大六壬是24個模糊神經原的智能計算方法

wongtaikai2

參考
｛模糊性…準確性的另一半｝劉應明、任平合著
北京清華出版社
ISBN7-302-04206-3/G.173
第9.2章
智能計算是指一些人工智能的問題借助於
模糊集合的觀念和人工神經源的計算方式，別名軟計算。
它是適用於
(1) 所考慮的問題結構不清，未能由人精確的表述。
(2) 要求的條件，令人有滿意的合理解。
(3) 人工知能的方法，不可精確表達人類思維。在有限的
單元條件下，用最簡和經濟的方法較少運算量的合理解。
我們的兵法祖先用智慧設計的計算方式人工神經網路（Artificial Neural Networks，ANN）舉大六壬為例，只消有神盤的十二神將和天盤的十二月將
總共24個人工神經網路源就可以幫助古人運籌帷幄，未卜先知了。 而且是高速。
其輸出的答案是 人工神經網路源，可見這種高深的智慧 。
如果把1985年霍普菲爾德（J. J. Hopfield）成功地用全互連式人工神經網路
求解旅行銷員問題（Traveling Salesman Problem，TSP），作爲再次掀起人工神經
網路（Artificial Neural Networks，ANN）研究高潮起點的話，那麽世界範圍內
的ANN熱潮已經歷了19年。………..自從1990年在北京召開首屆中國神經網路學術大會（C2N2－90）以後，全國13個學會按照“攜手探智慧，聯盟攻大關”的共同目標，又舉行了八次學術年會（其中四次年會與國際神經網路會議聯合召開）。九次年會論文集共收入論文兩千多篇，內容涉及ANN的模型原理、學習演算法、實現方法和專業應用等方面。作爲一種新型的資訊處理手段，ANN已在衆多的專業領域，如模式識別、自動控制和組合優化等方面得到越來越廣泛的普及應用。“神經網路”已成爲在近期科技刊物上出現頻率甚高的關鍵字。
　　不論是從國內神經網路盛會的議題，還是從相關國際學術刊物論文的內容分析，都顯示出如下特點：在各專業領域的應用多，用硬體方式實現的成果少；將ANN當作一般的並行分佈處理手段的報道多，在顯現智慧方面的突破進展少。這就是說，迄今爲止，按生物神經網路（biological neural networks，BNN)巨量並行分佈方式構造的各種人工神經網路，雖然已經在資訊處理中扮演著越來越重要的角色，但是並沒有顯示出人們所期望的聰明智慧來。有人因此而對ANN的前景感到困惑和失望。
　　因此，有必要對人類高級智慧活動的基本特徵進行再次認識，以便明確今後ANN究竟應當向BNN學習些什麽，學習的關鍵問題在哪里，以及可能採取的方法步驟等。生物高級智慧的特徵
　　什麽叫智慧（intelligence）?下列命題都曾經被引用過：觀察、學習、理解和認知的能力；運用知識以解決問題的能力；抽象思維，把大量資訊組織爲有意義系統的能力；是人們不知怎麽辦時動用的東西。不言而喻，會計算、會下棋等都是智慧的一種表現，被稱作智慧型儀器表、智慧型機器人和智慧型網路之類的設備系統中也含有某些智慧的功能效用。但是，從整體上看，在地球上生活並進化了數百萬年的人類，其智慧首先表現在對周圍環境的強大模式識別能力和隨機應變能力。
　　人類大腦智慧活動雖然傳播速度慢（毫秒級）、非精確、不可完全重復，但卻十分有效。這種奧妙的高級智慧行爲具有一些看似平常卻很重要的特徵。
　
解決問題的即時性
這種即時性根據具體問題要求的不同而不一樣，可以是一瞬間（如識別一個人），可以是數秒鐘（如下一步棋），也可以是數分鐘（如作出一個決策）或更長一些時間。
　　
適應環境的多功能性
爲了能在各種環境中生存，時刻要對周圍環境變化進行視覺的、聽覺的、嗅覺的、味覺的和觸覺的多種監督並作出反應。
注意力可集中性
即注意力可以根據需要調節到所面臨的最重要地方，既可以使神經系統集中優勢
去應付緊急事項，又可節省精力，免除系統在平時不必要的持續疲勞。
　　
擅長接收和處理非精確性資訊
其目的在於降低對感官靈敏度的要求，並且有效地節省存貯空間。
　　
輸出能解決問題的滿意解
這種尋找能解決問題的滿意解而不苛求最佳解的原則，能有效地保證大腦處理信息的即時性和多功能性。
　　
學習能力與創新性
即能不斷地通過學習，刷新已有知識，並從中領悟出新的構思和方法來。
　　這些特點正是當前馮·諾伊曼（Von Neumann）機處理速度快（每秒達數千億次），但還是遠不如人腦聰明的根本原因。當然，這些特點更是提高ANN智慧所要認真考慮的幾項基本準則。

