人工智能建模方法.ppt

1、主要內(nèi)容,1. 人工智能建模相關(guān)概念 2. 人工智能的兩個(gè)流派 2.1 基于知識(shí)的人工智能系統(tǒng) 2.2 人工神經(jīng)網(wǎng)絡(luò) 3. 基于知識(shí)的人工智能建模 4. 人工神經(jīng)網(wǎng)絡(luò)建模 5. 人工智能建模發(fā)展趨勢(shì) 6. 小結(jié),1,1. 相關(guān)概念,人工智能：通過(guò)人造物來(lái)模擬人的智能的一種方法及其實(shí)現(xiàn)技術(shù)的一門(mén)學(xué)科。 人工智能建模：通過(guò)模擬人認(rèn)識(shí)客觀事物和解決實(shí)際問(wèn)題的方法對(duì)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(guò)程。也可以簡(jiǎn)述為利用人工智能方法對(duì)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(guò)程。,2,2.1 基于知識(shí)的人工智能系統(tǒng)Artificial Intelligent System Based on Kn

2、owledge,一種從功能角度來(lái)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(hào)主義或邏輯主義。 專家之所以具有智能，能認(rèn)識(shí)和解決某一領(lǐng)域內(nèi)的實(shí)際問(wèn)題，關(guān)鍵在于專家具備該領(lǐng)域內(nèi)的各種知識(shí)（常識(shí)、書(shū)本知識(shí)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(shí)進(jìn)行適當(dāng)?shù)耐评怼?3,2.1 基于知識(shí)的人工智能系統(tǒng),對(duì)人類理性認(rèn)識(shí)過(guò)程（或邏輯思維過(guò)程）的一種模擬，建立在概念、判斷和推理這些抽象語(yǔ)言符號(hào)的基礎(chǔ)上。 關(guān)鍵問(wèn)題1 ： 知識(shí)的表示 如何把專家知識(shí)轉(zhuǎn)化為機(jī)器所能識(shí)別、存儲(chǔ)和使用的形式 。,4,2.1 基于知識(shí)的人工智能系統(tǒng),常用知識(shí)表示方法 謂詞邏輯 適用場(chǎng)合用于表達(dá)概念和判斷等事實(shí)知識(shí) 。

3、 舉例“鯨是哺乳動(dòng)物”這一判斷用謂詞邏輯表示為：哺乳動(dòng)物（鯨）； 產(chǎn)生式規(guī)則 適用場(chǎng)合適于表達(dá)具有因果關(guān)系的邏輯推理知識(shí) 。 舉例“如果是合金鋼，應(yīng)該進(jìn)行熱處理”這一推理用產(chǎn)生式規(guī)則可以表示為：IF 合金鋼 THEN 熱處理； 框架表示 適用場(chǎng)合表達(dá)多方面多層次結(jié)構(gòu)知識(shí) 舉例桌子可以用框架表示為：桌面，桌腿1、桌腿2、桌腿3、桌腿4、桌面與桌腿的連接。 過(guò)程表示 適用場(chǎng)合用于表示某一操作序列。 舉例做饅頭用過(guò)程表示表示為：和面、定型、蒸、起鍋。,5,2.1 基于知識(shí)的人工智能系統(tǒng),關(guān)鍵問(wèn)題 2： 推理方法 研究機(jī)器如何模擬人類進(jìn)行知識(shí)選擇并運(yùn)用這些知識(shí)分析和解決實(shí)際問(wèn)題。 常用推理方法： 由已

4、知條件推出結(jié)論的正向推理 由結(jié)論出發(fā)，尋找應(yīng)具備條件的反向推理 綜合使用正向推理和反向推理的雙向推理方法。 研究熱點(diǎn) ：知識(shí)表示和推理中的不確定性和模糊性問(wèn)題。 不確定性是由于各種隨機(jī)因素的影響而造成的對(duì)預(yù)測(cè)結(jié)果的不肯定程度，一般由概率來(lái)描述這種不肯定程度的大小。如，明天降水概率80%。 模糊性是由于語(yǔ)言表達(dá)時(shí)詞語(yǔ)所對(duì)應(yīng)的概念內(nèi)涵和外延的不確定性決定的。如： “溫度高”的表述。,6,2.1 基于知識(shí)的人工智能系統(tǒng),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(lái)描述的復(fù)雜、定性的經(jīng)驗(yàn)知識(shí)。 2）靈活性。知識(shí)的存放和推理過(guò)程相互獨(dú)立的，通過(guò)知識(shí)的修改和擴(kuò)充，系統(tǒng)可以適應(yīng)新的需求。 3）透明性。無(wú)

