人工智能总结解读.docx
《人工智能总结解读.docx》由会员分享,可在线阅读,更多相关《人工智能总结解读.docx(32页珍藏版)》请在冰点文库上搜索。
人工智能总结解读
第二章基于规则的专家系统
2.1知识
关于对象在理论和实践方面的理解,是目前所知知识的总结
2.2规则
2.3结构
2.4基本特征
2.5推理技术
向前链接:
是收集信息然后利用信息进行推理的技术
Rule1:
Y&D------>Z
Rule2:
X&B&E------>Y
Rule3:
A------>X
Rule4:
C------>L
Rule5:
L&M------>N
向后链接:
目标的驱动推理
2.6参与者
2.7冲突的解决方案
(1)达到目标就停止规则
(2)优先级
(3)最长匹配规则
(4)最近录入数据库规则
2.8优缺点
优点:
(1)自然的知识表达方法
(2)统一的结构
(3)知识与其处理能力相分离
(4)可以处理不完整或者不确定的知识
缺点:
(1)规则间的关系不透明
(2)搜索策略效率低
(3)不能自学习
第3章基于规则的专家系统的不确定管理
3.1不确定
不确定性:
就是缺乏可以使我们的出完全可靠结论的精确知识
来源:
脆弱的暗示、不精确的语言、数据的缺失、综合不同专家的意见
3.2贝叶斯规则
使用贝叶斯方法,必须满足证据有条件的独立,可靠的数据统计,每个假设的先验概率。
用于矿产勘探的专家系统PROSPECTOR是第一个成功运用证据的贝叶斯规则
3.3确定因子:
贝叶斯方法最常见的代替方法
3.4比较
概率论是处理不精确知识和随机数据的最早和最好的技术
贝叶斯主要用于天气预报和计划
确定因子用在诊断领域
共同:
要求找能够量化的主观的和定性的信息的专家
第四章模糊专家系统
4.1概述
4.2模糊集
4.3语言描述
4.5推理
(1)步骤:
a、输入变量模糊化b、评估规则c、聚合规则的输出d、规则的输出及逆模糊化
(2)两种技术
Mamdani:
用模糊规则获取专家知识,但计算量很大
Sugeno:
改善了计算效率,优化及自适应技术协同作用,在动态非线性系统中适用
第五章基于框架的专家系统
5.1简介
框架:
带有关于某个对象和概念的典型知识的数据结构,用来在基于框架的专家系统中获取和表达知识。
用途:
主要用于和产生式规则的链接
5.2
5.3继承
单父类继承和多重继承
5.4方法和守护程序
框架见的交互是通过方法和守护程序实现的。
方法是和框架属性相关的过程,在需要的时候执行。
大多数基于框架的专家系统使用两种方法:
WHENCHANGED和WHENNEEDED。
WHENCHANGED方法在有新的信息加入槽中使用,WHENNEEDED在解决问题需要该信息,但没有指定槽值的时候使用。
第六章人工神经网络
6.1人脑工作
(1)机器学习:
使用计算机的经验、实例、和类比自己来学习的自适应机制。
随着时间的推移,学习能力可以提高智能系统的性能。
机器学习最常见的方法就是人工智能。
(2)生物神经网络
(3)人工神经网络:
由一些非常简单并高度互联的处理器(成为神经元)组成,这个人类大脑中的生物神经元类似。
神经元之间由一个神经元传送信号到另一个神经元的有权重的链接连接,每个链接有与之相关的数值权重。
权重是ANN中长期记忆的最基本概念,它用来表达神经元输入的强度和重要性。
神经网络通过不断的调整权重来学习。
6.2简单计算
6.3感知器
感知器通过对权重的微调来减少时间输出和期望输出的差别从而进行学习,初始权重是随机指定的,然后通过调整权重,得到和训练实例一致的输出。
感知器仅仅能够学习线性分割函数,不能学习局部实例的基础上进行全局推广
6.4多层神经网络
多层感知器是一个前馈神经网络,含有来源神经元的输入层、至少一个计算神经元的中间层或者隐含层、一个神经元输出层。
输入层从外界接受输入信号,并将信号重新分配给中间层的所有神经元。
隐含层检查特征,隐含层神经元的权重表示输入模式的特征。
输出层建立整个网络的输出模式。
算法:
向后传送法
6.5加速学习
