最新4计算智能1

4计算智能1
4.1概述
人工智能分成两大类：一类是符号智能，一 类是计算智能。
➢符号智能是以知识为基础，通过推理进行问
题求解。也即所谓的传统人工智能。
➢计算智能是以数据为基础，通过训练建立联
系，进行问题求解。人工神经网络、遗传算 法、模糊系统、进化程序设计、人工生命等 都可以包括在计算智能。
2
4.1概述（续）
计算智能是一种智力方式的低层认知，与传统人工智能的区 别知识认知层次从中层下降至低层。中层系统含有知识，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， 不应用传统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。 当一个计算智能系统以非数值方式加上知识（精品）值，即 成为人工智能系统。
11
4.2神经计算（续）
（2）Rumellhart，McClelland，Hinton的并行 分布处理 （PDP） 1）一组处理单元（PE或AN）； 2）处理单元的激活状态（ai）； 3）每个处理单元的输出函数（fi）； 4）处理单元之间的联接模式； 5）传递规则（Σwijoi）； 6）把处理单元的输入及当前状态结合起来产生激活 值的激活规则（Fi）； 7）通过经验修改联接强度的学习规则； 8）系统运行的环境（样本集合）。
14
4.2.1 人工神经网络的研究与发展（续）
50年代末期，Rosenblatt提出感知机模型 (Perceptron)，首先从工程角度出发，研究了用 于信息处理的神经网络模型。这是一种学习和自组 织的心理学模型，它基本符合神经生理学的原理。 感知机虽然比较简单，却已具有神经网络的一些基 本性质，如分布式存贮、并行处理、可学习性、连 续计算等。这些神经网络的特性与当时流行串行的、 离散的、符号处理的电子计算机及其相应的人工智 能技术有本质上的不同，由此引起许多研究者的兴 趣，在60代掀起了神经网络研究的第一次高潮。 但是，当时人们对神经网络研究过于乐观，认为只 要将这种神经元互连成一个网络，就可以解决人脑 思维的模拟问题，然而，后来的研究结果却又使人 .1 人工神经网络的研究与发展（续）
在60年代末，Minsky和Papert对Rosenblatt的工作进行了深人研究， 出版了有较大影响的(Perceptron)一书，指出感知机的功能和处理能 力的局限性，甚至连XOR(异或)这样的问题也不能解决，同时也指出 如果在感知器中引入隐含神经元，增加神经网络的层次，可以提高神经 网络的处理能力，但是却无法给出相应的网络学习算法。因此Minsky 的结论是悲观的。 另一方面，由于60年代以来集成电路和微电子技术日新月异的发展， 使得电子计算机的计算速度飞速提高，加上那时以功能模拟为目标、以 知识信息处理为基础的知识工程等研究成果，给人工智能从实验室走向 实用带来了希望，这些技术进步给人们造成这样的认识：以为串行信息 处理及以它为基础的传统人工智能技术的潜力是无穷的，这就暂时掩盖 了发展新型计算机和寻找新的人工智能途径的必要性和迫切性。另外， 当时对大脑的计算原理、对神经网络计算的优点、缺点、可能性及其局 限性等还很不清楚。总之，认识上的局限性使对神经网络的研究进入了 低潮。
9
4.2神经计算
神经计算：以神经网络为基础的计算 人工神经网络的定义： （1）Hecht—Nielsen（1988年） ANN是一个并行、分布处理结构，它由处理单元 及其称为联接的无向讯号通道互连而成。这些处理 单元（PE—Processing Element）具有内存，并 可以完成局部操作。每个处理单元有一个单一的输 出联接，这个输出可以根据需要被分枝成希望个数 的许多并行联接，且这些并行联接都输出相同的信 号，即相应处理单元的信号，信号的大小不因分支 的多少而变化。
16
4.2.1 人工神经网络的研究与发展（续）
在这一低潮时期，仍有一些学者扎扎实实地继续着神经网络 模型和学习算法的基础理论研究，提出了许多有意义的理论 和方法。其中，主要有自适应共振理论，自组织映射，认知 机网络模型理论，BSB模型等等，为神经网络的发展奠定了 理论基础。
进入80年代，首先是基于“知识库”的专家系统的研究和 运用，在许多方面取得了较大成功。但在一段时间以后，实 际情况表明专家系统并不像人们所希望的那样高明，特别是 在处理视觉、听觉、形象思维、联想记忆以及运动控制等方 面，传统的计算机和人工智能技术面临着重重困难。模拟人 脑的智能信息处理过程，如果仅靠串行逻辑和符号处理等传 统的方法来济决复杂的问题，会产生计算量的组合爆炸。因 此，具有并行分布处理模式的神经网络理论又重新受到人们 的重视。对神经网络的研究又开始复兴，掀起了第二次研究 高潮。
10
4.2神经计算（续）
处理单元的输出信号可以是任何需要的数学模型， 每个处理单元中进行的操作必须是完全局部的。也 就是说，它必须仅仅依赖于经过输入联接到达处理 单元的所有输入信号的当前值和存储在处理单元局 部内存中的值。 强调：
①并行、分布处理结构； ②一个处理单元的输出可以被任意分枝，且大小不变； ③输出信号可以是任意的数学模型； ④处理单元完全的局部操作
12
4.2神经计算（续）
（3）Simpson（1987年） ANN是一个非线性的有向图，图中含有可以 通过改变权大小来存放模式的加权边，并且 可以从不完整的或未知的输入找到模式。
13
4.2.1 人工神经网络的研究与发展
40年代初，美国McCulloch和Pitts从信息 处理的角度，研究神经细胞行为的数学模型 表达，提出了二值神经元模型。MP模型的 提出开始了对神经网络的研究进程。1949 年心理学家Hebb提出著名的Hebb学习规则， 即由神经元之间结合强度的改变来实现神经 学习的方法。虽然Hebb学习规则在人们研 究神经网络的初期就已提出，但是其基本思 想至今在神经网络的研究中仍发挥着重要作 用。