计算智能概论.docx

计算智能概论.docx

《计算智能概论.docx》由会员分享，可在线阅读，更多相关《计算智能概论.docx（8页珍藏版）》请在冰点文库上搜索。

计算智能概论

计算智能概论课程论文

河南工业大学管理学院

班级：

物流0901班

姓名：

张延

学号：

200946900114

时间：

2011-4-19

神经网络的应用

神经网络最早的研究20世纪40年代心理学家Mcculloch和数学家Pitts合作提出的，他们提出的MP模型拉开了神经网络研究的序幕。

神经网络的发展大致经过三个阶段：

1947~1969年为初期，在这期间科学家们提出了许多神经元模型和学习规则，如MP模型、HEBB学习规则和感知器等；1970~1986年为过渡期，这个期间神经网络研究经过了一个低潮，继续发展。

在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。

1984年，Hiton教授提出Boltzman机模型。

1986年Kumelhart等人提出误差反向传播神经网络，简称BP网络。

目前，BP网络已成为广泛使用的网络；1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个高潮。

神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下：

（1）图像处理。

对图像进行边缘监测、图像分割、图像压缩和图像恢复。

（2）信号处理。

能分别对通讯、语音、心电和脑电信号进行处理分类；可用于海底声纳信号的检测与分类，在反潜、扫雷等方面得到应用。

　　（3）模式识别。

已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器的图像识别以及地震信号的鉴别等。

　　（4）机器人控制。

对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及排除、智能自适应移动机器人的导航。

　　（5）卫生保健、医疗。

比如通过训练自主组合的多层感知器可以区分正常心跳和非正常心跳、基于BP网络的波形分类和特征提取在计算机临床诊断中的应用。

　　（6）焊接领域。

国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。

　　（7）经济。

能对商品价格、股票价格和企业的可信度等进行短期预测。

　　（8）另外，在数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面亦有应用。

神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。

（1）神经计算的基础理论框架以及生理层面的研究仍需深入。

这方面的工作虽然很困难，但为了神经计算的进一步发展却是非做不可的。

（2）除了传统的多层感知机、径向基函数网络、自组织特征映射网络、自适应谐振理论网络、模糊神经网络、循环神经网络之外，一些新的模型和结构很值得关注，例如最近兴起的脉冲神经网络（spikingneuralnetwork）和支持向量机（supportvectormachine）。

　　（3）神经计算技术与其他技术尤其是进化计算技术的结合以及由此而来的混合方法和混合系统，正成为一大研究热点。

　　（4）增强神经网络的可理解性是神经网络界需要解决的一个重要问题。

这方面的工作在今后若干年中仍然会是神经计算和机器学习界的一个研究热点。

　　（5）神经网络的应用领域将不断扩大，在未来的几年中有望在一些领域取得更大的成功，特别是多媒体技术、医疗、金融、电力系统等领域。

指纹识别的内容

指纹是指手指末端正面皮肤上凸凹不平产生的纹路。

这些纹路的存在增加了皮肤表面的摩擦力，使得我们能够用手来抓起重物。

尽管指纹只是人体皮肤的一小部分，但是，它蕴涵大量的信息。

每个人包括指纹在内的皮肤纹路在图案、断点和交叉点上各不相同，呈现唯一性且终生不变。

据此，我们就可以把一个人同他的指纹对应起来，通过将他的指纹和预先保存的指纹数据进行比较，就可以验证它的真实身份，这就是指纹识别技术。

（一）识别指纹主要从两个方面展开：

总体特征和局部特征。

总体特征是指那些用人眼直接就可以观察到的特征。

包括纹形、模式区、核心点、三角点和纹数等。

局部特征是指指纹上节点的特征，这些具有某种特征的节点称为细节特征或特征点。

两枚指纹经常会具有相同的总体特征，但它们的细节特征，却不可能完全相同。

指纹纹路并不是连续的、平滑笔直的，而是经常出现中断、分叉或转折。

这些断点、分叉点和转折点就称为"特征点"，就是这些特征点提供了指纹唯一性的确认信息，其中最典型的是终结点和分叉点，其他还包括分歧点、孤立点、环点、短纹等。

（二）指纹识别技术可分为验证和辨识。

　　验证就是通过把一个现场采集到的指纹与一个已经登记的指纹进行一对一的比对来确定身份的过程。

指纹以一定的压缩格式存储，并与其姓名或其标识（ID，PIN）联系起来。

随后在对比现场，先验证其标识，然后利用系统的指纹与现场采集的指纹比对来证明其标识是合法的。

验证其实回答了这样一个问题：

"他是他自称的这个人吗？

"这是应用系统中使用得较多的方法。

　　辨识则是把现场采集到的指纹同指纹数据库中的指纹逐一对比，从中找出与现场指纹相匹配的指纹。

这也叫"一对多匹配"。

辨识其实是回答了这样一个问题：

"他是谁？

"

