人工智慧类神经网路实验设计软体(anndoe)之发展.pptVIP

人工智慧類神經網路實驗設計軟體(ANNDOE)之發展 指導老師:陳沛仲 組員:吳偉進 尤盛屏前言 原理 軟體功能 結論 前言 人工智慧「類神經網路實驗設計法」是利用人工智慧的方式加速改善製程或新配方的開發，它是利用「類神經網路」建立系統模式，再藉由模糊理論及訊息理論的應用，尋找最有效的實驗設計策略，以人工智慧的方式規劃製程改善或配方合成實驗，減少不必要的錯誤嘗試。 原理 一、實驗設計法 利用實驗設計法，我們以有效的方法抽取我們所需的系統知織。藉由預先決定所需要的設計程序，以最少的實驗次數及適當的分析技術，獲知比未歸化實驗更多更有用的系統知識。 類神經網路實驗設計法，是以類神經網路來建立系統因子與目標複雜經驗關係，並以最適化搜尋的方式找尋可能的最佳區域，再以模糊聚類及訊息厘論分析，推論出改進實驗結果的操作條件。 二、類神經網路 所謂「類神經網路」是一個相當新的研究領域，利用模仿生物神經網路的運作，來達到人工智慧自動學習的目的。 由於「類神經網路」這種的方法，是模擬人類學習知識累積經驗的方式來形成智慧及知織，也就是一種知識模式的建立；這種方法不需要對系統有詳細的瞭解，但是要有足夠的經驗累積。 1.腦神經網路結構 建立類神經網路是經由程序的實例，其結構與學習方式則是模擬人類的腦神經系統中學習、推理、聯想、歸納、判斷及經驗累積的能力。 將多個人工類神經元以多層的方式排列成好幾層，形成多層式的結構即為類神經網路，其排列方式為不同層的神經元互相連接，而同一層的神經元彼此獨立，連接的部份稱為加權值。 2.類神經網路訓練方式 訓練類神經網路的目的，是建立程序模式的輸入與輪出的關係，也就是讓類神經網路模式能學習到真實程序系統，使得將類神經網路模式預測輸出與真實程予的輸出儘量趨近。 其方法是先設定類神經網路的組態，然後藉得調整類神經網路內部的加權值來使得模式預測結果與真實程序相符。 三、最適化搜尋策略 採用混合了模擬退火法及遺傳演算法。 所謂模擬退火法組合了最陡坡降與隨機搜尋，以找尋最低的能的能量函數。這種組合使搜尋的過程中，以最陡坡降搜尋，使能量函數往較低處，但透過隨機過程，偶而允許少許機率往能量函數較高處移動。 而遺傳演算法是模仿生物演化的過程的最適化方法。 1.起始搜尋空間 2.各空間的最佳搜尋 3.縮減搜尋空間 4.隨機設定搜尋值 5.終止條件 經由以上的搜尋方法，可得到許多候選點，再利用模糊分類將這些候選點分成數類，並擷取代表各區部局域模式行為的中心點作為實驗設計點終止條件。 四、訊息理論指標 1.訊息熵 在一狀態空間中有各種事件可能發生，如果可以找到各事件發生的機率，則因各個狀態發生可獲得的訊息數量。 2.訊息能量 決定其訊息來源條件對目標函數的成果影響。 3.訊息自由能 實驗點分布狀況的「訊息熵」及代表實驗成本的訊息能結合起來，平衡二者的關係，建立一整合性的訊息指標。 軟體功能 一、資料分析 資料頻率分布圖、鄰近錯誤分佈圖、二階變數影響表。 1.資料頻率分布圖 是將原始資料依照的發生的頻率繪出分佈的情況，是一般統計上常用的資料分析工具，可以看出資料的上下限、平均值、標準差及分布情形，藉以判斷資料的好壞，其缺點是對非線性系統的資料分析能力較差。 2.鄰近錯誤分布圖 考慮一個其備相對映輸入象限及輸出象限的非線性系統，如果在輸入象限內有條件最接近的一組輸入點，其相對映於輸出象限的一組輸出點也應該有接近的結果，但是如果於相對映輸出象限的結果相差很多時，這一組輸入點的映對顯然有問題，我們將這組錯誤的輸入點稱之為鄰近錯誤點。 3.二階變數影響表 是以變數的上下範圍，計算出各別白變數對因變數的影響值及其交互作用的影響值，為一線性的計算，可利用此表繪出變數反應曲面圖。 二、類神經網路訓練 類神經網路訓練系統可以快速有效地訓練出適當的類神經網路模式，來趨近實驗數據；類神經網路的架構組態、訓練及測試資料。 三、類神經網路實驗設計