Page 94 - 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

很多个自变量。
第四，支持向量机。支持向量机算法属于分类法，在 N 维空间点出每个数据，
N 表示特征总数，特征值也就是坐标值。算法的目的是从不同的两组数据中找寻
可分开的直线，两个点至该点的距离为最优。支持向量机算法使用过程中，通常

会分析和比较可分、不可分的情况，基于不可分线性，可以借助非线性映射法，
对低维空间中的不可分线性样本进行转换，即将其转为高维空间，使其具备可分
特性，并将线性算法运用其中，如支持定量机，促使非线性特征转为线性分析。
从本质上看，支持向量机主要采用风险最小化理论，在高维空间内创设超平面，

实现训练模型的最优化，并在样本空间的预期上，保证某概率满足相应的上界。
随着计算机技术的发展与进步，人工智能技术取得了前所未有的发展。不可
否认的是，机器学习的确能使计算机具有学习与模拟能力，但学习能力有限，很
难满足新时代的要求。因此，深入研究机器学习的理论和算法，是当前主要的研

究方向和重点。实际工作中，需要系统化地分析和研究机器学习的具体情况，明
确各阶段的研究结果，涵盖内容为分析人工智能的运用情况与现状，探索人工智
能理论，拓宽人工智能技术的应用范围，在社会的变革中充分发挥出人工智能技
术的优势，进而改善人们的生活和生产。

三、深度学习在图像识别中的应用

最近这些年伴随着科技的进步以及社会的不断发展，深度学习成为人工智能
研究的重要形式，并且是当前社会热门研究的重点之一，对深度学习的研究发展，

无论是对计算机视觉领域，或是机器学习领域分析，都具有重要的影响。如今，
深度学习技术正在不断完善，其在方方面面对大众的生活产生了影响。
（一）深度学习概述
1. 深度学习的原理
深度学习是 Hinton 等人于 2006 年提出的，这是一种机器学习的方式，起源

于人们深入研究人工神经智能网络的探索。传统图像识别方法，如支持向量机、
小波变换等识别方法的泛化能力不强，图像识别精度不高。深度学习以数据驱动
方式结合非线性变换，从大量的原始数据中自动提取到高层、抽象、特定语义的

特征，并完成分类任务。另外，深度学习本身也是一种对数据表象的学习方法，
其具体学习过程可以理解为：学习训练的目的是计算机通过对网络层级间的参数

86