人工智能原理及MATLAB實現(xiàn) 教案 第5-7章 計算智能、數(shù)據(jù)挖掘、圖像處理與識別技術(shù)

《人工智能算法》課程教案教學(xué)目的、要求：1.掌握進化算法、搜索算法、群智能算法、混合優(yōu)化算法的基本概念和原理2.熟悉模糊計算基礎(chǔ)知識3.理解算法的分析步驟、應(yīng)用場景和優(yōu)勢4.能夠?qū)崿F(xiàn)簡單的算法并進行實驗驗證教學(xué)重點及難點：重點：算法的原理難點：簡單算法的實現(xiàn)和應(yīng)用教學(xué)基本內(nèi)容教學(xué)過程設(shè)計§5計算智能§5.1進化算法進化算法是一種模擬自然選擇和遺傳學(xué)機制的優(yōu)化算法，用于解決復(fù)雜的搜索和優(yōu)化問題，其應(yīng)用廣泛。進化算法包括遺傳算法、遺傳規(guī)劃、進化策略和進行規(guī)劃等，在此只介紹遺傳算法和進化策略。遺傳算法（GeneticAlgorithms，GA）：基本思想是基于達爾文（Darwin）的進化論和孟德爾（Mendel）的遺傳學(xué)說；工作對象是字符串。對于整個遺傳算法影響最大的是編碼和適應(yīng)度函數(shù)的設(shè)計。編碼是應(yīng)用遺傳算法時要解決的首要關(guān)鍵問題。編碼的方法也影響到遺傳算子的計算方法。常用的編碼方法有以下4種：（1）二進制編碼。它是遺傳算法編碼中最常用的方法。（2）符號編碼。（3）浮點數(shù)編碼，也稱為真值編碼方法。適用于精度要求較高的遺傳算法，以便于在較大空間進行遺傳搜索。（4）格雷編碼。為了體現(xiàn)個體的適應(yīng)能力，引入了對問題中的每一個個體都能進行量度的函數(shù)，即適應(yīng)度函數(shù)。適應(yīng)度函數(shù)求取的是極大值，并且具有非負性。常見的幾種變換方法：（1）線性變換：f(Z)=aZ+b（2）冪變換：f(Z)=Za（3）指數(shù)變換：f(Z)=exp(－βZ)對于有約束條件的極值，其適應(yīng)度可用罰函數(shù)方法處理。遺傳算子就是遺傳算法中進化的規(guī)則。基本遺傳算法的遺傳算子主要有選擇算子、交叉算子和變異算子。遺傳算法的具體步驟：①對問題進行編碼；②定義適應(yīng)度函數(shù)后，生成初始化群體；③對于得到的群體進行選擇復(fù)制，交叉，變異操作，生成下一代種群；④判斷算法是否滿足停止準(zhǔn)則。若不滿足，則從步驟③起重復(fù)；⑤算法結(jié)束，獲得最優(yōu)解。遺傳算法中需要選擇的參數(shù)主要有串長l、群體大小n、交叉概率pc以及變異概率pm等。與其他方法相比，遺傳算法具有編碼性、多解性和全局優(yōu)化性、自適應(yīng)性、不確定性、隱含并行性、智能性的優(yōu)點。進化策略（EvolutionStrategies，ES）：20世紀(jì)60年代，德國柏林大學(xué)的因戈·雷切伯格（I.Rechenberg）和施韋費爾（H.P.Schwefel）等在進行風(fēng)洞試驗時，研究發(fā)展形成了進化策略方法。進化策略以其簡單、通用、魯棒性和適應(yīng)性而聞名，是專門為求解參數(shù)優(yōu)化問題而設(shè)計的，而且在進化策略算法中引入了自適應(yīng)機制。算法的基本流程。算法的構(gòu)成要素：染色體構(gòu)造：（X,σ）=（（x1,x2,…,xL），（σ1,σ2,…,σL））算子：①重組算子。重組是將參與重組的父代染色體上的基因進行交換，形成下一代的染色體的過程。目前常見的有離散重組、中間重組、混雜重組等；②變異算子：③選擇算子。在進化策略中，選擇過程是確定性的。在不同的進行策略中，選擇機制也有所不同。§5.2模糊計算1965年，美國控制論專家拉特飛·扎德（L.A.Zadeh）把模糊性和數(shù)學(xué)統(tǒng)一起來，提出了模糊集合理論與模糊邏輯，它采用精確的方法、公式和模型來度量和處理模糊、信息不完整或不太正確的現(xiàn)象與規(guī)律。