人工智能与专家系统(GIS)PPT格式课件下载.ppt
《人工智能与专家系统(GIS)PPT格式课件下载.ppt》由会员分享,可在线阅读,更多相关《人工智能与专家系统(GIS)PPT格式课件下载.ppt(51页珍藏版)》请在冰豆网上搜索。
功能的模拟,即符号处理方法。
(3)ANN的研究内容的研究内容l理论研究理论研究:
从数学上描述:
从数学上描述ANN的动力学过程,的动力学过程,建立相应的建立相应的ANN模型。
对于给定的学习样本,模型。
对于给定的学习样本,找出一种能以较快的速度和较高的精度调整神经找出一种能以较快的速度和较高的精度调整神经元间互连权值,使系统达到稳定状态,满足学习元间互连权值,使系统达到稳定状态,满足学习要求的算法。
要求的算法。
l实现技术的研究实现技术的研究:
探讨利用电子、光学、生物等:
探讨利用电子、光学、生物等技术实现神经计算机的途径。
技术实现神经计算机的途径。
l应用的研究应用的研究:
探讨如何应用:
探讨如何应用ANN解决实际问题,解决实际问题,如模式识别、故障检测、智能机器人等。
如模式识别、故障检测、智能机器人等。
(44)ANN的特点与优势的特点与优势l具有自学习功能具有自学习功能l具有联想存储功能具有联想存储功能l具有高速寻找优化解的能力具有高速寻找优化解的能力人工神经网络的局限性人工神经网络的局限性人工神经网络不适于高精度的计算人工神经网络不适于高精度的计算l正像很多人不善于直接计算类似资金的问题一样,人工神经网络不用于计算资金方面的问题。
人工神经网络不适于做类似顺序计数的工作。
l人工神经网络是以并行方式工作的。
人工神经网络的学习和训练是一个艰难的过程。
l网络的设计没有严格确定的方法(一般凭经验),所以选择训练方法和所需网络结构没有统一标准。
l脱机训练往往需要很长时间,为了获得最佳效果,常常要重复试验多次。
l网络收敛性的问题。
8.2人工神经网络基础人工神经网络基础人工神经网络的生物原型人工神经网络的生物原型大脑大脑l简单的神经元简单的神经元8.28.2人工神经网络基础人工神经网络基础l简单的神经元神经元就是神经细胞,在人体内从大脑到全身存在大约1010个神经元。
神经元的组成:
l细胞体:
它是神经元的本体,内有细胞核和细胞质,完成普通细胞的生存功能。
l树突:
它有大量的分枝,多达103数量级,长度较短(通常不超过1毫米),用以接受来自其它神经元的信号。
l轴突:
用以输出信号,有些较长(可达1米以上),轴突的远端也有分枝,可与多个神经元相连。
l突触:
它是一个神经元与另一个神经元相联系的特殊部位,通常是一个神经元轴突的端部靠化学接触或电接触将信号传递给下一个神经元的树突或细胞体。
8.2人工神经网络基础人工神经网络基础l神经元间信号的传递神经元间信号的传递神经元间的信号通过突触传递。
通过神经元间的信号通过突触传递。
通过它,一个神经元内传送的冲击信号将它,一个神经元内传送的冲击信号将在下一个神经元内引起响应,使下一在下一个神经元内引起响应,使下一个神经元兴奋,或阻止下一个神经元个神经元兴奋,或阻止下一个神经元兴奋。
兴奋。
8.2人工神经网络基础人工神经网络基础l神经元的基本工作机制神经元的基本工作机制一个神经元有两种状态一个神经元有两种状态兴奋和抑制兴奋和抑制平时处于抑制状态的神经元,当接收到其它神经元平时处于抑制状态的神经元,当接收到其它神经元经由突触传来的冲击信号时,多个输入在神经元中经由突触传来的冲击信号时,多个输入在神经元中以代数和的方式叠加。
