人工神經(jīng)網(wǎng)絡基礎(chǔ)與應用課件

1、人工神經(jīng)網(wǎng)絡技術(shù)與應用 1第四節(jié)人工神經(jīng)網(wǎng)絡技術(shù)引 言1生物神經(jīng)元2人工神經(jīng)元3人工神經(jīng)網(wǎng)絡的模型分類42第4.1節(jié) 引 言4.1.1人工神經(jīng)網(wǎng)絡發(fā)展簡史4.1.2人工神經(jīng)網(wǎng)絡的特性4.1.3人工神經(jīng)網(wǎng)絡研究的基本內(nèi)容34.1 人工神經(jīng)網(wǎng)絡發(fā)展簡史1943年1943-1969初創(chuàng)期 心理學家McCulloch和數(shù)學家Pitts提出形式神經(jīng)元數(shù)學模型（MP模型），揭開神經(jīng)科學理論的新時代。 Hebb提出改變神經(jīng)元連接強度的Hebb規(guī)則。 Rosenblatt提出感知器概念，由閾值型神經(jīng)元組成，試圖模擬人的感知、學習能力。 Minsky與Papert發(fā)表Perceptrons。1944年1957年

2、1969年44.1.1 人工神經(jīng)網(wǎng)絡發(fā)展簡史1982年1970-1986過渡期Hopfield提出了HNN模型，引入“計算能量函數(shù)”概念，給出網(wǎng)絡穩(wěn)定性判據(jù)。Boltzmann機提出，設(shè)計、研制電子電路，為工程實現(xiàn)指明方向。 Rumelhart等PDP（并行分布式處理）研究小組提出了多層前向傳播網(wǎng)絡的BP算法，開辟了NN的應用新途徑。1985年1986年5第4.1節(jié) 引 言4.1.1人工神經(jīng)網(wǎng)絡發(fā)展簡史4.1.2人工神經(jīng)網(wǎng)絡的特性4.1.3人工神經(jīng)網(wǎng)絡研究的基本內(nèi)容74.1.2 人工神經(jīng)網(wǎng)絡的特性非線性映射近似任意非線性映射，適用于非線性辨識與控制。通過訓練具有歸納數(shù)據(jù)的能力，更適用于非模型描

3、述的控制。 可在線運行和信息融合，適用于復雜、大規(guī)模和多變量系統(tǒng)的控制。 硬件實現(xiàn)，神經(jīng)網(wǎng)絡成為具有快速和大規(guī)模處理能力的實現(xiàn)網(wǎng)絡。可學習適應與集成硬件實現(xiàn)具有高度的并行結(jié)構(gòu)和并行實現(xiàn)能力，適用于在線控制。并行性84.1.3 人工神經(jīng)網(wǎng)絡研究的基本內(nèi)容理論研究應用研究實現(xiàn)研究單神經(jīng)元數(shù)學模型神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)神經(jīng)網(wǎng)絡學習算法神經(jīng)網(wǎng)絡泛化能力神經(jīng)網(wǎng)絡動力學圖像處理與識別語音信號處理與識別 數(shù)據(jù)的存儲與記憶 組合優(yōu)化 復雜系統(tǒng)控制硬件實現(xiàn)電路NN模型的通用硬件系統(tǒng)（神經(jīng)網(wǎng)絡計算機）Matlab神經(jīng)網(wǎng)絡工具箱104.2.1生物神經(jīng)元的結(jié)構(gòu)4.2.2生物神經(jīng)元的信息處理機制第4.2節(jié) 生物神經(jīng)元11來自

