计算智能基础课件.ppt

第5节 NN、FS、GA与AI NN：模拟人脑 FS： 模拟人类的主观的信息处理方式 GA：模拟生物的进化方式 共通点：从生物中学习 AI：追求人类智能信息处理的手法的领域 NN、FS、GA的最初的想法，都是在50年代中期及其后10年产生 这也是计算机自诞生、成品上市、语言发表等，逐渐普及的年代 利用计算机，来探索进行智能处理的原理、方法，及新的信息处理方式等的摸索，也是在这一时期活跃起来 结果，AI先发展了起来 进行符号处理的AI，适合于当时性能还不充分的计算机 AI的最初想法，是将智能的机能，利用计算机等来实现 所以，利用计算机解puzzle，game等，进行了各种尝试 这一时期使用的技术手法，是探索 知识的重要性 建立于只有逻辑思维，没有形象思维，适合于数值计算、符号推理、求精确解的计算机基础上的人工智能方法，在用于实际问题时，必然会受到一定的影响 与游戏相比，必须要考虑非常多的因素 人类在知识与经验的基础上进行学习，进行高度的推理、思考、判断等 重要的是知识，需要将知识输入计算机 知识的表示及获取方法 要表示高度的知识，最易于处理的方法是用规则表示。如： IF---THEN---规则的形式 将许多这样的规则输入计算机，由专家进行高水平的推理—专家系统 现在也广泛应用，其需求量年年增长 但专家系统中有一个公认的瓶颈问题，即知识的获取问题，怎样得到专家的经验、知识，以及怎样表示这样的知识 知识本身有时具有模糊性 如：冬天冷：低于多少度可算冷？ 阴天：含云量80%与81%、79%的区别？ 人的思维的特点： 实际生活中，人不总是进行绝对严密的推理，具有模糊性，但不妨碍得出正确的答案。如，找一个中等个子的人 模糊理论可处理主观的 、直观的知识、规则，这是模糊理论的一大特征 对规则不清楚或没有，只有数值的情况怎么办？ 如声音的识别：1秒中，8000~20000个振幅值，所处理的数据是数值 用历来的公式的方法没有效果，也没有可用规则表示的知识 在只有数值数据可利用的情况时可以用神经网络 小结 与传统的人工智能相比，这些算法的最大特点，也是它的潜力所在是： 不需要建立问题本身的精确数学或逻辑模型，而是直接对输入数据进行处理得出结果 更适用于解决那些用传统AI技术难以有效地处理、甚至无法处理的问题 只有数值数据可利用时可以用神经网络 处理具有模糊性的知识，可以使用模糊逻辑 从多个组合中选优，可以使用遗传算法 小孩认妈妈 那是什么？树？ 妈妈！ 返回 大脑功能图 返回 大脑功能区域分布 返回 为骑自行车建模--难！ 返回 车轮半径？ 速度？ 倾斜度？ 体形？ 计算智能 教学内容 BP算法 算法推导 改进算法 竞争型神经网络 自组织映射神经网络SOM 学习向量量子化神经网络LVQ 神经网络小结 神经网络应用举例 教学内容 第三章 遗传算法 第1节~第4节 遗传算法的原理 遗传算法的应用 教学内容 第四章 模糊推理系统 第1节~第4节 概述 模糊集合 模糊集合的运算 模糊关系及合成 第5节~第7节 模糊逻辑 模糊推理 解模糊判决 模糊原理的应用例 教学内容 第五章 神经网络、模糊逻辑及遗传算法的融合 第1节~第6节 选择的要点 三者的长处与短处 三者的融合关系、两两的融合方式 总结 第一章 引言 第1节 概念 第2节 为什么要研究神经网络 第3节 为什么要研究模糊逻辑 第4节 为什么要研究遗传算法 第5节 神经网络、模糊逻辑、遗传算法与人工智能的关系 第1节 概念 key words von neumann AI—Artificial Intelligence ES---Expert System SC---Soft Computing NN---Neural Network A (B) NN----Artificial (Biological) Neural Network Key Words FS-----Fuzzy system FL-----Fuzzy Logic GA----Genetic Algorithm FUSION----ANN+FS FS+GA GA+ANN ANN+FS+GA 什么是计算智能（软计算）？ 90 年代初，以L. A. zadeh为首提出： 1 在构造智能系统中起作用的几种新技术及其融合 2 构成软计算的基本技术：FS，NN，GA，概率推理，及其融合 3 承认不正确性、不确定性，宽容对待，使系统易于处理，鲁棒性强，成本低 4 由“Computing with numbers”到“Computing with words” 计算智能-软计算 构成计算智能的主要技术：模糊逻辑、神经计算