人工智能与专家系统(GIS)51.ppt

《人工智能与专家系统(GIS)51.ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第八章人工神经网络及应用8.1人工神经网络概述8.2人工神经网络基础8.3人工神经网络学习8.4人工神经网络应用8.1人工神经网络概述利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。人工神经网络（ArtificialNeuralNetwork）是一个用大量简单处理单元经广泛连接而组成的人工网络，是对人脑或生物神经网络若干基本特性的抽象和模拟。（1）研究ANN目的探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统。探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程及其规律。（2）研究ANN方法●生

2、理结构的模拟用仿生学观点，探索人脑的生理结构，把对人脑的微观结构及其智能行为的研究结合起来即人工神经网络方法。●宏观功能的模拟从人的思维活动和智能行为的心理学特性出发，利用计算机系统来对人脑智能进行宏观功能的模拟，即符号处理方法。（3）ANN的研究内容理论研究：从数学上描述ANN的动力学过程，建立相应的ANN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元间互连权值，使系统达到稳定状态，满足学习要求的算法。实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径。应用的研究：探讨如何应用ANN解决实际问题，如模式识别

3、、故障检测、智能机器人等。（4）ANN的特点与优势具有自学习功能具有联想存储功能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不适于高精度的计算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。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。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。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。网络收敛性的问题。8.2人工神经网络基础人工神经网络

4、的生物原型—大脑简单的神经元8.2人工神经网络基础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：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。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。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。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

5、础神经元间信号的传递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兴奋。8.2人工神经网络基础神经元的基本工作机制一个神经元有两种状态——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。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。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，在此期间内不能被触

6、发，然后阈值逐渐下降，恢复原来状态。8.2人工神经网络基础神经元的基本工作机制神经元是按照“全或无”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。神经网络基本模型黑箱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,如故障诊断、特征提取和预测等问题,ANN往往是最有利的工具。另一方面,ANN对处理大量原始数据而不能用规则或公式描述的问题

7、,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的拓扑结构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的拓扑结构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。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的拓扑结构单层网络在这种单层

8、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。由第