人工智能法律系统的法理学思考9行政论文范文大全

人工智能法律系统的法理学思考

未来的计算机不会完全取代律师和法官，然而，律师和法官与智能机器统一体的出现则可能具有无限光明的前景。（注：smith,j.c,machine intelligence and legal reasoning,chicago-kent lawreview,1998,vol.73,no.1,p277.）可以预见，人工智能将为法律工作的自动化提供越来越强有力的外脑支持。电脑律师或法官将在网络所及的范围内承担起诸如收债、税务、小额犯罪诉讼等职能。自动法律推理系统将对诉讼活动发挥越来越多的辅助作用，例如，通过严密的演绎逻辑使用户确信全部法律结论得出的正当性；在解决相互冲突的规则、判例和政策问题时提示可能出现的判决预测；等等。正如网络的出现打破了少数人对信息的垄断一样，电脑法律顾问的问世，将打破法官、律师对法律知识的垄断，极大地推动法律知识的普及，迅速提高广大人民群众的法律素质，使法律真正变为群众手中的锐利武器。

人工智能要用“人工的、模拟的、假的”智能来代替人类自然的、原型的、真的智能，而且要达到以假乱真的目的。愈是真假难辨，愈能显示人的智慧，解放人的脑力劳动，在更深的层次和更广的范围提高人类改造自然和改造自身的能力。从这个意义上说，人工智能的发展没有界限。人工智能的模拟实验与法理学的学术研究，在推动人工智能法律系统的进化方面是互相补充的。因此，人工智能法律系统的前景，一方面取决于智能模拟技术的发展，另一方面也取决于法理学对法律推理研究的深化。从信心方面说，“不容质疑的是，能够执行复杂计划和法律推理的计算机系统肯定是未来几十年法律实践的一场革命。”（注：garry s,grossman and lewis d.solomon,computers and legalreasoning,american bar association journal,v69 jan,1983.pp.66-70.）

首页 << 9尾页

#市整顿规范矿业秩序促进矿业经济持续发展纪实

我市矿产资源丰富，矿种较多。矿业经济是我市的特色，也是我市的优势，##要实现经济跨越式发展，实现全面小康社会的目标，矿业经济是重要的依托。从我市矿业经济发展进程看，目前正从快速、粗放发展阶段逐步向加速整合、规模开发、结构优化、全面提升矿产资源开发利用水平新的发展阶段过渡。从去年至 阅读全文 >>

廉政勤政 甘心奉献

进入20xx年以来，按照上级部门的工作部署，结合本单位的实际情况，在积极配合班子成员做好各方面工作的同时，按照职责分工，***同志主要负责经贸系统的稳定和信访工作。一年来，他以高度负责的精神，把维护经贸系统的稳定工作摆在了全年工作中的首要任务，其具体工作情况如下：一、明确指导思想 阅读全文 >>

浅议农业服务体系建设

我国是农业大国，农业在国民经济占有举足轻重的地位。农业越发展，农业服务体系就越健全。随着农村经济改革的不断深入和农业现代化步伐的加快，我国的农业服务体系日益完善，已经形成了比较健全而又庞大的服务体系网络，出现了农、林、牧、渔、农机、供销等产前、产中和产后的各个服务组织，它们分工明 阅读全文 >>

关于教育工作总结和20xx年教育工作计划的报告

县政府：二00六年教育工作在县委、县政府的坚强领导下，在上级教育主管部门的有力指导下，全县广大教育工作者紧紧围绕县委提出实现“两个率先”和建设有实力、有活力、有魅力社会主义和谐新__的奋斗目标。坚持教育改革和创新，加强教育管理，深化教育改革，优化教育结构，全面推进素质教育，加快教 阅读全文 >>

20xx年个人工作总结

20xx年个人工作总结20xx年，公司领导班子调整，我被任命为公司党委书记，我在深感荣幸的同时也意识到了肩上责任的重大。自我就任公司党委书记以来，时刻对自己高标准、严要求；时刻想着自己应负的责任和应尽的义务；时刻牢记着公司的领导对我的重托和全公司两千五百多名干部职工寄予我的厚望。 阅读全文 >>

