人工智能课件-计算智能.pptVIP

CSU CSU CSU CSU CSU CSU CSU CSU CSU 计算智能(1) 神经计算 模糊计算 信息科学与生命科学的相互交叉、相互渗透和相互促进是现代科学技术发展的一个显著特点。 计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研究和发展正反映了当代科学技术多学科交叉与集成的重要发展趋势。 4.1 概述 * 什么是计算智能 把神经网络（NN）归类于人工智能（AI）可能不大合适，而归类于计算智能（CI）更能说明问题实质。进化计算、人工生命和模糊逻辑系统的某些课题，也都归类于计算智能。 计算智能取决于制造者（manufacturers）提供的数值数据，不依赖于知识；另一方面，人工智能应用知识精品（knowledge tidbits）。人工神经网络应当称为计算神经网络。 4.1 概述 * 计算智能与人工智能的区别和关系 输入 人类知识 (＋)传感输入 知识 (＋)传感数据 计算 (＋)传感器 C－数值的 A－符号的 B－生物的 输入 复杂性 复杂性 BNN BPR BI ANN APR AI CNN CPR CI 4.1 概述 * A－Artificial，表示人工的（非生物的）；B－Biological，表示物理的＋化学的＋ （？）＝生物的； C－Computational，表示数学＋计算机 计算智能是一种智力方式的低层认知，它与人工智能的区别只是认知层次从中层下降至低层而已。中层系统含有知识（精品），低层系统则没有。 4.1 概述 * 当一个系统只涉及数值（低层）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， 则该系统就是计算智能系统。 当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。 4.1 概述 * 1960年威德罗和霍夫率先把神经网络用于自动控制研究。 60年代末期至80年代中期，神经网络控制与整个神经网络研究一样，处于低潮。 80年代后期以来，随着人工神经网络研究的复苏和发展，对神经网络控制的研究也十分活跃。这方面的研究进展主要在神经网络自适应控制和模糊神经网络控制及其在机器人控制中的应用上。 4.2 神经计算4.2.1 人工神经网络研究的进展 * 并行分布处理 非线性映射 通过训练进行学习 适应与集成 硬件实现 人工神经网络的特性 4.2 神经计算 * 4.2.2 人工神经网络的结构 4.2 神经计算 -1 ? W j 1 X1 X2 Wj2 X n W j n · · · Σ ?( ) Yi 图4.2 神经元模型 * 图4.2中的神经元单元由多个输入xi，i=1,2,...,n和一个输出y组成。中间状态由输入信号的权和表示，而输出为 （4.1） 式中，?j为神经元单元的偏置，wji为连接权系数。 n为输入信号数目，yj为神经元输出，t为时间，f( )为输出变换函数，如图4.3。 4.2 神经计算 * (a) x f(x) 1 x0 0 图4.3 神经元中的某些变换（激发）函数 (a) 二值函数 (b) S形函数 (c) 双曲正切函数 4.2 神经计算 (c) x f(x) 1 -1 ? (b) f(x) x 1 ? 0 * 人工神经网络是具有下列特性的有向图： 对于每个节点 i 存在一个状态变量xi ； 从节点 j 至节点 i ，存在一个连接权系统数wij； 对于每个节点 i ，存在一个阈值? i； 对于每个节点 i ，定义一个变换函数fi ；对于最一般的情况，此函数取 形式。 人工神经网络的基本特性和结构 4.2 神经计算 * 递归（反馈）网络:在递归网络中，多个神经元互连以组织一个互连神经网络，如图4.4。 图4.4 反馈网络 x1 x2 xn V1 V2 Vn 输入 输出 x1’ x2’ xn’ 4.2 神经计算 * 前馈网络:前馈网络具有递阶分层结构，由同层神经元间不存在互连的层级组成，如图4.5。 4.2 神经计算 x1 x2 输入层 输出层 隐层 y1 yn w11 w1m 图4.5 前馈网络 反向传播 * 有师学习算法：能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。 无师学习算法：不需要知道期望输出。 强化学习算法：采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）。强化学习算法的一个例子是遗传算法（GA）。 人工神经网络的主要学习算法 4.2 神经计