1、智能信息處理的概要、schoolofinforsinformationsconnectricentectechnologydialianmaritimeuniversity 2011-09-14、目錄、 1.1智能信息處理的生成和發(fā)展1.1.2智能計算的生成和發(fā)展1.2智能信息處理的主要技術1.3智能信息處理的產(chǎn)生和發(fā)展1.1智能信息處理的產(chǎn)生和發(fā)展，圖1.1信息技術的四個組成部分及其信息鏈，測量技術傳感技術，網(wǎng)絡技術，智能技術，智能感知，智能例如，語言文字是社會信息，商品報道是經(jīng)濟信息，遺傳代碼是生物信息等。 從物理學的角度來看，信息是物質(zhì)固有的，它的客觀存在和運動狀態(tài)的特征。 信息本身不是

2、物質(zhì)，雖然沒有能量，但是信息的傳遞依賴于物質(zhì)能量。 一般而言，傳輸信息的載體被稱為信號，并且信息包含在信號中。 智能、智能是智慧和能力，是個人有目的的行為、合理思考和有效適應環(huán)境的綜合能力個人認識客觀事務，用知識解決問題的能力。 人們把傳感器比作人類的感覺，把計算機比作人腦。 從信息化的角度來看，“智能”應該出現(xiàn)在知覺、信息的獲取三個方面：思考、信息的處理行動、信息的利用。 由智能ABC、生物學智能、BI、人工智能、計算智能、CI、數(shù)學方法和計算機實現(xiàn)，并通過CI中的數(shù)學和計算機實現(xiàn)人工常用的符號是AI的由來是人類知識的精華和傳感器數(shù)據(jù)，由人腦的物理化學過程所反映，人腦是有機物，它是智能物質(zhì)的

3、基礎，b (有機)、a (符號)、c (數(shù)值)、智能計算，現(xiàn)在國際上提出的智能計算是人工神經(jīng)網(wǎng)絡新一代智能計算信息處理技術是神經(jīng)網(wǎng)絡、模糊系統(tǒng)、進化計算、混沌動力學、分形理論、小波變換、人工生命等交叉學科的集成。 智能計算的兩個重要特征：1)智能計算與傳統(tǒng)的人工智能不同，主要依賴生產(chǎn)者提供的數(shù)字材料，而不依賴知識，這主要利用數(shù)學計算方法，特別是與數(shù)值相關的計算方法。 另一方面，在具有明顯的數(shù)值計算信息處理特征的同時，強調(diào)用“計算”的方法研究和處理智能問題。 用CI計算的概念在內(nèi)涵上擴展得更深了。 一般來說，在解空間中進行搜索的過程被稱為計算。 智能計算的兩個重要特征，2 )智能計算的積極意義，

4、促進了基于計算或基于符號物理結合的各種智能理論、模型、方法的綜合整合，在智能計算這個主題下思想更先進、功能更強、能解決更復雜問題的大系統(tǒng)智能科學兩種智能信息處理，基于傳統(tǒng)計算機的智能信息處理基于神經(jīng)計算的智能信息處理，基于傳統(tǒng)計算機的智能信息處理，智能設備，自動跟蹤監(jiān)視設備系統(tǒng)，自動控制引導系統(tǒng)，自動故障診斷系統(tǒng)等。 人工智能系統(tǒng)模仿或替代與人類思維相關的功能，通過邏輯符號處理系統(tǒng)的推理規(guī)則來實現(xiàn)自動診斷、問題解決和專家系統(tǒng)的智能。 這種智能實際體現(xiàn)了人的邏輯思考方式，主要應用了串行的工作流程，按照一些推理規(guī)則一步一步地進行計算和操作，現(xiàn)在的應用領域很廣泛。 其發(fā)展速度不太適應社會信息量增長速

