1、智能信息處理課程概述演示文稿優選智能信息處理課程概述ppt目錄1.1 智能信息處理的產生及發展 1.1.2 智能計算的產生與發展1.2 智能信息處理的主要技術1.3 智能技術的綜合集成1.1 智能信息處理的產生及發展 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絡技術智能技術智能感知智能行為可靠傳遞智能思維信息信息（Information），一般可理解為消息、情報或知識。例如，語言文字是社會信息；商品報導是經濟信息；遺傳密碼是生物信息等。從物理學觀點出發來考察，信息是物質所固有的，是其客觀存在或運動狀態的特征。信息本身不是物質，不具有能量，但信息的傳輸卻依靠物質能量。一般來說，

2、傳輸信息的載體稱為信號（Signal），信息蘊涵于信號之中。智能智能就是智慧和能力，是個體有目的的行為，合理的思維，以及有效的適應環境的綜合性能力個體認識客觀事務和運用知識解決問題的能力。人們常把傳感器比作人的感官，計算機比作人的大腦。從信息化角度出發，“智能”應體現在三個方面，即：感知，信息的獲取；思維，信息的處理；行為，信息的利用。智能ABC生物智能(Biological Intelligence,BI)人工智能(Artifical Intelligence,AI)計算智能(Computational Intelligence，CI）由數學方法和計算機實現的，CI的來源是數值計算和傳感器是

3、非物質的，是人造的，常用符號表示，AI的來源是人的知識精華和傳感器數據）由人腦的物理化學過程反映出來,人腦是有機物,它是智能的物質基礎B(有機）A(符號）C(數值）智能計算目前國際上提出智能計算就是以人工神經網絡為主導，與模糊邏輯系統、進化計算以及信號與信息處理學科的綜合集成。新一代的智能計算信息處理技術是神經網絡、模糊系統、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綜合集成。智能計算的兩個重要特征1） 智能計算與傳統人工智能不同，主要依賴的是生產者提供的數字材料，而不是依賴于知識；它主要借助數學計算方法(特別是與數值相聯系的計算方法)的使用。一方面，具有明顯的數值計算信息

4、處理特征；另一方面，強調用“計算”的方法來研究和處理智能問題。CI中計算的概念在內涵上已經加以拓廣和加深。一般地，在解空間進行搜索的過程都被稱為計算。智能計算的兩個重要特征2） 智能計算的積極意義在于：促進基于計算的或基于計算和基于符號物理相結合的各種智能理論、模型、方法的綜合集成，以便在智能計算這個主題下發展思想更先進、功能更強大、能夠解決更復雜問題的大系統的智能科學成果。兩類智能信息處理基于傳統計算機的智能信息處理基于神經計算的智能信息處理基于傳統計算機的智能信息處理包括智能儀器、自動跟蹤監測儀器系統、自動控制制導系統、自動故障診斷系統等。在人工智能系統中，它們具有模仿或代替與人的思維有關

5、的功能，通過邏輯符號處理系統的推理規則來實現自動診斷、問題求解以及專家系統的智能。這種智能實際上體現了人類的邏輯思維方式，主要應用串行工作程序按照一些推理規則一步一步進行計算和操作，目前應用領域很廣。其發展速度已不太適應社會信息數量增長速度的需求，因而促使人們注意到新型智能信息處理系統的研究。基于神經計算的智能信息處理ANN是模仿延伸人腦認知功能的新型智能信息處理系統。構造具有腦智能的人工智能信息處理系統，可以解決傳統方法所不能或難以解決的問題（大腦是人的智能、思維、意識等一切高級活動的物質基礎）。以聯接機制為基礎的神經網絡具有大量的并行性、巨量的互連性、存儲的分布性、高度的非線性、高度的容錯

6、性、結構的可變性、計算的非精確性等特點。基于神經計算的智能信息處理是模擬人類形象思維、聯想記憶等高級精神活動的人工智能信息處理系統。能聯想記憶和從部分信息中獲得全部信息。分布式存儲和自組織性，而使系統連接線即使被破壞了50，它仍能處在優化工作狀態，這在軍事電子系統設備中有著特別重要的意義。1.2 智能信息處理的主要技術神經計算技術神經網絡(Artifical Neural Network,ANN)主元分析(Principal Component Analysis, PCA)支持向量機(Support Vector Machine, SVM)模糊計算技術模糊理論(Fuzzy Sets, Fuzz

