人工智能建模方法課件

主要內容1.人工智能建模相關概念2.人工智能的兩個流派2.1基于知識的人工智能系統(tǒng)2.2人工神經網絡3.基于知識的人工智能建模4.人工神經網絡建模5.人工智能建模發(fā)展趨勢6.小結主要內容1.人工智能建模相關概念1.相關概念人工智能：通過人造物來模擬人的智能的一種方法及其實現技術的一門學科。

人工智能建模：通過模擬人認識客觀事物和解決實際問題的方法對實際系統(tǒng)或系統(tǒng)的某一部分進行描述和表達的過程。也可以簡述為利用人工智能方法對實際系統(tǒng)或系統(tǒng)的某一部分進行描述和表達的過程。

1.相關概念人工智能：通過人造物來模擬人的智能的一種方法2.1基于知識的人工智能系統(tǒng)

Artificial

Intelligent

System

Based

onKnowledge一種從功能角度來模擬人類（特別是各領域專家）智能的方法，也稱為專家系統(tǒng)、符號主義或邏輯主義。專家之所以具有智能，能認識和解決某一領域內的實際問題，關鍵在于專家具備該領域內的各種知識（常識、書本知識和實際工作中積累的經驗），并且能夠運用這些知識進行適當的推理。2.1基于知識的人工智能系統(tǒng)

ArtificialInt2.1基于知識的人工智能系統(tǒng)對人類理性認識過程（或邏輯思維過程）的一種模擬，建立在概念、判斷和推理這些抽象語言符號的基礎上。關鍵問題1：知識的表示如何把專家知識轉化為機器所能識別、存儲和使用的形式。2.1基于知識的人工智能系統(tǒng)對人類理性認識過程（或邏輯思維2.1基于知識的人工智能系統(tǒng)常用知識表示方法謂詞邏輯適用場合——用于表達概念和判斷等事實知識。舉例——“鯨是哺乳動物”這一判斷用謂詞邏輯表示為：哺乳動物（鯨）；產生式規(guī)則適用場合——適于表達具有因果關系的邏輯推理知識。舉例——“如果是合金鋼，應該進行熱處理”這一推理用產生式規(guī)則可以表示為：IF合金鋼THEN熱處理；框架表示適用場合——表達多方面多層次結構知識舉例——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}。過程表示適用場合——用于表示某一操作序列。舉例——做饅頭用過程表示表示為：{和面、定型、蒸、起鍋}。2.1基于知識的人工智能系統(tǒng)常用知識表示方法2.1基于知識的人工智能系統(tǒng)關鍵問題

2：推理方法研究機器如何模擬人類進行知識選擇并運用這些知識分析和解決實際問題。

常用推理方法：由已知條件推出結論的正向推理

由結論出發(fā)，尋找應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：知識表示和推理中的不確定性和模糊性問題。不確定性是由于各種隨機因素的影響而造成的對預測結果的不肯定程度，一般由概率來描述這種不肯定程度的大小。如，明天降水概率80%。

模糊性是由于語言表達時詞語所對應的概念內涵和外延的不確定性決定的。如：“溫度高”的表述。2.1基于知識的人工智能系統(tǒng)關鍵問題2：2.1基于知識的人工智能系統(tǒng)優(yōu)點：1）表達能力強?？梢员磉_難以用數學公式來描述的復雜、定性的經驗知識。

2）靈活性。知識的存放和推理過程相互獨立的，通過知識的修改和擴充，系統(tǒng)可以適應新的需求。

3）透明性。無論知識的表達還是推理過程都具有明確的含義，使得用戶對系統(tǒng)機理可以具有明確的認識。缺點：

1）知識獲取的困難。要將專家并不明確的經驗知識加以提取、整理、轉換成各種知識表示，還要考慮知識之間的相容性，因此，知識的獲取相當困難。

2）存在“組合爆炸”問題。對于復雜的任務，知識庫將變的異常龐大，推理中對知識的搜索和運用分支將呈幾何級數的增加。3）精度不高，容錯能力差。由于知識獲取的困難和“組合爆炸”問題的存在，常導致知識的不完備，從而降低了系統(tǒng)的精度。同時，每一條知識的錯誤，都有可能導致整個推理的錯誤，因此系統(tǒng)容錯能力差。

