发布时间：
“人工智能”是大学本科自动化专业所开设的一门专业选修课，为了能够调动自动化专业的学生对本课程学习的积极性，对《人工智能》这门专业选修课程的 教学 方法 进行了探索和 总结 。以下是我整理分享的关于人工智能结课论文的相关 文章 ，欢迎阅读!
对《人工智能》专业选修课教学的几点体会
摘要：“人工智能”是大学本科自动化专业所开设的一门专业选修课，为了能够调动自动化专业的学生对本课程学习的积极性，提高《人工智能》专业选修课的教学效果，我们结合近几年的实际教学 经验 ，从优选教材、考核方式、教学内容调整、教学手段的改进和实践教学等方面对《人工智能》这门专业选修课程的教学方法进行了探索和总结。
关键词：人工智能 优选教材 考核方式内容 手段 实践
人工智能(Aritificial Intelligence，英文缩写为AI)是一门综合了应用数学、自动控制、模式识别、系统工程、计算机科学和心理学等多种学科交叉融合而发展起来的的一门新型学科，是21世纪三大尖端技术(基因工程、纳米科学、人工智能)之一。它是研究智能机器所执行的通常与人类智能有关的职能行为，如推理、证明、感知、规划和问题求解等思维活动，来解决人类处理的复杂问题。人工智能紧跟世界社会进步和科技发展的步伐，与时俱进，有关人工智能的许多研究成果已经广泛应用到国防建设、工业生产、国民生活中的各个领域。在信息网络和知识经济时代，人工智能现已成为一个广受重视且有着广阔应用潜能的前沿学科，必将为推动科学技术的进步和产业的发展发挥更大的作用。因此在我国的大中专院校中开展人工智能这门课的教学与科研工作显得十分紧迫。迄今为止，全国绝大多数工科院校中的自动控制、计算机/软件工程、电气工程、机械工程、应用数学等相关专业都开设了人工智能这门课程。南京邮电大学自动化学院自2005年成立至今，一直将“人工智能”列为自动化专业本科生的选修课程，到目前为止已经有八年的历史了。由于南京邮电大学是一所以邮电、通信、电子、计算机、自动化为特色的工科院校，因此，学校所开设的许多专业都迫切需要用人工智能理论和方法解决科研中的实际问题。在问题需求的推动下，南邮人经过多年的努力工作，在人工智能科研方面取得了丰硕的成果，如物联网学院所开发的现代智能物流系统、自动化学院所开发的城市交通流量控制与决策系统，为本课程的开设提供了典型的教学案例。我们结合近几年的实际教学经验，从优选教材、考核方式、教学内容调整、教学手段的改进和实践教学等方面对人工智能课程教学方法进行了总结归纳。
一、优选教材
目前，国内有关人工智能课程的中英版教材种类非常多，遵循实用、简单、够用的原则，再经过授课老师和学生们的共同调研，我们选用由中南大学蔡自兴教授主编的《人工智能及其应用》第三版作为南邮本课程的授课教材。本书覆盖的人工智能知识体系比较全面，包含知识表示、搜索推理、模糊计算、专家系统等。本书主要针对计算机、自动化、电气工程等本科专业的学生所编写，内容基础，难度适中。蔡教授所编写的这本教材全面地介绍了人工智能的研究内容与应用领域，做到了内容新颖、简单易懂、兼顾基础和应用，受到了全国广大师生们的一致好评，多年的教学实践证明我们所选择的教材是恰当的、正确的。
二、考核方式
在全国大部分高等院校，“人工智能”这门课大都选择开卷考试的方式来进行考核。为了强化学生对人工智能这门课基础知识的掌握，南京邮电大学自动化学院选用闭卷考试的方式来进行考核。为了打消部分学生想在期末闭卷考试中通过作弊手段来完成人工智能这门课考核的侥幸心理，我们加强了对学生平时考勤成绩、课下作业成绩和实验成绩的考核，从而杜绝了“一纸定成绩”的现象。我们对人工智能这门课的最后期末成绩是按如下权重来划分的：平时考勤成绩占10%、课下作业成绩占10%、实验成绩占20%、最后的期末考试卷面成绩只占60%。为了克服国家现行 教育 体制的弊端，避免学生“机械式”地的应对教学和考试，我们对考试题型进行了调整，不再是以往的填空、选择、简答等题型，而是改为以解决实际问题为导向的应用题型为主，这样学生只需要在理解授课内容的基础上利用自己的思维来解题就可以了，这也体现了国家目前正在提倡的应用型教学导向。
三、教学内容调整