4、其它細胞軸突的神經(jīng)末稍軸突樹突細胞膜神經(jīng)末稍來自其它細胞軸突的神經(jīng)末稍軸突樹突突觸細胞膜神經(jīng)末稍細胞體細胞核細胞體細胞核細胞質(zhì)細胞膜樹突：胞體上短而多分支的突起，相當于神經(jīng)元的輸入端，接收傳入的神經(jīng)沖動。軸突（神經(jīng)纖維）：胞體上最長枝的突起，端部有很多神經(jīng)末梢，傳出神經(jīng)沖動。細胞膜電位：神經(jīng)細胞在受到電的、化學的、機械的刺激后能產(chǎn)生興奮，此時細胞膜內(nèi)外有電位差，稱為膜電位，其電位膜內(nèi)為正，膜外為負。4.2.1 生物神經(jīng)元的結(jié)構(gòu)12來自其它細胞軸突的神經(jīng)末稍軸突樹突細胞膜神經(jīng)末稍來自其它細胞軸突的神經(jīng)末稍軸突樹突突觸細胞膜神經(jīng)末稍細胞體細胞核興奮與抑制：若傳入神經(jīng)元的沖動經(jīng)整合后使細胞膜電位升高

5、，超過動作電位的閾值時即為興奮狀態(tài)，產(chǎn)生神經(jīng)沖動，由軸突經(jīng)神經(jīng)末梢傳出；若傳入神經(jīng)元的沖動經(jīng)整合后使細胞膜電位降低，低于閾值時即為抑制狀態(tài)，不產(chǎn)生神經(jīng)沖動。學習與遺忘：由于神經(jīng)元結(jié)構(gòu)的可塑性，突觸的傳遞作用可增強與減弱，因此神經(jīng)元具有學習與遺忘的功能。4.2.1 生物神經(jīng)元的結(jié)構(gòu)144.2.2 生物神經(jīng)元的信息處理機制神經(jīng)元形式化結(jié)構(gòu) 神經(jīng)元具有的特征1.時空整合空間整合時間整合時空整合輸入信號的影響會短時間地持續(xù)，和后到達的輸入信號的影響同時起作用，也就是說，神經(jīng)元對于不同時間通過同一突觸的輸入信號具有時間整合的功能。 15第4.3節(jié) 人工神經(jīng)元4.3.1人工神經(jīng)元的數(shù)學模型4.3.2人工神

6、經(jīng)元的激勵函數(shù)17出發(fā)點：模擬生物神經(jīng)元的結(jié)構(gòu)和功能，從數(shù)學角度抽象出來一個基本單元。神經(jīng)元模型：是生物神經(jīng)元的抽象和模擬；是人工神經(jīng)網(wǎng)絡的最基本組成部分；是一多輸入單輸出的非線性處理單元。神經(jīng)網(wǎng)絡直觀理解：神經(jīng)網(wǎng)絡是一個并行和分布式的信息處理網(wǎng)絡結(jié)構(gòu)，它一般由許多個神經(jīng)元組成，每個神經(jīng)元只有一個輸出，它可以連接到很多其它的神經(jīng)元，每個神經(jīng)元輸入有多個連接通道，每個連接通道對應于一個連接權(quán)系數(shù)。引言18 結(jié)構(gòu)數(shù)學描述輸入：狀態(tài)：輸出：通常有：則：: 閾值；: 輸入信號，可理解為其它神經(jīng)元的輸出；: 從ui到xj的連接權(quán)值（注意其下標與方向）；: 外部輸入信號；: 神經(jīng)元的輸出4.3.1 人工神

7、經(jīng)元的數(shù)學模型19f閾值型分段線性型4.3.2 人工神經(jīng)元的激勵函數(shù)20Tan函數(shù)型T：比例因子，調(diào)整函數(shù)的上升坡度。T越大，f上升越慢；T越小，f上升越快，很快飽和。Sigmoid函數(shù)型4.3.2 人工神經(jīng)元的激勵函數(shù)21控制輸入對輸出的激活作用；對輸入、輸出進行函數(shù)轉(zhuǎn)換；將可能無限域的輸入變換成指定的有限范圍內(nèi)的輸出。激勵函數(shù)的作用：4.3.2 人工神經(jīng)元的激勵函數(shù)22神經(jīng)元層次模型：僅研究單一神經(jīng)元的動態(tài)和自適應特性，探索神經(jīng)元對輸入信息的處理和存儲能力。組合式模型：由多個不同神經(jīng)元組成，功能比單一神經(jīng)元強大。網(wǎng)絡層次模型：由多個相同神經(jīng)元組成的網(wǎng)絡結(jié)構(gòu)，網(wǎng)絡的整體性能為研究重點。神經(jīng)系

