【人工智能方法在信号处理中的有效应用】信号处理偏人工智能方向

　　0 引言　　目前状况下，在很多工程项目之中，都需要对相关的信号进行一定程度上的处理，而在进行信号处理所采取的诸多方法之中，模糊控制的应用最为广泛。在对模糊理论进行运用时，存在一个十分重要的环节：对相应模糊集的隶属函数进行一定程度上的建立。对隶属函数的确定有着十分重要的意义，因为它不仅可以从性质方面对模糊系统的相关特点进行进一步的确定，同时它又可以通过量化的方法来对数学计算进行一定程度上的实现。但是对于隶属函数的选取以及建立来说，它具有很大的主观性，因此人们在对其进行研究时，在函数求解方法的总结方面存在一定的困难。而目前状况下的隶属函数方法仅仅局限于统计法、论证法以及专家经验法等，虽然这些方法已经在一些领域已经取得了一定程度的应用。然而，这并不能够满足发展的需求。近你年来，随着科学技术水平的逐步提高，人工智能方法逐渐被引用到对隶属函数的求解过程当中，并取得了良好的效果，能够对一些相对较为复杂的问题进行有效的解决。
　　1 人工智能
　　目前状况下，人工智能主要存在着两种实现方法，分别是工程学方法以及模拟法。前者主要是对传统的编程技术进行有效的利用，通过一系列的编程促使相关的系统能够呈现出一定程度的智能化效果。而后一种方法较为严格，它不仅需要对所设置出的效果进行一定程度上的保证，还要对其实现的方法有一定的要求，要求其实现方法能够与人类或者生物机体所使用的方法具有较高的相似程度。前一种方法较为复杂繁琐，且容易出现问题，不做赘述。本文主要针对模拟法中的相关算法进行一定程度上的介绍以及阐述。在采用模拟法时，相关的编程者需要对智能系统进行设计，并通过它实现有效的控制。这一系统的发展具有一定的渐进性，它具备自主学习的功能，通过不断的学习并逐渐对周围的环境进行有效的适应。这样才能够提升其解决复杂问题的能力。相对于工程学方法来说，模拟法更为省力，且能够发挥出更大的优势，因此得到了较为广泛的推广。
　　2 神经网络
　　2.1 充分利用BP神经网络，实现对隶属函数的有效推断
　　目前状况下，对于隶属函数的建立已经存在一些方法，而在这些方法之中，最常用也是最经典的两种就是专家经验法以及试凑法。然而，这两种方法也存在着固有的弊端，主要表现在两个方面，分别是较强的主观性以及需要消耗大量的人力。随着科学技术水平的提高，相关学者探究出一种基于神经网络的方法，相对于专家经验法以及试凑法来说，这种方法能够发挥出较大的优势，这主要是因为其具有较高的准确性以及客观性，并且能够对专家经验法以及试凑法所存在的弊端进行有效的克服。
　　BP神经网络，又被称作为前馈式神经网络，作为一种神经网络模型，在当前状况下得到了十分广泛的运用。其运作的原理以及流程主要如下：首先，对梯度下降法进行有效的利用，通过它实现将误差进行反向的传播，然后层层修正，最终达到误差最小化的目的。这样一来，就能够对隶属函数值的精确程度进行有效的提高。
　　2.2 多目标优化模型的模糊解法
　　多目标优化主要指的是在一定的条件之下对多个目标进行一系列的操作，使其达到最优解。目前状况下，它已经存在着多种解法，但最常使用的方法还是目标规划法。随着技术的逐步完善以及研究的逐步深入，人们在对多目标优化问题的解决时又实现了遗传算法的融入。这样一来，使得解决问题更加方便而高效。然而，又出现了一个新的问题，那就是在多目标的最优解中，各个目标之间往往存在着一定程度上的模糊相关关系，因此在求解时需要对模糊关系进行充分的考虑，否则，就不能对求解结果的精确性进行有效的保证。而随着人们对于这一问题关注度以及研究力度的加深，研究出了基于神经网络的多目标模型模糊求解的方法，这一方法能够有效的解决相关问题。
　　多目标的模糊求解存在着一套系统性较强的求解流程与步骤。首先，应当采取相应的方法实现对于其各个子目标最优解的求值。然后，对这些求出来的最优解进行有效的利用，通过它们对子目标进行一定程度上的模糊处理。当这些操作步骤完成之后，所求出来的能够使交集的隶属函数取最大值的解也就是这一模型的模糊最优解。而要想对以上的步骤进行有效的实现，就必须做好对于隶属函数的选取工作。然而如果采取认为选取的方式，就会因为较强的主观性而影响选择隶属函数的合理性以及科学性。因此，为了对这一问题进行有效的解决，相关研究者将函数进行与网络的联接，这样一来，由于其本身具备较强的插值能力以及非线性映射能力，因此它同时具备了较强的学习能力，通过不断的学习并逐渐对周围的环境进行有效的适应，并对其解决复杂问题的能力进行一定程度的提升。而通过这一办法可以有效的实现对于多目标模型的模糊求解。
　　3 遗传算法
　　从本质上来看，遗传算法其实是一种搜索方法，并具有一
　　定程度的随机性，同时，它严格的遵循生物界优胜劣汰的遗传规律。通过遗传算法，能够十分有效的对结构对象进行一系列的操作。遗传算法的一大特点就是不需要建立相关的模型而是直接进行运算。除此之外，遗传算法还具有十分优良的全局寻优能力。它能够对概率化的寻优方法进行有效的利用，并可以实现对于寻优方向合理而有效的调节。正是这一系列的优点，使得遗传算法能够有效的实现对于模糊系统隶属函数的优化。
　　在运用遗传算法进行操作时，首先要做的就是实现问题部分与基因片段的有效对应，然后再按照相应的遗传规则对其进行一定程度上的选择、交叉以及变异。而当上述步骤完成之后，就可以对其中的个体进行优化选择。将选取好的优秀个体进行保留并将之组成下一代的族群。这样一来，就可以实现优化的目的。通过对其的有效优化，能够在很大程度上对系统稳定性以及精确性进行一定程度的提高，同时也更加逼近隶属度的全局最优解的效果。
　　4 结束语
　　本文主要针对人工智能方法在信号处理中的有效应用进行一定程度上的研究与分析。首先，阐述人工智能的两种实现方式并对其进行了一定的对比。然后，具体分析了神经网络以及遗传算法。经过实践，这些方法都能够达到理想的效果。
　　参考文献：
　　[1]睢丹、金显华，人工智能在网络拥塞控制中的路径优化研究[J].计算机仿真，2011（09）.
　　[2]李啸、高建敏、宫权凌，如何看待人工智能的发展[J].科学之友，2011（01）.
　　[3]熊英，人工智能及其在计算机网络技术中的应用[J].技术与市场，2011（02）.