人工智能与专家系统.pptVIP

存储和回忆 回忆的概念 反馈回忆 输入激励通过存储矩阵W产生响应，该响应作为激励再反馈通过W，这样依次循环，直到激励和响应停止变化为止，即得到所要求的响应。 第三十页，共五十二页。 8.3 人工神经网络学习 人工神经网络的最主要特征之一是它可以学习。任何一个人工神经网络模型要实现某种功能的操作，就必须对它进行训练，让它学会要做的事情，并把这些知识记忆（存储）在网络的加权中。 学习或训练的实质就是加权矩阵随外部激励（环境）做自适应的变化。 第三十一页，共五十二页。 8.3 人工神经网络学习 因为学习和训练的实质是变动加权值，因此很多文献中学习和训练的概念是混用的。严格来说，两者是有区别的，训练通常是指调整网络加权的操作动作和过程，这个过程对网络来讲就是学习。 比如举办一个训练班对学生进行某种技能的训练，对学生来讲，它是在该班内学习。 第三十二页，共五十二页。 8.3 神经网络的学习方式 监督学习（有教师学习） 非监督学习（无教师学习） 再励学习（强化学习） 第三十三页，共五十二页。 监督学习 环境 教师 学习系统 + 输入 正确响应 实际响应 误差信号 第三十四页，共五十二页。 非监督学习 环境 学习系统 输入 第三十五页，共五十二页。 再励学习 环境 学习系统 输入 评价 输出 状态 动作 第三十六页，共五十二页。 人工神经网络的应用 空间技术：飞行器控制系统，飞行器元件仿真，飞行器元件错误探测。 交通业：交通控制、道路优化。 金融业：信贷申请评估。 语言理解：语音识别，语音压缩，声调识别。 遥感解译、天气预报、故障诊断、 机器人，制造业，保险业和医学领域等。 第三十七页，共五十二页。 第八章 人工神经网络及应用 8.1人工神经网络概述 8.2人工神经网络基础 8.3人工神经网络学习 8.4人工神经网络应用 第一页，共五十二页。 8.1人工神经网络概述 利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。 人工神经网络（Artificial Neural Network）是一个用大量简单处理单元经广泛连接而组成的人工网络，是对人脑或生物神经网络若干基本特性的抽象和模拟。 第二页，共五十二页。 （1）研究ANN目的 探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统。 探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程及其规律。 第三页，共五十二页。 （2）研究ANN方法 ● 生理结构的模拟 用仿生学观点，探索人脑的生理结构，把对人脑的微观结构及其智能行为的研究结合起来即人工神经网络方法。 ● 宏观功能的模拟 从人的思维活动和智能行为的心理学特性出发，利用计算机系统来对人脑智能进行宏观功能的模拟，即符号处理方法。 第四页，共五十二页。 （3）ANN的研究内容 理论研究：从数学上描述ANN的动力学过程，建立相应的ANN模型。对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法。 实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径。 应用的研究：探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等。 第五页，共五十二页。 （4） ANN的特点与优势 具有自学习功能 具有联想存储功能 具有高速寻找优化解的能力 第六页，共五十二页。 人工神经网络的局限性 人工神经网络不适于高精度的计算 正像很多人不善于直接计算类似资金的问题一样，人工神经网络不用于计算资金方面的问题。 人工神经网络不适于做类似顺序计数的工作。 人工神经网络是以并行方式工作的。 人工神经网络的学习和训练是一个艰难的过程。 网络的设计没有严格确定的方法（一般凭经验），所以选择训练方法和所需网络结构没有统一标准。 脱机训练往往需要很长时间，为了获得最佳效果，常常要重复试验多次。 网络收敛性的问题。 第七页，共五十二页。 8.2 人工神经网络基础 人工神经网络的生物原型—大脑 简单的神经元 第八页，共五十二页。 8.2 人工神经网络基础 简单的神经元 神经元就是神经细胞，在人体内从大脑到全身存在大约1010个神经元。神经元的组成： 细胞体：它是神经元的本体，内有细胞核和细胞质，完成普通细胞的生存功能。 树突：它有大量的分枝，多达103数量级，长度较短（通常不超过1毫米），用以接受来自其它神经元的信号。 轴突：用以输出信号，有些较长（可达1米以上），轴突的远端也有分枝，可与多个神经元相连。 突触：它是一个神经元与另一个神经元相联系的特殊部位，通常是一个神经元轴突的端部靠化学接触或电接触将信号传递给下一个神经元的树突或细胞体。 第