模糊系统论文

模糊语言在人机对话系统中的应用罗粤（动131 ********）摘要：本文主要围绕模糊系统及模糊语言、人机对话系统展开，对模糊语言在人机对话系统中的应用进行研究，并以机器人与人类的互动为例说明，最后阐述对人机对话系统和模糊语言的展望。

关键词：模糊系统，模糊语言，人机对话，互动1.背景随着信息技术的发展和其应用领域扩大，人机对话系统遍布各行各业，已成为辅助人类进行日常生活、科学研究、管理决策的重要工具。

在日常交流中人们所使用的语言是自然语言，它是人类知识的载体，也是人类获取知识和进行通讯的工具。

因此，人与计算机交互就变得尤为重要了。

而人与计算机进行交流，语音输入输出是最直接的、自然的人机通讯方式，只有把自然语言与计算机可以识别的形式语言融合，才能实现人与计算机的智能对话系统和以人为本的发展目标。

但是目前计算机还不能理解自然语言，它只能接受形式语言也就是一系列机器指令的组合。

而模糊语言可以使自然语言和形式语言智能交融或转换，从而有利于人机对话。

2.模糊语言2.1模糊系统的概念模糊系统是确定性系统的一种推广，是输入、输出和状态变量定义在模糊集上的系统。

美国自动控制专家L.A.扎德于1965年提出模糊子集的概念。

此后，模糊系统理论得到发展，并应用于模糊规划、模糊决策、模糊控制，以及人机对话系统、经济信息系统、医疗诊断系统、地震预测系统、天气预报系统等方面。

在通常的系统理论中，一个系统在某一时刻的状态和输入一经决定，下一时刻的状态和输出就明确地唯一决定，这种系统称为确定性系统，否则就称为非确定性系统。

假定给出系统某一时刻的状态与输入，尽管不能唯一决定下一时刻的状态与输出，但能决定下一状态出现的概率分布，这种系统则称为随机系统，这是一类非确定性系统。

如果不能决定下一状态出现的概率分布，但可以确定下一时刻所有可能状态的集合，这是另一类非确定性系统。

如果把这种非确定性系统中可能状态的集合用模糊集合来表示，就成为模糊系统。

2.2模糊系统的发展现今的基本概念在研究没有人参与的定量化的精确系统时有一系列行之有效的系统理论。

但在人机系统、管理系统、经济系统、社会系统等与人的思维活动有某种联系的系统中，由于人脑的逻辑、推理、判断、决策并非完全精确，这种与人有关的系统就具有某种模糊性。

随着电子数字计算机向智能机的方向发展，将出现越来越多的模糊系统。

模糊系统理论的基础是模糊集合理论，模糊系统理论的方法主要用于环境质量评价中，如模糊聚类法、模糊综合评判法等，它的核心是利用隶属度刻画客观事物中大量模糊的界线。

在环境质量评价中，对于评价级别的归属问题，即元素与集合之间的关系，不再是笼统的经典集合论中的属于或不属于关系，而是[0，1]中间的一个数，这样能更为确切地反映实际情况。

2.2模糊语言2.2.1模糊语言的产生传统语言学的基本准则要求语言表达清楚、正确。

但是由于客观实体边界的不明确性，人们对事物观察的不同角度或缺乏全面的认识，导致语言使用的不一致性，从而使模糊的语言形式成为一种必然的存在。

长期以来模糊语言未受到应有的重视，直到1965年美国科学家L.Zadeh在其论文《模糊集合》(FuzzySet)中,引入“隶属函数”这个概念,用于描述差异的中间过渡,首次成功地运用数学方法描述模糊词项,标志着模糊理论的诞生。