8、統(tǒng)層次模型（多種網(wǎng)絡）：由多個不同性質(zhì)的神經(jīng)網(wǎng)絡構(gòu)成，以模擬生物神經(jīng)系統(tǒng)更復雜，更抽象的特性。4.4.1 根據(jù)組織和抽象層次分類24前向網(wǎng)絡特點 神經(jīng)元分層排列，組成輸入層、隱含層（可以有若干層）和輸出層； 每一層的神經(jīng)元只接收前一層神經(jīng)元的輸入； 各神經(jīng)元之間不存在反饋，信號在各層中順序傳播。典型網(wǎng)絡BP網(wǎng)絡，感知器4.4.2 根據(jù)連接方式和信息流向分類25特點網(wǎng)狀結(jié)構(gòu)；任兩個神經(jīng)元之間都有可能存在連接（反饋）。典型網(wǎng)絡Hopfield網(wǎng)絡，Boltzmann機網(wǎng)絡注：在無反饋的前向網(wǎng)絡中，信號一旦通過某個神經(jīng)元，過程就結(jié)束了。而在相互結(jié)合網(wǎng)絡中，信號在神經(jīng)元之間反復往返傳遞，網(wǎng)絡處在一種不

9、斷改變狀態(tài)的動態(tài)之中。相互結(jié)合型網(wǎng)絡（全互連）4.4.2 根據(jù)連接方式和信息流向分類27特點 前兩者的混合； 同層內(nèi)神經(jīng)元相互連接； 可以實現(xiàn)同一層內(nèi)神經(jīng)元之間的橫向抑制或興奮機制。這樣可以限制每層內(nèi)能同時動作的神經(jīng)元數(shù)，或者把每層內(nèi)的神經(jīng)元分為若干組，讓每組作為一個整體來動作。典型網(wǎng)絡回歸神經(jīng)網(wǎng)絡（RNN）混合型網(wǎng)絡（層內(nèi)互連）4.4.2 根據(jù)連接方式和信息流向分類28連接權(quán)的確定方法：（1）根據(jù)具體要求，直接計算出來，如Hopfield網(wǎng)絡作優(yōu)化計算時就屬于這種情況。（2）通過學習得到的，大多數(shù)人工神經(jīng)網(wǎng)絡都用這種方法。學習實質(zhì)：針對一組給定輸入Xp (p=1,2, N )，通過學習使網(wǎng)絡

10、動態(tài)改變權(quán)值，從而使其產(chǎn)生相應的期望輸出Yd的過程。學習算法分類：有導師學習、無導師學習第4.5節(jié) 人工神經(jīng)網(wǎng)絡的學習29偏差e注：在訓練過程中，存在一個期望的網(wǎng)絡輸出。它是基于誤差來調(diào)整網(wǎng)絡權(quán)值的。應用：感知器網(wǎng)絡;多層前向傳播網(wǎng)絡;oltzmann機網(wǎng)絡。有導師學習學習算法30注：網(wǎng)絡不存在一個期望的輸出，通過建立一個間接評價函數(shù)，對網(wǎng)絡的某種行為趨向作出評價，改變神經(jīng)網(wǎng)絡數(shù)值。應用：ART網(wǎng)絡；Kohonen自組織網(wǎng)絡。無導師學習學習算法31強化學習把學習看做試探性評價（獎或懲）過程。學習機選擇一種動作作用于環(huán)境之后，使環(huán)境的狀態(tài)改變，并產(chǎn)生強化信號（獎或懲）反饋至學習機。學習機依據(jù)強化

