24、计算智能方法概述

计算智能方法概述

1. 计算智能简介

计算智能（CI）致力于开发通用的智能信息处理方法和系统，具有广泛的应用领域。大多数计算智能方法的灵感来源于人类智能，具备学习、泛化、适应、模式识别、规则提取和知识表示等特性，这些也是生物系统的特点。

计算智能的方法主要包括以下几类：
- 概率和统计学习方法：如贝叶斯分类器、数据聚类、马尔可夫模型、支持向量机（SVM）、直推式SVM和SVM树。
- 基于规则的系统：命题逻辑可追溯到亚里士多德时期，模糊系统由扎德（Zadeh）于1965年和1979年引入。
- 人工神经网络。
- 进化计算、遗传算法、粒子群智能和其他人工生命方法。
- 量子计算和纳米技术。
- 混合系统：如基于知识的神经网络、神经模糊系统、神经模糊遗传系统和进化连接主义系统。

2. 概率和统计方法

2.1 贝叶斯方法

概率和统计方法基于事件概率估计和统计分析。贝叶斯方法是其中最受欢迎的，它基于贝叶斯概率，用于表示两个事件C和A之间的条件概率，公式为：
[p(A|C)=\frac{p(A|C)p(A)}{p(C)}]
不过，使用贝叶斯公式有时会遇到困难，主要在于先验概率(p(A))、(p(C))和(p(C|A))的评估。贝叶斯网络可用于描述基因调控网络（GRN）中基因之间的关系。与聚类等其他方法不同，贝叶斯网络能够描述基因表达的任意组合控制，不限于基因之间的成对相互作用。由于其概率性质，贝叶斯网络在面对不完美的数据和模型时具有较强的鲁棒性，且模型具有生物学可解释性，能与观测数据进行严格对比评分。

2.2 聚类

聚