第5章计算智能.ppt

中南大学 智能系统与智能软件研究所 Ch.5 Computational Intelligence 第五章 计算智能 5.1 概述 5.2 神经计算 5.3 模糊计算 5.4 遗传算法 5.5 人工生命 5.6 小结 5.1 概述 （Introduction） 基于逻辑(符号)AI的局限性 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。 What is Computational Intelligence (CI)? 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。 Difference relationship between CIAI 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。 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。 5.2 神经计算 （Neural Computation）5.2.1 人工神经网络研究的进展（Advances in ANN Research） 1943年的M－P模型与神经元互联模型。 1960年代，提出神经网络学习模型和感知器等。 70年代至80年代，神经网络研究进一步发展，提出BP算法（Werbos）等。 80年代后期以来，对神经网络的研究十分活跃，继续取得进展并在模式识别、图像处理、自动控制、机器人、管理、商业和军事等领域得到普遍应用。 Properties of ANN 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 这些特性使ANN具有应用于各种智能系统的巨大潜力。 5.2.2 人工神经网络的结构  （Structure of ANN） 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2。 Neural Computation：AND Neural Computation：OR Neural Computation：NOT Structure of ANN 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。 Recursive（feedback）network: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3。 Feed-forward (multi-level) network :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所示。 Main learning algorithms of ANN Supervised learning algorithms：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。 unsupervised learning algorithms：不需要知道期望输出。 Reinforcement learning algorithms：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）。 5.2.3 人工神经网络示例（Typical models of ANN） 5.2.4 基于神经网络的知识表示与推理 （Knowledge representation and reasoning based on NN） 基于神经网络的知识表示 Knowledge representation based o