5、度的需要，引起了新智能信息處理系統(tǒng)的研究的關注。 基于神經(jīng)計算的智能信息處理，ANN是擴展人腦認知功能的一種新的智能信息處理系統(tǒng)。建立具有大腦智能的人工智能信息處理系統(tǒng)，可以解決傳統(tǒng)方法無法解決或難以解決的問題(大腦是人類智能、思考、意識等所有高級活動的物質(zhì)基礎)。 以耦合機制為基礎的神經(jīng)網(wǎng)絡具有大量并行性、大量互連性、記憶分布性、高度非線性、高度容許性、結構偏差、計算不準確性等特征。 基于神經(jīng)計算的智能信息處理是模擬人的形象思考、聯(lián)想記憶等高度精神活動的人工智能信息處理系統(tǒng)。 能聯(lián)想到記憶，從一些信息中得到所有的信息。 分布式存儲和自組織在軍事電子系統(tǒng)設備中具有特別重要的意義，即使系統(tǒng)連接線

6、損壞50，仍處于最佳工作狀態(tài)。 1.2智能信息處理的關鍵技術，神經(jīng)計算技術神經(jīng)網(wǎng)絡(ANN )的關鍵要素分析(PrincipalComponentAnalysis，PCA )是向量機(SupportVectorMachine 支持模糊計算技術模糊理論(FuzzySets )的FuzzyTheory粗糙集理論(RoughSetTheory )進化計算技術遺傳算法(GeneticAlgorithm )進化策略進化規(guī)劃蟻群優(yōu)化ACO微粒群算法(ParticleSarmOptimization，PSO )，神經(jīng)計算技術腦神經(jīng)系統(tǒng)， 腦神經(jīng)系統(tǒng)簡稱為由基于離子電流機制的神經(jīng)細胞組成的非線性、自適應、并行

7、和模擬網(wǎng)絡(Network )、NAPAN。 腦神經(jīng)系統(tǒng)中，信息的收集、處理和傳遞在細胞上進行。 每個細胞基本上只有興奮和抑制兩種狀態(tài)。 神經(jīng)細胞的響應速度為毫秒級，比半導體器件慢得多。 神經(jīng)計算技術神經(jīng)網(wǎng)絡、人工神經(jīng)網(wǎng)絡是真正的腦神經(jīng)系統(tǒng)結構和功能極端簡化的模型。 神經(jīng)網(wǎng)絡的主要特征是大規(guī)模并行處理、分布式信息存儲、良好的適應性、自組織和強學習功能、聯(lián)想和容錯功能。 與馮諾伊曼計算機相比，神經(jīng)網(wǎng)絡的信息處理模式接近人腦。 主要，神經(jīng)計算技術的神經(jīng)網(wǎng)絡以能夠處理連續(xù)的模擬信號(例如連續(xù)變換的圖像信號)的方式表現(xiàn)。 可以處理不準確和不完整的模糊信息。 馮諾伊曼計算機給出了正確的解，神經(jīng)網(wǎng)絡給出了

8、下面的最佳近似解。 神經(jīng)網(wǎng)絡并行分布工作，各組成部分同時參與運算的單個神經(jīng)元的動作速度雖然不快，但網(wǎng)絡整體的處理速度非?？?。神經(jīng)計算技術的神經(jīng)網(wǎng)絡、神經(jīng)網(wǎng)絡是穩(wěn)健的，即信息分布于整個網(wǎng)絡的各權重變換中，而一些單元的故障不影響網(wǎng)絡整體的信息處理功能。 神經(jīng)網(wǎng)絡在僅部分輸入條件下，即使在含有錯誤輸入條件的情況下，網(wǎng)絡也能提供正確的解，在容錯性上是很好的。 神經(jīng)網(wǎng)絡在處理自然語言理解、圖像識別、智能機器人控制等難題方面具有獨特的優(yōu)勢。 神經(jīng)計算技術神經(jīng)網(wǎng)絡、神經(jīng)網(wǎng)絡是基于連接主義的人工智能研究領域的分支。 微觀上認為不存在符號，認知的基本要素是神經(jīng)細胞。 認知過程是大量神經(jīng)細胞的連接引起神經(jīng)細胞不同