2.1基于知識的人工智能系統(tǒng)2.2人工神經網絡

ArtificialNeuralNetworks一種從生理解剖角度，通過模仿人腦的生理結構來模擬人類智能的方法。理論依據：人的大腦由大量神經元細胞高度互連而成，每個神經元可以對從樹突輸入的信號進行融合和簡單的加工，然后由軸突輸出；神經元細胞之間通過樹突與軸突相互接觸而形成的突觸相連，神經元之間的連接方式和連接強度決定了大腦的功能，而神經元之間的連接方式和連接強度可以通過后天的學習而發(fā)生改變，神經元之間的連接方式和連接強度顯示了人類對知識的記憶過程。2.2人工神經網絡

ArtificialNeural2.2人工神經網絡人工神經網絡模型黑箱2.2人工神經網絡人工神經網絡模型黑箱2.2人工神經網絡模擬了人的感性思維過程，即模擬了人的識別、分類、逼近、記憶、聯想等智能活動。

關鍵問題1

：網絡結構確定網絡中神經元的個數和神經元之間的連接方式。根據神經元網絡中是否存在從輸出到輸入的反饋和同層神經元之間是否相互連接（也稱橫向連接）分為三類：1、既無反饋也無橫向連接的前向網絡。前向網絡可以識別存儲過的模式并能逼近任意函數，主要用于解決識別和逼近問題。

2、有反饋但無橫向連接的反饋網絡。反饋網絡能夠從局部信息中識別存儲模式并且反饋網絡能夠向能量最低的狀態(tài)演化，因此反饋網絡主要用于聯想記憶和優(yōu)化問題求解。

3、具有橫向連接的競爭網絡。競爭網絡通過同層神經元之間的競爭可以實現輸入模式的自動分類。

2.2人工神經網絡模擬了人的感性思維過程，即模擬了人的識2.2人工神經元網絡關鍵問題2：學習方法對于神經元網絡而言，所謂學習實際上就是根據典型實例樣本（也稱訓練樣本）確定各神經元權值ωi的過程。主要學習方法：在神經元網絡設計中，直接利用訓練樣本數據計算網絡權值；

在神經元網絡設計時先將網絡權值取為任意值，然后將訓練樣本輸入神經元網絡，通過不斷調整網絡權值，使神經元網絡的輸出接近于理想輸出。

該類學習方法又可以分為由神經元網絡自身完成輸出誤差確定和網絡權值調整的“無師學習”和由網絡外的其它裝置完成輸出誤差確定和網絡權值調整的“有師學習”。2.2人工神經元網絡關鍵問題2：2.2人工神經網絡優(yōu)點：具有自學習、自組織、自適應能力。存儲的分布性、運行的并行性。強的擬合能力?？梢詳M合任意的函數，特別是具有非凡的非線性影射能力。黑箱性。只需將系統(tǒng)的樣本數據輸入到神經元網絡，神經元網絡即可通過學習建立系統(tǒng)模型。缺點：缺乏透明性。用戶即無法理解神經元網絡中存儲的知識，也無法了解神經元網絡的推理過程。設計理論尚不完善。對于神經元網絡結構的設計仍然依靠設計者的經驗，尚無成熟的設計理論作為指導。學習方法仍然存在問題。主要表現在需要反復學習，學習效率低，訓練速度慢，學習不穩(wěn)定，有時無法取得預期效果；可塑性差，新的學習內容有時會對原有知識造成影響。2.2人工神經網絡優(yōu)點：3.基于知識的人工智能建模定義：基于知識的人工智能建模就是采用基于知識的人工智能方法對實際系統(tǒng)或系統(tǒng)的某一部分進行描述和表達的一種方法。

