智能信息处理重点总结.docxVIP

智能信息处理是干什么的？举2到3个例子说明智能信息处理在生活中的应用。 是利用计算机对物体、图像、语音、字符等进行自动识别的技术，它的一般过程包括：样本采集、信息的数字化、预处理、数据特征的提取、与标准模式进行比较、分类识别。例子：图形识别及语言识别。如手写汉字的识别、语音识别、数据挖掘、智能检索都是智能信息处理的应用实例。 第一章 模糊集合(Fuzzy Set) 模式识别(Pattern Recognition) 模糊模式识别(Fuzzy Pattern Recognition) 粗糙集(Rough Set) 蚁群算法(Ant Colony Optimization, ACO) 生物神经网络(Biological Neural Network, BNN) 生物神经元(neuron) 径向基函数RBF（Radial basis function） SOM网络：Self -Orginazing Maps network 自组织网络 /*了解 旅行商问题（TSP, traveling salesman problem） 知识库(Knowledge Base) 下近似集(Lower Approximation Set) 上近似集(Upper Approximation Set) 不可分辨关系(indiscernibility relation)称为等价关系 约简(Reduction) “信息素”（pheromone） 考模糊集合的表示：（1）是离散的（2）是连续的 考并、交、补 考基于隶属度的模糊判别： 考最大最小贴近度、欧几里得贴近度、欧氏距离、曼哈顿距离、切比雪夫距离、马氏距离、内积、外积 聚类的定义：聚类是把有相似属性的元素归并成一组的分组过程。因此，同一个类别中的元素都相似，不同类别中的元素都相异。 聚类算法的分类： 1、排他式聚类 例如：K均值聚类； 2、重叠式聚类 例如：模糊K均值聚类； 3、分级聚类 例如：合成聚类。 说明：C均值聚类和K均值聚类是一个东西；相应地，模糊C均值聚类和模糊K均值聚类说的也是一回事。C或K的含义相同，都表示聚类的数目，只是不同的作者用的不同的字母来表示。 聚类中心mi的确定：随机抽取C个样本，把它们作为mi，i=1,2,…,C C均值聚类算法过程 （1）适当选择c个类的初始中心；　　（2）在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；　　（3）分别计算每一类的均值，并用之来更新该类的中心值；　　（4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。 　　C均值聚类算法的最大优势在于简洁和快速。其关键在于初始中心的选择和距离公式。 模糊聚类 模糊C均值聚类算法定义：通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的方法。 表示xi到mj的距离的平方 注：以上准则函数及其各个字母的含义是重点 模糊C均值聚类算法的原理 说明：需要通过mj来表 示，同时，mj也需要通过来表示，所以需要用迭代的方法来估计聚类中心即， 注：以上模糊C均值算法的步骤是重点 第二章:人工神经网络 考什么是人工神经网络 考什么是前馈神经网络，两层计算单元的前馈神经网络结构 注：图片给的是三层的考试考两层的 考BP神经网络的激活函数的形式与要求 考什么是BP神经网络 具体解释： 考BP训练的目标函数（准则函数）是什么 考BP神经网络的应用：分类与回归 考BP神经网络的训练过程步骤 第四节 支持向量机 1.考英文，svm的标准形式 2. SVM始于两类问题的解决需求(即是或否,0或1的问题) 3．较好的分类标准 下面举例说明（看懂图） 4.svm的判别函数及参数说明 参数说明： 5.如何用两类分类svm求多类svm？并举例 。 用两类SVM分类模型实现多类分类结果的方法和过程。 答：共有两种方法。1、成对分类法。2一类对余类法。 以手写体数字0~9的识别过程为例说明： 1、成对分类法是说训练等于45个两类分类模型，每一个都是一种元素对另一种元素的分类模型。计算样本关于每个SVC的分类结果，所得结果为1的那一类票数加1。所有的分类模型都算完之后，统计哪一类得票数最多，就将该样本归到那一类中去。 2、一类对余类法是说训练10个两类分类模型，每个模型分别对应一个元素与其余元素的分类，计算样本关于每个SVC的分类结果，如果决策0为正类则0类得票加1，如果0决策为负类，则1~9每一类得票都加1。所有的分类模型都算完之后，统计哪一类得票数最多，就将该样本归到那一类中去。 第五节：梯度下降法和遗传算法 1.梯度下降法 (1)给定目标函数（可能具体可能