11、信號與環(huán)境當前的狀態(tài)，再選擇下一動作作用于環(huán)境，選擇的原則是使受到獎勵的可能性最大?？梢?，強化信號是環(huán)境對學習機學習結(jié)果的一個評價。再勵學習學習算法32相關(guān)學習：僅根據(jù)連接間的激活水平改變權(quán)系數(shù)。Hebb學習規(guī)則：糾錯學習：根據(jù)輸出節(jié)點的外部反饋改變權(quán)系數(shù)。學習規(guī)則：無導師學習：學習表現(xiàn)為自動實現(xiàn)輸入空間的檢測和分類。關(guān)鍵不在于實際節(jié)點的輸出怎樣與外部的期望輸出相一致，而在于調(diào)整參數(shù)以反映所觀察事件的分布。學習規(guī)則33四、人工神經(jīng)網(wǎng)絡的典型模型迄今為止，有30多種人工神經(jīng)網(wǎng)絡模型被開發(fā)和應用。1、自適應諧振理論(ART)：此理論由格羅斯伯格提出，是一個根據(jù)可選參數(shù)對輸入數(shù)據(jù)進行粗略分類的網(wǎng)絡。

12、ART-1用于二值輸入，而ART-2用于連續(xù)值輸入。ART的不足之處在于過分敏感，當輸入有小的變化時，輸出變化很大。2、雙向聯(lián)想存儲器(BAM)：由科斯克(Kosko)開發(fā)，是一種單狀態(tài)互聯(lián)網(wǎng)絡，具有學習能力。BAM的缺點是存儲密度較低，且易于振蕩。3、Boltzmann機(BM)：由欣頓(Hinton)等人提出，建立在Hopefield網(wǎng)絡基礎(chǔ)上，具有學習能力，能夠通過一個模擬退火過程尋求答案。不過，其訓練時間比BP網(wǎng)絡要長。344、反向傳播(BP)網(wǎng)絡：方向傳播訓練算法是一種迭代梯度算法，用于求解前饋網(wǎng)絡的實際輸出與期望輸出間的最小均方差值。BP網(wǎng)絡是一種方向傳遞并能修正誤差的多層映射網(wǎng)絡

13、。當參數(shù)適當時，此網(wǎng)絡能夠收斂到較小的均方差，是目前應用最廣泛的網(wǎng)絡之一。BP網(wǎng)絡的不足是訓練時間較長，且易限于局部極小。5、對流傳播網(wǎng)絡(CPN)：是一個通常由5層組成的連接網(wǎng)。CPN可用于聯(lián)想存儲，其缺點是要求較多的處理單元。6、Hopefiled網(wǎng)：是一類不具有學習能力的單層自聯(lián)想網(wǎng)絡。Hopefield網(wǎng)絡模型由一組可使某個能量函數(shù)最小的微分方程組成。其不足在于計算代價較高，而且需要對稱連接。7、Madaline算法：是Adaline算法的一種發(fā)展，是一組具有最小均方差線性網(wǎng)絡的組合，能夠調(diào)整權(quán)值，使得期望信號與輸出間的誤差最小。此算法是自適應信號處理和自適應控制的得力工具，具有較強的

14、學校能力，但是輸入和輸出之間必須滿足線性關(guān)系。358、認知機(neocogntion)是迄今為止結(jié)構(gòu)上最為復雜的多層網(wǎng)絡。通過無師學習，認知機具有選擇能力，對樣品的平移和旋轉(zhuǎn)不敏感。不過，認知機所用節(jié)點及其互連較多，參數(shù)也多且難選取。9、感知器(perceptron)：是一組可訓練的分類器，為最古老的ANN之一，現(xiàn)已很少使用。10、自組織映射網(wǎng)(SOM)：以神經(jīng)元自行組織以校正各種具體模式的概念為基礎(chǔ)。SOM能夠形成簇與簇之間的連續(xù)映射，起到矢量量化器的作用。最典型的ANN模型(算法)及其學習規(guī)則和應用領(lǐng)域如表。36三、BP網(wǎng)絡 感知器模型中神經(jīng)元的變換函數(shù)采用的是符號函數(shù)，因此輸出的是二值量

