计算智能绪论解析.pptVIP

计算智能 何坤 20世纪90年代以来, 人们在智能信息处理的研究中，关注到精确处理与非精确处理的双重性，强调符号物理机制与联接机制的综合,倾向于冲破“物理学式”框架的“进化论”新路。这表明计算智能的新学科分支被概括地提出来了,并以更加明确的目标蓬勃发展 美国学者James C. Bezdek于1992年在近似推理的国际杂志上论道:计算智能依靠生产者提供的数字材料,而不是依赖于知识,而人工智能使用的是知识精华。 计算智能的产生 智能的三个层次： 1）生物智能（Biological Intelligence, BI)：由人脑的物理化学过程反映出来的，人脑是有机物，它是智能的物质基础 2）人工智能(Artificial Intelligence, AI)：他是非生物的，是人造的，常用符号表示，它的来源是人的知识和传感器数据。 3）计算机智能（Computation Intelligence，CI):它是数字方法和计算机实现的，它的来源是数值计算和传感器。 AI 是CI→ BI的中间过渡,因为AI中除了计算算法外,还包含符号表示和数值信息处理。 模糊集和模糊逻辑是CI→AI的平滑过渡,因为它包含了数值信息和语义信息。 计算神经网络CNN 是一个最底层最基本的环节, 也是CI的一个重要基石,主要用于模式识别。 目前国际上提出计算智能就是以人工神经网络为主导,与模糊逻辑系统、进化计算以及信号与信息处理学科的综合集成。 计算智能的特征 计算智能与人工智能不同,主要依赖的是生产者提供的数字材料,而不是依赖于知识;它主要借助数学计算方法的使用: 1) CI 的内容本身具有明显的数值计算信息处理特征; 2) CI 强调用计算的方法来研究和处理智能问题 (在解空间进行搜索的过程都被称为计算)。 计算智能促进计算和符号物理相结合的各种智能理论、模型、方法的综合集成。 计算智能的主要技术 1）模糊计算技术 1965年,美国加州大学伯克莱分校L. Zadeh教授发表了论文“ Fuzzy Sets”(模糊集),开创了模糊理论。提出的不相容原理:“随着系统复杂性增加,人们对系统进行精确而有效地描述的能力会降低,直至一个阈值,精确和有效成为互斥”。 真实世界中概念往往没有明确的界限,而传统数学的分类总试图定义清晰的界限,这是一种矛盾,一定条件下会变成对立的东西。 任何事情都离不开隶属程度。这就是模糊理论的基本出发点。 随着系统越来越复杂,当其复杂性达到与人类思维系统可比拟时,传统的数学分析方法就不适应了。 模糊数学或模糊逻辑更接近于人类思维和自然语言, 模糊理论为复杂系统分析,进而为人工智能研究提供了一种有用的方法和工具。 Zadeh从真实世界中的概念往往是没有清晰界限出发，把普通集合论推广到模糊集合论。 普通集合中的成员是具有精确特性的对象：如8到12的实数集合。 模糊集合中成员的特性是模糊的：如接近于10的实数集合。 特征函数在0和1区间取值,这种函数称隶属函数. 隶属度和概率值取值一样, 都是研究事物的不确定性问题, 但它们的含义不同： 1）概率性:事件本身是清晰的,只是事件出现频数具有不确定性。 2）模糊性:事件本身是含糊不清的,而事件出现是确定的。 复杂的工业控制过程的非线性、时变特性以及可利用测量手段的局限性, 很难实现自动控制。 计算机实现：但常常由于数学模型不精确,或者需要大量计算时间,过程运行仅在一定条件范围内有效,超越条件或受到偶然的扰动控制就很难保证稳定。 模糊逻辑是适合于这类控制, 即模糊逻辑控制 以蒸气涡轮机的工作过程为例:涡轮机的汽阀动作取决于两个控制变量:温度和压力。 首先每个变量定义一些模糊区(集合)。 然后构造一个控制模型,即根据控制变量的每种组合,编写描述控制动作的规则。 最后从输入模糊集和规则得到输出模糊集,再转换成清晰的输出去控制汽阀 模糊理论源于美国,但长期以来受学派之争的束缚,实际应用进展缓慢。 到20世纪80年代后期,在日本以家用电器广泛使用模糊控制作为突破口,使模糊逻辑的实际应用获得迅速发展。 20世纪90年代初,美国已醒悟到“美国人的理论却让日本人赚钱”的教训,工业界也已行动起来。 中国从事模糊数学的研究比较早,并处于国际前列。但由于众所周知的原因,应用仍有一定差距。 模糊技术有许多诱人的优越性,应用前景看好,但毕竟还是新兴技术,尚不成熟,有许多问题需要研究和解决。 2）神经计算技术 符号主义认为,认知的基本元素是符号,认知过程是对符号表示的运算。 人类的语言、文字、思维均可用符号来描述,而且思维过程只不过是这些符号的存储、变换和输入、输出而已。 以这种方法实现的系统具有串行、线性、准确、易于表达的特点,体现了逻辑思维的基本特性。 神经网络以联接主义为基础, 认为符号是不存在的, 认知的基本元素就是神经细胞。认