適用于無法進行精確描述，但積累了大量實踐經驗，可以利用經驗知識進行求解，且對精度要求不高的場合。

3.基于知識的人工智能建模定義：基于知識的人工智能建模就是采3.基于知識的人工智能建模步驟明確建模對象和目的。

選擇影響因素。收集資料。知識表達。對收集的知識和經驗，選擇適宜的知識表達方法。選擇推理方式。根據實際問題求解的需要，選擇合適的推理方式。

模型的建立。采用通用語言、數據庫或者是商品化的專家系統(tǒng)開發(fā)工具，對該模型加以實現。模型的驗證。通過不斷的實驗和改進，以保證模型的正確性。模型的應用。經過驗證達到要求的精度和可靠性后，該模型就可以運用于實際生產中，發(fā)揮模型的優(yōu)化、預測、控制、識別、證實等功能。3.基于知識的人工智能建模步驟明確建模對象和目的。3.基于知識的人工智能建模示例鋅電解過程電流效率模型問題描述鋅的電解是鋅的濕法冶煉技術中最關鍵的一道工序。也是一個大的耗能過程。如何在鋅電解生產中減少電能消耗成為鋅濕法冶煉行業(yè)一個值得深入研究和探討的課題。在生產率和電解電壓一定的條件下，要降低電能消耗，關鍵是提高電流效率。而要提高電流效率，首先必須建立鋅電解過程工藝參數與電流效率間的模型，然后通過優(yōu)化方法，不斷調整工藝參數，使系統(tǒng)運行在電流效率較高的狀態(tài)，從而達到減少電能消耗的目的。電解中工藝參數與電流效率之間的關系錯綜復雜，非線性明顯，無法從反應機理上分析求得它們之間的數學關系。另一方面，通過長期工業(yè)生產實踐經驗的積累，現場工藝人員建立了工藝參數與電流效率之間的定性關系和經驗公式，因此，很容易建立基于知識的人工智能模型。3.基于知識的人工智能建模示例鋅電解過程電流效率模型3.基于知識的人工智能建模示例1）建模對象與目的：建模對象為鋅電解過程中工藝參數與電流效率之間的關系。建模的目的是實現工藝參數的優(yōu)化，從而提高電流效率，降低能源消耗。2）選擇影響因素。根據操作人員經驗和實驗分析，影響電流效率的因素（工藝參數）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，在建立模型時不必考慮。

3）收集資料。通過翻閱該廠的操作手冊并和操作人員交流，可以得到工藝參數與電流效率之間的關系如表1所示：

3.基于知識的人工智能建模示例1）建模對象與目的：建模對象為3.基于知識的人工智能建模示例表1電流效率的計算公式

鋅酸比Ra/z電流密度DK電流效率η的經驗計算公式很小較小η=-0.817Ra/z+0.0623DK+72.8044較大中等η=2.9409Ra/z-0.0412DK+102.2767較小較大η=0.1232Ra/z+0.01DK+86.0895非常大大η=24.6149Ra/z-0.0052DK+0.6665非常小很小η=15.0624Ra/z+0.0867DK+32.7928很大小η=23.4508Ra/z-0.3252DK+43.1364較小很大η=-1.8327Ra/z-0.0215DK+111.5273大較小η=-21.8359Ra/z+0.4191DK+100.94823.基于知識的人工智能建模示例表1電流效率的計算公式鋅酸3.基于知識的人工智能建模示例對于其中鋅酸比Ra/z和電流密度DK的模糊語言變量都可以采用如下隸屬函數形式:這些模糊語言變量隸屬函數的參數見表2

