大學(xué)生人工智能論文(2)
大學(xué)生人工智能論文
大學(xué)生人工智能論文篇二
人工智能方法在信號(hào)處理中的有效應(yīng)用
0 引言
目前狀況下，在很多工程項(xiàng)目之中，都需要對(duì)相關(guān)的信號(hào)進(jìn)行一定程度上的處理，而在進(jìn)行信號(hào)處理所采取的諸多方法之中，模糊控制的應(yīng)用最為廣泛。在對(duì)模糊理論進(jìn)行運(yùn)用時(shí)，存在一個(gè)十分重要的環(huán)節(jié)：對(duì)相應(yīng)模糊集的隸屬函數(shù)進(jìn)行一定程度上的建立。對(duì)隸屬函數(shù)的確定有著十分重要的意義，因?yàn)樗粌H可以從性質(zhì)方面對(duì)模糊系統(tǒng)的相關(guān)特點(diǎn)進(jìn)行進(jìn)一步的確定，同時(shí)它又可以通過(guò)量化的方法來(lái)對(duì)數(shù)學(xué)計(jì)算進(jìn)行一定程度上的實(shí)現(xiàn)。但是對(duì)于隸屬函數(shù)的選取以及建立來(lái)說(shuō)，它具有很大的主觀性，因此人們?cè)趯?duì)其進(jìn)行研究時(shí)，在函數(shù)求解方法的總結(jié)方面存在一定的困難。而目前狀況下的隸屬函數(shù)方法僅僅局限于統(tǒng)計(jì)法、論證法以及專家經(jīng)驗(yàn)法等，雖然這些方法已經(jīng)在一些領(lǐng)域已經(jīng)取得了一定程度的應(yīng)用。然而，這并不能夠滿足發(fā)展的需求。近你年來(lái)，隨著科學(xué)技術(shù)水平的逐步提高，人工智能方法逐漸被引用到對(duì)隸屬函數(shù)的求解過(guò)程當(dāng)中，并取得了良好的效果，能夠?qū)σ恍┫鄬?duì)較為復(fù)雜的問(wèn)題進(jìn)行有效的解決。
1 人工智能
目前狀況下，人工智能主要存在著兩種實(shí)現(xiàn)方法，分別是工程學(xué)方法以及模擬法。前者主要是對(duì)傳統(tǒng)的編程技術(shù)進(jìn)行有效的利用，通過(guò)一系列的編程促使相關(guān)的系統(tǒng)能夠呈現(xiàn)出一定程度的智能化效果。而后一種方法較為嚴(yán)格，它不僅需要對(duì)所設(shè)置出的效果進(jìn)行一定程度上的保證，還要對(duì)其實(shí)現(xiàn)的方法有一定的要求，要求其實(shí)現(xiàn)方法能夠與人類或者生物機(jī)體所使用的方法具有較高的相似程度。前一種方法較為復(fù)雜繁瑣，且容易出現(xiàn)問(wèn)題，不做贅述。本文主要針對(duì)模擬法中的相關(guān)算法進(jìn)行一定程度上的介紹以及闡述。在采用模擬法時(shí)，相關(guān)的編程者需要對(duì)智能系統(tǒng)進(jìn)行設(shè)計(jì)，并通過(guò)它實(shí)現(xiàn)有效的控制。這一系統(tǒng)的發(fā)展具有一定的漸進(jìn)性，它具備自主學(xué)習(xí)的功能，通過(guò)不斷的學(xué)習(xí)并逐漸對(duì)周圍的環(huán)境進(jìn)行有效的適應(yīng)。這樣才能夠提升其解決復(fù)雜問(wèn)題的能力。相對(duì)于工程學(xué)方法來(lái)說(shuō)，模擬法更為省力，且能夠發(fā)揮出更大的優(yōu)勢(shì)，因此得到了較為廣泛的推廣。
2 神經(jīng)網(wǎng)絡(luò)
2.1 充分利用BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)隸屬函數(shù)的有效推斷