（三）指纹识别技术主要涉及四个功能：

读取指纹图象、提取特征、保存数据和比对。

在一开始，通过指纹读取设备读取到人体指纹的图象，取到指纹图象之后，要对原始图象进行初步的处理，使之更清晰。

接下来，指纹辨识软件建立指纹的数字表示——特征数据，一种单方向的转换，可以从指纹转换成特征数据但不能从特征数据转换成为指纹，而两枚不同的指纹不会产生相同的特征数据。

有的算法把节点和方向信息组合产生了更多的数据，这些方向信息表明了各个节点之间的关系，也有的算法还处理整幅指纹图象。

总之，这些数据，通常称为模板，保存为1K大小的记录。

无论它们是怎样组成的，至今仍然没有一种模板的标准，也没有一种公布的抽象算法，而是各个厂商自行其是。

最后，通过计算机模糊比较的方法，把两个指纹的模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果。

（四）指纹识别系统性能指标在很大程度上取决于所采用算法性能。

为了便于采用量化的方法表示其性能，引入了下列两个指标。

拒识率（falserejectionrate，FRR）：

是指将相同的指纹误认为是不同的，而加以拒绝的出错概率。

FRR=（拒识的指纹数目／考察的指纹总数目）×100%。

误识率（falseacceptrate，FAR）：

是指将不同的指纹误认为是相同的指纹，而加以接收的出错概率。

FAR=（错判的指纹数目／考察的指纹总数目）×100%。

对于一个已有的系统而言，通过设定不同的系统阈值，就可以看出这两个指标是互为相关的，FRR与FAR成反比关系。

这很容易理解，“把关”越严，误识的可能性就越低，但是拒识的可能性就越高。

目前，从实用的角度看，指纹识别技术是优于其他生物识别技术的身份鉴别方法。

这是因为指纹各不相同、终生基本不变的特点已经得到公认，近二三十年的警用指纹自动识别系统的研究和实践为保安指纹自动识别打下了良好的技术基础。

特别是现有的指纹自动识别系统已达到操作方便、准确可靠、价格适中的阶段，是实用化的生物测定方法。

遗传算法的发展历程

蚁群算法的内容

蚁群算法（ant colony optimization, ACO），又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术。

该算法是意大利学者Dorigo等人于1991年创立的，是继神经网络、遗传算法、免疫算法之后的又一种新兴的启发式搜索算法。

蚂蚁群体是一种社会性昆虫，它们有组织、有分工，还有通讯系统，它们相互协作，能完成从蚁穴到食物源寻找最短路径的复杂任务。

模拟蚂蚁群体智能的人工蚁群算法具有分布计算、信息正反馈和启发式搜索的特点，不仅在求解组合优化问题中得到广泛应用，而且也用于连续时间系统的优化。

在蚁群算法研究及实现中，并不是直接模拟现实蚁群，而是采用人工妈蚁。

人工蚁群与现实蚁群的区别主要包括:

（1）人工蚂蚁是有一定的记忆能力的，它可以记住己经走过的路径，以保证不会重复走相同的城市。

现实的蚁群是没有记忆的，蚂蚁间的信息交换主要依靠留在所经过路径上的信息素。

（2）人工蚂蚁不仅仅是依据信息素来确定要走的路径的，还依据一定的启发信息，比如相邻边的长度，这意味着人工蚂蚁具有一定的视觉能力，而真实蚂蚁几乎没有视觉。

（3）人工妈蚁是生活在一个离散的时间环境下的。

我们仅考虑人工蚂蚁位于某个城市，而不考虑蚂蚁在城市间的移动过程，即只考虑在某些离散时间点上的蚂蚁.而现实世界中的蚂蚁处于一个连续的时间维中。

蚂蚁系统的基本思想是:

（l）预先初始化各边信息素强度以及各蚂蚁的禁忌表。

各蚂蚁按照一定的概率规则，在禁忌表的制约下选择下一个要到达的结点，直到最终形成一条合法路径。

（2）计算各蚂蚁所产生的路径长度，路径长度是路径中各边长度之和。

（3）更新各边的信息素。

各边先进行信息素挥发操作，然后根据各蚂蚁产生的路径长度获取蚂蚁所释放的信息素。

（4）当所有蚂蚁均完成了信息素的更新操作之后，记录当前的最短路径，并且对禁忌表以及信息素的增加值△T（t，t+l）进行初始化，并转到步骤2。

依此循环下去，直到满足算法的终了条件为止，比如解无法得到进一步的改进或者达到了事先规定的循环次数。

目前蚁群算法主要用在组合优化方面，基本蚁群算法的思路是这样的：

1. 在初始状态下，一群蚂蚁外出，此时没有信息素，那么各自会随机的选择一条路径。

2. 在下一个状态，每只蚂蚁到达了不同的点，从初始点到这些点之间留下了信息素，蚂蚁继续走，已经到达目标的蚂蚁开始返回，与此同时，下一批蚂蚁出动，它们都会按照各条路径上信息素的多少选择路线（selection），更倾向于选择信息素多的路径走（当然也有随机性）。