ANN怎樣學習BNN
　　比較過去十來年的ANN研究成果和上述BNN的固有特徵，不難發現，要讓ANN更好
更快地向BNN學習，就有必要對今後ANN的主攻方向、研究路線、方法步驟、關鍵技術
和應當採取的措施等方面，作一些考慮和調整。
　　例如，從把ANN單純地當作組合優化的工具來使用，不少人曾將研究重點，放在避免局部極值而尋求全局最優的方向上。其實，從ANN更好地學習BNN來看，不僅不應當害怕局部極值，而且要把它當作找尋滿意解的一個寶庫來對待，並把研究重點放在如何有效地估計它的滿意度上。又如，從某些特定的資訊處理需要出發，不少文獻在神經網路演算法中，引入了較複雜的數學運算工具（如小波變換等）或分析方法（如李雅普諾夫穩定判據等），但已有的神經生理研究結果，並未提供高級智慧活動必需依賴複雜數學工具的證據。因而，從實現近乎大腦智慧的角度來說，越是能抓主要矛盾的簡便方法（不要求太精確），越能在保證即時性和實現多功能性方面顯出優越性來。
　　概括起來，爲了使ANN向BNN學習得更好更快，可以從以下幾個方面著手。
　　明確ANN的主要智慧優勢是擅長非精確性資訊處理。按照輸入和輸出特性的不同，可將智慧系統最經常處理的資訊類型歸納爲四類。其中，數值計算和邏輯推理所對應的資訊處理任務，現行的馮·諾伊曼數位電腦有著成熟而巨大的能力，ANN既無必要也無優勢在此等領域中與之競爭。其他三類都在輸入資訊或輸出資訊中包含有非精確資訊處理的內容，因而它們是ANN能發揮作用的領域。人類的絕大部分腦力勞動正是投入在這三類資訊處理上。
　　探索新的ANN體系結構。神經解剖學方面的研究表明，在BNN中除了有由神經細胞體－軸突－突觸－樹突構成的神經電位脈衝電路系統外，還有一個在前後突觸間約0.02微秒的間隙中釋放化學性神經遞質（谷氨酸）的調節系統，這個化學遞質系統的作用相當於半導體的柵極電路，起著至關緊要的調控放大作用。因此，如何建立神經電脈沖系統和化學遞質系統合成的耦合系統數學模型，分析其工作機理並提出可行簡便算法，是一條從建模上使ANN更靠近BNN的值得重視的途徑。
　　尋求新的網路拓撲結構和相應的學習演算法。迄今爲止，以和－積式神經元爲基礎的前饋型多層（特別是三層）神經網路，與誤差反向傳播（back propagation，BP）學習演算法相配合的ANN結構體制，獲得了最廣泛的應用。但是，它在性能上仍存在若干待改進的地方。例如，它只能調整權值，不能調整網路拓撲結構，無法實現注意力集中功能；學習新樣本時，會“沖亂”原已學好保存下來的舊樣本；其學習演算法中，包含有較複雜的非線性激勵函數的求導運算過程等。文獻[1]提出了建立在粗集神經元基礎上的粗集神經網路（rough set neural networks，RNN）。文獻[2]則構造了一類建立在廣義同餘神經元基礎上的廣義同餘神經網路（generalized congruence neural networks，GCNN）。這些新方案顯示出BP網未曾具備的一些特性，但離智慧計算的需要仍還有很大的距離。
　　探索適合於知識處理的表達知識新方法。從前面的定義可以知道，智慧就是運用知識解決問題的能力。因此，合適的知識表達對於實現智慧處理是十分重要的。衆所周知，無論蓋一棟小屋或一座大樓，所用的基本材料（基本單元）都是磚塊。那麽，知識工程中的“磚”是什麽呢？傳統的人工智慧使用符號作基本單元，但是符號難以表達相似關係，不便於內插和外推的類比運算。人工神經網路使用權值作爲知識表達基礎，雖然沒有上述缺陷，但嫌層次過低，以致顯現不出任何知識成分。 因此，文獻[3]建議選擇權值與符號之間的特徵作爲知識的基元，這是一個富有哲理的新思路。
在這方面，粗集理論（rough set theory）將給出許多有益的啓示。
