第四部分计算智能1教学课件教学讲义

《第四部分计算智能1教学课件教学讲义》由会员分享，可在线阅读，更多相关《第四部分计算智能1教学课件教学讲义（38页珍藏版）》请在金锄头文库上搜索。

1、第四章 计算智能(1),神经计算 模糊计算,2,4.1概述,信息科学与生命科学的相互交叉、相互渗透和相互促进是现代科学技术发展的一个显著特点。 计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研究和发展正反映了当代科学技术多学科交叉与集成的重要发展趋势。,3,什么是计算智能,把神经网络（NN）归类于人工智能（AI）可能不大合适，而归类于计算智能（CI）更能说明问题实质。进化计算、人工生命和模糊逻辑系统的某些课题，也都归类于计算智能 计算智能取决于制造者（manufacturers）提供的数值数据，不依赖于知识；另一方面，人工智能应用知识精品（knowledge tidbits）。

2、人工神经网络应当称为计算神经网络。,4.1 概述,4,计算智能与人工智能的区别和关系,输入,人类知识 ()传感输入,知识 ()传感数据,计算 ()传感器,C数值的,A符号的,B生物的,输入,复杂性,复杂性,BNN,BPR,BI,ANN,APR,AI,CNN,CPR,CI,4.1 概述,6,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。 当一个智能计算系统以非数值方式加上知识（精品）值，即成为人工智能系统。,4.1 概述,7,1960

3、年威德罗和霍夫率先把神经网络用于自动控制研究。 60年代末期至80年代中期，神经网络控制与整个神经网络研究一样，处于低潮。 80年代后期以来，随着人工神经网络研究的复苏和发展，对神经网络控制的研究也十分活跃。这方面的研究进展主要在神经网络自适应控制和模糊神经网络控制及其在机器人控制中的应用上。,4.2 神经计算4.2.1 人工神经网络研究的进展,8,人工神经网络的特性,并行分布处理 非线性映射 通过训练进行学习 适应与集成 硬件实现,4.2 神经计算,9,4.2.2 人工神经网络的结构,4.2 神经计算,图4.2 神经元模型,10,图4.2中的神经元单元由多个输入xi，i=1,2,.,n和一个

4、输出y组成。中间状态由输入信号的权和表示，而输出为 （4.1） 式中，j为神经元单元的偏置，wji为连接权系数。 n为输入信号数目，yj为神经元输出，t为时间，f( )为输出变换函数，如图4.3。,4.2 神经计算,11,图4.3 神经元中的某些变换（激发）函数,(a) 二值函数(b) S形函数 (c) 双曲正切函数,4.2 神经计算,12,人工神经网络的基本特性和结构,人工神经网络是具有下列特性的有向图 对于每个节点 i 存在一个输出状态变量xi 从节点 j 至节点 i ，存在一个连接权系统数wij； 对于每个节点 i ，存在一个阈值 i； 对于每个节点 i ，定义一个变换函数fi ；对于最

5、一般的情况，此函数取 形式。,4.2 神经计算,13,递归（反馈）网络:在递归网络中，多个神经元互连以组织一个互连神经网络，如图4.4。 有些神经元的输出被反馈至同层或前层神经元,4.2 神经计算,14,前馈网络:前馈网络具有递阶分层结构，由同层神经元间不存在互连的层级组成，如图4.5。 按照层次实现单向链接流通。,4.2 神经计算,15,人工神经网络的主要学习算法,指导式（有师）学习算法：能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。 非指导式（无师）学习算法：不需要知道期望输出，输入数据自动地适应连接权，以便按相似特征把输入模式分组聚集。 强化学习算法

6、：采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）。强化学习算法的一个例子是遗传算法（GA）。,4.2 神经计算,16,人工神经网络的典型模型,4.2 神经计算,17,续前表：,4.2 神经计算,18,4.2.4 基于神经网络的知识表示与推理,基于神经网络的知识表示 在这里，知识并不像在产生式系统中那样独立地表示为每一条规则，而是将某一问题的若干知识在同一网络中表示。例如，在有些神经网络系统中，知识是用神经网络所对应的有向权图的邻接矩阵及阈值向量表示的。,4.2 神经计算,19,基于神经网络的知识表示,传统人工智能系统中所用的方法是知识的显式表示，而神经网络中的知识表示

7、是一种隐式的表示方法。在这里，知识并不像在产生式系统中那样独立地表示为每一条规则，而是将某一问题的若干知识在同一网络中表示。,20,例：图4.6所示的异或逻辑的神经网络,21,邻接矩阵,22,如果用产生式规则描述，则该网络代表下述四条规则： IF x1=0 AND x2=0 THEN y=0 IF x1=0 AND x2=1 THEN y=1 IF x1=1 AND x2=0 THEN y=1 IF x1=1 AND x2=1 THEN y=0,23,基于神经网络的推理,基于神经网络的推理是通过网络计算实现的。把用户提供的初始证据用作网络的输入，通过网络计算最终得到输出结果。 一般来说，正向网

8、络推理的步骤如下： 把已知数据输入网络输入层的各个节点。 利用特性函数分别计算网络中各层的输出。 用阈值函数对输出层的输出进行判定，从而得到输出结果。,4.2 神经计算,24,正向神经网络推理的特征,同层神经元式完全并行的，层间的信息传递式串行。 计算的数据结果是确定的，不会出现推理冲突。 采用输入模式的学习训练的模式是自适应推理。 每个神经元的计算可以分为已知输入加权和与未知输入加权和，如果前者大于后者，则未知输入的输入不影响结果判断，从而在信息不完全时，照样可以进行推理,25,定义4.1 模糊集合(Fuzzy Sets),论域U到0,1区间的任一映射 ， 即 ，都确定U的一个模糊子集F；