对于本科生而言，人工智能这门课程所需要讲授的内容实在太多，由于课时所限，我们必须精简教学内容，让学生在掌握基础知识的同时，也能够了解它的具体应用。因此，我们将人工智能这门课程的教学内容分为两个部分：第一部分是基本理论和方法，包括人工智能的概述、知识表示方法、确定性推理方法等;第二部分为人工智能研究成果的具体应用，包括神经元网络计算、模糊智能计算、专家知识库系统、机器语言学习等。通过对教材内容的合理调整和安排，使得授课计划能够比较全面地覆盖了人工智能这门课程的基本知识点，从而满足了学生们的求知需求。
四、教学手段的改进
(一) 激发学生的学习兴趣
经过长时间的教学我们发现，在选修“人工智能”这门课程时，每个学生的心中所想各有不同，这些学生在刚开始学习时兴趣还比较强烈，但随着教学内容变得越来越抽象，学生逐渐对这本课的学习失去了信心，甚至上课时间不去听课，使授课教师对教学也渐渐失去了信心，导致恶性循环，严重影响了教学质量。针对这种现象，我们认为，在开课前充分激发学生的学习兴趣是很有必要的。我们要结合学校的实验条件，开课前给学生演示“机器人医疗服务”实验，通过该实验的演示，让学生们看到机器人能够给病人提供多项人性化的服务，理解人工智能技术在开发医疗服务机器人多项关键技术中的应用，让学生在开课前能够对本课程的学习产生极大的兴趣，实践证明这种方法是有效的。
(二) 借助多媒体教学
多媒体教学是现代教学过程中一种非常重要的形式，它往往根据教学目的和学生们的特点，通过合理的设计、选择教材内容，应用公式、图形、文字、视频等多种媒体信息进行有机组合并通过电脑和投影机显示出来，与传统教学手段相结合，形成合理的教学过程结构，达到最优化的教学效果。人工智能这门课具有针对性强、内容抽象、公式繁琐等特点，学生学习起来比较困难，为了让学生生动、形象地学习该课程，我们在教学过程中充分利用了多媒体技术来组织教学。例如在课堂教学过程中播放南邮自动化学院梁志伟博士带领学生所开发的“智能 足球 机器人”比赛片段;让学生在线观看北京大学工学院谢广明博士带领学生所开发的“自主视觉机器鱼”录像片段等。在讲解某些重要的求解算法时，借助Matlab软件和投影机，直接展现该算法的求解过程，从而改善了课程教学的形式，提高了教学质量。 (三)提倡课堂 辩论
我们在教学过程中打破了传统的“老师讲课学生听课”的教学模式，多次组织课堂辩论，辩论的主题包括人工智能研究过程中出现的技术困惑、人工智能研究成果转化中的市场前景等。如组织了“电脑PK人脑”“电脑是否让电视消失”“电脑的未来发展方向在哪里”等一系列 辩论会 。经过激烈的辩论，无论正方还是反方都感觉自己收获很大，增长了知识，开阔了眼界。在教学过程中通过将学生由“被动听课”角色变换为“主动参与”角色，大大地调动了学生的学习积极性，从而提高了课堂教学质量。
五、实践教学
实践教学是课堂教学不可缺少的重要组成部分，通过让学生亲自动手实验来对理论知识进行检验和应用是目前国内外各个大学提高学生综合素质、增强学生市场竞争力的重要手段。人工智能实验教学的目的是让学生通过亲自动手体会授课中的各种智能控制算法，从而使学生能够更加形象地掌握课本知识。人工智能教学计划安排了4学时实验课，设置了“传教士和野人过河”“机器人路径规划”这两个人工智能问题，要求学生独立完成这2个实验题目的编程，并书写实验 报告 。通过实验，学生动手实践了课堂上所掌握的理论知识，加深了对智能算法的理解。
人工智能是一门实用性较强的课程，我们总结了近几年来的教学经验，从优选教材、考核方式、教学内容调整、教学手段的改进和实践教学五个方面对人工智能课程教学进行了总结。从学生的反馈来看，我们所总结的教学经验对于指导新教师讲授“人工智能”这门课程具有积极的作用，需要指出的是，我们仍有很多不足之处，需要在以后的教学过程中不断努力完善，提高自己的教学能力，争取更好的教学效果。
参考文献
[1]蔡自兴，徐光佑.人工智能及其应用[M].北京：清华大学出版社，2003.
[2]路小英，周桂红，赵艳等.高等农业院校《人工智能》课程的教学研究与实践[J].河北农业大学学报：农林教育版，2007，9(4)：66-68.
