《人工智慧》ppt课件

1、人工智慧 一、類神經網路一、類神經網路二、遺傳演算法二、遺傳演算法 類神經網路(Artificail neural network)，是一種以電腦來模擬人類腦神經細胞網路的科學。在人們逐漸了解腦細胞的思索與學習方式後，希望電腦也能用類似人的方式來解決問題。一、類神經網路簡介腦神經：接受外來刺激腦神經：接受外來刺激經過傳遞，達經過傳遞，達一定的標準一定的標準反應反應類神經元：輸入類神經元：輸入內部過程隱藏層內部過程隱藏層輸出輸出 以下為人腦的神經傳遞方式與我們模擬人腦的傳遞方式，所做出的方式：類神經網路系統類神經網路系統 結點模拟腦神經細胞；結點之間的連結模擬腦神經之間的連結神經纖維。輸入每一結

2、點會去接纳其相關連結的點傳來的訊息，結點會依據接纳的值，經過連結強度值的加權，然後再輸出給相關的結點們輸出。腦神經元的特點 人腦的健全性 人腦的容錯才干人腦可以平行處理且分散式的處理多項資訊 人腦能夠處理模糊的Fuzzy、有機率性的、吵雜的以及矛盾的的訊息 人腦隨著環境的變遷而調整本人的知識判斷，而有學習的才干人腦的歸納推廣的才干 人腦對於外界刺激的接纳和解釋 類神經網路系統的處理資訊方式類神經網路系統的處理資訊方式 平行處理歸納推廣的才干學習的功能 學習方式有監督型與非監督型兩種監督型(Supervised)：類神經系統將告知其期望的系統反應 非監督型(Unsupervised)不论是哪一種

3、學習，在學習階段中的，結點所代表的意義、結點與結點之間所代表的意義、結點與結點之間的相互關係並不會被明確的定義或絕對的定義。都透過學習階段自我學習、自我組織。 類神經網路分類介紹HopfieldHopfield網路網路 倒傳遞類神經網路倒傳遞類神經網路BPBP 學習向量化網路學習向量化網路LVQLVQ 案例介紹 TSP問題traveling salesman problem，商人旅遊問題游览商路徑的問題路徑的限制：每個城市只能拜訪一次，而且最後需求回到原來的城市。路徑的選擇目標：路徑的總長度為一切路徑之中的最小值。 TSP問題的能够解法列舉法 陈列組合解決時間的估計是以每秒可以做一億次計算的超

4、級電腦Cray來評估陈列組合。 解決時間的估計是以每 秒可以做一億次計算的 超級電腦Cray來評估。城市n路徑 (n-1)!/2 加法n!/2時間(Cray) 512 6010-7秒 10105 10610-2秒 201016 1018350年 301030 10321016年 貪心法 開始時恣意選擇某一個城市當作起始點，每次都選擇鄰近未曾拜訪的城市當作下一次要拜訪的城市。有效率，但是所得到的解並不是最正确的路徑， HopfieldHopfield網路解法網路解法 根據網路學習後的架構而依城市所代表根據網路學習後的架構而依城市所代表的神經元依序找出我們的路徑。的神經元依序找出我們的路徑。 應用

5、：影像分類應用：影像分類將類神經網路應用在多光譜水稻田影像的分類上邵泰璋、史天元。針對彰化地區多時段SOPT衛星影像與多時段NDVI影像兩者，對水稻田做自動分類的任务；採用的誤差倒傳遞類神經網路Error back propagation：BP和學習向量化網路Learning Vector Quantization Network：LVQ，运用兩種資料表現方式，亦即比例粗編碼及正規化編碼，表現之結果可交叉組合成四種分類方法；與高斯最类似分類法做比較，最後並参与紋裡影像輔助分類。1. 多時段光譜影像分類結果 輔助紋理影像高斯最类似法BP類神經網路BP粗編碼LVQ類神經網路LVQ粗編碼整體精度64

