题和理性问题

7、数据结构：神经元可以是用一个数组作为数据结构，多个神经元组成一个全连通的神经元网络，神经原数组中的第一个元素用于存放这个神经原的兴奋度，其他每一个元素分别对应该神经元和其他神经原的连接度，初始值为0，所以如果神经网络有100个神经原组成的话，那么每个神经原就要有100个元素的数组组成，所以有N个神经元的全连接神经网络其存储规模为N*N，为了节省神经网络的存储空间，没必要建立太大的全连接神经网络，可以建立多个独立的网络组成的多层次网络。为了存储的方便每个独立的网络可以是一块连续的存储空间。

8、多层网络间的连接和自组织问题。