[3]马建斌，李阅历，高媛. 人工智能课程教学的探索与实践[J].河北农业大学学报：农林教育版，2011，13(3)：330-332.
[4]赵海波.人工智能课程教学方法的探讨[J].科技信息，2011，(7)：541.
[5]张廷，杨国胜.“人工智能”课程教学的实践与探索[J].课程与教学，2009(11)：133-134.
本研究得到了江苏省2011年度研究生双语授课教学试点项目—“模式识别与智能系统”项目经费的资助。
下一页分享更优秀的<<<人工智能结课论文
随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。以下是我整理分享的人工智能神经网络论文的相关资料，欢迎阅读!
人工神经网络的发展及应用
摘要随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。人工神经网络的发展经历了不同的阶段，是人工智能的重要组成部分，并且在发展过程中形成了自身独特的特点。文章对人工神经网络的发展历程进行回顾，并对其在各个领域的应用情况进行探讨。
关键词人工神经网络;发展;应用
随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。
1人工神经网络概述
关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助;人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决;人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制;人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。
2人工神经网络的发展历程
萌芽时期
在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。1951年，心理学家Hebb提出了关于连接权数值强化的法则，为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流，为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后，出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型，提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。
低谷时期
在人工神经网络形成的初期，人们只是热衷于对它的研究，却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究，在1969年对之前所取得的研究成果提出了质疑，认为当前研究出的神经网络只合适处理比较简单的线性问题，对于非线性问题以及多层网络问题却无法解决。由于他们的质疑，使神经网络的发展进入了低谷时期，但是在这一时期，专家和学者也并没有停止对神经网络的研究，针对他们的质疑也得出一些相应的研究成果。
复兴时期
美国的物理学家Hopfield在1982年提出了新的神经网络模型，并通过实验证明在满足一定的条件时，神经网络是能够达到稳定的状态的。通过他的研究和带动，众多专家学者又重新开始了对人工神经网络方面的研究，推动了神经网络的再一次发展[3]。经过专家学者的不断努力，提出了各种不同的人工神经网络的模型，神经网络理论研究不断深化，新的理论和方法层出不穷，使神经网络的研究和应用进入了一个崭新的时期。
稳步发展时期
随着人工神经网络研究在世界范围内的再次兴起，我国也迎来了相关理论研究的热潮，在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时，国内对于神经网络领域的研究得到了进一步的完善和发展，而且能够利用神经网络对非线性的系统控制问题进行解决，研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开，我国人工神经网络的研究和应用条件逐步改善，得到了国际的关注。
随着人工神经网络的稳步发展，逐渐建立了光学神经网络系统，利用光学的强大功能，提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题，采取有效措施，提高超平面的光滑性，对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法，虽然保证了精度，但也加大了消耗，在一定程度上降低了神经网络的效率，因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步，提高了神经网络的泛化能力。
3人工神经网络的应用
在信息领域中的应用
人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。
在医学领域的应用
人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。
在经济领域中的应用
经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。
在其他领域的应用
人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。
4总结
随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。
参考文献
[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993(5)：8-12，20.
[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，2009(10)：59-61.
[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009(5)：44-46.
[4]过效杰，祝彦知.人工神经网络的发展及其在岩土工程领域研究现状[J].河南水利，2004(1)：22-23.
[5]崔永华.基于人工神经网络的河流汇流预报模型及应用研究[D].郑州大学，2006.
