1、1 .修訂計(jì)算智能是信息科學(xué)、生命科學(xué)、認(rèn)知科學(xué)等不同學(xué)科相互交叉的產(chǎn)物。 它主要以仿生學(xué)的思想為參考，基于人們對(duì)生物智能機(jī)制的認(rèn)識(shí)，使用數(shù)值修正算法來模擬和實(shí)現(xiàn)人的智能。 補(bǔ)正智能的主要研究領(lǐng)域有神經(jīng)補(bǔ)正算、進(jìn)化補(bǔ)正算、模糊補(bǔ)正算、免疫補(bǔ)正算、DNA補(bǔ)正算、粗糙集等。 4.1概要4.1.1修正計(jì)算智能4.1.2修正計(jì)算智能的生成和發(fā)展4.1.3修正計(jì)算智能與人工智能的關(guān)系4.2神經(jīng)修正計(jì)算4.3進(jìn)化修正計(jì)算4.4模糊修正計(jì)算4.5粗糙集，第4章修正計(jì)算智能，2，4.1.1修正計(jì)算智能概念解釋修正計(jì)算智能(computational info ) 美國(guó)科學(xué)家貝茨德克(J.C.Bezdek )從

2、修正計(jì)算智能系統(tǒng)的角度給出的定義被廣泛使用。 只要從修正計(jì)算智能系統(tǒng)的觀點(diǎn)出發(fā)只處理低級(jí)別的數(shù)值數(shù)據(jù)，包含模式識(shí)別單元，沒有使用人工智能的意義上的知識(shí)，具有修正計(jì)算適應(yīng)性、修正計(jì)算容錯(cuò)、接近人的修正計(jì)算速度和接近人的誤差率這4個(gè)特性，它就可以進(jìn)行修正計(jì)算。 從學(xué)科范疇來看，糾錯(cuò)智能是神經(jīng)網(wǎng)絡(luò)、演進(jìn)糾錯(cuò)(EC )和模糊系統(tǒng)(Fuzzy System，F(xiàn)S )三個(gè)領(lǐng)域相對(duì)成熟的基礎(chǔ)4.1.1什么是修正計(jì)算智能研究領(lǐng)域，神經(jīng)網(wǎng)絡(luò)是一種針對(duì)人類智能的結(jié)構(gòu)模擬方法，它通過大量人工神經(jīng)元的廣泛并行互聯(lián)，建立人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來模擬生物神經(jīng)系統(tǒng)的智能機(jī)制。 進(jìn)化修正算法是人類智能的進(jìn)化模擬方法，通過對(duì)生物遺傳

3、和進(jìn)化過程的認(rèn)識(shí)，用進(jìn)化算法來模擬人類智能的進(jìn)化規(guī)律。 模糊校正算法是人類智能的一種邏輯模擬方法，它是用模糊邏輯通過人類處理模糊現(xiàn)象的認(rèn)知能力來模擬人的智能行為。 綜合解釋從貝慈暗的定義和上述學(xué)科范疇可以看出以下兩點(diǎn)：第一，補(bǔ)正智能以仿生學(xué)的思想為參考，根據(jù)生物神經(jīng)系統(tǒng)的結(jié)構(gòu)、進(jìn)化和認(rèn)知來模擬自然智能。 第二種自然智能模擬方法，其特征在于，修正運(yùn)算智能根據(jù)模型(修正運(yùn)算模型、數(shù)學(xué)模型)進(jìn)行分布、并行修正運(yùn)算。4，4，4.1.2修訂計(jì)算智能的發(fā)生與發(fā)展，1992年貝慈暗在Approximate Reasoning學(xué)報(bào)中首次提出了“修訂計(jì)算智能”的概念。 1994年6月底到7月初，IEEE在美國(guó)佛

4、羅里達(dá)州奧蘭多市召開了第一屆國(guó)際訂正計(jì)算智能大會(huì)(簡(jiǎn)稱WCCI94 )。 會(huì)議首次綜合了神經(jīng)網(wǎng)絡(luò)、進(jìn)化核算和模糊系統(tǒng)三個(gè)領(lǐng)域，形成了“核算智能”這一統(tǒng)一學(xué)科范疇。 之后，WCCI大會(huì)成為IEEE的一系列學(xué)術(shù)會(huì)議，每四年舉行一次。 1998年5月，在美國(guó)阿拉斯加州安克雷奇市召開了第二次補(bǔ)正計(jì)算智能國(guó)際會(huì)議WCCI98。 2002年5月，在美洲夏威夷州首府檀香山市召開了第3次訂正計(jì)算智能國(guó)際會(huì)議WCCI02。 此外，IEEE還出版了有關(guān)計(jì)算智能的出版物。 目前，訂正智能的發(fā)展已經(jīng)得到國(guó)內(nèi)外許多學(xué)術(shù)組織和研究機(jī)構(gòu)的高度重視，成為智能科學(xué)技術(shù)的重要研究領(lǐng)域。 5，5，4.1.3修正計(jì)算智能與人工智能的

