人工智能建模方法 經(jīng)典課件

主要內(nèi)容1.人工智能建模相關(guān)概念2.人工智能的兩個流派2.1基于知識的人工智能系統(tǒng)2.2人工神經(jīng)網(wǎng)絡(luò)3.基于知識的人工智能建模4.人工神經(jīng)網(wǎng)絡(luò)建模5.人工智能建模發(fā)展趨勢6.小結(jié)精1主要內(nèi)容1.人工智能建模相關(guān)概念精11.相關(guān)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(xiàn)技術(shù)的一門學(xué)科。

人工智能建模：通過模擬人認(rèn)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(dá)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(dá)的過程。

精21.相關(guān)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(lǐng)域?qū)＜遥┲悄艿姆椒?，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(rèn)識和解決某一領(lǐng)域內(nèi)的實際問題，關(guān)鍵在于專家具備該領(lǐng)域內(nèi)的各種知識（常識、書本知識和實際工作中積累的經(jīng)驗），并且能夠運用這些知識進行適當(dāng)?shù)耐评?。?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(rèn)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(chǔ)上。關(guān)鍵問題1：知識的表示如何把專家知識轉(zhuǎn)化為機器所能識別、存儲和使用的形式。精42.1基于知識的人工智能系統(tǒng)對人類理性認(rèn)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(dá)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(chǎn)生式規(guī)則適用場合——適于表達(dá)具有因果關(guān)系的邏輯推理知識。舉例——“如果是合金鋼，應(yīng)該進行熱處理”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；框架表示適用場合——表達(dá)多方面多層次結(jié)構(gòu)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}。精52.1基于知識的人工智能系統(tǒng)常用知識表示方法精52.1基于知識的人工智能系統(tǒng)關(guān)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(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：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(yù)測結(jié)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(dá)時詞語所對應(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。精62.1基于知識的人工智能系統(tǒng)關(guān)鍵問題2：精62.1基于知識的人工智能系統(tǒng)優(yōu)點：1）表達(dá)能力強?？梢员磉_(dá)難以用數(shù)學(xué)公式來描述的復(fù)雜、定性的經(jīng)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(yīng)新的需求。

3）透明性。無論知識的表達(dá)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(rèn)識。缺點：

1）知識獲取的困難。要將專家并不明確的經(jīng)驗知識加以提取、整理、轉(zhuǎn)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(dāng)困難。

2）存在“組合爆炸”問題。對于復(fù)雜的任務(wù)，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(shù)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(dǎo)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(dǎo)致整個推理的錯誤，因此系統(tǒng)容錯能力差。

精72.1基于知識的人工智能系統(tǒng)精72.2人工神經(jīng)網(wǎng)絡(luò)

ArtificialNeuralNetworks一種從生理解剖角度，通過模仿人腦的生理結(jié)構(gòu)來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，每個神經(jīng)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(jīng)元細(xì)胞之間通過樹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度可以通過后天的學(xué)習(xí)而發(fā)生改變，神經(jīng)元之間的連接方式和連接強度顯示了人類對知識的記憶過程。精82.2人工神經(jīng)網(wǎng)絡(luò)

ArtificialNeural2.2人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)模型黑箱精92.2人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)模型黑箱精92.2人工神經(jīng)網(wǎng)絡(luò)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(lián)想等智能活動。

關(guān)鍵問題1

：網(wǎng)絡(luò)結(jié)構(gòu)確定網(wǎng)絡(luò)中神經(jīng)元的個數(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、既無反饋也無橫向連接的前向網(wǎng)絡(luò)。前向網(wǎng)絡(luò)可以識別存儲過的模式并能逼近任意函數(shù)，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(wǎng)絡(luò)。反饋網(wǎng)絡(luò)能夠從局部信息中識別存儲模式并且反饋網(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)化問題求解。

