人工智能導(dǎo)入

1、人工智能導(dǎo)入第1頁對智能還沒有確切定義， 智能是知識與智力總和 人工智能：用人工方法在機(jī)器（計算機(jī)）上實現(xiàn)智能；或者說是人們使機(jī)器含有類似于人智能。圖靈測試：1950年圖靈發(fā)表計算機(jī)與智能中設(shè)計了一個測試，用以說明人工智能概念。1956年正式提出人工智能（artificial intelligence, AI）這個術(shù)語并把它作為一門新興科學(xué)名稱。人工智能學(xué)科：一門研究怎樣結(jié)構(gòu)智能機(jī)器（智能計算機(jī)）或智能系統(tǒng)，使它能模擬、延伸、擴(kuò)展人類智能學(xué)科。知識是一切智能行為基礎(chǔ)獲取知識并應(yīng)用知識求解問題能力 智者問詢者第2頁人工智能研究基本內(nèi)容知識表示 機(jī)器感知 機(jī)器思維機(jī)器學(xué)習(xí) 機(jī)器行為 第3頁人工智能

2、主要研究領(lǐng)域自動定理證實博弈模式識別機(jī)器視覺 自然語言了解智能信息檢索 數(shù)據(jù)挖掘與知識發(fā)覺教授系統(tǒng) 自動程序設(shè)計 機(jī)器人 組合優(yōu)化問題智能網(wǎng)絡(luò)系統(tǒng) 人工生命 人工神經(jīng)網(wǎng)絡(luò) 分布式人工智能與多智能體 智能控制 智能仿真 智能CAD 智能CAI 智能管理與智能決議 智能多媒體系統(tǒng) 智能操作系統(tǒng) 智能計算機(jī)系統(tǒng) 智能通信 第4頁人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 生物神經(jīng)網(wǎng)絡(luò)( natural neural network, NNN): 由中樞神經(jīng)系統(tǒng)（腦和脊髓）及周圍神經(jīng)系統(tǒng)（感覺神經(jīng)、運(yùn)動神經(jīng)等）所組成錯綜復(fù)雜神經(jīng)網(wǎng)絡(luò)，其中最主要是腦神經(jīng)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks

3、, ANN): 模擬人腦神經(jīng)系統(tǒng)結(jié)構(gòu)和功效，利用大量簡單處理單元經(jīng)廣泛連接而組成人工網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)方法： 隱式知識表示方法第5頁 工作狀態(tài)： 興奮狀態(tài)：細(xì)胞膜電位 動作電位閾值 神經(jīng)沖動 抑制狀態(tài)：細(xì)胞膜電位 動作電位閾值 學(xué)習(xí)與遺忘：因為神經(jīng)元結(jié)構(gòu)可塑性，突觸傳遞作用可增強(qiáng)和減弱 。（輸入）（輸出） 神經(jīng)沖動第6頁 ：第 個神經(jīng)元輸出。：第 個神經(jīng)元閾值。 ：外部輸入。 ：權(quán)值。 加權(quán)求和：其矩陣形式：第7頁8 工作過程:從各輸入端接收輸入信號 uj ( j = 1, 2, , n )依據(jù)連接權(quán)值求出全部輸入加權(quán)和 用非線性激勵函數(shù)進(jìn)行轉(zhuǎn)換，得到輸出 第8頁 1. BP 網(wǎng)絡(luò)結(jié)構(gòu) 第9頁