下一页分享更优秀的<<<人工智能神经网络论文
近十多年来，随着算法与控制技术的不断提高，人工智能正在以爆发式的速度蓬勃发展。并且，随着人机交互的优化、大数据的支持、模式识别技术的提升，人工智能正逐渐的走入我们的生活。本文主要阐述了人工智能的发展历史、发展近况、发展前景以及应用领域。 人工智能（Artificial Intelligence）简称AI，是麦卡赛等人在1956年的一场会议时提出的概念。 近几年，在“人机大战”的影响下，人工智能的话题十分的火热，特别是在“阿尔法狗”（AlphaGo）战胜李世石后，人们一直在讨论人是否能“战胜”自己制造的有着大数据支持的“人工智能”，而在各种科幻电影的渲染中，人工智能的伦理性、哲学性的问题也随之加重。 人工智能是一个极其复杂又令人激动的事物，人们需要去了解真正的人工智能，因此本文将会对什么是人工智能以及人工智能的发展历程、未来前景和应用领域等方面进行详细的阐述。 人们总希望使计算机或者机器能够像人一样思考、像人一样行动、合理地思考、合理地行动，并帮助人们解决现实中实际的问题。而要达到以上的功能，则需要计算机（机器人或者机器）具有以下的能力： 自然语言处理（natural language processing） 知识表示（knowledge representation） 自动推理（automated reasoning） 机器学习（machine learning） 计算机视觉（computer vision） 机器人学（robotics） 这6个领域，构成了人工智能的绝大多数内容。人工智能之父阿兰·图灵（Alan Turing）在1950年还提出了一种图灵测试（Turing Test），旨在为计算机的智能性提供一个令人满意的可操作性定义。 关于图灵测试，是指测试者在与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。 图灵测试是在60多年前就已经提出来了，但是在现在依然适用，然而我们现在的发展其实远远落后于当年图灵的预测。 在2014年6月8日，由一个俄罗斯团队开发的一个模拟人类说话的脚本——尤金·古斯特曼（Eugene Goostman）成为了首个通过图灵测试的“计算机”，它成功的使人们相信了它是一个13岁的小男孩，该事件成为了人工智能发展的一个里程碑。 在2015年，《Science》杂志报道称，人工智能终于能像人类一样学习，并通过了图灵测试。一个AI系统能够迅速学会写陌生文字，同时还能识别出非本质特征，这是人工智能发展的一大进步。 ①1943-1955年人工智能的孕育期 人工智能的最早工作是Warren McCulloch和Walter Pitts完成的，他们利用了基础生理学和脑神经元的功能、罗素和怀特海德的对命题逻辑的形式分析、图灵的理论，他们提出了一种神经元模型并且将每个神经元叙述为“开”和“关”。人工智能之父图灵在《计算机与智能》中，提出了图灵测试、机器学习、遗传算法等各种概念，奠定了人工智能的基础。 ②1956年人工智能的诞生 1956年的夏季，以麦卡锡、明斯基、香农、罗切斯特为首的一批科学家，在达特茅斯组织组织了一场两个月的研讨会，在这场会议上，研究了用机器研究智能的一系列问题，并首次提出了“人工智能”这一概念，人工智能至此诞生。 ③1952-1969年人工智能的期望期 此时，由于各种技术的限制，当权者人为“机器永远不能做X”，麦卡锡把这段时期称作“瞧，妈，连手都没有！”的时代。 后来在IBM公司，罗切斯特和他的同事们制作了一些最初的人工智能程序，它能够帮助学生们许多学生证明一些棘手的定理。 1958年，麦卡锡发表了“Program with Common Sense”的论文，文中他描述了“Advice Taker”，这个假想的程序可以被看作第一个人工智能的系统。 ④1966-1973人工智能发展的困难期 这个时期，在人工智能发展时主要遇到了几个大的困难。 第一种困难来源于大多数早期程序对其主题一无所知； 第二种困难是人工智能试图求解的许多问题的难解性。 第三种困难是来源于用来产生智能行为的基本结构的某些根本局限。 ⑤1980年人工智能成为产业 此时期，第一个商用的专家系统开始在DEC公司运转，它帮助新计算机系统配置订单。1981年，日本宣布了“第五代计算机”计划，随后美国组建了微电子和计算机技术公司作为保持竞争力的集团。随之而来的是几百家公司开始研发“专家系统”、“视觉系统”、“机器人与服务”这些目标的软硬件开发，一个被称为“人工智能的冬天”的时期到来了，很多公司开始因为无法实现当初的设想而开始倒闭。 ⑥1986年以后 1986年，神经网络回归。 1987年，人工智能开始采用科学的方法，基于“隐马尔可夫模型”的方法开始主导这个领域。 1995年，智能Agent出现。 2001年，大数据成为可用性。 在1997年时，IBM公司的超级计算机“深蓝”战胜了堪称国际象棋棋坛神话的前俄罗斯棋手Garry Kasparov而震惊了世界。 