当前位置:
首页 > 互联网+ > 人工智能 > 智能信息处理与应用pdf/doc/txt格式电子书下载

智能信息处理与应用pdf/doc/txt格式电子书下载

本站仅展示书籍部分内容

如有任何咨询

请加微信10090337咨询

智能信息处理与应用pdf/doc/txt格式电子书下载

书名:智能信息处理与应用pdf/doc/txt格式电子书下载

推荐语:

作者:李明、

出版社:电子工业出版社

出版时间:2010-09-01

书籍编号:30466404

ISBN:9787121117985

正文语种:中文

字数:155465

版次:1

所属分类:互联网+-人工智能

全书内容:

智能信息处理与应用pdf/doc/txt格式电子书下载






前言


智能信息处理涉及信息学科的诸多领域,是现代信号处理、人工神经网络、模糊系统理论、进化计算,以及人工智能等理论和方法的综合应用,它是计算机科学中的前沿交叉学科,也是应用导向的综合性学科。


“智能信息处理”的前身是以人工神经网络、进化计算和模糊系统为代表的“软计算”,它兴起于20世纪90年代后期。由于“软计算”方法可以有效地分析和处理不完备信息,因此它的理论日益受到国际学术界的重视,并且在模式识别、机器学习、决策支持、过程控制、故障诊断、预测建模等许多科学与工程领域得到了成功应用。进入21世纪后,人们逐渐用“智能信息处理”一词来表述“软计算”及其应用。


近年来,以人脸识别和说话人识别为代表的生物认证成了智能信息处理应用领域的一个研究热点。在各种利用人体生物特征进行身份识别的方法中,人脸识别以其直接、友好、方便的特点得到了越来越多的重视。同时,由于利用人脸来进行识别可以将其他方法无法获得的人物表情和心理特征考虑在内,也使人脸识别具有了其他识别方法无法比拟的有效性、适应性和灵活性。说话人识别技术是从语音波形中提取信息反应说话人的个性特征的,通过对语音个性特征参数的建模和识别,从而确定或鉴别说话人的身份。说话人识别具有不会被遗失和忘记、无须记忆、使用方便等特点。另外,由于语音信号采集方便,系统集成成本低,使说话人识别具有广泛的应用前景。无论是人脸识别还是说话人识别,其在经济、安全、社会保障、犯罪、军事等领域都有着巨大的潜在应用价值。


从2005年起,作者先后承担了多项相关的科研项目,对智能信息处理的一些理论和应用进行了研究和探索。我们的写作初衷就是结合自己的研究成果,反映出智能信息处理中的一些新方法、新应用。


全书共11章,包括不确定性信息处理、模糊集与粗糙集理论、人工神经网络、支持向量机、遗传算法、群体智能、人工免疫、量子算法、信息融合技术等当前智能信息处理领域内的一些经典理论和新方法,以及智能信息处理技术在人脸识别和说话人识别中的应用。


本书是作者多年来在从事该领域研究工作的基础上,参阅了国内外有关文献资料,结合作者的科研成果和学习心得,经过反复修改而成的。本书第3、4、9、10、11章由李明执笔,第1、5、6、7、8章由王燕执笔,第2章由年福忠执笔。张亚芬、郝元宏、邢玉娟、李伟娟、孙向风等研究生为本书的编写做出了许多贡献,对他们的工作表示感谢。


本书的出版,得到了兰州理工大学学术专著出版基金的资助,在此表示感谢!


由于作者水平所限,书中难免有不妥之处,欢迎读者不吝指正。


作者


2010年3月

第1章不确定性信息处理


在日常生活和科学研究中,人们一直在追求用某一确定的数学模型来解决问题或描述现象。然而,真实世界是一个不断变化的、不完全的、不精确的,充满着矛盾的、复杂相关的信息世界。也就是说,用确定的概念描述事物往往是有局限性的。在现实世界中,包含有大量的柔性信息,表征出模糊性、复杂性和不精确性,因而对这些信息的处理就变得十分重要。

1.1 知识的不确定性[1]


知识的不确定性,首先反映在语言的不确定性上,因为语言是知识的载体。知识的不确定性,还反映在常识上,因为它通常是知识的知识,也称为元知识,是其他专业知识的基础。常识通常也是用自然语言表达的。语言中的基本单元是语言值,对应一个个概念,概念的不确定性有多个方面,主要有随机性和模糊性。

1.1.1 随机性


在自然界和人类社会中,经常会遇到这样一种现象:在完全相同的情况下,一个实验或观察(统称为实验)得到的结果可能是不同的。这种现象称为随机现象。其特点是:可重复观察,在观察之前知道所有可能的结果,但不知道到底哪一个结果会出现。这是一种由客观条件决定的不确定现象。主要因为事件发生的条件不充分,使得条件与结果之间没有必然的因果关系,因而在事件的出现与否上表现出不确定性。