　　構造綜合性的模糊神經計算智慧系統。研究表明，不論是單獨的傳統人工智慧(artificial intelligence，AI）方法，單獨的神經網路，還是單獨的模糊邏輯，都
不足以生成像BNN那樣的高級智慧。因此，在綜合各家所長的基礎上，構造模糊神經計算智慧系統（fuzzy neural networks computational intelligence system，
FNNCIS）是一條合理的途徑。
　　模糊神經計算智慧系統由七部分組成。其中，預處理單元，將輸入的各類信息量（模糊的與非模糊的）統一表達並完成歸一化；模糊神經網路本體，其權值學習可調，結構模組化可調，以實現注意力集中；後處理單元，根據滿意度判定準則輸出處理結果；特徵提取單元，對輸入樣本進行特徵提取、特徵選擇和特徵排序處理；樣本供給單元，按緻密性、遍曆性和相容性原則，提供符合質量數量要求的學習樣本；滿意度標準單元，按照精度即時性等要求，提供能符合問題性質的靜態的和動態的滿意度標準；馮·諾伊曼機，爲FNNCIS提供資訊存儲和處理所需的手段。
　　可以預計，按照FNNCIS的結構框圖，並且在其各部分引用必要的運算方法（如進化演算法、分維與混沌、粗集理論和其他新的特徵集運算方法等），就可以使ANN在智能方面更靠近BNN一步。
　　未來的世紀是知識經濟的世紀，智慧的探索將佔有極爲重要的地位。從某種意義上來說，誰佔領了智慧資訊科學技術的制高點，誰就能在科學技術進步的競賽中處於領先的地位。
　　但是，由於人腦高級智慧畢竟是數十萬年的大腦進化、數百萬年人類的進化，以及數億年生物進化的結晶，是高度的時間複雜性和巨大的空間複雜性交織而成的無比靈巧奧妙的腦神經系統，遠非用若干矽片在數年內就能完全搭配成功的。小日本經濟計劃廳組織專家預測下世紀新技術的發展速度時認爲，如果把神經電腦的實用化過程視爲100，則目前的研究開發相對進程僅爲5左右。
　　看來，ANN不斷逼近BNN的進程是一個艱巨而持久的系統工程。沒有捷徑，也沒有靈丹妙藥。只有集中人力物力，一步一個腳印地向前推進，多條路徑同時探索，融各家之長，能集小勝爲大勝。人們有理由相信，經過幾代人的努力，一定能夠逐步登上這個尚未征服的智慧資訊科學高峰。
[1] Pawan Lingrass. Inform Sci，1998，110(3/4)：207
[2] Jin Fan. Proc of ICNN＆B，1998：441
[3] 趙南元. 21世紀100個科學難題. 長春:吉林人民出版社，1998
[4] Jocek M. Computational Intelligence Imitating Life. New York: IEEE
Press，1994

lon.123

!

88484532

很新颖的提法

wongtaikai3

下一步是設法生產模擬電路，使得其

原帖由 88484532 於 2009-3-9 09:31 AM 發表。
很新颖的提法

tcwd368

好 !

tcwd368

我們祖先超凡智慧真的不可思議 !

tcwd368

什麽叫智慧（intelligence）?下列命題都曾經被引用過：觀察、學習、理解和認知的能力；運用知識以解決問題的能力；抽象思維，把大量資訊組織爲有意義系統的能力；是人們不知怎麽辦時動用的東西。 好好好好好好!!!!!!

jaf

感謝分享.............

tcwd368

模糊神經原 !
南無阿彌陀佛 !
Na Mo A Mi Dah Ba Ya

tony2u

王銘漠

原帖由 tony2u 於 2010-2-12 02:27 PM 發表。

weishi23

感謝分享,学习了。

tcwd368

值得一再看 !