到达我们 + 44 7456 035580
所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

计算智能的五个主要原理及应用

Abdsmat Yuldshev*

部门管理与国际业务Bloomsburg宾夕法尼亚大学,宾夕法尼亚州,美国

*通讯作者:
Abdsmat Yuldshev
部门管理与国际业务Bloomsburg宾夕法尼亚大学,宾夕法尼亚州,美国
电子邮件:absmad7@mail.ru

收到:05 - 2023年5月,手稿。喷气机- 23 - 98923;编辑分配:09 - 2023年5月——前质量控制。飞机- 23 - 98923 (PQ);综述:23日- 2023年5月,QC。喷气机- 23 - 98923;修改后:5月30日- 2023年手稿。JET-23 - 98923 (R);发表:06-Jun - 2023, DOI: 10.4172/2319——9873.12.2.001。

引用:Yuldshev,五个主要原理及应用计算智能。RRJ Eng抛光工艺。2023;12:001。

版权:©2023 Yuldshev答:这是一个开放的文章下分布式知识共享归属许可条款,允许无限制的使用、分配、和繁殖在任何媒介,被认为提供了原作者和来源。

访问更多的相关文章研究和评论:工程和技术雷竞技苹果下载杂志》上

关于这项研究

清晰度计算智能(CI)通常暗指电脑的能力从信息中获得一个特定的任务或探索性的感知。计算智能仍然缺乏一个普遍接受的定义,尽管其常用软计算的同义词。

计算智能通常指的是一组自然计算方法和方法对于解决复杂的实际问题,传统的造型或数学是无效的,有以下原因:数学推理的过程可能是太复杂,他们可以有一些未知的过程中,或者他们可能只是随机。事实上,计算机无法处理许多现实问题如果他们都写在二进制语言(独特的0和1的值)。因此,解决这类问题提供了计算智能。

它能够产生自适应地控制行动,使用不准确和不完整的知识,人类所使用的方法类似。因此,CI雇佣了五个主要的组合互补技术:模糊逻辑,使计算机理解自然语言;人工神经网络,使系统学习经验数据的操作方式类似于生物系统;进化计算,这是基于自然选择过程;学习理论;和概率方法,帮助管理的不确定性和不精确。群体智能和人工免疫系统,生物启发算法的例子可以被看作是进化计算的一部分,以及图像处理、数据挖掘、自然语言处理、人工智能,经常被误解为计算智能,目前流行的方法。然而,尽管计算智能的目标(CI)和人工智能(AI)相比,有明显的区别。

因此,计算智能可以模仿人类的行为。事实上,“智能”通常是与人类有关。尽管人工智能和计算智能的目的同样的长期目标,众多的产品和项目近年来也自称是“聪明”属性直接联系推理和决策。达到一般智力,智力的机器可以做任何一个人,可以认为;他们之间有一个明显的区别。机器有两种见解:计算,基于软计算技术,人工,可以适应不同的情况太多了。脆皮和模糊系统是基于同样的原则作为二进制和模糊逻辑。清晰的逻辑是基于人工智能的原理,涉及到包括或不包括一个元素从一个集合,而模糊系统允许一组元素的一部分。这可以让每个元素隶属程度(从0到1),而不只是这两个值中的一个。

CI的五个主要指导原则以及如何应用计算机科学;工程、数据分析和生物医学是最常见的应用程序。

模糊逻辑

相对于人工智能,这需要精确的知识,模糊逻辑,CI的一个主要原则,包括测量和过程建模为现实世界的复杂的过程。它可以不完备和经验,最重要的是,无知的流程模型中的数据(1]。

控制、图像处理和决策是许多应用程序的几个方法。然而,这也是well-introduced领域的家用电器,比如微波炉和洗衣机。面对现实我们也可以使用摄像头时,在艾滋病在图像稳定相机是不稳定地举行。除了众多的应用这一原则,其他领域,例如医疗诊断,外汇交易,和战略选择不包括(2]。

神经网络

由于这个原因,专家在CI工作创建基于生物的人工神经网络。这些网络可分为三大类:突触,控制信号,轴突,这是一种设备,可以使信号的传播,胞体,处理信息。因此,假的大脑网络徘徊转达了数据处理框架,增强互动和经验的获得信息。容错也是这一原则的一个主要优势当像人类3]。

有五个类别,可以应用于神经网络:信息调查和分组,了解记忆,聚束的例子和控制的时代。这种方法通常旨在医疗数据进行分析和分类,继续面对和欺诈检测,最重要的是,解决系统的非线性控制。此外,大脑网络策略与基本原理的上行授权信息聚束。

进化计算

利用自然进化的优势开发了新型人工进化的本质是进化计算方法。它还包括进化算法,它被视为解决问题的人,进化策略。这条规则的基本应用程序覆盖区域简化和多目标增强,这传统数值方法不再适用于许多不够等问题的DNA调查,预订问题[4]。

学习理论

CI的主要途径之一是学习理论,它仍在寻找一种“原因”接近人类。然后学习假说有助于了解这些影响和遇到的处理方式,然后帮助做出预测的过去的经验(5,6]。

概率方法

概率方法的目标是评估的结果computation-intelligent系统主要特点是随机性。因此,概率方法使用来自过去的信息来识别潜在的问题的解决方案。

引用