智能计算概述.pptVIP

包括单层前馈网络和多层前馈网络。 单层前馈网络是指那种只拥有单层计算节点的前向网络。它仅含有输入层和输出层，且只有输出层的神经元是可计算节点，如下图所示 其中，输入向量为X=(x1,x2,…,xn)；输出向量为Y=(y1,y2,…,ym)；输入层各个输入到相应神经元的连接权值分别是wij，i=1,2,..,n，j=1,2,.., m。 … … x1 X2 X3 xn y1 Y2 ym 权值 wij 输出层 输入层 图8 单层前馈网络结构 前馈人工神经网络的互联结构 单层感知器的结构如下图 … x1 x2 xn … y1 ym 输入层 输出层 权值 wij 输入向量为X=(x1,x2,…,xn)； 输出向量为Y=(y1,y2,…,ym)； 输入层各个输入到相应神经元的连接权值分别是wij，i=1,2,..,n，j=1,2,.., m。 若假设各神经元的阈值分别是θj，j=1,2,…,m，则各神经元的输出yj, j=1,2,..,m分别为 其中，由所有连接权值wji构成的连接权值矩阵W为： 在实际应用中，该矩阵是通过大量的训练示例学习而形成的 x11 y=x1 XOR x2 x1 X2 x12 1 -1 1 1 1 -1 输入层 隐层 输出层 权值 权值 “异或”问题的多层感知器 阈值0.5 阈值-1.5 阈值1.5 (0,1) (0,0) (1,0) 异或问题的解决 (1,1) 在图14中，隐层神经元x11所确定的直线方程为 它可以识别一个半平面。隐层神经元x12所确定的直线方程为 它也可以识别一个半平面。 输出层神经元所确定的直线方程为 它相当于对隐层神经元x11和x12的输出作“逻辑与”运算，因此可识别由隐层已识别的两个半平面的交集所构成的一个凸多边形，如图15所示。 误差反向传播(Error Back Propagation)网络通常简称为BP(Back Propagation)网络，是由美国加州大学的鲁梅尔哈特和麦克莱兰在研究并行分布式信息处理方法，探索人类认知微结构的过程中，于1985年提出的一种网络模型。 BP网络的网络拓扑结构是多层前向网络，如图16所示。在BP网络中，同层节点之间不存在相互连接，层与层之间多采用全互连方式，且各层的连接权值可调。BP网络实现了明斯基的多层网络的设想，是当今神经网络模型中使用最广泛的一种。 y1 y2 ym x1 x2 xn 输出层 隐含层 输入层 权可调 权可调 … … … 一个多层BP网络的结构 人工神经网络的典型模型 —— BP网络模型 离散Hopfield网络的结构 ym Y2 Y1 x1 … … x2 xn 输入层 输出层 在 Hopfidld网络中，虽然神经元自身无连接，但由于每个神经元都与其他神经元相连，即每个神经元的输出都将通过突触连接权值传递给别的神经元，同时每个神经元又都接受其他神经元传来的信息，这样对每个神经元来说，其输出经过其他神经元后又有可能反馈给自己，因此Hopfidld网络是一种反馈神经网络。 蚁群算法概述 受蚂蚁觅食行为的的启发，90年代Dorigo提出蚁群优化算法(Ant?Colony?Optimization，ACO)求解TSP问题 设计虚拟的“蚂蚁”，摸索不同路线，并留下会随时间挥发的虚拟“信息素” 根据“信息素较浓，则路径更短”的原则，每只蚂蚁每次随机选择要走的路径，但倾向于信息素比较浓的路径 算法利用了正反馈机制，使得较短的路径能够有较大的机会得到选择 ACO已成功用于解决其他组合优化问题 图的着色(Graph?Coloring)问题 最短超串(Shortest?Common?Supersequence)问题 网络路由问题 蚁群觅食原理 A B C D 蚁穴 食物 蚂蚁从蚁穴出发觅食，可沿AC找到食物，也可沿ABC找到，如右图。 每个蚂蚁找到食物后沿原路返回，并在路上留下外激素。 AC路径短，AC上留下了两次外激素，而ABC路径长，沿CBA 返回的蚂蚁，还只到了D处，故AD上只留下一次外激素。 后续离穴觅食者选择外激素浓度大的AC路径， 于是AC上外激素浓度将越来越大， 最后，绝大多数蚂蚁沿较短的AC路径觅食。 蚁群算法 初始化，设置时间计数器，循环计数器，为每条边设置信息素浓度的初始值 初始化tabu表 tabu表满？ 按概率将某一个蚂蚁从第i个城市移动到第j个城市，并将j插入其tabu表 封闭回路，分别计算每个蚂蚁走过的总长度，记录最短路径，计算信息素浓度改变量 达到最大循环次数或不 发展状态？ 输出结果 粒子群优化