人工智能,深度学习和机器学习,不论你现在是否能够理解这些概念,你都应该学习。否则三年内,你就会像灭绝的恐龙一样被社会淘汰。 ——马克·库班(NBA小牛队老板,亿万富翁) 我们正经历一场大革命,这场革命就是由大数据和强大电脑计算能力发起的。 人工智能的底层模型是'神经网络'(neural network)。许多复杂的应用(比如模式识别、自动控制)和高级模型(比如深度学习)都基于它。学习人工智能,一定是从它开始。 人工神经网络 人工神经网络是模拟人和动物的神经网络的某种结构和功能的模拟,所以要了解神经网络的工作原理,所以我们首先要了解生物神经元。其结构如下图所示:
从上图可看出生物神经元它包括,细胞体:由细胞核、细胞质与细胞膜组成; 轴突: 是从细胞体向外伸出的细长部分,也就是神经纤维。轴突是神经细胞的输出端,通过它向外传出神经冲动; 树突: 是细胞体向外伸出的许多较短的树枝状分支。它们是细胞的输入端,接受来自其它神经元的冲动; 突触: 神经元之间相互连接的地方,既是神经末梢与树突相接触的交界面。 对于从同一树突先后传入的神经冲动,以及同一时间从不同树突输入的神经冲动,神经细胞均可加以综合处理,处理的结果可使细胞膜电位升高;当膜电位升高到一阀值(约40mV),细胞进入兴奋状态,产生神经冲动,并由轴突输出神经冲动;当输入的冲动减小,综合处理的结果使膜电位下降,当下降到阀值时。细胞进入抑制状态,此时无神经冲动输出。“兴奋”和“抑制”,神经细胞必呈其一。 突触界面具有脉冲/电位信号转换功能,即类似于D/A转换功能。沿轴突和树突传递的是等幅、恒宽、编码的离散电脉冲信号。细胞中膜电位是连续的模拟量。 神经冲动信号的传导速度在1~150m/s之间,随纤维的粗细,髓鞘的有无而不同。 神经细胞的重要特点是具有学习功能并有遗忘和疲劳效应。总之,随着对生物神经元的深入研究,揭示出神经元不是简单的双稳逻辑元件而是微型生物信息处理机制和控制机。 而人工神经网络的基本原理也就是对生物神经元进行尽可能的模拟,当然,以目前的理论水平,制造水平,和应用水平,还与人脑神经网络的有着很大的差别,它只是对人脑神经网络有选择的,单一的,简化的构造和性能模拟,从而形成了不同功能的,多种类型的,不同层次的神经网络模型。 人工神经网络具有四个基本特征:
(1)非线性非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态,这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能,可以提高容错性和存储容量。
(2)非局限性一个神经网络通常由多个神经元广泛连接而成。 一个系统的整体行为不仅取决于单个神经元的特征,而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。
(3)非常定性人工神经网络具有自适应、自组织、自学习能力。 神经网络不但处理的信息可以有各种变化,而且在处理信息的同时,非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。
(4)非凸性一个系统的演化方向,在一定条件下将取决于某个特定的状态函数。 例如能量函数,它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值,故系统具有多个较稳定的平衡态,这将导致系统演化的多样性。 人工神经网络是一种非程序化、适应性、大脑风格的信息处理,其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能,并在不同程度和层次上模仿人脑神经系统的信息处理功能。它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。
人工神经网络是并行分布式系统,采用了与传统人工智能和信息处理技术完全不同的机理,克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷,具有自适应、自组织和实时学习的特点。 典型神经网络
1、感知器
2、BP 网络
以上表达式不能表示具有反馈方式的神经网络,如果需要表示 BP 网络,还需要对上式加入反馈部分,如下式所示: 当训练结束之后,此神经网络即是 BP 网络,它就可用于对非线性系统的控制。它将输出反馈到输入,作为输入的一部分,以达到对系统权值的持续调整,消除非线性影响的作用。 3、竞争网络
4、柯荷伦网络
BP 网络在智能系统中的应用 1、联想记忆
2、优化计算
3、影像处理
在对图像处理的研究中,主要出现过线性鉴别、遗传网络、counter-propagation network 三种主要的处理方法 ,经过比较其处理结果,发现利用遗传网络进行处理的性能最好。 神经网络对图像进行处理的步骤如下:将原始图像输入到网络中;利用特征提取的方法得到图像自身的属性;对图像特征进行分类;将这些处理结果作为训练资料或数据输入到神经网络中,通过神经网络的自动分辨功能,分辨出图形结果。 在实际使用时,先对神经网络进行训练,再将神经网络投入到实际应用中。利用神经网络进行图像处理具有诸多实际应用意义,也是当前研究的一个热点方向。在Google 地图、对天文图像的处理及网络图像分析等领域,由于资料十分庞大,利用人工进行处理,显然是不切实际的。为了能快速的得到所需的图像特征,查找出需要的图像资料,利用神经网络进行图像处理,无疑是最好的选择。 神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向–深度学习的基础。学习神经网络不仅可以让你掌握一门强大的机器学习方法,同时也可以更好地帮助你理解深度学习技术。 |
|
来自: 阿明哥哥资料区 > 《50.人工智能.元宇宙.MES》