人工智能论文

湖南理工学院 人工智能课程 论文 政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题     目：    模式识别及人工神经网络  课程名称：          人工智能          院    系：          计算机学院        专业班级：                        姓    名：                        学    号:               课程论文成绩：                        指 导 教 师：                  2016年  6 月 26 日 模式识别及人工神经网络 摘 要:人工神经网络是指模拟人脑神经系统的结构和功能,运用大量的处理部件,由人工方 式建立起来的网络系统。 该文首先介绍了神经网络研究动向， 然后介绍了近年来几种新型神 经网络的基本模型及典型应用,包括模糊神经网络、神经网络与遗传算法的结合、进化神经 网络、 混沌神经网络和神经网络与小波 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 的结合。 最后,根据这几种新型神经网络的特点, 展望了它们今后的发展前景。[2] 关键词:模糊神经网络;神经网络与遗传算法的结合;进化神经网络;混沌神经网络； 神经网络 与小波分析。 Pattern recognition and artificial neural network Abstract: Artificial neural network is the system that simulates the human brain’s structure and function, and uses a large number of processing elements, and is manually established by the network system. This paper firstly introduces the research trends of the neural network, and then introduces several new basic models of neural networks and typical applications in recent years, including of fuzzy neural network, the combine of neural network and genetic algorithm, evolutionary neural networks, chaotic neural networks and the combine of neural networks and wavelet analysis. Finally, their future prospects are predicted based on the characteristics of these new neural networks in the paper. Key words: Fuzzy neural network; Neural network and genetic algorithm; Evolutionary neural networks; Chaotic neural networks; Neural networks and wavelet analysis 1 什么是人工神经网络？ 所谓人工神经网络就是模仿生物大脑的结构和功能而构成的一种信息系统计算机，人士地球上具有最高智慧的动物，而人的指均来自大脑，人类靠大脑进行思考，联想，记忆和推理判断等，这些功能是任何被称为“电脑”的一般计算机所无法取代的，长期以来，许多科学家一直致力于人脑内部结构和功能的探讨和研究，并试图建立模拟人脑的计算机，虽然到目前对大脑的内部工作机理还不是完全清楚，但对其结构有所了解。粗略地讲，大脑是由大量神经细胞或者神经元组成的，每个神经元可看作是一个小的处理单元，这些神经元按某种方式连接起来，形成大脑内部的生理神经元网络。这种神经元网络中各神经元之间联结的强弱，按外部的激励信号做自适应变化，而每个神经元又随着所接收到的多个信号的综合大小而呈现兴奋或抑制状态。 1.1 人工智能网络的发展 （1）初期（萌发）期---MP模型的提出和人工升级网络的兴起 --1943年，美国神经生理学家Warren Mcculloch和数学家Walter Pitts 合写了一篇关于神经元如何工作的开拓性文章：“A Logical Calculus of Ideas Immanent in Nervous Activity”。该文指出，脑细胞的活动就像各种逻辑运算。[3] （2）第一次高潮期------ 感知器模型和人工神经网络 --1957年，计算机专家Frank Roseblatt 开始感知器的研究，并制成硬件，通常被认为是最早的神经网络模型。 （3）反思期 ----神经网络的低潮 --1969年,Marvin Minsky 和Seymour Papert 合著了一本 书 关于书的成语关于读书的排比句社区图书漂流公约怎么写关于读书的小报汉书pdf “Perception”，分析了当时的简单感知器，指出它有非常严重的局限性，甚至不能解决简单的“异或”问题，为Rosenblatt的感知器判了“死刑”，此时，批评的声音高涨，导致停止对人工神经网络研究所需要的大量投资。 （4）第二次高潮期-------Hopfield网络模型的出现和神经网络的复苏。 ---1982年，John Hopfield向美国科学家递交了有关神经网络的工作，其中特别强调了每种模型的实用性，根据对神经网络的数学分析和深入理解，Hopfield揭示了以往的网络是如何工作的，可以做些什么，并提出了他自己的模型。，能从失真的或不完善的数据图像中完整的数据图像，引起了美国军方的兴趣。再认识与应用研究。 