随后,语言学家和语言哲学家运用该理论从语义、认知、语用等方面来研究语言的模糊性,取得丰硕成果,从而逐渐形成了一门新的边缘学科——模糊语言学。

它的核心是引用隶属度概念从而达到可以描述“是”与“非”的中间状态。

而所谓的“模糊语言”实际上就是用模糊数学的观点和方法把自然语言定量化和数学化，以适应计算机程序的需要。

比如考虑一个年纪的语言变量。

年纪的辞集可以表达为:T(年纪)=老+很老+不老+有几分年轻+十分年轻+不老也不很年轻十⋯⋯。

其中每个辞是论域U=[0,100」中的模糊变量的名称。

2.2.2模糊语言的分类模糊语言主要包含两类:（1）词语的模糊，它指一个词本身所表达的概念外延不明确，即没有准确的范围和界限。

常见的这类词有“现在”与“过去”、“大”与“小”、“深”与“浅”、“宽”与“窄”、“快”与“慢”，这些词看似明确，实际上它们之间没有一个明确的区别标准，并且完全可以因人因时因地不同得出不同结论,它们所表现出的相对性十分明显，因而它们的外延都是模糊的。

美国数学家耶格尔给模糊性下了一个非常直观的定义,他说:“模糊性就是一个命题与其否定命题之间缺乏明确的区别。

具体地说,一个概念离它的否定面越远,它就越不模糊;相反,如果离否定面越近,这个概念就越模糊。

”（2）语义的模糊。

有些句子从每个词看，意义是明确的，但从整个句子的意义上看却是模糊的。

这种语义模糊，在整个句子中通常有副词“大约、也许、恐怕、未必、不见得”或动词“再说、研究研究、考虑考虑”等。

比如在汉语中经常听到“这件事容我再考虑考虑”，“你之前提出的建议等我研究之后再说吧”。

2.2.3模糊语言的发展为了进一步研究并处理计算机在识别自然语言时的模糊信息，我们提出模糊语义学。

语义学顾名思义就是研究语言中的语义部分，具体地讲，语义学研究的是词语所表达的意义，词义之间的关系，语义与语法以及语义的形式化等问题。

大家知道，无论是人与人之间进行信息交流，还是人与计算机之间进行信息交流，前提就是要使对方正确明白或理解你所表达的意思，所以对语义学的模糊研究是非常必要的。

模糊语义学可以包括模糊语义的特征，模糊语义的模型以及形式化等。

总的来说，模糊语义学意在遵守语义现象，是模糊语言更完善地实现自然语言与形式语言之间的过渡，因此，模糊语言将作为一门新兴的前沿科学，具有实用意义且在计算机上实如FSTDS等，它的一系列研究成果，会使人-机间的信息交流出现勃勃生机.3.人机对话系统3.1人机对话系统的产生人机交互（Human Computer Interaction，HCI）是计算机诞生以来产生的研究人和计算设备之间相互影响的技术。

