基于人工智能的建模与仿真系统初探.pdf

中文科技期刊数据库（全文版）工程技术

基于人工智能的建模与仿真系统初探

12345

闻东海刘斌肖增博陶晓生修瑞杰

1.31539部队，北京100041

2.空军工程大学防空反导学院，陕西西安710000

3.93221部队，北京100080

4.96863部队，河南洛阳471000

5.北京四季青医院，北京100080

摘要：随着高性能计算、深度神经网络等技术的发展，运用人工智能技术进行建模仿真研究日趋广泛，需要对智

能化建模仿真技术进行系统化理论化研究，为智能建模仿真技术的发展指明方向。在总结人工智能技术发展的基

础上，提出了基于人工智能的建模与仿真框架及基本内容，并对其标准化进行了研究，标准化研究利于统一人工

智能模型的通用化，实现模型模块化设计，并根据需要对不同模型进行组合，实现模型复用，为基于人工智能的

建模与仿真的发展提供支撑。

关键词：深度学习；人工智能；建模仿真

中图分类号：O141

0引言网络中，可以有成百上千的可调节参数权重和数百计

的标签数据用以训练权重。

人工智能技术是模拟、延伸和扩展人的智能方法

深度学习通过计算梯度向量调整权重系数，梯度

及技术。基于人工智能的仿真与建模是运用大数据、

向量的正负表示权重调整的方向，梯度向量的值表示

机器学习、高性能计算、知识图谱等技术，建立真实

权重调整的大小。目标函数，对所有训练样本取平均

系统数学模型或计算机模型的技术。

值，可以被看作是一种高维空间中的平均值。

1深度学习研究现状在实践中使用随机梯度下降法进行参数计算。计

深度学习是人工智能的一个子领域，利用多层神算梯度调整权重的过程包括输入和输出之间的误差，

经网络进行数据处理的方法。随着计算能力的提升，然后按照梯度进行调整。对于样本量较少的学习过程，

计算成本的下降，深度学习方法在很多领域都得到了重复计算梯度和误差，直到目标函数的平均值停止减

应用。如语义解析，迁移学习，自然语言处理，计算少。

机视觉等等。这简单的程序通常会发现一组好的权重。与其他

最常见的机器学习形式，无论是否是深度学习，优化技术相比，梯度算法收敛速度很快。训练后，在

都是监督学习。我们想要建立一个可以分类的系统，另一组被称为测试集的例子上测试系统的性能。这是

例如，包含房子、汽车、人或宠物的图像。收集大量为了测试机器的泛化能力—其产生智能的能力。

标明其类别的房屋、汽车、人和宠物的图像。在训练近年来，深度学习在国内外得到了广泛的研究，

过程中，机器显示一个图像并以分数1的形式产生输深度学习可分为四类：卷积神经网络，受限玻尔兹曼

出。对于每个类别。我们计算一个目标函数来测量输机，自编码器和稀疏编码。

出值和期望值之间的误差(或距离)。然后，机器修改一般来说，CNN由三个主要的神经元层组成，分别

其内部可调参数，以减少这个错误。这些可调参数，