人工智能建模方法（課堂PPT）

1、.1主要內(nèi)容1. 人工智能建模相關(guān)概念人工智能建模相關(guān)概念 2. 人工智能的兩個流派人工智能的兩個流派2.1 基于知識的人工智能系統(tǒng)基于知識的人工智能系統(tǒng)2.2 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)3. 基于知識的人工智能建?；谥R的人工智能建模4. 人工神經(jīng)網(wǎng)絡(luò)建模人工神經(jīng)網(wǎng)絡(luò)建模5. 人工智能建模發(fā)展趨勢人工智能建模發(fā)展趨勢6. 小結(jié)小結(jié).21. 相關(guān)概念相關(guān)概念n人工智能：通過人造物來模擬人的智能的一種方法及其人工智能：通過人造物來模擬人的智能的一種方法及其實(shí)現(xiàn)技術(shù)的一門學(xué)科。實(shí)現(xiàn)技術(shù)的一門學(xué)科。 n人工智能建模：通過模擬人認(rèn)識客觀事物和解決實(shí)際問人工智能建模：通過模擬人認(rèn)識客觀事物和解決實(shí)際問題

2、的方法對實(shí)際系統(tǒng)或系統(tǒng)的某一部分進(jìn)行描述和表達(dá)題的方法對實(shí)際系統(tǒng)或系統(tǒng)的某一部分進(jìn)行描述和表達(dá)的過程。也可以簡述為利用人工智能方法對實(shí)際系統(tǒng)或的過程。也可以簡述為利用人工智能方法對實(shí)際系統(tǒng)或系統(tǒng)的某一部分進(jìn)行描述和表達(dá)的過程。系統(tǒng)的某一部分進(jìn)行描述和表達(dá)的過程。 .32.1 基于知識的人工智能系統(tǒng)基于知識的人工智能系統(tǒng)Artificial Intelligent System Based on Knowledgen一種從功能角度來模擬人類（特別是各領(lǐng)域?qū)Ｒ环N從功能角度來模擬人類（特別是各領(lǐng)域?qū)＜遥┲悄艿姆椒ǎ卜Q為專家系統(tǒng)、符號主義家）智能的方法，也稱為專家系統(tǒng)、符號主義或邏輯主義?；蜻壿嬛髁x

3、。n專家之所以具有智能，能認(rèn)識和解決某一領(lǐng)域?qū)＜抑跃哂兄悄埽苷J(rèn)識和解決某一領(lǐng)域內(nèi)的實(shí)際問題，關(guān)鍵在于專家具備該領(lǐng)域內(nèi)的內(nèi)的實(shí)際問題，關(guān)鍵在于專家具備該領(lǐng)域內(nèi)的各種各種（常識、書本知識和實(shí)際工作中積累（常識、書本知識和實(shí)際工作中積累的經(jīng)驗(yàn)），并且能夠運(yùn)用這些知識進(jìn)行適當(dāng)?shù)牡慕?jīng)驗(yàn)），并且能夠運(yùn)用這些知識進(jìn)行適當(dāng)?shù)?42.1 基于知識的人工智能系統(tǒng)基于知識的人工智能系統(tǒng)n對人類理性認(rèn)識過程（或邏輯思維過程）的對人類理性認(rèn)識過程（或邏輯思維過程）的一種模擬，建立在概念、判斷和推理這些抽一種模擬，建立在概念、判斷和推理這些抽象語言符號的基礎(chǔ)上。象語言符號的基礎(chǔ)上。n關(guān)鍵問題關(guān)鍵問題1 ：知識的表示

4、知識的表示 n如何把專家知識轉(zhuǎn)化為機(jī)器所能識別、存儲和使用的形如何把專家知識轉(zhuǎn)化為機(jī)器所能識別、存儲和使用的形式式 。.52.1 基于知識的人工智能系統(tǒng)基于知識的人工智能系統(tǒng)q常用知識表示方法常用知識表示方法n謂詞邏輯謂詞邏輯適用場合適用場合用于表達(dá)概念和判斷等事實(shí)知識用于表達(dá)概念和判斷等事實(shí)知識 。舉例舉例“鯨是哺乳動物鯨是哺乳動物”這一判斷用謂詞邏輯表示為：哺乳動物（鯨）；這一判斷用謂詞邏輯表示為：哺乳動物（鯨）； n產(chǎn)生式規(guī)則產(chǎn)生式規(guī)則適用場合適用場合適于表達(dá)具有因果關(guān)系的邏輯推理知識適于表達(dá)具有因果關(guān)系的邏輯推理知識 。舉例舉例“如果是合金鋼，應(yīng)該進(jìn)行熱處理如果是合金鋼，應(yīng)該進(jìn)行熱處理

5、”這一推理用產(chǎn)生式規(guī)則可以這一推理用產(chǎn)生式規(guī)則可以表示為：表示為：IF 合金鋼合金鋼 THEN 熱處理；熱處理； n框架表示框架表示 適用場合適用場合表達(dá)多方面多層次結(jié)構(gòu)知識表達(dá)多方面多層次結(jié)構(gòu)知識 舉例舉例桌子可以用框架表示為：桌子可以用框架表示為：桌面，桌腿桌面，桌腿1、桌腿、桌腿2、桌腿、桌腿3、桌腿、桌腿4、桌面與桌腿的連接桌面與桌腿的連接。n過程表示過程表示 適用場合適用場合用于表示某一操作序列。用于表示某一操作序列。 舉例舉例做饅頭用過程表示表示為：做饅頭用過程表示表示為：和面、定型、蒸、起鍋和面、定型、蒸、起鍋。 .62.1 基于知識的人工智能系統(tǒng)基于知識的人工智能系統(tǒng)n關(guān)鍵問題

6、關(guān)鍵問題 2：推理方法推理方法n研究機(jī)器如何模擬人類進(jìn)行知識選擇并運(yùn)用這些知識分析和研究機(jī)器如何模擬人類進(jìn)行知識選擇并運(yùn)用這些知識分析和解決實(shí)際問題。解決實(shí)際問題。 n常用推理方法：常用推理方法：q由已知條件推出結(jié)論的正向推理由已知條件推出結(jié)論的正向推理 q由結(jié)論出發(fā)，尋找應(yīng)具備條件的反向推理由結(jié)論出發(fā)，尋找應(yīng)具備條件的反向推理 q綜合使用正向推理和反向推理的雙向推理方法。綜合使用正向推理和反向推理的雙向推理方法。 n研究熱點(diǎn)研究熱點(diǎn) ：知識表示和推理中的不確定性和模糊性問題。知識表示和推理中的不確定性和模糊性問題。 q不確定性是由于各種隨機(jī)因素的影響而造成的對預(yù)測結(jié)果的不不確定性是由于各種隨