1.2神经网络模式识别的基本方法 首先用己知样本训练神经网络 使之对不同类别的己知样本给出所希望的不同输出，然后用该网络识别未知的样本，根据各样本所对应的网络输出情况来划分未知样本的类别。神经网络进行模式识别的一般步骤如图2-1所示分为如下几个部分。 （1）、样本获取 这一步骤主要是为了得到一定数量的用于训练和识别的样本。 （2）、常规处理 其作用相当于传统模式识别中的数据获取和常规处理两步的功能。即通过对 识别对象的有效观测、进行采样量化 获得一系列数据 再经过去除噪声、加强有用信息等工作获得尽量逼真的原始数据。通过这一步骤 得到了样本的原始 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 达。 （3）、特征变换 在原始样本表达的基础上 进行适当的变换 得到适合神经网络进行识别的 样本的特征表达。以上两步构成了神经网络模式识别中的预处理过程。这一步骤与传统模式识别的特征提取选择的位置很相似 不同的是 神经网络可以对原始样本直接进行处理 因此这种变换在神经网络模式识别中不象传统模式识别的特征提取选择那样必不可少 神经网络对预处理的要求与传统模式识别对特征提取选择的要求也有所不同。 （4）、神经网络识别 根据识别对象和研究问题的不同 选用不同的网络结构并采用适当的学习算 法，用已知样本作为训练集对神经网络进行训练 使其网络连接的权值不断调整直到网络的输出特性与期望的相符合。 训练过程结束以后 网络相当于一个固定的映射器 新的输入样木(测试样本)通过网络映射到不同的类别。 1.3 神经网络的优点 神经网络获得迅速发展，应用来领域越来越广，解决实际问题的能力也越来越强，这是神经网络的优良性能以及对国民经济所起的重大作用所决定的。具体说，神经网络具有以下优点： （1）分布存储和容错性 一个信息不是存储在一个地方 而是按内容而分布在整个网络上 网络某一 处不是只存储一个外部信息 而每个神经元存储多种信息的部分内容。网络的每 部分对信息的存储有等势作用。这种分布式存储算法是存储区与运算区合为一体 的。在神经网络中 要获得存储的知识则采用“联想”的办法 即当一个神经网 络输入一个激励时 它要在己存的知识中寻找与该输入匹配最好的存储知识为其 解。当然在信息输出时也还要经过一种处理。而不是直接从记忆中取出。这种存 储方式的优点在于若部分信息不完全 就是说或者丢失或者损坏甚至有错误的信 息 它仍能恢复出原来正确的完整的信息 系统仍能运行。这就是网络具有容错 性和联想记忆功能 自然是表现出较强的鲁莽性。人的大脑的容错性是它的一种 重要的智慧形式。 （2）大规模并行处理 人工神经元网络在结构上是并行的 而且网络的各个单元可以同时进行类似 的处理过程。因此 网络中的信息处理是在大量单元中平行而又有层次地进行运算速度高 大大超过传统的序列式运算的数字机。虽然每个神经元的信息传递(神经脉冲)速度是以毫秒计算的 比普通序列式计算机要慢很多 但是人通常能在1秒内即可作出对外界事物的判断和决策、这就是能神奇地完成所谓“百步”决策。这按照现有传统的计算机及人工智能技术目前还是做不到的。 （3）自学习、自组织和自适应性 学习和适应要求在时间过程中系统内部结构和联系方式有改变 神经元网络是一种变结构系统 恰好能完成对环境的活应和对外界事物的学习能力。神经元 之间的连接有多种多样 各神经元之间连接强度具有一定的可塑性 相当于突触 传递信息能力的变化 这样 网络可以通过学习和训练进行自组织以适应不同信 息处理的要求。 神经元网络是大量神经元的集体行为 并不是各单元行为的简单的相加，而表现出一般复杂非线性动态系统的特性。如不可预测性、不可逆性、有各种类型的吸引子(信息正是“存储”在定点吸引子)和出现混沌现象等。 正是由于神经网络具有这些特点 所以可以处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题。例如语音识别和识别、医学诊断以及市场估计等都是具有复杂非线性和不确定性对象的控制。在那里 信源提供的模式丰富多彩有的互相间存在矛盾 而判定决策原则又无条理可循。通过神经元网络学习(按照学习法则) 从典型事例中学会处理具体事例 给出比较满意的解答。 2    人工神经网络的基本原理 2.1神经细胞以及人工神经元的组成 神经系统的基本构造单元是神经细胞 也称神经元。它和人体中其他细胞的 关键区别在于具有产生、处理和传递信号的功能。每个神经元都包括三个主要部 分:细胞体、树突和轴突。树突的作用是向四方收集由其他神经细胞传来的信息 轴突的功能是传出从细胞体送来的信息。每个神经细胞所产生和传递的基本信息 是兴奋或抑制。在两个神经细胞之间的相互接触点称为突触。从信息的传递过程来看，一个神经细胞的树突，在突触处从其他神经细胞接受信号。这些信号可能是兴奋性的，也可能是抑制性的。所有树突接受到的信号都传到细胞体进行综合处理，如果在一个时间间隔内，某一细胞接受到的兴奋性信号量足够大 以致于使该细胞被激活，而产生一个脉冲信号。这个信号将沿着该细胞的轴突传送出去并通过突触传给其他神经细胞.神经细胞通过突触的联接形成神经网络。人们正是通过对人脑神经系统的初步认识 尝试构造出人工神经元以组成人工神经网络系统来对人的智能 甚至是思维行为进行研究:尝试从理性角度阐明大脑的高级机能。经过几十年的努力与发展 己涌现出上百种人工神经网络模型 它们的网络结构、性能、算法及应用领域各异 但均是根据生物学事实衍生出来的。由于其基本处理单元是对生物神经元的近似仿真 因而被称之为人工神经元。它用于仿效生物神经细胞最基本的特性 与生物原型相对应。 人工神经元的主要结构单元是信号的输入、综合处理和输出 其输出信号的强度大小反映了该单元对相邻单元影响的强弱。人工神经元之间通过互相联接形成网络 称为人工神经网络。神经元之间相互联接的方式称为联接模式 相互之间的联接度由联接权值体现在人工神经网络中，改变信息处理过程及其能力，就是修改网络权值的过程。 目前多数人工神经网络的构造大体上都采用如下的一些原则: 1、由一定数量的基本单元分层联接构成; 2、每个单元的输入、输出信号以及综合处理内容都比较简单;