人工智能基础.pptxVIP

第八章 人工智能;;第一节 人工智能基础 ;一、人工智能的概念和由来 ;;二、人工智能的发展历程 ;;三、人工智能的主要研究学派 ;四、我国人工智能研究的历史 ;五、人工智能技术与实现方法 ;六、人工智能的主要研究方向 ;;;;七、 人工智能在医药领域的应用 ;;;第二节人工神经网络 ;一、 人工神经网络的概念和发展;;二、人工神经网络的学习方式 ;;三、 神经元模型和BP神经网络 ;;;;;;;人工神经网络模型设计与应用 在实际应用中，面对一个具体问题需要进行人工神经网络模型设计时，一般应遵循下列过程：首先分析求解问题的性质，确定信息表达方式，将求解问题及其相应的领域知识转化为神经网络可以接受并处理的某种数据形式，将数据样本分为训练样本和测试样本；其次依据问题特点，确定神经网络模型的类型、结构、输入输出神经元的数目、隐含层神经元的个数等；然后是训练模式的确定包括选择合理的训练算法，确定合适的训练步数，指定适当的训练目标误差，以获得较好的网络性能；最后通过对网络进行训练、仿真等，检验网络的性能是否满足要求。下面结合药学实际介绍神经网络的设计与应用。;（一）用BP神经网络优化化学反应的工艺条件 过碳酸钠是一种强氧化剂，其水溶液可用作医疗杀菌剂、口腔消毒剂。由于过碳酸钠对湿度和温度很敏感，容易分解，其有效氧含量和稳定性还有待提高。为改进过碳酸钠的工艺，筛选出新的复合稳定剂，可利用BP神经网络对其工艺参数进行考察，并利用仿真结果进行预测，其方法及步骤如下： (1)确定影响过碳酸钠工艺条件的主要因素及考察范围 （2）确定BP神经网络结构：从表7-4可以看出，前四项为工艺参数，后两项为过碳酸钠性能的评价。因此采用3层B-P网络模型，即输入层、输出层和隐含层。4个输入向量X1、 X2、X3 、 X4分别对应原料配比、反应温度、反应时间、稳定剂加入量4个考察因素， 2个输出向量Y1 、Y2分别对应目标函数收率和活性氧含量， 其拓扑结构如图7-9所示。;表8-2 影响工艺条件的主要因素及考察范围 ;;(3)BP神经网络的构建：将原料配比、反应温度、反应时间、稳定剂4个考察因素作为BP神经网络的输入，将收率和活性氧含量2个考察目标作为网络的输出，定义输入向量X和输出向量Y（训练样本），编写程序代码 用newcf()函数构建BP神经网络,代码如下： net=newcf(minmax(X),[10,2],{tansig,purelin},trainlm); 新构建的网络名称用net表示，newcf()是BP神经网络构建函数，用minmax()函数自动搜索输入向量中每个要考察因素的范围，参数[10,2]代表隐含层节点个数为10（不确定参数，待优化），网络结构层数为2，分别对应隐含层和输出层。tansig（S型）和purelin（线性）代表隐含层和输出层的传递函数，trainlm代表网络学习算法，表明采用Levenberg-Marquardt规则对BP网络进行训练。; 定义网络训练次数、训练结果显示方式及误差要求，代码如下： net.trainparam.epochs=3000; %最大训练次数 net.trainparam.show=100; %两次显示之间的训练步数 net.trainparam.goal=0.00001; %训练目标即期望误差 用train()函数训练网络，代码如下： [net,tr]=train(net,X,Y); 当网络训练达到误差要求时结束训练。 进一步构建预测样本XX（即在其他工艺条件或参数下，想要预测的过碳酸钠性能），基于训练好的BP网络，用sim()对样本进行仿真预测 ;(4) MATLAB函数实现：启动MATLAB，新建一个m文件，操作见图8-5。在新建的 m文件上输入上述完整代码，操作见图8-6，将该程序保存在\work目录下，命名为gtsn.m, 调试并运行程序 ;;（5）程序运行结束后，显示网络训练误差曲线如图8-7所示。结果表明，以原料配比、反应温度、反应时间、稳定剂加入量4个因素为输入量、收率和活性氧含量为输出考察目标所建立的BP神经网络模型具有较好的收敛性，能体现各工艺条件对收率及活性氧含量影响的非线性变化规律，因而具有较高的预测精度。用训练好的网络进行仿真预测，结果如图8-8所示，优化结果如图8-9所示。;; 由图8-9可知，最佳工艺条件是原料配比1∶1.8、反应温度－15℃、反应时间85分钟、稳定剂加入量为0.95%时,收率为98.274%，活性氧为14.58%。 ;（二）用自组织特征映射神经网络对样本资料进行分类 表8-3是10批次不同产地的中药