15、。它主要用于模式分類。多層前饋網(wǎng)具有相同的結(jié)構(gòu)，只是神經(jīng)元的變換函數(shù)采用S型函數(shù)，因此輸出量是0到1之間的連續(xù)量，它可實現(xiàn)從輸入到輸出的任意的非線性映射。由于連接權(quán)的調(diào)整采用的是反向傳播(Back Propagation)的學習算法，因此該網(wǎng)絡也稱為BP網(wǎng)絡。在多層前饋網(wǎng)絡中，第0層為輸入層，第Q層為輸出層，有nQ個輸出，中間層為隱層。設(shè)第q層(q=0,2,，Q)的神經(jīng)元個數(shù)為nq，輸入到第q層的第i個神經(jīng)元的連接權(quán)系統(tǒng)為 ： 371、標準BP算法設(shè)給定P組輸入輸出樣本： 利用該樣本集首先對BP網(wǎng)絡進行訓練，也即對網(wǎng)絡的連接權(quán)系數(shù)進行學習和調(diào)整，以使該網(wǎng)絡實現(xiàn)給定的輸入輸出映射關(guān)系。經(jīng)過訓練的

16、BP網(wǎng)絡，對于不是樣本集中的輸入也能給出合適的輸出。該性質(zhì)稱為泛化(generalization)功能。從函數(shù)擬和的角度，它說明BP網(wǎng)絡具有插值功能。382.4.1 BP神經(jīng)網(wǎng)絡模型三層BP網(wǎng)絡392.4.2 BP網(wǎng)絡的標準學習算法-學習過程正向傳播：輸入樣本輸入層各隱層輸出層判斷是否轉(zhuǎn)入反向傳播階段：若輸出層的實際輸出與期望的輸出（教師信號）不符誤差反傳誤差以某種形式在各層表示修正各層單元的權(quán)值網(wǎng)絡輸出的誤差減少到可接受的程度進行到預先設(shè)定的學習次數(shù)為止4041第五節(jié) 人工神經(jīng)網(wǎng)絡在材料科學中的應用用人工神經(jīng)網(wǎng)絡方法實現(xiàn)材料設(shè)計優(yōu)化1 人工神經(jīng)網(wǎng)絡實現(xiàn)材料工藝優(yōu)化2人工神經(jīng)網(wǎng)絡實現(xiàn)材料性能預

17、測3基于人工神經(jīng)網(wǎng)絡的材料智能加工與智能控制4425.1 引言5.1.1材料設(shè)計簡介5.1.2材料設(shè)計的主要途徑5.1.3人工神經(jīng)網(wǎng)絡研究的基本內(nèi)容43一、什么是材料設(shè)計 材料設(shè)計（materials design），是指通過理論與計算預報新材料的組分、結(jié)構(gòu)與性能，或者說，通過理論設(shè)計來“訂做”具有特定性能的新材料。這當然說的是人們所追求的長遠目標，并非目前就能充分實現(xiàn)的。盡管如此，由于凝聚態(tài)物理學、量子化學等相關(guān)基礎(chǔ)學科的深人發(fā)展，以及計算機能力的空前提高，使得材料研制過程中理論和計算的作用越來越大，直至變得不可缺少。 44關(guān)于材料設(shè)計，或者設(shè)計材料這類研究，迄今在國際上還沒有統(tǒng)一的流行術(shù)語

18、或提法。日本學者1985年就提出了“材料設(shè)計學”一詞，俄國學者把材料設(shè)計包括在“材料學”中。美國學者在90年代材料科學與工程報告中稱這類工作為材料“計算機分析與模型化”。我國1986年開始實施“863計劃”時，對新材料領(lǐng)域提出了探索不同層次微觀理論指導下的材料設(shè)計這一要求，因此，從那時起在“863”材料領(lǐng)域便設(shè)立了“材料微觀結(jié)構(gòu)設(shè)計與性能預測”研究專題。 45由此可見，雖然用語有所差別，但基本含義是共同的。從廣義來說，材料設(shè)計可按研究對象的空間尺度不同而劃分為三個層次：微觀設(shè)計層次，空間尺度在約1nm量級，是原子、電子層次的設(shè)計；連續(xù)模型層次，典型尺度在約 lm量級，這時材料被看成連續(xù)介質(zhì)，不

