计算智能概论论文Word文档格式.docx
《计算智能概论论文Word文档格式.docx》由会员分享，可在线阅读，更多相关《计算智能概论论文Word文档格式.docx（15页珍藏版）》请在冰点文库上搜索。
河南工业大学
信息科学与工程学院
电子信息科学与技术
1502班相怡林
学号：
20151603020
一：
人工神经网络的发展历程和分类
1943年，心理学家W·
Mcculloch和数理逻辑学家W·
Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。
此模型沿用至今，并且直接影响着这一领域研究的进展。
因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·
诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。
1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。
但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。
虽然，冯·
诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
50年代末，F·
Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。
这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。
当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。
然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；
其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；
另外，在1968年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。
60年代末期，人工神经网络的研究进入了低潮。
另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。
后来，在此基础上发展了非线性多层自适应网络。
当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。
80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。
这一背景预示，向人工神经网络寻求出路的时机已经成熟。
美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。
人们重新认识到神经网络的威力以及付诸应用的现实性。
随即，一大批学者和研究人员围绕着Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。
第一代神经网络
感知器（~1960）
感知器（Perceptrons）使用一层手编（Hand-coded）特征，通过学习如何给这些特征加权来识别对象。
感知器的优点：
调整权值的学习算法很简洁。
感知器的缺点：
感知器一些先天的缺陷，导致它们可以学习的东西大大地受限。
Vapnik和他的同事们发明了大名鼎鼎的支持向量机（SVM），改进了感知器的一些缺陷（例如创建灵活的特征而不是手编的非适应的特征），并得到了广泛的应用。
但是归根到底，它还是一种感知器，所以无法避免感知器的先天限制。
第二代神经网络
BP（反向传播，Back-propagate）神经网络（~1985）
BP神经网络通常使用梯度法来修正权值。
BP并不是一种很实用的方法。
原因有三：
它需要被标记的训练数据，但是几乎所有的数据都是未标记的。
学习时间不易衡量，在多层网络中，速度非常慢。
它陷入局部极小点而不收敛的情况极大。
第三代神经网络
最近的神经科学研究表明，和人类的许多认知能力相关的大脑皮层，并不显式地预处理感知信号，而是让它们通过一个复杂的模块层次结构，久而久之，就可以根据观察结果呈现的规律来表达它们。
这一发现促进了深机器学习（DML,DeepMachineLearning）的发展。
DML关注的恰恰正是是信息表达的计算模型，和大脑皮层类似。
目前DML领域有两种主流的方法：
ConvolutionalNeuralNetworks
