系统结构论文

摘　要:人工智能是一门综合性的应用科学。从20 世纪50 年代诞生后,大体经历了神经网络时代、弱方法时代、知识工程时代和知识工业时代四个阶段。目前,人工神经网络技术和遗传算法已广泛应用于工业、军事等领域。尽管人工智能的研究开发还跟不上人类对它的热切期望,但学者们通过辛勤努力必将实现人工智能技术的新突破。当人工智能进展到一定程度时,对符号处理技术和神经网络处理技术相结合的要求越来越强烈,其中数据挖掘便是二者很好的结合。数据挖掘体现了人工智能技术的进展,其应用领域日益广泛。由于数据流机自身的特性，数据挖掘已经成为人工智能的一个新的研究方向，在介绍数据流机的概念的基础上，分析了数据挖掘的概念和模型，总结了现有的数据挖掘算法。
关键词: 人工智能; 数据挖掘; 数据流机
　人工智能是人造的智能,是研究如何用人工的方法和技术，模仿、延伸和扩展人的智能，从而实现某些机器智能或脑力劳动的自动化；也就是说，人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能，计算机有着类似人脑的一些功能，是一种重要的智能机器，所以人工智能就是提高计算机应用的智能水平，使计算机像人一样有感知、推理与决策的等智能，一句话，就是要制造出具有智能的计算机。
人工智能早期的研究领域有:专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、博弈、人工神经网络等;目前已涉及到以下研究领域:数据挖掘、智能决策系统、知识工程、分布式人工智能[4 ]等。其中,数据挖掘的出现是人工智能发展史上具有重大意义的事件。近年来，随着计算机技术和通信网络技术的蓬勃发展，由于众多应用领域的需求，数据流处理问题，特别是基于数据流的挖掘问题已受到越来越多的研究人员关注。
在数据流计算机结构中以“数据驱动”方式启动指令的执行。按照这种方式，程序中任一条指令只要其所需的操作数已经全部齐备，且有可使用的计算资源就可立即启动执行（称为点火）。指令的运算结果又可作为下一条指令的操作数来驱动该指令的点火执行。这就是“数据驱动”的含义。在数据流计算机模型中不存在共享数据，一条指令执行后不送存储器保存，以供其他指令共享，而是直接流向需要该结果的指令，作为新的操作数供下一条指令使用，每个操作数经过指令的一次使用后便消失。
数据流计算机中也不存在指令计数器。指令得以启动执行的时机取决于操作数具备与否。程序中各条指令的执行顺序仅仅

由指令间的数据依赖关系决定。因此，数据流计算机中指令的执行是异步并发地进行的。在数据流程序中，由于“数据驱动”要求每条指令标明其运算结果的流向，也就是指向将本指令的运算结果作为操作数的那条目标指令。因此数据流程序中只有一条链路，即各条指令中指向目标指令的指针。
在数据流计算机中，没有变量的概念，也不设置状态，在指令间直接传送数据， 操作数直接以“令牌”(Token)或“数值”的记号传递而不是作为“地址”变量加以访问。因此操作结果不产生副作用，也不改变机器状态，从而具有纯函数的特点。所有数据流计算机通常与函数语言有密切的关系。
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘和知识发现的研究目前已经形成了三根强大的技术支柱： 数据库、人工智能和数理统计。主要研究内容包括基础理论、发现算法、数据仓库、可视化技术、定性定量互换模型、知识表示方法、发现知识的维护和再利用、半结构化和非结构化数据中的知识发现以及网上数据挖掘等。
数据流挖掘就是在数据流上发现提取隐含在其中的，人们事先不知道的，但又潜在有用的信息和知识的过程。流数据挖掘方面的研究主要包括多数据流挖掘和单数据流挖掘，挖掘多条数据流的主要目的是分析多条并行到达的数据流之间的关联，对单数据流的挖掘则涵盖了分类、频繁模式挖掘、聚类等多项传统数据挖掘中的主要任务，挖掘变化的数据流是一项特殊的任务，目前主要是以单数据流为对象进行研究的。