19、考慮其中單個原子、分子的行為；工程設(shè)計層次，尺度對應于宏觀材料，涉及大塊材料的加工和使用性能的設(shè)計研究。 461、材料設(shè)計的發(fā)展概況1.1 前期研究的回顧 “材料設(shè)計”設(shè)想始于 20世紀 50年代。在 50年代初期，前蘇聯(lián)便開展了關(guān)于合金設(shè)計以及無機化合物的計算機預報等早期工作。那時前蘇聯(lián)衛(wèi)星上天，說明其使用的材料是先進的。蘇聯(lián)人于1962年便在理論上提出人工半導體超晶格概念，不過當時他們沒有提出如何在技術(shù)上加以實現(xiàn)的建議。后來到1969年，才正式從理論和實踐結(jié)合上提出了通過改變組分或摻雜來獲得人工超晶格。 4780年代中期日本材料界提出了用三大材料在分子原子水平上混合，構(gòu)成雜化材料的設(shè)想。1

20、985年日本出版了新材料開發(fā)與材料設(shè)計學一書，首次提出了“材料設(shè)計學”這一專門方向。書中介紹了早期的研究與應用情況，并在大學材料系開設(shè)材料設(shè)計課程。1988年由日本科學技術(shù)廳組織功能性梯度材料（functionally gradient materials）的研究任務，提出將設(shè)計一合成一評估三者緊密結(jié)合起來，按預定要求做出材料。 481989年美國由若干個專業(yè)委員會在調(diào)查分析美國8個工業(yè)部門（航天、汽車、生物材料、化學、電子學、能源、金屬和通信）對材料的需求之后，編寫出版了90年代的材料科學與工程報告，對材料的計算機分析與模型化作了比較充分的論述。該報告認為，現(xiàn)代理論和計算機技術(shù)的進步，使得材

21、料科學與工程的性質(zhì)正在發(fā)生變化計算機分析與模型化的進展，將使材料科學從定性描述逐漸進人定量描述的階段。 49 近10年來，材料設(shè)計或材料的計算機分析與模型化日益受到重視，究其原因主要有以下幾點。 （1）固體物理、量子化學、統(tǒng)計力學、計算數(shù)學等相關(guān)學科在理 論概念和方法上有很大發(fā)展，為材料微觀結(jié)構(gòu)設(shè)計提供了理論基礎(chǔ)。 （2）現(xiàn)代計算機的速度、容量和易操作性空前提高。幾年前在數(shù)學計算、數(shù)據(jù)分析中還認為無法解決的問題，現(xiàn)在已有可能加以解決；而且計算機能力還將進一步發(fā)展和提高。50（5）以原子、分子為起始物進行材料合成，并在微觀尺度上控制其結(jié)構(gòu)，是現(xiàn)代先進材料合成技術(shù)的重要發(fā)展方向，例如分子束外延、納

22、米粒子組合、膠體化學方法等。對于這類研究對象，材料微觀設(shè)計顯然是不可缺少的并且是大有用武之地的。 51事實表明，現(xiàn)代材料科學研究必須深人到微觀層次。今天不僅是對材料物性的了解，還是對材料性能的表征，都要求深人到分子、原子以及電子層次。許多先進材料的制備和加工過程，也已進人“原子、級水平”。由單個原子聚合成簇，或形成零維、一維、三維材料，都屬于所謂“原子級工程”（atomically engineering）。又例如在今天各類關(guān)鍵技術(shù)上所使用的材料中，發(fā)生在材料表面和界面的現(xiàn)象，都要求從原子水平和化學鍵水平進行了解，才能闡明其本質(zhì)。 52在未來超小型化的器件中起關(guān)鍵作用的材料，是由為數(shù)極少的原子

