Page 92 - 基于深度学习的人工智能技术研究

Research on Artificial Intelligence Technology Based on Deep Learning
基于深度学习的人工智能技术研究

机器学习中，想要获得理想的成果，就要创设合适的环境，以提高人工智能系统
的时效性。同时，环境适应性还有一个很大的作用，即参照此建立内部体系的保
存系统。但是，环境也不是一成不变的，既复杂又多变，需要在机器学习期间有
着庞大的数据信息给予支撑，删掉不相干的程序，消除各种干扰和不良因素，并

不断总结和推广，以此为基准为人工智能领域的研发提供指导。这种方式的使用，
加大了机器学习的复杂程度，影响了人工智能系统的稳定性。
构建机器学习反馈评价体系。在机器学习中，最首要的任务是构建反馈评价
体系，该体系包括诸多内容，如基础性反馈、评价，具有一定的复杂性，主要体

现为概念多样；在构建策略分析评价体系时，要建立与之相适应的评价体系，并
合理、科学地运用。值得注意的是，在相关内容的应用中，需要对现实情况进行
考虑，循序渐进地完成相关任务。此外，保证评价体系的公开性、透明度，包括
体系的实施过程、获得结果等。

拓展机器知识库并延伸。在机器学习实施过程中，科学的设置机器知识库非
常重要，种类丰富，表现形式多样，涵盖内容为特征向量、网络化关联等。而要
想实现该目标，就要对机器知识库进行拓展，从而提高机器学习效果。应注意，
在拓展机器知识库期间，还要对相关内容进行表达，即构建表达模式，要求该模

式逻辑简单明了，含义清晰，以减少计算成本。计算中必须确保推理过程简单易
懂，这样既能提高推理效率，又能对其的延展性进行拓展。这里的延展性，主要
从知识层面出发，实现知识延展最大化的目标。
（二）机器学习算法

1. 强化学习
强化学习方法最主要的操作是在模型反馈中使用相关数据信息。和监督模型
相比，这一模型中的数据只能检查模型是否符合要求。在强化学习中，直接向模
型输入数据，为保证数据输入的准确性、完整性，需要不断对模型进行调整和优

化。在模型运用中，一般会包括两个场景，如动态系统、机器人控制；常用 2 种
算法，即时差学习、Q 学习。从当前来看，强化学习方法主要被用于系统控制领
域，例如机器人控制。
2. 非监督式学习

非监督式学习算法中，不存在需要被估计或预测的任何结果变量及目标变量，
多用于分析各组的聚类，例如对客户进行细分，基于干预方式对客户分组。K 均

84