7、機(jī)因素的影響而造成的對預(yù)測結(jié)果的不肯定程度，一般由概率來描述這種不肯定程度的大小。如，明肯定程度，一般由概率來描述這種不肯定程度的大小。如，明天降水概率天降水概率80%。 q模糊性是由于語言表達(dá)時詞語所對應(yīng)的概念內(nèi)涵和外延的不確模糊性是由于語言表達(dá)時詞語所對應(yīng)的概念內(nèi)涵和外延的不確定性決定的。如：定性決定的。如： “溫度高溫度高”的表述。的表述。 .72.1 基于知識的人工智能系統(tǒng)基于知識的人工智能系統(tǒng)q優(yōu)點(diǎn)：優(yōu)點(diǎn)：1）表達(dá)能力強(qiáng)?？梢员磉_(dá)難以用數(shù)學(xué)公式來描述的復(fù)雜、定性的經(jīng)表達(dá)能力強(qiáng)?？梢员磉_(dá)難以用數(shù)學(xué)公式來描述的復(fù)雜、定性的經(jīng)驗(yàn)知識。驗(yàn)知識。 2）靈活性。知識的存放和推理過程相互獨(dú)立的，通

8、過知識的修改和）靈活性。知識的存放和推理過程相互獨(dú)立的，通過知識的修改和擴(kuò)充，系統(tǒng)可以適應(yīng)新的需求。擴(kuò)充，系統(tǒng)可以適應(yīng)新的需求。 3）透明性。無論知識的表達(dá)還是推理過程都具有明確的含義，使得）透明性。無論知識的表達(dá)還是推理過程都具有明確的含義，使得用戶對系統(tǒng)機(jī)理可以具有明確的認(rèn)識。用戶對系統(tǒng)機(jī)理可以具有明確的認(rèn)識。q缺點(diǎn)：缺點(diǎn)： 1）知識獲取的困難。要將專家并不明確的經(jīng)驗(yàn)知識加以提取、整理、知識獲取的困難。要將專家并不明確的經(jīng)驗(yàn)知識加以提取、整理、轉(zhuǎn)換成各種知識表示，還要考慮知識之間的相容性，因此，知識轉(zhuǎn)換成各種知識表示，還要考慮知識之間的相容性，因此，知識的獲取相當(dāng)困難。的獲取相當(dāng)困難。 2

9、）存在）存在“組合爆炸組合爆炸”問題。對于復(fù)雜的任務(wù)，知識庫將變的異常龐問題。對于復(fù)雜的任務(wù)，知識庫將變的異常龐大，推理中對知識的搜索和運(yùn)用分支將呈幾何級數(shù)的增加。大，推理中對知識的搜索和運(yùn)用分支將呈幾何級數(shù)的增加。3 3）精度不高，容錯能力差。）精度不高，容錯能力差。由于知識獲取的困難和由于知識獲取的困難和“組合爆炸組合爆炸”問問題的存在，常導(dǎo)致知識的不完備，從而降低了系統(tǒng)的精度。同時，題的存在，常導(dǎo)致知識的不完備，從而降低了系統(tǒng)的精度。同時，每一條知識的錯誤，都有可能導(dǎo)致整個推理的錯誤，因此系統(tǒng)容每一條知識的錯誤，都有可能導(dǎo)致整個推理的錯誤，因此系統(tǒng)容錯能力差。錯能力差。 .82.2 人工

10、神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)Artificial Neural Networksn一種從一種從生理解剖生理解剖角度，通過模仿角度，通過模仿人腦的生理結(jié)構(gòu)人腦的生理結(jié)構(gòu)來模來模擬人類智能的方法。擬人類智能的方法。n理論依據(jù)理論依據(jù) ：q人的大腦由大量神經(jīng)元細(xì)胞高度互連而成，每個神經(jīng)元可以人的大腦由大量神經(jīng)元細(xì)胞高度互連而成，每個神經(jīng)元可以對從樹突輸入的信號進(jìn)行融合和簡單的加工，然后由軸突輸對從樹突輸入的信號進(jìn)行融合和簡單的加工，然后由軸突輸出；出；q神經(jīng)元細(xì)胞之間通過樹突與軸突相互接觸而形成的突觸相連，神經(jīng)元細(xì)胞之間通過樹突與軸突相互接觸而形成的突觸相連，神經(jīng)元之間的連接方式和連接強(qiáng)度決定了大腦的功能，

11、而神神經(jīng)元之間的連接方式和連接強(qiáng)度決定了大腦的功能，而神經(jīng)元之間的連接方式和連接強(qiáng)度可以通過后天的學(xué)習(xí)而發(fā)生經(jīng)元之間的連接方式和連接強(qiáng)度可以通過后天的學(xué)習(xí)而發(fā)生改變，神經(jīng)元之間的連接方式和連接強(qiáng)度顯示了人類對知識改變，神經(jīng)元之間的連接方式和連接強(qiáng)度顯示了人類對知識的記憶過程。的記憶過程。 .92.2 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)n人工神經(jīng)網(wǎng)絡(luò)模型人工神經(jīng)網(wǎng)絡(luò)模型細(xì)胞體突觸軸突樹突圖 12.2 生物神經(jīng)元功能模型輸入輸出信息處理電脈沖形成傳輸黑箱.102.2 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)n模擬了人的感性思維過程，即模擬了人的識別、分類、模擬了人的感性思維過程，即模擬了人的識別、分類、逼近、記憶、聯(lián)想等智

