计算智能概论论文.doc
《计算智能概论论文.doc》由会员分享,可在线阅读,更多相关《计算智能概论论文.doc(14页珍藏版)》请在三一办公上搜索。
1、 计算智能概论学院: 理学院 班级: 应用物理1202 姓名: 汪云龙 学号: 201221020202 作业一 简要介绍BP神经网络一、BP神经网络的提出;在人工神经网络发展历史中,很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法(BP算法)的提出,成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。BP网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学
2、习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。(如图5.2)二、 BP神经网络的基本算法;BP (Back Propagation)神经网络,即误差反传误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处
3、理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。具体步骤如下;1、从训练集中取出某一样本,把信息输入网络中。2、通过各节点间的连接情况正向逐层处理后,得到神经网络的实际输出。3、计算网络实际输出与期望输出的误差。4、将误差逐层反向回传至之前各层,并按一定原则将误差信号加载到连
4、接权值上,使整个神经网络的连接权值向误差减小的方向转化。5、対训练集中每一个输入输出样本对重复以上步骤,直到整个训练样本集的误差减小到符合要求为止。BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。 (1) 节点输出模型 隐节点输出模型:Oj=f(WijXi-qj) (1) 输出节点输出模型:Yk=f(TjkOj-qk) (2) f-非线形作用函数;q -神经单元阈值。 (2)作用函数模型 作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数,一般取为(0,1)内连续取值Sigmoid函数: f(x)=1/(1+e) (3) (3) 误差计算模型
5、 误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数: Ep=1/2(tpi-Opi) (4) tpi- i节点的期望输出值;Opi-i节点计算输出值。 (4) 自学习模型 神经网络的学习过程,即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为Wij(n+1)= h iOj+aWij(n) (5) h -学习因子;i-输出节点i的计算误差;Oj-输出节点j的计算输出;a-动量因子。三、BP神经网络的优缺点;1、BP神经网络的优点:1) 非线性映射能力:BP神经网络实质上实现了一个从输入
6、到输出的映射功能,数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题,即BP神经网络具有较强的非线性映射能力。2) 自学习和自适应能力:BP神经网络在训练时,能够通过学习自动提取输出、输出数据间的“合理规则”,并自适应的将学习内容记忆于网络的权值中。即BP神经网络具有高度自学习和自适应的能力。3) 泛化能力:所谓泛化能力是指在设计模式分类器时,即要考虑网络在保证对所需分类对象进行正确分类,还要关心网络在经过训练后,能否对未见过的模式或有噪声污染的模式,进行正确的分类。也即BP神经网络具有将学习成果应用于新知识的能力。4) 容错能力:BP神
7、经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响,也就是说即使系统在受到局部损伤时还是可以正常工作的。即BP神经网络具有一定的容错能力。2、BP神经网络的缺点;虽然BP网络得到了广泛的应用,但自身也存在一些缺陷和不足,主要包括以下几个方面的问题。1) 局部极小化问题:从数学角度看,传统的 BP神经网络为一种局部搜索的优化方法,它要解决的是一个复杂非线性化问题,网络的权值是通过沿局部改善的方向逐渐进行调整的,这样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败。加上BP神经网络对初始网络权重非常敏感,以不同的权重初始化网络,其往往会收敛于不同的局部极小
8、,这也是很多学者每次训练得到不同结果的根本原因。2) BP 神经网络算法的收敛速度慢:由于BP神经网络算法本质上为梯度下降法它所要优化的目标函数是非常复杂的,因此,必然会出现“锯齿形现象”,这使得BP算法低效;又由于优化的目标函数很复杂,它必然会在神经元输出接近0或1的情况下,出现一些平坦区,在这些区域内,权值误差改变很小,使训练过程几乎停顿;BP神经网络模型中,为了使网络执行BP算法,不能使用传统的一维搜索法求每次迭代的步长,而必须把步长的更新规则预先赋予网络,这种方法也会引起算法低效。以上种种,导致了BP神经网络算法收敛速度慢的现象。3) BP 神经网络结构选择不一:BP神经网络结构的选择