模糊集是一種邊界不分明的集合。隸屬函數(shù)的表示方法：模糊系統(tǒng)中常用的隸屬度函數(shù)有11種，例如高斯形、鐘形等隸屬度函數(shù)。模糊集運算：交集（邏輯與）、合集（邏輯或）/邏輯非（余）、模糊集的基。設(shè)A∈F(U)，對任意λ∈[0，1]，集合稱為集合A的λ截集，λ稱為閾值或置信水平。截集的概述描述了模糊集合與普通集合之間的轉(zhuǎn)換關(guān)系。模糊度是模糊集合的度量，有以下幾種計算方式：距離模糊度。設(shè)A0.5是A的λ＝0.5截集，有熵模糊度。如果令，則熵模糊度的定義為貼近度。用距離刻畫模糊集的模糊度效果不是很理想，可以用貼近度來衡量兩個模糊集之間的相近程度，貼近度越大，則表明這兩者越接近。聚類分析就是將相似相像的事物歸為一類。模糊聚類分析是利用模糊等價關(guān)系來實現(xiàn)的?；谀：葍r關(guān)系的聚類分析可分為三步：（1）建立模糊相似矩陣第一步是求樣本集中任意兩個樣本Xi與Xj之間的相似系數(shù)rij，進而構(gòu)造模糊相似矩陣R=(rij)n×n。①數(shù)量積法②相關(guān)系數(shù)法還包括絕對值減數(shù)法、算術(shù)平均法等。（2）改造模糊相似關(guān)系為模糊等價關(guān)系（3）聚類對求得的模糊等價矩陣求λ－截集Rλ，再將Rλ中為1的元素對應(yīng)行和列的對象歸并為一類，由Rλ的分類由細變粗，形成一個動態(tài)的分類圖?！?.3搜索算法搜索過程有三大要素：搜索對象、搜索的擴展規(guī)則和搜索的目標(biāo)測試。通過搜索求解問題的基本思想：（1）將問題中的已知條件看成狀態(tài)空間中的初始狀態(tài)；將問題中要求達到的目標(biāo)看成狀態(tài)空間中的目標(biāo)狀態(tài)；將問題中其他可能發(fā)生的情況看成狀態(tài)空間中的任一狀態(tài)。（2）設(shè)法在狀態(tài)空間尋找一條路徑，由初始狀態(tài)出發(fā)，能夠沿著這條路徑達到目標(biāo)狀態(tài)。典型的搜索方法有：隨機搜索算法（例如模擬退火算法）、演化搜索算法（例如人工免疫算法）、記憶型搜索算法（例如禁忌搜索算法、和聲搜索算法）。§5.4群智能算法群智能（SwarmIntelligence，SI）的概念最早由貝尼（Beni）、哈克伍德（Hackwood）和王（Wang）等人在分子自動機系統(tǒng)中提出，指的是“無智能的主體通過合作表現(xiàn)出宏觀智能行為的特性”。1999年，埃里克·博納博（EricBonabeau）、馬爾科·多里戈（MarcoDorigo）和蓋伊·特絡(luò)拉茲（GuyTheraulaz）在《SwarmIntelligenceFromNaturetoArtificialSystems》中對群智能進行了詳細的論述和分析。群智能算法是一類基于群體行為原理的優(yōu)化算法，其靈感來源于自然界中的群體行為，如蟻群覓食、鳥群遷徙等。這類算法通過模擬群體中個體的行為和相互作用，尋找滿足某種優(yōu)化目標(biāo)的解。在構(gòu)建一個群智能算法中，應(yīng)滿足五條基本原則：鄰近原則、品質(zhì)原則、多樣性原則、穩(wěn)定性原則、適應(yīng)性原則。群體智能是用隨機分布在搜索優(yōu)化空間的點來模擬自然界中的個體，用個體的進化過程作為隨機搜索最優(yōu)解的過程，用求解問題的目標(biāo)函數(shù)來判斷個體對于環(huán)境的適應(yīng)能力，根據(jù)適應(yīng)能力而優(yōu)勝劣汰，將整個群體逐步向最優(yōu)解靠近。與傳統(tǒng)的優(yōu)化方法相比，群體智能算法具有簡單的迭代式尋優(yōu)、環(huán)境自適應(yīng)性和系統(tǒng)自調(diào)節(jié)性、有指導(dǎo)的隨機并行式全局搜索、系統(tǒng)通用性和魯棒性強、智能性、易于與其他算法相結(jié)合的特點。