人工智能AI4章计算智能演示教学.ppt

  1. 1、本文档共111页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
人工智能AI4章计算智能演示教学.ppt

计算智能是信息科学、生命科学、认知科学等不同学科相互交叉的产物。它主要借鉴仿生学的思想,基于人们对生物体智能机理的认识,采用数值计算的方法去模拟和实现人类的智能。 计算智能主要研究领域包括:神经计算、进化计算、模糊计算、免疫计算、DNA计算、粗糙集等。;4.1.1 什么是计算智能 概念解释;4.1.1 什么是计算智能 研究领域;4.1.2 计算智能的产生与发展;4.1.3 计算智能与人工智能的关系;; 第二种观点是大多数学者所持有的观点,其代表人物是艾伯哈特(R.C.Eberhart)。他们认为:虽然人工智能与计算智能之间有重合,但计算智能是一个全新的学科领域,无论是生物智能还是机器智能,计算智能都是其最核心的部分,而人工智能则是外层。 事实上,CI和传统的AI只是智能的两个不同层次,各自都有自身的优势和局限性,相互之间只应该互补,而不能取代。 大量实践证明,只有把AI和CI很好地结合起来,才能更好地模拟人类智能,才是智能科学技术发展的正确方向。; 4.1 概述 4.2 神经计算 4.2.1 神经计算基础 4.2.2 人工神经网络的互连结构 4.2.3 人工神经网络的典型模型 4.3 进化计算 4.4 模糊计算 4.5 粗糙集;结构: 胞体 轴突 树突 突触 长度: 最长1米 状态: 抑制 兴奋;细胞结构 细胞膜,细胞质,细胞核 神经递质传递 乙酰胆碱、儿茶酚胺类、氨基酸等 信号跨膜转导 离子通道 基本状态: 抑制:-70毫伏 兴奋:+40 毫伏 静息膜电位: -70毫伏 动作电位: +40 毫伏 工作方式: 刺激叠加 瞬间冲动;1. 生物神经系统简介 突触联结方式;1. 生物神经系统简介 突触传导;4.2.1 神经计算基础;θ; 根据功能函数的不同,可得不同的神经元模型。阈值型(Threshold) 这种模型的神经元没有内部状态,作用函数f是一个阶跃函数,他表示激活值σ和输出之间的关系。 分段线性强饱和型(Linear Saturation) 这种模型又称为伪线性,其输入/输出之间在一定范围内满足线性关系,一直延续到输出为最大值1为止。但当达到最大值后,输出就不再增。 S型(Sibmoid) 这是一种连续的神经元模型,其输入输出特性常用指数、对数或双曲正切等S型函数表示。它反映的是神经元的饱和特性. 子阈累积型(Subthreshold Summation) 也是一个非线性函数,当产生的激活值超过T值时,该神经元被激活产生个反响。在线性范围内,系统的反响是线性的。; 人工神经网络是一种对人工神经元进行互联所形成的网络,它是对生物神经网络的模拟。反映的是神经元的饱和特性.;4.2.2 人工神经网络的互联结构; 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; 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:; 多层前馈网络是指那种除拥有输入、输出层外,还至少含有一个、或更多个隐含层的前馈网络。 隐含层是指由那些既不属于输入层又不属于输出层的神经元所构成的处理层,也被称为中间层。隐含层的作用是通过对输入层信号的加权处理,将其转移成更能被输出层接受的形式。 ;2. 反馈经网络;人工神经网络模型 人工神经网络模型是指对网络结构、联结权值和学习能力的总括。常用的网络模型已有数十种。例如: 传统的感知机模型;具有误差反向传播功能的反向传播网络模型;采用多变量插值的径向基函数网络模型;建立在统计学习理论基础上的支撑向量机网络模型;采用反馈联接方式的反馈网络模型;基于模拟退火算法的随机网络模型。 重点讨论 1. 感知器(Perceptron)模型 2. 反向传播(BP)模型 3. 反馈网络(Hopfield)模型; 感知器是美国学者罗森勃拉特(Rosenblatt)于1957年为研究大脑的存储、学习和认知过程而提出的一类具有自学习能力的神经网络模型,其拓扑结构是一种分层前向网络。它包括:单层感知器和多层感知器。 单层感知器是一种只具有单层可调节连接权值神经元的前向网络,这些神经元构成了单层感知器的输出层,是感知器的可计算节点。 在单层感知器中,每个可计算节点都是一个线性阈值神经元。当输入信息的加权和大于或等于阈值时,输出为1,否则输出为0或-1。 单层感

文档评论(0)

yuzongxu123 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档