（佚名 20xx年）

 

第二篇：人工智能论文

浅谈人工神经网络学习

1、简介

作为动态系统辨识、建模和控制的一种新的、令人感兴趣的工具，人工神经网络（Artificial Neural Networks,ANN ）提供了一种普遍而且实用的方法从样例中学习值为实数、离散值或向量的函数。像反向传播（BACKPROPAGATION）这样的算法，使用梯度下降下来调节网络参数以最佳拟合由输入—输出对组成的训练集合。ANN学习对于训练数据中的错误健壮性很好，且已被成功的应用到很多领域，例如视觉场景分析、语音识别以及机器人控制等。

神经网络学习方法对于逼近实数值、离散值或向量的目标函数提供的一种健壮性很强的方法。对于某些类型的问题，如学习解释复杂的现实世界中的传感器数据，人工神经网络是目前知道的最有效的学习方法。例如，反向传播算法已在很多问题中取得了惊人的成功，比如学习识别手写字符、学习识别口语、学习识别人脸等。

1.1人工神经网络学习发展简史：

对人工神经网络的研究可以追溯到计算机科学的早期。McCulloch & Pitts(1943)提出了一个相当于感知器的神经元模型，20世纪60年代他们的大量工作探索了这个模型的很多变体。20世纪60年代早期Widrow & Hoff(1960)探索了感知器网络（他们称为“adelines”）和delta法则。Rosenblatt(1962)证明了感知器训练法则的收敛性。然而，直到20世纪60年代晚期，人们才开始清楚单层的感知器网络的表现能力很有限，而且找不到训练多层网络的有效方法。Minsky & Papert(1969)说明即使是像XOR这样简单的函数也不能用单层的感知器网络表示或学习，在整个20世纪70年代ANN的研究衰退了。

在20世纪80年代中期ANN的研究经历了一次复兴，主要是因为训练多层网络的反向传播算法的发明（Rumelhart & McClelland 1986;Parker 1985）。这些思想可以被追溯到有关的早期研究（例如，Werbos 1975）。自从20世纪80年代，反向传播算法就成为应用最广泛的学习方法，而且人们也积极探索出了很多其他的ANN方法。在同一时期，计算机变得不在贵重，这允许人们试验那些在20世纪60年代不可能被完全探索的计算密集型的算法。

2、人工神经网络学习的国内外研究状况

随着人工神经网络20世纪80年代在世界范围内的复苏，国内也逐步掀起了研究热潮。l989年10月和11月分别在北京和广州召开了神经网络及其应用讨论会和第一届全国信号处理—神经网络学术会议；l990年2月由国内八个学会(中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会)联合在北京召开“中国神经网络首届学术会议”。这次大会以“八学会联盟，探智能奥秘为主题收到了300多篇学术论文，开创了中国人工神经网络及神经计算机方面科学研究的新纪元。经过十几年的发展，中国学术界 和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果，学术论文、应用成果和研究人员逐年增加．

在国际上，1987年，在美国加洲召开了第一届国际神经网络学会．此后每年召开两次国际联合神经网络大会(IJCNN)．不久，该学会创办了刊物Journal Neural Networks，另有十几种国际著名的神经网络学术刊物相继问世，至此，神经网络理论研究在国际学术领域获得了其应有的地位。

作为人工神经网络学习的典型算法反向传播（BP）算法，近年来国内外学者对这一算法提出了一些改进。其中，由宋绍云、仲涛提出的BP人工神经网络网络的新算法解决了传统算法的局部极小及收敛速度慢的问题。该算法是在BP神经网络现有的基础上提出的一种新的算法，该算法的基本原理是任选一组自由权，通过解线性方程组求得隐层权，将选定的自由权与求得的权合在一起，就得到所需的学习权值。而BP人工神经网络自适应学习算法的建立则解决了BP神经网络结构参数、学习速率与初始权值的选取问题，并对传统的BP算法进行了改进，提出了BP神经网络自适应学习算法，又将其编制成计算机程序，使得输入节点、隐层节点和学习速率的选取全部动态实现，减少了人为因素的干预，改善了学习速率和网络的适应能力。计算结果表明：BP神经网络自适应学习算法较传统的方法优越，训练后的神经网络模型不仅能准确地拟合训练值，而且能较精确的预测未来趋势。基于遗传算法的人工神经网络学习避免了BP算法易陷入局部极小值、训练速度慢、误差函数必须可导、受网络结构的限制等缺陷。

