人工智能简单论述(论文).doc

成都理工大学科 目：人工智能指导老师：胡文艺学 院：信息工程 学 号：3200705070304姓 名：李少勇人工神经网络的发展前景和应用领域人工神经网络是一门多个学科领域的边缘交叉学科。人工神经网络独特的结构和处理的方法，使其在许多实际应用领域中取得了显著的成效，能够解决一些传统计算机极难求的问题。人工智能是一门前沿和交叉学科，它的研究领域十分广泛，涉及到专家系统、定理证明、博弈、自然语言理解、智能检索、机器学习、机器人、模式识别等领域。一个人工神经网络包含很多层。第一层将被装入浮点格式的初始数据，用于训练模型。输入和输出之间的层在外界不是直接可见的，被称做隐藏层。有时会有多个隐藏层。例子中的输出层只有一个元素。这种结构用于建立一个多入单出函数。对于费线性行为的映射，比如函数 x2-y2，隐藏层是必不可少的。网络是如何知道目标函数的呢？当然，初始情况下，网络并不知道。元素(节点)间的连接(重量)首先是随机的。在训练序列中，学习算法尽力改变重量，使得计算的输出和预知的输出的均方误差最小化。有很多不同的算法来达到这个目的，我们不想实现每个算法。在 nnqt 中，我们实现了三个算法。为了特定输出而制定的输入的过程也称为监控学习 (supervised learning)。我们需要训练网络以达到一个对训练数据、同样也是对控制数据的足够小的误差(使用部分训练队列当作控制数据来验证学习的性能是个明智的作法)。连接的重量确定了网络的行为，它们被以这种目的存储起来。这样一个网络能用做什么呢？除了科学界中用于建模工具以外，还有很多各种正式或非正式的用途。比如预测股市走势。另一个有趣的可能性是使用神经网络进行短期天气预报。比如说，电子气象站的数据可以被用于训练一个神经网络。有用的数据包括气压及其变化，以及降水。电子气象站里的符号是这样的形式。神经网络最早的研究是40年代心理学家Mcculloch和数学家Pitts合作提出的 ，他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过3个阶段：1947196 9年为初期，在这期间科学家们提出了许多神经元模型和学习规则，如MP模型、HEBB学习规 则和感知器等；19701986年为过渡期，这期间神经网络研究经过了一个低潮，继续发展 。在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。1984年，Hiton教授提出Bol tzman机模型；1986年Kumelhart等人提出误差反向传播神经网络，简称BP网络。目前，BP网络已成为广泛使用的网络。1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个高潮。 人工神经元网络是生物神经网络的一种模拟和近似，它从结构、实现机理和功能上模拟生物神经网络。从系统观点看，人工神经元网络是由大量神经元通过极其丰富和完善的连接而构 成的自适应非线性动态系统。聚类分析可指明预先未辨明的客户、交易或事件的类型。没有相关变量，就不要求已知的分类。这种观点是在事先不了解或很少了解数据结构的情况下将数据分类。这也就是为什么聚类分析通常被称为未被监督的发现技术。然而当聚类分析独立作为强大的分析工具时被典型用于数据挖掘过程的初始阶段 - 是在为深层分析选择变量前探测数据的方法。 生成聚类分析模型的过程事实上同生成神经网络模型的过程是一样的。也就是说，首先你训练使用所选变量的模型，然后分类或给新数据评分。在记录正确分类之后，决策树和图表可用来理解发现的聚类。分段浏览器控制包括探测对单独群组贡献最大或同所有群组区别最大的变量的算法。点击圆柱标题使用这些信息用于分类。每个群组的英语描述也是使用这些信息进行合成。例如，EM算法在5个群组中聚合了人口普查。第三组是由不愿每周工作太多小时的年轻人组成的。从公共变量人口普查数据包，算法指出表现为学生的一组人。时序分析使用历史数据进行预测。不同于其他的算法，时序分析在定期时间间隔使用一个或多个记录点创建模型。通常，时序有两方面需要进一步理解和预测：趋势（随时间改变的线性或非线性组件）和季节性（随时间重复的信号）。 模式识别：在现实世界中，人类发出的声音、印刷或者书写出的文字、眼睛看到的风景，以及测量器输出的信号等，以各种各样的模式存在着。如果计算机能够听出并且分辨出这些模式，就能够简单地输入到计算机，并且可以送到工专业人员的作业负担。把模式输入到计算机后，为了对其实施辨识，需要进行怎样的处理呢？神经网络具有以下优点：(1)具有很强的鲁棒性和容错性，这是因为信息是分布存贮于网络内的神经元中；(2) 并行处理方法，人工神经元网络在结构上是并行的，而且网络的各个单 元可以同时进行类似的处理过程，使得计算快速；(3)自学习、自组织、自适应性，神经元之间的连接多种多样，各元之间联接强度具有一定可塑性，使得神经网络可以处理不确定或 不知道的系统；(4)可以充分逼近任意复杂的非线性关系；(5)具有很强的信息综合能力，能同时处理定量和定性的信息，能很好的协调多种输入信息关系，适用于处理复杂非线性和不确定对象。 神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下：(1)自动控制领域；(2)处理组合优化问题；(3)模式识别；(4)图像处理；(5)传感器信号处理；(6)机器人控制；(7)信号处理；(8)卫生保健、医疗；(9)经济；(10)化工领域；(11)焊接领域；(12)地理领域；(13)数据挖掘、电力系统、交通、军事、矿业、农业和气象等领域。神经网络在很多领域已得到了应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。经过近半个世纪的发展，神经网络理论在模式识别、自动控制、信号处理、 辅助决策、人工智能等众多研究领域取得了广泛的成功。随着人工智能技术的发展，神经网络与模糊逻辑、专家系统、遗传算法、小波、混沌、粗集、分形、证据理论、灰色系统等技 术的融合已经成为智能技术的一个重要发展趋势，有着很好的发展前景，国内外在这方面已经取得了一定的成果。 神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。比如：神经计算的基础理论框架以及生理层面的研究仍需深入；新的模型和 结构的研究；神经网络的可理解性问题；神经网络技术与其他技术更好的结合等。今后的研究应