以代数和的方式叠加。
l进入突触的信号会被加权,起兴奋作用的信号进入突触的信号会被加权,起兴奋作用的信号为正,起抑制作用的信号为负。
为正,起抑制作用的信号为负。
如果叠加总量超过某个阈值,神经元就会被激发进如果叠加总量超过某个阈值,神经元就会被激发进入兴奋状态,发出输出脉冲,并由轴突的突触传递入兴奋状态,发出输出脉冲,并由轴突的突触传递给其它神经元。
给其它神经元。
神经元被触发后有一个不应期,在此期间内不能被神经元被触发后有一个不应期,在此期间内不能被触发,然后阈值逐渐下降,恢复原来状态。
触发,然后阈值逐渐下降,恢复原来状态。
8.2人工神经网络基础人工神经网络基础l神经元的基本工作机制神经元的基本工作机制神经元是按照神经元是按照“全或无全或无”的原则工作的,只有的原则工作的,只有兴奋和抑制两种状态,但也不能认为神经元只兴奋和抑制两种状态,但也不能认为神经元只能表达或传递二值逻辑信号。
能表达或传递二值逻辑信号。
神经元兴奋时往往不是只发一个脉冲,而是发神经元兴奋时往往不是只发一个脉冲,而是发出一串脉冲,如果把一串脉冲看成是一个调频出一串脉冲,如果把一串脉冲看成是一个调频信号,脉冲的密度是可以表达连续量的。
信号,脉冲的密度是可以表达连续量的。
神经网络基本模型神经网络基本模型黑箱黑箱当常规方法解决不了或效果不佳时当常规方法解决不了或效果不佳时ANN方法才能显示出其优方法才能显示出其优越性。
尤其对问题的机理不甚了解或不能用数学模型表示越性。
尤其对问题的机理不甚了解或不能用数学模型表示的系统的系统,如故障诊断、特征提取和预测等问题如故障诊断、特征提取和预测等问题,ANN往往是最往往是最有利的工具。
另一方面有利的工具。
另一方面,ANN对处理大量原始数据而不能用对处理大量原始数据而不能用规则或公式描述的问题规则或公式描述的问题,表现出极大的灵活性和自适应性。
表现出极大的灵活性和自适应性。
8.2人工神经网络基础人工神经网络基础人工神经网络的拓扑结构l单层网络最简单的网络是把一组结点形成一层。
左边的黑色圆点只起着分配输入信号的作用,没有计算作用,不看作是网络的一层。
右边用圆圈表示的一组结点被看作一层。
8.2人工神经网络基础人工神经网络基础人工神经网络的拓扑结构l单层网络输入信号表示为行向量:
x=(x1,x2,xN),其中每一分量通过加权连接到各结点。
每一个结点均可产生一个加权和。
输入和结点间采用全连接,并且都是前馈连接。
l实际的人工神经网络和生物神经网络中有些连接可能不存在。
8.2人工神经网络基础人工神经网络基础人工神经网络的拓扑结构l单层网络在这种单层网络中,可把各加权表示为加权矩阵W。
矩阵的维数是Nxn,N是输入信号向量(也称输入图形)的分量数,n是该层内的结点数。
l由第三个输入连接到第二个结点的连接权表示为W32。
8.2人工神经网络基础人工神经网络基础人工神经网络的拓扑结构l单层网络输入信号的加权和表示为:
s是各结点加权和的行向量,s=(s1,s2,sn)。
输出向量y=(y1,y2,yn),其中yj=F(sj)。
8.2人工神经网络基础人工神经网络基础人工神经网络的拓扑结构l多层网络一般来说,大而复杂的网络能提供更强的计算能力。
虽然目前已构成了很多网络模型,但它们的结点都是按层排列的,这一点正是模仿了大脑皮层中的网络模块。
多层网络是由单层网络进行级联构成的,即上一层的输出作为下一层的输入。