6、.84665.08266.44565.83465.977运用者精度水稻87.04785.69879.91186.90784.759生產者精度水稻78.34675.80286.93581.97683.802Kappa指標46.65147.09248.48748.10648.115Tau指標47.26947.62349.66848.75148.966分類运用時間秒38341510372892982輔助紋理影像高斯最类似法BP類神經網路BP粗編碼LVQ類神經網路LVQ粗編碼整體精度65.59868.15167.77665.80565.643运用者精度水稻85.71981.21982.48686.53

7、084.771生產者精度水稻94.65989.73589.79184.34883.805Kappa指標47.36650.87950.26047.86347.566Tau指標48.39752.22651.66448.70848.465分類运用時間秒4834128554617775 2.多時段NDVI影像分類成果就整體的分類精度而言，以倒傳遞類神經網路最正确 提高其分類之正確性 註一：比例粗編碼，將每一波段中像元的灰度值利用一切神經單元編碼，可視為一種內插方式，能提高足夠的差異性來表示類似的像元值。註二：正規化編碼，為一段波段中像元的灰度值對應到一個神經單元，輸入層神經單元數與波段數成正比，因灰度

8、值對應到神經單元時先過正規化，將神經元值域限制在0至1之間，故稱正規化編碼。二、遺傳演算法之簡介與應用二、遺傳演算法之簡介與應用遺傳演算法的由來和發展遺傳演算法是由John Holland於1975年首度發表的。經過了多年的研讨和發展，遺傳演算法已被大多數的學者証明為一有效的最正确化搜尋方法。最近的幾年當中，許多學者投入這個領域繼續對演化式計算做更深一層的探求。 遺傳演算法的原理根據的就是達爾文的天擇概念-優勝劣敗、適者生存 操作方式 : 1.恣意挑選幾個基因去完成任务 2.其中表現較好的就留下，不好的就淘汰 3.然後被留下來的優良基因就一對一對地 互換(Crossover)，產生後代 4.經

9、過突變以後，讓它們繼續完成其他的任务 5.在這樣一代一代的遺傳演化中，基因會越來 越優良，越來越能夠達成任务目標 遺傳演算法的應用Karl Sims遺傳演算法創造具有三度空間的植物、圖案及動作等。他設計一個系統能產生一些 在模擬的三度空間環境中具行為才干的虛擬生物。而這個生物的外形及其控制肌肉所須的類神經網路都是由遺傳演算法來自動產生的。國內曾有幾位研讨生，利用遺傳演算法設計出一個圍棋程式。本来這個程式沒有任何的棋力，但是在跟其他有棋力程式的對奕中，它漸漸培養出本人的棋力。一開始的時候它是每下必輸，但是經過演化後渐渐可以看到它變得厲害。 遺傳演算法亦可以解決時間限制因子的問題，例如國內火車班次

10、和班次之間，應該如何陈列才不會讓火車相撞，並且當有一個突發的誤點限制因子時，應該要如何即時的反應和排出正確的時間。國內的資訊工程界，不断努力於此即時專家系統的建立。對於工業工程或其他領域，良好的排程可以添加資源的运用率，並減少資源的閒置時間，更可以使任务如期的完成，顧客的需求得到滿足，進一步使得組織的利潤與競爭力。因此，排程的生產管理與設計更是需求一套有效的管理系統去執行，而遺傳演算法便給予了此一領域一個新的視野和空間。 傳統遺傳演算法的結果與模糊邏輯，在演化一千代之後的演化最正确化結果，做一簡單的效能評估，其目的是在測試演化結果的預測性。可用於證卷投資的風險和獲利評估。 遺傳演算法在地理學上的應用 Cellular Automata 細胞自動機 : 應用遺傳演算法模擬地理環境遭到衝擊後， 所發生的適切反應。 模擬都市的發展Batty 在 1994 年