23、所組成，其中增加（或減少）一個原子（或電子）都將使其狀態(tài)發(fā)生明顯變化，例如單電子器件就是如此。這是對當今材料科學理論和計算的挑戰(zhàn)?？梢?，原子水平上的材料設(shè)計必然受到高度重視，它在現(xiàn)代材料科學技術(shù)的發(fā)展中將起舉足輕重的作用。 53二、材料設(shè)計的主要途徑 概括地講，目前材料設(shè)計方法主要是在經(jīng)驗規(guī)律基礎(chǔ)上進行歸納或從第一性原理出發(fā)進行計算（演繹），更多的則是兩者相互結(jié)合與補充。材料設(shè)計的主要途徑可分為如下幾類。1、材料知識庫和數(shù)據(jù)庫技術(shù) 數(shù)據(jù)庫是隨著計算機技術(shù)的發(fā)展而出現(xiàn)的一門新興技術(shù)。材料知識庫和數(shù)據(jù)庫就是以存取材料知識和性能數(shù)據(jù)為主要內(nèi)容的數(shù)值數(shù)據(jù)庫。54 計算機化了的材料知識和性能數(shù)據(jù)庫具有一

24、系列優(yōu)點：如存貯信息量大、存取速度快、查詢方便。使用靈活；具有多種功能，如單位轉(zhuǎn)換及圖形表達等；已獲得廣泛應用，并可以與CAD、CAM配套使用，也可與人工智能技術(shù)相結(jié)合，構(gòu)成材料性能預測或材料設(shè)計專家系統(tǒng)等。與早期數(shù)據(jù)的自由管理方式和文件管理方式相比，計算機的材料知識庫和性能數(shù)據(jù)庫還具有數(shù)據(jù)優(yōu)化、數(shù)據(jù)獨立、數(shù)據(jù)一致，以及數(shù)據(jù)共享及數(shù)據(jù)保護等優(yōu)點。 55 在數(shù)據(jù)庫系統(tǒng)中，還有一個負責數(shù)據(jù)庫管理和維護的軟件系統(tǒng)，稱為數(shù)據(jù)庫管理系統(tǒng)。它負責數(shù)據(jù)庫的建立、操縱、管理和維護。數(shù)據(jù)庫管理系統(tǒng)又分為層次型、網(wǎng)絡型和關(guān)系型三種。關(guān)系型數(shù)據(jù)庫管理系統(tǒng)的出現(xiàn)，促進了數(shù)據(jù)庫的小型化和普及化，使得在微機上配置數(shù)據(jù)庫系

25、統(tǒng)成為可能。 除了數(shù)據(jù)管理軟件外，數(shù)據(jù)的收集、整理和評價是建立數(shù)據(jù)庫的關(guān)鍵。一個材料數(shù)據(jù)庫通常應包括材料的性能數(shù)據(jù)、材料的組分、材料的處理、材料的試驗條件以及材料的應用和評價等。56 當前，國際上的材料數(shù)據(jù)庫正朝著智能化和網(wǎng)絡化的方向發(fā)展。智能化是使材料數(shù)據(jù)庫發(fā)展成為專家系統(tǒng)；網(wǎng)絡化是將分散的、彼此獨立的數(shù)據(jù)庫相聯(lián)而成為一個完整系統(tǒng)。 利用大型知識庫和數(shù)據(jù)庫輔助材料設(shè)計的一個典型例于是日本三島良績和巖田修一等建立的計算機輔助合金設(shè)計（Computer Aid Alloy Design，簡稱CAAD）系統(tǒng)。這一項目得到日本政府的支持，任務是為未來的可控熱核反應爐設(shè)計和選擇材料。 57在大型計算機