12、能活動。逼近、記憶、聯(lián)想等智能活動。 n關(guān)鍵問題關(guān)鍵問題1 1 ：網(wǎng)絡(luò)結(jié)構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)確定網(wǎng)絡(luò)中神經(jīng)元的個數(shù)和神經(jīng)元之間的連接方式確定網(wǎng)絡(luò)中神經(jīng)元的個數(shù)和神經(jīng)元之間的連接方式 。根據(jù)神經(jīng)元網(wǎng)絡(luò)中是否存在從輸出到輸入的反饋和同層神經(jīng)元之間是根據(jù)神經(jīng)元網(wǎng)絡(luò)中是否存在從輸出到輸入的反饋和同層神經(jīng)元之間是否相互連接（也稱橫向連接）分為三類：否相互連接（也稱橫向連接）分為三類：1、既無反饋也無橫向連接的前向網(wǎng)絡(luò)。前向網(wǎng)絡(luò)可以識別存儲過的模式、既無反饋也無橫向連接的前向網(wǎng)絡(luò)。前向網(wǎng)絡(luò)可以識別存儲過的模式并能逼近任意函數(shù)，主要用于解決識別和逼近問題。并能逼近任意函數(shù)，主要用于解決識別和逼近問題。 2、有反饋但無

13、橫向連接的反饋網(wǎng)絡(luò)、有反饋但無橫向連接的反饋網(wǎng)絡(luò) 。反饋網(wǎng)絡(luò)能夠從局部信息中識別存反饋網(wǎng)絡(luò)能夠從局部信息中識別存儲模式并且反饋網(wǎng)絡(luò)能夠向能量最低的狀態(tài)演化，因此反饋網(wǎng)絡(luò)主要儲模式并且反饋網(wǎng)絡(luò)能夠向能量最低的狀態(tài)演化，因此反饋網(wǎng)絡(luò)主要用于聯(lián)想記憶和優(yōu)化問題求解。用于聯(lián)想記憶和優(yōu)化問題求解。 3、具有橫向連接的競爭網(wǎng)絡(luò)。競爭網(wǎng)絡(luò)通過同層神經(jīng)元之間的競爭可以、具有橫向連接的競爭網(wǎng)絡(luò)。競爭網(wǎng)絡(luò)通過同層神經(jīng)元之間的競爭可以實(shí)現(xiàn)輸入模式的自動分類。實(shí)現(xiàn)輸入模式的自動分類。 .112.2 人工神經(jīng)元網(wǎng)絡(luò)人工神經(jīng)元網(wǎng)絡(luò)n關(guān)鍵問題關(guān)鍵問題 2 2：學(xué)習(xí)方法學(xué)習(xí)方法n對于神經(jīng)元網(wǎng)絡(luò)而言，所謂學(xué)習(xí)實(shí)際上就是根據(jù)典型

14、實(shí)例樣對于神經(jīng)元網(wǎng)絡(luò)而言，所謂學(xué)習(xí)實(shí)際上就是根據(jù)典型實(shí)例樣本（也稱訓(xùn)練樣本）確定各神經(jīng)元權(quán)值本（也稱訓(xùn)練樣本）確定各神經(jīng)元權(quán)值i的過程。的過程。n主要學(xué)習(xí)方法：主要學(xué)習(xí)方法：q在神經(jīng)元網(wǎng)絡(luò)設(shè)計(jì)中，直接利用訓(xùn)練樣本數(shù)據(jù)計(jì)算網(wǎng)絡(luò)權(quán)值；在神經(jīng)元網(wǎng)絡(luò)設(shè)計(jì)中，直接利用訓(xùn)練樣本數(shù)據(jù)計(jì)算網(wǎng)絡(luò)權(quán)值； q在神經(jīng)元網(wǎng)絡(luò)設(shè)計(jì)時先將網(wǎng)絡(luò)權(quán)值取為任意值，然后將訓(xùn)練樣在神經(jīng)元網(wǎng)絡(luò)設(shè)計(jì)時先將網(wǎng)絡(luò)權(quán)值取為任意值，然后將訓(xùn)練樣本輸入神經(jīng)元網(wǎng)絡(luò)，通過不斷調(diào)整網(wǎng)絡(luò)權(quán)值，使神經(jīng)元網(wǎng)絡(luò)的本輸入神經(jīng)元網(wǎng)絡(luò)，通過不斷調(diào)整網(wǎng)絡(luò)權(quán)值，使神經(jīng)元網(wǎng)絡(luò)的輸出接近于理想輸出。輸出接近于理想輸出。 該類學(xué)習(xí)方法又可以分為由神經(jīng)元網(wǎng)絡(luò)該類學(xué)習(xí)方法又可以分

15、為由神經(jīng)元網(wǎng)絡(luò)自身完成輸出誤差確定和網(wǎng)絡(luò)權(quán)值調(diào)整的自身完成輸出誤差確定和網(wǎng)絡(luò)權(quán)值調(diào)整的 “無師學(xué)習(xí)無師學(xué)習(xí)” 和由和由網(wǎng)絡(luò)外的其它裝置完成輸出誤差確定和網(wǎng)絡(luò)權(quán)值調(diào)整的網(wǎng)絡(luò)外的其它裝置完成輸出誤差確定和網(wǎng)絡(luò)權(quán)值調(diào)整的 “有師有師學(xué)習(xí)學(xué)習(xí)” 。.122.2 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)q優(yōu)點(diǎn)：優(yōu)點(diǎn)：n具有自學(xué)習(xí)、自組織、自適應(yīng)能力。具有自學(xué)習(xí)、自組織、自適應(yīng)能力。 n存儲的分布性、運(yùn)行的并行性。存儲的分布性、運(yùn)行的并行性。 n強(qiáng)的擬合能力?？梢詳M合任意的函數(shù)，特別是具有非凡的非線性影射能強(qiáng)的擬合能力?？梢詳M合任意的函數(shù)，特別是具有非凡的非線性影射能力。力。n黑箱性。只需將系統(tǒng)的樣本數(shù)據(jù)輸入到神經(jīng)元網(wǎng)絡(luò)

