四章计算智能1.pptVIP

第四章 计算智能(1) 神经计算 模糊计算 4.1 概述 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 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。 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。 4.2 神经计算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 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 4.2.2 人工神经网络的结构 人工神经网络的基本特性和结构 人工神经网络是具有下列特性的有向图 对于每个节点 i 存在一个输出状态变量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4.4。 有些神经元的输出被反馈至同层或前层神经元 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。 按照层次实现单向链接流通。 人工神经网络的主要学习算法 指导式（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。 非指导式（无师）学习算法：不需要知道期望输出，输入数据自动地适应连接权，以便按相似特征把输入模式分组聚集。 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）。 人工神经网络的典型模型 4.2.4 基于神经网络的知识表示与推理 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。 基于神经网络的知识表示 传统人工智能系统中所用的方法是知识的显式表示，而神经网络中的知识表示是一种隐式的表示方法。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：图4.6所示的异或逻辑的神经网络 邻接矩阵 如果用产生式规则描述，则该网络代表下述四条规则： IF x1=0 AND x2=0 THEN y=0 IF x1=0 AND x2=1 THEN y=1 IF x1=1 AND x2=0 THEN y=1 IF x1=1 AND x2=1 THEN y=0 基于神经网络的推理 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。 正向神经网络推理的特征 同层神经元式完全并行的，层间的信息传递式串行。