智能计算分析和总结.docxVIP

智能计算也有人称之为“软计算”，是们受自然（生物界）规律的启迪，根据其原理，模仿求解问题的算法。从自然界得到启迪，模仿其结构进行发明创造，这就是仿生学。这是我们向自然界学习的一个方面。另一方面，我们还可以利用仿生原理进行设计(包括设计算 法)，这就是智能计算的思想。这方面的内容很多，如人工神经网络技术、遗传算法、模拟退火算法、模拟退火技术和群集智能技术等。 1 人工神经网络算法 “人工神经网络”(ARTIFICIAL NEURAL NETWORK ，简称ANN) 是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在本世纪40 年代初期，心理学家 McCulloch、数学家 Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。其后，F Rosenblat、tWidrow 和J. J .Hopfie等ld学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。 神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的一个大脑一般有1010～1011 个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支 ——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴 奋。神经元细胞体将接受到的所有信号进行简单处理(如：加权求和，即对所有的输入信号 都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。神经 元的树突与另外的神经元的神经末梢相连的部分称为突触。 人工神经网络的特点 人工神经网络是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工 神经网络具有高速信息处理的能力。人脑的每个神经元大约有103～104 个树突及相应的突触，一个人的大脑总计约形成 1014～1015 个突触。用神经网络的术语来说，即是人脑具有1014～1015 个互相连接的存储潜力。虽然每个神经元的运算功能十分简单，且信号传输速率也较低(大约 100 次/秒)，但由于各神经元之间的极度并行互连功能，最终使得一个普通人的 大脑在约 1 秒内就能完成现行计算机至少需要数10 亿次处理步骤才能完成的任务。 人工神经网络的知识存储容量很大。在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。 由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图象。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。 正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的 判断识别系统，如：专家系统等，具有另一个显著的优点：健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故 受轻微损伤之后，并不会失去原有 事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。 人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理 结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。 几种典型神经网络简介 多层感知网络(误差逆传播神经网络) 在 1986 年以Rumelhart和 McCelland 为首的科学家出版的《Parallel Distributed Processin》g 一书中，完整地提出了误差逆传播学习算法，并被广泛接受。多层感知网络是 一种具有三层或三层以上的阶层型神经网络。典型的多层感知网络是三层、前馈的阶层网络， 即：输入层I、隐含层(也称中间层)J和输出层 K 。相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无连接。 但 BP 网并不是十分的完善，它存在以下一些主要缺陷：学习收敛速度太慢、网络的学习记忆具有不稳定性，即：当给一个训练好的网提供新的学习记忆模式时，将使已有的连接权值被打乱，导致已记忆的学习模式的信息的消失。 竞争型(KOHONEN) 神经网络