数据挖掘应用是指采用自动化或半自动化的手段从数据中进行模式识别。一些机器学习算法已经被应用到数据挖掘应用中。神经元网络属于这类学习算法，它在分类（Classification）任务和回归（Regression）任务中有着非常出色的表现，特别是当属性之间的关系呈现非线性特性时。遗传算法也是一种机器学习算法。遗传算法对一组候选目标通过一个选择函数，模拟自然界的遗传和进化原理，从而逐步得到适应性更好的后代（模型）。其中，选择函数用于对候选目标进行筛选，得到下一步的子代。如此循环往复，得到最能满足要求的后代（模型）。遗传算法可以用于分类应用和聚类应用。它也可以和其它算法一起使用，比如帮助神经元网络算法找到最佳的权重。
数据库是又一种被数据挖掘涉及到的技术。处于实用阶段的关联规则发现算法都来自于数据库的研究成果。目前，也存在一些采用数据库技

术，用于处理大数据量下的分类任务和聚合任务的算法，比如微软的聚类算法。
目前数据挖掘发展趋势：人工智能和数据挖掘都很注重对智能技术的研究,例如自动客户需求分析、自动资料更新、机器人自动识别、自动交通管理等。高度的智能化是数据挖掘和人工智能研究最终追求的目标,也是二者最终合而为一的标志。
将人工智能的技术应用于网络中将会使网络技术带上“智能”的特性,可以提高网络运行效率、解决网络拥塞问题、增加网络安全性、智能管理网络客户等。目前关于数据挖掘在网络上的应用已经很常见了,例如,用数据挖掘的方法在万维网上进行搜索的三种算法,基于数据挖掘的高效搜索引擎的编制算法。但是,人工智能和数据挖掘的网络化,仍然存在着算法效率和结果的可靠性不够理想的问题。
未来的人工智能和数据挖掘技术必将是一个融合众多领域的复合学科。
知识经济时代的人工智能和数据挖掘必将受到经济规律的影响,这决定了人工智能和数决挖掘必将带有经济化的特征。人工智能和数据挖掘技术作为无形资产可以直接带来经济效益,这种无形资产通过传播、教育、生产和创新将成为知识经济时代的主要资本。
人工智能是一门包括计算机科学、控制学、信系论、语言论、神经生理学、心理学、数学、哲学等多种学科相互渗透发展起来的学科,其研究对象可以归纳为“机器智能、智能机器”,它体现在思维、感知、行为三个层次,而它要模拟眼神、扩展人的智能,其研究内容可以分为机器思维和思维机器、机器感知和感知机器、机器行为和行为机器三个层次。人工智能研究与应用虽然取得了不少成果,但离全面推广应用还有很大距离,还有许多问题有待于解决且需要许多学科的研究专家共同创作。
参考文献
[1]王文杰．人工智能原理与应用[M]．北京：人民邮电出版社，2004．
[2]张玉峰．智能情报系统[M]．武汉：武汉大学出版社，1991．
[3]王万良．人工智能及其应用[M]．北京：高等教育出版社，2005．
[4]蔡自兴．人工智能基础[M]．北京：清华大学出版社，1996．
[5]张仰森．人工智能原理与应用[M]．北京：高等教育出版社，2004．
[6]李陶深．人工智能[M]．重庆：重庆大学出版社，2002．
【1】林尧瑞，马少平．．人工智能导论．清华大学出版社．1989．
【2】刘住中，张莲芳．人工智能及其应用．科学技术文献出版社．1991．
【3】N?T尼尔逊(美)．人工智能原理．科学出版社，1983．
【4】沈政，林庶芝．脑模拟与神经计算机．北京大学出版社，1992．
【5】王垌，夏祖勋，陈剑夫．模糊数学在人工智能中的应用．机械工业出版

社．1991，
【6】渊一博．广濑健．日本第五代计算机．科学出版社，1987．
【7】陆汝铃．人工智能．科学出版社，1989．
【8】休伯特?德雷福斯．计算机不能做什么—— 人工智能的极限．三联书店，
1986．
【9】马骥良，金井平．模糊数学创始人——札德的科学思想与方法．陕西师
范大学出版社。1992．
【1O】杨春时，邵光远，刘伟民，张纪川．系统论、信息论、控制论浅说．中国广
播电视出版社．1987．