《人工智慧》ppt課件

1、人工智慧 一、類神經(jīng)網(wǎng)路一、類神經(jīng)網(wǎng)路二、遺傳演算法二、遺傳演算法 類神經(jīng)網(wǎng)路(Artificail neural network)，是一種以電腦來(lái)模擬人類腦神經(jīng)細(xì)胞網(wǎng)路的科學(xué)。在人們逐漸了解腦細(xì)胞的思索與學(xué)習(xí)方式後，希望電腦也能用類似人的方式來(lái)解決問(wèn)題。一、類神經(jīng)網(wǎng)路簡(jiǎn)介腦神經(jīng)：接受外來(lái)刺激腦神經(jīng)：接受外來(lái)刺激經(jīng)過(guò)傳遞，達(dá)經(jīng)過(guò)傳遞，達(dá)一定的標(biāo)準(zhǔn)一定的標(biāo)準(zhǔn)反應(yīng)反應(yīng)類神經(jīng)元：輸入類神經(jīng)元：輸入內(nèi)部過(guò)程隱藏層內(nèi)部過(guò)程隱藏層輸出輸出 以下為人腦的神經(jīng)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(jīng)網(wǎng)路系統(tǒng)類神經(jīng)網(wǎng)路系統(tǒng) 結(jié)點(diǎn)模擬腦神經(jīng)細(xì)胞；結(jié)點(diǎn)之間的連結(jié)模擬腦神經(jīng)之間的連結(jié)神經(jīng)纖維。輸入每一結(jié)

2、點(diǎn)會(huì)去接納其相關(guān)連結(jié)的點(diǎn)傳來(lái)的訊息，結(jié)點(diǎn)會(huì)依據(jù)接納的值，經(jīng)過(guò)連結(jié)強(qiáng)度值的加權(quán)，然後再輸出給相關(guān)的結(jié)點(diǎn)們輸出。腦神經(jīng)元的特點(diǎn) 人腦的健全性 人腦的容錯(cuò)才干人腦可以平行處理且分散式的處理多項(xiàng)資訊 人腦能夠處理模糊的Fuzzy、有機(jī)率性的、吵雜的以及矛盾的的訊息 人腦隨著環(huán)境的變遷而調(diào)整本人的知識(shí)判斷，而有學(xué)習(xí)的才干人腦的歸納推廣的才干 人腦對(duì)於外界刺激的接納和解釋 類神經(jīng)網(wǎng)路系統(tǒng)的處理資訊方式類神經(jīng)網(wǎng)路系統(tǒng)的處理資訊方式 平行處理歸納推廣的才干學(xué)習(xí)的功能 學(xué)習(xí)方式有監(jiān)督型與非監(jiān)督型兩種監(jiān)督型(Supervised)：類神經(jīng)系統(tǒng)將告知其期望的系統(tǒng)反應(yīng) 非監(jiān)督型(Unsupervised)不論是哪一種

3、學(xué)習(xí)，在學(xué)習(xí)階段中的，結(jié)點(diǎn)所代表的意義、結(jié)點(diǎn)與結(jié)點(diǎn)之間所代表的意義、結(jié)點(diǎn)與結(jié)點(diǎn)之間的相互關(guān)係並不會(huì)被明確的定義或絕對(duì)的定義。都透過(guò)學(xué)習(xí)階段自我學(xué)習(xí)、自我組織。 類神經(jīng)網(wǎng)路分類介紹HopfieldHopfield網(wǎng)路網(wǎng)路 倒傳遞類神經(jīng)網(wǎng)路倒傳遞類神經(jīng)網(wǎng)路BPBP 學(xué)習(xí)向量化網(wǎng)路學(xué)習(xí)向量化網(wǎng)路LVQLVQ 案例介紹 TSP問(wèn)題traveling salesman problem，商人旅遊問(wèn)題游覽商路徑的問(wèn)題路徑的限制：每個(gè)城市只能拜訪一次，而且最後需求回到原來(lái)的城市。路徑的選擇目標(biāo)：路徑的總長(zhǎng)度為一切路徑之中的最小值。 TSP問(wèn)題的能夠解法列舉法 陳列組合解決時(shí)間的估計(jì)是以每秒可以做一億次計(jì)算的超