一些典型的群智能算法：1.蟻群算法（AntColonyOptimization，ACO）：是一種基于種群尋優(yōu)的啟發(fā)式搜索算法。該算法受到自然界中真實蟻群通過個體間的信息傳遞、搜索從蚊穴到食物間的最短距離的集體尋優(yōu)特征的啟發(fā)，來解決一些離散系統(tǒng)中優(yōu)化的困難問題。目前，該算法已被應(yīng)用于求解旅行商問題、指派問題以及調(diào)度問題等，取得了較好的結(jié)果。作為一種隨機優(yōu)化方法，螞蟻算法不需要任何先驗知識，最初只是隨機地選擇搜索路徑，隨著對解空間的了解，搜索更加具有規(guī)律性，并逐漸得到全局最優(yōu)解。各種形式的蟻群算法中，螞蟻數(shù)量m、信息啟發(fā)式因子α、期望值啟發(fā)式因子β和信息素揮發(fā)因子ρ都是影響算法性能的重要參數(shù)。粒子群算法（ParticleSwarmOptimiztion，PSO）：是一種有效的全局尋優(yōu)算法，最初由美國學(xué)者肯尼迪（Kennedy）和埃伯哈特（Eberhart）于1951年提出。它是基于群體智能理論的優(yōu)化算法，通過群體中粒子間的合作與競爭產(chǎn)生的群體智能指導(dǎo)優(yōu)化搜索。由于每代種群中的解具有“自我”學(xué)習(xí)提高和向“他人”學(xué)習(xí)的雙重優(yōu)點，從而能在較少的迭代次數(shù)內(nèi)找到最優(yōu)解。目前該方法已廣泛應(yīng)用于函數(shù)優(yōu)化、數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等領(lǐng)域?？夏岬系韧ㄟ^觀察鳥群覓食提出了兩種粒子群算法模式即全局模式（globalversionPSO）和局部模式（localversionPSO）。3.人工魚群算法（ArtificialFishSchoolAlgorithm，AFSA）：是由李曉磊博士于2002年首次提出。通過研究魚群的行為，李曉磊總結(jié)并提取了適用于魚群算法幾種典型行為－魚的覓食行為、聚群行為和追尾行為，并用之于尋優(yōu)過程，進而形成了魚群優(yōu)化算法。4.人工蜂群算法（ArtificialBeeColonyAlgorithm，ABC）：是由卡拉伯卡（Karaboga）于2005年提出的基于蜜蜂群體的覓食行為的一種新的啟發(fā)式仿生算法，它建立在蜜蜂群體生活習(xí)性模型基礎(chǔ)上，模擬了蜂群依各自分工不同協(xié)作采蜜、交換蜜源信息以找到最優(yōu)蜜源這一群體行為。ABC算法具有良好的優(yōu)化能力，可以用來解決數(shù)值優(yōu)化問題，在其他方面如生產(chǎn)調(diào)度、路徑規(guī)劃等方面也取得了良好的應(yīng)用效果。ABC算法將全局搜索和局部搜索的方法相結(jié)合，從而使得蜜蜂在食物源的開采和探索這兩方面取得了很好的平衡。ABC算法的尋優(yōu)過程由四個選擇過程構(gòu)成：①局部選擇過程；②全局選擇過程；③貪婪選擇過程；④隨機選擇過程?！?.5混合優(yōu)化算法如今，算法混合（組合）的思想已發(fā)展成為提高算法優(yōu)化性能的一個重要且有效的途徑，其出發(fā)點就是使各種單一算法相互取長補短，產(chǎn)生更好的優(yōu)化效率。該策略的關(guān)鍵問題是問題分解與綜合的處理、子算法和領(lǐng)域函數(shù)的選擇、進程層次上算法轉(zhuǎn)換接口的處理、優(yōu)化過程中的數(shù)據(jù)處理。目前混合算法的結(jié)構(gòu)類型主要可歸結(jié)為串行、鑲嵌、并行及混合結(jié)構(gòu)。串行結(jié)構(gòu)是一種最簡單的結(jié)構(gòu)，它的混合算法就是吸收不同算法的優(yōu)點，用一種算法的搜索結(jié)果作為另一種算法的起點依次來對問題進行優(yōu)化。