人工智能论文.docx
- 文档编号:23744394
- 上传时间:2023-05-20
- 格式:DOCX
- 页数:10
- 大小:35.12KB
人工智能论文.docx
《人工智能论文.docx》由会员分享,可在线阅读,更多相关《人工智能论文.docx(10页珍藏版)》请在冰豆网上搜索。
人工智能论文
理工学院
人工智能课程论文
题目:
模式识别及人工神经网络
课程名称:
人工智能
院系:
计算机学院
专业班级:
姓名:
学号:
课程论文成绩:
指导教师:
2021年6月26日
模式识别及人工神经网络
摘要:
人工神经网络是指模拟人脑神经系统的构造和功能,运用大量的处理部件,由人工方式建立起来的网络系统。
该文首先介绍了神经网络研究动向,然后介绍了近年来几种新型神经网络的根本模型及典型应用,包括模糊神经网络、神经网络与遗传算法的结合、进化神经网络、混沌神经网络和神经网络与小波分析的结合。
最后,根据这几种新型神经网络的特点,展望了它们今后的开展前景。
[2]
关键词:
模糊神经网络;神经网络与遗传算法的结合;进化神经网络;混沌神经网络;神经网络与小波分析。
Patternrecognitionandartificialneuralnetwork
Abstract:
Artificialneuralnetworkisthesystemthatsimulatesthehumanbrain’sstructureandfunction,andusesalargenumberofprocessingelements,andismanuallyestablishedbythenetworksystem.Thispaperfirstlyintroducestheresearchtrendsoftheneuralnetwork,andthenintroducesseveralnewbasicmodelsofneuralnetworksandtypicalapplicationsinrecentyears,includingoffuzzyneuralnetwork,thecombineofneuralnetworkandgeneticalgorithm,evolutionaryneuralnetworks,chaoticneuralnetworksandthecombineofneuralnetworksandwaveletanalysis.Finally,theirfutureprospectsarepredictedbasedonthecharacteristicsofthesenewneuralnetworksinthepaper.Keywords:
Fuzzyneuralnetwork;Neuralnetworkandgeneticalgorithm;Evolutionaryneuralnetworks;Chaoticneuralnetworks;Neuralnetworksandwaveletanalysis
1什么是人工神经网络?
所谓人工神经网络就是模仿生物大脑的构造和功能而构成的一种信息系统计算机,人士地球上具有最高智慧的动物,而人的指均来自大脑,人类靠大脑进展思考,联想,记忆和推理判断等,这些功能是任何被称为“电脑〞的一般计算机所无法取代的,长期以来,许多科学家一直致力于人脑部构造和功能的探讨和研究,并试图建立模拟人脑的计算机,虽然到目前对大脑的部工作机理还不是完全清楚,但对其构造有所了解。
粗略地讲,大脑是由大量神经细胞或者神经元组成的,每个神经元可看作是一个小的处理单元,这些神经元按某种方式连接起来,形成大脑部的生理神经元网络。
这种神经元网络中各神经元之间联结的强弱,按外部的鼓励信号做自适应变化,而每个神经元又随着所接收到的多个信号的综合大小而呈现兴奋或抑制状态。
1.1人工智能网络的开展
〔1〕初期〔萌发〕期---MP模型的提出和人工升级网络的兴起
--1943年,美国神经生理学家WarrenMcculloch和数学家WalterPitts合写了一篇关于神经元如何工作的开拓性文章:
