人工智能计算智能和机器学习25

第六讲计算智能概论•计算智能的概念•计算智能方法•计算智能算法•计算智能的应用第六讲计算智能概论•计算智能的概念计算智能(computationalintelligence)属于现代人工智慧(artificialintelligence)的一门分支，能够让机器或资讯系统自动地推理和学习。所谓计算智能是一种计算的模式及智慧型工具。它能够在不确定的环境中，直接输入原始资料，再透过精确的平行表示方法来处理资料，最后及时产生可靠且高容错能力的结果。•Fuzzysettheory(模糊集合论)•Artificialneuralnetwork(类神经网路)•Beliefnetwork(信赖网路)•Artificiallife(人工生命)•Evolutionarycomputation(演化式计算方法)第六讲计算智能概论•计算智能方法模糊集合论1965年美国学者扎德在数学上创立了一种描述模糊现象的方法—模糊集合论。这种方法把待考察的对象及反映它的模糊概念作为一定的模糊集合，建立适当的隶属函数，通过模糊集合的有关运算和变换，对模糊对象进行分析。模糊集合论以模糊数学为基础，研究有关非精确的现象。客观世界中，大量存在着许多亦此亦彼的模糊现象。第六讲计算智能概论•计算智能方法类神经网络（ANN）根据计算的连接路径连接信息处理的数学计算模型或者使用。研究人员在一个精确的定义的协议之后,所谓的神经网络,也被称为神经网络(SNN或只是称为神经网络(尼龙使人工神经元网络组相互关联的。但多数人同意,它包括一个简单的网络,在处理处置的元素,元素之间的全球行为参数决定，主要是神经元与触突，就是拓朴学的点和弧了，实用於计算机模拟．第六讲计算智能概论•计算智能方法信任网络(beliefnetwork)又称贝氏网络(Bayesiannetwork)或是有向非循环图形模型(directedacyclicgraphicalmodel)，是一种机率图型模型，借由有向非循环图形(directedacyclicgraphs,orDAGs)中得知一组随机变量{X1,X2,...,Xn}及其n组条件机率分配(conditionalprobabilitydistributions,orCPDs)的性质。举例而言，贝氏网络可用来表示疾病和其相关症状间的机率关系；倘若已知某种症状下，贝氏网络就可用来计算各种可能罹患疾病之发生机率。第六讲计算智能概论•计算智能方法人工生命(AL:Artificiallife)通过人工模拟生命系统,来研究生命的领域。人工生命的概念，包括两个方面内容：1）、属于计算机科学领域的虚拟生命系统，涉及计算机软件工程与人工智能技术2）、基因工程技术人工改造生物的工程生物系统，涉及合成生物学技术。第六讲计算智能概论•计算智能方法演化式计算方法演化式计算是一个通用名次，泛指以达尔文进化论“适者生存，不适者淘汰”为基础，来模拟自然界演化过程所建立的计算模式。演化式计算方法又可分为下列算法：•Antcolonyoptimization(蚁群最佳化方法)•Geneticalgorithm(遗传演算法)•Particleswarmoptimization(粒子群优化法)第六讲计算智能概论•计算智能方法第六讲计算智能概论•计算智能算法•Antcolonyoptimization(蚁群最佳化方法)•Geneticalgorithm(遗传演算法)•Particleswarmoptimization(粒子群优化法)蚁群算法(antcolonyoptimization,ACO)又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由MarcoDorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种求解组合最优化问题的新型通用启发式方法，该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。通过建立适当的数学模型，基于故障过电流的配电网故障定位变为一种非线性全局寻优问题。第六讲计算智能概论•计算智能算法第六讲计算智能概论•计算智能算法遗传演算法是模拟自然界生物演化过程及运作机制以求优先问题解决方法（桉）的人工智能技术。其主要的组成元素有父代（母代）、子代及交配与突变方法，及优先选择函数（模拟进化论中之天择部分）。此为透过遗传之方式在下一代的物件能更有调适环境或游戏规则之过程，另外之同一代之调适行为即是学习或模拟与其他经学习后之调适行为，而自然演化即是一种优先及隐式学习的过程。演化亦是一种试误与选择及淘汰同步进行之过程。