設(shè)計串行結(jié)構(gòu)的混合算法需要解決的問題主要是確定各種算法的轉(zhuǎn)換時機。鑲嵌結(jié)構(gòu)表示為一種算法作為另一種算法的一個優(yōu)化操作或用操作搜索性能的評價器。設(shè)計鑲嵌結(jié)構(gòu)的混合算法需要解決的問題主要是子算法與嵌入點的選擇。并行結(jié)構(gòu)包括同步式并行，異步式并行和網(wǎng)絡(luò)結(jié)構(gòu)。問題分解與綜合以及進程間的通信問題是設(shè)計并行結(jié)構(gòu)的混合算法需解決的主要問題?！?.6計算智能的matlab實戰(zhàn)算法例題講解3min引入：通過生物界自然選擇、變異和雜交等自然進化方式實例引入。內(nèi)容設(shè)計思路：通過具體案例展示算法的應(yīng)用，進行實驗和分析，引導(dǎo)學(xué)生了解內(nèi)容之間的區(qū)別與聯(lián)系，并指出本節(jié)課的重點難點以及教學(xué)目的。核心是給學(xué)員講清楚算法原理強調(diào)：引導(dǎo)學(xué)生思考算法的應(yīng)用場景，觸類旁通。分析：注意過渡：動畫演示：課堂互動：對先修的基礎(chǔ)知識進行提問、回顧、引導(dǎo)。舉例分析：算法具體實例分析要點：對算法的實現(xiàn)步驟進行分析。讓學(xué)生進行總結(jié)：深刻理解相應(yīng)算法讓學(xué)生針對三種典型搜索方法分組進行匯報展示：深刻理解搜索方法45min實踐作業(yè)作業(yè)、討論題、思考題：這些算法結(jié)合你的研究領(lǐng)域有何種應(yīng)用？教學(xué)反思：《人工智能算法》課程教案教學(xué)目的、要求：1..掌握數(shù)據(jù)挖掘的概念和數(shù)據(jù)挖掘的過程2.了解數(shù)據(jù)挖掘算法，掌握前三種經(jīng)典算法3..掌握關(guān)聯(lián)分析技術(shù)和粗糙集技術(shù)，了解可視化技術(shù)的分類、聚類方法4..掌握數(shù)據(jù)挖掘的分類、預(yù)測、聚類三方面的應(yīng)用，重點是預(yù)測應(yīng)用5.了解數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域，并能利用matlab實現(xiàn)簡單的數(shù)據(jù)挖掘教學(xué)重點及難點：重點：數(shù)據(jù)挖掘的過程和應(yīng)用難點：數(shù)據(jù)挖掘的算法和兩種分析技術(shù)教學(xué)基本內(nèi)容教學(xué)過程設(shè)計§6數(shù)據(jù)挖掘§6.1數(shù)據(jù)挖掘概述大數(shù)據(jù)在給人們帶來方便的同時也帶來了一大堆問題：信息冗余；信息真?zhèn)坞y辨，給信息的正確應(yīng)用帶來困難。。為了滿足人們數(shù)據(jù)分析工具的需求，20世紀(jì)80年代后期高級數(shù)據(jù)分析—基于數(shù)據(jù)庫的知識發(fā)現(xiàn)（KnowledgeDiscoveryinDatabase，KDD）及相應(yīng)的數(shù)據(jù)挖掘（DataMining，DM）理論和技術(shù)應(yīng)運而生。數(shù)據(jù)挖掘定義（分兩個層面）技術(shù)層面：探查和分析大量數(shù)據(jù)以發(fā)現(xiàn)有意義的模式和規(guī)則的過程。商業(yè)層面：一種商業(yè)信息處理技術(shù)，其主要特點是對大量業(yè)務(wù)數(shù)據(jù)進行抽取、轉(zhuǎn)換、分析和建模處理，從中抽取輔助商業(yè)決策的關(guān)鍵性數(shù)據(jù)。數(shù)據(jù)挖掘的分類、過程與任務(wù)分類標(biāo)準(zhǔn)：1.