第二节 人工智能基础

息是自上而下的，即从第n层向第1层传递，组合通过波滤器组学习得到的卷积特征来重构输入的信息。一般情况下，信息都会先经过正则化处理，以分解的问题方式来计算特征而不利用近似值，这样可以让隐藏层的特征更为突出，也更有利于信号的分类与重建。

图3.5

3.双向深度网络（Bi-directional Deep Networks，BDDN）

双向深度网络由多个编码器层和解码器层叠加形成，每层可能是单独的编码过程或解码过程，也可能是同时包含编码过程和解码过程。换种方式来说，双向深度网络是前馈深度网络和反馈深度网络的结合体。通过自上而下的信号传输对每层进行预训练（一般采用反馈网络），再通过反向迭代误差的方式（与前馈网络类似）对网络结构中的权值进行微调，进而得到最优分类。

四、知识图谱（Knowledge Graph）

知识图谱这一概念是由Google提出的，所以也被称为Google知识图谱或Google知识图（Google Knowledge Graph）。Google公司使用语义检索来收集信息、组织数据，以便于提供更好的搜索服务。简单来说，知识库就是一种知识集合的数据库，有时候也可以表示这类知识库所使用的标签体和组织框架。本质上，知识图谱就是一种语义网络，基于图的数据结构，由节点（Point）和边（Edge）组成，将节点之间用无向边连接，每个节点即为现实世界中存在的“实体”，而每条边即为实体与实体间的“关系”。

对于知识图谱的构建可以采用自上而下或自下而上的方式。以自下而上的知识图谱的构建为例，它可以说是一个更新迭代的过程，通过逻辑的获取设定可以将每一轮的迭代分为三个阶段：信息抽取、知识融合、知识加工。知识图谱的技术架构如图3.6所示。

图3.6

1.信息抽取（Information Extraction）

信息抽取作为构建知识图谱的第一步，需要从半结构化或非结构数据中提取出实体、实体属性以及实体间的相互关系。所涉及的关键技术包括：实体抽取（Entity Extraction）、属性抽取（Attribute Extraction）、关系抽取（Relation Extraction）。信息的抽取为网状知识结构的形成奠定了基础。

2.知识融合（Knowledge Fusion）

知识融合就是对提取的信息进行拼接，由于开始的信息是杂乱且存在大量冗余和错乱的信息，需要进一步进行实体链接和知识合并。对于半结构化数据和非结构化数据，需要将抽取的实体链接到知识库中对应的正确实体对象，即实体链接（Entity Linking）。而对于结构化的数据，可以通过合并外部知识库或合并关系数据库来进行知识合并。在合并过程中，需要考虑数据层及模式层的融合问题，比如数据的结构转换问题。

3.知识加工（Knowledge Processing）

通过以上两个步骤之后，需要对经过融合的新知识进行质量评估，通过检验的合格部分才能被正式加入到知识库中，以此来保证知识库的质量。而知识加工需要经过本体构建（Ontology Extraction）、知识推理（Knowledge Inference）、质量评估（Quality Evaluation）这三个步骤。整个过程首先经过本体构建来达成共识进行聚类，接着通过计算机推理建立实体间的新关联来拓展知识网络，最后对知识的可信度进行量化，舍弃置信度低的知识来进一步提升知识库的质量。

五、计算机视觉（Computer Vision）

计算机视觉主要使用计算机或摄影机对事物进行识别、跟踪、测量等，并通过模仿人类的视觉系统，让机器拥有信息提取、处理、理解和分析图像的能力。实际上，计算机视觉融合了多个领域，如计算机科学（图形、算法、系统等）、数学（信息检索、机器学习）、工程学（自然语言处理、图像处理等）、物理学（光学）、生物学（神经科学）、心理学（认知科学等）。

视觉识别是计算机视觉的关键技术。以图像分类为例，一般情况下视觉识别是利用多层识别方式来处理图片：第一层为像素亮度分析层，主要用来识别像素亮度；第二层为边界确定层，根据相似像素的轮廓确定图中的所有边界；第三层则用于识别质地和形状等。经过层层识别之后，对图像做出准确的分类。目前，基于深度学习的视觉识别系统的检测效率和精度都已经有了极大的提高。

计算机视觉系统可以划分为三个层次：图像数据层、图像特征层、图像知识层。其系统框架如图3.7所示。

图3.7

1.图像数据层

图像数据层主要处理像素级的数字信号，如图像的获取与传输、图像压缩、降噪等。对图像信息采集和图像预处理的技术应用对整个计算机视觉应用后续各种算法的实现以及检测环境简化程度的要求起着决定性作用。

2.图像特征层

图像特征层主要用来进行特征提取，包括图像的形状、颜色、像素、纹理及空间关系等，为建立可靠的信息模型提供基础数据。而一般图像特征