4、10 2. 輸入輸出變換關(guān)系 第10頁113. 工作過程 第一階段或網(wǎng)絡(luò)訓(xùn)練階段： N 組輸入輸出樣本：xi=xi1, xi2, xip1T di=di1, di2,dipmT i=1, 2, N 對網(wǎng)絡(luò)連接權(quán)進(jìn)行學(xué)習(xí)和調(diào)整，以使該網(wǎng)絡(luò)實現(xiàn)給定樣本輸入輸出映射關(guān)系。 第二階段或稱工作階段：把試驗數(shù)據(jù)或?qū)嶋H數(shù)據(jù)輸入到網(wǎng)絡(luò)，網(wǎng)絡(luò)在誤差范圍內(nèi)預(yù)測計算出結(jié)果。 第11頁12（1）是否存在一個BP神經(jīng)網(wǎng)絡(luò)能夠迫近給定樣本或者函數(shù)。兩個問題：（ 2）怎樣調(diào)整BP神經(jīng)網(wǎng)絡(luò)連接權(quán)，使網(wǎng)絡(luò)輸入與輸出與給定樣本相同。 1986年，魯梅爾哈特（D. Rumelhart）等提出BP學(xué)習(xí)算法。第12頁138.2.2 B

5、P學(xué)習(xí)算法 目標(biāo)函數(shù)： 約束條件： 連接權(quán)值修正量： 1. 基本思想 第13頁14BP學(xué)習(xí)算法記先求（1）對輸出層神經(jīng)元 （2）對隱單元層，則有第14頁158.2.2 BP學(xué)習(xí)算法 2. 學(xué)習(xí)算法第15頁168.2.2 BP學(xué)習(xí)算法 正向傳輸：輸入信息由輸入層傳至隱層，最終在輸出層輸出。 反向傳輸：修改各層神經(jīng)元權(quán)值，使誤差信號最小。 2. 學(xué)習(xí)算法 第16頁178.2.2 BP學(xué)習(xí)算法 2. 學(xué)習(xí)算法第17頁188.2.3 BP算法實現(xiàn)（1） 隱層數(shù)及隱層神經(jīng)元數(shù)確實定：當(dāng)前尚無理論指導(dǎo)。（2）初始權(quán)值設(shè)置：普通以一個均值為0隨機(jī)分布設(shè)置網(wǎng)絡(luò)初始權(quán)值。 （3）訓(xùn)練數(shù)據(jù)預(yù)處理：線性特征百分比變

6、換，將全部特征變換到0，1或者-1，1區(qū)間內(nèi)，使得在每個訓(xùn)練集上，每個特征均值為0，而且含有相同方差。（4）后處理過程：當(dāng)應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類操作時，通常將輸出值編碼成所謂名義變量，詳細(xì)值對應(yīng)類別標(biāo)號。 1. BP算法設(shè)計 第18頁198.2.3 BP算法實現(xiàn)（1）初始化：對全部連接權(quán)和閾值賦以隨機(jī)任意小值；（2） 從 N 組輸入輸出樣本中取一組樣本：x=x1, x2, xp1T, d=d1, d2,dpmT, 把輸入信息x=x1, x2, xp1T輸入到BP網(wǎng)絡(luò)中 （3）正向傳輸：計算各層節(jié)點輸出：（4）計算網(wǎng)絡(luò)實際輸出與期望輸出誤差： 2. BP算法計算機(jī)實現(xiàn)流程 第19頁208.2.3 BP算法實現(xiàn)（5）反向傳輸：從輸出層方向計算到第一個隱層，按連接權(quán)值修正公式向減小誤差方向調(diào)整網(wǎng)絡(luò)各個連接權(quán)值。（6）讓t+1t，取出另一組樣本重復(fù)（2）（5），直到 N 組輸入輸出樣本誤差到達(dá)要求時為止。 2. BP算法計算機(jī)實現(xiàn)流程 第20頁218.2.3 BP算法實現(xiàn)BP學(xué)習(xí)算法程序框圖第21頁22 1. 特點 BP網(wǎng)絡(luò)：多層前向網(wǎng)絡(luò)（輸入層、隱層、輸出層）。 連接權(quán)值：經(jīng)過Delta學(xué)習(xí)算法進(jìn)行修正。 神經(jīng)元傳輸函數(shù)：S形函數(shù)。 學(xué)習(xí)算法：正向傳輸、反向傳輸。 層與層連接是單向，信