2022年神经网络与智能信息处理 .pdf

《2022年神经网络与智能信息处理 .pdf》由会员分享，可在线阅读，更多相关《2022年神经网络与智能信息处理 .pdf（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、神经网络与智能信息处理概率搜索和最优化方法。是模拟自然淘汰和遗传现象的工程模型。GA 的历史可追溯到1960 年，明确提出遗传算法的是1975 年美国 Michigan 大学的 Holland 博士，他根据生物进化过程的适应现象，提出如下的GA 模型方案：1将多个生物的染色体（Chromosmoe）组成的符号集合，按文字进行编码，称为个体。2 定义评价函数， 表示个体对外部环境的适应性。其数值大的个体表示对外部环境的适应性高，它的生存（子孙的延续）的概率也高。3每个个体由多个 “ 部分” 组合而成，每个部分随机进行交叉及突然变异等变化，并由此产生子孙（遗传现象）。4个体的集合通过遗传，由选择淘

2、汰产生下一代。遗传算法提出之后，很快得到人工智能、计算机、生物学等领域科学家的高度重视，并在各方面广泛应用。1989 年美国 Goldberg 博士发表一本专著： “Genetic Algorithms in Search， Optimization andMachine Learning”。出版后产生较大影响，该书对GA 的数学基础理论， GA 的基本定理、数理分析以及在搜索法、最优化、机器学习等GA 应用方面进行了深入浅出的介绍，并附有Pascal模拟程序。1985 年 7 月在美国召开第一届“ 遗传算法国际会议 ” （ICGA）。以后每隔两年召开一次。 近年来，遗传算法发展很快，并广泛应

3、用于信息技术的各个领域，例如：智能控制：机器人控制。机器人路径规划。工程设计：微电子芯片的布局、布线；通信网络设计、滤波器设计、喷气发动机设计。图象处理：图象恢复、图象识别、特征抽取。调度规划：生产规划、调度问题、并行机任务分配。优化理论： TSP问题、背包问题、图划分问题。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 7 页 - - - - - - - - - 人工生命：生命的遗传进化以及自增殖、自适应；免疫系统、生态系统等方面的研究。神经网络、模糊集理论和以遗传算法

4、为代表的进化算法都是仿效生物信息处理模式以获得智能信息处理功能的理论。三者目标相近而方法各异；将它们相互结合，必能达到取长补短、各显优势的效果。例如，遗传算法与神经网络和模糊计算相结合方面就有：神经网络连续权的进化。传统神经网络如BP 网络是通过学习，并按一定规则来改变数值分布。这种方法有训练时间过长和容易陷入局部优化的问题。采用遗传算法优化神经网络可以克服这个缺点。神经网络结构的进化。目前神经网络结构的设计全靠设计者的经验，由人事先确定，还没有一种系统的方法来确定网络结构，采用遗传算法可用来优化神经网络结构。神经网络学习规则的进化。采用遗传算法可使神经网络的学习过程能够适应不同问题和环境的要

5、求。基于遗传算法的模糊推理规则的优化，以及隶属度函数的自适应调整也都取得很好效果。传统计算机要求有准确的输入条件，才能给出精确解。神经网络只要求部分条件，甚至对于包含有部分错误的输入，也能得出较好的解答，具有容错性。神经网络在处理自然语言理解、图象模式识别、景物理解、不完整信息的处理、智能机器人控制等方面有优势。符号主义和联接主义两者各有特色，学术界目前有一种看法：认为基于符号主义得传统人工智能和基于联接主义得神经网络是分别描述人脑左、右半脑的功能，反映了人类智能的两重性：精确处理和非精确处理，分别面向认识的理性和感性两个方面，两者的关系应该是互补而非互相代替。理想的智能系统及其表现的智能行为

6、应是两者相互结合的结果。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 7 页 - - - - - - - - - 接下去的问题是，符号AI 和联接 AI 具体如何结合，两者在智能系统中相互关系如何？分别扮演什么角色？目前这方面发表的文献很多，大致有如下几种类型：1 松耦合模型： 符号机制的专家系统与联接机制的神经网络通过一个中间媒介（例如数据文件）进行通讯。2紧耦合模型：与松耦合模型相比较，其通讯不是通过外部数据进行，而是直接通过内部数据完成，具有较高的效率。其主要类型