DeepBeliefNetworks。
二：
介绍生物特征识别内容
在当今信息化时代，如何准确鉴定一个人的身份、保护信息安全，已成为一个必须解决的关键社会问题。
传统的身份认证由于极易伪造和丢失，越来越难以满足社会的需求，目前最为便捷与安全的解决方案无疑就是生物识别技术。
它不但简洁快速，而且利用它进行身份的认定，安全、可靠、准确。
同时更易于配合电脑和安全、监控、管理系统整合，实现自动化管理。
由于其广阔的应用前景、巨大的社会效益和经济效益，已引起各国的广泛关注和高度重视。
每个个体都有唯一的可以测量或可自动识别和验证的生理特性或行为方式，即生物特征。
它可划分为生理特征（如指纹、面像、虹膜、掌纹等）和行为特征（如步态、声音、笔迹等）。
生物识别就是依据每个个体之间独一无二的生物特征对其进行识别与身份的认证。
他的主要内容是生物识别技术和生物识别系统。
更具体一点，生物特征识别技术就是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定。
生物识别系统是对生物特征进行取样，提取其唯一的特征并且转化成数字代码，并进一步将这些代码组合而成的特征模板。
人们同识别系统交互进行身份认证时，识别系统获取其特征并与数据可中的特征模板进行比对，以确定是否匹配，从而决定接受或拒绝该人。
在目前的研究与应用领域中，生物特征识别主要关系到计算机视觉、图象处理与模式识别、计算机听觉、语音处理、多传感器技术、虚拟现实、计算机图形学、可视化技术、计算机辅助设计、智能机器人感知系统等其他相关的研究。
已被用于生物识别的生物特征有手形、指纹、脸形、虹膜、视网膜、脉搏、耳廓等，行为特征有签字、声音、按键力度等。
基于这些特征，生物特征识别技术已经在过去的几年中已取得了长足的进展。
其中的热点技术：
指纹识别
指纹识别已被全球大部分国家政府接受与认可，已广泛地应用到政府、军队、银行、社会福利保障、电子商务和安全防卫等领域。
在我国，北大高科等对指纹识别技术的研究开发已达到可与国际先进技术抗衡，中科院的汉王科技公司在一对多指纹识别算法上取得重大进展，达到的性能指标中拒识率小于0.1%，误识率小于0.0001%，居国际先进水平；
指纹识别技术在我国已经得到较广泛的应用，随着网络化的更加普及，指纹识别的应用将更加广泛。
目前在移动端的发展更为明显，各家智能手机生产商在推出旗舰机型的时候，都以支持指纹识别为主打卖点。
脸像识别
人脸识别的实现包括面部识别（多采用"
多重对照人脸识别法"
，即先从拍摄到的人像中找到人脸，从人脸中找出对比最明显的眼睛，最终判断包括两眼在内的领域是不是想要识别的面孔）和面部认证（为提高认证性能已开发了“摄动空间法”，即利用三维技术对人脸侧面及灯光发生变化时的人脸进行准确预测。
以及“适应领域混合对照法”，使得对部分伪装的人脸也能进行识别）两方面，基本实现了快速而高精度的身份认证。
由于其属于是非接触型认证，仅仅要看到脸部就可以实现很多应用，因而可被应用在：
证件中的身份认证；
重要场所中的安全检测和监控；
智能卡中的身份认证；
计算机登录等网络安全控制等多种不同的安全领域。
随着网络技术和桌上视频的广泛采用、电子商务等网络资源的利用对身份验证提出的新的要求，依托于图像理解、模式识别、计算机视觉和神经网络等技术的脸像识别技术在一定应用范围内已获得了成功。
目前国内该项识别技术在警用等安全领域用得比较多。
这项技术亦被用在现在的一些中高档相机的辅助拍摄方面（如人脸识别拍摄）。
皮肤芯片
这种方法通过把红外光照进一小块皮肤并通过测定的反射光波长来确认人的身份。
其理论基础是每个具有不同皮肤厚度和皮下层的人类皮肤，都有其特有的标记。
由于皮肤、皮层和不同结构具有个性和专一特性，这些都会影响光的不同波长，目前Lumidigm公司开发了一种包含银币大小的两种电子芯片的系统。
第一个芯片用光反射二极管照明皮肤的一片斑块，然后收集反射回来的射线，第二个芯片处理由照射产生的“光印”（lightprint）标识信号。
相对于指纹（Fingerprinting）和面认（Facerecognition）所采用的采集原始形象并仔细处理大量数据来从中抽提出需要特征的生物统计学方法（See“FaceRecognition”/TRNov2001），光印不依赖于形象处理，使得设备只需较少的计算能力。
步态识别
步态识别技术现还处在初期阶段，其发展还面临许多艰难的挑战。
这项技术的最新进展在由美国国防先进研究项目代表设立基金研究通过人体语言确认人的身份的美国科研机构中。
