人工智能原理及应用-第8章-神经计算.pptxVIP

人工智能原理及应用;§8-1神经网络模型;神经网络的构成;神经网络的构成;神经网络的构成;反向传播网络;反向传播网络;反向传播网络;反向传播网络;反向传播网络;反向传播网络;反向传播网络;反向传播网络;反向传播网络;反向传播网络;反向传播网络;模式识别和聚类

模式识别和聚类是通过一系列训练数据对神经网络进行训练，让其具有合适的网络结构和权值，从而蕴含了相关的识别和分类知识。不同于传统的判别式统计分类方法，神经网络能够实现非线性识别和分类，已在手写、牌照、指纹、声音、图像等识别和分类中得到了广泛的应用。;计算和优化

优化问题就是在问题的解空间里寻找一个最优解，在满足一定约束条件下，使得目标函数最大化或最小化。神经网络具有并行处理搜索处理信息、联想记忆等特点，在搜索系统全局最优或局部最优解方面，具有很大的优势。

神经网络进行优化时，通常选用Hopfield网络来求解离散组合优化问题，例如对不超过30个城市的旅行商问题（TravelingSalesmanProblem,TSP）一般都能找到最优解或近似最优解。;建模和预测

神经网络的非线性处理能力使其在系统建模上具有很大的优势，实质上就是通过训练网络，让其在训练数据中获得知识，并完成从输入到输出的非线性映射。通常采用神经网络建模就是为了预测，即根据一定数量的历史样本对神经网络进行训练，使之能够反映未来时刻的数据，实际上是建立整体数据的内在规律或函数。;控制与处理

在自动控制领域，神经网络的应用主要包括系统建模和辨识、参数整定、极点配置、优化设计、预测控制、最优控制、滤波与预测容错控制等。此外，神经网络还能在机器人控制方面发挥重要作用，实现对机器人的轨道控制，以及机器人的眼手系统，常用于机械手的故障及排除、智能自适应移动机器人的导航、视觉系统等。