类神经网络.ppt

類神經網路Artificial Neural System 參考資料 人工智慧與類神經網路簡介 .tw/~kensl/AIrpt.htm 類神經網路模式應用與實作 葉怡成, 儒林圖書 相關理論 人工智慧 模糊理論 人工智慧精確的定義 一個電腦系統具有人類的知識和行為，並具有學習、推理判斷來解決問題、記憶知識和了解人類自然語言的能力。 人工智慧是一種技術，而不是一項產品。它的目的是讓電腦更能了解一般化的事物。 人工智慧的產生過程 對於人類因問題和事物所引起的刺激和反應，以及因此所引發的推理、解決問題、學習、判斷及思考決策等過程，將這些過程分解成一些基本步驟，再透過程式設計，將這些人類解決問題的過程模組化或公式化，使得電腦能夠有一個結構的方法來設計或應付更複雜的問題。 程式設計間的差異 程式設計間的差異 人工智慧研究的題材 聯絡溝通(connectionism)，以及如何使電腦更有智慧了解人的語言與知識。 符號處理(symbol manipulation)，如LISP人工智慧語言、生產系統(production system)、黑板系統(blackboard system)等領域研究。 經驗法則搜尋技巧(heuristic search)。 邏輯(logic)系統，如複雜事實的歸納及推理等 人工智慧所牽涉的學科 數學和邏輯 基礎科學 心理學和神經生理學 程式設計語言(若包含機械語言更好) 類神經網路起源 為了在語音及影像辨認獲至與人腦相似的功能，自1940年起，科學家即著手從事此方面的研究，仿造最簡單的神經元模式，開始建立最原始的類神經網路(Artificial Neural Network ANN) 結合了生理，心理，電腦等科技而成為新的研究領域 類神網路的發展階段 孕育期(1956以前):Rosenblat提出「感知機」模式以前 誕生期(1957~68):Rosenblat提出「感知機」模式以後 挫折期(1969~81):Minsky與Papert否定感知機的可行性 重生期(1982~86):Hopfield網路 成熟期(1987迄今):第一次正式國際研討會 電腦的功能 電腦的功能雖然日新月異，但卻不能因此就完全取代人腦。因人腦可輕易的聽、說、讀、寫、看，電腦卻力有未逮。尤其是在影像處理或語音辨認等問題，電腦更是無法勝任。這顯然意謂人腦有著尚未為人所知的特殊結構。要如何模擬這種複雜的人類行為進而建立一部可以人腦匹敵的電腦，可說是電腦科學家的一大夢想。 類神經網路的模型 主要是嘗試著去模仿人類的神經系統 因為人類的神經系統在語音、聽覺、影像和視覺方面均有很完美的表現 類神經的架構就是來自於對人類神經系統的認識 由很多非線性的運算單元(我們叫神經元Neuron)和位於這些運算單元間的眾多連結所組成，而這些運算單元通常是以平行且分散的方式在作運算，如此就可以同時處理大量的資料 類神經網路的特性 平行處理的特性 容錯(fault tolerance)特性 結合式記憶(Associative Memory)的特性 解決最佳化(Optimization)問題 超大型積體電路實作(VLSI Implementation) 能處理一般演算法難以處理的問題 類神經網路的發展潛力 用手寫，字體就會在螢幕出現之軟體。這是類神經網路的一種應用研究 第二種應用研究是“說話網路”（NET-talk）， 它是一個試著將書寫文章轉化為“發音字串”（phonetic strings）。 第三種類神經網路的應用研究是適性控制 (adaptive control)。 模擬與辨識 類神經網路與影像處理 影像處理的目的，是由影像處理的結果為圖形辨認提供一套完整又是最有效的資料，以便作進一步的分析 人類的成像系統是眼球，製造出來的影像是連續的。然而人造的影像系統則必須經由取樣(sampling)及量化(quantization)的過程取得數位影像。 影像處理的問題 焦距不精準所產生的模糊影像，必須經過加強(enhancement)處理手續。 影像所含雜訊太多，就需要去雜訊(noise removal)的手續。 為了提供影像中有價值的特徵，必須有邊線偵測的技術。 此外，研究範疇上包括：影像轉換(image transform)、影像還原(image restoration)、影像編碼(image encoding)等等。 影像處理可能應用的領域 影像的分類 醫藥自動測試 目標的自動鑑別 不完整圖案的修補 工業產品的抽檢 T-C 難題 生物神經元模型 生物神經網路是由巨量的神經細胞(neuron)所組成 體細胞(soma) 軸索(axon) 樹突(dendrites) 突觸(synapse) 人工神經元模型 類神經網路是由許多的人工神經細胞所