人工智能ArtificialIntelligence演示9章节.pptVIP

* * 第9章 计算智能（1）：神经计算 模糊计算 §9.1 概述 1.计算智能（CI）、人工智能（AI）、生物智能（BI） （1） 计算智能可理解为智力的低层认知，主要取决于数值数据而不依赖 知识。它涉及神经计算、模糊计算、进化计算和人工生命等领域。 （2） 人工智能是在计算智能的基础上引入知识而产生的智力中层认识。 （3） 生物智能，特别是人类智能是最高层的智能。 CI ? AI? BI 2.计算智能和人工智能的关系讨论 （1）贝兹德克的ABC模型 A – Artificial 表示人工的，即人造的 B – Biological 表示物理的+化学的+（？？）=生物的 C – Computational 表示数学+计算机 I – 智能 NN – 神经网络 PR – 模式识别 人类知识 BNN BPR BI B – 生物的 （+）传感输入 知识 ANN APR AI A – 符号的 （+）传感数据 计算 CNN CPR CI C – 数值的 （+）传感器 输入 复杂性 输入 复杂性 图9.1 ABC的交通关系图 （2）计算智能系统、人工智能系统 * 若一个系统只涉及数值数据，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，则该系统是计算智能系统。 * 若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。 §9.2 神经计算 §9.2.1人工神经网络研究的进展 生物学研究发现，人的大脑大约有 个神经细胞，每个细胞约有 条通路与其他脑细胞相连，并且通过突触交换信息，整个大脑构成了一个纵横交错的极其复杂的非线性网络结构。人工神经网络（ANN）就是抽象、简化与模拟上述大脑生物结构的计算模型。经过60多年的发展，人工神经网络已成为人工智能的一个新学派。 1. ANN的研究进展 * 1943年McCulloch和Pitts提出了“似脑机器”（mindlike machine)的思想 * Rosenblatt命名感知机 * 20世纪60年代，Widrow等人提出自适应性元，Steinbuch等人提出学习矩阵 * 20世纪70年代，Grossberg提出非线性动态系统结构，Hopfield提出一种递归型神经网络（ Hopfield网络） * 20世纪80年代，Parker和Rumelhart提出了一种前馈神经网络的学习 算 法 —— 反向传播算法。 2.ANN的主要特性 * 并行分布处理：神经网络具有高度的并行结构和并行实现能力，因而有较好的耐故障能力和较快的总体处理能力，特别适于实时和动态处理。 * 非线性映射：神经网络具有固有的非线性特性，这给处理非线性问题带来了新希望。 * 通过训练进行学习：神经网络可通过研究过去的数据进行训练，通过训练神经网络具有归纳全部数据的能力，因而能够解决那些由数学模型或描述规则难以处理的问题 * 适应与集成：神经网络能够适应在线运行，并能同时进行定量和定性操作，这使得神经网络适于复杂、大规模和多变量系统。 * 硬件实现：神经网络不仅能通过软件而且可以借助硬件实现并行处理。这使得神经网络具有快速和大规模处理能力的实现网络 显然，神经网络由于其学习和适应、自组织、函数逼近和大规模并行处理等能力，因而有用于智能系统的潜力。 §9.2.2人工神经网络的结构 1.神经元及其特性 * 神经元是神经网络中连接机制机构的的基本处理单元，其模型模拟一个生物神经元，由多个输入 i=1.2.3…,n和一个输出Y组成如下图所示： 图9.2 神经元模型 f( _ ) 图9.1中 为输入； 为输出； t 为时间；