人工神经网络的研究同样在实践中也有所发展。比如，基于人工神经网络的并行强化学习自适应路径规划，可以很好的应用于机器人蔽障系统。BP算法在雷达目标识别中的应用以及在超声检测中的应用等都是在BP算法改进的基础上实现的。

3、所选专题的研究意义与研究方法

从1946年第一台电子数字计算机问世以来直到现在，大多数信息处理都采用程序式计算方式。这种方式解题需要设计算法或规则，并正确的编制成软件，然后才能进行问题求解。这种解题方式必须考虑3个因素：

1问题的形式化；

2可进行计算的算法；

3计算的复杂性。

比较计算机和人的处理能力，其差别是惊人的。一方面，一个人能很容易识别面孔理解语言，而一台巨型机却很难识别出一棵树来。另一方面，用计算机进行计算，可以很快的得到答案，其计算能力大大超过了人。那么数字计算和辨识物体之间究竟有哪些差别呢？

辨识物体是不能简单明确的加以定义的。要识别一棵树，就必须给出树的全部定义。做出这样一种定义，等于要描述树的每一个可以想到的变量。这类问题构成了随机问题。所谓随机问题，就是那些需要具备某一系统的实际上每种可能状态的知识才能解答的问题。因此，为解决一个随机问题，就要求记忆所有可能的解答，当给定输入数据时，从所有可能的解答的集合中迅速的选出最合适的答案。而像数学一类的计算问题，其解答通常可以用一种算法简洁地表示出来，也就是说，可以用一个精确的指令系列来表示，该指令系列规定了如何处理输入数据以得到答案。

信息处理的一种新方法并不需要开发算法和规则，极大的减少了软件的工作量，这种方法称为神经网络。神经网络是一门崭新的信息处理学科，它从神经生理学和认知科学研究成果出发，应用数学方法研究并行分布的、非程序的、适应性的、大脑风格的信息处理的本质和能力。神经网络中主要的信息处理结构是人工神经网络。

神经信息处理是介于常规处理形式和人脑处理形式的中间处理形式。一方面，神经网络企图模仿人脑的功能，而另一方面许多实现技术又是常规的。表1-1给出了这3种信息处理范型的主要特点。神经信息处理许多特性与人脑相似，诸如联想、概括、并行搜索、学习和灵活性。

表1-1 3种信息处理范型

人脑处理信息的特点如下：

1大规模并行处理。人脑神经元之间传递神经冲动是以毫秒计的，比普通的电子计算机慢得多。但人们通常能在1ms内对外界事物作出判断和决策。这对传统的计算机或人工智能是做不到的。由此可知，人脑的“计算”必定是建立在大规模并行处理的基础上。人善于在复杂环境下作出判断，从整体上识别事物。神经网络的大规模并行处理与多处理机构成的并行系统是不同的。

2具有很强的容错性，善于联想、概括、类比和推广。每天有大量神经细胞正常死亡，但不影响大脑正常的功能；大脑局部损伤会引起某些功能衰退，但不是功能突然丧失。在计算机中，元器件的局部损坏，或者程序中的微小错误都可能引起严重的后果，即表现出极大的脆弱性。人脑与计算机信息处理的巨大差别在于对信息的记忆和处理方式不同。计算机的模式是信息局部储存，按程序提取有关的信息，送到运算器处理。大脑中信息的记忆，特别是长期记忆是通过改变突触的效能实现的，即信息存储在神经元间连接强度的分布上，信息的记忆和处理是合二为一的。这一点，神经网络与大脑信息处理方式及其相似。

