人工智能對生活的影響相關論文(2)
人工智能對生活的影響相關論文
人工智能對生活的影響相關論文篇二
摘要：在實際工程中的信號處理問題中，模糊控制一向被廣泛應用;而在模糊理論的應用中，最為重要的步驟之一就是建立模糊集的隸屬函數，如何客觀而準確地選取隸屬函數也一直是一個重要的話題。在這個問題上，人工智能扮演了重要的角色，為隸屬函數的求解問題提供了許多非傳統(tǒng)的途徑。
關鍵詞：信號處理 模糊控制 隸屬函數 人工智能 神經網絡 遺傳算法 小波分析
1、引言
在實際工程上的信號處理問題中，模糊控制一向被廣泛應用;而在模糊理論的應用中，最為重要的步驟之一就是建立模糊集的隸屬函數。確定隸屬函數不僅在性質上可以進一步確定模糊系統(tǒng)的特點，并且也是通過量化方法來實現(xiàn)數學計算的橋梁。然而，隸屬函數的選取與建立在很大程度上是取決于人的主觀心理的，這導致學者們很難總結出比較系統(tǒng)的求解隸屬函數的方法。雖然目前已總結出統(tǒng)計法、例證法、專家經驗法等應用較廣的隸屬函數建立方法，但仍無法滿足在許多領域的需求。
自1956年Dartmouth會議上人工智能概念被提出后，這門科學迅速成為上世紀發(fā)展最快的學科之一，衍生出神經網絡、蟻群算法、遺傳算法等多種算法，并被廣泛應用到各個技術領域?，F(xiàn)在，人工智能方法也被應用到求取及優(yōu)化模糊推理系統(tǒng)的隸屬函數當中，它們在解決非典型的、較復雜的問題上有著不小的優(yōu)勢。以下便是幾種人工智能方法在模糊系統(tǒng)中的典型應用。
2、神經網絡
2.1 利用BP神經網絡推斷隸屬函數
建立隸屬函數比較經典的方法有專家經驗法和試湊法，這兩種方法也有著傳統(tǒng)的弊病，那就是主觀性太強以及浪費人力。而目前比較流行的基于神經網絡的方法，比起前兩者，卻能大大地提高函數的客觀性和精確性，并不需要大量的專家經驗，還可節(jié)約人力。
前饋式神經網絡，即BP神經網絡是目前應用比較廣泛的一種神經網絡模型，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，也就是使隸屬函數趨向于最精確值。將前饋式神經網絡與模糊邏輯結合起來形成神經模糊推理系統(tǒng)是一個多層系統(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，首先要確定一個初步的輸入和輸出隸屬函數，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，常用聚類方法有逐步聚類法和傳統(tǒng)聚類法兩種;第二步是要用學習算法發(fā)現(xiàn)模糊規(guī)則，從原理上講同樣是要通過對輸入模式進行聚類獲得，建立模糊規(guī)則后便確立了此網絡的模型;最后，利用反向傳播功能對隸屬函數進行進一步的優(yōu)化，即運用BP網絡將輸出的隸屬函數的誤差進行反向傳播，將誤差最小化，從而得到最精確的隸屬函數。
2.2 多目標優(yōu)化模型的模糊解法
需要使多個目標在限定條件內同時達到最優(yōu)解的問題，被稱為多目標優(yōu)化問題。多目標優(yōu)化問題在現(xiàn)實中隨處存在，解法也是多種多樣，比較常用的解法有目標規(guī)劃法等，后來，科學家們又將遺傳算法應用到了多目標優(yōu)化問題的求解中。但因為多目標最優(yōu)解中，各目標之間常常有模糊相關關系，不考慮模糊關系而去求解有可能得不到真正的最優(yōu)解，因此后來多目標優(yōu)化的模糊求解又登上了討論的舞臺。其中，基于神經網絡的多目標模型模糊求解就是較為突出的一種。
多目標模糊求解首先要按照慣常步驟求出各子目標的約束最優(yōu)解，利用這些最優(yōu)解將這些子目標函數模糊化之后，最后所求出的使交集的隸屬函數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的隸屬函數。但是人為選取的隸屬函數總是欠缺一定的客觀性。由于函數聯(lián)接網絡具有很強的插值能力和非線性映射能力，因此它的學習速度非?？欤苓m合應用于模糊處理問題中。利用函數聯(lián)接網絡，便可將多目標問題轉換為單目標優(yōu)化問題，從而找出非主觀的、最為恰當的隸屬函數，來實現(xiàn)理想的多目標模型模糊求解。
3、小波分析理論：運用小波分析優(yōu)化模糊推理規(guī)則
小波變換是時間、空間頻域的局部化分析，它可以做到低頻出頻率細分，高頻出時間細分，在時域和
頻域均具有良好的局部化性質，從而可聚焦到信號的任意細節(jié)。
構建隸屬函數時最大的問題就在于無法系統(tǒng)性地去尋找一個精確的隸屬函數。通過將小波基函數與模糊集隸屬函數相結合，即可建立小波隸屬函數，這種函數有助于彌補以上缺點，然而仍無法去除根據固有的推理規(guī)則進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，利用它將小波函數進行優(yōu)化，可以改進該函數缺乏自學習功能的弊病，完善對小波隸屬函數的優(yōu)化，使隸屬函數的尋找能夠進一步精確化。
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)律為原理的隨機化搜索方法，它可以直接對結構對象進行操作，對于復雜的優(yōu)化問題無需建模即可運算;具有良好的全局尋優(yōu)能力，采用概率化的尋優(yōu)方法，能自動調整尋優(yōu)方向。這些優(yōu)點可以對模糊系統(tǒng)的隸屬函數起到良好的優(yōu)化作用。
根據遺傳算法的原理，要運用此算法進行優(yōu)化，首先要將問題的某些部分與基因片段相對應，按照遺傳規(guī)則進行選擇、交叉、變異后，選取其中優(yōu)秀的個體保留下來組成下一代的族群，從而完成優(yōu)化。運用遺傳算法對模糊系統(tǒng)的隸屬函數進行優(yōu)化主要是調整參數，如位置、形狀等。進行優(yōu)化后，往往能夠達到使整個系統(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、結語
因為模糊理論的現(xiàn)實意義，模糊控制系統(tǒng)在實際生產生活中有著極其廣泛的應用。以往隸屬度函數的建立一般是通過經驗得來的，然而現(xiàn)在人們已經發(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用占據著相當重要的一席，這里介紹的方法僅僅是其中非常小的一部分。多方面的實踐經驗證明，這些方法均可達到系統(tǒng)化地建立和優(yōu)化隸屬函數的效果。
看了“人工智能對生活的影響相關論文”的人還看了：