人工智能有能力做三件事：知识存储 解决问题 获取新知识 人工智能的三个关键部分：表示 学习 推理 神经网络至今经历了兴起、萧条和兴盛三个时期。

神经网络动力学过程有 过程--计算过程 和 过程--学习过程

前馈神经网络的发展经历了：兴起 萧条 和 兴盛 三个时期 前馈神经网络模型有：感知器、BP网络、RBF网络 遗传算法的三个算子：选择算子、交叉算子、变异算子

遗传算法主要由三种运算组成：选择运算 交叉变异 变异运算

编码方法可以分为三大类：二进制编码方法、浮点数编码方法、符号编码方法。

Hopfield神经网络模型一般由单层全互连的神经元ui(i=1,…，n)组成。

自组织映射神经网络模型SOM）它是一种无监督学习神经网络 计算智能包括神经网络、模糊信息处理 和 遗传算法 。 计算智能核心内容：神经网络、进化计算和模糊系统

模糊数学是研究和处理模糊性现象的数学方法. 经典数学是以精确性为特征的.

关系的特性：自反性、对称性和传递性

典型的学习规则：hebbian学习规则和Delta学习规则

遗传算法 主要用于函数最优化计算，它是模拟生物在自然环

境中的遗传和进化过程的一种自适应全局寻优的随机搜索算法。遗传编码: 把问题的可行解从其物理解空间转换到遗传算法所能处理的搜索空间(编码空间)的转换方法称为编码

描述神经网络模型的六个要素：传播规则 活跃规则 输出规则 互连模式 学习规则 环境

神经网络 :是由大量的、同时也是很简单的处理单元（神经元）广泛地互相连接而形成的复杂网络系统。反映了人脑功能的许多特性，是对人脑功能进行某种简化、抽象和模拟。

BP反向传输算法的基本过程：初始化阶段前馈阶段 权值调整阶段 学习精度计算 学习结束判断

智能：智慧和能力。个体有目的的行为、合理的思维以及有效适应环境的能力。 神经计算的特点

大规模并行性、集团运算和容错能力。 信息的分布式表示。学习和自组织能力。多层神经网络系统具有强大的解算能力和处理实际问题的能力。

计算智能：借鉴仿生学思想，基于生物体系的生物进化、神经细胞网络等机制，用数学语言抽象描述的计算方法，用以模仿生物体系和人类的智能机制。 SOM模型计算的基本原理

当某个模式输入时，输出层某一神经元得到最大刺激而竞争获胜（产生最大输出值）。 同时该获胜神经元周围的一些神经元也因侧向相互作用而受到较大刺激，修改这些神经元和输入神经元之间的连接权值。

当输入模式发生变化时，输出层上获胜的输出神经元也发生改变。通过神经网络权值的调整，使得输出层特征分布能反映输入样本的分布情况。

根据SOM模型的输出状态，不但能够判断输入模式所属的类别，并使得输出神经元代表某一模式类别，还能够得到整个数据区域的大体分布情况，即从样本数据中获得数据分布的大体本质特征。

遗传算法的主要过程如下：

1） 初始化。设置进化代数计数器 t =0 ，设置最大进化代数T，随机生成N个个体作为初始群体P(0)。

2） 个体评价。计算群体P(t)的各个个体的适应度。 3） 选择运算。将选择算子作用于群体P(t)。 4） 交叉运算。将交叉运算作用于群体P(t)。

5）变异运算。将变异运算作用于群体P(t) 。经过选择、交叉、变异运算之后得到下一代群体P(t+1)。

6）终止判断。若最大适应度的值变化小于某较小数,或若迭代次数超过某设定数t >T ，则以具有最大适应度 的个体作为最优输出，终止算法；否则 t:= t+1，转到2）。 遗传算法步骤进行

1. 确定决策变量及各种约束条件，即确定出个体的表现型和问题的解空间。

2. 建立优化模型，即确定出目标函数f()。

3. 确定表示可行解的染色体编码方法，即确定出染色体的基因型X及遗传算法的搜索空间。

4. 确定解码方法，即确定出由个体基因型X到个体表现型的转换关系。

5. 确定个体适应度的评价方法，即确定出由目标函数值f()到个体适应度F(X) 的转换规则。

6. 设计遗传算子，即确定出选择运算、交叉运算、变异运算等具体操作方法。

7. 确定算法的有关运行参数，即确定出算法的N、T、Pc、Pm 等参数。

遗传算法特点

1. 以决策变量的编码作为运算对象； 2. 直接以目标函数值作为搜索信息； 3. 并行搜索（多条搜索路线）； 4. 随机搜索。全局性、稳健性。

最大隶属原则Ⅰ 最大隶属原则ⅠI (计算题的时候要提下)

模糊相似关系：若模糊关系 R 是 X 上各元素之间的模糊关系，且满足：(1) 自反性：R( x , x )= 1； (2) 对称性：R( x , y ) = R( y , x ) ； 则称模糊关系 R 是 X 上的一个模糊相似关系.

神经计算：非编程的自适应信息处理方式称之为神经计算 稳定性是指神经网络系统在进行神经计算时，系统最终能收敛到一个稳定状态

计算智能与人工智能的关系：观点二：大部分学者 计算智能 人工智能 生物智能 人工智能

广义定义： 通过对人类智力活动的探索与记忆思维规律的研究，以开发人类智力活动的潜力，探讨各种机器模拟人类智能的途径，以使人类的智能得以物化和延伸。

狭义定义：研究如何构造智能机器（智能计算机）或者智能系统，使它能模拟、延伸、扩展人类智能的学科。

神经计算的本质:计算的数学观点 、计算的物理观点、神经网络的计算是一种非编程的信息处理方式。

四、设有输入P=[-1 -0.5 0.3 -0.1; -0.5 0.5 -0.5 1.0]，输出T=[1 1 0 0]，设计一的MATLAB程序，采用BP神经网络进行训练并测试。（10分） clc

% 定义训练样本 P 为输入矢量

P=[-1 -0.5 0.3 -0.1; -0.5 0.5 -0.5 1.0]; T=[1, 1, 0, 0];

net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')

inputWeights=net.IW{1,1} inputbias=net.b{1}

layerWeights=net.LW{2,1} layerbias=net.b{2} % 设置训练参数

net.trainParam.show = 50;

net.trainParam.lr = 0.05; % Learning rate net.trainParam.mc = 0.9; %Learning moment net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3;

% 调用 TRAINGDM 算法训练 BP 网络 [net,tr]=train(net,P,T); % 对 BP 网络进行仿真 A = sim(net,P) % 计算仿真误差 E = T - A MSE=mse(E)