5、關(guān)系，目前對(duì)修正計(jì)算智能與人工智能的關(guān)系有兩種觀點(diǎn)，一種被認(rèn)為修正計(jì)算智能是人工智能的子集，另一種被認(rèn)為是修正計(jì)算智能與人工智能不同的類別。 第一種觀點(diǎn)的代表人物是貝慈暗。 他把智能(Intelligence，I )和神經(jīng)網(wǎng)絡(luò)(Neural Network，NN )分為計(jì)算，c，人工在附圖中，底層是修正智能(CI )，由數(shù)值修正運(yùn)算來實(shí)現(xiàn)，其基礎(chǔ)是CNN的中間層是人工智能(AI )，由人工的符號(hào)系統(tǒng)來實(shí)現(xiàn)，其基礎(chǔ)是ANN的頂層是生物智能(BI )，它由生物神經(jīng)系統(tǒng)來實(shí)現(xiàn)從貝慈暗的角度來看，CNN是基于生物激發(fā)模型所構(gòu)建的NN，ANN是CNN的知識(shí)，BNN是人腦或ANN包括CNN，而BNN包括A

6、NN。 同樣，對(duì)于智商，貝慈暗認(rèn)為AI含有CI，BI含有AI。 也就是說，修正計(jì)算智能是人工智能的子集。 6，6，4.1.3修訂智能與人工智能的關(guān)系，7，第二種觀點(diǎn)是大多數(shù)學(xué)者所持有的觀點(diǎn)，其代表人物是艾伯哈特(R.C.Eberhart )。 他們認(rèn)為，人工智能和修正智能之間雖然有重疊，但是修正智能是全新的學(xué)科領(lǐng)域，無論是生物智能還是機(jī)械智能，修正智能都是其最核心的部分，人工智能是外層。 事實(shí)上，CI和傳統(tǒng)AI只是智能的兩個(gè)不同水平，各有自己的優(yōu)勢(shì)和界限，應(yīng)該互補(bǔ)，不可替換。 許多實(shí)踐證明，只有AI與CI相結(jié)合，才能更好地模擬人的智能才是智能科學(xué)技術(shù)發(fā)展的正確方向。 4.1.3修正計(jì)算智能與人

7、工智能的關(guān)系，8，4.1概述4.2.1神經(jīng)修正基礎(chǔ)4.2.2人工神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)4.2.3人工神經(jīng)網(wǎng)絡(luò)的典型模型4.3進(jìn)化修正計(jì)算4.4模糊修正計(jì)算4.5粗糙集，第4章修正計(jì)算智能神經(jīng)網(wǎng)絡(luò)9，9，4.2.1神經(jīng)訂正算法的基礎(chǔ)，生物神經(jīng)系統(tǒng)是人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。 人工神經(jīng)網(wǎng)是人腦神經(jīng)系統(tǒng)的簡(jiǎn)化、抽象和仿真，是人腦功能的許多基本特征。 1 .生物神經(jīng)系統(tǒng)的介紹(1)生物神經(jīng)元的結(jié)構(gòu)(2)生物神經(jīng)細(xì)胞和工作方式(3)突觸結(jié)合(4)突觸傳遞方式2 .人工神經(jīng)網(wǎng)絡(luò)的介紹，10，結(jié)構(gòu)：細(xì)胞軸突樹突突觸長(zhǎng)：最長(zhǎng)1米狀態(tài)：興奮抑制1 .生物神經(jīng)系統(tǒng)概要生物神經(jīng)元的結(jié)構(gòu)，11，結(jié)構(gòu)細(xì)胞核神經(jīng)遞質(zhì)是乙酰膽堿、兒

