人工智能讲稿计算智能.docVIP

　 第四章 计算智能(1) 教学内容：本章讨论计算智能所涉及的领域和范围，计算智能的含义及它与传统的人工智能的区别。介绍人工神经网络的由来、特性、结构、模型和算法；神经网络的表示和推理。简要地介绍模糊数学的基本概念、运算法则、模糊逻辑推理和模糊判决等。 教学重点：计算智能；人工神经网络的结构、模型和算法，以及表示和推理。 教学难点：人工神经网络的结构、算法和推理；模糊数学的运算法则和模糊逻辑推理。 教学方法：课堂教学为主。适当提问，加深学生对概念的理解。 教学要求：通过对本章的学习，使学生掌握人工神经网络的结构、模型和算法，了解计算智能所涉及的领域和范围，了解人工神经网络的特性、表示和推理，了解模糊数学的基本概念、运算法则、模糊逻辑推理和模糊判决等。 4.1概述 教学内容：本节介绍计算智能所涉及的领域和范围，计算智能的含义及其与传统人工智能的区别。贝兹德克提出的“ABC”，及它与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。 教学重点：计算智能的含义及其与传统的人工智能的区别。 教学难点：“ABC”及其与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。 教学方法：课堂教学。 教学要求：掌握计算智能的含义，了解计算智能与传统的人工智能有何区别。了解贝兹德克提出的“ABC”及其与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。 　 　　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，它的研究和发展正是反映了当代科学技术多学科交叉与集成的重要发展趋势。 　　把神经网络（NN）归类于人工智能（AI）可能不大合适，而归类于计算智能（CI）更能说明问题实质。进化计算、人工生命和模糊逻辑系统的某些课题，也都归类于计算智能。 　　计算智能取决于制造者（manufacturers）提供的数值数据，不依赖于知识；另一方面，人工智能应用知识精品（knowledge tidbits）。人工神经网络应当称为计算神经网络。 　　第一个对计算智能的定义是由贝兹德克（Bezdek）于1992年提出的。 　　尽管计算智能与人工智能的界限并非十分明显，然而讨论它们的区别和关系是有益的。马克斯（Marks）在1993年提到计算智能与人工智能的区别，而贝兹德克则关心模式识别（PR与生物神经网络（BNN）、人工神经网络（ANN）和计算神经网络（CNN）的关系，以及模式识别与其它智能的关系。忽视ANN与CNN的差别可能导致对模式识别中神经网络模型的混淆、误解、误表示和误用。 提问：计算智能与人工智能的区别和关系如何。 　 　　贝兹德克对这些相关术语给予一定的符号和简要说明或定义。 　　他给出有趣的ABC： 　　A－Artificial， 表示人工的（非生物的），即人造的 　　B－Biological， 表示物理的＋化学的＋（？？）＝生物的 　　C－Computational， 表示数学＋计算机 　　图4.1表示ABC及其与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。 　 　 图4.1 ABC的交通关系图 　 　　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。 提问：计算智能的主要特征是什么? 　 4.2神经计算 教学内容：本节将介绍人工神经网络的由来、特性、结构、模型和算法；然后讨论神经网络的表示和推理。这些内容是神经网络的基础知识。神经计算是以神经网络为基础的计算。 教学重点：人工神经网络的结构、模型和算法；神经网络的表示和推理。 教学难点：人工神经网络的结构和算法及其表示和推理。 教学方法：课堂教学为主，并适当提问、收集学生学习情况。 教学要求：掌握人工神经网络的结构、模型和算法，了解人工神经网络的由来和特性，一般了解神经网络的表示和推理方法。 4.2.1人工神经网络研究的进展 　　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。 　　人工神经网络的特性: 　　（1）并行分布处