7、有嵌入式系统和黑板结构等。3转换模型：将专家系统的知识转换成神经网络，或把神经网络转换成专家系统的知识，转换前的系统称为源系统，转换后的系统称为目标系统，由一种机制转成另一种机制。如果源系统是专家系统，目标系统是神经网络，则可获得学习能力及自适应性；反之，可获得单步推理能力、解释能力及知识的显式表示。当然，转换需要在两种的机制之间，确定结构上的一致性，目前主要问题是还没有一种完备而精确的转换方法实现两者的转换。有待进一步研究。4综合模型：综合模型共享数据结构和知识表示，这时联接机制和符号机制不再分开，两者相互结合成为一个整体，既具有符号机制的逻辑功能，又有联接机制的自适应和容错性的优点和特点。

8、例如联接主义的专家系统等。近年来神经网络研究的另一个趋势，是将它与模糊逻辑、混沌理论、遗传进化算法等相结合，即所谓 “ 混合神经网络 ” 方法。由于这些理论和算法都是属于仿效生物体信息处理的方法，人们希望通过她们之间的相互结合，能够获得具有有柔性信息处理功能的系统。下面分别介绍。二混沌理论与智能信息处理混沌理论是对貌似无序而实际有序，表面上看来是杂乱无章的现象中，找出其规律，并予以处理的一门学科。早在七十年代，美国和欧洲的一些物理学家、生物学家、数学家就致力于寻求在许许多多不同种类的不规则性之间的联系。生物学家发现在人类的心脏中有混沌现象存在，血管在显微镜下交叉缠绕，其中也有惊人的有序性。在生

9、物脑神经系统中从微观的神经膜电位到宏观的脑电波，都可以观察到混沌的性态，证明混沌也是神经系统的正常特性。九十年代开始，则更进一步将混沌和神经网络结合起来，提出多种混沌神经网络模型，并探索应用混沌理论的各种信息处理方法。例如，在神经元模型中，引入神经膜的不应性，研究神经元模型名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 7 页 - - - - - - - - - 的混沌响应，研究在神经网络的方程中，不应性项的定标参数，不定性时间衰减常数等参数的性质，以及这些参数于神经网络

10、混沌响应的关系，并确定混沌 -神经网络模型具有混沌解的参数空间。经过试验，由这种混沌神经网络模型所绘出的输出图形和脑电图极为相似。现代脑科学把人脑的工作过程看成为复杂的多层次的混沌动力学系统。脑功能的物理基础是混沌性质的过程，脑的工作包含有混沌的性质。通过混沌动力学，研究、分析脑模型的信息处理能力，可进一步探索动态联想记忆、动态学习并应用到模式识别等工程领域。例如：对混沌的随机不规则现象，可利用混沌理论进行非线性预测和决策。对被噪声所掩盖的微弱信号，如果噪声是一种混沌现象，则可通过非线性辨识，有效进行滤波。利用混沌现象对初始值的敏锐依赖性，构成模式识别系统。研究基于混沌 -神经网络自适应存储检

11、索算法。该算法主要包括三个步骤，即：特征提取、自适应学习和检索。模式特征提取采用从简单的吸引子到混沌的层次分支结构来描述，这种分支结构有可能通过少数几个系统参数的变化来加以控制，使复杂问题简单化。 自适应学习采用神经网络的误差反传学习法。检索过程是通过一个具有稳定吸引子的动力学系统来完成，即利用输入的初始条件与某个吸引子（输出）之间的存在直接对应关系的方法进行检索。利用这种方法可应用于模式识别。例如黑白图象的人脸识别。三模糊集理论与模糊工程八十年代以来在模糊集理论和应用方面，也有很大进展。1983 年美国西海岸AI 研究所发表了称为 REVEAL 的模糊辅助决策系统并投入市场，1986 年美国

12、将模糊逻辑导入OPS-5，并研究成功模糊专家系统外壳FLOPS，1987 年英国发表采用模糊PROLOG 的智能系统 FRIL 等。除此通用工具的研制以外，各国还开发一系列用于专用目的的智能信息处理系统并实际应用于智能控制、模式识别、医疗诊断、故障检测等方面。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 7 页 - - - - - - - - - 模糊集理论和神经网络虽然都属于仿效生物体信息处理机制以获得柔性信息处理功能的理论，但两者所用的研究方法却大不相同，神经网络着

