人工智慧自然語言理解論文

　　自1956年Dartmouth會議上人工智慧概念被提出後，這門科學迅速成為上世紀發展最快的學科之一，衍生出神經網路、蟻群演算法、遺傳演算法等多種演算法，並被廣泛應用到各個技術領域。以下是小編整理分享的的相關資料，歡迎閱讀!

　　篇一

　　摘要：在實際工程中的訊號處理問題中，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式，如何客觀而準確地選取隸屬函式也一直是一個重要的話題。在這個問題上，人工智慧扮演了重要的角色，為隸屬函式的求解問題提供了許多非傳統的途徑。

　　關鍵詞：訊號處理 模糊控制 隸屬函式 人工智慧 神經網路 遺傳演算法 小波分析

　　1、引言

　　在實際工程上的訊號處理問題中，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式。確定隸屬函式不僅在性質上可以進一步確定模糊系統的特點，並且也是通過量化方法來實現數學計算的橋樑。然而，隸屬函式的選取與建立在很大程度上是取決於人的主觀心理的，這導致學者們很難總結出比較系統的求解隸屬函式的方法。雖然目前已總結出統計法、例證法、專家經驗法等應用較廣的隸屬函式建立方法，但仍無法滿足在許多領域的需求。

　　自1956年Dartmouth會議上人工智慧概念被提出後，這門科學迅速成為上世紀發展最快的學科之一，衍生出神經網路、蟻群演算法、遺傳演算法等多種演算法，並被廣泛應用到各個技術領域。現在，人工智慧方法也被應用到求取及優化模糊推理系統的隸屬函式當中，它們在解決非典型的、較複雜的問題上有著不小的優勢。以下便是幾種人工智慧方法在模糊系統中的典型應用。

　　2、神經網路

　　2.1 利用BP神經網路推斷隸屬函式

　　建立隸屬函式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於神經網路的方法，比起前兩者，卻能大大地提高函式的客觀性和精確性，並不需要大量的專家經驗，還可節約人力。

　　前饋式神經網路，即BP神經網路是目前應用比較廣泛的一種神經網路模型，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，也就是使隸屬函式趨向於最精確值。將前饋式神經網路與模糊邏輯結合起來形成神經模糊推理系統是一個多層系統，每一層都有各自不同的功能。

　　利用這種方法求解隸屬函式，首先要確定一個初步的輸入和輸出隸屬函式，具體來說，就是要通過聚類在輸入和輸出空間中發現隸屬函式，常用聚類方法有逐步聚類法和傳統聚類法兩種;第二步是要用學習演算法發現模糊規則，從原理上講同樣是要通過對輸入模式進行聚類獲得，建立模糊規則後便確立了此網路的模型;最後，利用反向傳播功能對隸屬函式進行進一步的優化，即運用BP網路將輸出的隸屬函式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式。

　　2.2 多目標優化模型的模糊解法

　　需要使多個目標在限定條件內同時達到最優解的問題，被稱為多目標優化問題。多目標優化問題在現實中隨處存在，解法也是多種多樣，比較常用的解法有目標規劃法等，後來，科學家們又將遺傳演算法應用到了多目標優化問題的求解中。但因為多目標最優解中，各目標之間常常有模糊相關關係，不考慮模糊關係而去求解有可能得不到真正的最優解，因此後來多目標優化的模糊求解又登上了討論的舞臺。其中，基於神經網路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解，利用這些最優解將這些子目標函式模糊化之後，最後所求出的使交集的隸屬函式取最大值的解便是該模型的模糊最優解。這其中，最重要的步驟就是選取恰當的隸屬函式。但是人為選取的隸屬函式總是欠缺一定的客觀性。由於函式聯接網路具有很強的插值能力和非線性對映能力，因此它的學習速度非常快，很適合應用於模糊處理問題中。利用函式聯接網路，便可將多目標問題轉換為單目標優化問題，從而找出非主觀的、最為恰當的隸屬函式，來實現理想的多目標模型模糊求解。

　　3、小波分析理論：運用小波分析優化模糊推理規則

　　小波變換是時間、空間頻域的區域性化分析，它可以做到低頻出頻率細分，高頻出時間細分，在時域和

　　頻域均具有良好的區域性化性質，從而可聚焦到訊號的任意細節。

　　構建隸屬函式時最大的問題就在於無法系統性地去尋找一個精確的隸屬函式。通過將小波基函式與模糊集隸屬函式相結合，即可建立小波隸屬函式，這種函式有助於彌補以上缺點，然而仍無法去除根據固有的推理規則進行推理所帶來的問題。遺傳演算法是一種全域性優化搜尋演算法，利用它將小波函式進行優化，可以改進該函式缺乏自學習功能的弊病，完善對小波隸屬函式的優化，使隸屬函式的尋找能夠進一步精確化。

　　4、遺傳演算法

　　遺傳演算法是一種以生物界優勝劣汰遺傳規律為原理的隨機化搜尋方法，它可以直接對結構物件進行操作，對於複雜的優化問題無需建模即可運算;具有良好的全域性尋優能力，採用概率化的尋優方法，能自動調整尋優方向。這些優點可以對模糊系統的隸屬函式起到良好的優化作用。

　　根據遺傳演算法的原理，要運用此演算法進行優化，首先要將問題的某些部分與基因片段相對應，按照遺傳規則進行選擇、交叉、變異後，選取其中優秀的個體保留下來組成下一代的族群，從而完成優化。運用遺傳演算法對模糊系統的隸屬函式進行優化主要是調整引數，如位置、形狀等。進行優化後，往往能夠達到使整個系統穩定精度提高、更加逼近隸屬度的全域性最優解的效果。

　　5、結語

　　因為模糊理論的現實意義，模糊控制系統在實際生產生活中有著極其廣泛的應用。以往隸屬度函式的建立一般是通過經驗得來的，然而現在人們已經發掘出越來越多系統性的建立方法，在這之中人工智慧的應用佔據著相當重要的一席，這裡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化地建立和優化隸屬函式的效果。

下一頁分享更優秀的<<<