1.1.2 模糊性


不确定性的早期研究内容仅仅是针对随机性。随着研究的深入,人们发现有一类不确定现象无法用随机性来描述,这就是模糊性。


模糊性长期被排斥在科学殿堂之外。直到20世纪,人们才认识到,模糊性并不是坏事,相反倒是好事,它能够用较少的代价,传送足够的信息,并能对复杂事物做出高效率的判断和处理。也就是说,模糊性有助于提高效率。

1.1.3 自然语言中的不确定性


随机性和模糊性是不确定性最基本的两个方面。自然语言的不确定性是不确定性的另一个重要研究内容。


不确定性是客观世界固有的属性,自然语言作为客观世界的表述手段,人类思维的载体,就必然会具有不确定性。另外,单个人脑认知的局限性,也使得人对客观世界的描述会出现不确定性,这一点也会通过语言反映出来。对同一事件,不同人的认知能力的差异,也会表现在语言表述的差异上。因此,语言带有不确定性是很自然的,是人类思维的本质特征。

1.1.4 常识的不确定性


研究知识,必然要涉及常识,因为常识是任何人和任何专业都必须触及的。人的智能活动,包括判断、推理、抽象等都离不开常识。


在人们的日常生活中,“常识”意味着简单、通俗和普遍,似乎无须证明、司空见惯,习以为常。而与一般人的看法相反,在人工智能界,常识的表示、处理和验证恰恰是一个非常困难的问题。


常识至少应当具备普遍性和直接性。常识的普遍性和直接性,决定了它与专业知识不同,它不要求具备专业知识所必不可少的严密性、深刻性和系统性,而是具有很强的相对性,受时间、认识主体等多种元素的影响,是随着时间、地点、人群的不同而变化的。这是相对性带来的不确定性。


目前,人工智能界有这样的共识:有无常识是人和机器的根本区别之一。人的常识能否被物化,将决定人工智能最终能否实现。因此,常识和常识中的不确定性是无法避免的。

1.1.5 知识的其他不确定性


要把知识中的不确定性讲清楚是一件很困难的事情。但是随机性和模糊性是最基本的不确定性,它们反映在语言的不确定性或常识的不确定性之中。而在一个知识体系的框架中,还会有更高层次的不确定性,尤其是不完备性和不协调性。


知识的不完备性包括知识内容的不完整、知识结构的不完备等。内容的不完整,可能来源于获取知识时观测不充分、设备不精确,只获取了局部信息,因此对部分信息内容根本不知道;或者知道应该有某一个具体的信息值,但不清楚其大小。知识结构的不完备,可能因为人的认识能力、获取手段的限制等原因,造成对解决某个特定问题的背景和结构认识不全,忽略了一些重要因素。


不协调性是知识不确定性的另一种表现。知识的不协调是指知识内在的矛盾,不协调的程度可以依次为冗余、干扰、冲突等。冗余是指人们在解决问题时,存在某些重复的,多余知识的现象。干扰是指对当前待解决的问题不但没有帮助,反而会对其他知识起到阻碍、抑制的作用,甚至导致错误结果的现象。冲突即矛盾,指知识之间的相互抵触或完全对立。


不协调性是知识的不确定性的重要体现,人们不可能、也没有必要在一切场合下都试图消除知识的不协调性,要把不协调性看做是知识的一种常态,允许包容、折中和调和。

1.2 不确定性的度量方法[2]


在科学研究中,人们一直追求用确定的数学模型来描述现象和解决问题。为了解决知识的不确定性问题,也需要数学的支持,即需要采用某种数学方法来度量知识的不确定性。根据不确定性的特征,通常的度量方法有概率理论、模糊理论和粗糙集理论等。

1.2.1 概率度量和贝叶斯公式


不确定性与概率有许多内在的联系。因此,很早以来,研究人员就将概率理论引入人工智能中,它为研究知识的随机性奠定了数据基础,也为研究不确定性提供了工具。


1.事件的概率


在随机现象中,表示事件发生可能性大小的度量(数值)称为事件的概率。设A表示一个事件,则它的概率记做P(A)。


概率具有如下一些性质。


(1)非负性:对于任一事件A,有

figure_0016_0001

(2)规范性:必然事件D的概率P(D)=1,不可能事件figure_0016_0002的概率figure_0016_0003


性质(2)反过来不一定成立。就是说概率为1的事件不一定为必然事件。同样,概率为0的事件不一定为不可能事件。


(3)有限可加性:设事件A1,A2,…,Ak是两两互不相容的事件,即有figure_0016_0004, 则

figure_0016_0005

即有限个互不相容的事件的和事件的概率等于这些事件的概率之和。


(4)对任一随机事件A,有figure_0016_0006


(5)对任意两个事件A、B,有figure_0016_0007


2.条件概率


设A和B是某个随机试验中的两个事件,如果在事件B发生的条件下考虑事件A发生的概率,就称它为事件A的条件概率,记做figure_0016_0008,则

figure_0016_0009

3.全概率公式与贝叶斯公式


(1)全概率公式


设事件A1,A2,…,Ak满足:


①两两互不相容,即当i≠j时,figure_0016_0010


② P (Ai)>0;


figure_0016_0011,D为必然事件。


则对任何事件B有下式成立:

figure_0016_0012

该公式称为全概率公式,它提供了一种计算P(B)的方法。


(2)贝叶斯公式


设事件A1,A2,…,Ak满足上面的3个条件,则对任何事件B有下式成立:

figure_0017_0013

上式称为贝叶斯公式。

1.2.2 模糊度量及性质


概率论是表示和处理随机性的强有力的工具。长期以来,人们认为不确定性就是随机性。后来,系统科学家 Zadeh 对此提出了挑战。他认为有一类不确定性问题无法用概率论去表示和度量,于是 1965年他发表了Fuzzy Sets[3],并创立了模糊集合理论。


1.模糊性


所谓模糊性是指客观事物在性态及类属方面的不分明性,其根源是在类似事物间存在一系列过渡状态,它们相互渗透,相互贯通,使得彼此之间没有明显的界限。例如,我们通常说“某人很年轻”、“某人比较年轻”,但“很年轻”和“比较年轻”之间没有明确的界限,所以它们都是模糊的。


模糊性是客观世界中某些事物本身所具有的一种不确定性,它与随机性有着本质的区别。有明确定义但不一定出现的事件中包含的不确定性称为随机性,它不因人的主观意识变化,由事物本身的因果规律决定。而已经出现但难以给出精确定义的事件中包含的不确定性称为模糊性,是由事物的概念界限模糊和人的主观推理与判断产生的。


2.模糊集与隶属函数


设U是论域,figure_0017_0014映射为[0,1]上某个值的函数,即

figure_0017_0015

figure_0017_0016为定义在U上的一个隶属函数,由figure_0017_0017所构成的集合A称为U上的一个模糊集,figure_0017_0018称为x对A的隶属度。


3.模糊关系


上的一个模糊集,记为:设U,1U,2…,Un是n个论域,U1×U2×\"×Un中的一个n元模糊关系R是U1×U2×\"×Un

figure_0017_0019

模糊关系是经典集合论中关系的推广,一个有限论域上的二元模糊关系可以表示成隶属度矩阵的形式。

1.2.3 其他度量方法


模糊集理论使得区别于随机性的模糊性得到了一种数学的表述,从而不确定性的度量有了一套新的理论和方法。模糊集理论需要数据集合之外的先验信息,如要预先确定隶属度和隶属函数。一旦离开了隶属度和隶属函数,几乎所有的模糊集合运算都将难以进行。那么能否用不确定性本身提供的信息来研究和度量不确定性呢?20 世纪 80 年代,波兰科学家Pawlak[4]基于边界区域的思想提出了粗糙集的概念,成为粗糙集理论的奠基人。


粗糙集理论把那些无法确认的个体都归属于边界线区域,而这些边界线区域被定义为上近似集和下近似集之差。由于它有确定的数学公式描述,所以含糊知识数目是可以计算的[5]。并且,根据粗糙集理论的思想,知识是有确定的粒度的,如果待研究知识的粒度和已知知识的粒度正好匹配,则待研究的知识是精确的,否则就在不精确的边界,即是粗糙的。


与概率论、模糊集合相比较,粗糙集理论从不可区分关系出发,以粒度为基础,研究知识的粗糙程度,丰富了不确定性的研究内容。

1.3 不确定性推理方法


不确定性推理是指知识不确定性的传播和更新,即新的不确定性知识的获取过程,是建立在不确定性知识和证据基础上的推理。例如,不完备、不精确知识的推理,模糊知识的推理等。实际上不确定性推理是一种从不确定的初始证据出发,通过运用不确定性知识,最终推出具有一定程度的不确定性但却又是合理或基本合理的结论的思维过程。不确定性推理的方法主要包括主观贝叶斯推理、模糊逻辑推理和证据理论[2,6,7]

1.3.1 主观贝叶斯推理


主观贝叶斯方法是R.O.Duda、P.E.Hart等人1976年在贝叶斯公式的基础上经适当改进提出的。它是最早用于处理不确定性推理的方法之一,已在地矿勘探专家系统 PROSPECTOR中得到了成功的应用。


1.基本概念


(1)几

....

本站仅展示书籍部分内容

如有任何咨询

请加微信10090337咨询

本站仅展示书籍部分内容
如有任何咨询

请加微信10090337咨询

再显示