计算智能概论论文

计算智能概论公选课作业 作业1 介绍人工神经网络的发展历程和分类 简要介绍BP神经网络 简要介绍RBF神经网络 简要介绍SOM（自组织映射）神经网络 神经网络的应用

作业2 介绍支持向量机的发展历程和分类 支持向量机的应用 介绍生物特征识别的内容 介绍指纹识别的内容 介绍人脸识别的内容 介绍虹膜识别的内容

作业3 介绍遗传算法的发展历程 介绍遗传算法的应用

作业4 介绍群智能理论的内容 介绍粒子群算法的内容 介绍粒子群算法的应用 介绍蚁群算法的内容 介绍蚁群算法的应用

作业5 模糊理论概述 模糊控制的基本思想 智能控制的简介 智能机器人简介

河南工业大学 信息科学与工程学院 电子信息科学与技术 1502班相怡林 学号： 20151603020 - 1 -

一：人工神经网络的发展历程和分类 1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。

1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。

50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。

然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。

另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。

随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。

这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。 - 2 -

第一代神经网络 感知器（~1960）

感知器（Perceptrons）使用一层手编（Hand-coded）特征，通过学习如何给这些特征加权来识别对象。

感知器的优点：调整权值的学习算法很简洁。 感知器的缺点：感知器一些先天的缺陷，导致它们可以学习的东西大大地受限。 Vapnik和他的同事们发明了大名鼎鼎的支持向量机（SVM），改进了感知器的一些缺陷（例如创建灵活的特征而不是手编的非适应的特征），并得到了广泛的应用。但是归根到底，它还是一种感知器，所以无法避免感知器的先天限制。

第二代神经网络 BP（反向传播，Back-propagate）神经网络（~1985） - 3 -

BP神经网络通常使用梯度法来修正权值。 BP并不是一种很实用的方法。原因有三： 它需要被标记的训练数据，但是几乎所有的数据都是未标记的。 学习时间不易衡量，在多层网络中，速度非常慢。 它陷入局部极小点而不收敛的情况极大。

第三代神经网络 最近的神经科学研究表明，和人类的许多认知能力相关的大脑皮层，并不显式地预处理感知信号，而是让它们通过一个复杂的模块层次结构，久而久之，就可以根据观察结果呈现的规律来表达它们。 这一发现促进了深机器学习（DML, Deep Machine Learning）的发展。DML关注的恰恰正是是信息表达的计算模型，和大脑皮层类似。

目前DML领域有两种主流的方法： Convolutional Neural Networks

Deep Belief Networks。 - 4 -

二：介绍生物特征识别内容 在当今信息化时代，如何准确鉴定一个人的身份、保护信息安全，已成为一个必须解决的关键社会问题。传统的身份认证由于极易伪造和丢失，越来越难以满足社会的需求，目前最为便捷与安全的解决方案无疑就是生物识别技术。它不但简洁快速，而且利用它进行身份的认定，安全、可靠、准确。同时更易于配合电脑和安全、监控、管理系统整合，实现自动化管理。由于其广阔的应用前景、巨大的社会效益和经济效益，已引起各国的广泛关注和高度重视。

每个个体都有唯一的可以测量或可自动识别和验证的生理特性或行为方式，即生物特征。它可划分为生理特征（如指纹、面像、虹膜、掌纹等）和行为特征（如步态、声音、笔迹等）。生物识别就是依据每个个体之间独一无二的生物特征对其进行识别与身份的认证。他的主要内容是生物识别技术和生物识别系统。

更具体一点，生物特征识别技术就是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定。

生物识别系统是对生物特征进行取样，提取其唯一的特征并且转化成数字代码，并进一步将这些代码组合而成的特征模板。人们同识别系统交互进行身份认证时，识别系统获取其特征并与数据可中的特征模板进行比对，以确定是否匹配，从而决定接受或拒绝该人。

