人工神经网络、模糊系统和进化计算的相互融合-轻识

人工神经网络能够通过学习和训练获得用数据表达的知识，除了可以记忆已知的信息之外，神经网络还具有较强的概括能力和联想记忆能力。

神经网络在智能控制、模式识别、聚类分析和专家系统等方面都取得了令人鼓舞的进展。但神经网络的推理知识表示体现在网络连接权值上，表达比较难以理解，这是它的一个缺点。

模糊系统以扎德创立的模糊集合论为基础，抓住了人类思维中的模糊性特点，以模糊推理来处理常规方法难以解决的难题,能对复杂事物进行模糊识别、模糊度量。

目前,模糊系统在自动控制、信息处理、人工智能等方面都得到了广泛的应用。模糊系统的显著特点是能够直接地表示逻辑，适于直接的或高级的知识表达,具有较强的逻辑功能。

但是对于模糊系统来说，模糊推理虽然是一种善于表现知识的推理方法，但它没有本质地获取知识的能力，模糊规则的确定也比较困难，通常需要领域专家知识的指导。

因此如何构造可自动处理模糊信息的模糊系统,即实现模糊规则的自动提取和模糊变量隶属度函数的自动生成及优化，一直是困扰模糊信息处理技术进一步推广的难题。随着对模糊系统和神经网络研究的深入，两个领域间相互独立的关系逐渐改变。

如果将它们进行综合，即将符号逻辑推理方法与联接机制方法进行结合，将数值方法和模糊逻辑方法进行结合，其优势将远远高于单项研究。

模糊系统和神经网络的融合导致了模糊神经网络的产生，许多学者已对此进行了尝试。进化计算模拟生物进化的过程，依据适者生存、优胜劣汰的进化规则，对包含可能结果的种群反复进行基于遗传的操作，不断生成新的种群并使种群不断进化，同时以全局并行搜索方式来搜索优化种群中的最优个体，以求得满足要求的最优解。其主要优点是简单、鲁棒性强、搜索空间大。

神经网络的网络结构的设计和权值的训练是一个十分重要而困难的问题,传统的方法多是凭经验或启发知识来设计网络,用梯度法来确定其中的权值，常常需要进行反复试验而且还很难找到最优的网络结构和权值。

而进化计算机为神经网络的自动设计和训练提供了一种新的途径，这就是进化神经网络。神经网络、模糊系统、进化算法三者研究同步发展、相互渗透、界限日益模糊，人们逐渐认识到由三者交叉组成的新系统具有更强的功能，因而三者相互融合的研究是当今三个分支研究的热点。

深度学习中为什么不同的特征信息可以直接相加

公众号粉丝礼包：
后台关键词：python大礼包
礼包内容：Matlab,数据分析与机器学习实战,数据科学概率基础,数学基础,算法讲解视频
整理不易，还请点击在看与分享，谢谢。
星标🌟公众号，可以更快接收文章！

每日一得“在看”