其目标是机器帮助人高效、舒适、安全的完成任务需求。

人机交互作为信息时代对人类生产生活具有重大影响的基础技术，受到广泛重视。

美国在2000年制定的信息技术研究预算中，把“人机交互”与“软件”、“网络”和“高性能计算”并列为四项基础研究。

对话系统（DialogueSystem）是人机交互技术最核心的领域之一，它是人与机器之间进行双向信息交换以满足人的特定任务需求的计算机软硬件系统。

广义上，对话系统包括所有人机交互系统，例如图形界面（GraphicUser Interface，GUI）、虚拟现实交互等等。

狭义上，对话系统特指完成类似人与人的沟通任务的计算系统，它的目标是使人机对话像人人对话一样有效、快捷和自然。

本文中，主要探究狭义上的人机对话系统。

3.2人机对话系统的发展人机对话系统是将机器视为一个认知主体的人机双向信息交换系统。

随着相关技术的进步，人机对话系统也跟随技术进步有了一定的适应性变化和进步。

最初的人机交互系统都是将机器看作是执行精确命令，产生预定的输入输出的工具。

如命令行交互终端、图形用户界面和键盘鼠标交互等等。

这类人机交互系统大都是以设计者为中心，要求用户按照设计者预定的方式进行交互并获取结果。

而随着技术和应用的发展，以用户为中心的人机交互系统从上个世纪末开始受到越来越大的重视。

这类交互系统不是要求用户去适应机器，而是要求机器去适应人，也即允许用户采用与人交流的自然方式去与机器交流。

4.机器人与人互动4.1产生与发展1958年恩格尔伯格建立了Unimation公司，并于1959年研制出了世界上第一台工业机器人。

随后，机器人技术一直在发展和进步，人类也不在满足于只会被动的接受人类键盘操作才能执行指令的机器人，开始研发一系列的智能机器人。

其中服务型的智能机器人有两个明显的特点，一方面有一定的智能和自主性；另一方面，可以辨识人类的自然语言，并有一定的沟通交流能力，同时可以执行相关的任务。

在2010年上海世博会中，有很多服务型的智能机器人让人眼前一亮，由此可见服务型智能机器人的研发已经达到一定水准，并在公众场合开始试用。

但是国内的人机对话系统相比于国外的技术还存在一定的不足，主要原因是：中文对话系统除了要具有一般对话系统的功能外，还要考虑汉语的特性。

在自然语言处理中，中文的语法语义等方面都与西方语言有很大的区别，其结构特点决定了他的句法分析和语义理解要更加复杂，词与词之间没有分界符也使得信息处理时要先对句子进行切分，因此中文对话系统往往无法直接利用国外一些成熟技术和研究成果，只能借鉴并自行进行开发研究。

4.2 实例：小度机器人在此，就不得不谈谈我国百度旗下的小度机器人了，小度机器人，是诞生在百度的智能机器人，能够通过自然的交互方式（语音、图像、对话），依托强大的智能搜索技术，在准确理解用户意图的基础之上，与用户进行信息、服务、情感的交流。

在功能上，小度机器人具有信息、服务、情感三大功能定位：借助百度强大的搜索引擎，不断学习各类知识，努力成为用户获取信息的最佳助手；在广泛索引真实世界服务和信息的基础上，依托强大的搜索及智能技术，为用户提供各种优质服务；基于强大的自然语言理解与情感识别技术，小度机器人具备情感连接能力，能与用户进行感性互动，满足人类的情感与心理需求。

2015年10月19日，李克强总理来到创业展示中心，在李彦宏的陪同下与百度的人工智能产品小度机器人进行了一次“深度交流”，根据新闻稿，对话如下：在这里，对此次对话过程进行分析解读。

小度机器人工作时，首先就要对总理的话进行语音识别，对于人来说接收到的语音可以立马转换为文字信息，但是对于机器来说接收到的则是数字信号而已。

当总理问“你为什么叫小度”时，“ni”这个发音可以是“泥”也可以是“逆”，所以就需要强大的语音技术进行识别；接着，当机器获得总理说的话之后就需要进行理解，对于我们人而言听到一句话并理解是一件非常理所当然的事情，但是对于机器来说就很麻烦，比如当机器收到“你为什么叫小度”这句话后，要判断意思到底是“你的名字为什么是小度”还是“你为什么呼叫小度”，这种语义理解困境会在语义理解中反复出现；最后，当机器理解完这句话的目的之后，就需要为其提供答案，通过全网大数据为总理提供答案，如果总理是百度的老用户，并且使用次数越多，那么百度就会根据其用户历史行为记录，给出更为精确的答案。

在小度机器人处理这段对话任务中，主要有两点困难：第一，人类对话话题太多，很难精确扑捉到对方的意图。

而自然语言大多和深层次的常识、知识相关，更是为理解语言的语意雪上加霜。

第二，对话系统需要理解语言的上下文环境，这里包括指代消歧等一些自然语言问题，自动推理等形式语言问题，还有在线决策等机器学习问题。

理解语言本身就已经困难重重，还要理解语境，更是难上加难。