在目前的研究与应用领域中，生物特征识别主要关系到计算机视觉、图象处理与模式识别、计算机听觉、语音处理、多传感器技术、虚拟现实、计算机图形学、可视化技术、计算机辅助设计、智能机器人感知系统等其他相关的研究。已被用于生物识别的生物特征有手形、指纹、脸形、虹膜、视网膜、脉搏、耳廓等，行为特征有签字、声音、按键力度等。基于这些特征，生物特征识别技术已经在过去的几年中已取得了长足的进展。

其中的热点技术： 指纹识别 指纹识别已被全球大部分国家政府接受与认可，已广泛地应用到政府、军队、银行、社会福利保障、电子商务和安全防卫等领域。在我国，北大高科等对指纹识别技术的研究开发已达到可与国际先进技术抗衡，中科院的汉王科技公司在一对多指纹识别算法上取得重大进展，达到的性能指标中拒识率小于0.1%，误识率小于0.0001%，居国际先进水平；指纹识别技术在我国已经得到较广泛的应用，随着网络化的更加普及，指纹识别的应用将更加广泛。

目前在移动端的发展更为明显，各家智能手机生产商在推出旗舰机型的时候，都以支持指纹识别为主打卖点。 - 5 -

脸像识别 人脸识别的实现包括面部识别（多采用"多重对照人脸识别法"，即先从拍摄到的人像中找到人脸，从人脸中找出对比最明显的眼睛，最终判断包括两眼在内的领域是不是想要识别的面孔）和面部认证（为提高认证性能已开发了“摄动空间法”，即利用三维技术对人脸侧面及灯光发生变化时的人脸进行准确预测。

以及“适应领域混合对照法”，使得对部分伪装的人脸也能进行识别）两方面，基本实现了快速而高精度的身份认证。由于其属于是非接触型认证，仅仅要看到脸部就可以实现很多应用，因而可被应用在：证件中的身份认证；重要场所中的安全检测和监控；智能卡中的身份认证；计算机登录等网络安全控制等多种不同的安全领域。随着网络技术和桌上视频的广泛采用、电子商务等网络资源的利用对身份验证提出的新的要求，依托于图像理解、模式识别、计算机视觉和神经网络等技术的脸像识别技术在一定应用范围内已获得了成功。

目前国内该项识别技术在警用等安全领域用得比较多。这项技术亦被用在现在的一些中高档相机的辅助拍摄方面（如人脸识别拍摄）。

皮肤芯片 这种方法通过把红外光照进一小块皮肤并通过测定的反射光波长来确认人的身份。其理论基础是每个具有不同皮肤厚度和皮下层的人类皮肤，都有其特有的标记。 由于皮肤、皮层和不同结构具有个性和专一特性，这些都会影响光的不同波长，目前Lumidigm公司开发了一种包含银币大小的两种电子芯片的系统。第一个芯片用光反射二极管照明皮肤的一片斑块，然后收集反射回来的射线，第二个芯片处理由照射产生的“光印”（light print）标识信号。 相对于指纹（Fingerprinting）和面认(Face recognition)所采用的采集原始形象并仔细处理大量数据来从中抽提出需要特征的生物统计学方法（See“Face Recognition”/TR Nov 2001），光印不依赖于形象处理，使得设备只需较少的计算能力。

步态识别 步态识别技术现还处在初期阶段，其发展还面临许多艰难的挑战。这项技术的最新进展在由美国国防先进研究项目代表设立基金研究通过人体语言确认人的身份的美国科研机构中。其理论是每个人以相同的方式生活，都有自己专一的信号或指纹，每个人也有自己专一的走路步伐。其技巧是收集人体语言并把它转化为计算机能识别的数字。

一种方法每个人建立“运动信号”来识别。他们从拍摄人走路或跑步的方法开始研究每个人的运动信号，再利用计算机上的模拟照相机捕捉和储存这一运动行为（用软件工具除去冗余最终只以数字形象储存物体的一系列轮廓）。之后只要一个人把他的整个走路过程拍摄下来，指令计算机就能根据储存的形象确定这