计算智能概述.ppt

第五章 计算智能;信息科学与生命科学的相互交叉、相互渗透和相互促进是现代科学技术发展的一个显著特点。 计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研究和发展正反映了当代科学技术多学科交叉与集成的重要发展趋势。 ;什么是计算智能 ;计算智能与人工智能的区别和关系 ;A－Artificial，表示人工的（非生物的）；B－Biological，表示物理的＋化学的＋ （？）＝生物的； C－Computational，表示数学＋计算机 计算智能是一种智力方式的低层认知，它与人工智能的区别只是认知层次从中层下降至低层而已。中层系统含有知识（精品），低层系统则没有。;当一个系统只涉及数值（低层）数据，含有模式识别部分，不应用人工智能意义上的知识，而且能够呈现出： （1）计算适应性； （2）计算容错性； （3）接近人的速度； （4）误差率与人相近， 则该系统就是计算智能系统。 当一个智能计算系统以非数值方式加上知识（精品）值，即成为人工智能系统。 ;1960年威德罗和霍夫率先把神经网络用于自动控制研究。 60年代末期至80年代中期，神经网络控制与整个神经网络研究一样，处于低潮。 80年代后期以来，随着人工神经网络研究的复苏和发展，对神经网络控制的研究也十分活跃。这方面的研究进展主要在神经网络自适应控制和模糊神经网络控制及其在机器人控制中的应用上。;并行分布处理 非线性映射 通过训练进行学习 适应与集成 硬件实现;5.2.2 人工神经网络的结构; 图4.2中的神经元单元由多个输入xi，i=1,2,...,n和一个输出y组成。中间状态由输入信号的权和表示，而输出为 （4.1） 式中，?j为神经元单元的偏置，wji为连接权系数。 n为输入信号数目，yj为神经元输出，t为时间，f( )为输出变换函数，如图4.3。; 一个神经元的功能是求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果。 人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。 人工神经网络是一种非程序化、适应性、大脑风格的信息处理 ，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。;(a);人工神经网络是具有下列特性的有向图： 对于每个节点 i 存在一个状态变量xi ； 从节点 j 至节点 i ，存在一个连接权系统数wij； 对于每个节点 i ，存在一个阈值? i； 对于每个节点 i ，定义一个变换函数fi ；对于最一般的情况，此函数取 形式。;递归（反馈）网络:在递归网络中，多个神经元互连以组织一个互连神经网络，如图5.4。;前馈网络:前馈网络具有递阶分层结构，由同层神经元间不存在互连的层级组成，如图4.5。;有师学习算法：能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。 无师学习算法：不需要知道期望输出。 强化学习算法：采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）。强化学习算法的一个例子是遗传算法（GA）。;基于神经网络的知识表示 在这里，知识并不像在产生式系统中那样独立地表示为每一条规则，而是将某一问题的若干知识在同一网络中表示。例如，在有些神经网络系统中，知识是用神经网络所对应的有向权图的邻接矩阵及阈值向量表示的。 ;基于神经网络的推理是通过网络计算实现的。把用户提供的初始证据用作网络的输入，通过网络计算最终得到输出结果。 一般来说，正向网络推理的步骤如下： 把已知数据输入网络输入层的各个节点。 利用特性函数分别计算网络中各层的输出。 用阈值函数对输出层的输出进行判定，从而得到输出结果。;论域U到[0,1]区间的任一映射 ， 即 ，都确定U的一个模糊子集F； 称为F的隶属函数或隶属度。在论域U中，可把模糊子集表示为元素u与其隶属函数 的序偶集合，记为： (4.7);若模糊集是论域U中所有满足