8、茶酚胺類、氨基酸等信號(hào)轉(zhuǎn)導(dǎo)的跨膜離子通道的基本狀態(tài)：抑制：-70毫伏興奮： 40毫伏靜止膜電位：-70毫伏工作電位： 40毫伏工作方式：細(xì)胞質(zhì)、細(xì)胞核、1 .生物神經(jīng)系統(tǒng)介紹神經(jīng)細(xì)胞與工作方式，1 1 .生物神經(jīng)系統(tǒng)介紹突觸連接方式，13，1 .生物神經(jīng)系統(tǒng)介紹突觸傳遞、突觸后膜、突觸間隙、突觸前膜、神經(jīng)微管一個(gè)神經(jīng)沖動(dòng)向神經(jīng)末端傳遞，就會(huì)促進(jìn)小細(xì)胞的前移動(dòng)和突觸前膜的融合，就會(huì)在融合部位發(fā)生裂縫，其中包含神經(jīng)遞質(zhì)進(jìn)入突觸間隙的神經(jīng)遞質(zhì)還迅速作用于突觸后膜，改變突觸后膜的通透性，引起突觸后成分中的電位變化，實(shí)現(xiàn)神經(jīng)沖動(dòng)的傳遞。 由于神經(jīng)末梢釋放的傳達(dá)物質(zhì)(興奮作用和抑制作用)不同，突觸可分為興

9、奮性突觸和抑制性突觸。14，4.2.1神經(jīng)訂正算法的基礎(chǔ)，生物神經(jīng)系統(tǒng)是人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。 人工神經(jīng)網(wǎng)是人腦神經(jīng)系統(tǒng)的簡(jiǎn)化、抽象和仿真，是人腦功能的許多基本特征。 1 .生物神經(jīng)系統(tǒng)介紹2 .人工神經(jīng)網(wǎng)絡(luò)介紹(1)人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)(2)常用的人工神經(jīng)網(wǎng)絡(luò)模型(3)人工神經(jīng)網(wǎng)絡(luò)及其分類，15、x1、x2、xn、w1圖中的x1、x2、xn表示某神經(jīng)元的n個(gè)輸入，wi表示第I個(gè)輸入的連接強(qiáng)度，稱為連接權(quán)重。 神經(jīng)元的閾值；y是神經(jīng)元的輸出。 人工神經(jīng)網(wǎng)絡(luò)介紹人工神經(jīng)元的結(jié)構(gòu)，圖4.3 MP神經(jīng)元模型，人工神經(jīng)元是具有多輸入、單輸出的非線性器件。 其輸入是：其輸出是：16，可以根據(jù)功能函數(shù)得到不同

10、的神經(jīng)元模型。 名為閾值型(Threshold )的模型的神經(jīng)元沒有內(nèi)部狀態(tài)，作用函數(shù)f是表示活性值和輸出的關(guān)系的階躍函數(shù)。 名為分段線性強(qiáng)飽和的模型也稱為偽線性，其在一定的范圍內(nèi)滿足線性關(guān)系，并且繼續(xù)直到輸出達(dá)到最大值1。 但是，達(dá)到最大值后，輸出將不再增加。 s型(Sibmoid )這是連續(xù)的神經(jīng)元模型，其輸入輸出特性多用指數(shù)、對(duì)數(shù)、雙曲正切等s型函數(shù)表示。 亞閾值累積型也是非線性函數(shù)，如果產(chǎn)生的激活值超過t值，則該神經(jīng)元被激活并產(chǎn)生反響。 在網(wǎng)絡(luò)范圍內(nèi)，系統(tǒng)的反響是線性的。 人工神經(jīng)網(wǎng)絡(luò)介紹人工神經(jīng)網(wǎng)絡(luò)經(jīng)常使用的人工神經(jīng)模型，反映f ()、1神經(jīng)的飽和特性.2 .人工神經(jīng)網(wǎng)絡(luò)介紹人工神經(jīng)

11、網(wǎng)絡(luò)及其分類， 從人工神經(jīng)網(wǎng)絡(luò)的概念、人工神經(jīng)網(wǎng)絡(luò)的分類、學(xué)習(xí)方法、前饋網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、拓?fù)?、無指導(dǎo)、網(wǎng)絡(luò)性能、連續(xù)型網(wǎng)絡(luò)的互連結(jié)構(gòu)的觀點(diǎn)：1. f 2 .反饋網(wǎng)絡(luò)、單層前饋網(wǎng)絡(luò)、單層前饋網(wǎng)絡(luò)、單層反饋網(wǎng)絡(luò)、僅包括輸入層和輸出層，而僅輸出層的神經(jīng)元僅包括作為可校正節(jié)點(diǎn)的輸入層和輸出層，輸出層的神經(jīng)元包括作為可校正節(jié)點(diǎn)的輸出層的神經(jīng)元輸入層分別輸入對(duì)應(yīng)的神經(jīng)元的連接權(quán)重分別為wij，I=1，2，n，j=1，2，m。 設(shè)20、各神經(jīng)元的閾值分別為j、j=1、2、m，則各神經(jīng)元的輸出yj、j=1、2、m分別為：1 .前饋網(wǎng)絡(luò)單層前饋網(wǎng)絡(luò)(2/，21，多層前饋) 所謂默認(rèn)層，是由既不屬于輸入層也不屬于