3具有很强的自适应能力。人脑功能受先天因素制约，但后天因素，如经历、训练、学习等也起重要作用。这表明人脑具有很强的自适应性和自组织性。神经网络与符号处理不同，前者强调系统的自适应或学习过程，同一网络因学习方法及内容不同，可具有不同的功能；符号处理强调程序编写，系统的功能取决于编写者的知识和能力。

由上可知，脑是最复杂、最完美、最有效的一种信息处理装置，人们正以极大的兴趣研究它的结构和机理。这种研究与20世纪初的物理学和20世纪50年代的分子生物学一样，正酝酿着重大的突破，而这一突破将给整个科学的发展带来巨大而深远的影响。人们对大大脑的认识已深入到探索脑的核心问题，鉴定出了一系列涉及脑工作的重要分子，在感知、行为、学习和记忆方面都取得了重要进展。这表明人们将有可能最终揭开大脑这个人体最复杂系统的奥秘，为现代科技发展寻找新的道路。借助大脑工作原理，有可能使信息处理获得新的突破。

正因为如此，神经科学受到世界各发达国家的高度重视。美国国会通过决议将1990年1月5日开始的10年定为“脑的十年”。国际脑研究组织号召它的成员国将“脑的十年”变为全球行动。美国国防部高级研究计划局（DARPA）制定的8年研究计划中，神经网络是重要的方向。1986年日本政府提出了“人类前沿科学计划”（HFSP）研究计划，1992年提出“真实世界计算”（RWC）研究计划。德国人从1988年开始执行“神经信息论”的研究计划。

脑科学、神经生理学、病理学主要研究神经网络的生理机理，如神经元、突触、化学递质、脑组织等的构成和工作过程。而认知科学、计算机科学主要探索人脑信息处理的微结构理论，寻求新的途径，解决当前计算机和传统人工智能难以处理的问题。以此为背景，以人工神经网络为基础，形成了神经网络的新学科。

目前，对大脑思维的过程了解仍然很肤浅，人工神经网络模拟的研究还很不充分，人们面临的是一个充满未知的新领域。神经网络将在基本原理方面进行更深刻的探索。

神经网络的发展与神经科学、认知科学、计算机科学、人工智能、信息科学

机器人学、微电子学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。神经网络研究的主要目的如下：

1理解脑系统为何具有智能。这些计算与符号表示的形式操作处理不同，人脑是如何组织和实施这些计算的。

2研究各种强调“计算能力”的神经网络模型，并不着重于这些模型的生物学保真程度

3研究大规模并行自适应处理机理。

4研究神经计算机的体系结构和实现技术。

4、适合神经网络学习的问题

人工神经网络学习非常适合于这样的问题：训练集合为含有噪声的复杂传感器数据，例如来自摄像机和麦克风的数据。它也适用于需要较多符号表示的问题，例如决策树学习任务。这种情况下ANN和决策树学习经常产生精度大体相当的结果。反向传播算法是最常用的ANN学习技术。它适合具有以下特征的问题:

(1)实例是用很多“属性-值”对表示的：要学习的目标函数是定义在可以用向量描述的实例之上的，向量由由预先定义的特征组成。这些输入属性之间可以高度相关，也可以相互独立。输入值可以是任何实数。

目标函数的输出可能是离散值、实数值或者由若干实数属性或离散属性组成的向量：例如在ALVINN（Pomerleau(1993)的ALVINN系统是ANN学习的一个典型实例，这个系统使用一个学习到的ANN以正常的速度在高速公路上驾驶汽车。）

(2)系统中输出的是30属性向量，每一个分量对应一个建议的驾驶方向。每个输出值是0和1之间的某个实数，对应于在预测相应驾驶方向时的置信度。我们也可以训练一个单一网络，同时输出行驶方向和建议的加速度，这只要简单的把编码这两种输出预测的向量连接在一起就可以了。