目前狀況下，對(duì)于隸屬函數(shù)的建立已經(jīng)存在一些方法，而在這些方法之中，最常用也是最經(jīng)典的兩種就是專家經(jīng)驗(yàn)法以及試湊法。然而，這兩種方法也存在著固有的弊端，主要表現(xiàn)在兩個(gè)方面，分別是較強(qiáng)的主觀性以及需要消耗大量的人力。隨著科學(xué)技術(shù)水平的提高，相關(guān)學(xué)者探究出一種基于神經(jīng)網(wǎng)絡(luò)的方法，相對(duì)于專家經(jīng)驗(yàn)法以及試湊法來(lái)說(shuō)，這種方法能夠發(fā)揮出較大的優(yōu)勢(shì)，這主要是因?yàn)槠渚哂休^高的準(zhǔn)確性以及客觀性，并且能夠?qū)＜医?jīng)驗(yàn)法以及試湊法所存在的弊端進(jìn)行有效的克服。
BP神經(jīng)網(wǎng)絡(luò)，又被稱作為前饋式神經(jīng)網(wǎng)絡(luò)，作為一種神經(jīng)網(wǎng)絡(luò)模型，在當(dāng)前狀況下得到了十分廣泛的運(yùn)用。其運(yùn)作的原理以及流程主要如下：首先，對(duì)梯度下降法進(jìn)行有效的利用，通過(guò)它實(shí)現(xiàn)將誤差進(jìn)行反向的傳播，然后層層修正，最終達(dá)到誤差最小化的目的。這樣一來(lái)，就能夠?qū)﹄`屬函數(shù)值的精確程度進(jìn)行有效的提高。
2.2 多目標(biāo)優(yōu)化模型的模糊解法
多目標(biāo)優(yōu)化主要指的是在一定的條件之下對(duì)多個(gè)目標(biāo)進(jìn)行一系列的操作，使其達(dá)到最優(yōu)解。目前狀況下，它已經(jīng)存在著多種解法，但最常使用的方法還是目標(biāo)規(guī)劃法。隨著技術(shù)的逐步完善以及研究的逐步深入，人們?cè)趯?duì)多目標(biāo)優(yōu)化問(wèn)題的解決時(shí)又實(shí)現(xiàn)了遺傳算法的融入。這樣一來(lái)，使得解決問(wèn)題更加方便而高效。然而，又出現(xiàn)了一個(gè)新的問(wèn)題，那就是在多目標(biāo)的最優(yōu)解中，各個(gè)目標(biāo)之間往往存在著一定程度上的模糊相關(guān)關(guān)系，因此在求解時(shí)需要對(duì)模糊關(guān)系進(jìn)行充分的考慮，否則，就不能對(duì)求解結(jié)果的精確性進(jìn)行有效的保證。而隨著人們對(duì)于這一問(wèn)題關(guān)注度以及研究力度的加深，研究出了基于神經(jīng)網(wǎng)絡(luò)的多目標(biāo)模型模糊求解的方法，這一方法能夠有效的解決相關(guān)問(wèn)題。
多目標(biāo)的模糊求解存在著一套系統(tǒng)性較強(qiáng)的求解流程與步驟。首先，應(yīng)當(dāng)采取相應(yīng)的方法實(shí)現(xiàn)對(duì)于其各個(gè)子目標(biāo)最優(yōu)解的求值。然后，對(duì)這些求出來(lái)的最優(yōu)解進(jìn)行有效的利用，通過(guò)它們對(duì)子目標(biāo)進(jìn)行一定程度上的模糊處理。當(dāng)這些操作步驟完成之后，所求出來(lái)的能夠使交集的隸屬函數(shù)取最大值的解也就是這一模型的模糊最優(yōu)解。而要想對(duì)以上的步驟進(jìn)行有效的實(shí)現(xiàn)，就必須做好對(duì)于隸屬函數(shù)的選取工作。