9、至今尚无一种统一而完整的理论指导,一般只能由经验选定。网络结构选择过大,训练中效率不高, 可能出现过拟合现象,造成网络性能低,容错性下降,若选择过小,则又会造成网络可能不收敛。而网络的结构直接影响网络的逼近能力及推广性质。因此,应用中如何选择合适的网络结构是一个重要的问题。4) 应用实例与网络规模的矛盾问题:BP神经网络难以解决应用问题的实例规模和网络规模间的矛盾问题,其涉及到网络容量的可能性与可行性的关系问题,即学习复杂性问题。5) BP神经网络预测能力和训练能力的矛盾问题:预测能力也称泛化能力或者推广能力,而训练能力也称逼近能力或者学习能力。一般情况下,训练能力差时,预测能力也差,并且一定
10、程度上,随着训练能力地提高,预测能力会得到提高。但这种趋势不是固定的,其有一个极限,当达到此极限时,随着训练能力的提高,预测能力反而会下降,也即出现所谓“过拟合”现象。出现该现象的原因是网络学习了过多的样本细节导致,学习出的模型已不能反映样本内含的规律,所以如何把握好学习的度,解决网络预测能力和训练能力间矛盾问题也是BP神经网络的重要研究内容。6) BP神经网络样本依赖性问题:网络模型的逼近和推广能力与学习样本的典型性密切相关,而从问题中选取典型样本实例组成训练集是一个很困难的问题。作业二介绍人脸识别的内容人脸识别属于一种生物识别技术,通过检测对比人脸图像来达到识别的目的。它基于人的脸部特征,
11、对输入的人脸图像或者视频流。首先判断其是否存在人脸,如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,并将其与已知的人脸进行对比,从而识别每个人脸的身份。人脸图像由于年龄、姿态、表情、光照等因素而具有“一人千面”的特点,因此,人脸识别技术具有极大的挑战性。人脸识别作为一种新兴的生物特征识别技术(Biometrics),与虹膜识别、指纹扫描、掌形扫描等技术相比,人脸识别技术在应用方面具有独到的优势:1.人脸识别使用方便,用户接受度高。人脸识别技术使用通用的摄像机作为识别信息获取装置,以非接触的方式在识别对象未察觉的情
12、况下完成识别过程。2.直观性突出。人脸识别技术所使用的依据是人的面部图像,而人脸无疑是肉眼能够判别的最直观的信息源,方便人工确认、审计,“以貌取人”符合人的认知规律。3.识别精确度高,速度快。与其它生物识别技术相比,人脸识别技术的识别精度处于较高的水平,误识率、拒认率较低。4.不易仿冒。在安全性要求高的应用场合,人脸识别技术要求识别对象必须亲临识别现场,他人难以仿冒。人脸识别技术所独具的活性判别能力保证了他人无法以非活性的照片、木偶、蜡像来欺骗识别系统。这是指纹等生物特征识别技术所很难做到的。举例来说,用合法用户的断指即可仿冒合法用户的身份而使识别系统无从觉察。5.使用通用性设备。人脸识别技术
13、所使用的设备为一般的PC、摄像机等常规设备,由于目前计算机、闭路电视监控系统等已经得到了广泛的应用,因此对于多数用户而言使用人脸识别技术无需添置大量专用设备,从而既保护了用户的原有投资又扩展了用户已有设备的功能,满足了用户安全防范的需求。6.基础资料易于获得。人脸识别技术所采用的依据是人脸照片或实时摄取的人脸图像,因而无疑是最容易获得的。7.成本较低,易于推广使用。由于人脸识别技术所使用的是常规通用设备,价格均在一般用户可接受的范围之内,与其它生物识别技术相比,人脸识别产品具有很高的性能价格比。 概括地说,人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒、性价比高的生物特征识别技术,具有极
14、其广阔的市场应用前景。人脸识别的研究范围大致可以分为如下几个方面:1.人脸识别(FaceIdentification):即将已检测到的待识别的人脸与数据库中的已知人脸进行比较匹配,得出相关信息,这一过程的核心是选择适当的人脸的表征方式与匹配策略,系统的构造与人脸的表征方式密切相关。通常或是选择全局的方法或是选择基于特征的方法进行匹配。显然,基于侧面像所选择的特征和基于正面像的特征是有很大的区别的。2.人脸检测(FaceDetection):即从各种不同的场景中检测出人脸的存在并确定其位置。在大多数的场合中由于场景较复杂,人脸的位置是预先不知道的,因而首先必须确定场景中是否存在人脸,如果存在人脸