9、興奮狀態(tài)和系統(tǒng)表現(xiàn)的整體行為。 神經(jīng)計算技術神經(jīng)網(wǎng)絡，傳統(tǒng)的符號主義與此不同。 符號主義認為認知的基本要素是符號，認知過程是表示符號的運算。 人的語言、文字、思考可以用符號來記述，而且思考過程只是這些符號的記憶、轉(zhuǎn)換和輸入、輸出。 該方法實現(xiàn)的系統(tǒng)具有串行、線性、準確、易于表達的特點，體現(xiàn)了邏輯思維的基本特性。 20世紀70年代的專家系統(tǒng)和80年代的日本第五代計算機開發(fā)計劃體現(xiàn)了典型的象征主義思想。神經(jīng)計算技術的神經(jīng)網(wǎng)絡，基于符號主義的傳統(tǒng)人工智能和基于連接主義的神經(jīng)網(wǎng)絡分別描述了腦的左、右半腦的功能(邏輯思維、形象思維)，反映了人智能的雙重性：一方精確處理，對應認知過程的理性方面。 另一方面

10、，非嚴格處理，對應認知過程的感性。 兩者的關系是互補的，不能互相替代。 理想的智能系統(tǒng)及其表達的智能行為必須是兩者結合的結果。 神經(jīng)計算技術的主要分析、主要分析(principalcomponentanalysis，PCA )是降低這種維數(shù)的技術。 神經(jīng)計算中近年來發(fā)展起來的一種方法，通過將數(shù)據(jù)投影到能正確表現(xiàn)過程狀態(tài)的低維空間中，降低維的技術可以簡化和改進過程的監(jiān)視過程。 有最適合保持過程變量間的關系結構，取得數(shù)據(jù)的變化度的低維表示。 神經(jīng)計算技術支持向量機和支持向量機(supportvectormachine，SVM )是基于統(tǒng)計學習理論的新神經(jīng)網(wǎng)絡。 統(tǒng)計學習理論是對小樣本情況研究統(tǒng)計學

11、習規(guī)則的理論，是傳統(tǒng)統(tǒng)計學的重要發(fā)展和補充，為有限樣本情況下研究機器學習的理論和方法提供了理論框架，其核心思想通過控制學習機器的容量來實現(xiàn)推進能力的控制。 在該理論中發(fā)展的支持向量機方法是一種新的通用學習機器，表現(xiàn)了比傳統(tǒng)方法更多的理論和實踐優(yōu)勢。 模糊計算技術模糊集合和模糊理論，1965年，美國加利福尼亞大學伯克利分校的LZadeh教授發(fā)表了著名論文FuzzySets，開始了模糊理論。 經(jīng)過過去30年的曲折，這個領域已經(jīng)取得了很大的進步，Zadeh也被國際上稱為“模糊之父”。 近十年來，模糊理論在實際應用中取得了很大的突破，作為高科技迅速發(fā)展，預計21世紀將成為信息科學的核心技術之一。 模糊

12、計算技術模糊集合和模糊理論，Zadeh教授最初表示：“隨著系統(tǒng)復雜性的增加，人們正確且有效地記述系統(tǒng)的能力下降，達到閾值，正確且有效地排他。 其本質(zhì)是，現(xiàn)實世界的問題往往在概念上沒有明確的邊界，但傳統(tǒng)的數(shù)學分類總是想定義明確的邊界，這是矛盾的，在一定條件下會發(fā)生對立。 模糊理論的基本出發(fā)點：非常簡單，引出重要的思想：任何事都離不開所屬度這個概念。 模糊計算技術模糊集合和模糊理論、模糊理論起源于美國，但受多年學派之爭的束縛，實際應用進展緩慢。 直到20世紀80年代后期，日本以家用電器廣泛使用的模糊控制為突破口，迅速發(fā)展模糊邏輯的實用。 20世紀90年代初，美國意識到“美國人的理論能賺日本人”的教

