人工智能的主要内容和方法22

人工智能(ArtificialIntelligence，简称AI)是50年代兴起的一门新兴能源技术、人工智能)，也被认为是二十一世纪三大尖端技术之一(基因工前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学与技术的发展史联系在 既为人工智能的最终研究目标打好基础，又能创造出短期效益，这是选接下来是符号阶段，知识在这里以符号组织表示(例如：列表可用列表处理制 b0XW∈Rh*mX1y∑1∑2X22mym∑hΦhΦ(||x-c||)nhhmbmRBF网络的最显著的特点是隐节点的基函数采用距离函数(如欧式距离)，并使用径向基函数(如Gaussian高斯函数)作为激活函数。径向基函 Φ(t)=e-t2/δiiΦ(t)=1/(t2+δ2)α,α>0ii以上三式中的δi称为该基函数的扩展常数(Spread)或宽度。显然δi越与输出节点相连的隐层第i个隐节点的所有参数可用三元组(ci,δi,ωi)表示。每个隐层神经元都对输入x产生一个响应Φ(||x-c||)，且响应特性成ii径向对称(即是一个个同心圆)，而神经网络的输出则是所有这些响应的加kiiii=1i 类)方法确定网络中个隐节点的数据中心，并根据各数据中心之间的距离确定隐节点的扩展常数，然后用有监督学习(梯度法)训练各隐节点的网络中第j个隐节点的激活函数为ej(*)。k为迭代次数，第k次迭代时的聚j=1,2,,N。…i(4)重新计算各类的新的聚类中心：i iiNix=i(k)(6)根据各聚类中心之间的距离确定各隐节点的扩展常数。隐节点的扩i…,用最小二乘方法(LMS)直接计算。假定当输入为Xi=1,2,…,N时，第jijjijij^=H+y^ fuu数用聚类方法得到，输出权值和偏移采用广义逆方法求解。隐节点数(即聚类数)取10，初始聚类中心取前%隐节点(聚类样本)数 %求隐节点数据中心间的距离(矩阵)离 32 聚类方法的优点是能根据各聚类中心之间的距离确定各隐节点的扩展信息；另外聚类方法也无法确定聚类的数目(RBF网络的隐节点数)。 该算法的操作对象是一群被称为种群的二进制位串(称为染色体、个 (2)确定变量的约束条件。而是利用解的某种编码表示。通常解(变量)空间中的一个解(变量)被编码成一个串，它是由组成这个解(变量)的一系列有效信息组成。(4)确定适应度函数。适应度值是对解的质量的度量，它是遗传算法对(5)确定选择策略。个体的适应度值是策略中的主要依据，该步骤使适排序选择策略等。(8)确定算法的条件终止准则。 开始GEN:=0产生初始种群N计算每个个体的适应值Y指定结果结束i:=0YGEN:=GEN+1N复制变异复制依概率选择遗传操作交叉选择两个个体选择一个个体i:=i+1选择一个个体执行复制执行杂交执行变异复制到新种群将两个后代插入新种群插入到新种群i:=i+1 2.计算目标函数值(bb…b>)=(9b.2i)=x'9802i10i=0 spoint变量而言，如有两 3.计算个体的适应值4.选择复制 1)在第t代，由上式计算fsum和pi3)求pi≥s中最小的k，则第k个个体被选中4)进行N次2)、3)操作，得到N个个体，成为第t=t+1代种群fitin=1;fitin=fitin+1; 两个个体从各自字符串的某一位置，(一般是随机确定)开始互相交换，这 变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指 clfn(i)=i;