7、y Theory)粗糙集理論(Rough Set Theory)進化計算技術遺傳算法(Genetic Algorithm)進化策略(Evolution Strategy)進化規劃(Evolutionary Programming)蟻群優化(Ant Colony Optimization, ACO)微粒群算法(Particle Sarm Optimization，PSO)神經計算技術腦神經系統腦神經系統是以離子電流機構為基礎的由神經細胞組成的非線性的(Nonlinear)、適應的(Adaptive)、并行的(Parallel)和模擬的(Analog)網絡(Network)，簡稱NAPAN。在腦神

8、經系統中，信息的收集、處理和傳送都在細胞上進行。各個細胞基本上只有興奮與抑制兩種狀態。神經細胞的響應速度是毫秒級，比半導體器件要慢得多。神經計算技術神經網絡人工神經網絡是對真實腦神經系統構造和功能予以極端簡化的模型。神經網絡的主要特征是大規模的并行處理、分布式的信息存儲、良好的自適應性、自組織性以及很強的學習功能、聯想功能和容錯功能。與馮諾依曼計算機相比，神經網絡的信息處理模式更加接近人腦。主要表現在以下幾個方面：神經計算技術神經網絡能夠處理連續的模擬信號(例如連續變換的圖像信號)。能夠處理不精確的、不完全的模糊信息。馮諾依曼計算機給出的是精確解，神經網絡給出的是次最優的逼近解。神經網絡并行分

9、布工作，各組成部分同時參與運算；單個神經元的動作速度不快，但網絡總體的處理速度極快。神經計算技術神經網絡神經網絡具有魯棒性，即信息分布于整個網絡各個權重變換之中，某些單元的障礙不會影響網絡的整體信息處理功能。神經網絡具有較好的容錯性，即在只有部分輸入條件，甚至包含了錯誤輸入條件的情況下，網絡也能給出正確的解。神經網絡在處理自然語言理解、圖像識別、智能機器人控制等疑難問題方面具有獨到的優勢。神經計算技術神經網絡神經網絡以聯接主義為基礎，是人工智能研究領域的一個分支。它從微觀出發，認為符號是不存在的，認知的基本元素就是神經細胞。認知過程是大量神經細胞的連接引起神經細胞不同興奮狀態和系統表現出的總體

10、行為。神經計算技術神經網絡傳統的符號主義與其不同。符號主義認為，認知的基本元素是符號，認知過程是對符號表示的運算。人類的語言、文字、思維均可用符號來描述，而且思維過程只不過是這些符號的存儲、變換和輸入、輸出而已。以這種方法實現的系統具有串行、線性、準確、易于表達的特點，體現了邏輯思維的基本特性。20世紀70年代的專家系統和80年代日本的第五代計算機研制計劃就體現了典型的符號主義思想。神經計算技術神經網絡基于符號主義的傳統人工智能和基于聯接主義的神經網絡分別描述了人腦左、右半腦的功能(邏輯思維、形象思維)，反映了人類智能的兩重性：一方面是精確處理，對應認知過程的理性方面。另一方面是非精確處理，對

11、應認知過程的感性方面。兩者的關系是互補的，不能相互替代。理想的智能系統及其表現的智能行為應是兩者相互結合的結果。神經計算技術主元分析主元分析（principal component analysis, PCA）就是這樣的一種降維技術。是神經計算中近些年來發展的一種方法，通過把數據投影到能夠準確表征過程狀態的低維空間，降維技術可以簡化和改進過程監控過程。它以某種方式產生低維表示，這種方式保留了過程變量間的關系結構，按獲取數據的變化度來說是最優的。神經計算技術支持向量機支持向量機（support vector machine, SVM）是建立統計學習理論基礎上的一種新型的神經網絡。統計學習理論是針

