《ANN神经网络》-课件设计（公开）.pptVIP

智能算法及其在数学建模中的应用 计算智能简介 人工神经网络及应用 支持向量机及应用 模糊集及应用 遗传算法及应用 单元一 智能算法简介 智能的层次 最高层次的智能是生物智能（Biological Intelligence，BI）,生物智能中又以智慧生物的智能最高。 人工智能（Artificial Intelligence, AI）是另一层次的智能，研究如何制造出人造的智能机器或智能系统，来模拟人类的智能活动。 1956年Dartmouth大学研讨会上将“人工智能” 定义为“试图用来模仿与智能有关的人类活动的计算机过程”。 传统的人工智能偏重与符号处理与逻辑推理，因此又称为符号智能(Symbolism Intelligence, SI)。 早期符号智能对人工智能的发展起到了重要的推动作用，但随着科技的发展，复杂性问题的大量涌现，这些方法在处理非线性、不确定等复杂性问题时显得无能为力。 计算智能（Computation Intelligence, CI）技术就是在这一背景下发展起来的。 计算智能的最大特点就是不需要建立问题本身精确的数学模型，侧重从数据中学习，非常适合于处理那些因为难以建立有效的形式化模型而用传统人工智能方法难以解决的问题。 计算智能是以生物进化的观点认识和模拟智能。按照这一观点，智能是在生物的遗传、变异、生长以及外部环境的自然选择中产生的。在用进废退、优胜劣汰的过程中，适应度高的（头脑）结构被保存下来，智能水平也随之提高。因此说计算智能就是基于结构演化的智能。 在概念提出初期，狭义的计算智能包括人工神经网络、模糊逻辑和进化计算。 计算智能的主要方法有人工神经网络、遗传算法、遗传程序、演化程序、局部搜索、模拟退火等等。 这些方法具有以下共同的要素：自适应的结构、随机产生的或指定的初始状态、适应度的评测函数、修改结构的操作、系统状态存储器、终止计算的条件、指示结果的方法、控制过程的参数。 计算智能的这些方法具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理的优点。在并行搜索、联想记忆、模式识别、知识自动获取等方面得到了广泛的应用。 典型的代表如遗传算法、免疫算法、模拟退火算法、蚁群算法、微粒群算法，都是一种仿生算法，基于“从大自然中获取智慧”的理念，通过人们对自然界独特规律的认知，提取出适合获取知识的一套计算工具。总的来说，通过自适应学习的特性，这些算法达到了全局优化的目的。 单元二 人工神经网络及应用 ANN的基本原理 BP网络及应用 2.1 ANN基本原理 2.1.1 生物神经元 神经元是大脑处理信息的基本单元 人脑大约由1011个神经元组成，神经元互相连接成神经网络 生物神经元传递信息的过程为多输入、单输出 神经元各组成部分的功能来看，信息的处理与传递主要发生在突触附近 当神经元细胞体通过轴突传到突触前膜的脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质 突触有两种类型，兴奋性突触和抑制性突触。前者产生正突触后电位，后者产生负突触后电位 特点： 时空整合功能 神经元对于不同时间通过同一突触传入的神经冲动，具有时间整合功能；对于同一时间通过不同突触传入的神经冲动，具有空间整合功能。两种功能相互结合，具有时空整合的输入信息处理功能，所谓整合是指抑制或兴奋的受体电位或突触电位的代数和； 兴奋与抑制状态 神经元具有两种的常规工作状态：当传入冲动的时空整合结果使细胞膜电位升高，超过动作电位阈值（约为40mV）时，细胞进入兴奋状态，产生神经冲动，由轴突输出；当传入冲动的时空整合结果使膜电位下降至低于动作电位阈值时，细胞进入抑制状态，无神经冲动输出，满足“0—1”律，即“兴奋—抑制”状态； 脉冲与电位转换 突触界面具有脉冲/电位信号转换功能。沿神经纤维传递的电脉冲为等幅、恒宽、编码（60~100mV）的离散脉冲信号，而细胞膜电位变化为连续的电位信号。在突触接口处进行“数/模”转换，是通过神经介质以量子化学方式实现的变换过程； 神经纤维传导速度 神经冲动沿神经纤维传导的速度在1~50m/s之间，因纤维特性不同而不同，粗纤维的传导速度在100m/s,细纤维的传导速度可低至每秒数米； 突触延时和不应期 突触对神经冲动的传递具有延时和不应期。在相邻的两次冲动之间需要一个时间间隔，即为不应期，在此期间对激励不响应，不能传递神经冲动； 学习、遗忘和疲劳 由于结构可塑性，突触的传递作用可增强、减弱、饱和，所以细胞具有相应的学习功能，遗忘或疲劳效应。 2.1.2 ANN的结构 神经网络是一个并行和分布式的信息处理网络结构 一般由大量神经元组成 每个神经元只有一个输出，可以连接到很多其他的神经元 每