9、称为F的隶属函数或隶属度。在论域U中，可把模糊子集表示为元素u与其隶属函数 的序偶集合，记为： (4.7),4.3 模糊计算4.3.1 模糊集合、模糊逻辑及其运算,26,若模糊集是论域U中所有满足 的元素u构成的集合，则称该集合为模糊集F的支集。 当u满足 ，称为交叉点。 当模糊支集为U中一个单独点，且u满足 则称模糊集为模糊单点。,定义4.2 模糊支集、交叉点及模糊单点,4.3 模糊计算,27,设A和B为论域U中的两个模糊集，其隶属函数分别为 和 ，则对于所有 ，存在下列运算： A与B的并（逻辑或）记为 ，其隶属函数定义为： (4.10) A与B的交（逻辑与）记为 ，其隶属函数定义为： (4

10、.11) A的补（逻辑非）记为 ，其传递函数定义为： (4.12),定义4.3 模糊集的运算,4.3 模糊计算,28,定义4.4 直积（笛卡儿乘积，代数积）,若 分别为论域 中的模糊集合，则这些集合的直积是乘积空间 中一个模糊集合，其隶属函数为： (4.13),定义4.5 模糊关系,若U，V是两个非空模糊集合，则其直积UV中的模糊子集R称为从U到V的模糊关系，表示为： (4.14),4.3 模糊计算,29,定义4.6 复合关系,若R和S分别为UV和VW中的模糊关系，则R和S的复合是一个从U到W的模糊关系，记为： (4.15),其隶属函数为： (4.16),式(4.9)中的 * 号可为三角范式内

11、的任意一种算子，包括模糊交、代数积、有界积和直积等。,4.3 模糊计算,30,定义4.7 正态模糊集、凸模糊集和模糊数,以实数R为论域的模糊集F，若其隶属函数满足 则F为正态模糊集；若对于任意实数x，axb，有 则F为凸模糊集；若F既是正态的又是凸的，则称F为模糊数。,定义4.8 语言变量,一个语言变量可定义为多元组 。其中，x为变量名； 为x的词集，即语言值名称的集合；U为论域；G是产生语言值名称的语法规则；M是与各语言值含义有关的语法规则。,4.3 模糊计算,31,4.1.2 模糊逻辑推理,模糊逻辑推理是建立在模糊逻辑基础上的不确定性推理方法，是在二值逻辑三段论基础上发展起来的。这种推理方

12、法以模糊判断为前提，动用模糊语言规则，推导出一个近似的模糊判断结论。已经提出了Zadeh法，Baldwin法、Tsukamoto法、Yager法和Mizumoto法等方法 广义取式假言推理法(GMP)推理规则可表示为： 前提1：x为A 前提2：若x为A，则y为B 结 论：y为B,4.3 模糊计算,32,广义拒式假言推理法(GMT, Generalized Modus Tollens) 的推理规则可表示为： 前提1：y为B 前提2：若x为A，则y为B 结 论：x为A 自从Zadeh引入复合推理规则以来，有数十种模糊变量的隐含函数，其基本上可分为三类，即模糊合取、模糊析取和模糊蕴涵。,4.3 模糊

13、计算,33,4.1.3 模糊判决方法,通过模糊推理得到的结果是一个模糊集合或隶属函数 在推理得到的模糊集合中取一个相对最能代表这个模糊集合的单值的过程就称作解模糊或模糊判决（Defuzzification）。模糊判决可以采用不同的方法：重心法、最大隶属度方法、加权平均法、隶属度限幅元素平均法。 下面介绍各种模糊判决方法，并以“水温适中”为例，说明不同方法的计算过程。这里假设“水温适中”的隶属函数为： = X: 0.0/0 + 0.0/10 + 0.33/20 + 0.67/30 + 1.0/40 + 1.0/50+ 0.75/60 + 0.5/70 + 0.25/80 + 0.0/90 + 0

14、.0/100 ,4.3 模糊计算,34,重心法就是取模糊隶属函数曲线与横坐标轴围成面积的重心作为代表点。理论上应该计算输出范围内一系列连续点的重心，即 (4.35) 但实际上是计算输出范围内整个采样点的重心，用足够小的取样间隔来提供所需要的精度，即：,=48.2,4.3 模糊计算,1. 重心法,35,这种方法最简单，只要在推理结论的模糊集合中取隶属度最大的那个元素作为输出量即可。要求这种情况下其隶属函数曲线一定是正规凸模糊集合（即其曲线只能是单峰曲线）。,例如，对于“水温适中”，按最大隶属度原则，有两个元素40和50具有最大隶属度1.0，那就对所有取最大隶属度的元素40和50求平均值，执行量应

15、取：,4.3 模糊计算,2. 最大隶属度法,36,3. 系数加权平均法,系数加权平均法的输出执行量由下式决定： (4.36) 式中，系数的选择要根据实际情况而定，不同的系统就决定系统有不同的响应特性。,4.3 模糊计算,37,用所确定的隶属度值对隶属度函数曲线进行切割，再对切割后等于该隶属度的所有元素进行平均，用这个平均值作为输出执行量，这种方法就称为隶属度限幅元素平均法。,例如，当取为最大隶属度值时，表示“完全隶属”关系，这时1.0。在“水温适中”的情况下，40和50的隶属度是1.0，求其平均值得到输出代表量：,4.3 模糊计算,4. 隶属度限幅元素平均法,38,4.4 小结,计算智能 神经计算 模糊计算 进化计算 人工生命 神经计算：人工神经网络 模糊计算：模糊逻辑,