《智能信息处理复习提纲(2014)湖南大学(共7页).doc》由会员分享，可在线阅读，更多相关《智能信息处理复习提纲(2014)湖南大学(共7页).doc（7页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上智能信息处理复习提纲一、 什么是智能理论？人工智能的主要学派有哪些？人工智能的主要应用领域有哪些？计算智能的生物学基础是什么、主要方法有哪些 智能理论的定义： “智能”一词可以用作名词，也可以用作形容词。如果用作名词，它是指人类所能进行的脑力劳动，包括感觉、认知、记忆、学习、联想、计算、推理、判断、决策、概括如果用作形容词，它的意义是：人一样的、聪明的、灵活的、柔性的、自学习的、自组织的、自适应的、自治的智能理论研究的两个方面： 一方面是对智能的产生、形成和工作的机制的直接研究，称为自然智能理论；另一方面是研究如何用人工的方法模拟、延伸和扩展智能。，主要是生理学和心理
2、学研究者所从事的工作，称为人工智能理论。人工智能的主要学派:(1)符号主义(心理学派):认为可以用一个符号系统在计算机上形式化地描述和模拟人的思维活动过程。（采用功能模拟方法）(2)联结主义(生理学派):利用人工神经网络模仿人类智能,认为人的智能的基本单元是神经元,由许多人工神经元联结起来的人工神经网络可以具有自学习和自适应能力,能更好地模仿人类智能。（采用结构模拟）(3)行为主义(控制论学派):认为智能取决于感知和表现为行为,智能行为只能在现实世界中与周围环境交互作用而表现出来。（采用行为模拟）人工智能的主要应用领域：(1)定理证明(2)专家系统(3)机器学习(4)自然语言理解(5)智能检索
3、(6)机器人学(7)自动程序设计(8)组合调度问题(9)模式识别(10)机器视觉 人工智能的目：就是让计算机这台机器能够象人一样思考。 计算智能的生物学基础是什么、主要方法有哪些：计算智能是以生物进化的观点认识和模拟智能。基于结构演化的人工智能主要方法：人工神经网络、遗传算法、遗传程序、演化程序、局部搜索、模拟退火等 二、 智能信息技术涉及哪几个领域、各解决哪些问题？试将人类的认知过程与计算机认知过程进行比较。智能信息技术涉及的领域：信息技术就是感测技术、通信技术、计算机技术和控制技术。感测技术就是获取信息的技术，通信技术就是传递信息的技术，计算机技术就是处理信息的技术，而控制技术就是利用信息
4、的技术。人类的认知过程与计算机认知过程进行比较图：三、 什么是智能信息技术？信息的十大基本特征是什么？智能信息技术定义： 感测、通信、计算机和控制这4个领域中的智能化技术。 十大特征： 可度量、可识别、可转换、可存储、可处理、可利用、可传递、可再生、 可压缩、可利用、可共享。四、论述模糊条件语句的主要类型。对多重和多维模糊条件语句，其多维定义为Mamdani模糊蕴含关系“与”、多重定义为Mamdani模糊蕴含关系“或”时，给出其真值的隶属函数表达式。模糊条件语句的主要类型：1） 简单条件语句：if A then B;2） 多重条件语句：if A then B else C;3） 多维条件语句：
5、if A and B then C;4） 多重多维条件语句: if A and B then C else D and E then F;多维定义为Mamdani模糊蕴含关系“与”，其真值的隶属函数表达式。如果u1是A1，且u2是A2，且um是Am，则v是B模糊关系为：其隶属函数为：多重定义为Mamdani模糊蕴含关系“或”时，其真值的隶属函数表达式。如果u1是A11，则v是B1；否则，如果u1是A21，则v是B2；否则，如果u1是An1，则v是Bn；该语句蕴涵的模糊关系为：其隶属函数为：五、 论述模糊推理的主要方法？模糊取式与模糊拒取式有何差别？Zedah的推理方法和Mamdani的推理方法