12、對小樣本情況研究統計學習規律的理論，是傳統統計學的重要發展和補充，為研究有限樣本情況下機器學習的理論和方法提供了理論框架，其核心思想是通過控制學習機器的容量實現對推廣能力的控制。在這一理論中發展出的支持向量機方法是一種新的通用學習機器，較以往方法表現出很多理論和實踐上的優勢。模糊計算技術模糊集合和模糊理論1965年，美國加州大學伯克萊分校LZadeh教授發表了著名的論文“Fuzzy Sets”(模糊集)，開創了模糊理論。經歷近三十年的曲折，這一領域已取得長足的進步，Zadeh也被國際上譽為“模糊之父”。最近十年來，模糊理論又在實際應用中獲得重大突破，作為一種高新技術還在迅速發展，預計21世紀它

13、將成為信息科學中的核心技術之一。模糊計算技術模糊集合和模糊理論Zadeh教授當初曾提出過一個著名的不相容原理：“隨著系統復雜性增加，人們對系統進行精確而有效地描述的能力會降低，直至一個閾值，精確和有效成為互斥”。其實質在于：真實世界中的問題，概念往往沒有明確的界限，而傳統數學的分類總試圖定義清晰的界限，這是一種矛盾，一定條件下會變成對立的東西。模糊理論的基本出發點：從而引出一個極其簡單而又重要的思想：任何事情都離不開隸屬程度這樣一個概念。模糊計算技術模糊集合和模糊理論模糊理論源于美國，但長期以來受學派之爭的束縛，實際應用進展緩慢。到20世紀80年代后期，在日本以家用電器廣泛使用模糊控制作為突破

14、口，使模糊邏輯的實際應用獲得迅速發展。20世紀90年代初，美國已醒悟到“美國人的理論卻讓日本人賺錢”的教訓，工業界也已行動起來。美國IEEE分別自1992年和1993年開始，專門針對“模糊系統”主題定期舉行國際會議和出版學術期刊。中國從事模糊數學的研究比較早，并處于國際前列。但由于眾所周知的原因，應用仍有一定差距。模糊技術有許多誘人的優越性，應用前景看好，但畢竟還是新興技術，尚不成熟，有許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學工具。其主要思想就是在保持分類能力不變的前提下，通過知識約簡，導出問題的決策或分類規則。當今社會已經進入了網絡信息時

15、代，計算機與網絡信息技術的飛速發展使得各個領域的數據和信息急劇增加（信息爆炸），并且由于人類的參與使數據與信息系統中的不確定性更加顯著（復雜系統）。如何從大量的、雜亂無章的、強干擾的數據（海量數據）中挖掘潛在的、有利用價值的信息（有用知識）, 這給人類的智能信息處理能力提出了前所未有的挑戰。進化計算技術進化計算是智能計算的重要組成部分，受到眾多學科的高度重視。20世紀50年代中期創立了仿生學。許多科學家從生物中尋求新的用于人造系統的靈感。一些科學家分別獨立地從生物進化的機理中發展出適合于現實世界復雜問題優化的模擬進化算法，主要有：Holland，Bremermann等創立的遺傳算法，Reche

16、nberg和Schwfel等創立的進化策略,Fogel，Owens，Walsh等創立的進化規則。Fraser，Baricelli等做了生物系統進化的計算機仿真。很遺憾，他們沒有引入到人工系統。遺傳算法、進化策略及進化規則均來源于達爾文的進化論，但側重進化層次不同，而遺傳算法研究最為深入、持久，應用面也最廣。進化計算技術遺傳算法從20世紀60年代開始，密歇根大學教授Holland開始研究自然和人工系統的自適應行為。在這些研究中，他試圖發展一種用于創造通用程序和機器的理論。通用程序和機器具有適應任意環境的能力。他意識到用群體方法搜索以及選擇、交換等等操作策略的重要性，并開創與目前類似的復制、交換、

17、突變、顯性、倒位等基因操作，提出了重要的模式理論，建議采用二進制編碼。進化計算技術蟻群算法蟻群優化（ant colony optimization，ACO）是一種針對難解的離散優化問題的元啟發式算法，它利用一群人工螞蟻的協作來尋找好的解。協作是ACO算法設計中的關鍵要素：主要部分是把計算資源分配到一群相對簡單的智能體（agent）上，這些agent之間通過媒介質（stigmergy）進行間接通信，也就是說，agent之間進行的是一種以環境的變化為媒介的間接通信形式。好的解就是通過agent之間的相互協作而得到的。進化計算技術微粒群算法微粒群算法是由美國社會心理學家James Kennedy和電