“ALogicalCalculusofIdeasImmanentinNervousActivity〞。
该文指出,脑细胞的活动就像各种逻辑运算。
[3]
〔2〕第一次高潮期------感知器模型和人工神经网络
--1957年,计算机专家FrankRoseblatt开场感知器的研究,并制成硬件,通常被认为是最早的神经网络模型。
〔3〕反思期----神经网络的低潮
--1969年,MarvinMinsky和SeymourPapert合著了一本书“Perception〞,分析了当时的简单感知器,指出它有非常严重的局限性,甚至不能解决简单的“异或〞问题,为Rosenblatt的感知器判了“死刑〞,此时,批评的声音高涨,导致停顿对人工神经网络研究所需要的大量投资。
〔4〕第二次高潮期-------Hopfield网络模型的出现和神经网络的复。
---1982年,JohnHopfield向美国科学家递交了有关神经网络的工作,其中特别强调了每种模型的实用性,根据对神经网络的数学分析和深入理解,Hopfield提醒了以往的网络是如何工作的,可以做些什么,并提出了他自己的模型。
,能从失真的或不完善的数据图像中完整的数据图像,引起了美国军方的兴趣。
再认识与应用研究。
1.2神经网络模式识别的根本方法
首先用己知样本训练神经网络使之对不同类别的己知样本给出所希望的不同输出,然后用该网络识别未知的样本,根据各样本所对应的网络输出情况来划分未知样本的类别。
神经网络进展模式识别的一般步骤如图2-1所示分为如下几个局部。
(1)、样本获取
这一步骤主要是为了得到一定数量的用于训练和识别的样本。
〔2〕、常规处理
其作用相当于传统模式识别中的数据获取和常规处理两步的功能。
即通过对
识别对象的有效观测、进展采样量化获得一系列数据再经过去除噪声、加强有用信息等工作获得尽量逼真的原始数据。
通过这一步骤得到了样本的原始表
达。
〔3〕、特征变换
在原始样本表达的根底上进展适当的变换得到适合神经网络进展识别的
样本的特征表达。
以上两步构成了神经网络模式识别中的预处理过程。
这一步骤与传统模式识别的特征提取选择的位置很相似不同的是神经网络可以对原始样本直接进展处理因此这种变换在神经网络模式识别中不象传统模式识别的特征提取选择那样必不可少神经网络对预处理的要求与传统模式识别对特征提取选择的要求也有所不同。
〔4〕、神经网络识别
根据识别对象和研究问题的不同选用不同的网络构造并采用适当的学习算
法,用样本作为训练集对神经网络进展训练使其网络连接的权值不断调整直到网络的输出特性与期望的相符合。
训练过程完毕以后网络相当于一个固定的映射器新的输入样木(测试样本)通过网络映射到不同的类别。
1.3神经网络的优点
神经网络获得迅速开展,应用来领域越来越广,解决实际问题的能力也越来越强,这是神经网络的优良性能以及对国民经济所起的重大作用所决定的。
具体说,神经网络具有以下优点:
(1)分布存储和容错性
一个信息不是存储在一个地方而是按容而分布在整个网络上网络某一
处不是只存储一个外部信息而每个神经元存储多种信息的局部容。
网络的每
局部对信息的存储有等势作用。
这种分布式存储算法是存储区与运算区合为一体
的。
在神经网络中要获得存储的知识那么采用“联想〞的方法即当一个神经网
络输入一个鼓励时它要在己存的知识中寻找与该输入匹配最好的存储知识为其
解。
当然在信息输出时也还要经过一种处理。
而不是直接从记忆中取出。
这种存
储方式的优点在于假设局部信息不完全就是说或者丧失或者损坏甚至有错误的信
息它仍能恢复出原来正确的完整的信息系统仍能运行。
这就是网络具有容错
性和联想记忆功能自然是表现出较强的鲁莽性。
人的大脑的容错性是它的一种
重要的智慧形式。
〔2〕大规模并行处理
人工神经元网络在构造上是并行的而且网络的各个单元可以同时进展类似
的处理过程。
因此网络中的信息处理是在大量单元中平行而又有层次地进展运算速度高大大超过传统的序列式运算的数字机。
虽然每个神经元的信息传递(神经脉冲)速度是以毫秒计算的比普通序列式计算机要慢很多但是人通常能在1秒即可作出对外界事物的判断和决策、这就是能神奇地完成所谓“百步〞决策。