4、級(jí)電腦Cray來(lái)評(píng)估陳列組合。 解決時(shí)間的估計(jì)是以每 秒可以做一億次計(jì)算的 超級(jí)電腦Cray來(lái)評(píng)估。城市n路徑 (n-1)!/2 加法n!/2時(shí)間(Cray) 512 6010-7秒 10105 10610-2秒 201016 1018350年 301030 10321016年 貪心法 開(kāi)始時(shí)恣意選擇某一個(gè)城市當(dāng)作起始點(diǎn)，每次都選擇鄰近未曾拜訪的城市當(dāng)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確的路徑， HopfieldHopfield網(wǎng)路解法網(wǎng)路解法 根據(jù)網(wǎng)路學(xué)習(xí)後的架構(gòu)而依城市所代表根據(jù)網(wǎng)路學(xué)習(xí)後的架構(gòu)而依城市所代表的神經(jīng)元依序找出我們的路徑。的神經(jīng)元依序找出我們的路徑。 應(yīng)用

5、：影像分類應(yīng)用：影像分類將類神經(jīng)網(wǎng)路應(yīng)用在多光譜水稻田影像的分類上邵泰璋、史天元。針對(duì)彰化地區(qū)多時(shí)段SOPT衛(wèi)星影像與多時(shí)段NDVI影像兩者，對(duì)水稻田做自動(dòng)分類的任務(wù)；採(cǎi)用的誤差倒傳遞類神經(jīng)網(wǎng)路Error back propagation：BP和學(xué)習(xí)向量化網(wǎng)路Learning Vector Quantization Network：LVQ，運(yùn)用兩種資料表現(xiàn)方式，亦即比例粗編碼及正規(guī)化編碼，表現(xiàn)之結(jié)果可交叉組合成四種分類方法；與高斯最類似分類法做比較，最後並參與紋裡影像輔助分類。1. 多時(shí)段光譜影像分類結(jié)果 輔助紋理影像高斯最類似法BP類神經(jīng)網(wǎng)路BP粗編碼LVQ類神經(jīng)網(wǎng)路LVQ粗編碼整體精度64

6、.84665.08266.44565.83465.977運(yùn)用者精度水稻87.04785.69879.91186.90784.759生產(chǎn)者精度水稻78.34675.80286.93581.97683.802Kappa指標(biāo)46.65147.09248.48748.10648.115Tau指標(biāo)47.26947.62349.66848.75148.966分類運(yùn)用時(shí)間秒38341510372892982輔助紋理影像高斯最類似法BP類神經(jīng)網(wǎng)路BP粗編碼LVQ類神經(jīng)網(wǎng)路LVQ粗編碼整體精度65.59868.15167.77665.80565.643運(yùn)用者精度水稻85.71981.21982.48686.53

7、084.771生產(chǎn)者精度水稻94.65989.73589.79184.34883.805Kappa指標(biāo)47.36650.87950.26047.86347.566Tau指標(biāo)48.39752.22651.66448.70848.465分類運(yùn)用時(shí)間秒4834128554617775 2.多時(shí)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(jīng)網(wǎng)路最正確 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(jīng)單元編碼，可視為一種內(nèi)插方式，能提高足夠的差異性來(lái)表示類似的像元值。註二：正規(guī)化編碼，為一段波段中像元的灰度值對(duì)應(yīng)到一個(gè)神經(jīng)單元，輸入層神經(jīng)單元數(shù)與波段數(shù)成正比，因灰度

