【摘要】：智能分析中的一个核心任务是认知推理：根据观测结果来推测深层次的本质原因。传感器所获取的信号，经过感知算法的计算处理，就得到了所谓的观测结果；智能分析算法将进一步挖掘这些观测结果背后的深层次原因。我们在上一章中谈到：“时序状态集”是对某一个随机过程的观测结果。状态迁移图和概率图都是用来分析和描述随机过程的有效方式！
有一次，在旁听人工智能之父Marvin Minski的“The Society of Mind”课程时，我了解到：在人工智能刚刚提出的时候，大家并没有过多地考虑概率分析和随机理论，直到几年后，概率论才被引入进来，作为一种有效的数学分析工具，极大地推动了人工智能技术的发展。智能分析中的一个核心任务是认知推理：根据观测结果来推测深层次的本质原因。传感器所获取的信号，经过感知算法的计算处理，就得到了所谓的观测结果；智能分析（或认知推理）算法将进一步挖掘这些观测结果背后的深层次原因。
我们在看电视节目《动物世界》时，感知算法的观测结果是：识别每一个动物，然后判断各个动物的状态（站、走、跑）。智能分析（或认知推理）的结果是：动物的行为策略。动物的行为策略决定了动物的状态，是产生动物的时序状态集的深层次本质原因，但是，我们无法直接“测量”动物的行为策略，只能通过某些可以测量到的观察结果（例如各个动物的状态），来推测动物的行为策略。我们在上一章中谈到：“时序状态集”是对某一个随机过程的观测结果。状态迁移图和概率图都是用来分析和描述随机过程的有效方式！(www.xing528.com)
在进行这些令人兴奋的应用研究之前，我们需要先打好理论基础。在第16章中，基于本章介绍的数学方法和工具，我们将详细探讨一个应用案例：课堂教学中对学生听课状态的感知与评估。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
