AI第5章-计算智能讲义.pptVIP

Artificial Intelligence (AI)人工智能 内 容 5.1 概述 神经网络 对人类智能的结构模拟方法。通过对大量人工神经元的广泛并行 互联，构造人工神经网络系统以模拟生物神经系统的智能机理。 进化计算 对人类智能的演化模拟方法。通过对生物遗传和演化过程的认识, 用进化算法模拟人类智能的进化规律。 模糊计算 对人类智能的逻辑模拟方法，通过对人类处理模糊现象认知能力 的认识，用模糊逻辑模拟人类的智能行为。 计算智能不仅涉及神经网络、模糊系统和进化计算三个 主要分支，还包括： 生物智能 (Biological Intelligence，BI) 由脑的物理化学过程反映出来的, 脑智能的基础。 人工智能 (Artificial Intelligence，AI) 非生物的,人造的,常用符号表示，来源于人类知识的精华。 计算智能 (Computational Intelligence，CI) 由数学方法和计算机实现的，来源于数值计算的传感器。 ABC： Artificial Biological Computational 另一种观点：计算智能和人工智能是不同的范畴。 虽然人工智能与计算智能之间有重合，但计算 智能是一个全新的学科领域，无论是生物智能 还是机器智能，计算智能都是其最核心的部分, 而人工智能则是外层。 实践证明，只有将AI和CI很好地结合起来，才能更好地 模拟人类智能，才是智能科学发展的正确方向。 符号（功能）主义：符号逻辑推理 联结（结构）主义：人工神经网络 行为主义：智能行为模拟， “模式-动作” 联结主义的观点：智能的寓所在大脑皮层，是由大量非线 性神经元互联而成并行处理的神经网络。 并行分布处理：并行结构，耐故障。(实时、动态) 非线性映射：任意非线性映射能力。(非线性问题) 通过训练进行学习：通过数据记录进行训练，能处理由数学 模型或描述规则难以处理的问题。 适应与集成：自适应和信息融合能力。(复杂、大规模、多变量) 硬件实现：快速和大规模处理能力。(并行处理) 神经网络的生物学机理。 ⑴、神经元结构包括四个部分 胞体：神经细胞的本体，维持细胞生存功能 树突：接收来自其他神经元的信号（输入） 轴突：输出信号 突触：与另一个神经元相联系的特殊部位 ◇ 一个神经元有两种状态：兴奋、抑制。 ◇ 平时处于抑制状态的神经元，其树突和胞体接收其它神经元由突触 传来的兴奋电位，多个输入在神经元中以代数和的方式叠加。 ◇ 如果输入的兴奋电位总量超过某个阈值，神经元会被激发进入兴奋 状态，发出输出脉冲，并由突触传递给其他神经元。 ◇ 神经元被触发后进入不应期，在不应期内不能被触发，然后阈值逐 渐下降，恢复抑制状态。 ◇ 神经元及其连接。 ◇ 神经元之间的连接强度决定信号传递的强弱。 ◇ 神经元之间的连接强度可以随训练改变。 ◇ 信号可以起刺激作用，也可以起抑制作用。 ◇ 一个神经元接受信号的累积效果决定该神经元的状态。 ◇ 每个神经元有一个“阈值”。 MP模型： 一种人工神经元的数学模型，是最早的神经元模型之一。 是大多数神经网络模型的基础。 MP模型示意图： 人工神经元是仿照生物神经元提出的，神经元可以有N个输入： 神经元的输出y是对u的映射： 输出函数“f”的作用： ◇ 控制输入对输出的激活作用。 ◇ 对输入、输出进行函数转换。 ◇ 将可能无限域的输入变换成有限范围内的输出。 人工神经网络最具有吸引力的特点是它的学习能力。 1962年，Rosenblatt给出了人工神经网络著名的学习 定理：人工神经网络可以学会它能表达的任何东西。 神经网络的适应性是通过学习实现的，学习是神经网 络研究的一个重要内容，人工神经网络的学习过程表现为 对连接权值的训练。 人工神经网络的学习方法,涉及到学习方式和学习规则的确定，不 同的学习方法其学习方式和学习规则是不同的。 ⑴、学习方式 通过向环境学习，获取知识并改进自身性能，是NN的一个重要特 点。一般情况下，性能的改善是按某种预定的度量，通过调节自身参数 （权值）随时间逐步达到的。 按环境提供信息量的多少，学习方式有3种：监督学习（有师学 习）、非监督学习（无师学习）、再励学习（强化学习）。 此学习方式需要外界存在一个教师，可对给定的一组输入提供应有 的输出结果(