6、有何差别？模糊推理的主要方法：1） 单输入模糊推理2） Mamdani模糊推理3） 多输入模糊推理4） 多输入多规则模糊推理模糊取式与模糊拒取式有何差别：Zedah的推理方法和Mamdani的推理方法的差别Mamdani模糊推理法是最常用的一种推理方法，其模糊蕴涵关系可以通过模糊集合和的笛卡尔积(取小)求得=。Mamdani将经典的极大极小合成运算方法作为模糊关系与模糊集合的合成运算法则。在此定义下，Mamdani模糊推理过程易于进行图形解释。与Mamdani推理法相比，Zadeh推理法也是采用取小合成运算法则，但是其模糊关系的定义不同。设是上的模糊集合，是上的模糊集合，二者间的模糊蕴涵关系用
7、表示。Zadeh把定义为六、设，论域，。“”（若温度高则压力大）为推理的大前提，试根据Mamdani推理方法推导出在“温度较高”情况下的结论。由下列式子给出。七、（1）设，中的为求 （2）设有模糊矩阵和，求和的合成。八、论述人工神经网络的主要学习方式和主要学习算法。（P99）神经网络的学习可分为有导师学习和无导师学习两大类。有导师学习方式需要外界“导师”，导师对神经网络的训练过程进行示教，对每一组给定的输入提供应有的输出结果，即提供训练数据，组织一批正确的输入输出数据对，把网络的实际响应输出与应有响应输出相比较，得到已知输出与实际输出之间的差值，并据此来调节系统的参数（修改各连接权），使神经网
8、络朝着能正常响应的方向不断变化，直到实际响应的输出与应有响应输出的误差在允许范围内，网络能够解决实际应用中遇到的问题。这种学习方式也称误差修正方式，训练过程中，导师还应进行监督。有导师学习方式比较简单，但要求导师对环境和网络的结构要相当熟悉，并有丰富的经验知识。无导师学习不存在外部导师，学习系统完全按照环境所提供的数据的某些统计规律调节自身结构与参数。无导师学习的训练数据集只有输入，没有输出，训练过程中神经网络自动地将各输入数据的特征提取出来，再分成若干类。训练后的网络能够识别训练数据集以外的新的输入类别，并获得相应的输出。这种具有自组织、自学习功能的神经网络具有广阔的应用前景。 常用的神经网
9、络学习算法主要有模拟学习算法、BP学习算法和竞争学习算法等。 （P99）竞争学习法：在学习过程中，网络各输出单元相互竞争，最后达到只有一个最强者激活。九、 说明Hopfield神经网络联想记忆功能的特点。说明Sofm神经网络是如何利用自组织特征映射实现聚类的。联想记忆有两个最突出的特点：（1）按内容存取记忆，即信息的存取由信息本身的内容来实现。（2）分布式存储，即模仿人脑将记忆单元与处理单元合一。Hopfield神经网络联想记忆功能的特点：Hopfield神经网络属于自联想记忆，自联想记忆能将网络中的输入模式映射到存储在网络中不同模式的一种。不仅能映射为自己所存储的模式，而且对具有缺省或噪音输
10、入还具有一定得容错能力。Sofm神经网络：自组织特征映射网络（SOFM）是自组织网络中的一种，所谓的自组织过程是指学习的结果总是使聚类区内各神经元的权重向量保持向输入向量逼近的趋势，从而使具有相近特性的输入向量聚集在一起。（P102划线部分）十、阐述支持向量机（SVM）的基本思想，说明对于线性可分情况下是如何构造超平面以获取最优分类函数的。SVM的基本思想：是把训练数据非线性的映射到一个更高维的特征空间（Hilbert空间）中，在这个高维的特征空间中寻找到一个超平面使得正例和反例两者间的隔离边缘被最大化。如果一个线性函数就完全可以把两类所有样本分开，那么就称这些数据是线性可分的。线性判别函数的
11、值一般是连续的实数，而分类问题需要输出的是离散值。例如利用数值-1表示类别C1，而用数值+1表示类别C2.所有的样本都只能用数值-1和+1表示。这时我们可以通过设置一个阀值，通过判断判别函数的值是大于或者小于这个阀值来判断属于某一类。若我们取这个阀值为0，即当f(x)0时，判别样本为类别C1(即-1)；当f(x)0时，判别样本为类别C2(即+1).十一、阐述遗传算法（GA）的基本操作和算法流程(P125)，说明其是如何体现进化和遗传的思想的（P117）。十二、阐述蚁群算法基本思想、算法流程，并与粒子群算法相比较。 蚁群算法基本思想:蚂蚁在觅食过程中能够在其经过的路径上留下一种称之为信息素的物质