16、，神經(jīng)元網(wǎng)絡(luò)即可通黑箱性。只需將系統(tǒng)的樣本數(shù)據(jù)輸入到神經(jīng)元網(wǎng)絡(luò)，神經(jīng)元網(wǎng)絡(luò)即可通過學(xué)習(xí)建立系統(tǒng)模型。過學(xué)習(xí)建立系統(tǒng)模型。 q缺點(diǎn)：缺點(diǎn)：n缺乏透明性。用戶即無法理解神經(jīng)元網(wǎng)絡(luò)中存儲的知識，也無法了解神缺乏透明性。用戶即無法理解神經(jīng)元網(wǎng)絡(luò)中存儲的知識，也無法了解神經(jīng)元網(wǎng)絡(luò)的推理過程。經(jīng)元網(wǎng)絡(luò)的推理過程。n設(shè)計(jì)理論尚不完善。對于神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)仍然依靠設(shè)計(jì)者的經(jīng)驗(yàn)，設(shè)計(jì)理論尚不完善。對于神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)仍然依靠設(shè)計(jì)者的經(jīng)驗(yàn)，尚無成熟的設(shè)計(jì)理論作為指導(dǎo)。尚無成熟的設(shè)計(jì)理論作為指導(dǎo)。 n學(xué)習(xí)方法仍然存在問題。主要表現(xiàn)在需要反復(fù)學(xué)習(xí)，學(xué)習(xí)效率低，訓(xùn)練學(xué)習(xí)方法仍然存在問題。主要表現(xiàn)在需要反復(fù)學(xué)習(xí)，

17、學(xué)習(xí)效率低，訓(xùn)練速度慢，學(xué)習(xí)不穩(wěn)定，有時無法取得預(yù)期效果；可塑性差，新的學(xué)習(xí)內(nèi)速度慢，學(xué)習(xí)不穩(wěn)定，有時無法取得預(yù)期效果；可塑性差，新的學(xué)習(xí)內(nèi)容有時會對原有知識造成影響。容有時會對原有知識造成影響。 .133.基于知識的人工智能建?；谥R的人工智能建模q定義：基于知識的人工智能建模就是采用基于定義：基于知識的人工智能建模就是采用基于知識的人工智能方法對實(shí)際系統(tǒng)或系統(tǒng)的某一知識的人工智能方法對實(shí)際系統(tǒng)或系統(tǒng)的某一部分進(jìn)行描述和表達(dá)的一種方法。部分進(jìn)行描述和表達(dá)的一種方法。 q適用于無法進(jìn)行精確描述，但積累了大量適用于無法進(jìn)行精確描述，但積累了大量實(shí)踐實(shí)踐經(jīng)驗(yàn)經(jīng)驗(yàn)，可以利用經(jīng)驗(yàn)知識進(jìn)行求解，且對精

18、度，可以利用經(jīng)驗(yàn)知識進(jìn)行求解，且對精度要求不高的場合。要求不高的場合。 .143.基于知識的人工智能建模步驟基于知識的人工智能建模步驟q明確建模對象和目的明確建模對象和目的。 q選擇影響因素選擇影響因素。q收集資料收集資料。q知識表達(dá)知識表達(dá)。對收集的知識和經(jīng)驗(yàn)，選擇適宜的知識表達(dá)方法。對收集的知識和經(jīng)驗(yàn)，選擇適宜的知識表達(dá)方法。 q選擇推理方式選擇推理方式。根據(jù)實(shí)際問題求解的需要，選擇合適的推理。根據(jù)實(shí)際問題求解的需要，選擇合適的推理方式。方式。 q模型的建立模型的建立。采用通用語言、數(shù)據(jù)庫或者是商品化的專家系。采用通用語言、數(shù)據(jù)庫或者是商品化的專家系統(tǒng)開發(fā)工具，對該模型加以實(shí)現(xiàn)。統(tǒng)開發(fā)工具

19、，對該模型加以實(shí)現(xiàn)。 q模型的驗(yàn)證模型的驗(yàn)證。通過不斷的實(shí)驗(yàn)和改進(jìn)，以保證模型的正確性。通過不斷的實(shí)驗(yàn)和改進(jìn)，以保證模型的正確性。 q模型的應(yīng)用模型的應(yīng)用。經(jīng)過驗(yàn)證達(dá)到要求的精度和可靠性后，該模型。經(jīng)過驗(yàn)證達(dá)到要求的精度和可靠性后，該模型就可以運(yùn)用于實(shí)際生產(chǎn)中，發(fā)揮模型的優(yōu)化、預(yù)測、控制、就可以運(yùn)用于實(shí)際生產(chǎn)中，發(fā)揮模型的優(yōu)化、預(yù)測、控制、識別、證實(shí)等功能。識別、證實(shí)等功能。.153.基于知識的人工智能建模示例基于知識的人工智能建模示例n鋅電解過程電流效率模型鋅電解過程電流效率模型q問題描述問題描述 n鋅的電解是鋅的濕法冶煉技術(shù)中最關(guān)鍵的一道工序。也是一個大鋅的電解是鋅的濕法冶煉技術(shù)中最關(guān)鍵的

20、一道工序。也是一個大的耗能過程的耗能過程 。如何在鋅電解生產(chǎn)中減少電能消耗成為鋅濕法冶煉。如何在鋅電解生產(chǎn)中減少電能消耗成為鋅濕法冶煉行業(yè)一個值得深入研究和探討的課題。行業(yè)一個值得深入研究和探討的課題。 n在生產(chǎn)率和電解電壓一定的條件下，要降低電能消耗，關(guān)鍵是提在生產(chǎn)率和電解電壓一定的條件下，要降低電能消耗，關(guān)鍵是提高電流效率。而要提高電流效率，首先必須建立鋅電解過程工藝高電流效率。而要提高電流效率，首先必須建立鋅電解過程工藝參數(shù)與電流效率間的模型，然后通過優(yōu)化方法，不斷調(diào)整工藝參參數(shù)與電流效率間的模型，然后通過優(yōu)化方法，不斷調(diào)整工藝參數(shù)，使系統(tǒng)運(yùn)行在電流效率較高的狀態(tài)，從而達(dá)到減少電能消耗數(shù)

21、，使系統(tǒng)運(yùn)行在電流效率較高的狀態(tài)，從而達(dá)到減少電能消耗的目的。的目的。n電解中工藝參數(shù)與電流效率之間的關(guān)系錯綜復(fù)雜，非線性明顯，電解中工藝參數(shù)與電流效率之間的關(guān)系錯綜復(fù)雜，非線性明顯，無法從反應(yīng)機(jī)理上分析求得它們之間的數(shù)學(xué)關(guān)系。另一方面，通無法從反應(yīng)機(jī)理上分析求得它們之間的數(shù)學(xué)關(guān)系。另一方面，通過長期工業(yè)生產(chǎn)實(shí)踐經(jīng)驗(yàn)的積累，現(xiàn)場工藝人員建立了工藝參數(shù)過長期工業(yè)生產(chǎn)實(shí)踐經(jīng)驗(yàn)的積累，現(xiàn)場工藝人員建立了工藝參數(shù)與電流效率之間的定性關(guān)系和經(jīng)驗(yàn)公式，因此，很容易建立基于與電流效率之間的定性關(guān)系和經(jīng)驗(yàn)公式，因此，很容易建立基于知識的人工智能模型。知識的人工智能模型。.163.基于知識的人工智能建模示例基于