这按照现有传统的计算机及人工智能技术目前还是做不到的。
〔3〕自学习、自组织和自适应性
学习和适应要求在时间过程中系统部构造和联系方式有改变神经元网络是一种变构造系统恰好能完成对环境的活应和对外界事物的学习能力。
神经元
之间的连接有多种多样各神经元之间连接强度具有一定的可塑性相当于突触
传递信息能力的变化这样网络可以通过学习和训练进展自组织以适应不同信
息处理的要求。
神经元网络是大量神经元的集体行为并不是各单元行为的简单的相加,而表现出一般复杂非线性动态系统的特性。
如不可预测性、不可逆性、有各种类型的吸引子(信息正是“存储〞在定点吸引子)和出现混沌现象等。
正是由于神经网络具有这些特点所以可以处理一些环境信息十分复杂、知识背景不清楚和推理规那么不明确的问题。
例如语音识别和识别、医学诊断以及市场估计等都是具有复杂非线性和不确定性对象的控制。
在那里信源提供的模式丰富多彩有的互相间存在矛盾而判定决策原那么又无条理可循。
通过神经元网络学习(按照学习法那么)从典型事例中学会处理具体事例给出比拟满意的解答。
2人工神经网络的根本原理
2.1神经细胞以及人工神经元的组成
神经系统的根本构造单元是神经细胞也称神经元。
它和人体中其他细胞的
关键区别在于具有产生、处理和传递信号的功能。
每个神经元都包括三个主要部
分:
细胞体、树突和轴突。
树突的作用是向四方收集由其他神经细胞传来的信息
轴突的功能是传出从细胞体送来的信息。
每个神经细胞所产生和传递的根本信息
是兴奋或抑制。
在两个神经细胞之间的相互接触点称为突触。
从信息的传递过程来看,一个神经细胞的树突,在突触处从其他神经细胞承受信号。
这些信号可能是兴奋性的,也可能是抑制性的。
所有树突承受到的信号都传到细胞体进展综合处理,如果在一个时间间隔,某一细胞承受到的兴奋性信号量足够大以致于使该细胞被激活,而产生一个脉冲信号。
这个信号将沿着该细胞的轴突传送出去并通过突触传给其他神经细胞.神经细胞通过突触的联接形成神经网络。
人们正是通过对人脑神经系统的初步认识尝试构造出人工神经元以组成人工神经网络系统来对人的智能甚至是思维行为进展研究:
尝试从理性角度说明大脑的高级机能。
经过几十年的努力与开展己涌现出上百种人工神经网络模型它们的网络构造、性能、算法及应用领域各异但均是根据生物学事实衍生出来的。
由于其根本处理单元是对生物神经元的近似仿真因而被称之为人工神经元。
它用于仿效生物神经细胞最根本的特性与生物原型相对应。
人工神经元的主要构造单元是信号的输入、综合处理和输出其输出信号的强度大小反映了该单元对相邻单元影响的强弱。
人工神经元之间通过互相联接形成网络称为人工神经网络。
神经元之间相互联接的方式称为联接模式相互之间的联接度由联接权值表达在人工神经网络中,改变信息处理过程及其能力,就是修改网络权值的过程。
目前多数人工神经网络的构造大体上都采用如下的一些原那么:
1、由一定数量的根本单元分层联接构成;
2、每个单元的输入、输出信号以及综合处理容都比拟简单;
3、网络的学习和知识存储表达在各单元之间的联接强度上。
2.2人工神经元的模型
神经元是人工神经网络的根本处理单元,它一般是一个多输入/单输出的非
线性元件。
神经元输出除受输入信号的影响外同时也受到神经元部其它因素
的影响所以在人工神经元的建模中常常还加有一个额外输入信号、称为偏差
(bais)有时也称为阈值或门限值。
一个具有r个输入分量的神经元如图2-2所示。
其中输入分量Pj(j=1,2,...r)通过与和它相乘的权值分量Wj(j=1,2,...r)相连以
的形式求和后形成激活函数f()的输入。
激活函数的另一个输入是神经元的偏差b,权值Wj和输入分量的矩阵形式可以由W的行矢量以及P的列矢量来表示:
W=[w1,w2,w3...wr]
P=[p1,p2,p3...pr]
神经网络的联接形式:
人脑量的神经细胞都不是孤立的,而是通过突触形式相互联系着,构成构造与功能十分复杂的神经网络系统。
为了便于从构造出发模拟智能,因此必须将一定数量的神经元适当地联接成网络,从而形成多种神经网络模型。
