计算智能概论论文.docx

计算智能概论公选课作业 作业1 介绍人工神经网络的发展历程和分类 简要介绍BP神经网络 简要介绍RBF神经网络 简要介绍SOM（自组织映射）神经网络 神经网络的应用 作业2 介绍支持向量机的发展历程和分类 支持向量机的应用 介绍生物特征识别的内容 介绍指纹识别的内容 介绍人脸识别的内容 介绍虹膜识别的内容 作业3 介绍遗传算法的发展历程 介绍遗传算法的应用 作业4 介绍群智能理论的内容 介绍粒子群算法的内容 介绍粒子群算法的应用 介绍蚁群算法的内容 介绍蚁群算法的应用 作业5 模糊理论概述 模糊控制的基本思想 智能控制的简介 智能机器人简介 河南工业大学 信息科学与工程学院 电子信息科学与技术 1502班 相怡林 学号： 20151603020  PAGE \* MERGEFORMAT - 16 - 一：人工神经网络的发展历程和分类 1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。 1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。 50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。 然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。 另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。 随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。 这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。 第一代神经网络 感知器（~1960） 感知器（Perceptrons）使用一层手编（Hand-coded）特征，通过学习如何给这些特征加权来识别对象。 感知器的优点：调整权值的学习算法很简洁。 感知器的缺点：感知器一些先天的缺陷，导致它们可以学习的东西大大地受限。 Vapnik和他的同事们发明了大名鼎鼎的支持向量机（SVM），改进了感知器的一些缺陷（例如创建灵活的特征而不是手编的非适应的特征），并得到了广泛的应用。但是归根到底，它还是一种感知器，所以无法避免感知器的先天限制。 第二代神经网络 BP（反向传播，Back-propagate）神经网络（~1985） BP神经网络通常使用梯度法来修正权值。 BP并不是一种很实用的方法。原因有三： 它需要被标记的训练数据，但是几乎所有的数据都是未标记的。 学习时间不易衡量，在多层网络中，速度非常慢。 它陷入局部极小点而不收敛的情况极大。 第三代神经网络 最近的神经科学研究表明，和人类的许多认知能力相关的大脑皮层，并不显式地预处理感知信号，而是让它们通过一个复杂的