工智能及专家系统敖志刚第11章基于神经来网络的专家系统.pptVIP

第2章 知识表示 第11章 基于神经网络的专家系统 11．1 神经网络的概念与模型 11．1．1 生物神经元 11．1．2 人工神经网络 11．2 神经网络模型和算法 11．2．1 感知器的学习结构与算法 11．2．2 B-P模型 11．2．3 Hopfield模型 11．2．4 典型的人工神经网络模型 11．3 神经网络专家系统 11．3．1 基于神经网络的知识表示与推理 11．3．2 基于神经网络的故障诊断专家系统 11．1 神经网络的概念与模型 神经网络(NN)是指由大量神经元互连而成的网络，包括生物NN与人工神经网络(ANN)两个方面。 所谓生物NN是指由中枢神经系统(脑和脊髓)及周围神经系统(感觉神经、运动神经、交感神经、副交感神经等)所构成的错综复杂的NN，其中最重要的是脑神经系统。 ANN是指运用大量的简单处理单元(神经元)，由人工方式建立起来的，经广泛并行互连所构成的人工网络。它的组织能够模拟生物设计系统的真实世界物体的交互作用，能够模拟人脑神经系统的结构和功能。一般可采用VLSI、光器件、分子器件构造人工神经元。 11．1．1 生物神经元 神经元的一些重要特性 ① 动态极化：每一神经元的信息都是以预定方向流动的。 ② 时空整合处理功能。 ③ 神经元具有两种常规工作状态：即兴奋状态与抑制状态。 ④ 结构的可塑性。 ⑤ 脉冲与电位转换：突触界面具有脉冲/电位信号转换功能。 ⑥ 响应不应期：细胞在相邻的二次冲动之间对激励不响应、不能传递神经冲动。 11．1．2 人工神经网络 1. 神经网络研究的发展历史 ⑴ 1890年，美国生物学家W.James出版了《生理学》一书。 ⑵ 1943年McCulloch和Pitts提出M-P模型。 ⑶ 1949年Donala U.Hebb提出突触联系强度可变的假设。 ⑷ 1957年Frank Rosenblatt定义了一个NN结构，称为感知器(Perceptron)。 ⑸ 1960年威德罗和霍夫率先把NN用于自动控制研究。 ⑹ 70年代, 日本Fukusima的Neocognitron； 芬兰Kohonen的自组织NN；Stephen Crossberg的共振自适应理论ART网络等。 ⑺ 1982年John J. Hopfield提出了全连接网络，离散的NN模型，并证明了网络可达到稳定的离散和连续两种情况。 ⑻ 1986年美国的一个平行计算研究小组提出了前向反馈NN的Back Propagation（BP）学习算法。 ⑼ 1987年在美国召开了第一届世界NN大会1000人参加。。 ⑽ 88年日本国际贸易工业省提出以NN为核心的NN计算机的研究计划。 2. 人工神经网络的属性 ⑴ 非线性：人工神经元处于激活或抑制两种状态，在数学上表现为一种非线性。 ⑵ 非局域性：一个系统的整体行为主要通过单个神经元和单元之间的大量连接模拟大脑的非局域性。 ⑶ 非定常性：NN是在不停地变化以适应外界环境的变化，可以通过样本提示来模拟环境变换。 ⑷ 非凸性：非凸性是指某个特定的状态函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。 3. 人工神经网络的主要特点 ⑴ 能较好地模拟人的形象思维、人脑神经系统结构和功能，对信息进行并行分布处理。 ⑵ 具有大规模并行协同处理能力。组合简单的、数量巨大的神经元进行并行、协同的工作和集体计算。 ⑶ 具有较强的容错能力和联想能力。当少量神经元或它们的连接发生故障时，对网络功能的影响是很微小的，这使得网络在整体上具有较强的鲁棒性(硬件的容错性)。 ⑷ 具有较强的学习能力。 ⑸ 适应性集成。NN能够适应在线运行，并能同时进行定量和定性操作。 ⑹ 硬件实现。NN不仅能够通过软件而且可借助软件实现并行处理。 人工智能与神经网络之间的对比 神经网络计算机和数字电子计算机的主要区别 4．ANN的优缺点 优点包括： ①信息处理是并行性的； ②知识的存储是分布的； ③具有联想、模糊推理、自适应或自学习的能力，可以通过训练，自动总结规律； ③局部错误对整体不会带来严重的影响，能够处理不完善的问题； ④能够很好地完成多变量模式识别； ⑤能从部分样本中学到的知识推广到全体祥本； ⑥ 能通过采用直接的(有时是不精确的)数值数据进行训练，并能自动地确定原因-结果关系。 存在许多问题：如训练时间长，需大量训练数据，不能保证最佳结果，不能保证完全可靠，容易陷入局部极小，不具备增量学习能力，联想存储网络容量小，所存储的信息相互干扰和退化，不适合于高精度计算，没有很完善的学习方法，经验参数太多。在实际应用中，也存在许多问题，如难以设计通用的神经元网络芯片，大量的、动态的神经元互联实现困难等。 5. 人工神经网络的分类 ⑴ 按网络的拓扑结构划分：