人工智能未來的相關(guān)論文(2)
人工智能未來的相關(guān)論文
人工智能未來的相關(guān)論文篇二
人工智能方法在信號(hào)處理中的應(yīng)用
摘要：在實(shí)際工程中的信號(hào)處理問題中，模糊控制一向被廣泛應(yīng)用;而在模糊理論的應(yīng)用中，最為重要的步驟之一就是建立模糊集的隸屬函數(shù)，如何客觀而準(zhǔn)確地選取隸屬函數(shù)也一直是一個(gè)重要的話題。在這個(gè)問題上，人工智能扮演了重要的角色，為隸屬函數(shù)的求解問題提供了許多非傳統(tǒng)的途徑。
關(guān)鍵詞：信號(hào)處理 模糊控制 隸屬函數(shù) 人工智能 神經(jīng)網(wǎng)絡(luò) 遺傳算法 小波分析
1、引言
在實(shí)際工程上的信號(hào)處理問題中，模糊控制一向被廣泛應(yīng)用;而在模糊理論的應(yīng)用中，最為重要的步驟之一就是建立模糊集的隸屬函數(shù)。確定隸屬函數(shù)不僅在性質(zhì)上可以進(jìn)一步確定模糊系統(tǒng)的特點(diǎn)，并且也是通過量化方法來實(shí)現(xiàn)數(shù)學(xué)計(jì)算的橋梁。然而，隸屬函數(shù)的選取與建立在很大程度上是取決于人的主觀心理的，這導(dǎo)致學(xué)者們很難總結(jié)出比較系統(tǒng)的求解隸屬函數(shù)的方法。雖然目前已總結(jié)出統(tǒng)計(jì)法、例證法、專家經(jīng)驗(yàn)法等應(yīng)用較廣的隸屬函數(shù)建立方法，但仍無法滿足在許多領(lǐng)域的需求。
自1956年Dartmouth會(huì)議上人工智能概念被提出后，這門科學(xué)迅速成為上世紀(jì)發(fā)展最快的學(xué)科之一，衍生出神經(jīng)網(wǎng)絡(luò)、蟻群算法、遺傳算法等多種算法，并被廣泛應(yīng)用到各個(gè)技術(shù)領(lǐng)域?，F(xiàn)在，人工智能方法也被應(yīng)用到求取及優(yōu)化模糊推理系統(tǒng)的隸屬函數(shù)當(dāng)中，它們?cè)诮鉀Q非典型的、較復(fù)雜的問題上有著不小的優(yōu)勢(shì)。以下便是幾種人工智能方法在模糊系統(tǒng)中的典型應(yīng)用。
2、神經(jīng)網(wǎng)絡(luò)
2.1 利用BP神經(jīng)網(wǎng)絡(luò)推斷隸屬函數(shù)
建立隸屬函數(shù)比較經(jīng)典的方法有專家經(jīng)驗(yàn)法和試湊法，這兩種方法也有著傳統(tǒng)的弊病，那就是主觀性太強(qiáng)以及浪費(fèi)人力。而目前比較流行的基于神經(jīng)網(wǎng)絡(luò)的方法，比起前兩者，卻能大大地提高函數(shù)的客觀性和精確性，并不需要大量的專家經(jīng)驗(yàn)，還可節(jié)約人力。
前饋式神經(jīng)網(wǎng)絡(luò)，即BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用比較廣泛的一種神經(jīng)網(wǎng)絡(luò)模型，它可以通過梯度下降法令誤差反向傳播，通過多層修正使誤差趨向最小，也就是使隸屬函數(shù)趨向于最精確值。將前饋式神經(jīng)網(wǎng)絡(luò)與模糊邏輯結(jié)合起來形成神經(jīng)模糊推理系統(tǒng)是一個(gè)多層系統(tǒng)，每一層都有各自不同的功能。
利用這種方法求解隸屬函數(shù)，首先要確定一個(gè)初步的輸入和輸出隸屬函數(shù)，具體來說，就是要通過聚類在輸入和輸出空間中發(fā)現(xiàn)隸屬函數(shù)，常用聚類方法有逐步聚類法和傳統(tǒng)聚類法兩種;第二步是要用學(xué)習(xí)算法發(fā)現(xiàn)模糊規(guī)則，從原理上講同樣是要通過對(duì)輸入模式進(jìn)行聚類獲得，建立模糊規(guī)則后便確立了此網(wǎng)絡(luò)的模型;最后，利用反向傳播功能對(duì)隸屬函數(shù)進(jìn)行進(jìn)一步的優(yōu)化，即運(yùn)用BP網(wǎng)絡(luò)將輸出的隸屬函數(shù)的誤差進(jìn)行反向傳播，將誤差最小化，從而得到最精確的隸屬函數(shù)。
2.2 多目標(biāo)優(yōu)化模型的模糊解法