第六讲计算智能概论•计算智能算法粒子群优化(ParticleSwarmOptimization,PSO)又称微粒群算法，是由J.Kennedy和R.C.Eberhart等于1995年开发的一种演化计算技术，来源于对一个简化社会模型的模拟。其中“群(swarm)”来源于微粒群符合M.M.Millonas在开发应用于人工生命(artificiallife)的模型时所提出的群体智能的5个基本原则。“粒子(particle)”是一个折衷的选择，因为既需要将群体中的成员描述为没有质量、没有体积的，同时也需要描述它的速度和加速状态。第六讲计算智能概论•计算智能的应用•自动控制•影像处理•语音识别•自然语言处理•财务预测•游戏理论•机器人•数学规划•交通运输•工业程序•航空工业•艺术•物理化学•医学•经济学•智慧控制•互动式玩具•无人载具第七讲机器学习概论•机器学习的概念•机器学习方法简介第七讲机器学习概论•机器学习的概念Simon（1983）：学习就是系统中的变化，这种变化使系统比以前更有效地去做同样的工作。Minsky(1985)：学习是在我们头脑中（心里内部）进行有用的变化。学习的过程有：获取新的陈述性知识、通过教育或实践发展机械技能和认知能力、将新知识组织成为通用化和有效的表达形式、借助观察和实验发现新的事实和新的理论。机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。第七讲机器学习概论•机器学习的概念上图表示学习系统的基本结构。环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。第七讲机器学习概论•机器学习方法简介1、机械学习（记忆学习）2、传授学习（指点学习）3、演绎学习4、归纳学习1）实例学习2）观察与发现学习5、类比学习第七讲机器学习概论•机器学习方法简介1、机械学习（记忆学习）在机械学习（记忆学习)中基本没有变换。由施教者提供的信息或多或少被学习系统记忆和使用。这时环境提供的信息与执行环节使用的信息有相同的水平，同样的形式。实际上每台计算机都可以看作是机械学习（记忆学习),因为它们都存贮用户送入的程序。一个例子是Samuel的西洋象棋程序（1956，1967），它记忆每个棋局以便提高下棋水平。第七讲机器学习概论2、传授学习（指点学习）在传授学习中，学习环节进行的变换只是对施教者提供的信息进行选择和改造，这主要是在语法层的变换。这时环境提供的信息过于抽象，它的水平高于执行环节所用信息的水平。学习环节把较高水平的知识变换为较低水平的知识。这种变换称为实用化。实用化主要有下列步骤：由传授的信息推出结论，作出假设以补充一些细节和确定何时需要进一步传授。实用化过程类似于编译系统把高级语言程序变换成机器码程序。•机器学习方法简介第七讲机器学习概论3、演绎学习在演绎学习中，学习系统由给定的知识进行演绎的保真推理，并存储有用的结论。这种策略近几年才作为一种独立的学习策略。（Michalski,1983）演绎学习包括知识改造、知识编译、产生宏操作、保持等价的操作和它保真变换。•机器学习方法简介第七讲机器学习概论4、归纳学习在归纳学习中，变换过程是对输入信息的一般化和选择最合理的预期结果，这就是归纳推理。归纳学习可以分为以下实例学习、观察与发现学习。•机器学习方法简介第七讲机器学习概论1）实例学习实例学习又称为概念获取，它的任务是确定概念的一般描述，这个描述应解释所有给定的正例并排除所有给定的反例。这些正反例是由信息源提供的，信息源可能是已经知道概念的施教者，也可能是学生做实验而系统从中得到反馈的环境。后者可称为实验学习，包括由做学习和由问题求解学习。刺激反应式学习也是一种实例学习。•机器学习方法简介第七讲机器学习概论2）观察与发现学习观察与发现学习又称为描述的一般化。这类学习没有实教者的学习帮助，它要产生解释所有或大多数观察的规律和规则。这类学习包括概念聚类、构造分类、使方程符合数据、发现解释观察的定律和形成理论；遗传学算法（Holland,1986）和经验预测算法（Zagoruiko,1976）可以看作这种策略的变种。实例学习是由正反例学习，这些正反例是由施教者分类的。因此实例学习是有实教的学习。观察与发现学习是由未经分类的观察学习，或由系统自身的功能去发现。这是无实教的学习。•机器学习方法简介第七讲机器学习概论5、类比学习类比学习是演绎学习与归纳学习的组合。它匹配不同论域的描述，确定公共的子结构，以此作为类比映射的基础。寻找公共子结构是归纳推理，而实现类比映射是演绎推理。由提醒学习可以看作一种类比学习（Schank,1982）。类比学习是由系统已有的某一领域知识得到另一领域中类似的知识。•机器学习方法简介