Ch.5ComputationalIntelligence第五章计算智能.ppt

中南大学 智能系统与智能软件研究所 Ch.5 Computational Intelligence 第五章 计算智能 5.1 概述 5.2 神经计算 5.3 模糊计算 5.4 遗传算法 第5章 计算智能 现代科学技术发展的一个显著特点：信息科学与生命科学的相互交叉、相互渗透和相互促进。计算智能涉及神经计算、模糊计算、进化计算、粒群计算、蚁群计算、自然计算、免疫算法和人工生命等领域，亦是多学科交叉发展的结果。 人类的所有发明，几乎都有自然界的配对物。 原子能----星球上的热核爆炸 声呐传感器和雷达----蝙蝠的声呐和海豚的发声 飞机和飞船----鸟类的飞行 ....... 什么是计算智能Computational Intelligence (CI)?它与传统的人工智能有何区别？ 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。 第一个对计算智能的定义时由Bezdek于1992年提出的。他认为，从严格意义上讲，计算智能取决于制造者提供的数值数据，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。 Difference relationship between CIAI 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。 生物神经元 Main learning algorithms of ANN Supervised learning algorithms：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。 unsupervised learning algorithms：不需要知道期望输出。 Reinforcement learning algorithms：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）。 下面给出感知器的一种学习算法： 1）随机地给定一组连接权 (较小的非零值)，这里 为k时刻第i个输入上的连接权值， 为k时刻的阈值； 2）输入一组样本 和期望的输出d(教师信号)。 3）计算感知器的实际输出： 4）按下式修正权值： 其中，η为学习速率(0η1). 5)选取另一组样本，重复2)～4),直至权值对一切样本均稳定不变为止，学习过程结束。 例子：有一个单神经元构成的感知器，3个输入，激励函数为 ，给定3对训练样本如下： 设初始权向量 试根据以上学习规则训练该感知器。 解： 例子：有一个单神经元构成的感知器，3个输入，激励函数为 ，给定3对训练样本如下： 设初始权向量 试根据以上学习规则训练该感知器。 解： Hopfield网络的训练只有一步，网络的权值 被直接指定如下： 式中， 为从神经元i到神经元j的连接权值， (可为+1或-1)是c类训练输入模式的第i个分量，p为类数，N为神经元数。由式（5.7）可以看出， 是保证网络稳定的条件。 工作原理：当一种输入模式输入到网络时，设置其输出初始值等于输入，从这些初始值开始，网络根据下式迭代工作，直至达到某个最小的能量状态，即输出稳定于恒值。 5.2.3 人工神经网络示例（Typical models of ANN） 5.2.4 基于神经网络的知识表示与推理 （Knowledge representation and reasoning based on NN） 1、基于神经网络的知识表示 比较：传统人工智能：知识的显式表示； 神经网络：知识的隐式表示； 在这里，知识并不像在产