5、論知識(shí)的表達(dá)還是推理過(guò)程都具有明確的含義，使得用戶對(duì)系統(tǒng)機(jī)理可以具有明確的認(rèn)識(shí)。 缺點(diǎn)： 1）知識(shí)獲取的困難。要將專家并不明確的經(jīng)驗(yàn)知識(shí)加以提取、整理、轉(zhuǎn)換成各種知識(shí)表示，還要考慮知識(shí)之間的相容性，因此，知識(shí)的獲取相當(dāng)困難。 2）存在“組合爆炸”問(wèn)題。對(duì)于復(fù)雜的任務(wù)，知識(shí)庫(kù)將變的異常龐大，推理中對(duì)知識(shí)的搜索和運(yùn)用分支將呈幾何級(jí)數(shù)的增加。 3）精度不高，容錯(cuò)能力差。由于知識(shí)獲取的困難和“組合爆炸”問(wèn)題的存在，常導(dǎo)致知識(shí)的不完備，從而降低了系統(tǒng)的精度。同時(shí)，每一條知識(shí)的錯(cuò)誤，都有可能導(dǎo)致整個(gè)推理的錯(cuò)誤，因此系統(tǒng)容錯(cuò)能力差。,7,2.2 人工神經(jīng)網(wǎng)絡(luò)Artificial Neural Network

6、s,一種從生理解剖角度，通過(guò)模仿人腦的生理結(jié)構(gòu)來(lái)模擬人類智能的方法。 理論依據(jù) ： 人的大腦由大量神經(jīng)元細(xì)胞高度互連而成，每個(gè)神經(jīng)元可以對(duì)從樹(shù)突輸入的信號(hào)進(jìn)行融合和簡(jiǎn)單的加工，然后由軸突輸出； 神經(jīng)元細(xì)胞之間通過(guò)樹(shù)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，而神經(jīng)元之間的連接方式和連接強(qiáng)度可以通過(guò)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(duì)知識(shí)的記憶過(guò)程。,8,2.2 人工神經(jīng)網(wǎng)絡(luò),人工神經(jīng)網(wǎng)絡(luò)模型,黑箱,9,2.2 人工神經(jīng)網(wǎng)絡(luò),模擬了人的感性思維過(guò)程，即模擬了人的識(shí)別、分類、逼近、記憶、聯(lián)想等智能活動(dòng)。 關(guān)鍵問(wèn)題1 ： 網(wǎng)絡(luò)結(jié)構(gòu) 確

7、定網(wǎng)絡(luò)中神經(jīng)元的個(gè)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)元之間是否相互連接（也稱橫向連接）分為三類： 1、既無(wú)反饋也無(wú)橫向連接的前向網(wǎng)絡(luò)。前向網(wǎng)絡(luò)可以識(shí)別存儲(chǔ)過(guò)的模式并能逼近任意函數(shù)，主要用于解決識(shí)別和逼近問(wèn)題。 2、有反饋但無(wú)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(shí)別存儲(chǔ)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(wèn)題求解。 3、具有橫向連接的競(jìng)爭(zhēng)網(wǎng)絡(luò)。競(jìng)爭(zhēng)網(wǎng)絡(luò)通過(guò)同層神經(jīng)元之間的競(jìng)爭(zhēng)可以實(shí)現(xiàn)輸入模式的自動(dòng)分類。,10,2.2 人工神經(jīng)元網(wǎng)絡(luò),關(guān)鍵問(wèn)題 2： 學(xué)習(xí)方法 對(duì)于神經(jīng)元網(wǎng)絡(luò)而言，所謂學(xué)習(xí)實(shí)際上就是根

8、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i的過(guò)程。 主要學(xué)習(xí)方法： 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)時(shí)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(guò)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。 該類學(xué)習(xí)方法又可以分為由神經(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 “無(wú)師學(xué)習(xí)” 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 “有師學(xué)習(xí)” 。,11,2.2 人工神經(jīng)網(wǎng)絡(luò),優(yōu)點(diǎn)： 具有自學(xué)習(xí)、自組織、自適應(yīng)能力。 存儲(chǔ)的分布性、運(yùn)行的并行性。 強(qiáng)的擬合能力。可以擬合任意的函數(shù)，特別是具有非凡的非線性影射能力。 黑箱性。只需將