22、知識的人工智能建模示例1 1）建模對象與目的）建模對象與目的：建模對象為鋅電解過程中工藝參數(shù)與電流：建模對象為鋅電解過程中工藝參數(shù)與電流效率之間的關(guān)系。建模的目的是實(shí)現(xiàn)工藝參數(shù)的優(yōu)化，從而效率之間的關(guān)系。建模的目的是實(shí)現(xiàn)工藝參數(shù)的優(yōu)化，從而提高電流效率，降低能源消耗。提高電流效率，降低能源消耗。2）選擇影響因素。根據(jù)操作人員經(jīng)驗(yàn)和實(shí)驗(yàn)分析，影響電流）選擇影響因素。根據(jù)操作人員經(jīng)驗(yàn)和實(shí)驗(yàn)分析，影響電流效率的因素（工藝參數(shù)）主要是電解液中的鋅酸比（鋅離子效率的因素（工藝參數(shù)）主要是電解液中的鋅酸比（鋅離子Zn2+與硫酸之比）、電解液的溫度和電流密度。通過電解槽與硫酸之比）、電解液的溫度和電流密度。

23、通過電解槽中冷卻系統(tǒng)的作用，電解液的溫度一般變化不大，因此，在中冷卻系統(tǒng)的作用，電解液的溫度一般變化不大，因此，在建立模型時不必考慮。建立模型時不必考慮。 3）收集資料。通過翻閱該廠的操作手冊并和操作人員交流，）收集資料。通過翻閱該廠的操作手冊并和操作人員交流，可以得到工藝參數(shù)與電流效率之間的關(guān)系如表可以得到工藝參數(shù)與電流效率之間的關(guān)系如表1所示：所示： .173.基于知識的人工智能建模示例基于知識的人工智能建模示例表表1 電流效率的計(jì)算公式電流效率的計(jì)算公式 鋅酸比鋅酸比R Ra/za/z電流密度電流密度D DK K電流效率電流效率的經(jīng)驗(yàn)計(jì)算公式的經(jīng)驗(yàn)計(jì)算公式很小很小較小較小=-0.817R

24、=-0.817Ra/za/z+0.0623D+0.0623DK K+72.8044+72.8044較大較大中等中等=2.9409 R=2.9409 Ra/za/z-0.0412 D-0.0412 DK K+102.2767+102.2767較小較小較大較大=0.1232 R=0.1232 Ra/za/z+0.01D+0.01DK K+86.0895+86.0895非常大非常大大大=24.6149R=24.6149Ra/za/z-0.0052 D-0.0052 DK K+0.6665+0.6665非常小非常小很小很小=15.0624R=15.0624Ra/za/z+0.0867 D+0.0867

25、 DK K+32.7928+32.7928很大很大小小=23.4508R=23.4508Ra/za/z-0.3252D-0.3252DK K+43.1364+43.1364較小較小很大很大=-1.8327R=-1.8327Ra/za/z-0.0215 D-0.0215 DK K+111.5273+111.5273大大較小較小=-21.8359R=-21.8359Ra/za/z+0.4191D+0.4191DK K+100.9482+100.9482.183.基于知識的人工智能建模示例基于知識的人工智能建模示例對于其中鋅酸比對于其中鋅酸比Ra/z和電流密度和電流密度DK的模糊語言變量都可的模糊語

26、言變量都可以采用如下隸屬函數(shù)形式以采用如下隸屬函數(shù)形式: 2exp)(22)(cxxf這些模糊語言變量隸屬函數(shù)的參數(shù)見表這些模糊語言變量隸屬函數(shù)的參數(shù)見表2 .193.基于知識的人工智能建模示例基于知識的人工智能建模示例表表2 模糊語言變量隸屬函數(shù)的參數(shù)模糊語言變量隸屬函數(shù)的參數(shù)輸入變量輸入變量鋅酸比鋅酸比R Ra/za/z語言變量語言變量非常小非常小很小很小小小較小較小較大較大大大很大很大非常大非常大隸屬隸屬函數(shù)函數(shù)中心中心C C3.153.153.173.173.193.193.213.213.753.753.773.773.783.783.823.82寬度寬度0.080.080.080.

27、080.120.120.230.230.180.180.250.250.210.210.050.05輸入變量輸入變量電流密度電流密度D DK K語言變量語言變量很小很小小小較小較小中等中等較大較大大大很大很大隸屬隸屬函數(shù)函數(shù)中心中心C C100100150150250250300300500500600600750750寬度寬度103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41.203.基于知識的人工智能建模示例基于知識的人工智能建模示例4）選擇知識表達(dá)方式。由于上述知識實(shí)質(zhì)上

28、是基于因果關(guān)系的推理，可以）選擇知識表達(dá)方式。由于上述知識實(shí)質(zhì)上是基于因果關(guān)系的推理，可以采用產(chǎn)生式規(guī)則表示。例如第一條知識用產(chǎn)生式規(guī)則表示為：采用產(chǎn)生式規(guī)則表示。例如第一條知識用產(chǎn)生式規(guī)則表示為： IF 鋅酸比很小鋅酸比很小 AND 電流密度較小電流密度較小 THEN 電流效率電流效率=-0.817Ra/z+0.0623DK+72.80445）選擇推理方式。由于在工藝參數(shù)的實(shí)時優(yōu)化過程中，一般是得到一對具）選擇推理方式。由于在工藝參數(shù)的實(shí)時優(yōu)化過程中，一般是得到一對具體的工藝參數(shù)，來預(yù)測電流效率，因此，可以采用正向推理方法。體的工藝參數(shù)，來預(yù)測電流效率，因此，可以采用正向推理方法。具體的推理