需要使多個(gè)目標(biāo)在限定條件內(nèi)同時(shí)達(dá)到最優(yōu)解的問題，被稱為多目標(biāo)優(yōu)化問題。多目標(biāo)優(yōu)化問題在現(xiàn)實(shí)中隨處存在，解法也是多種多樣，比較常用的解法有目標(biāo)規(guī)劃法等，后來，科學(xué)家們又將遺傳算法應(yīng)用到了多目標(biāo)優(yōu)化問題的求解中。但因?yàn)槎嗄繕?biāo)最優(yōu)解中，各目標(biāo)之間常常有模糊相關(guān)關(guān)系，不考慮模糊關(guān)系而去求解有可能得不到真正的最優(yōu)解，因此后來多目標(biāo)優(yōu)化的模糊求解又登上了討論的舞臺(tái)。其中，基于神經(jīng)網(wǎng)絡(luò)的多目標(biāo)模型模糊求解就是較為突出的一種。
多目標(biāo)模糊求解首先要按照慣常步驟求出各子目標(biāo)的約束最優(yōu)解，利用這些最優(yōu)解將這些子目標(biāo)函數(shù)模糊化之后，最后所求出的使交集的隸屬函數(shù)取最大值的解便是該模型的模糊最優(yōu)解。這其中，最重要的步驟就是選取恰當(dāng)?shù)碾`屬函數(shù)。但是人為選取的隸屬函數(shù)總是欠缺一定的客觀性。由于函數(shù)聯(lián)接網(wǎng)絡(luò)具有很強(qiáng)的插值能力和非線性映射能力，因此它的學(xué)習(xí)速度非?？?，很適合應(yīng)用于模糊處理問題中。利用函數(shù)聯(lián)接網(wǎng)絡(luò)，便可將多目標(biāo)問題轉(zhuǎn)換為單目標(biāo)優(yōu)化問題，從而找出非主觀的、最為恰當(dāng)?shù)碾`屬函數(shù)，來實(shí)現(xiàn)理想的多目標(biāo)模型模糊求解。
3、小波分析理論：運(yùn)用小波分析優(yōu)化模糊推理規(guī)則
小波變換是時(shí)間、空間頻域的局部化分析，它可以做到低頻出頻率細(xì)分，高頻出時(shí)間細(xì)分，在時(shí)域和
頻域均具有良好的局部化性質(zhì)，從而可聚焦到信號(hào)的任意細(xì)節(jié)。
構(gòu)建隸屬函數(shù)時(shí)最大的問題就在于無法系統(tǒng)性地去尋找一個(gè)精確的隸屬函數(shù)。通過將小波基函數(shù)與模糊集隸屬函數(shù)相結(jié)合，即可建立小波隸屬函數(shù)，這種函數(shù)有助于彌補(bǔ)以上缺點(diǎn)，然而仍無法去除根據(jù)固有的推理規(guī)則進(jìn)行推理所帶來的問題。遺傳算法是一種全局優(yōu)化搜索算法，利用它將小波函數(shù)進(jìn)行優(yōu)化，可以改進(jìn)該函數(shù)缺乏自學(xué)習(xí)功能的弊病，完善對(duì)小波隸屬函數(shù)的優(yōu)化，使隸屬函數(shù)的尋找能夠進(jìn)一步精確化。
4、遺傳算法
遺傳算法是一種以生物界優(yōu)勝劣汰遺傳規(guī)律為原理的隨機(jī)化搜索方法，它可以直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，對(duì)于復(fù)雜的優(yōu)化問題無需建模即可運(yùn)算;具有良好的全局尋優(yōu)能力，采用概率化的尋優(yōu)方法，能自動(dòng)調(diào)整尋優(yōu)方向。這些優(yōu)點(diǎn)可以對(duì)模糊系統(tǒng)的隸屬函數(shù)起到良好的優(yōu)化作用。
根據(jù)遺傳算法的原理，要運(yùn)用此算法進(jìn)行優(yōu)化，首先要將問題的某些部分與基因片段相對(duì)應(yīng)，按照遺傳規(guī)則進(jìn)行選擇、交叉、變異后，選取其中優(yōu)秀的個(gè)體保留下來組成下一代的族群，從而完成優(yōu)化。運(yùn)用遺傳算法對(duì)模糊系統(tǒng)的隸屬函數(shù)進(jìn)行優(yōu)化主要是調(diào)整參數(shù)，如位置、形狀等。進(jìn)行優(yōu)化后，往往能夠達(dá)到使整個(gè)系統(tǒng)穩(wěn)定精度提高、更加逼近隸屬度的全局最優(yōu)解的效果。
5、結(jié)語
因?yàn)槟：碚摰默F(xiàn)實(shí)意義，模糊控制系統(tǒng)在實(shí)際生產(chǎn)生活中有著極其廣泛的應(yīng)用。以往隸屬度函數(shù)的建立一般是通過經(jīng)驗(yàn)得來的，然而現(xiàn)在人們已經(jīng)發(fā)掘出越來越多系統(tǒng)性的建立方法，在這之中人工智能的應(yīng)用占據(jù)著相當(dāng)重要的一席，這里介紹的方法僅僅是其中非常小的一部分。多方面的實(shí)踐經(jīng)驗(yàn)證明，這些方法均可達(dá)到系統(tǒng)化地建立和優(yōu)化隸屬函數(shù)的效果。
看了“人工智能未來的相關(guān)論文”的人還看了：