9、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(guò)學(xué)習(xí)建立系統(tǒng)模型。 缺點(diǎn)： 缺乏透明性。用戶即無(wú)法理解神經(jīng)元網(wǎng)絡(luò)中存儲(chǔ)的知識(shí)，也無(wú)法了解神經(jīng)元網(wǎng)絡(luò)的推理過(guò)程。 設(shè)計(jì)理論尚不完善。對(duì)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(wú)成熟的設(shè)計(jì)理論作為指導(dǎo)。 學(xué)習(xí)方法仍然存在問(wèn)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)練速度慢，學(xué)習(xí)不穩(wěn)定，有時(shí)無(wú)法取得預(yù)期效果；可塑性差，新的學(xué)習(xí)內(nèi)容有時(shí)會(huì)對(duì)原有知識(shí)造成影響。,12,3.基于知識(shí)的人工智能建模,定義：基于知識(shí)的人工智能建模就是采用基于知識(shí)的人工智能方法對(duì)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。 適用于無(wú)法進(jìn)行精確描述，但積累了大量實(shí)踐經(jīng)驗(yàn)

10、，可以利用經(jīng)驗(yàn)知識(shí)進(jìn)行求解，且對(duì)精度要求不高的場(chǎng)合。,13,3.基于知識(shí)的人工智能建模步驟,明確建模對(duì)象和目的。 選擇影響因素。 收集資料。 知識(shí)表達(dá)。對(duì)收集的知識(shí)和經(jīng)驗(yàn)，選擇適宜的知識(shí)表達(dá)方法。 選擇推理方式。根據(jù)實(shí)際問(wèn)題求解的需要，選擇合適的推理方式。 模型的建立。采用通用語(yǔ)言、數(shù)據(jù)庫(kù)或者是商品化的專家系統(tǒng)開(kāi)發(fā)工具，對(duì)該模型加以實(shí)現(xiàn)。 模型的驗(yàn)證。通過(guò)不斷的實(shí)驗(yàn)和改進(jìn)，以保證模型的正確性。 模型的應(yīng)用。經(jīng)過(guò)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(cè)、控制、識(shí)別、證實(shí)等功能。,14,3.基于知識(shí)的人工智能建模示例,鋅電解過(guò)程電流效率模型 問(wèn)題描述 鋅的電

11、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(gè)大的耗能過(guò)程 。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(gè)值得深入研究和探討的課題。 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(guò)程工藝參數(shù)與電流效率間的模型，然后通過(guò)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)到減少電能消耗的目的。 電解中工藝參數(shù)與電流效率之間的關(guān)系錯(cuò)綜復(fù)雜，非線性明顯，無(wú)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(guò)長(zhǎng)期工業(yè)生產(chǎn)實(shí)踐經(jīng)驗(yàn)的積累，現(xiàn)場(chǎng)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

12、于知識(shí)的人工智能模型。,15,3.基于知識(shí)的人工智能建模示例,1）建模對(duì)象與目的：建模對(duì)象為鋅電解過(guò)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(guò)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，在建立模型時(shí)不必考慮。 3）收集資料。通過(guò)翻閱該廠的操作手冊(cè)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1所示：,16,3.基于知識(shí)的人工智能建模示例,表1 電流效率的計(jì)算公

13、式,17,3.基于知識(shí)的人工智能建模示例,對(duì)于其中鋅酸比Ra/z和電流密度DK的模糊語(yǔ)言變量都可以采用如下隸屬函數(shù)形式:,這些模糊語(yǔ)言變量隸屬函數(shù)的參數(shù)見(jiàn)表2,18,3.基于知識(shí)的人工智能建模示例,表2 模糊語(yǔ)言變量隸屬函數(shù)的參數(shù),19,3.基于知識(shí)的人工智能建模示例,4）選擇知識(shí)表達(dá)方式。由于上述知識(shí)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(shí)用產(chǎn)生式規(guī)則表示為： IF 鋅酸比很小 AND 電流密度較小 THEN 電流效率=-0.817Ra/z+0.0623DK+72.8044 5）選擇推理方式。由于在工藝參數(shù)的實(shí)時(shí)優(yōu)化過(guò)程中，一般是得到一對(duì)具體的工藝參數(shù)，來(lái)預(yù)測(cè)電流效

14、率，因此，可以采用正向推理方法。 具體的推理過(guò)程是：首先根據(jù)實(shí)測(cè)的一對(duì)工藝參數(shù)（鋅酸比Ra/z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(yǔ)言變量的隸屬度。取隸屬度最大的一個(gè)作為該工藝參數(shù)所對(duì)應(yīng)的模糊語(yǔ)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(yǔ)言。然后利用模糊語(yǔ)言去逐個(gè)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(shí)，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(duì)應(yīng)的電流效率。 例如，設(shè)當(dāng)前測(cè)得的鋅酸比Ra/z和電流密度DK分別為3.162，252。帶入隸屬度函數(shù)后，計(jì)算得到各語(yǔ)言變量對(duì)應(yīng)的隸屬度如表3所示。,20,3.基于知識(shí)的人工智能建模示例,表3 當(dāng)鋅酸比Ra

