您好、欢迎来到现金彩票网!
当前位置:2019管家婆最准的资料 > 智力处理 >

智能信息处理技术考试复习重点

发布时间:2019-07-29 22:36 来源:未知 编辑:admin

  人工智能有能力做三件事:知识存 储 解决问题 获取新知识 人工智能的三个关键部分:表示 学习 推理 神经网络至今经历了兴起、萧条和兴盛 三个时期 。 神经网络动力学过程有 过程-- 计算过程 和 过程-- 学习过程 前馈神经网络的发展 经历了:兴起 萧条 和 兴盛 三个时期 前馈神经网络模型有:感知器 、 BP 网络、 RBF网络 遗传算法的三个算子:选择算子、交叉算子、变异算子 遗传算法主要由三种运算组成:选择运算 交叉变异 变异运算 编码方法可以分为三大类:二进制编码方法、浮点 数编码方法、符 号 编码方法。 Hopfield 神经网络模型一般由单层全互 连的神经元 ui...

  人工智能有能力做三件事:知识存 储 解决问题 获取新知识 人工智能的三个关键部分:表示 学习 推理 神经网络至今经历了兴起、萧条和兴盛 三个时期 。 神经网络动力学过程有 过程-- 计算过程 和 过程-- 学习过程 前馈神经网络的发展 经历了:兴起 萧条 和 兴盛 三个时期 前馈神经网络模型有:感知器 、 BP 网络、 RBF网络 遗传算法的三个算子:选择算子、交叉算子、变异算子 遗传算法主要由三种运算组成:选择运算 交叉变异 变异运算 编码方法可以分为三大类:二进制编码方法、浮点 数编码方法、符 号 编码方法。 Hopfield 神经网络模型一般由单层全互 连的神经元 ui (i=1, ⋯ ,n)组 成。 自组织映射神经网络模型 SOM)它是一种无监督学习神经网络 计算智能包括神经网络、模糊信息处理 和 遗传算法 。 计算智能核心内容:神经网络、进化计算和模糊系统 模糊数学是研究和处理模糊性现象的数学方法 . 经典数学是以精确性为 特征的. 关系的特性:自反性、对称性和传递 性 典型的学习规则 : hebbian 学习规则 和 Delta 学习规则 遗传算法 主要用于函数最优化计算,它是模拟生物在自然环境 中的遗 传和进化过程的一种自适应全局寻优的随机搜索算法。 遗传编码 : 把问题的可行解从其物理解空间转换到遗传算法所能处理的 搜索空间 ( 编码空间 ) 的转换方法称为编码 描述神经网络模型的六个要素:传播 规则 活跃 规则 输出规则 互 连模 式 学习规则 环境 神经网络 : 是由大量的、同时也是很简单的处理单元(神经元)广 泛 地 互 相连接而形成的复杂网络系统。反映了人脑功能的许多特性,是对人 脑功能进行某种简化、抽象和模拟。 BP 反向传输算法的基本过程:初始化阶 段前馈阶 段 权值调整阶 段 学习精度计算 学习结束判断 智能:智慧和能力。个体有目的的行为、合理的思维以及有效适应环境 的能力。 神经计算的特点 大规模并行性、集团运算和容错能力。 信息的分布式表示。学习和自 组织能力。多层神经网络系统具有强大的解算能力和处理实 际问题的能 力。 计算智能:借鉴仿生学思想,基于生物体系的生物进化、神经细 胞网络 等机制,用数学语言抽象描述的计算方法,用以模仿生物体系和人类的 智能机制。 SOM 模型计算的基本原理 当某个模式输入时,输出层某一神经元得到最大刺激而竞 争获胜(产 生 最大输出值)。 同时该获胜神经元周围的一些神经元也因 侧向相互 作 用而受到较大刺激,修改这些神经元和输入神经元之 间的连接权值。 当输入模式发生变化时,输出层上获胜的输出神经元也发生改变。通 过神经网络权值的调整,使得输出层特征分布能反映输入样本的分布情 况。 根据 SOM 模型的输出状态,不但能够判断输入模式所属的类别,并使 得输出神经元代表某一模式类别,还能够得到整个数据区域 的大体分布 情况,即从样本数据中获得数据分布的大体本质特征。 遗传算法的主要过程如 下 : 1) 初始化。设置进化代数计数器 t =0 ,设置最大进化代数 T,随机 生成 N个个体作为初始群体 P(0) 。 