其理论是每个人以相同的方式生活，都有自己专一的信号或指纹，每个人也有自己专一的走路步伐。
其技巧是收集人体语言并把它转化为计算机能识别的数字。
一种方法每个人建立“运动信号”来识别。
他们从拍摄人走路或跑步的方法开始研究每个人的运动信号，再利用计算机上的模拟照相机捕捉和储存这一运动行为（用软件工具除去冗余最终只以数字形象储存物体的一系列轮廓）。
之后只要一个人把他的整个走路过程拍摄下来，指令计算机就能根据储存的形象确定这个人的身份。
通过系统很好地归纳所有不同的步伐后，据称现已经获得90%~95%的正确匹配。
”另一种方法则是使用结构分析方法去测定一个人的跨步和腿伸展特性。
这两种技术迄今所有的数据库形象是两维的，并很大程度上取决于照相机的角度。
当一个系统企图采用不同的角度去比较同一个人两个镜头时，就会出现问题。
很大程度上直接限制了它的发展！
虹膜识别
个体的虹膜结构独一无二、不具遗传性（使即使是同卵双胞胎虹膜也各不相同），并且自童年以后，便基本不再变化，使得其非常适合应用于生物识别。
有统计表明，到目前为止，虹膜识别的错误率是各种生物特征识别中最低的。
目前，国际上掌握虹膜识别核心技术的仅有我国中科模识科技有限公司和另一家美国公司。
并且我国已经获得了“虹膜图像采集装置”和“基于虹膜识别的身份鉴定方法与装置”等多项专利。
此外应用广泛的还有笔迹识别、语音识别、红外温谱图等其他特征识别方式。
静脉识别
静脉识别系统就是首先通过静脉识别仪取得个人静脉分布图，从静脉分布图依据专用比对算法提取特征值，通过红外线CMOS摄像头获取手指静脉、手掌静脉、手背静脉的图像，将静脉的数字图像存贮在计算机系统中，将特征值存储。
静脉比对时，实时采取静脉图，提取特征值，运用先进的滤波、图像二值化、细化手段对数字图像提取特征，同存储在主机中静脉特征值比对，采用复杂的匹配算法对静脉特征进行匹配，从而对个人进行身份鉴定，确认身份。
全过程采用非接触式。
一般识别是通过手指指纹下的静脉进行身份确认，不易被仿造身份信息。
视网膜识别
视网膜是眼睛底部的血液细胞层。
视网膜扫描是采用低密度的红外线去捕捉视网膜的独特特征，血液细胞的唯一模式就因此被捕捉下来。
视网膜识别的优点就在于它是一种极其固定的生物特征，因为它是“隐藏”的，故而不可能受到磨损，老化等影响；
使用者也无需和设备进行直接的接触；
同时它是一个最难欺骗的系统，因为视网膜是不可见的，故而不会被伪造。
另一方面，视网膜识别也有一些不完善的，如：
视网膜技术可能会给使用者带来健康的损坏，这需要进一步的研究；
设备投入较为昂贵，识别过程的要求也高，因此角膜扫描识别在普遍推广应用上具有一定的难度。
手掌几何学识别
手掌几何学识别就是通过测量使用者的手掌和手指的物理特征来进行识别，高级的产品还可以识别三维图象。
作为一种已经确立的方法，手掌几何学识别不仅性能好，而且使用比较方便。
它适用的场合是用户人数比较多，或者用户虽然不经常使用，但使用时很容易接受。
如果需要，这种技术的准确性可以非常高，同时可以灵活地调整性能以适应相当广泛的使用要求。
手形读取器使用的范围很广，且很容易集成到其他系统中，因此成为许多生物特征识别项目中的首选技术。
DNA识别
人体内的DNA在整个人类范围内具有唯一性（除了同卵双胞胎可能具有同样结构的DNA外）和永久性。
因此，除了对同卵双胞胎个体的鉴别可能失去它应有的功能外，这种方法具有绝对的权威性和准确性。
DNA鉴别方法主要根据人体细胞中DNA分子的结构因人而异的特点进行身份鉴别。
这种方法的准确性优于其它任何身份鉴别方法，同时有较好的防伪性。
然而，DNA的获取和鉴别方法（DNA鉴别必须在一定的化学环境下进行）限制了DNA鉴别技术的实时性；
另外，某些特殊疾病可能改变人体DNA的结构组成，系统无法正确的对这类人群进行鉴别。
声音和签字识别
声音和签字识别属于行为识别的范畴。
声音识别主要是利用人的声音特点进行身份识别。
声音识别的优点在于它是一种非接触识别技术，容易为公众所接受。
但声音会随音量、音速和音质的变化而影响。
比如，一个人感冒时说话和平时说话就会有明显差异。
再者，一个人也可有意识地对自己的声音进行伪装和控制，从而给鉴别带来一定困难。
签字是一种传统身份认证手段。
现代签字识别技术，主要是透过测量签字者的字形及不同笔划间的速度、顺序和压力特征，对签字者的身份进行鉴别。
签字与声音识别一样，也是一种行为测定，因此，同样会受人为因素的影响。
发展趋势