在2016年时，Google旗下的DeepMind公司研发的阿尔法围棋（AlphaGo）以4:1的战绩战胜了围棋世界冠军、职业九段棋手李世石，从而又一次引发了关于人工智能的热议，随后在2017年5月的中国乌镇围棋峰会上以3:0的战绩又战胜了世界排名第一的柯洁。 2017年1月6日，百度的人工智能机器人“小度”在最强大脑的舞台上人脸识别的项目中以3:2的成绩战胜了人类“最强大脑”王峰。1月13日，小度与“听音神童”孙亦廷在语音识别项目中以2:2的成绩战平。随后又在1月21日又一次在人脸识别项目中以2:0的成绩战胜了“水哥”王昱珩，更在最强大脑的收官之战中战胜了人类代表队的黄政与Alex。 2016年9月1日，百度李彦宏发布了“百度大脑”计划，利用计算机技术模拟人脑，已经可以做到孩子的智力水平。李彦宏阐述了百度大脑在语音、图像、自然语言处理和用户画像领域的前沿进展。目前，百度大脑语音合成日请求量亿，语音识别率达97%。 “深度学习”是百度大脑的主要算法，在图像处理方面，百度已经成为了全世界的最领先的公司之一。 百度大脑的四大功能分别是：语音、图像，自然语言处理和用户画像。 语音是指具有语音识别能力与语音合成能力，图像主要是指计算机视觉，自然语言处理除了需要计算机有认知能力之外还需要具备推理能力，用户画像是建立在一系列真实数据之上的目标用户模型。 工业是由德国提出来的十大未来项目之一，旨在提升制造业的智能化水平，建立具有适应性、资源效率及基因工程学的智慧工厂。 工业已经进入中德合作新时代，有明确提出工业生产的数字化就是“工业”对于未来中德经济发展具有重大意义。 工业项目主要分为三大主题：智能工厂、智能生产、智能物流。 它面临的挑战有：缺乏足够的技能来加快第四次工业革命的进程、企业的IT部门有冗余的威胁、利益相关者普遍不愿意改变。 但是随着AI的发展，工业的推进速度将会大大推快。 人工智能可以渗透到各行各业，领域很多，例如： ①无人驾驶：它集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物世界上最先进的无人驾驶汽车已经测试行驶近五十万公里，其中最后八万公里是在没有任何人为安全干预措施下完成的。英国政府也在资助运输研究实验室（TRL），它将在伦敦测试无人驾驶投递车能否成功用于投递包裹和其他货物，使用无人驾驶投递车辆将成为在格林威治实施的众多项目之一。 ②语音识别：该技术可以使让机器知道你在说什么并且做出相应的处理，1952年贝尔研究所研制出了第一个能识别10个英文数字发音的系统。在国外的应用中，苹果公司的siri一直处于领先状态，在国内，科大讯飞在这方面的发展尤为迅速。 ③自主规划与调整：NASA的远程Agent程序未第一个船载自主规划程序，用于控制航天器的操作调度。 ④博弈：人机博弈一直是最近非常火热的话题，深度学习与大数据的支持，成为了机器“战胜”人脑的主要方式。 ⑤垃圾信息过滤：学习算法可以将上十亿的信息分类成垃圾信息，可以为接收者节省很多时间。 ⑥机器人技术：机器人技术可以使机器人代替人类从事某些繁琐或者危险的工作，在战争中，可以运送危险物品、炸弹拆除等。 ⑦机器翻译：机器翻译可以将语言转化成你需要的语言，比如现在的百度翻译、谷歌翻译都可以做的很好，讯飞也开发了实时翻译的功能。 ⑧智能家居：在智能家居领域，AI或许可以帮上很大的忙，比如模式识别，可以应用在很多家居上使其智能化，提高人机交互感，智能机器人也可以在帮人们做一些繁琐的家务等。 专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。 知识库是专家系统质量是否优越的关键所在，即知识库中知识的质量和数量决定着专家系统的质量水平。一般来说，专家系统中的知识库与专家系统程序是相互独立的，用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能。 机器学习(Machine Learning, ML)是一门涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等的多领域交叉学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，它是人工智能的核心，是使计算机具有智能的根本途径,也是深度学习的基础。 机器学习领域的研究工作主要围绕以下三个方面进行： （1）面向任务的研究 研究和分析改进一组预定任务的执行性能的学习系统。 （2）认知模型 研究人类学习过程并进行计算机模拟。 （3）理论分析 从理论上探索各种可能的学习方法和独立于应用领域的算法 机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。但是现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。