然而如果采取認(rèn)為選取的方式，就會(huì)因?yàn)檩^強(qiáng)的主觀性而影響選擇隸屬函數(shù)的合理性以及科學(xué)性。因此，為了對(duì)這一問(wèn)題進(jìn)行有效的解決，相關(guān)研究者將函數(shù)進(jìn)行與網(wǎng)絡(luò)的聯(lián)接，這樣一來(lái)，由于其本身具備較強(qiáng)的插值能力以及非線性映射能力，因此它同時(shí)具備了較強(qiáng)的學(xué)習(xí)能力，通過(guò)不斷的學(xué)習(xí)并逐漸對(duì)周圍的環(huán)境進(jìn)行有效的適應(yīng)，并對(duì)其解決復(fù)雜問(wèn)題的能力進(jìn)行一定程度的提升。而通過(guò)這一辦法可以有效的實(shí)現(xiàn)對(duì)于多目標(biāo)模型的模糊求解。
3 遺傳算法
從本質(zhì)上來(lái)看，遺傳算法其實(shí)是一種搜索方法，并具有一
定程度的隨機(jī)性，同時(shí)，它嚴(yán)格的遵循生物界優(yōu)勝劣汰的遺傳規(guī)律。通過(guò)遺傳算法，能夠十分有效的對(duì)結(jié)構(gòu)對(duì)象進(jìn)行一系列的操作。遺傳算法的一大特點(diǎn)就是不需要建立相關(guān)的模型而是直接進(jìn)行運(yùn)算。除此之外，遺傳算法還具有十分優(yōu)良的全局尋優(yōu)能力。它能夠?qū)Ω怕驶膶?yōu)方法進(jìn)行有效的利用，并可以實(shí)現(xiàn)對(duì)于尋優(yōu)方向合理而有效的調(diào)節(jié)。正是這一系列的優(yōu)點(diǎn)，使得遺傳算法能夠有效的實(shí)現(xiàn)對(duì)于模糊系統(tǒng)隸屬函數(shù)的優(yōu)化。
在運(yùn)用遺傳算法進(jìn)行操作時(shí)，首先要做的就是實(shí)現(xiàn)問(wèn)題部分與基因片段的有效對(duì)應(yīng)，然后再按照相應(yīng)的遺傳規(guī)則對(duì)其進(jìn)行一定程度上的選擇、交叉以及變異。而當(dāng)上述步驟完成之后，就可以對(duì)其中的個(gè)體進(jìn)行優(yōu)化選擇。將選取好的優(yōu)秀個(gè)體進(jìn)行保留并將之組成下一代的族群。這樣一來(lái)，就可以實(shí)現(xiàn)優(yōu)化的目的。通過(guò)對(duì)其的有效優(yōu)化，能夠在很大程度上對(duì)系統(tǒng)穩(wěn)定性以及精確性進(jìn)行一定程度的提高，同時(shí)也更加逼近隸屬度的全局最優(yōu)解的效果。
4 結(jié)束語(yǔ)
本文主要針對(duì)人工智能方法在信號(hào)處理中的有效應(yīng)用進(jìn)行一定程度上的研究與分析。首先，闡述人工智能的兩種實(shí)現(xiàn)方式并對(duì)其進(jìn)行了一定的對(duì)比。然后，具體分析了神經(jīng)網(wǎng)絡(luò)以及遺傳算法。經(jīng)過(guò)實(shí)踐，這些方法都能夠達(dá)到理想的效果。
參考文獻(xiàn)：
[1]睢丹、金顯華，人工智能在網(wǎng)絡(luò)擁塞控制中的路徑優(yōu)化研究[J].計(jì)算機(jī)仿真，2011(09).
[2]李嘯、高建敏、宮權(quán)凌，如何看待人工智能的發(fā)展[J].科學(xué)之友，2011(01).
[3]熊英，人工智能及其在計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)中的應(yīng)用[J].技術(shù)與市場(chǎng)，2011(02).
看了“大學(xué)生人工智能論文”的人還看了：