2) 个体评价。计算群体 P(t) 的各个个体的适应度。 3) 选择运算。将选择算子作用于群体 P(t) 。 4) 交叉运算。将交叉运算作用于群体 P(t) 。 5)变异运算。将变异运算作用于群体 P(t) 。经过选择、交叉、变异运 算之后得到下一代群体 P(t+1) 。 6)终止判断。若最大适应度的值变化小于某较小数 , 或若迭代次数超过 某设定数 t T ,则以具有最大适应度 ?的个体作为最优输出,终止算 法;否则 t:= t+1 ,转到 2)。 遗传算法步骤进行 1. 确定决策变量及各种约束条件,即确定出个体的表现型和问题的解 空间。 2. 建立优化模型,即确定出目标函数 f() 。 3. 确定表示可行解的染色体编码方法,即确定出染色体的基因型 X及遗 传算法的搜索空间。 4. 确定解码方法,即确定出由个体基因型 X到个体表现型的转换关系。 5. 确定个体适应度的评价方法,即确定出由目标函数值 f() 到个体适应 度 F(X) 的转换规则。 6. 设计遗传算子,即确定出选择运算、交叉运算、变异运算等具体操 作方法。 7. 确定算法的有关运行参数,即确定出算法的 N、T、Pc、Pm 等参数。 遗传算法特点 1. 以决策变量的编码作为运算对象; 2. 直接以目标函数值作为搜索信息; 3. 并行搜索(多条搜索路线. 随机搜索。全局性、稳健性。 最大隶属原则Ⅰ 最大隶属原则Ⅰ I ( 计算题的时候要提下) 模糊相似关系:若模糊关系 R 是 X 上各元素之间的模糊关系,且满 足:(1) 自反性:R( x , x ) = 1 ; (2) 对称性:R( x , y ) = R( y , x ) ; 则称模糊关系 R 是 X 上的一个模糊相似关系. 神经计算:非编程的自适应信息处理方式称之为神经计算 稳定性是指神经网络系统在进行神经计算时,系统最终能收敛到一个稳 定状态 计算智能与人工智能的关系:观点二:大部分学者 计算智能 人工 智能 生物智能 人工智能 广义定义: 通过对人类智力活动的探索与记忆思维规律的研究,以开 发人类智力活动的潜力,探讨各种机器模拟人类智能的途径,以使人类 的智能得以物化和延伸。 狭义定义:研究如何构造智能机器(智能计算机)或者智能系统,使它 能模拟、延伸、扩展人类智能的学科。 神经计算的本质 : 计算的数学观点 、计算的物理观点、神经网络的计 算是一种非编程的信息处理方式。 四、设有输入 P=[-1 -0.5 0.3 -0.1; -0.5 0.5 -0.5 1.0] ,输出 T=[1 1 0 0] ,设计一的 MATLA 程B 序,采用 BP 神经网络进行训练并测试。( 10 分) clc % 定义训练样本 P 为输入矢量 P=[-1 -0.5 0.3 -0.1; -0.5 0.5 -0.5 1.0]; T=[1, 1, 0, 0]; net=newff(minmax(P),[3,1],{tansig,purelin},traingdm) inputWeights=net.IW{1,1} inputbias=net.b{1} layerWeights=net.LW{2,1} layerbias=net.b{2} % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; % Learning rate net.trainParam.mc = 0.9; %Learning moment net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; % 调用 TRAINGDM 算法训练 BP 网络 [net,tr]=train(net,P,T); % 对 BP 网络进行仿真 A = sim(net,P) % 计算仿真误差 E = T - A MSE=mse(E)

http://talkbirds.com/zhilichuli/372.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有