它借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）进行随机化搜索，它是由美国的教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域，它是现代有关智能计算中的关键技术。 Deep Learning即深度学习，深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。是机器学习中一种基于对数据进行表征学习的方法。 他的基本思想是：假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为：I =>S1=>S2=>…..=>Sn => O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失，设处理a信息得到b，再对b处理得到c，那么可以证明：a和c的互信息不会超过a和b的互信息。这表明信息处理不会增加信息，大部分处理会丢失信息。保持了不变，这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息（即输入I）的另外一种表示。Deep Learning需要自动地学习特征，假设我们有一堆输入I（如一堆图像或者文本），假设设计了一个系统S（有n层），通过调整系统中参数，使得它的输出仍然是输入I，那么就可以自动地获取得到输入I的一系列层次特征，即S1，…, Sn。对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。 深度学习的主要技术有：线性代数、概率和信息论；欠拟合、过拟合、正则化；最大似然估计和贝叶斯统计；随机梯度下降；监督学习和无监督学习深度前馈网络、代价函数和反向传播；正则化、稀疏编码和dropout；自适应学习算法；卷积神经网络；循环神经网络；递归神经网络；深度神经网络和深度堆叠网络； LSTM长短时记忆；主成分分析；正则自动编码器；表征学习；蒙特卡洛；受限波兹曼机；深度置信网络；softmax回归、决策树和聚类算法；KNN和SVM； 生成对抗网络和有向生成网络；机器视觉和图像识别；自然语言处理；语音识别和机器翻译；有限马尔科夫；动态规划；梯度策略算法；增强学习（Q-learning）。 随着人工智能的发展，人工智能将会逐渐走入我们的生活、学习、工作中，其实人工智能已经早就渗透到了我们的生活中，小到我们手机里的计算机，Siri,语音搜索，人脸识别等等，大到无人驾驶汽车，航空卫星。在未来，AI极大可能性的去解放人类，他会替代人类做绝大多数人类能做的事情，正如刘慈欣所说：人工智能的发展，它开始可能会代替一部分人的工作，到最后的话，很可能他把90%甚至更高的人类的工作全部代替。吴恩达也表明，人工智能的发展非常快，我们可以用语音讲话跟电脑用语音交互，会跟真人讲话一样自然，这会完全改变我们跟机器交互的办法。自动驾驶对人也有非常大的价值，我们的社会有很多不同的领域，比如说医疗、教育、金融，都会可以用技术来完全改变。 [1] Russell,.人工智能：一种现代的方法（第3版）北京：清华大学出版社，2013（重印） [2]库兹韦尔，人工智能的未来杭州：浙江人民出版社， [3]苏楠.人工智能的发展现状与未来展望[J].中小企业管理与科技(上旬刊),2017,(04):107-108. [4]王超.从AlphaGo的胜利看人工智能的发展历程与应用前景[J].中国新技术新产品,2017,(04):125-126. [5]朱巍,陈慧慧,田思媛,王红武.人工智能:从科学梦到新蓝海——人工智能产业发展分析及对策[J].科技进步与对策,2016,(21):66-70. [6]王江涛.浅析人工智能的发展及其应用[J].电子技术与软件工程,2015,(05):264. [7]杨焱.人工智能技术的发展趋势研究[J].信息与电脑(理论版),2012,(08):151-152. [8]张妮,徐文尚,王文文.人工智能技术发展及应用研究综述[J].煤矿机械,2009,(02):4-7. [9]王永忠.人工智能技术在智能建筑中的应用研究[J].科技信息,2009,(03):343+342. [10]李德毅,肖俐平.网络时代的人工智能[J]中文信息学报,2008,(02):3-9. [11]李红霞.人工智能的发展综述[J].甘肃科技纵横,2007,(05):17-18 [12]孙科.基于Spark的机器学习应用框架研究与实现[D].上海交通大学,2015. [13]朱军,胡文波.贝叶斯机器学习前沿进展综述[J].计算机研究与发展,2015,(01):16-26. [14]何清,李宁,罗文娟,史忠植.大数据下的机器学习算法综述[J].模式识别与人工智能,2014,(04):327-336. [15]郭亚宁,冯莎莎.机器学习理论研究[J].中国科技信息,2010,(14):208-209+214. [16]陈凯,朱钰.机器学习及其相关算法综述[J].统计与信息论坛,2007,(05):105-112. [17]闫友彪,陈元琰.机器学习的主要策略综述[J].计算机应用研究,2004,(07):4-10+13. [18]张建明,詹智财,成科扬,詹永照.深度学习的研究与发展[J].江苏大学学报(自然科学版),2015,(02):191-200. [19]尹宝才,王文通,王立春.深度学习研究综述[J].北京工业大学学报,2015,(01):48-59. [20]刘建伟,刘媛,罗雄麟.深度学习研究进展[J].计算机应用研究,2014,(07):1921-1930+1942 [21]马永杰,云文霞.遗传算法研究进展[J].计算机应用研究,2012,(04):1201-1206+1210. [22]曹道友.基于改进遗传算法的应用研究[D].安徽大学,2010