通常所说的神经网络的构造主要指它的联接方式。
神经网络按照拓扑构造
属于以神经元为节点,以及节点间有向连接为边的一种图,其构造大体上可分为
层状和网状两大类。
层状构造的神经网络是由假设干层组成,每层中有一定数量的神经元,相邻层中神经元单向联接,一般地同层的神经元不能联接网状构造的神经网络中,任何两个神经元之间都可能双向联接。
3神经网络在数字识别中的应用
神经网络模型用于模拟人脑神经元活动的过程。
其中包括对信息的加工、处理、存储和搜索等过程它具有如下根本特点:
〔1〕神经网络具有分布式存储信息的特点。
它存储信息的方式与传统的计算
机的思维方式是不同的一个信息不是存在一个地方而是分布在不同的位置。
网络的某一局部也不只存储一个信息它的信息是分布式存储的。
神经网络是用
大量神经元之间的连接及对各连接权值的分布来表示特定的信息。
因此这种分
布式存储方式即使当局部网络受损时仍具有能够恢复原来信息的优点。
〔2〕神经网络对信息的处理及推理的过程具有并行的特点。
每个神经元都可
以根据接收到的信息作独立的运算和处理然后将结果传输出去这表达了一种
并行处理。
神经网络对于一个特定的输入模式通过前向计算产生一个输出模式各个输出节点代表的逻辑概念被同时计算出来。
在输出模式中通过输出节点的
比拟和本身信号的强弱而得到特定的解同时排出其余的解。
这表达了神经网络
并行推理的特点。
〔3〕神经网络对信息的处理具有自组织、自学习的特点。
神经网络中各神经
元之间的连接强度用权值大小来表示这种权值可以事先定出也可以为适应周
围环境而不断地变化这种过程称为神经元的学习过程。
神经网络所具有的自学
习过程模拟了人的形象思维方法这是与传统符号逻辑完全不同的一种非逻辑非
语言的方法。
在神经网络研究的历史进程中它在模式识别方面的应用一直是最活泼和最成功的领域。
神经网络与它在模式识别中的应用是息息相关密不可分的。
几乎可以说神经网络模式识别研究的开展史贯穿了整个神经网络的研究历程。
目前,随着计算机的迅速开展性能价格比的不断提高模式识别技术己经
从理论探讨为主开展到大量的实际应用人们将更多的注意力开场转向那些用于
语音图像、机器人以及人工智能等的模式识别实际问题。
解决这些问题的关键
是需要进展复杂而庞大的实时数据处理而现有计算机的存贮容量及计算复杂性
的局限使得真正实时化的应用受阻。
这种面向实时应用的模式识别问题促使人们开场将并行处理的神经网络应到模式识别而神经网络模式识别技术又将模式识别实时应用推进了一大步数字识别就是这种应用的一个很重要的领域。
数字识别是一项极具研究价值的课题随着神经网络和模糊逻辑技术的开展。
人们对这一问题的研究又采用了许多新的方法和手段也使得这一古老的课题焕发出新的生命力。
目前国际上有相当多的学者在研究这一课题,它包括了模式识别领域中所有典型的问题:
数据的采集、处理及选择、输入样本表达的选择、模式识别分类器的选择以及用样本集对识别器的有指导的训练。
人工神经网络为数字识别提供了新的手段。
正是神经网络所具有的这种自组织自学习能力、推广能力、非线性和运算高度并行的能力使得模式识别成为目前神经网络最为成功的应用领域。
4完毕语
人工智能网络的实现意味着要不断融合最新信息技术的开展成果,用创新型思维来实现新功能。
但是已经取得了很可观的开展,在未来结合大家的努力和更加先进的技术,人工智能网络会开展的很好,会有一天模拟出高速独立思考的智能网络。
参考文献:
[1]王万良.人工智能及其应用[M].:
高等教育,2021:
200
[2]高隽.人工神经网络原理及其仿真实例机械工业2007.2
[3]徐丽娜.神经网络控制.工业大学2021.3
教育之通病是教用脑的人不用手,不教用手的人用脑,所以一无所能。
教育革命的对策是手脑联盟,结果是手与脑的力量都可以大到不可思议。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 论文
![提示](https://static.bdocx.com/images/bang_tan.gif)