13、訓，工業(yè)界也行動了。 美國IEEE從1992年和1993年開始，就“模糊系統(tǒng)”的主題定期出版國際會議和學術雜志。 中國從事模糊數(shù)學的研究，居國際前列。 但是，由于眾所周知的理由，應用還存在差異。 模糊技術有許多吸引人的優(yōu)勢，應用前景很好，但畢竟是新興技術，還不成熟，很多問題需要研究和解決。 模糊計算技術粗糙集理論、粗糙集理論是一種新的處理模糊和不確定性知識的數(shù)學工具。 其主要思想是在保持分類能力的同時，通過知識簡約來導出問題的決定和分類規(guī)則。 當今社會進入網(wǎng)絡信息時代，計算機和網(wǎng)絡信息技術的迅速發(fā)展使各領域的數(shù)據(jù)和信息急劇增加(信息爆炸)，并通過人的參與使數(shù)據(jù)和信息系統(tǒng)的不確定性更加顯著(復雜

14、的系統(tǒng))。如何從大量、混亂、強干擾數(shù)據(jù)(大量數(shù)據(jù))中發(fā)掘潛在的、有利用價值的信息(有用的知識)，對人的智能信息處理能力提出了前所未有的挑戰(zhàn)。 進化計算技術、進化計算是智能計算的重要組成部分，受到很多學科的重視。 1950年代中期成立了仿生學。 許多科學家在從生物中尋求新的人工系統(tǒng)的靈感。 一些科學家各自獨立地從生物進化的機制中發(fā)展出適合于優(yōu)化現(xiàn)實世界復雜問題的模擬進化算法，主要是Holland、Bremermann等創(chuàng)立的遺傳算法，Rechenberg和Schwfel等創(chuàng)立的進化策略，F(xiàn)ogel Fraser、Baricelli等人進行了生物系統(tǒng)進化的計算機模擬。 很遺憾，他們沒有被引入人工系

15、統(tǒng)。 遺傳算法、進化策略和進化規(guī)則都來源于達爾文的進化論，著重于進化水平不同，遺傳算法的研究最深、最長、應用方面也最廣。 進化計算技術遺傳算法從20世紀60年代開始由密歇根大學教授Holland研究自然和人工系統(tǒng)的適應行為。 在這些研究中，他試圖發(fā)展通用程序和制造機器的理論。 通用程序和機器有適應任意環(huán)境的能力。 他意識到以集體方式進行搜索、選擇、交換等操作策略的重要性，提出了以與現(xiàn)在類似的復制、交換、突變、顯性、倒位等基因操作為首的重要模型理論，并提出了采用二進制編碼的建議。 進化計算技術蟻群算法、蟻群優(yōu)化(antcolonyoptimization，ACO )是一種針對較難離散優(yōu)化問題的元

16、啟發(fā)式算法，它利用工蟻群的合作尋找好的解。 協(xié)作是ACO算法設計中的重要組成部分：將計算資源分配給相對簡單的代理，這些代理之間通過媒體質(zhì)量(stigmergy )間接通信，即，代理良好的解通過代理間的合作得到。 進化計算技術的粒子群算法、粒子群算法是美國社會心理學家JamesKennedy和電工RussenEberhart于1995年共同提出的繼蟻群算法之后的新的集團智能算法，目前已成為進化算法的重要分支。 粒子群算法自提交以來，在國外得到了許多相關領域?qū)W者的關注和研究。 在CEC國際年會上，粒子群算法作為獨立研究的分支，與遺傳算法、進化計劃等進化算法相結合。 進化計算技術的粒子群算法，粒子群優(yōu)化(PSO )實際上是模仿鳥類集體行為的進化算法。 該算法體現(xiàn)了簡單樸素的智能思想：鳥類用簡單的規(guī)則來決定自己的飛行方向和速度，以防止停在鳥群中碰撞。 該思想產(chǎn)生了數(shù)學優(yōu)化算法：和其他進化系優(yōu)化算法一樣，也采用“群體”和“進化”的概念，根據(jù)同一個體的適應值的大小進行操作。 不同的是，將每個個體視為搜索空間中沒有重量和體積的粒子，在搜索空間中以一定的速度飛行。 這個飛行速度根據(jù)個體和集體的飛行經(jīng)驗動態(tài)調(diào)整，獲得了優(yōu)秀的計劃。 該算法顯示了很大的潛在用途。 1.3智能技術的綜合集成隨著模糊邏輯、神經(jīng)網(wǎng)絡、進化計算、混沌與分形、小波分析、人工生命與人工智能等交叉學