大學生人工智能論文(2)
大學生人工智能論文
大學生人工智能論文篇二
人工智能方法在信號處理中的有效應用
0 引言
目前狀況下，在很多工程項目之中，都需要對相關的信號進行一定程度上的處理，而在進行信號處理所采取的諸多方法之中，模糊控制的應用最為廣泛。在對模糊理論進行運用時，存在一個十分重要的環節：對相應模糊集的隸屬函數進行一定程度上的建立。對隸屬函數的確定有著十分重要的意義，因為它不僅可以從性質方面對模糊系統的相關特點進行進一步的確定，同時它又可以通過量化的方法來對數學計算進行一定程度上的實現。但是對于隸屬函數的選取以及建立來說，它具有很大的主觀性，因此人們在對其進行研究時，在函數求解方法的總結方面存在一定的困難。而目前狀況下的隸屬函數方法僅僅局限于統計法、論證法以及專家經驗法等，雖然這些方法已經在一些領域已經取得了一定程度的應用。然而，這并不能夠滿足發展的需求。近你年來，隨著科學技術水平的逐步提高，人工智能方法逐漸被引用到對隸屬函數的求解過程當中，并取得了良好的效果，能夠對一些相對較為復雜的問題進行有效的解決。
1 人工智能
目前狀況下，人工智能主要存在著兩種實現方法，分別是工程學方法以及模擬法。前者主要是對傳統的編程技術進行有效的利用，通過一系列的編程促使相關的系統能夠呈現出一定程度的智能化效果。而后一種方法較為嚴格，它不僅需要對所設置出的效果進行一定程度上的保證，還要對其實現的方法有一定的要求，要求其實現方法能夠與人類或者生物機體所使用的方法具有較高的相似程度。前一種方法較為復雜繁瑣，且容易出現問題，不做贅述。本文主要針對模擬法中的相關算法進行一定程度上的介紹以及闡述。在采用模擬法時，相關的編程者需要對智能系統進行設計，并通過它實現有效的控制。這一系統的發展具有一定的漸進性，它具備自主學習的功能，通過不斷的學習并逐漸對周圍的環境進行有效的適應。這樣才能夠提升其解決復雜問題的能力。相對于工程學方法來說，模擬法更為省力，且能夠發揮出更大的優勢，因此得到了較為廣泛的推廣。
2 神經網絡
2.1 充分利用BP神經網絡，實現對隸屬函數的有效推斷
目前狀況下，對于隸屬函數的建立已經存在一些方法，而在這些方法之中，最常用也是最經典的兩種就是專家經驗法以及試湊法。然而，這兩種方法也存在著固有的弊端，主要表現在兩個方面，分別是較強的主觀性以及需要消耗大量的人力。隨著科學技術水平的提高，相關學者探究出一種基于神經網絡的方法，相對于專家經驗法以及試湊法來說，這種方法能夠發揮出較大的優勢，這主要是因為其具有較高的準確性以及客觀性，并且能夠對專家經驗法以及試湊法所存在的弊端進行有效的克服。
BP神經網絡，又被稱作為前饋式神經網絡，作為一種神經網絡模型，在當前狀況下得到了十分廣泛的運用。其運作的原理以及流程主要如下：首先，對梯度下降法進行有效的利用，通過它實現將誤差進行反向的傳播，然后層層修正，最終達到誤差最小化的目的。這樣一來，就能夠對隸屬函數值的精確程度進行有效的提高。
2.2 多目標優化模型的模糊解法
多目標優化主要指的是在一定的條件之下對多個目標進行一系列的操作，使其達到最優解。目前狀況下，它已經存在著多種解法，但最常使用的方法還是目標規劃法。隨著技術的逐步完善以及研究的逐步深入，人們在對多目標優化問題的解決時又實現了遺傳算法的融入。這樣一來，使得解決問題更加方便而高效。然而，又出現了一個新的問題，那就是在多目標的最優解中，各個目標之間往往存在著一定程度上的模糊相關關系，因此在求解時需要對模糊關系進行充分的考慮，否則，就不能對求解結果的精確性進行有效的保證。而隨著人們對于這一問題關注度以及研究力度的加深，研究出了基于神經網絡的多目標模型模糊求解的方法，這一方法能夠有效的解決相關問題。
多目標的模糊求解存在著一套系統性較強的求解流程與步驟。首先，應當采取相應的方法實現對于其各個子目標最優解的求值。然后，對這些求出來的最優解進行有效的利用，通過它們對子目標進行一定程度上的模糊處理。當這些操作步驟完成之后，所求出來的能夠使交集的隸屬函數取最大值的解也就是這一模型的模糊最優解。而要想對以上的步驟進行有效的實現，就必須做好對于隸屬函數的選取工作。然而如果采取認為選取的方式，就會因為較強的主觀性而影響選擇隸屬函數的合理性以及科學性。因此，為了對這一問題進行有效的解決，相關研究者將函數進行與網絡的聯接，這樣一來，由于其本身具備較強的插值能力以及非線性映射能力，因此它同時具備了較強的學習能力，通過不斷的學習并逐漸對周圍的環境進行有效的適應，并對其解決復雜問題的能力進行一定程度的提升。而通過這一辦法可以有效的實現對于多目標模型的模糊求解。
3 遺傳算法
從本質上來看，遺傳算法其實是一種搜索方法，并具有一
定程度的隨機性，同時，它嚴格的遵循生物界優勝劣汰的遺傳規律。通過遺傳算法，能夠十分有效的對結構對象進行一系列的操作。遺傳算法的一大特點就是不需要建立相關的模型而是直接進行運算。除此之外，遺傳算法還具有十分優良的全局尋優能力。它能夠對概率化的尋優方法進行有效的利用，并可以實現對于尋優方向合理而有效的調節。正是這一系列的優點，使得遺傳算法能夠有效的實現對于模糊系統隸屬函數的優化。
在運用遺傳算法進行操作時，首先要做的就是實現問題部分與基因片段的有效對應，然后再按照相應的遺傳規則對其進行一定程度上的選擇、交叉以及變異。而當上述步驟完成之后，就可以對其中的個體進行優化選擇。將選取好的優秀個體進行保留并將之組成下一代的族群。這樣一來，就可以實現優化的目的。通過對其的有效優化，能夠在很大程度上對系統穩定性以及精確性進行一定程度的提高，同時也更加逼近隸屬度的全局最優解的效果。
4 結束語
本文主要針對人工智能方法在信號處理中的有效應用進行一定程度上的研究與分析。首先，闡述人工智能的兩種實現方式并對其進行了一定的對比。然后，具體分析了神經網絡以及遺傳算法。經過實踐，這些方法都能夠達到理想的效果。
參考文獻：
[1]睢丹、金顯華，人工智能在網絡擁塞控制中的路徑優化研究[J].計算機仿真，2011(09).
[2]李嘯、高建敏、宮權凌，如何看待人工智能的發展[J].科學之友，2011(01).
[3]熊英，人工智能及其在計算機網絡技術中的應用[J].技術與市場，2011(02).
看了“大學生人工智能論文”的人還看了：