根據(jù)數(shù)據(jù)庫類型分類2.根據(jù)數(shù)據(jù)挖掘?qū)ο蠓诸?.根據(jù)數(shù)據(jù)挖掘任務(wù)分類4.根據(jù)數(shù)據(jù)挖掘技術(shù)分類5.根據(jù)數(shù)據(jù)挖掘方法分類數(shù)據(jù)挖掘的過程：數(shù)據(jù)準(zhǔn)備→數(shù)據(jù)挖掘→結(jié)果表達和解釋數(shù)據(jù)挖掘任務(wù)：概念描述；關(guān)聯(lián)分析；時間序列分析；分類分析；聚類分析；離群點檢測；預(yù)測數(shù)據(jù)挖掘建模：成功運用數(shù)據(jù)挖掘，對數(shù)據(jù)挖掘技術(shù)層次的理解至關(guān)重要，尤如何將數(shù)據(jù)變成有用信息的過程就是對這個數(shù)據(jù)挖掘過程進行建模。一般過程：業(yè)務(wù)理解→數(shù)據(jù)理解→數(shù)據(jù)準(zhǔn)備→建模→評估→部署§6.2數(shù)據(jù)挖掘算法統(tǒng)計分析方法：假設(shè)檢驗：假設(shè)檢驗中有二類重要問題，第一個是根據(jù)樣本的信息判斷總體分布是否具有指定的特征；第二個是在估計某未知參數(shù)β時，除了求出它的點估計外，還希望在一定的置信水平上估計出一個范圍，即β的置信區(qū)間。1.隨機誤差的判斷（1）χ2檢驗。（2）F檢驗。2.系統(tǒng)誤差的檢驗（1）平均值與給定值比較。（2）兩個平均值的比較。（3）成對數(shù)據(jù)的比較?；貧w分析：1.一元線性回歸分析2.多元線性回歸分析3.非線性回歸分析二項邏輯（logistic）回歸當(dāng)被解釋變量為0/1二值品質(zhì)型變量時，稱為二項邏輯回歸。二項邏輯回歸雖然不能直接采有用一般線性多元回歸模型擬合，但仍然可以充分利用線性回歸模型建立的理論和思路來擬合。方差分析；因子分析§6.3數(shù)據(jù)挖掘相關(guān)技術(shù)§6.3.1關(guān)聯(lián)分析主要研究數(shù)據(jù)中不同領(lǐng)域之間的關(guān)系，找出滿足給定支持度和可信度閾值的多個域之間的依賴關(guān)系。即相關(guān)性、關(guān)聯(lián)關(guān)系，因果關(guān)系。關(guān)聯(lián)規(guī)則模式屬于描述型模式，發(fā)現(xiàn)關(guān)聯(lián)規(guī)則的算法屬于無監(jiān)督學(xué)習(xí)的方法。關(guān)聯(lián)規(guī)則的主要概念關(guān)聯(lián)規(guī)則的種類（1）基于規(guī)則中處理的變量的類型，關(guān)聯(lián)規(guī)則可以分為布爾型和數(shù)值型。（2）基于規(guī)則中數(shù)據(jù)的抽象層次，可以分為單層關(guān)聯(lián)規(guī)則和多層關(guān)聯(lián)規(guī)則。（3）基于規(guī)則中到的數(shù)據(jù)的維數(shù)，關(guān)聯(lián)規(guī)則可以分為單維的和多維的。關(guān)聯(lián)規(guī)則的價值衡量：1.系統(tǒng)客觀層面2.用戶主觀層面（1）數(shù)據(jù)挖掘。（2）指定挖掘的維和層次。（3）規(guī)則約束。Apriori關(guān)聯(lián)規(guī)則算法（了解）時序關(guān)聯(lián)規(guī)則算法多值屬性關(guān)聯(lián)規(guī)則算法§6.3.2粗糙集技術(shù)在現(xiàn)實世界中，并不能簡單地用好壞、真假等確切的概念表示許多含糊現(xiàn)象，特別是在于集合的邊界上，也即存在一些個體，既不能說它屬于某個子集，也不能說它不屬于該子集。20世紀(jì)80年代提出了粗糙集（RoughSet）理論。