生物特征识别系统在利用个人特征来鉴别或验证用户身份时，如果有生物特征被察觉或检测到是“有噪音的”（比如指纹中带有疤痕或者因感冒而改变声音时），这个生物特征识别系统的性能可能会受到损害，此时的匹配评分计算是不可靠的。
这个问题可以通过安装多种传感器捕捉不同的生物特征来解决，这也被称为生物特征融合或多模态生物特征识别系统。
三：
概念：
遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体（individual）组成。
每个个体实际上是染色体（chromosome）带有特征的实体。
染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。
因此，在一开始需要实现从表现型到基因型的映射即编码工作。
由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（geneticoperators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。
这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。
发展历史：
遗传算法起源于对生物系统进行的计算机模拟研究。
早在20世纪40年代，就有学者开始研究利用计算机进行生物模拟的技术，他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。
早期的研究特点是侧重于对一些复杂操作的研究。
最早意识到自然遗传算法可以转化为人工智能算法的是J.H.Hnllaad教授。
1965年，Holland教授首次提出了人工智能操作的重要性，并将其应用到自然系统和人工系统中。
1967年，Holland教授的学生.J.D.Bagley在其博士论文中首次提出了“遗传算法”一词，并发表了遗传算法应用方面的第一篇论文，从而创立了自适应遗传算法的概念eJ.D.Bagley发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用了双倍体的编码方法。
1970年，Cavicchio把遗传算法应用于模式识别。
Holistien最早把遗传算法应用于函数优化。
20世纪70年代初，Holland教授提出了遗传算法的基本定理—模式定理，从而奠定了遗传算法的理论基础。
模式定理揭示出种群中优良个体（较好的模式）的样本数将以指数级规律增长，因而从理论上保证了遗传算法是一个可以用来寻求最优可行解的优化过程。
1975年，Holland教授出版了第一本系统论述遗传算法和人工自适应系统的专著《自然系统和人工系统的自适应性》。
同年，K.A.DeSong在博士论文《遗传自适应系统的行为分析》‘护结合模式定理进行了大量的纯数值函数优化计算实验，建立了遗传算法的工作框架，为遗传算法及其应用打下了坚实的基础，他所得出的许多结论迄今仍具有普遍的指导意义。
20世纪80年代，Hntland教授实现了第一个基于遗传算法的机器学习系统—分类器系统（ClassifierSystems，简称CS），提出了基于遗传算法的机器学习的新概念，为分类器系统构造出了一个完整的框架。
1989年，D.J.Goldberg出版了专著—《搜索、优化和机器学习中的遗传算法》。
该书系统总结了遗传算法的主要研究成果，全面而完整地论述了遗传算法的基本原理及其应用。
可以说这本书奠定了现代遗传算法的科学基础，为众多研究和发展遗传算法的学者所瞩目。
1991年，L,Davis编辑出版了《遗传算法手册》一书，书中包括了遗传算法在科学计算、工程技术和社会经济中的大量应用样本，为推广和普及遗传算法的应用起到了重要的指导作用。
1992年，J.R.Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传规划（GeneticProgramming,简称GP）的概念。
四：
蚁群算法的内容
群智能概念：
与各种各样的自适应随机搜索算法相比，演化计算技术创造了被称为“种群”的潜在解，并通过种群间个体的协作与竞争来实现对问题最优解的搜寻，这类方法往往能够比传统优化方法更快地发现复杂优化问题的最优解。
群智能（Swarmintelligence）作为一种新兴的演化计算技术已成为越来越多研究者的关注焦点，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。
群智能中的群体指的是“一组相互之间可以进行直接通信或者间接通信（通过改变局部环境）的主体（Agent），这组主体能够合作进行分布式的问题求解”，而群智能则是指“无智能的主体通过合作表现出智能行为的特性”。
