文档介绍：第四章 智能决策支持系统和 智能技术的决策支持
第四节——第六节
编辑课件
神经网络的决策支持
神经网络的基本原理
神经网络的互连结构
神经网络的学****br/> 神家系统的知识表示是隐式的、非局部的，因此，神经网络专家系统的解释器难以像基于规则的专家系统那样，通过记录推理过程使用的规则链，来向用户提供why询问和how询问的解释。
编辑课件
神经网络专家系统与一般专家系统的不同：
神经元知识库体现在神经元的连接强度（权值）上，它是分布式存贮的，适合并行处理。
推理机是基于神经元的信息处理过程，以MP模型位基础，采用数值计算方法。
神经元网络有成熟的学****算法。
容错性很好。
编辑课件
5．神经网络专家系统的结构
知
识
工
程
师
学****br/>样本
确定
系统
框架
神经元
学****br/>形成
学****样本
知
识
库
用户
实际问题参数
输入模型转换
推理机制
输出模型转换
实际问题结果
编辑课件
1）确定系统框架
神经元个数
神经元网络层次
网络单元的连接
2）学****样本
学****样本是实际问题中已输入与输出结果的实例、公认的原理、规则与事实；分为线性样本与非线性样本。
编辑课件
3）学****算法
4）推理机
5）知识库
主要存放各个神经元之间的连接权值。
6）输入模型转换
将逻辑概念转换为数值形式。
7）输出模型转换
将数值形式的输出转换为逻辑概念。
编辑课件
遗传算法原理
首先将问题的每个可能的解按照某种形式进行编码，编码后的解称为个体（染色体）。
随机选取N个个体构成初始种群，再根据预定的评价函数对每个个体计算适应值，使得性能较好的染色体具有较高的适应值。
选择适应值高的个体进行复制，通过遗传算子，来产生一群新的更适应环境的个体，形成新的种群。
编辑课件
编码和初始群体的形式
个体适应值满意否？
选择
交叉
变异
产生新一代群体
输出种群
是
否
编辑课件
1）群体种个体的编码
问题的编码就是将问题描述成位串的形式。一般将问题的参数采用二进制位编码构成子串，再将子串拼接起来构成位串。
2）适应值函数的确定
适应值函数（评价函数）是根据目标函数确定的。适应值总是非负的，任何情况下，希望越大越好。
编辑课件
3）遗传算子
① 选择算子（复制、繁殖算子）
选择是从种群种选择生命力强的个体产生新种群的过程。
选择的常用方法：比率法、排列法、比率排列法。
② 交叉算子（重组、配对算子）
首先在新复制的群体中随机选取两个个体；
然后，沿着这两个个体随机得取一个位置，二者互换从该位置起的末尾部分。
编辑课件
③ 变异算子
变异就是以很小的概率，随机地改变字符串某个位置上的值。
变异发生的概率很低，它提高遗传算法找到接近最优接的能力，避免某些信息的永久性丢失，保证了遗传算法的有效性。
编辑课件
4）控制参数的设定
遗传算法中的参数包括群体中个体的数目、交叉概率、变异概率等。
这些参数的设定随具体问题的不同将有所不同，具有经验性，它会影响遗传算法的迭代收敛过程。
编辑课件
1）遗传算法的处理对象是问题参数的编码个体（位串）。遗传算法要求将问题的参数编码成长度有限的位串。
2）遗传算法的搜索是从问题解位串集开始搜索，而不是从单个解开始。
3）遗传算法只使用目标函数来搜索，而不需要导数等其他辅助信息。
编辑课件
4）遗传算法使用的3种遗传算子是一种随机操作，而不是确定规则。
5） 遗传算法的并行性。
6）易于介入到已有模型中，并具有可扩展性，易于同别的技术结合使用。
编辑课件
遗传算法的应用
已知n个城市的地理位置(x,y),求经过所有城市,并回到出发城市且每个城市仅经过一次的最短距离。
编辑课件
机器学****的概念
机器学****的简单结构：
环境
学****元
知识库
执行元
编辑课件
环境向系统提供学****信息；
学****元对这些信息进行整理、分析、归纳或类比，生成新的知识元或改进知识库的组织结构；
执行元以学****后得到的新知识库为基础，执行一系列任务，并将执行结果报告学****元，以完成对新知识库的评价，指导进一步的学****工作。
编辑课件
机器学****系统通常应该具有如下主要特征：
(1)目的性。系统的学****行为有高度的目的性，即系统必须知道学****什么。
(2)结构性。系统必须具备适当的知识存储结构来记忆学到的知识，能够修改和完善知识表示与知识的组织形式。