粗糙集用上、下近似兩個集合來逼近任意一個集合，該集合的邊界區(qū)域被定義為上近似集和下近似集的差，邊界區(qū)域就是那些無法歸屬的個體。上、下二近似集合可以通過等價關(guān)系給出確定的描述，邊界域的元素數(shù)目可以被計算出來。粗糙集理論的基本概念：1.知識表達系統(tǒng)和決策表2.等價關(guān)系3.等價劃分4.上近似集和下近似集5.粗糙集6.粗糙集的非確定性的精確度αA(Y)和粗糙度ρA(Y)分類規(guī)則的形成：（1）當(dāng)Y∩X≠，則有：des(Y)→des(X)des(Y)和des(X)分別是等價集Y和等價集X中的特征描述：①當(dāng)Y∩X＝Y(jié)，即Y全部被X包含，此時建立的規(guī)則是確定的，規(guī)則的置信水平cf為1；②當(dāng)Y∩X≠Y，即Y全部不被X包含，此時建立的規(guī)則是不確定的，規(guī)則的置信水平為（2）當(dāng)Y∩X＝，Y和X不能建立規(guī)則。知識的約簡：1.決策表的一致性2.屬性約簡3.分辨矩陣與分辨函數(shù)§6.3.3可視化技術(shù)可視化技術(shù)也稱數(shù)據(jù)可視化，它旨在憑借計算機的強大信息處理能力以及計算機圖形學(xué)基本算法及可視化算法將計算機進行的大規(guī)?？茖W(xué)（工程）計算結(jié)果及其產(chǎn)生的數(shù)字數(shù)據(jù)轉(zhuǎn)換成靜態(tài)或動態(tài)圖像的過程，并允許人們通過交互手段控制數(shù)據(jù)的抽取和畫面顯示。多維數(shù)據(jù)可視化；基于像素的高維數(shù)據(jù)的可視化§6.4數(shù)據(jù)挖掘應(yīng)用分類：通常認為，當(dāng)被預(yù)測的值是連續(xù)值時，稱為預(yù)測；而當(dāng)被預(yù)測的值是離散值時，稱為分類。數(shù)據(jù)分類可以分為兩個步驟。第一步是建立模型，用于描述給定的數(shù)據(jù)集合。第二步對建立的模型進行評估后，使用模型對數(shù)據(jù)對象進行分類?！?.4.2預(yù)測1.回歸分析2.時間序列預(yù)測模型3.馬爾可夫鏈4.灰色系統(tǒng)方法§6.4.3聚類1.聚類分析中的數(shù)據(jù)類型2.聚類的特征與聚類間的距離3.劃分方法4.層次方法5.基于密度的方法6.基于網(wǎng)格的方法7.基于模型的聚類方法8.基于目標(biāo)函數(shù)的方法9.孤立點分析10.聚類有效性§6.5數(shù)據(jù)挖掘應(yīng)用領(lǐng)域金融中的應(yīng)用零售業(yè)方面的應(yīng)用電信業(yè)中的應(yīng)用管理中的應(yīng)用科研中的應(yīng)用制造業(yè)中的應(yīng)用故障診斷與監(jiān)測中的應(yīng)用醫(yī)療領(lǐng)域中的應(yīng)用§6.6數(shù)據(jù)挖掘的matlab實戰(zhàn)某廠生產(chǎn)的一種電器的銷售量y與競爭對手的價格x1和本廠的價格x2有關(guān)。表6.1是該商品在10個城市的銷售記錄。試根據(jù)這些數(shù)據(jù)建立y與x1和x2的關(guān)系式，并對得到的模型和系數(shù)進行檢驗。等多個實戰(zhàn)例子。3min引入：通過對現(xiàn)實生活遇到的信息應(yīng)用困難進行實例引入。內(nèi)容設(shè)計思路：對課堂內(nèi)容進行分析，引導(dǎo)學(xué)生了解內(nèi)容之間的相互聯(lián)系，并指出本節(jié)課的重點難點以及教學(xué)目的。核心是給學(xué)員講清楚技術(shù)思想10min強調(diào)：引導(dǎo)學(xué)生思考算法的原理，觸類旁通。分析：算法的底層邏輯和分析過程。注意過渡：動畫演示：課堂互動：對已有的基礎(chǔ)知識進行提問、回顧、引導(dǎo)。20min舉例分析：分析要點：。對人工智能知識獲取的原則進行分析。