15、/z和電流密度DK分別為3.162、252時(shí)各語(yǔ)言變量的隸屬度,通過(guò)表3的計(jì)算，可將鋅酸比Ra/z=3.162，電流密度DK=252這樣的具體工藝參數(shù)轉(zhuǎn)換為鋅酸比很小，電流密度較小這樣的模糊語(yǔ)言，從而與4）中作為例子的規(guī)則相匹配，對(duì)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=-0.817Ra/z+0.0623DK+72.8044=85.92。 6）模型的建立。該模型比較簡(jiǎn)單，可采用通用程序語(yǔ)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(cè)的電流效率進(jìn)行比較，驗(yàn)證模型的正確性和可靠性。經(jīng)過(guò)驗(yàn)證的模型即可用于工藝參數(shù)的優(yōu)化。,21,4. 人工神經(jīng)網(wǎng)絡(luò)建模,定義：人工

16、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(duì)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。 適用于無(wú)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)明顯非線性特性的場(chǎng)合。,22,4. 人工神經(jīng)網(wǎng)絡(luò)建模步驟,確定建模的對(duì)象和目的。 選擇影響因素。 收集樣本數(shù)據(jù)。 設(shè)計(jì)神經(jīng)元網(wǎng)絡(luò)。根據(jù)問(wèn)題需要和實(shí)際問(wèn)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(shí)利用軟件或硬件對(duì)神經(jīng)元網(wǎng)絡(luò)加以實(shí)現(xiàn)。 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)方法，將上述樣本數(shù)據(jù)輸入神經(jīng)元網(wǎng)絡(luò)，對(duì)神經(jīng)元網(wǎng)絡(luò)進(jìn)行訓(xùn)練。 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

17、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，一部分用于網(wǎng)絡(luò)的檢驗(yàn)。 模型的應(yīng)用。經(jīng)過(guò)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(shí)，保持網(wǎng)絡(luò)權(quán)值不變，將現(xiàn)場(chǎng)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。,23,4. 人工神經(jīng)網(wǎng)絡(luò)建模示例,油井鉆探中鉆壓優(yōu)化模型 問(wèn)題描述 自動(dòng)送鉆技術(shù)是油井鉆探自動(dòng)化中的一門(mén)關(guān)鍵技術(shù)。目前的自動(dòng)送鉆技術(shù)以恒鉆壓送鉆為主。由于鉆壓與井下?tīng)顩r、鉆井效率、鉆

18、頭壽命等密切相關(guān)，不合理的鉆壓會(huì)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)際鉆井情況，不斷調(diào)節(jié)鉆壓，就成為問(wèn)題的關(guān)鍵，這就是鉆壓優(yōu)化自動(dòng)送鉆技術(shù)的由來(lái)。 要實(shí)現(xiàn)鉆壓優(yōu)化自動(dòng)送鉆，首先必須建立鉆壓優(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)系的實(shí)測(cè)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(lái)建立。,24,4. 人工神經(jīng)網(wǎng)絡(luò)建模示例,建模對(duì)象與目的。建模對(duì)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最優(yōu)鉆壓。 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

19、頭直徑、下鉆井深、起鉆井深、泵的轉(zhuǎn)速、泵壓、泵的排量、鉆速。 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)據(jù)。,25,4. 人工神經(jīng)網(wǎng)絡(luò)建模示例,表4 樣本數(shù)據(jù)集,26,4. 人工神經(jīng)網(wǎng)絡(luò)建模示例,設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)。該模型為一非線性擬合問(wèn)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)7，輸出層由于只有鉆壓一個(gè)參數(shù)，因此取1，根據(jù)經(jīng)驗(yàn)公式，隱藏層節(jié)點(diǎn)數(shù)取輸入層的23倍，這里取14。構(gòu)造的神經(jīng)元網(wǎng)絡(luò)如圖2所示。對(duì)該神經(jīng)網(wǎng)絡(luò)可以直接采用高級(jí)語(yǔ)言進(jìn)行模擬。,27,4. 人工神經(jīng)網(wǎng)絡(luò)建模,選擇神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)方法并對(duì)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BP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。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。等所有樣本訓(xùn)練結(jié)束后，整個(gè)訓(xùn)練過(guò)程結(jié)束。為了方便模型的檢驗(yàn)，可以從上述十四個(gè)樣本中抽取十個(gè)作為訓(xùn)練樣本，剩下四個(gè)作為檢驗(yàn)樣本。 模型檢驗(yàn)。將上述四個(gè)檢驗(yàn)樣本輸入神經(jīng)元網(wǎng)絡(luò)，比較網(wǎng)絡(luò)輸出與樣本理想輸出，如果誤差在允許范圍內(nèi)，則接受該模型。否則，