第六章人工智能蔡自兴.ppt

概述 － 发展史 1987年在美国召开了第一届世界神经网络大会1000人参加。 IJCNN等大会 Neural Computing, IEEE Neural Network 等期刊 概述 人工智能与神经网络 共同之处：研究怎样使用计算机来模仿人脑工作过程。学习——实践——再学习——再实践 。 不同之处： 人工智能研究人脑的推理、学习、思考、规划等思维活动，解决需人类专家才能处理的复杂问题。 神经网络企图阐明人脑结构及其功能，以及一些相关学习、联想记忆的基本规则（联想、概括、并行有哪些信誉好的足球投注网站、学习和灵活性） 概述 例如： 人工智能专家系统是制造一个专家，几十年难以培养的专家。 神经网络是制造一个婴儿，一个幼儿，一个可以学习，不断完善，从一些自然知识中汲取智慧的生命成长过程。 同样是模仿人脑，但所考虑的角度不同。成年人和婴儿。学习过程不一样。一个是总结出常人都不懂得规律；一个是没完没了向他出示、重复一样东西，就象教一个小孩子说话。 概述 基本原理－神经元模型 基本原理－神经元模型 神经元 每一个细胞处于两种状态。突触联接有强度。多输入单输出。实质上传播的是脉冲信号，信号的强弱与脉冲频率成正比。 基本原理－神经元模型 转移函数： 神经细胞的输出对输入的反映。典型的转移函数是非线性的。 基本原理－网络结构 人脑神经网络： 人脑中约有１４０亿个神经细胞，根据Stubbz的估计这些细胞被安排在约１０００个主要模块内，每个模块上有上百个神经网络，每个网络约有１０万个神经细胞。 基本原理－网络模型 前馈网络：每层只与前层相联接 基本原理－网络模型 输入输出有反馈的前馈网络：输出层上存在一个反馈回路，将信号反馈到输入层。而网络本身还是前馈型的 基本原理－网络模型 前馈内层互联网络：外部看还是一个前向网络，内部有很多自组织网络在层内互联着。 基本原理－网络模型 反馈型全互联网络：所有计算单元之间都有联接。如：Hopfield网络 反馈型局部联接网络：特例，每个神经元的输出只与其周围的神经元相连，形成反馈网络。 Safe-to-stack(O1, O2) Lighter(O1, O2) Weight(O1, w1) Weight(O2, 5) Smaller(w1, 5) Is-a(O 2, table) Volume(O1, v1) Density(O1, d1) Product(v1, d1, w1) Safe-to-stack(O1, O2)的概括化解释结构 规则是Volume(O1,v1)ΛDensity(O1,d1)ΛProduct(v1,d1,w1)ΛIs-a(O2,table) Λsmaller(w1,5) →Safe-to-stack(O1,O2) 学习后的结果使用时把叶结点查一查就可以了，叶结点满足了即可（不考虑中间结点） 例如：满足条件Volume(O1,v1)ΛDensity(O1,d1)Λ Product(v1,d1,w1)ΛIs-a(O2,table) Λsmaller(w1,5) 即可推出 Safe-to-stack(O1,O2) 基于解释的学习(方法2) 基于解释的详细说明法(Explanation Based Specialization) 1987年CMU的Minton和Carbonell提出。开发了PRODIGY学习系统 克服了EBG（解释和概括交替进行）的过分一般化的缺点。 解释过程对每个目标概念进行详细的描述，将有关目标概念的描述转换成一条相应的控制规则。 目标概念学习:成功(preference)、失败(rejection)、唯一的选择(selection)、目标互相制约(restricted) 分析问题求解轨迹，解释为何满足该概念 有解：成功；无解：失败；选择唯一：唯一； 依赖于别的目标：互相制约 得到的结果就是相应种类（成功、无解、唯一、制约）的规则 基于解释的学习(方法2) 具体方法（体系结构图） 解释过程：就是详细的说明过程。 以目标概念为根，生成一棵自顶向下的证明树。解释每一步，从领域库中选择与所给例子一致的规则，生成一个结点。每条规则是对结点子目标的详细描述。 学习控制规则：四种目标概念，有四种固定的控制规则模式。将某个目标概念的详细描述与规则模式匹配，就获得相应的控制规则 例见书 知识表示：领域层公理（领域规则）；构筑层公理（推理规则） 没有明显的概括化过程。领域规则，特别是问题求解器的推理规则实际上已经进行了概括化处理。即不是最原始的领域知识构成，实际上具有一定的概括性。 基于解释的学习(方法3) 由外部指导学习控制chunk方法 1987年斯坦福大学与密西根大学教授提出。 （SO