(3)训练数据可能包含错误：ANN学习算法对于训练数据中的有非常好的健壮性。

(4)可容忍长时间的训练：网络训练算法通常比像决策树学习这样的算法需要更长的训练时间。训练时间可能从几秒到几小时，这要看网络中权值的数量、要考虑的训练实例的数量以及不同学习算法参数的设置等因素

(5)可能需要快速求出目标函数值：尽管ANN的学习时间相对较长，但对学习到的网络求值以便把网络应用到后续的实例通常是非常快速的。例如，Alvinn在车辆向前行驶时，每秒应用它的神经网络若干次，以不断的更新驾驶方向。

(6)人类能否理解学到的目标函数是不重要的：神经网络学习方法学习到得权值经常是人类难以解释的。学到的神经网络比学到的规则难以传达给人类。

5、我对人工神经网络学习研究的认识及观点

5.1 人工神经网络学习的几种算法

1.有监督Hebb算法

2.单层感知器

3.梯度（LMS）算法

4.BP算法

这几种算法中，BP算法应用最为广泛。

5.2 基于反向传播网络的学习

反向传播算法是一种计算单个权值变化引起网络性能变化值得较为简单的方法。由于BP算法过程包含从输出节点开始，反向地向第一隐含层（即最接近输入层的隐含层）传播由总误差引起的权值修正，所以称为“反向传播”。

5.2.1反向传播网络的结构

鲁梅尔哈特（Rumelhart）和麦克莱兰(Meclelland)于1985年发展了BP网络学习算法，实现了明基斯的多层网络设想。BP网络不仅含有输入节点和输出节点，而且还含有一层或多层隐（层）节点，如图5.1所示输入信号首先向前传递到隐节点，经过作用后，再把隐节点的输出信息传递到输出节点，最后给出输出结果。节点的激发函数一般选用S型函数。

BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐单元层逐层处理后，传至输出层。每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望输出，那么就转为反向传播，把误差信号沿原连接路径返回，并通过修改各层神经元的权值，使误差信号最小。

图5.1 BP网络

5.2.2反向传播学习算法

（1）选取比率参数r。

（2）进行下列过程直至性能满足要求为止。

1 对于每一训练（采样）输入；

(a)计算所得输出，

(b)按下式计算输出节点的值

(c)按下式计算全部其他节点

(d)按下式计算全部权值变化

2对于所有训练（采样）输入，对权值变化求和，并修正各权值。

权值变化与输出误差成正比，作为训练目标输出只能逼近1和0两值，而绝不可能达到1和0值。因此，当采用1作为训练目标值作为训练时，所有输出实际上呈现出大于0.9的值；而当采用0作为目标值进行训练时，所有输出实际上呈现出小于0.1的值；这样的性能就被认为是满意的。

反向传播算法是一种很有效的学习算法，它已解决了不少问题，成为神经网络的重要模型之一。反向传播算法框图如图5.2所示。

图5.2 反向传播算法框图

5.2.3 反向传播算法性能分析

反向传播算法作为指导多层感知器训练的最流行的算法而出现，基本上，它是一个梯度（导数）的技术而不是一个最优化技术。其具有两个明显的性质：局部计算简单；可实现权值空间的随机梯度下降。多层感知器背景下的BP学习的这两个属性导致了它的优点和缺点。

1.BP网络的优点

1BP网络实质上实现了一个从输入到输出的映射功能，而数学理论已经证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题。当隐含神经元可以任意配置时，BP网络能记忆任意给定的学习样本，再现样本输入到样本输出的联想关系。BP网络的记忆容量与隐含神经元的数量相关，BP网络的记忆容量可通过增加隐含神经元而得到扩充。

2BP网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力。通过学习，BP网络能在任意精度范围内表达复杂的非线性映射。

3BP网络具有泛化能力，能从样本数据中学习知识，抽象一般性规律。BP网络的泛化能力既与自身记忆容量相关，又与学习样本具有的信息量相关。

2.BP网络的问题

传统的BP网络在诸多领域得到广泛应用，也取得一定的成效，但在实际应用中有时处理结果并不理想，还存在诸多问题。究其原因，主要是BP网络还存在许多固有的缺点，这不只是多层前向BP网络的问题。