29、過程是：首先根據(jù)實(shí)測的一對工藝參數(shù)（鋅酸比具體的推理過程是：首先根據(jù)實(shí)測的一對工藝參數(shù)（鋅酸比Ra/z和電流密度和電流密度DK）分別帶入隸屬函數(shù)表達(dá)式，計(jì)算模糊語言變量的隸屬度。取隸屬度最）分別帶入隸屬函數(shù)表達(dá)式，計(jì)算模糊語言變量的隸屬度。取隸屬度最大的一個作為該工藝參數(shù)所對應(yīng)的模糊語言，從而將具體的工藝參數(shù)轉(zhuǎn)變大的一個作為該工藝參數(shù)所對應(yīng)的模糊語言，從而將具體的工藝參數(shù)轉(zhuǎn)變成為與產(chǎn)生式規(guī)則前提相一致的模糊語言。然后利用模糊語言去逐個匹配成為與產(chǎn)生式規(guī)則前提相一致的模糊語言。然后利用模糊語言去逐個匹配產(chǎn)生式規(guī)則的前提部分。當(dāng)前提部分完全匹配時，利用該規(guī)則的結(jié)論部分產(chǎn)生式規(guī)則的前提部分。當(dāng)前提部

30、分完全匹配時，利用該規(guī)則的結(jié)論部分的經(jīng)驗(yàn)公式，即可得到該工藝參數(shù)對應(yīng)的電流效率。的經(jīng)驗(yàn)公式，即可得到該工藝參數(shù)對應(yīng)的電流效率。例如，設(shè)當(dāng)前測得的鋅酸比例如，設(shè)當(dāng)前測得的鋅酸比Ra/z和電流密度和電流密度DK分別為分別為3.162，252。帶入隸。帶入隸屬度函數(shù)后，計(jì)算得到各語言變量對應(yīng)的隸屬度如表屬度函數(shù)后，計(jì)算得到各語言變量對應(yīng)的隸屬度如表3所示。所示。 .213.基于知識的人工智能建模示例基于知識的人工智能建模示例表表3 當(dāng)鋅酸比當(dāng)鋅酸比Ra/z和電流密度和電流密度DK分別為分別為3.162、252時各語言變量的隸屬度時各語言變量的隸屬度 輸入變量輸入變量鋅酸比鋅酸比R Ra/za/z=3

31、.162=3.162語言變量語言變量非常小非常小很小很小小小較小較小較大較大大大很大很大非常大非常大隸屬度隸屬度0.99910.99910.99960.99960.9970.9970.9950.9950.3830.3830.4770.4770.4030.4030.0130.013輸入變量輸入變量電流密度電流密度D DK K=252=252語言變量語言變量很小很小小小較小較小中等中等較大較大大大很大很大隸屬度隸屬度0 0000.9810.981000 00 00 0通過表通過表3的計(jì)算，可將鋅酸比的計(jì)算，可將鋅酸比Ra/z=3.162，電流密度，電流密度DK=252這樣的具體工藝參這樣的具體工藝

32、參數(shù)轉(zhuǎn)換為鋅酸比很小，電流密度較小這樣的模糊語言，從而與數(shù)轉(zhuǎn)換為鋅酸比很小，電流密度較小這樣的模糊語言，從而與4）中作為例子的）中作為例子的規(guī)則相匹配，對應(yīng)的電流效率可由該規(guī)則的結(jié)論部分的經(jīng)驗(yàn)公式算得，即電流效規(guī)則相匹配，對應(yīng)的電流效率可由該規(guī)則的結(jié)論部分的經(jīng)驗(yàn)公式算得，即電流效率率=-0.817Ra/z+0.0623DK+72.8044=85.92。6）模型的建立。該模型比較簡單，可采用通用程序語言的方式加以實(shí)現(xiàn)。）模型的建立。該模型比較簡單，可采用通用程序語言的方式加以實(shí)現(xiàn)。7）模型的驗(yàn)證與應(yīng)用。將模型得到的結(jié)果與實(shí)測的電流效率進(jìn)行比較，驗(yàn)證模）模型的驗(yàn)證與應(yīng)用。將模型得到的結(jié)果與實(shí)測的電

33、流效率進(jìn)行比較，驗(yàn)證模型的正確性和可靠性。經(jīng)過驗(yàn)證的模型即可用于工藝參數(shù)的優(yōu)化。型的正確性和可靠性。經(jīng)過驗(yàn)證的模型即可用于工藝參數(shù)的優(yōu)化。 .224. 人工神經(jīng)網(wǎng)絡(luò)建模人工神經(jīng)網(wǎng)絡(luò)建模q定義：人工神經(jīng)元網(wǎng)絡(luò)建模就是采用人工神經(jīng)元網(wǎng)定義：人工神經(jīng)元網(wǎng)絡(luò)建模就是采用人工神經(jīng)元網(wǎng)絡(luò)對實(shí)際系統(tǒng)或系統(tǒng)的某一部分進(jìn)行描述和表達(dá)的絡(luò)對實(shí)際系統(tǒng)或系統(tǒng)的某一部分進(jìn)行描述和表達(dá)的一種方法。一種方法。 q適用于無法根據(jù)系統(tǒng)機(jī)理建立模型，但積累了大量適用于無法根據(jù)系統(tǒng)機(jī)理建立模型，但積累了大量實(shí)踐或?qū)嶒?yàn)數(shù)據(jù)，且系統(tǒng)輸入輸出之間呈現(xiàn)明顯非實(shí)踐或?qū)嶒?yàn)數(shù)據(jù)，且系統(tǒng)輸入輸出之間呈現(xiàn)明顯非線性特性的場合。線性特性的場合。 .2