软件学报是很难投的，审稿时间长，难度大，是EI核心来源期刊； 可接受8000-10000字左右的长文； 稿量大，处理流程大多缓慢，应早投； 《投稿方式：直接网站在线投稿，中英文均可。初审后通知编号，邮寄审理费。外审通过后再通知其它处理事宜。 审理费：150元 审稿周期：6个月左右；发表周期：录用后的发表周期较长，需要耐心等待，但专刊较快. 版面费标准：元/面，收费比较厚道。该刊组织了很多专刊，投专刊的文章被录用后发表周期相对短，但录用率超低专刊反映信息较快，是一种不错的方式。 《模式识别与人工智能》比前者好中一些，但难度也不小。这个杂志是要求你寄两份打印稿，还有一份你的联系信息，然后大概一个星期左右他给你发email告知你通过初审，要求给审稿费100元，然后就是等待，大概三个多月给结果吧。每期文章大约20几篇，平均来说不是很好中，审稿一般4个月左右，发表周期就长了。
请问这个问题解决了么？
软件学报是三大学报之一，权威性最高，难度大，审稿漫长模式识别与人工智能好投一点
模式识别与人工智能是一个，而且该刊是核心级别的。识别技术相关的还有自动识别技术与应用、中国自动识别技术等。
不是，该刊12年被EI终止收录《模式识别与人工智能》是由中国自动化学会、国家智能计算机研究开发中心和中国科学院合肥智能机械研究所共同主办、科学出版社出版的学术性期刊。本刊主要发表和报道模式识别、人工智能、智能系统等方面的研究成果与进展，旨在推动信息科学技术发展。1、自1992年以来，一直被《中文核心期刊要目总览》收为自动化技术、计算机技术领域核心刊物。 2、1994年起，为《中国学术期刊文摘》引用期刊。 3、1995年，被美国工程信息公司（Ei）收为Ei Page One数据库收录期刊。 4、1996年被《中国科学引文数据库》列为来源期刊及统计源。 5、1998年，被教育部定为“学位与研究生教育中文重要期刊”之一。 6、1999年～2000年，获国家自然科学基金委择优支持基础性和高科技学术期刊专项资助经费资助。 7、2008年～2012年，被 EI Compendex 数据库收录。 8、2010年～2014年，获中国科协精品科技期刊项目资助。 9、为适应和推动我国人工智能、模式识别学科发展，本刊1999年由每期80页扩版至128页，2000年起由16开本改为大16开本，2004年由季刊改为双月刊，2013年由双月刊改为月刊。近两年来，本刊每期作了较大扩版。
主办单位不同。《计算机应用研究》创刊于1984年，由国家科技部所属四川省计算机研究院主办的计算技术类学术刊物。2015年《计算机应用研究》的复合影响因子为。《模式识别与人工智能》是由中国自动化学会、国家智能计算机研究开发中心和中国科学院合肥智能机械研究所共同主办、科学出版社出版的学术性期刊。模式识别与人工智能 影响因子是。
软件学报是很难投的，审稿时间长，难度大，是EI核心来源期刊； 可接受8000-10000字左右的长文； 稿量大，处理流程大多缓慢，应早投； 《投稿方式：直接网站在线投稿，中英文均可。初审后通知编号，邮寄审理费。外审通过后再通知其它处理事宜。 审理费：150元 审稿周期：6个月左右；发表周期：录用后的发表周期较长，需要耐心等待，但专刊较快. 版面费标准：元/面，收费比较厚道。该刊组织了很多专刊，投专刊的文章被录用后发表周期相对短，但录用率超低专刊反映信息较快，是一种不错的方式。 《模式识别与人工智能》比前者好中一些，但难度也不小。这个杂志是要求你寄两份打印稿，还有一份你的联系信息，然后大概一个星期左右他给你发email告知你通过初审，要求给审稿费100元，然后就是等待，大概三个多月给结果吧。每期文章大约20几篇，平均来说不是很好中，审稿一般4个月左右，发表周期就长了。
计算机类期刊排名介绍如下：
1 计算机学报 北京 中国计算机学会等
2 软件学报 北京 中国科学院软件研究所
3 计算机研究与发展 北京 中国科学院计算技术研究所等
4 自动化学报 北京 中国科学院等
5 计算机科学 重庆 国家科技部西南信息中心
6 控制理论与应用 广州 中国科学院系统科学研究所等
7 计算机辅助设计与图形学学报 北京 中国计算机学会等
8 计算机工程与应用 北京 华北计算技术研究所
9 模式识别与人工智能 北京 中国自动化学会等
10 控制与决策 沈阳 东北大学