13、眼于脑的微观网络结构，通过学习、自组织化和非线性动力学理论形成的并行分析方法，可处理无法语言化的模式信息。而模糊集理论则着眼于可用语言和概念作为代表的脑的宏观功能，按照人为引入的隶属度函数， 逻辑的处理包含有模糊性的语言信息。神经网络和模糊集理论目标相近而方法各异。因此如果两者相互结合，必能达到取长补短的作用。将模糊和神经网络相结合的研究，约在15 年前便已在神经网络领域开始，为了描述神经细胞模型，开始采用模糊语言，把模糊集合及其运算用于神经元模型和描述神经网络系统。目前，有关模糊-神经网络模型的研究大体上可分为两类：一类是以神经网络为主，结合模糊集理论。例如，将神经网络参数模糊化， 采用模糊

14、集合进行模糊运算。另一类以模糊集、 模糊逻辑为主， 结合神经网络方法，利用神经网络的自组织特性，达到柔性信息处理的目的。与神经网络相比，模糊集理论和模糊计算是更接近实用化的理论，特别近年来美国和日本的各大公司都纷纷推出各种模糊芯片，研制了型号繁多的模糊推理板，并实际应用于智能控制等各个应用领域，建立 “ 模糊工程 ” 这样一个新领域。日本更首先在模糊家电方面打开市场，带有模糊控制，甚至标以神经 -模糊智能控制的洗衣机、电冰箱、空调器、摄象机等已成为新一代家电的时髦产品。我国目前市场上也有许多洗衣机，例如荣事达洗衣机就是采用模糊神经网络智能控制方式的洗衣机。四遗传算法遗传算法（ Genetic

15、Algorithm ：GA）是模拟生物的进化现象（自然、淘汰、交叉、突然变异）的一种概率搜索和最优化方法。是模拟自然淘汰和遗传现象的工程模型。GA 的历史可追溯到1960 年，明确提出遗传算法的是1975 年美国 Michigan 大学的 Holland 博士，他根据生物进化过程的适应现象，提出如下的GA 模型方案：1将多个生物的染色体（Chromosmoe）组成的符号集合，按文字进行编码，称为个体。2 定义评价函数， 表示个体对外部环境的适应性。其数值大的个体表示对外部环境的适应性高，它的生存（子孙的延续）的概率也高。3每个个体由多个 “ 部分” 组合而成，每个部分随机进行交叉及突然变异等变

16、化，并由此产生子孙（遗传现象）。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 7 页 - - - - - - - - - 4个体的集合通过遗传，由选择淘汰产生下一代。遗传算法提出之后，很快得到人工智能、计算机、生物学等领域科学家的高度重视，并在各方面广泛应用。1989 年美国 Goldberg 博士发表一本专著： “Genetic Algorithms in Search， Optimization andMachine Learning”。出版后产生较大影响，该书对G

17、A 的数学基础理论， GA 的基本定理、数理分析以及在搜索法、最优化、机器学习等GA 应用方面进行了深入浅出的介绍，并附有Pascal模拟程序。1985 年 7 月在美国召开第一届“ 遗传算法国际会议 ” （ICGA）。以后每隔两年召开一次。 近年来，遗传算法发展很快，并广泛应用于信息技术的各个领域，例如：智能控制：机器人控制。机器人路径规划。工程设计：微电子芯片的布局、布线；通信网络设计、滤波器设计、喷气发动机设计。图象处理：图象恢复、图象识别、特征抽取。调度规划：生产规划、调度问题、并行机任务分配。优化理论： TSP问题、背包问题、图划分问题。人工生命：生命的遗传进化以及自增殖、自适应；免

18、疫系统、生态系统等方面的研究。神经网络、模糊集理论和以遗传算法为代表的进化算法都是仿效生物信息处理模式以获得智能信息处理功能的理论。三者目标相近而方法各异；将它们相互结合，必能达到取长补短、各显优势的效果。例如，遗传算法与神经网络和模糊计算相结合方面就有：神经网络连续权的进化。传统神经网络如BP 网络是通过学习，并按一定规则来改变数值分布。这种方法有训练时间过长和容易陷入局部优化的问题。采用遗传算法优化神经网络可以克服这个缺点。神经网络结构的进化。目前神经网络结构的设计全靠设计者的经验，由人事先确定，还没有一种系统的方法来确定网络结构，采用遗传算法可用来优化神经网络结构。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 7 页 - - - - - - - - - 神经网络学习规则的进化。采用遗传算法可使神经网络的学习过程能够适应不同问题和环境的要求。基于遗传算法的模糊推理规则的优化，以及隶属度函数的自适应调整也都取得很好效果。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 7 页 - - - - - - - - -