34、34. 人工神經(jīng)網(wǎng)絡(luò)建模步驟人工神經(jīng)網(wǎng)絡(luò)建模步驟q確定建模的對象和目的。確定建模的對象和目的。 q選擇影響因素。選擇影響因素。q收集樣本數(shù)據(jù)。收集樣本數(shù)據(jù)。q設(shè)計(jì)神經(jīng)元網(wǎng)絡(luò)。設(shè)計(jì)神經(jīng)元網(wǎng)絡(luò)。根據(jù)問題需要和實(shí)際問題的特點(diǎn)，確定網(wǎng)絡(luò)類型、網(wǎng)絡(luò)層數(shù)、根據(jù)問題需要和實(shí)際問題的特點(diǎn)，確定網(wǎng)絡(luò)類型、網(wǎng)絡(luò)層數(shù)、每層的節(jié)點(diǎn)數(shù)等。同時利用軟件或硬件對神經(jīng)元網(wǎng)絡(luò)加以實(shí)現(xiàn)。每層的節(jié)點(diǎn)數(shù)等。同時利用軟件或硬件對神經(jīng)元網(wǎng)絡(luò)加以實(shí)現(xiàn)。 q神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練。神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練。根據(jù)神經(jīng)元網(wǎng)絡(luò)類型，選擇合適的學(xué)習(xí)方法。利用該學(xué)習(xí)根據(jù)神經(jīng)元網(wǎng)絡(luò)類型，選擇合適的學(xué)習(xí)方法。利用該學(xué)習(xí)方法，將上述樣本數(shù)據(jù)輸入神經(jīng)元網(wǎng)絡(luò)，對神經(jīng)元網(wǎng)絡(luò)進(jìn)

35、行訓(xùn)練。方法，將上述樣本數(shù)據(jù)輸入神經(jīng)元網(wǎng)絡(luò)，對神經(jīng)元網(wǎng)絡(luò)進(jìn)行訓(xùn)練。 q模型的驗(yàn)證。模型的驗(yàn)證。輸入非訓(xùn)練樣本數(shù)據(jù)，檢驗(yàn)神經(jīng)元網(wǎng)絡(luò)輸出是否在允許的范圍內(nèi)。輸入非訓(xùn)練樣本數(shù)據(jù)，檢驗(yàn)神經(jīng)元網(wǎng)絡(luò)輸出是否在允許的范圍內(nèi)。如果神經(jīng)元網(wǎng)絡(luò)輸出在允許的范圍內(nèi)，則接受該模型，否則分析原因，重新進(jìn)行如果神經(jīng)元網(wǎng)絡(luò)輸出在允許的范圍內(nèi)，則接受該模型，否則分析原因，重新進(jìn)行樣本數(shù)據(jù)收集、神經(jīng)元網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練。檢驗(yàn)用的數(shù)據(jù)樣本一般也從收集到的樣本數(shù)據(jù)收集、神經(jīng)元網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練。檢驗(yàn)用的數(shù)據(jù)樣本一般也從收集到的樣本中獲得，可以將收集的樣本分為兩部分，一部分用于網(wǎng)絡(luò)訓(xùn)練，一部分用于樣本中獲得，可以將收集的樣本分為兩部分，

36、一部分用于網(wǎng)絡(luò)訓(xùn)練，一部分用于網(wǎng)絡(luò)的檢驗(yàn)。網(wǎng)絡(luò)的檢驗(yàn)。 q模型的應(yīng)用。模型的應(yīng)用。經(jīng)過驗(yàn)證達(dá)到要求的精度和可靠性后，該模型就可以運(yùn)用于實(shí)際生經(jīng)過驗(yàn)證達(dá)到要求的精度和可靠性后，該模型就可以運(yùn)用于實(shí)際生產(chǎn)中。具體運(yùn)用時，保持網(wǎng)絡(luò)權(quán)值不變，將現(xiàn)場各影響因素的數(shù)值直接輸入神經(jīng)產(chǎn)中。具體運(yùn)用時，保持網(wǎng)絡(luò)權(quán)值不變，將現(xiàn)場各影響因素的數(shù)值直接輸入神經(jīng)元網(wǎng)絡(luò)，神經(jīng)元網(wǎng)絡(luò)的輸出即為模型的輸出。元網(wǎng)絡(luò)，神經(jīng)元網(wǎng)絡(luò)的輸出即為模型的輸出。 .244. 人工神經(jīng)網(wǎng)絡(luò)建模示例人工神經(jīng)網(wǎng)絡(luò)建模示例n油井鉆探中鉆壓優(yōu)化模型油井鉆探中鉆壓優(yōu)化模型 q問題描述問題描述 自動送鉆技術(shù)是油井鉆探自動化中的一門關(guān)鍵技術(shù)。目前的自自動送

37、鉆技術(shù)是油井鉆探自動化中的一門關(guān)鍵技術(shù)。目前的自動送鉆技術(shù)以恒鉆壓送鉆為主。由于鉆壓與井下狀況、鉆井動送鉆技術(shù)以恒鉆壓送鉆為主。由于鉆壓與井下狀況、鉆井效率、鉆頭壽命等密切相關(guān)，不合理的鉆壓會導(dǎo)致效率低下，效率、鉆頭壽命等密切相關(guān)，不合理的鉆壓會導(dǎo)致效率低下，成本上升甚至于鉆井事故的發(fā)生。因此，如何根據(jù)實(shí)際鉆井成本上升甚至于鉆井事故的發(fā)生。因此，如何根據(jù)實(shí)際鉆井情況，不斷調(diào)節(jié)鉆壓，就成為問題的關(guān)鍵，這就是鉆壓優(yōu)化情況，不斷調(diào)節(jié)鉆壓，就成為問題的關(guān)鍵，這就是鉆壓優(yōu)化自動送鉆技術(shù)的由來。自動送鉆技術(shù)的由來。 要實(shí)現(xiàn)鉆壓優(yōu)化自動送鉆，首先必須建立鉆壓優(yōu)化模型。實(shí)際要實(shí)現(xiàn)鉆壓優(yōu)化自動送鉆，首先必須建立

38、鉆壓優(yōu)化模型。實(shí)際生產(chǎn)中已積累了大量的關(guān)于最優(yōu)鉆壓和鉆壓影響因素之間關(guān)生產(chǎn)中已積累了大量的關(guān)于最優(yōu)鉆壓和鉆壓影響因素之間關(guān)系的實(shí)測數(shù)據(jù)，并且最優(yōu)鉆壓和鉆壓影響因素之間呈現(xiàn)明顯系的實(shí)測數(shù)據(jù)，并且最優(yōu)鉆壓和鉆壓影響因素之間呈現(xiàn)明顯的非線性關(guān)系，因此，鉆壓優(yōu)化模型適合于用神經(jīng)元網(wǎng)絡(luò)來的非線性關(guān)系，因此，鉆壓優(yōu)化模型適合于用神經(jīng)元網(wǎng)絡(luò)來建立。建立。 .254. 人工神經(jīng)網(wǎng)絡(luò)建模示例人工神經(jīng)網(wǎng)絡(luò)建模示例q建模對象與目的。建模對象為最優(yōu)鉆壓與影響因素之建模對象與目的。建模對象為最優(yōu)鉆壓與影響因素之間的定量關(guān)系。建模目的是尋找在特定影響因素下的間的定量關(guān)系。建模目的是尋找在特定影響因素下的最優(yōu)鉆壓。最優(yōu)鉆壓