8.2人工神经网络基础人工神经网络基础人工神经网络的拓扑结构l多层网络两层网络(前馈全连接网络)8.2人工神经网络基础人工神经网络基础人工神经网络的拓扑结构l多层网络三层网络(前馈全连接网络)8.2人工神经网络基础人工神经网络基础存储和回忆存储和回忆l存储就是将信息或图形存在某种存储存储就是将信息或图形存在某种存储器中,而回忆则是将已存储的信息按器中,而回忆则是将已存储的信息按某种方式恢复出来。
某种方式恢复出来。
l为了与人类大脑的功能类比,我们把为了与人类大脑的功能类比,我们把这种信息的恢复称为回忆。
这种信息的恢复称为回忆。
8.2人工神经网络基础人工神经网络基础存储和回忆l人工神经网络中存储图形的类型在计算机中,数据和信息是存放在存贮器中(RAM或ROM),以8比特字节作为存储单位。
在人工神经网络中,信息或图形不再限定为8比特,它是多维的二进制数据或连续信息。
8.2人工神经网络基础人工神经网络基础存储和回忆l人工神经网络中存储的两类图形空间图形的存储l存储单个空间静态图像,如一幅画面。
时空图形的存储l存储一系列随时间变化的图像,比如电影。
我们讨论的人工神经网络存储的图形大多是空间图形,因它是构成时空图形的基础。
l人工神经网络中图形的存储内容寻址存储器l它是在人工神经网络的训练过程中形成的,相当于通过训练将信息存储在加权矩阵W中。
训练一旦完成,数据就相当于变换到加权矩阵的稳定状态中,因此这种存储是长期存储。
联想存储器l它是在人工神经网络的回忆操作中出现的。
当对网络输入激励信号时,作为回忆结果,网络的输出给出一个响应状态。
这一响应状态实际上也相当于一个所需的存储数据(响应),因此这种存储为短期存储。
存储和回忆存储和回忆存储和回忆l回忆的概念回忆是人类智能的一个主要特征,要想回忆某个人或某件事,通常可通过联想进行。
l当看到一本书的封面颜色和作者时,会联想到这是一本什么书(书的内容)。
l当丢失东西时,可以通过联想到过什么地方,做过什么事情,最后回忆起把东西放在什么地方。
l这两种情况都有一个特点,就是不管是哪本书,还是与东西有关的地点和事情,都是经历过的,相应的记忆才有可能联想出所需的结果。
联想的两种方式l自联想:
由本身的部分特征联想起整个事物的全部特征。
l他联想:
由一件事情联想到另一件事情。
在人工神经网络中,回忆操作也有两种联想变换l自联想变换l他联想变换存储和回忆存储和回忆l回忆的概念回忆的概念在人工神经网络中,不管是自联想回忆还在人工神经网络中,不管是自联想回忆还是他联想回忆,信息的回忆方式有两种。
是他联想回忆,信息的回忆方式有两种。
l前馈回忆前馈回忆l反馈回忆反馈回忆存储和回忆l回忆的概念前馈回忆l输入激励只需通过一次存储矩阵就可产生所需的响应。
存储和回忆l回忆的概念反馈回忆l输入激励通过存储矩阵W产生响应,该响应作为激励再反馈通过W,这样依次循环,直到激励和响应停止变化为止,即得到所要求的响应。
8.3人工神经网络学习人工神经网络学习l人工神经网络的最主要特征之一是它可人工神经网络的最主要特征之一是它可以学习。
任何一个人工神经网络模型要以学习。
任何一个人工神经网络模型要实现某种功能的操作,就必须对它进行实现某种功能的操作,就必须对它进行训练,让它学会要做的事情,并把这些训练,让它学会要做的事情,并把这些知识记忆(存储)在网络的加权中。
知识记忆(存储)在网络的加权中。
l学习或训练的实质就是加权矩阵随外部学习或训练的实质就是加权矩阵随外部激励(环境)做自适应的变