3.基于知識的人工智能建模示例對于其中鋅酸比Ra/z和電流密3.基于知識的人工智能建模示例表2模糊語言變量隸屬函數的參數輸入變量鋅酸比Ra/z語言變量非常小很小小較小較大大很大非常大隸屬函數中心C3.153.173.193.213.753.773.783.82寬度σ0.080.080.120.230.180.250.210.05輸入變量電流密度DK語言變量很小小較小中等較大大很大隸屬函數中心C100150250300500600750寬度σ103.41103.41103.41103.41103.41103.41103.413.基于知識的人工智能建模示例表2模糊語言變量隸屬函數的參3.基于知識的人工智能建模示例4）選擇知識表達方式。由于上述知識實質上是基于因果關系的推理，可以采用產生式規(guī)則表示。例如第一條知識用產生式規(guī)則表示為：

IF鋅酸比很小AND電流密度較小THEN

電流效率η=-0.817Ra/z+0.0623DK+72.80445）選擇推理方式。由于在工藝參數的實時優(yōu)化過程中，一般是得到一對具體的工藝參數，來預測電流效率，因此，可以采用正向推理方法。具體的推理過程是：首先根據實測的一對工藝參數（鋅酸比Ra/z和電流密度DK）分別帶入隸屬函數表達式，計算模糊語言變量的隸屬度。取隸屬度最大的一個作為該工藝參數所對應的模糊語言，從而將具體的工藝參數轉變成為與產生式規(guī)則前提相一致的模糊語言。然后利用模糊語言去逐個匹配產生式規(guī)則的前提部分。當前提部分完全匹配時，利用該規(guī)則的結論部分的經驗公式，即可得到該工藝參數對應的電流效率。例如，設當前測得的鋅酸比Ra/z和電流密度DK分別為3.162，252。帶入隸屬度函數后，計算得到各語言變量對應的隸屬度如表3所示。

3.基于知識的人工智能建模示例4）選擇知識表達方式。由于上述3.基于知識的人工智能建模示例表3當鋅酸比Ra/z和電流密度DK分別為3.162、252時各語言變量的隸屬度

輸入變量鋅酸比Ra/z=3.162語言變量非常小很小小較小較大大很大非常大隸屬度0.99910.99960.9970.9950.3830.4770.4030.013輸入變量電流密度DK=252語言變量很小小較小中等較大大很大隸屬度0≈00.981≈0000通過表3的計算，可將鋅酸比Ra/z=3.162，電流密度DK=252這樣的具體工藝參數轉換為鋅酸比很小，電流密度較小這樣的模糊語言，從而與4）中作為例子的規(guī)則相匹配，對應的電流效率可由該規(guī)則的結論部分的經驗公式算得，即電流效率η=-0.817Ra/z+0.0623DK+72.8044=85.92。6）模型的建立。該模型比較簡單，可采用通用程序語言的方式加以實現。7）模型的驗證與應用。將模型得到的結果與實測的電流效率進行比較，驗證模型的正確性和可靠性。經過驗證的模型即可用于工藝參數的優(yōu)化。3.基于知識的人工智能建模示例表3當鋅酸比Ra/z和電流4.人工神經網絡建模定義：人工神經元網絡建模就是采用人工神經元網絡對實際系統(tǒng)或系統(tǒng)的某一部分進行描述和表達的一種方法。