计算机学报
《计算机学报》创刊于1978年，刊期为月刊，每期200面，是由中国科学院主管，中国计算机学会与中国科学院计算技术研究所主办、科学出版社出版的期刊。
据2018年4月，计算机学报》杂志编辑部官网显示，编辑委员会有主编1名，副主编5名，编委78名。
据2018年4月中国知网显示，《计算机学报》总被下载2463356次、总被引161163次，（2017版）复合影响因子为、（2017版）综合影响因子为。
据2018年4月万方数据知识服务平台显示，《计算机学报》被下载537122次、被引130491次，2015年影响因子为，在全部统计源期刊（6735种）中排第36名，自动化技术与计算机技术（94种）中排第1名。
你这样问别人不知你的什么专业。
至少要告诉别人你是哪个专业。
1.软件学报2.计算机学报3.计算机研究与发展4.系统仿真学报5.计算机辅助设计与图形学学报6.自动化学报7.控制与决策8.中国图象图形学报9.计算机集成制造系统10.中文信息学报11.控制理论与应用12.计算机应用13.计算机应用研究14.小型微型计算机系统15.机器人16.计算机科学17.信息与控制18.微电子学与计算机19.国土资源遥感20.计算机工程与设计21.计算机仿真22.传感技术学报23.计算机测量与控制24.模式识别与人工智能25.遥感技术与应用26.控制工程27.计算机工程与科学28.传感器与微系统29.计算机应用与软件30.测控技术31.智能系统学报以上信息选自中国论文及第网！
收录。只有你的算法牛，点子好。
《模式识别与人工智能》是由中国自动化学会、国家智能计算机研究开发中心和中国科学院合肥智能机械研究所共同主办、科学出版社出版的学术性期刊。本刊主要发表和报道模式识别、人工智能、智能系统等方面的研究成果与进展，旨在推动信息科学技术发展。本刊1989年创刊，双月刊，主编为戴汝为院士。本刊创刊以来，得到较大发展，已成为模式识别、人工智能学术界有较大影响的刊物。1、自1992年以来，一直被《中文核心期刊要目总览》收为自动化技术、计算机技术领域核心刊物。2、1994年起，为《中国学术期刊文摘》引用期刊。3、1995年，被美国工程信息公司（Ei）收为Ei Page One数据库收录期刊。4、1996年被《中国科学引文数据库》列为来源期刊及统计源。5、1998年，被教育部定为“学位与研究生教育中文重要期刊”之一。6、1999年～2000年，获国家自然科学基金委择优支持基础性和高科技学术期刊专项资助经费资助。7、2008年，被 EI Compendex 数据库收录。8、2010年，获中国科协2010年度精品科技期刊项目资助。9、为适应和推动我国人工智能、模式识别学科发展，本刊1999年由每期80页扩版至128页，2000年起由16开本改为大16开本，2004年由季刊改为双月刊。近两年来，本刊每期作了较大扩版。人工智能是我国优先发展的学科之一，模式识别与智能系统是我国鼓励发展的专业。近些年来，我国人工智能、模式识别学科发展较快，在研究与应用方面不断取得进展。本刊将会成为与学科同步发展的精品性期刊。本刊共设四个栏目：论文与报告；综述与评论；研究与应用；信息与动态。
appliedintelligence的proof需要具体看应用的类型，一般来说，appliedintelligence的proof需要花费一些时间来完成，可能需要几天或者几周。
热门频道首页博客研修院VIPAPP问答下载社区推荐频道活动招聘专题打开CSDN APPCopyright © 1999-2020, , All Rights Reserved打开APP审稿周期较快的SCI期刊总结：人工智能，神经网络，CV 原创2019-10-14 16:41:02 29点赞乘风万万里 码龄5年关注1.期刊名：Journal of Information Science and Engineering期刊主页：影响因子：审稿周期：平均八个月（台湾）、大概需要一年左右甚至更多期刊收录范围：人工智能大数据与云计算音频、语音和语言处理计算机架构与硬件设计计算机网络和无线通信计算机安全与密码学计算机视觉和模式识别计算机系统数据挖掘与分析数据库和信息系统进化计算模糊系统人机交互图像处理信息检索机器学习多媒体自然语言处理实时和嵌入式系统传感器网络信号处理软件系统2.期刊名：IEEE Transactions on Neural Networks and Learning Systems期刊主页：投稿指南：影响因子：审稿周期：两个月期刊收录范围：IEEE《神经网络和学习系统学报》发表技术文章，讨论神经网络和相关学习系统的理论、设计和应用。重点将放在人工神经网络和学习系统。3. 期刊名：International Journal of Systems Science期刊主页：
是，Springer旗下知名计算机类-模式识别方向SCI期刊。2020年最新影响因子，由期刊名的英文翻译就可知道，《模式识别与应用》，作为人工智能主流大方向之一的知名期刊，影响力不俗。