人工智能前沿问题.ppt

1、第8章，人工智能的前沿问题，数据挖掘和网络(web)智能人工神经网络贝叶斯网络蚁群优化算法，“信息过载”，“资源风扇”销售模型手动负荷增加，带宽严重浪费，互联网，想购买有关Java的书，shop1.数据挖掘和网络(web)智能-在数据挖掘数据库中，knowledge discovery in databases(KDD)的概念和数据挖掘(Data Mining)技术是这种“丰富的数据，缺乏信息”在包含大量原始数据的数据库中搜索和查找系统的、有意义的模式的过程称为数据库中的知识发现。三个阶段：定义要发现的问题；基于问题的数据检索、模式提取；KDD=问题处理评估DM说明等发现的知识质量。数据挖掘是

2、KDD的核心技术。数据挖掘是从大型数据库或数据仓库中提取隐藏预测信息的技术，通过挖掘数据之间的潜在模式(pattern)，找到最有价值的信息和知识(knowledge)，指导业务行为或辅助科学研究。模式是使用挖掘算法获得的结果，是概率分布的简要说明。知识或信息是通过处理模式而获得的易于理解的结果。原始数据是形成可能结构化或半协调的知识(例如文本、图形图像数据)的来源，例如关系数据库中的数据。内容可能不完整，噪音大，模糊。数据挖掘技术是应用程序驱动的新学科，涵盖数据库、人工智能、机器学习、数学统计、模式识别、并行计算等领域。数据挖掘的基本功能：摘要是从数据库中提取用户指定数据集合的一般特性。关联

3、从关系数据库中提取关系规则，该关系数据库显示指定数据集中经常出现属性值对的条件。分类和预测分类是将新记录分配给预定义类，首先查找对象或概念的模型，以便可以使用模型预测类标记未知对象。群集基于类中相似性最大、类之间相似性最小的原则对数据集进行分组，以生成数据的类标记，最后形成一个对象类。孤岛分析数据库可能包含某些数据对象，这些数据对象是与数据的常规行为或模型不匹配的孤岛。在某些应用程序中，罕见的事件可能比正常事件更有价值。进化分析描述了动作随时间变化的对象的规律或趋势，通常用时序模式表示。数据库营销中的数据挖掘流程、热点： Web挖掘、生物信息或基因数据挖掘、文本数据挖掘、Web挖掘和分类、万维

4、网web包含丰富、动态的超链接信息和对web页面的访问和使用信息，为数据挖掘提供丰富的资源，生成更具挑战性的研究领域web挖掘。有三种基本类型：Web content mining(Web内容挖掘):可以通过“Web信息检索”(Information Retrieval)和“信息提取”(Information Extraction)的组合来查看。Web结构挖掘：网页链接分析方法。Web使用挖掘(Web usage mining) :是人工智能技术(AI)和高级信息技术(IT)在Web和internet上的应用和开发。WI技术的基础是AI和IT技术，WI研究的支持平台是web网络，因此WI的研究

5、对象正是新web平台上AI和IT技术的共同研究目标。这意味着网络智能是应用AI和IT技术设计和实施智能Web信息系统(intelligent Web information system)。也就是说，网络智能系统是基于web的高级智能信息系统，实现了类似于人类智能的一些功能，如推理、学习、自适应等。网络智能是随着web信息的收集、存储、处理、传递和使用的发展而演变的当前计算机科学的活跃、开放的研究领域。在web环境中，系统不再是结构化的、相互不相关的类似对象集合，而是处理结构化的、半结构化的、非结构化的、相互关联的异类对象集合，因此，需要重新考虑许多现有信息系统中使用的理论、方法和技术在web

6、领域中的适用性。为了满足web发展的这种需要，人们必须通过结合和扩展现有智能信息系统的已有成果来研究基于web的信息系统的设计和实现问题。以前开发了单独的基于web的信息系统，但在概念、系统、技术和方法级别没有对系统进行深入的研究。1999年底，钟宁教授等提出了网络智能的概念，很多研究开始形成系统化、系统化、全新的研究领域。web环境不仅为计算机行业的科学家提供了新的机遇和挑战，还催生了专门研究基于web的智能系统的新的子领域网络智能。将网络智能理解为“基于web的人工智能”，可以将其视为web环境下人工智能的具体研究。而且，如果将网络智能理解为“在网络上人工智能”，那么网络智能将成为网络上人