適用于無法根據系統(tǒng)機理建立模型，但積累了大量實踐或實驗數據，且系統(tǒng)輸入輸出之間呈現明顯非線性特性的場合。

4.人工神經網絡建模定義：人工神經元網絡建模就是采用人工4.人工神經網絡建模步驟確定建模的對象和目的。

選擇影響因素。收集樣本數據。設計神經元網絡。根據問題需要和實際問題的特點，確定網絡類型、網絡層數、每層的節(jié)點數等。同時利用軟件或硬件對神經元網絡加以實現。神經元網絡的訓練。根據神經元網絡類型，選擇合適的學習方法。利用該學習方法，將上述樣本數據輸入神經元網絡，對神經元網絡進行訓練。模型的驗證。輸入非訓練樣本數據，檢驗神經元網絡輸出是否在允許的范圍內。如果神經元網絡輸出在允許的范圍內，則接受該模型，否則分析原因，重新進行樣本數據收集、神經元網絡的設計和訓練。檢驗用的數據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，一部分用于網絡訓練，一部分用于網絡的檢驗。模型的應用。經過驗證達到要求的精度和可靠性后，該模型就可以運用于實際生產中。具體運用時，保持網絡權值不變，將現場各影響因素的數值直接輸入神經元網絡，神經元網絡的輸出即為模型的輸出。

4.人工神經網絡建模步驟確定建模的對象和目的。4.人工神經網絡建模示例油井鉆探中鉆壓優(yōu)化模型

問題描述自動送鉆技術是油井鉆探自動化中的一門關鍵技術。目前的自動送鉆技術以恒鉆壓送鉆為主。由于鉆壓與井下狀況、鉆井效率、鉆頭壽命等密切相關，不合理的鉆壓會導致效率低下，成本上升甚至于鉆井事故的發(fā)生。因此，如何根據實際鉆井情況，不斷調節(jié)鉆壓，就成為問題的關鍵，這就是鉆壓優(yōu)化自動送鉆技術的由來。要實現鉆壓優(yōu)化自動送鉆，首先必須建立鉆壓優(yōu)化模型。實際生產中已積累了大量的關于最優(yōu)鉆壓和鉆壓影響因素之間關系的實測數據，并且最優(yōu)鉆壓和鉆壓影響因素之間呈現明顯的非線性關系，因此，鉆壓優(yōu)化模型適合于用神經元網絡來建立。4.人工神經網絡建模示例油井鉆探中鉆壓優(yōu)化模型4.人工神經網絡建模示例建模對象與目的。建模對象為最優(yōu)鉆壓與影響因素之間的定量關系。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。根據實際鉆井中獲得的經驗，鉆壓的選擇一般與下列因素有關：鉆頭直徑、下鉆井深、起鉆井深、泵的轉速、泵壓、泵的排量、鉆速。收集樣本數據。表4為在實際生產中收集到的樣本數據。

4.人工神經網絡建模示例建模對象與目的。建模對象為最優(yōu)鉆4.人工神經網絡建模示例表4樣本數據集

編號鉆頭直徑(mm)下鉆井深(m)起鉆井深(m)鉆壓(kN)轉速(r/min)泵壓(MPa)排量(l/min)鉆速（m/min）1234567891011121314311311311216216216216216216216216216216216100.002142.282736.363110.953552.083837.744098.274299.234452.144572.534682.754775.984854.614928.302142.282736.363110.953552.083837.744098.274299.234452.144572.534682.754775.984854.644928.305000.00273.49267.94267.94156.64146.64146.64147.44147.44147.44147.44147.44149.04149.04149.04756060707575656565656560606025.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3661.2554.6653.0026.4024.7825.3926.1927.1627.9526.5425.1023.6423.0423.044.344.224.183.583.433.413.373.353.283.203.113.113.083.004.人工神經網絡建模示例表4樣本數據集編號鉆頭下鉆起4.人工神經網絡建模示例設計神經網絡。該模型為一非線性擬合問題，可以采用多層前向網絡。其中輸入節(jié)點數取因素數7，輸出層由于只有鉆壓一個參數，因此取1，根據經驗公式，隱藏層節(jié)點數取輸入層的2～3倍，這里取14。構造的神經元網絡如圖2所示。對該神經網絡可以直接采用高級語言進行模擬。

4.人工神經網絡建模示例設計神經網絡。該模型為一非線性擬4.人工神經網絡建模選擇神經元網絡學習方法并對神經元網絡進行訓練。這里選擇多層神經元網絡的經典學習方法——BP算法。其基本思想是，將樣本數據輸入輸入端，逐層計算網絡輸出，將網絡輸出