1BP算法的学习速度很慢，其主要原因有：

•由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂因而必然会出现“锯齿形现象”，这使得BP算法低效。

•存在麻痹现象。由于优化的目标函数很复杂，它必然会在神经元输出接近0和1的情况下出现一些平坦区。在这些区域内，权值误差改变很小，使训练过程几乎停顿。

•为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，而这种方法将引起算法低效。

2网络训练失败的可能性较大，其原因有：

•从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此算法很有可能陷入局部极值，使训练失败。

•网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。

3 难以解决应用问题的实例规模和网络规模间的矛盾。这涉及网络容量的可能性与可行性的关系问题，即学习复杂性问题。

4网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验决定。为此，有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此，应用中如何选择合适的网络结构是一个重要的问题。

5新加入的样本要影响已学习成功的网络，而且描述每个输入样本的特征的数目也必须相同。

6网络的预测能力（也称泛化能力）与训练能力（也称逼近能力）的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象。此时，网络学习了过多的样本细节，但是不能反映样本内含的规律。

6.小结

1、人工神经网络学习为学习实数值和向量值函数提供了一种实际的方法，对于连续的和离散值得属性都可以使用，并且对训练数据中的噪声具有很好的健壮性。反向传播算法是最常见的网络学习算法，这已经被成功应用在很多学习任务中，比如手写识别和机器人控制。

2、反向传播算法考虑的假设空间是固定连接的有权网络所能表示的所有函数的空间。包含三层单元的前馈网络能够以任意精度逼近任意函数，只要每一层有足够数量的单元。即使是一个实际大小的网络也能够表示很大范围的高度非线性函数，这使得前馈网络成为学习预先未知的一般形式的离散和连续函数的很好选择。

3、反向传播算法使用梯度下降方法搜索可能假设的空间，迭代减小网络的误差以拟合训练数据。梯度下降收敛到训练误差相对网络权值的局部极小值。通常，梯度下降是一种有应用潜力的方法，它可用来搜索很多连续参数的假设空间，只要训练误差是假设参数的可微函数。

4、反向传播算法最令人感兴趣的特征之一，是它能够创造出网络输入中没有明确出现的特征。确切的讲，多层网络的隐藏层能够表示对学习目标函数有用的但隐含在网络输入中的中间特征。

5、过度拟合训练是ANN学习中的一个重要问题。过度拟合导致网络泛化到新的数据时性能很差，尽管网络对于数据表现非常好。交叉验证方法可以用来估计梯度下降搜索的合适终止点，从而最小化过度拟合的风险。

任何新生事物的成长都不是一帆风顺的。人工神经网络学习也不例外。但是，经过长时间的研究发展，神经网络学习已经逐步成长起来了，在未来的发展中可能会遇到新的困难，甚至遭受较大的挫折。广大研究者也可能会为此承受巨大风险。但是作为科学研究者，我们应持有乐观的态度，为神经网络学习的发展做贡献。

参考文献：

【1】宋绍云，仲涛.BP人工神经网络的新型算法.人工智能及识别技术,2009,5(5)

【2】李晓峰，徐玖平，王荫清，贺昌政.BP人工神经网络自适应学习算法的建立及其应用.系统工程理论与实践.2004,5(5)

【3】李建珍.基于遗传算法的人工神经网络学习算法.西北师范大学学报（自然科学版）.2002,38(2)

【4】耿晓龙，李长江.基于人工神经网络的并行强化学习自适应路径规划.科学技术与工程.2011,11(4)

【5】蔡自兴，徐光祐.人工智能及其应用.北京：清华大学出版社，2010

【6】史忠植.神经网络.北京：高等教育出版社，2009

【7】（美）Tom M.Mitchell .曾华军 张银奎 等译. 机器学习.北京：机械工业出版社，2003

【8】 涂序彦.人工智能：回顾与展望.中国人工智能学会.北京：科学出版社，2006

【9】朱福喜，朱三元，伍春香.人工智能基础教程.北京：清华大学出版社，2006