39、。q選擇影響因素。根據(jù)實(shí)際鉆井中獲得的經(jīng)驗(yàn)，鉆壓的選擇影響因素。根據(jù)實(shí)際鉆井中獲得的經(jīng)驗(yàn)，鉆壓的選擇一般與下列因素有關(guān)：鉆頭直徑、下鉆井深、起選擇一般與下列因素有關(guān)：鉆頭直徑、下鉆井深、起鉆井深、泵的轉(zhuǎn)速、泵壓、泵的排量、鉆速。鉆井深、泵的轉(zhuǎn)速、泵壓、泵的排量、鉆速。q收集樣本數(shù)據(jù)。表收集樣本數(shù)據(jù)。表4為在實(shí)際生產(chǎn)中收集到的樣本數(shù)為在實(shí)際生產(chǎn)中收集到的樣本數(shù)據(jù)。據(jù)。 .264. 人工神經(jīng)網(wǎng)絡(luò)建模示例人工神經(jīng)網(wǎng)絡(luò)建模示例表表4 樣本數(shù)據(jù)集樣本數(shù)據(jù)集 編號編號鉆頭鉆頭直徑直徑(mm)(mm)下鉆下鉆井深井深(m)(m)起鉆起鉆井深井深(m)(m)鉆壓鉆壓(kN)(kN)轉(zhuǎn)速轉(zhuǎn)速(r/min)(r/

40、min)泵壓泵壓(MPa)(MPa)排量排量(l/min)(l/min)鉆速鉆速（m/minm/min）1 12 23 34 45 56 67 78 89 910101111121213131414311311311311311311216216216216216216216216216216216216216216216216216216216216216216100.00100.002142.282142.282736.362736.363110.953110.953552.083552.083837.743837.744098.274098.274299.234299.234452.14

41、4452.144572.534572.534682.754682.754775.984775.984854.614854.614928.304928.302142.282142.282736.362736.363110.953110.953552.083552.083837.743837.744098.274098.274299.234299.234452.144452.144572.534572.534682.754682.754775.984775.984854.644854.644928.304928.305000.005000.00273.49273.49267.94267.94267

42、.94267.94156.64156.64146.64146.64146.64146.64147.44147.44147.44147.44147.44147.44147.44147.44147.44147.44149.04149.04149.04149.04149.04149.047575606060607070757575756565656565656565656560606060606025.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.

43、3625.3625.3625.3625.3625.3625.3625.3661.2561.2554.6654.6653.0053.0026.4026.4024.7824.7825.3925.3926.1926.1927.1627.1627.9527.9526.5426.5425.1025.1023.6423.6423.0423.0423.0423.044.344.344.224.224.184.183.583.583.433.433.413.413.373.373.353.353.283.283.203.203.113.113.113.113.083.083.003.00.274. 人工神經(jīng)網(wǎng)

44、絡(luò)建模示例人工神經(jīng)網(wǎng)絡(luò)建模示例q設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)。該模型為一非線性擬合問題，可以采用多設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)。該模型為一非線性擬合問題，可以采用多層前向網(wǎng)絡(luò)。其中輸入節(jié)點(diǎn)數(shù)取因素?cái)?shù)層前向網(wǎng)絡(luò)。其中輸入節(jié)點(diǎn)數(shù)取因素?cái)?shù)7，輸出層由于只，輸出層由于只有鉆壓一個參數(shù)，因此取有鉆壓一個參數(shù)，因此取1，根據(jù)經(jīng)驗(yàn)公式，隱藏層節(jié)點(diǎn)，根據(jù)經(jīng)驗(yàn)公式，隱藏層節(jié)點(diǎn)數(shù)取輸入層的數(shù)取輸入層的23倍，這里取倍，這里取14。構(gòu)造的神經(jīng)元網(wǎng)絡(luò)如圖。構(gòu)造的神經(jīng)元網(wǎng)絡(luò)如圖2所示。對該神經(jīng)網(wǎng)絡(luò)可以直接采用高級語言進(jìn)行模擬。所示。對該神經(jīng)網(wǎng)絡(luò)可以直接采用高級語言進(jìn)行模擬。 .284. 人工神經(jīng)網(wǎng)絡(luò)建模人工神經(jīng)網(wǎng)絡(luò)建模q選擇神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)方法并對神經(jīng)

45、元網(wǎng)絡(luò)進(jìn)行訓(xùn)練。這里選擇多層神選擇神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)方法并對神經(jīng)元網(wǎng)絡(luò)進(jìn)行訓(xùn)練。這里選擇多層神經(jīng)元網(wǎng)絡(luò)的經(jīng)典學(xué)習(xí)方法經(jīng)元網(wǎng)絡(luò)的經(jīng)典學(xué)習(xí)方法BP算法。其基本思想是，將樣本數(shù)據(jù)算法。其基本思想是，將樣本數(shù)據(jù)輸入輸入端，逐層計(jì)算網(wǎng)絡(luò)輸出，將網(wǎng)絡(luò)輸出與標(biāo)準(zhǔn)優(yōu)化鉆壓相比較。輸入輸入端，逐層計(jì)算網(wǎng)絡(luò)輸出，將網(wǎng)絡(luò)輸出與標(biāo)準(zhǔn)優(yōu)化鉆壓相比較。如果誤差足夠小，則結(jié)束該樣本的訓(xùn)練，進(jìn)入下一樣本的訓(xùn)練。否則如果誤差足夠小，則結(jié)束該樣本的訓(xùn)練，進(jìn)入下一樣本的訓(xùn)練。否則反向計(jì)算各層誤差，然后逐層調(diào)整網(wǎng)絡(luò)權(quán)值，使誤差不斷減少。等所反向計(jì)算各層誤差，然后逐層調(diào)整網(wǎng)絡(luò)權(quán)值，使誤差不斷減少。等所有樣本訓(xùn)練結(jié)束后，整個訓(xùn)練過程結(jié)束。為了方便模型的