7、工智能的新应用领域。研究热点：基于Web的智能电子技术(电子科学、电子交易、电子学习、电子金融、电子政府、电子社区)、Web信息过滤和搜索、Web挖掘和放牧、Web信息管理、人Web智能交互、基于Web的智能计算、Web代理、Web语义网络和，基于代理的电子商务自动协商系统，8.2人工神经元网络，输入，输出，函数处理，人工神经元，生理神经元，神经网络是心理学家和神经生物学家首次提出的，目的是开发和测试神经的计算模拟。神经网络是一组连接的输入/输出单位神经元。其中每个连接对应一个权重。通常神经网络通过对训练集的学习，得到输入样本的正确类标签的加权矩阵。对新事物，可以根据其输入和学习的权能矩阵计算

8、输出值，并选择输出的最大值作为该物件的分类。最广泛使用的神经网络算法是20世纪80年代提出的反向传播算法，输入层次的单位对应于每个培训样本测量的属性，输入值也与输入层次的单位层次一起提供。这些单位的权重输出依次提供给名为隐藏层的“神经元类”的第二层。隐藏层的权重输出可以输入到其他隐藏层。所以类推；隐藏层的数量是随机的，但通常仅使用一层(图)，最后隐藏层的权重输出用作构成输出层的单元的输入。结果层发布给定抽样的预测。确定网络结构：网络结构的设计是没有明确规则的实验过程。反向传播通过反复处理一系列培训样本，将每个样本的网络预测与实际已知的班级编号进行比较，从而最小化学习、修改、网络预测和实际班级之

9、间的平均分布。此修改是“后退”完成的。也就是说，由输出层通过每个隐藏层进行到第一个，因此称为“向后传播”。研究热点：神经网络和小波分析、混沌、粗糙集理论、分形理论的融合及其应用。8.3贝叶斯网络、贝叶斯可信网络描述了任意变量集的联合概率分布，如图1所示，用非正向循环图表示联合空间中的每个变量，用贝叶斯网络中的节点表示，节点的值可以是两个或多个值。定性关系：具有描述变量之间的依存关系的圆弧(图1的左半部分):在XY的情况下，节点x表示节点y的父项，y表示x的后代，“表示x，y之间的因果关系，此变量在给定相应的父节点值时独立于非手动节点集。量化关系：每个变量包含描述指定相应父节点值时此变量的概率分

10、布的条件概率表(图1的右半部分是节点交通事故的条件概率表)。以条件独立性为前提，利用条件概率表，可以找出贝叶斯网络的组合概率。应用于汽车灾害、交通事故预测的贝叶斯网络模型如图1所示。在图中，季节(Se)、天气条件(w)、道路状态(r)、交通拥挤(c)、汽车速度(s)、交通事故(d)是具有布尔值的变量true是good或yes，Fas，BBN用直接圆弧和数字化概率分布描述节点之间的概率关系。BBN的结构紧凑地表示了网络中每个变量的联合概率分布。Y1，设置具有Yn结合概率的在线变量，研究热点贝叶斯网络结构学习条件概率的贝叶斯网络的新应用，商品秋山幸二系统，8.4集群智能和蚁群算法，集群智能是人们在

11、生物群落行为观察和生物社会性研究中获得的进化计算技术，是自然生物群(蜜蜂，)仿生学是其研究基础。近年来受到学者们的广泛关注，为寻找复杂组合优化问题的解决方案提供了理论依据。蚁群算法是通过模仿蚂蚁群在觅食过程中看到的智能行为而创建的搜索方法。蚂蚁群在觅食过程中没有直接的语言沟通，但总能找到从食物源到蚂蚁家的最短路径。根据蚁群的喂养原理，蚁群路径信息的扩散是通过一种叫信息素的物质实现的。蚂蚁在觅食过程中，在经过的路径上留下一定数量的信息素，一条路径上信息素(浓度)与经过该路径的蚂蚁数量成正比。是一种自我催化信息的积极反馈。一条路径上信息素的浓度越高，后面的蚂蚁选择这条路径的概率就越大，这条路径上信息素的浓度增加得越快，所有蚂蚁选择较短的食物路径的速度就越快。蚁群算法设计的要点，问题的解决模型：信息素浓度，灵感信息状态变化规则：蚂蚁k根据在旅行期间受可行候选路径启发的信息量随机选择自己前进的方向