15、,再确定图像中人脸的位置。脸部毛发、化妆品、光照、噪声、面部倾斜和人脸大小变化以及各种各样遮挡等因素都会使人脸检测问题变得更为复杂。人脸检测的主要目的是在输入的整幅图像上寻找人脸区域,把图像分割成两个部分人脸区域和非人脸区域,从而为后续的应用做准备。3.人脸表征(FaceRepresentation):即采取某种表示方式表示检测出的人脸和数据库中的已知人脸。通常的表示法包括几何特征(如欧氏距离、曲率、角度)、代数特征(如矩阵特征矢量)、固定特征模板、特征脸、云纹图等。4.表情分析(ExpressionAnalysis):即对待识别人脸的表情信息(快乐、悲伤、恐惧、惊奇等)进行分析,并对其加以归
16、类。5.生理分类(PhysicalClassification):即对待识别人脸的生理特征进行分析,得出其种族、年龄、性别、职业等相关信息。显然,完成这一操作需要大量的知识并且通常是非常困难和复杂的。在不同的生物特征识别方法中,人脸识别有其自身特殊的优势,因而在生物识别中有着重要的地位。在典型应用环境下,人脸识别技术的识别精度可以达到与指纹识别技术相当的程度,而其用户友好性明显要高于其它的几种生物特征识别技术。其价格适中和优越的性能更能获得用户的认可。同时,人脸识别技术可以实现与数字监控系统的无缝集成,从而为门禁/出入控制系统提供了良好的审计、核查机制,大大地提高了系统的安全性和易用性。近些年
17、来,人脸识别技术对于维护国家安全和社会稳定、打击各类犯罪活动越来越具有十分重大的意义。在新兴的信息安全应用领域,人脸识别技术提供了一种更为安全可靠易用的身份鉴别手段,从而提升了整个网络信息系统的安全性能,有效地遏止各类网络违法犯罪活动。同时,人脸识别技术在传统的安防领域可以便捷的与原有技术实现紧密的结合,大大提升原有系统的智能化程度、安全性及易用性,拓展了原有系统的应用领域,从而促进了传统产业的技术升级。人脸识别技术虽然离我们的目标仍然有一定的差距,但是随着科学技术的发展及各种技术手段的综合应用,一定会推动人脸识别技术不断向前发展。综上所述,人脸识别技术作为一个活跃的研究领域,是人类视觉最杰出
18、的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别,但由于它的无侵害性和对用户最自然、最直观的方式,使人脸识别成为最容易被接受的生物特征识别方式。作业三介绍遗传算法的发展历程遗传算法(GeneticAlgorithm)是基于自然选择和基因遗传学原理的随机搜索算法。它是一种通过模拟自然进化过程搜索最优解的方法,遗传算法起源于对生物系统进行的计算机模拟研究。早在20世纪40年代,就有学者开始研究利用计算机进行生物模拟的技术,他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。早期的研究特点是侧重于对一些复杂操作的研究。最早意识到自然遗传算法可以转化为人工智能算法JohnH.Ho
19、lland教授。1965年,Holland教授首次提出了人工智能操作的重要性,并将其应用到自然系统和人工系统中。1967年,Holland教授的学生.J.D.Bagley在其博士论文中首次提出了“遗传算法”一词,并发表了遗传算法应用方面的第一篇论文,从而创立了自适应遗传算法的概念eJ.D.Bagley发展了复制、交叉、变异、显性、倒位等遗传算子,在个体编码上使用了双倍体的编码方法。1970年,Cavicchio把遗传算法应用于模式识别。Holistien最早把遗传算法应用于函数优化。1975年,JohnH.Holland教授出版了颇有影响的专著AdaptationinNaturalandArt
20、ificialSystems一书系统地提出了遗传算法理论进入90年代,遗传算法迎来了兴盛发展时期,无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃,不但它的应用领域扩大,而且利用遗传算法进行优化和规则学习的能力也显著提高,同时产业应用方面的研究也在摸索之中。此外一些新的理论和方法在应用研究中亦得到了迅速的发展,这些无疑均给遗传算法增添了新的活力。遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。随着应用领域的扩展,遗传算法的研究出现了几个引人注目的新动向:一是基于遗传算法的机器学习,这一新的研究课题把遗传算法从历来离散的搜索空间的
21、优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合,这对开拓21世纪中新的智能计算技术将具有重要的意义。三是并行处理的遗传算法的研究十分活跃。这一研究不仅对遗传算法本身的发展,而且对于新一代智能计算机体系结构的研究都是十分重要的。四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象,其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象,而遗传算法在这方面将会发挥
- 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:
- 计算 智能 概论 论文

链接地址:https://www.31ppt.com/p-2391221.html