向后传送法计算量过大,导致训练速度缓慢。
以下方向用来提高效率:
(1)用双曲正切函数代替S型激活函数
(2)多层网
(3)要素使用
(4)自适应学习
6.6Hopfield神经网络(具有反馈的循环网络)
Hopfield训练算法有两个阶段:
存储和检索。
在第一个阶段,网络需要存储一系列由所有神经元的当前输出的状态(或称作基本记忆),这是通过计算网路权重矩阵来实现的。
权重一旦被计算出,就会保持不变。
第二阶段,未知的含糊或者不完整的基本记忆会被输入到网络中,然后计算机网络输出并进行反馈以调整输入。
这个过程会一直重复道输出为一个常数为止。
6.7BAM(双向相关记忆)
Hopfield网络表示的是一种自相关的记忆。
它可以检索含糊或者不完整的记忆,但是不能将一个记忆和其他记忆联系起来。
BAM是一种异质相关网络,它将一个集合的模式和另一个集合的模式关联起来。
基本思想:
存储模式对。
当输入为集合A中的n维向量x时,BAM便会回忆起来集合B中的m维向量y;当输入为y时,BAM会回忆起输出向量x
6.8自组织网络
Hebb法则:
如果神经元i和神经元j之间足够近,i可以刺激j并且重复的参加j的活动,则这两个神经元之间的突触连接就会加强,并且神经元j对来自神经元i的刺激也更加的敏感。
竞争学习:
神经元通过相互竞争来激活,输出的神经元是输出的胜出者,也叫作胜者通吃。
Kohonen网络:
由单层的计算神经元组成,但存在两种不同类型的链接,即输入层神经元到输出层神经元的向前链接,以及输出层神经元之间的相互链接。
之中后者用于创建神经元之间的相互竞争。
神经元通过从非激活状态的变化来改变权重进行学习。
仅有胜出的神经元及其相邻的点允许学习。
如果神经元对给定的输入模式没有响应,那么这个神经元就不会进行学习。
第7章进化计算
7.1进化计算:
人工智能进化方法的基础是自然选择和遗传的计算模型。
包含:
遗传算法、进化计算、遗传编程
方法:
创建个体的种群、计算适应性、用遗传操作产生新的种群、重复该过程一定的次数。
7.2遗传算法:
基于生物进化机制的随机搜索算法
遗传算法使用自然选择和交叉、突变等技术,每个染色体由几个基因组成,每个基因用0或者1来表示。
遗传算法使用单个染色体适应性值来实现繁殖。
进行繁殖时,交叉操作交换两个单独染色体的一部分,突变操作随机选择的染色体上某个基因的值。
在几次成功繁殖后,适应性低的染色体就会灭绝,而适应性高的染色体就会在各代中占主导地位。
最常用的染色体选择技术是轮盘选择
工作原理:
发现好的计划,即候选方案中好的组件并将其重组。
不需要知道问题领域的任何知识,但需要适应性函数评估解决方案的适应性。
问题:
解决问题涉及定义限制和最优标准、将问题解决方案编码为染色体、定义适用性函数来评估染色体的性能,创建合适的交叉和突变操作。
用编码位串来表示可能会改变问题的本质。
也就是说,将问题变得和我们所需要解决的问题完全不同。
7.3计划策略:
用于解决技术优化问题
用途:
在没有分析对象函数,传统的优化方法不存在,工程师必须依赖于他们的直觉是,进化策略能用于优化问题。
进化策略是纯粹的数值优化方法,它和蒙特卡洛搜索方法类似,仅适用于突变操作中
7.4遗传编程
遗传编程通过自然选择的方法来使计算机程序进化,实际上是遗传算法的扩展,遗传编程不再是用位串来表示问题,而是用编写解决问题的代码。
也就是说,遗传编程创建作为解决方案的计算机程序,而遗传算法创建了表示解决方案的
预备步骤:
(1)确定终端函数及
(2)选择基本函数集
(3)定义适应性函数
(4)确定控制运行的参数
(5)选择指定运行结果的方法
优点:
遗传编程和遗传算法使用相同的进化方法,但是遗传编程不再使用位串表示编码方法,而是用完整的计算机程序来解决具体问题。
遗传算法最基本的困难在于问题的表达,也就是固定长度的编码,表达效果不佳限制了遗传算法的能力,甚至导致错误的结论。
遗传编程使用
第8章混合智能系统
8.1概述
软计算:
能够在不确定和不精确环境中进行推理和学习的混合智能系统。