12、輸出層的神經(jīng)元構(gòu)成的處理層，也稱為中間層。 隱含層的作用是通過對(duì)輸入層信號(hào)的加權(quán)處理轉(zhuǎn)變到更輸出層可接受的形式。 1 .前饋網(wǎng)絡(luò)多層前饋網(wǎng)絡(luò)(3/3)，多層前饋網(wǎng)絡(luò)的輸入層的輸出向量是第一隱含層的輸入信號(hào)，而第一隱含層的輸出是第二隱含層的輸入信號(hào)，依此類推。 多層前饋網(wǎng)絡(luò)的典型代表是BP網(wǎng)絡(luò)。 2、2 .反饋路徑網(wǎng)絡(luò)，反饋網(wǎng)絡(luò)是指基于反饋連接方式的神經(jīng)網(wǎng)絡(luò)。反饋連接方式是指一個(gè)神經(jīng)元的輸出能夠反饋到同層或前層的神經(jīng)元。 反饋網(wǎng)絡(luò)與前向網(wǎng)絡(luò)不同：前向網(wǎng)絡(luò)屬于非循環(huán)連接模式，其中每個(gè)神經(jīng)元的輸入不包含該神經(jīng)元的先前輸出，因此沒有“短期記憶”的性質(zhì)。 反饋網(wǎng)絡(luò)不同，其每個(gè)神經(jīng)元的輸入可以包括該神經(jīng)元

13、先前輸出的反饋信息，即，一個(gè)神經(jīng)元的輸出取決于該神經(jīng)元的當(dāng)前輸入和先前輸出。 這和人類短期記憶的性質(zhì)相似。 反饋網(wǎng)絡(luò)的典型示例是下述的跳現(xiàn)場(chǎng)網(wǎng)絡(luò)、23、人工神經(jīng)網(wǎng)絡(luò)模型人工神經(jīng)網(wǎng)絡(luò)模型是網(wǎng)絡(luò)結(jié)構(gòu)、連接權(quán)重和學(xué)習(xí)能力的總括。 一般的網(wǎng)絡(luò)模式已經(jīng)有數(shù)十種。 例如，現(xiàn)有的具有傳感器模型誤差逆?zhèn)鞑スδ艿哪鎮(zhèn)鞑ゾW(wǎng)絡(luò)模型采用反饋連接方式的反饋網(wǎng)絡(luò)模型模擬退火算法，構(gòu)筑基于使用多變量插值的放射狀基函數(shù)網(wǎng)絡(luò)模型統(tǒng)一學(xué)習(xí)理論的支持向量機(jī)網(wǎng)絡(luò)模型1 .探測(cè)器(Perceptron )模型2 .反向傳播(BP )模型3 .反饋網(wǎng)絡(luò)(Hopfield )模型4.2.3人工神經(jīng)網(wǎng)絡(luò)的典型模型24，探測(cè)器是美國(guó)學(xué)者羅森伯特(rosenveld )。 其中包括單層傳感器和多層傳感器。 單層傳感器是包括單層傳感器的輸出層的神經(jīng)元的前向網(wǎng)絡(luò)，其具有作為傳感器的可校準(zhǔn)節(jié)點(diǎn)的單層可調(diào)節(jié)連接權(quán)值。 在單層傳感器中，每一可校正節(jié)點(diǎn)為線性閾值神經(jīng)元。 輸入信息的加權(quán)和在閾值以上時(shí)輸出1，否則輸出0或-1。 單層傳感器輸出層的各神經(jīng)元只有一個(gè)輸出，其輸出僅與本神經(jīng)元的輸入和連接權(quán)重有關(guān)，與其他神經(jīng)元無關(guān)。 傳感器模型單層傳感器(1/7)、25、單層傳感器的結(jié)構(gòu)下圖、x1、x2、xn、y1、ym輸出向量為Y=(y1，y2，ym )； 輸入層分別輸入對(duì)應(yīng)的神經(jīng)元的連接權(quán)重分別為wij，I=1，2，n，