26、中貯存了各種與合金設(shè)計有關(guān)的信息，其中包括各種元素的基本物理化學數(shù)據(jù)，合金相圖，合金物性的各種經(jīng)驗方程式，各類合金體系的實驗數(shù)據(jù)，各種合金的性能、用途以及有關(guān)文獻目錄等等。他們以元素的含量（百分數(shù)）為坐標，構(gòu)筑以70多種元素的含量為坐標的多維空間，將上述各種信息記錄在該多維空間中，然后按設(shè)計步驟來實現(xiàn)計算機輔助合金設(shè)計。 582、材料設(shè)計專家系統(tǒng) 材料設(shè)計專家系統(tǒng)是指具有相當數(shù)量的與材料有關(guān)的各種背景知識，并能運用這些知識解決材料設(shè)計中有關(guān)問題的計算機程序系統(tǒng)。在一定范圍和一定程度上，它能為某些特定性能材料的制備提供指導，以幫助研究人員進行新材料的開發(fā)。專家系統(tǒng)的研究始于20世紀60年代中期，

27、近年來應用范圍越來越廣。最簡單（原始）的專家系統(tǒng)包括一個知識庫和一個推理系統(tǒng)。專家系統(tǒng)還可以連接（或包括）數(shù)據(jù)庫、模式識別、人工神經(jīng)網(wǎng)絡以及各種運算模塊。這些模塊的綜合運用可以有效地解決設(shè)計中的有關(guān)問題。59 最理想的專家系統(tǒng)是從基本理論出發(fā)，通過計算和邏輯推理，預測未知材料的性能和制備方法。但由于制約材料結(jié)構(gòu)和性能的因素極其復雜，在可以預見的將來，這種完全演繹式的專家系統(tǒng)還難以實現(xiàn)。目前的專家系統(tǒng)是以經(jīng)驗知識和理論知識相結(jié)合（即歸納與演繹相結(jié)合）為基礎(chǔ)的。 60 材料設(shè)計專家系統(tǒng)大致有以下幾類。 1）以知識檢索、簡單計算和推理為基礎(chǔ)的專家系統(tǒng) 由于材料科學研究需要的知識面廣，有關(guān)資料極其龐雜

28、，任何一位專家都不可能記住全部有關(guān)資料，所以單靠個人就會喪失許多靈活運用這些資料的機會。利用計算機則可以彌補這個缺陷。61 2）以計算機模擬和運算為基礎(chǔ)的材料設(shè)計專家系統(tǒng) 材料研究的核心問題之一是材料的結(jié)構(gòu)和性能關(guān)系。在對材料以物理、化學性能已經(jīng)了解的前提下，有可能對材料的結(jié)構(gòu)與性能關(guān)系進行計算機模擬或用相關(guān)的理論進行運算，以預報材料性能和制備方案。623）以模式識別和人工神經(jīng)網(wǎng)絡為基礎(chǔ)的專家系統(tǒng) 模式識別和人工神經(jīng)網(wǎng)絡是處理受多種因子影響的復雜數(shù)據(jù)集。用于總結(jié)半經(jīng)驗規(guī)律的有力工具。材料設(shè)計中兩個核心問題是結(jié)構(gòu)一性能關(guān)系和制備工藝一性能關(guān)系。這兩類關(guān)系都受多種因素的制約，故可用模式識別或人工神

29、經(jīng)網(wǎng)絡（或二者結(jié)合）從已知實驗數(shù)據(jù)集中總結(jié)出數(shù)學模型，并據(jù)此預報未知材料的性能和達到此性能的優(yōu)化配方及優(yōu)化工藝。63 除上述三類外，近年來還發(fā)展了以材料智能加工為目標的材料設(shè)計專家系統(tǒng)。材料智能加工是材料設(shè)計研究的新發(fā)展，其目標是通過在位傳感器在材料制造過程中采集信息，并輸人智能控制以實現(xiàn)控制決策，使制備中的材料能循著最佳途徑成為性能優(yōu)良、穩(wěn)定以及成品率高的材料。材料智能加工研究始于 20世紀 80年代中期，已在大直徑砷化鎵單 備、碳纖維增強碳素復合材料制備以及粉末熱壓和噴射成形等方面得到應用并取得良好效果。 64四、模式識別-人工神經(jīng)網(wǎng)絡方法作為人工智能的一種方法, 模式識別-人工神經(jīng)網(wǎng)絡方法自8