讓學(xué)生進行總結(jié)：深刻理解數(shù)據(jù)挖掘算法內(nèi)容設(shè)計思路：介紹關(guān)聯(lián)分析，引導(dǎo)學(xué)生了解內(nèi)容之間的相互聯(lián)系，并指出本節(jié)課的重點難點以及教學(xué)目的。核心是給學(xué)員講關(guān)聯(lián)技術(shù)思想15min強調(diào)：引導(dǎo)學(xué)生思考算法的原理，觸類旁通。分析：算法的底層邏輯和分析過程。注意過渡：動畫演示：課堂互動：對已有的基礎(chǔ)知識進行提問、回顧、引導(dǎo)。20min舉例分析：分析要點：對關(guān)聯(lián)分析和粗糙集技術(shù)進行分析。讓學(xué)生進行總結(jié)：深刻理解兩種分析方法的思想目的：讓學(xué)生拓展視野，結(jié)合本專業(yè)暢想新的研究領(lǐng)域和改進方向內(nèi)容：結(jié)合matlab實戰(zhàn)，鍛煉學(xué)生數(shù)學(xué)思維的同時，讓學(xué)生對本門課程的理解更加深刻作業(yè)、討論題、思考題：將例題6.2用matlab實現(xiàn)，并作介紹教學(xué)反思：《人工智能算法》課程教案教學(xué)目的、要求：1.掌握圖像的概念，了解圖像的變換2.掌握圖像分析與處理3.了解圖像識別技術(shù)4.掌握圖像處理和識別的matlab實戰(zhàn)教學(xué)重點及難點：重點：圖像的變換難點：圖像的分析與處理教學(xué)基本內(nèi)容教學(xué)過程設(shè)計§7圖像處理與識別技術(shù)§7.1圖像基本概念圖像格式是指存儲圖像采用的格式，不同的系統(tǒng)、不同的圖像處理軟件，所支持的圖像格式都有可能不同。在實際應(yīng)用中經(jīng)常遇到的圖像格式有bmp、gif、tiff、jpeg、pcx、psd和wmf等。圖像類型可分索引圖像、灰度圖像、二值圖像、RGB圖像和多幀圖像等5種基本類型。圖像處理過程主要涉及以下技術(shù)：數(shù)字圖像、圖像采集、圖像增強、圖像復(fù)原、圖像編碼與壓縮、圖像分割技術(shù)、圖像識別?！?.2圖像變換為了快速有效地對圖像進行處理和分析，常常需要對圖像進行轉(zhuǎn)換，將某個圖像空間的圖像以某種形式轉(zhuǎn)換到另外的空間，并利用這些空間特有的性質(zhì)進行一定的加工，最后再轉(zhuǎn)換回圖像空間以得到需要的效果。常用的圖像變換技術(shù)有傅里葉變換、離散余弦變換、Radon變換、小波變換?！?.3圖像分析與處理圖像數(shù)字化：常見圖像是連續(xù)的，即圖像灰度的值可以是任意實數(shù)。為了能用計算機對圖像進行加工，需要把連續(xù)的圖像進行空間域的采樣和幅度值域的量化，即所謂的離散化。這種離散化了的圖像是數(shù)字圖像。圖像運算：圖像的代數(shù)運算基于圖像的標(biāo)準(zhǔn)算術(shù)運算（如加、減、乘、除），以產(chǎn)生有增加效果的圖像。圖像代數(shù)運算是一種比較簡單和有效的增強處理，常用于遙感圖像的處理。圖像調(diào)整：圖像調(diào)整主要是指通過提高圖像的信噪比、修正圖像的顏色和強度等措施，使圖像的質(zhì)量得到改善。圖像復(fù)原：由于成像系統(tǒng)的散焦、設(shè)備與物體間的相對運動、隨機大氣湍流、光學(xué)系統(tǒng)的像差等各種原因，圖像的質(zhì)量有時會出現(xiàn)模糊、失真、噪聲等瑕疵，此時就需要對圖像質(zhì)量進行復(fù)原，包括輻射校正、大氣校正、條帶噪聲消除、幾何消除等內(nèi)容。圖像復(fù)原是圖像處理中的一個重要問題。解決該問題的關(guān)鍵是對圖像的退化過程建立相應(yīng)的數(shù)學(xué)模型，然后通過求解該逆問題獲得圖像的復(fù)原模型并對原始圖像進行合理估計。由于引起圖像退化的因素眾多，且性質(zhì)