18、器工程師Russen Eberhart在1995年共同提出的，是繼蟻群算法之后又一種新的群體智能算法，目前已成為進化算法的一個重要分支。微粒群算法自提出以來，在國外得到了相關領域眾多學者的關注與研究。CEC國際年會上，微粒群算法被作為一個獨立的研究分支，與遺傳算法、進化規劃等進化算法相提并論。進化計算技術微粒群算法微粒群優化(particle swarm optimization, PSO) 實際上是一種模仿鳥類群體行為的進化算法。這種算法體現著一種簡單樸素的智能思想：鳥類使用簡單的規則來確定自己的飛行方向和速度，試圖停落在鳥群中而不致相互碰撞。這種思想產生了一個數學上的優化算法：與其他進化類

19、優化算法相類似，也采用“群體”和“進化”的概念，同樣也是依據個體的適應值大小進行操作，所不同的是把每個個體視為在搜索空間中的一個沒有重量和體積的微粒，并在搜索空間中以一定的速度飛行。該飛行速度則由個體和群體的飛行經驗進行動態調整，從而獲得一個很好的尋優方案。這種算法正顯示著巨大的潛在用途。1.3 智能技術的綜合集成隨著模糊邏輯、神經網絡、進化計算、混沌與分形、小波分析、人工生命以及人工智能等交叉學科的綜合集成不斷深入和發展，用智能計算技術來解決復雜智能行為已成為智能模擬、智能信息處理、智能控制、智能建筑、智能制造、智能多媒體通信、智能機器人、智能計算機、智能管理系統、智能決策系統等領域研究的新

20、興熱門話題，并將在推動高度智能系統化的發展方面，起到重大的關鍵性作用。當今智能計算信息處理技術正處于蓬勃發展階段，如何將模糊技術、神經網絡、進化計算、混沌與分形、小波變換等有機結合起來，發揮各自的特點，顯然是智能計算信息處理中的一個核心問題。1.3 智能技術的綜合集成模糊系統與神經網絡結合神經網絡和遺傳算法結合模糊技術、神經網絡和遺傳算法綜合集成模糊系統與神經網絡結合模糊技術與神經網絡技術各有自己的優點：前者以模糊邏輯為基礎，抓住了人類思維中的模糊特點，以模仿人的模糊綜合判斷推理來處理常規方法難以解決的模糊信息處理難題，使計算機應用擴大到了人文、社會和心理學等領域。后者以生物神經網絡為模擬基礎

21、，試圖在模擬推理及自動學習等方面向前發展一步，使人工智能更接近人腦的自組織和并行處理等功能，它在模式識別、聚類分析和專家系統等方面已顯示了新的前景和新的思路。如果將它們進行綜合，即將符號邏輯推理方法與聯接機制方法進行有機結合，可有效地發揮各自的優勢并彌補其不足。模糊技術的特長在于邏輯推理能力，容易進行高層的信息處理，將模糊技術引入神經網絡可大大地拓寬神經網絡處理信息的范圍和能力，使其：不僅能處理精確信息，也能處理模糊信息和其他不精確信息，不僅能實現精確性聯想映射，還可以實現不精確性聯想映射，特別是模糊聯想及模糊映射。模糊系統與神經網絡結合模糊技術與神經網絡有很多共同點首先，它們都是著眼于模擬處理人的思維。其次，它們在形式上也有不少相似之處，比如，模糊集合理論中的隸屬函數與神經網絡的輸出特性之間，模糊邏輯推理中的max-min運算與神經元對其輸入的加權與運算之間，這也使得它們的有機結合得以方便實現。神經網絡和遺傳算法結合神經網絡(NN)和遺傳算法(GA)都是將生物學原理應用于科學研究的仿生學理論成果。但來源并不相同：GA是從自然界生物進化機制獲得啟示的，而NN則是人腦若干基本特性的抽象和模擬。因此，它們在信息處理時間上存在較大的