8、值對(duì)應(yīng)到神經(jīng)單元時(shí)先過(guò)正規(guī)化，將神經(jīng)元值域限制在0至1之間，故稱正規(guī)化編碼。二、遺傳演算法之簡(jiǎn)介與應(yīng)用二、遺傳演算法之簡(jiǎn)介與應(yīng)用遺傳演算法的由來(lái)和發(fā)展遺傳演算法是由John Holland於1975年首度發(fā)表的。經(jīng)過(guò)了多年的研討和發(fā)展，遺傳演算法已被大多數(shù)的學(xué)者証明為一有效的最正確化搜尋方法。最近的幾年當(dāng)中，許多學(xué)者投入這個(gè)領(lǐng)域繼續(xù)對(duì)演化式計(jì)算做更深一層的探求。 遺傳演算法的原理根據(jù)的就是達(dá)爾文的天擇概念-優(yōu)勝劣敗、適者生存 操作方式 : 1.恣意挑選幾個(gè)基因去完成任務(wù) 2.其中表現(xiàn)較好的就留下，不好的就淘汰 3.然後被留下來(lái)的優(yōu)良基因就一對(duì)一對(duì)地 互換(Crossover)，產(chǎn)生後代 4.經(jīng)

9、過(guò)突變以後，讓它們繼續(xù)完成其他的任務(wù) 5.在這樣一代一代的遺傳演化中，基因會(huì)越來(lái) 越優(yōu)良，越來(lái)越能夠達(dá)成任務(wù)目標(biāo) 遺傳演算法的應(yīng)用Karl Sims遺傳演算法創(chuàng)造具有三度空間的植物、圖案及動(dòng)作等。他設(shè)計(jì)一個(gè)系統(tǒng)能產(chǎn)生一些 在模擬的三度空間環(huán)境中具行為才干的虛擬生物。而這個(gè)生物的外形及其控制肌肉所須的類神經(jīng)網(wǎng)路都是由遺傳演算法來(lái)自動(dòng)產(chǎn)生的。國(guó)內(nèi)曾有幾位研討生，利用遺傳演算法設(shè)計(jì)出一個(gè)圍棋程式。本來(lái)這個(gè)程式?jīng)]有任何的棋力，但是在跟其他有棋力程式的對(duì)奕中，它漸漸培養(yǎng)出本人的棋力。一開(kāi)始的時(shí)候它是每下必輸，但是經(jīng)過(guò)演化後漸漸可以看到它變得厲害。 遺傳演算法亦可以解決時(shí)間限制因子的問(wèn)題，例如國(guó)內(nèi)火車班次

10、和班次之間，應(yīng)該如何陳列才不會(huì)讓火車相撞，並且當(dāng)有一個(gè)突發(fā)的誤點(diǎn)限制因子時(shí)，應(yīng)該要如何即時(shí)的反應(yīng)和排出正確的時(shí)間。國(guó)內(nèi)的資訊工程界，不斷努力於此即時(shí)專家系統(tǒng)的建立。對(duì)於工業(yè)工程或其他領(lǐng)域，良好的排程可以添加資源的運(yùn)用率，並減少資源的閒置時(shí)間，更可以使任務(wù)如期的完成，顧客的需求得到滿足，進(jìn)一步使得組織的利潤(rùn)與競(jìng)爭(zhēng)力。因此，排程的生產(chǎn)管理與設(shè)計(jì)更是需求一套有效的管理系統(tǒng)去執(zhí)行，而遺傳演算法便給予了此一領(lǐng)域一個(gè)新的視野和空間。 傳統(tǒng)遺傳演算法的結(jié)果與模糊邏輯，在演化一千代之後的演化最正確化結(jié)果，做一簡(jiǎn)單的效能評(píng)估，其目的是在測(cè)試演化結(jié)果的預(yù)測(cè)性。可用於證卷投資的風(fēng)險(xiǎn)和獲利評(píng)估。 遺傳演算法在地理學(xué)上的應(yīng)用 Cellular Automata 細(xì)胞自動(dòng)機(jī) : 應(yīng)用遺傳演算法模擬地理環(huán)境遭到衝擊後， 所發(fā)生的適切反應(yīng)。 模擬都市的發(fā)展Batty 在 1994 年