人工智能课件chapter53课件幻灯片.pptVIP

人工智能及其应用 * 反应型Agent： 在思考型Agent中，反映了传统符号AI的特点和种种限制，它结构僵硬，对外界变化的反应速度慢。而反应型Agent则是依据行为主义的观点，按照“感知-动作”模型来建立智能体。这样建立的Agent可以像人类一样逐步进化，在与现实世界和周围环境的交互作用中逐步学习、逐步进化，表现出智能行为来 。 5.4.4 Agent技术 人工智能及其应用 * 混合型Agent： 为了综合思考型和反应型Agent的优点，提出了混合型Agent(hybrid Agent)，试图使混合型Agent不但具有较高的智能，而且具有较强的灵活性和快速响应性。 5.4.4 Agent技术 * 第五章 知 识 学 习 人工智能及其应用 * 内容提要： 知识学习概念、原理及分类 神经网络学习 神经网络模型 知识发现与Agent技术 Hopfield神经网络 人工智能及其应用 * 1982年和1984年，美国加州理工学院物理学家霍普菲尔德(J.J.Hopfield)在神经网络建模及应用方面取得了开创性研究成果，先后提出了离散型Hopfield神经网络和连续型Hopfield神经网络，引入“计算能量函数”的概念，给出了网络稳定性判据，尤其是给出了Hopfield神经网络的电子电路实现，为神经计算机的研究奠定了基础，同时开拓了神经网络用于联想记忆和优化计算的新途径，从而有力地推动了神经网络的研究。这两种模型是目前最重要的神经优化计算模型之一。 Hopfield神经网络 人工智能及其应用 * Hopfield神经网络无论是是离散型，还是连续型，都是反馈网络结构。下图给出了一个简单的反馈神经网络图。 离散型Hopfield神经网络 人工智能及其应用 * 离散网络模型是一个离散时间系统，每个神经元只有两个状态，可以用1和0来表示，由连接权值Ｗij所构成的矩阵是一个对角线为0的对称矩阵。离散型Hopfield神经网络的结构： 离散型Hopfield神经网络 人工智能及其应用 * 网络的稳定性：由于在反馈网络中，网络的输出要反复地作为输入再送入网络中，这就使得网络具有了动态性，网络的状态在不断的改变之中，因而就提出了网络的稳定性问题。所谓一个网络是稳定的是指从某一时刻开始，网络的状态不再改变。 连接权值构成的矩阵是非负对角元的对称矩阵，该网络就具有串行稳定性； 若该矩阵为非负矩阵，则该网络就具有并行稳定性。 连续型Hopfield网络 人工智能及其应用 * 1984年，Hopfield又提出了连续时间的神经网络，在这种神经网络中，各节点可在0到1的区间内取任一实数值。连续型Hopfield网络神经元电路模型: 连续型Hopfield网络 人工智能及其应用 * 连续型Hopfield网络的特征: 神经元的传输特性具有S特性； 细胞具有时空整体作用； 神经元之间存在的兴奋和抑制性联结通过反馈来实 现； 既有代表产生动作电位的神经元，又有代表按渐进方式工作的神经元的能力，准确地保留了生物神经网络的动态和非线性特征，有助于理解大量神经元之间的协同作用是如何产生巨大的计算能力的。 通过能量函数，使得Hopfield具有自动求极小值的计算功能。 人工智能及其应用 * 5.4 知识发现与Agent技术 知识发现的过程 知识发现的方法 知识发现中的数据挖掘技术 Agent技术 人工智能及其应用 * 5.4.1 知识发现的过程 简史： 知识发现是1989年8月在美国底特律举行的第11届国际人工智能联合会议上提出来的。 1991、1993和1994年又举行了KDD专题讨论会。从1995年以来，每年举办一次KDD国际会议。 1997年，国际专业杂志《Knowledge Discovery and Data Mining》问世。 随着互联网的发展，网上已设立了不少研究KDD的网站、论坛和新闻报导。在这些研究的基础上，产生了一些KDD产品和应用系统，并引起企业界的关注。 人工智能及其应用 * 5.4.1 知识发现的过程 定义: 从大量数据集中辨识出有效的、新颖的、潜在有用的、并可被理解的模式的高级处理过程。 知识发现过程： 人工智能及其应用 * 5.4.2 知识发现的方法 统计方法： 机器学习方法 神经计算方法 可视化方法 人工智能及其应用 * 1.统计方法 从事物数量上的外在表现去推断该事物的可能规律性： 传统方法：主要研究渐近理论，即当样本趋向于无穷多时的统计性质。主要考虑测试预想的假设是否与数据模型拟合，它依赖于显式的基本概率模型。处理过程分三个阶段： 搜集数据：采样、实验设计。 分析数据：建模、知识发现、可视化。 进行推理：预测、分类。 常用方法有回归分析、判别分析、