概率推理、模糊集理论、神经网络和进化计算构成了软计算的核心。
各个组件都有自己的优点和缺点。
概率推理主要处理不确定性,模糊逻辑主要处理不精确性,神经网络主要用来学习,进化计算主要用来优化。
8.2神经专家系统
专家系统和神经网络都试图模拟人类的智能,但是使用方法不同。
专家系统依赖IF-THEN规则和逻辑推理,而神经网络则使用并行的数据处理。
专家系统不能学习,但能够解释其推理过程,神经网络可以学习,但其行为像黑盒子。
他们构成混合专家系统,成为神经或者连接专家系统。
神经专家系统用经过训练的神经网络取代知识库,和传统的基于规则的专家系统不同,神经专家系统可以处理模糊和不完整的数据。
领域知识可以用于神经知识库的最初结构中。
训练后,神经知识库就可以表达成IF-THEN产生式规则集。
8.3神经模糊系统
神经网路是低级的计算结构,处理原始数据时性能良好,模糊逻辑使用从领域专家那里获取的语言信息进行高级推理。
但是模糊系统没有学习能力且不能在新的环境中调整自己。
神经网络可以学习,但是它们对用户而言是不透明的。
继承的神经模糊系统可以将神经网络的并行计算和学习能力和模糊系统的类似人类的知识表达方式和解释能力结合起来。
8.3ANFIS:
自适应性神经模糊推理系统
Sugeno模糊模型
一种用来在给定的输入输出数据集中产生模糊规则的系统方法,
ANFIS:
对应于一阶的Sugeno模糊模型。
用6层神经网络表示:
输入层、模糊化层、模糊规则层、归一化层、逆模糊化层、总结层
如何学习:
使用了混合了最小二乘法和梯度下降法的学习算法。
在前向传输中会出现输入模式的训练集,神经元的输出会一层一层的计算,其规则后向参数用最小二乘法表示。
在后向传送中,误差信号向后传送,规则前向参数根据链规则更新。
8.5进化神经网络
8.6模糊进化系统
第9章知识工程和数据挖据
9.1简介
知识工程是构建智能的基于知识的系统的过程
步骤:
(1)评估问题
(2)获取数据和知识
(3)开发原型系统
(4)开始完整的系统
(5)评估并修订系统
(6)整合和维护系统
9.2专家系统
诊断专家系统:
电脑故障
分类专家系统:
帆船分类
9.3模糊专家系统
模糊逻辑主要针对不明确的事件本身,适合模拟人类的决策制定过程。
重要的决策通常基于人们的直觉、常识和经验,而不是基于数据的可用性和精确性。
模糊技术提供了一种处理软标准和模糊数据的方法。
决策支持模糊系统:
银行评估抵押申请
9.4神经网络
神经网络在预测、分类、聚类问题中得到了成功的应用。
使用神经网络的领域有语音和字符识别、医学诊断、过程控制、和机器人技术、识别雷达目标、预测汇率以及检测欺诈交易。
特征识别神经网络:
字符识别系统
预测神经网络:
房地产评估
具有竞争学习的分类神经网络:
9.5遗传算法
主要用于优化问题
9.6数据挖掘和知识发现
工具:
决策树
基尼系数是评价预测器分割秦代节点中所包含的类的好坏的一种度量方法
读书的好处
1、行万里路,读万卷书。
2、书山有路勤为径,学海无涯苦作舟。
3、读书破万卷,下笔如有神。
4、我所学到的任何有价值的知识都是由自学中得来的。
——达尔文
5、少壮不努力,老大徒悲伤。
6、黑发不知勤学早,白首方悔读书迟。
——颜真卿
7、宝剑锋从磨砺出,梅花香自苦寒来。
8、读书要三到:
心到、眼到、口到
9、玉不琢、不成器,人不学、不知义。
10、一日无书,百事荒废。
——陈寿
11、书是人类进步的阶梯。
12、一日不读口生,一日不写手生。
13、我扑在书上,就像饥饿的人扑在面包上。
——高尔基
14、书到用时方恨少、事非经过不知难。
——陆游
15、读一本好书,就如同和一个高尚的人在交谈——歌德
16、读一切好书,就是和许多高尚的人谈话。
——笛卡儿
17、学习永远不晚。
——高尔基
18、少而好学,如日出之阳;壮而好学,如日中之光;志而好学,如炳烛之光。
——刘向
19、学而不思则惘,思而不学则殆。
——孔子
20、读书给人以快乐、给人以光彩、给人以才干。
——培根