《人工智能导入课件》由会员分享，可在线阅读，更多相关《人工智能导入课件（23页珍藏版）》请在装配图网上搜索。
1、单击此处编辑母版标题样式,编辑母版文本样式,第二级,第三级,第四级,第五级,2018/9/9,#,人工智能导入,对智能还没有确切的定义，,智能是,知识,与,智力,的总和,人工智能,：用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能,。,图灵,测试,：,1950,年图灵发表的,计算机与智能,中设计了一个测试，用以说明人工智能的概念,。,1956,年正式提出人工智能,（,artificial intelligence,AI,）,这个术语并把它作为一门新兴科学的名称。,人工智能学科,：一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科
2、。,知识是一切智能行为的基础,获取知识并应用知识求解问题的能力,智者,询问者,人工智能研究的基本内容,知识表示,机器感知,机器思维,机器学习,机器行为,人工智能的主要研究领域,自动,定理证明,博弈,模式识别,机器视觉,自然语言理解,智能信息检索,数据挖掘与知识发现,专家系统,自动程序设计,机器人,组合优化,问题,智能网络系统,人工生命,人工神经网络,分布式人工智能与多智能体,智能控制,智能仿真,智能,CAD,智能,CAI,智能管理与智能决策,智能多媒体系统,智能操作系统,智能计算机系统,智能通信,人工神经网络及其,应用,生物神经网络,(natural neural network,NNN):,
3、由中枢神经系统（脑和脊髓）及周围神经系统（感觉神经、运动神经等）所构成的错综复杂的神经网络，其中最重要的是,脑神经系统,。,人工神经网络,(artificial neural networks,ANN):,模拟,人脑神经系统,的结构和功能，运用大量简单处理单元经广泛连接而组成的人工网络系统。,神经网络方法：,隐式,的知识表示方法,工作状态：,兴奋状态,：细胞膜电位,动作电位的阈值,神经冲动,抑制状态,：,细胞膜电位,动作电位的阈值,学习与遗忘：,由于神经元结构的可塑性，突触的传递作用可增强和减弱,。,（,输入,）,（,输出,）,神经冲动,：,第 个神经元的输出,。,：,第 个神经元的阈值,。,
4、：,外部输入,。,：,权值。,加权求和：,其矩阵形式：,8,工作过程,:,从各输入端接收输入信号,u,j,(,j,=1,2,n,),根据连接权值求出所有输入的加权和,用非线性激励函数进行转换，得到输出,1.BP,网络结构,10,2.,输入输出变换关系,11,3.,工作过程,第一阶段或网络训练阶段,：,N,组输入输出样本：,x,i,=,x,i,1,x,i,2,x,ip,1,T,d,i,=,d,i,1,d,i,2,d,ipm,T,i,=1,2,N,对网络的连接权进行学习和调整，以使该网络实现给定样本的输入输出映射关系。,第二阶段或称工作阶段,：把实验数据或实际数据输入到网络，网络在误差范围内预测计
5、算出结果。,12,（,1,）是否存在一个,BP,神经网络能够逼近给定的样本或者函数。,两个问题：,（,2,）如何调整,BP,神经网络的连接权，使网络的输入与输出与给定的样本相同。,1986,年，鲁梅尔哈特（,D.Rumelhart,）等提出,BP,学习算法。,13,8.2.2 BP,学习算法,目标函数：,约束条件：,连接权值的修正量：,1.,基本思想,14,BP,学习算法,记,先求,（,1,）对输出层的神经元,（,2,）对隐单元层，则有,15,8.2.2 BP,学习算法,2.,学习算法,16,8.2.2 BP,学习算法,正向传播：输入信息由输入层传至隐层，最终在输出层输出。,反向传播：修改各层
6、神经元的权值，使误差信号最小。,2.,学习算法,17,8.2.2 BP,学习算法,2.,学习算法,18,8.2.3 BP,算法的实现,（,1,）隐层数及隐层神经元数的确定：目前尚无理论指导。,（,2,）初始权值的设置：一般以一个均值为,0,的随机分布设置网络的初始权值。,（,3,）训练数据预处理：线性的特征比例变换，将所有的特征变换到,0,，,1,或者,-1,，,1,区间内，使得在每个训练集上，每个特征的均值为,0,，并且具有相同的方差。,（,4,）后处理过程：当应用神经网络进行分类操作时，通常将输出,值编码成所谓的名义变量，具体的值对应类别标号。,1.BP,算法的设计,19,8.2.3 BP
7、,算法的实现,（,1,）初始化：对所有连接权和阈值赋以随机任意小值；,（,2,）从,N,组输入输出样本中取一组样本：,x,=,x,1,x,2,x,p,1,T,d,=,d,1,d,2,d,pm,T,把输入信息,x,=,x,1,x,2,x,p,1,T,输入到,BP,网络中,（,3,）正向传播：计算各层节点的输出：,（,4,）计算网络的,实际输出与期望输出的误差：,2.BP,算法的计算机实现流程,20,8.2.3 BP,算法的实现,（,5,）反向传播：从输出层方向计算到第一个隐层，按连接权值修正公式向减小误差方向调整网络的各个连接权值。,（,6,）让,t,+1,t,，取出另一组样本重复（,2,）（,5,），直到,N,组输入输出样本的误差达到要求时为止。,2.BP,算法的计算机实现流程,21,8.2.3 BP,算法的实现,BP,学习算法的程序框图,22,1.,特点,BP,网络：多层前向网络（输入层、隐层、输出层）。,连接权值：通过,Delta,学习算法进行修正。,神经元传输函数：,S,形函数。,学习算法：正向传播、反向传播。,层与层的连接是单向的，信息的传播是双向的。,BP,算法的特点分析,23,2.BP,网络的主要优缺点,很好的逼近特性。,具有较强的泛化能力。,具有较好的容错性。,优点,收敛速度慢。,局部极值。,难以确定隐层和隐层结点的数目。,缺点,BP,算法的特点分析,
人工智能导入课件