12、，并在觅食过程中能够感知这种物质的强度，并指导自己行动方向，它们总是朝着该物质强度高的方向移动，因此大量蚂蚁组成的集体觅食就表现为一种对信息素的正反馈现象。某一条路径越短，路径上经过的蚂蚁越多，其信息素遗留的也就越多，信息素的浓度也就越高，蚂蚁选择这条路径的几率也就越高，由此构成的正反馈过程，从而逐渐的逼近最优路径，找到最优路径。算法流程：1 设置初始化路径长度为0； 2 随机选择一点出发；3 根据可选择路径的信息素浓度，计算出各自选中的概率；4 根据不同选择的概率，使用轮盘选择算法，得到选择的下一个点；5 将所在点标记为不可选择； 6 重复3、4、5步骤直到找到最佳路径结束 7 计算走过路径
13、的长度；十三、 阐述粒子群算法（PSO）基本思想、算法流程，并与蚁群算法相比较。 基本思想:粒子群优化算法(PSO)是通过对鸟群觅食行为的观察研究提出的一种进化算法。基于“种群”和“进化”的概念，通过个体间的协作与竞争，实现复杂空间最优解的搜索.算法的流程如下： 初始化粒子群，包括群体规模N，每个粒子的位置x和速度v; 计算每个粒子的适应度值 对每个粒子，用它的适应度值和个体极值比较，如果适应度值大于个体极值，则用适应度值替换掉个体极值； 对每个粒子，用它的适应度值和全局极值比较，如果适应度值大于全局极值，则用适应度值替换掉全局极值； 更新粒子的速度v和位置x； 如果满足结束条件(误差足够好或
14、到达最大循环次数)退出，否则返回。粒子群算法与蚁群算法的比较:1、粒子群算法适合求解实数问题，算法简单，计算方便，求解速度快，但是存在着陷入局部最优等问题。2、蚁群算法适合在图上搜索路径问题，计算开销大。十四、什么是自然计算？试比较自然计算与人工智能的差异（P131）。自然计算具有模仿自然界特点，通常是一类具有自适应、自组织、自学习能力的模型与算法，能够解决传统计算方法难于解决的各种复杂问题。自然计算的内容一般包括：人工神经网络，遗传算法，免疫算法，人工内分沁系统，蚁群算法，粒子群算法以及膜计算等等。自然计算与人工智能的差异：十五、自然计算有哪些基本特征，其主要数学基础有哪些？基本特征 模仿自
15、然界,进化遗传十六、什么是人工生命（P117）？人工生命应有哪些生命现象和特征（P119）？其主要研究内容和研究方法有哪些？（P120121）十七、 阐述智能体的模型与特性。其主要研究方法有哪些？试给出一种复合式智能体结构，说明其工作原理。智能体是指驻留在某一环境下，能持续自主地发挥作用，具备驻留性、反应性、社会性、主动性等特征的计算实体。智能体具有下列基本特性：(1)自治性(Autonomy ) : 智能体能根据外界环境的变化，而自动地对自己的行为和状态进行调整，而不是仅仅被动地接受外界的刺激，具有自我管理自我调节的能力。(2)反应性(Reactive):能对外界的刺激作出反应的能力、(3)
16、主动性(Proactive):对于外界环境的改变，智能体能主动采取话动的能力。(4)社会性(Social ) : 智能体具有与其它智能体或人进行合作的能力，不同的智能体可根据各自的意图与其它智能体进行交互，以达到解决问题的目的。(5)进化性:智能体能积累或学习经验和知识，并修改自己的行为以适应新环境。3-4 十八、阐述信息融合三个层次的特点。信息融合可分为三个层次：像素级融合、特征级融合和决策级融合。（1）像素级融合 像素级融合的优点是能保持尽可能多的现场数据。提供其它融合层次所不能提供的细微信息。缺点是数据量大，处理代价高、时间长、实时性差，各传感器信息必须来自同质传感器，要求在信息融合时有较高的纠错能力。 （2）特征级融合 特征级融合的优点是实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息， （3）决策级融合 决策级融合的优点是通信量小；抗干扰能力强；系统容错性好；传感器可以是同质的，也可以是异质的 。缺点是要对原传感器信息进行预处理以获得各自的判定结果，所以预处理代价高。十九、 说明三种信息融合结构的特征。 信息融合的结构有串联、并联和混合融合形式三种。专心-专注-专业