人工智能原理5课件.pptVIP

关于计算智能（ComputationalIntelligence,CI）l1。92年，美国学者James首次提出：计算智能(CI)是依靠生产者提供的数字、数据材料进行加工处理，而不是依赖于知识；人工智能（ArtificialIntelligence,AI）则是须用知识进行处理。l2。94年，James在Florida,Orlando,94IEEEEWCCI会议上又阐述他的观点，智能有三个层次1

?●生物智能（BiologicalIntelligence,BI）由人脑的物理化学过程反映出来的，人脑是有机物，它是智能的基础。l?●人工智能（ArtificialIntelligence,AI）是非生物的，人造的，常用符号来表示，AI的来源是人类知识的精华。l?●计算智能（ComputationalIntelligence,CI）是由数学方法和计算机实现的，CI的来源数l值计算的传感器。2

?3。关系：?从复杂性来看，BIAICI；从所属关系来看，BI）AI）CI；AI是CI到BI的过渡，因为AI中除计算算法之外，还包括符号表示及数值信息处理。模糊集合和模糊逻辑是AI到CI的过渡。l也有些人认为CI不属于AI，仅有部分重合。lAI：符号主义，知识、规则、推理，左脑lCI：连接主义，数据、学习、记忆，右脑3

目前计算智能的研究内容1、神经计算2、模糊计算3、粗糙集理论4、遗传算法5、进化策略与编程6、人工生命7、粒群优化8、蚁群算法9、自然计算10、免疫计算4

人工神经网络的基本模型l1生物神经元l2人工神经元的形式化模型l3人工神经网络模型l4人工神经网络的学习规则5

1、生物神经元l1.1神经元的结构l1.2膜电位与神经元的兴奋6

1.1神经元的结构?本体：细胞体（细胞膜、质、核），对输入信号进行处理，相当于CPU。?树突：本体向外伸出的分支，多根，长1mm左右，本体的输入端。?轴突：本体向外伸出的最长的分支，即神经纤维，一根，长1cm—1m左右，通过轴突上的神经末梢将信号传给其它神经元，相当于本体的输出端。?突触：各神经元之间轴突和树突之间的接口，即神经末梢与树突相接触的交界面，每个细胞体大约有103—10个突触。突触有兴奋型和抑制型两种。47

l神经元结构8

1.2膜电位与神经元的兴奋?膜电位：细胞膜将细胞分为内外两部分，当外部电位为0时，称内部电位为膜电位。?静止膜电位：当没有输入信号时的膜电位成为静止膜电位，通常为-70mv左右。?兴奋状态：当外部有输入信号时，将使膜电位发生变化，倘若使膜电位升高，比静止膜电位高15mv以上，即超过-55mv（阈值），神经元被激活，内部电位急剧上升至100mv左右，并维持约1ms，然后急剧下降。相当输出一个100mv高1ms宽的脉冲，并沿轴突以100m/s的速度传至其它的神经元。9

?抑制状态：当外部输入信号使膜电位下降低于阈值电位时，神经元处于抑制状态，无脉冲输出。“兴奋─抑制”状态满足“0─1”律??A/D转换：电脉冲到达各突触接口后，放出某种化学物质，该物质作用于各个和其相连的神经元的细胞膜，并使其膜电位发生变化，完成了将离散的脉冲信号转换为连续变化的电位信号。10

?时间加算功能：对于不同时间通过同一突触传入的信号具有时间的加算功能。?空间加算功能：对于同一时间通过不同突触的输入信号具有空间加算功能。11

2人工神经元的形式化模型l2.1M-P模型l2.2感知器模型12

MP模型MP模型属于一种阈值元件模型，它是由美国McCulloch和Pitts提出的最早神经元MP模型是大多数神经网络模型的基础。13

标准MP模型14

w——代表神经元i与神经元j之间的连接强度(模ij拟生物神经元之间突触连接强度)，称之为连接权；ui——代表神经元i的活跃值，即神经元状态；vj——代表神经元j的输出，即是神经元i的一个输入；θi——代表神经元i的阈值。函数f表达了神经元的输入输出特性。在MP模型中，f定义为阶跃函数：15

如果把阈值θi看作为一个特殊的权值，则可改写为:其中，w0i＝-θi，v0＝1为用连续型的函数表达神经元的非线性变换能力，常采用s型函数:该函数的图像如下图所示16

17

MP模型在发表时并没有给出一个学习算法来调整神经元之间的连接权。但是，我们可以根据需要，采用一些常见的算法来调整神经元连接权，以达到学习目的。下面介绍的Hebb学习规则就是一个常见学习算法。18

Hebb学习规则神经网络具有学习功能。对于人工神经网络而言，这种学习归结为神经元连接权的变化。调整w的原则为：若第i和第j个神ij经元同时处于兴奋状