一个蚂蚁就相当于脑中的一个细胞（神经元），蚂蚁之间的信息交流，就相当于大脑中各个细胞之间的联接。

那么人工智能界用人工神经网络的技术来模拟人的大脑中某些功能，我们不就也可以用某种数学的模型来模拟“群体智能”,用来说明蚂蚁筑巢的功能。

所不同点在于一个是用固定连接的神经网络来模拟，另一个是用离散随机连接的神经网络来模拟。

假设：

群体智能是指：

由众多简单的个体组成的群体，若具有能通过之间的简单合作来完成一个整体的任务的能力，则称该群体具有“群体智能”。

“简单个体”就是指单个个体只具有很简单的能力，这种能力我们将用某一简单功能函数来表示（就象神经元一样，用一种很简单的功能函数来表示）。

“简单合作”能力，就是指个体只能与其邻近的个体进行某种简单的通讯和协同动作，（如几个蚂蚁共同搬动一个物体）能力（这与前向神经网络中各神经元只与其前面一层中的神经元，可以通讯一样）。

或通过环境间接与其它个体通讯（如一蚂蚁将外激素留在环境中，而其它的蚂蚁可从留下的外激素中得到一些有用的信息）。

这样，我们就可以建立“群体智能”的数学模型。

模糊理论概述

模糊理论是指用到了模糊集合的基本概念或连续隶属度函数的理论。

它可分类为模糊数学，模糊系统，不确定性和信息，模糊决策这五个分支，它并不是完全独立的，它们之间有紧密的联系。

例如，模糊控制就会用到模糊数学和模糊逻辑中的概念。

从实际应用的观点来看，模糊理论的应用大部分集中在模糊系统上，尤其集中在模糊控制上。

也有一些模糊专家系统应用于医疗诊断和决策支持。

由于模糊理论从理论和实践的角度看仍然是新生事物，所以我们期望，随着模糊领域的成熟，将会出现更多可靠的实际应用。

模糊理论

概念是思维的基本形式之一，它反映了客观事物的本质特征。

人类在认识过程中，把感觉到的事物的共同特点抽象出来加以概括，这就形成了概念。

比如从白雪、白马、白纸等事物中抽象出“白”的概念。

一个概念有它的内涵和外延，内涵是指该概念所反映的事物本质属性的总和，也就是概念的内容。

外延是指一个概念所确指的对象的范围。

例如“人”这个概念的内涵是指能制造工具，并使用工具进行劳动的动物，外延是指古今中外一切的人。

　　所谓模糊概念是指这个概念的外延具有不确定性，或者说它的外延是不清晰的，是模糊的。

例如“青年”这个概念，它的内涵我们是清楚的，但是它的外延，即什么样的年龄阶段内的人是青年，恐怕就很难说情楚，因为在“年轻”和“不年轻”之间没有一个确定的边界，这就是一个模糊概念。

　　需要注意的几点：

首先，人们在认识模糊性时，是允许有主观性的，也就是说每个人对模糊事物的界限不完全一样，承认一定的主观性是认识模糊性的一个特点。

例如，我们让100个人说出“年轻人”的年龄范围，那么我们将得到100个不同的答案。

尽管如此，当我们用模糊统计的方法进行分析时，年轻人的年龄界限分布又具有一定的规律性；

　　其次，模糊性是精确性的对立面，但不能消极地理解模糊性代表的是落后的生产力，恰恰相反，我们在处理客观事物时，经常借助于模糊性。

例如，在一个有许多人的房间里，找一位“年老的高个子男人”，这是不难办到的。

这里所说的“年老”、“高个子”都是模糊概念，然而我们只要将这些模糊概念经过头脑的分析判断，很快就可以在人群中找到此人。

如果我们要求用计算机查询，那么就要把所有人的年龄，身高的具体数据输入计算机，然后我们才可以从人群中找这样的人。

最后，人们对模糊性的认识往往同随机性混淆起来，其实它们之间有着根本的区别。

随机性是其本身具有明确的含义，只是由于发生的条件不充分，而使得在条件与事件之间不能出现确定的因果关系，从而事件的出现与否表现出一种不确定性。

而事物的模糊性是指我们要处理的事物的概念本身就是模糊的，即一个对象是否符合这个概念难以确定，也就是由于概念外延模糊而带来的不确定性。

事实上,模糊理论应用最有效，最广泛的领域就是模糊控制,模糊控制在各种领域出人意料的解决了传统控制理论无法解决的或难以解决的问题,并取得了一些令人信服的成效。

模糊理论是以模糊集合（fuzzyset）为基础，其基本精神是接受模糊性现象存在的事实，而以处理概念模糊不确定的事物为其研究目标，并积极的将其严密的量化成计算机可以处理的讯息，不主张用繁杂的数学分析即模型来解决模型。