群智能在没有集中控制且不提供全局模型的前提下，为寻找复杂的分布式问题求解方案提供了基础。
目前，有两种主要的算法：
蚁群算法（Antcolonyoptimization，ACO）和微粒群算法（Particleswarmopti2mization，PSO）。
前者是对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。
微粒群算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程，但后来发现它是一种很好的优化工具。
事实上，群智能方法能够被用于解决大多数优化问题或者能够转化为优化求解的问题。
现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面，群智能理论和方法为解决这类应用问题提供了新的途径。
与大多数基于梯度应用优化算法不同，群智能依靠的是概率搜索算法。
虽然概率搜索算法通常要采用较多评价函数，但与梯度方法及传统的演化算法相比，其优点还是显著的:
（1）无集中控制约束，不会因个别个体的故障影响整个问题的求解，确保了系统具备更强的鲁棒性；
（2）以非直接的信息交流方式确保了系统的扩展性；
（3）并行分布式算法模型，可充分利用多处理器；
（4）对问题定义的连续性无特殊要求；
（5）算法实现简单。
群智能方法易于实现，算法中仅涉及各种基本数学操作，其数据处理过程对CPU和内存的要求也不高。
且这种方法只需目标函数的输出值，而无需其梯度信息。
已完成的群智能理论和应用方法研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法。
更重要是，群智能潜在的并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证。
无论是从理论研究还是应用研究的角度分析，群智能理论及应用研究都是具有重要学术意义和现实价值的。
群智能理论的基本原理是以生物社会系统（Biologysocialsystem）为依托的，也就是由简单个体组成的群落与环境以及个体之间的互动行为。
这种生物社会性的模拟系统利用局部信息产生难以估量的群体行为。
作为基于迭代的优化方法,群智能理论是一种全新的进化计算方法。
蚁群算法：
各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。
当一只找到食物以后，它会向环境释放一种挥发性分泌物pheromone（称为信息素,该物质随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近）来实现的，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物。
有些蚂蚁并没有像其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。
最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。
此算法可以用MATLAB软件模拟出来，也可用计算机语言实现，我是信息学院的学生，在ACM比赛例题中使用过这种算法求解问题，可以用C语言进行简单实现，但可能只得到次优解，会有一定的概率失败。
也可用C＋＋进行更详细的解答。
C语言简单实现：
#include<
cstdio>
usingnamespacestd;
constlonglongintmaxn=200000+5;
intmax（intx,inty）
{
if（x>
y）returnx;
elsereturny;
}
intmain（）
//freopen（"
E:
/程序测试/in.txt"
"
r"
stdin）;
longlongintnfirst,nlast;
//起点&
&
终点
longlongintn;
longlongintarray[maxn];
longlonginti,k,ans,res;
while（scanf（"
%I64d"
&
n）==1）
{
for（i=0;
i<
n;
i++）
scanf（"
array[i]）;
nfirst=nlast=ans=0;
res=1;
for（nfirst=0;
nfirst<
n;
nfirst++）
{
for（nlast=nfirst;
nlast<
nlast++）
{
res=
升级会员 