3、具有橫向連接的競爭網(wǎng)絡(luò)。競爭網(wǎng)絡(luò)通過同層神經(jīng)元之間的競爭可以實現(xiàn)輸入模式的自動分類。

精102.2人工神經(jīng)網(wǎng)絡(luò)模擬了人的感性思維過程，即模擬了人的識2.2人工神經(jīng)元網(wǎng)絡(luò)關(guān)鍵問題2：學(xué)習(xí)方法對于神經(jīng)元網(wǎng)絡(luò)而言，所謂學(xué)習(xí)實際上就是根據(jù)典型實例樣本（也稱訓(xùn)練樣本）確定各神經(jīng)元權(quán)值ωi的過程。主要學(xué)習(xí)方法：在神經(jīng)元網(wǎng)絡(luò)設(shè)計中，直接利用訓(xùn)練樣本數(shù)據(jù)計算網(wǎng)絡(luò)權(quán)值；

在神經(jīng)元網(wǎng)絡(luò)設(shè)計時先將網(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)”。精112.2人工神經(jīng)元網(wǎng)絡(luò)關(guān)鍵問題2：精112.2人工神經(jīng)網(wǎng)絡(luò)優(yōu)點：具有自學(xué)習(xí)、自組織、自適應(yīng)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(shù)，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(shù)據(jù)輸入到神經(jīng)元網(wǎng)絡(luò)，神經(jīng)元網(wǎng)絡(luò)即可通過學(xué)習(xí)建立系統(tǒng)模型。缺點：缺乏透明性。用戶即無法理解神經(jīng)元網(wǎng)絡(luò)中存儲的知識，也無法了解神經(jīng)元網(wǎng)絡(luò)的推理過程。設(shè)計理論尚不完善。對于神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計仍然依靠設(shè)計者的經(jīng)驗，尚無成熟的設(shè)計理論作為指導(dǎo)。學(xué)習(xí)方法仍然存在問題。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，有時無法取得預(yù)期效果；可塑性差，新的學(xué)習(xí)內(nèi)容有時會對原有知識造成影響。精122.2人工神經(jīng)網(wǎng)絡(luò)優(yōu)點：精123.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(dá)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(jīng)驗，可以利用經(jīng)驗知識進行求解，且對精度要求不高的場合。

精133.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(dá)。對收集的知識和經(jīng)驗，選擇適宜的知識表達(dá)方法。選擇推理方式。根據(jù)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(shù)據(jù)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(xiàn)。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(yīng)用。經(jīng)過驗證達(dá)到要求的精度和可靠性后，該模型就可以運用于實際生產(chǎn)中，發(fā)揮模型的優(yōu)化、預(yù)測、控制、識別、證實等功能。精143.基于知識的人工智能建模步驟明確建模對象和目的。精143.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(shù)中最關(guān)鍵的一道工序。也是一個大的耗能過程。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程工藝參數(shù)與電流效率間的模型，然后通過優(yōu)化方法，不斷調(diào)整工藝參數(shù)，使系統(tǒng)運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)系錯綜復(fù)雜，非線性明顯，無法從反應(yīng)機理上分析求得它們之間的數(shù)學(xué)關(guān)系。另一方面，通過長期工業(yè)生產(chǎn)實踐經(jīng)驗的積累，現(xiàn)場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)驗公式，因此，很容易建立基于知識的人工智能模型。精153.基于知識的人工智能建模示例鋅電解過程電流效率模型精153.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(shù)與電流效率之間的關(guān)系。建模的目的是實現(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)驗和實驗分析，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(shù)與電流效率之間的關(guān)系如表1所示：

精163.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

精173.基于知識的人工智能建模示例表1電流效率的計算公式精13.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(shù)形式:這些模糊語言變量隸屬函數(shù)的參數(shù)見表2

精183.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(shù)的參數(shù)精193.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(shù)的參3.基于知識的人工智能建模示例4）選擇知識表達(dá)方式。由于上述知識實質(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η=-0.817Ra/z+0.0623DK+72.80445）選擇推理方式。由于在工藝參數(shù)的實時優(yōu)化過程中，一般是得到一對具體的工藝參數(shù)，來預(yù)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(jù)實測的一對工藝參數(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(shù)所對應(yīng)的模糊語言，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言。然后利用模糊語言去逐個匹配產(chǎn)生式規(guī)則的前提部分。當(dāng)前提部分完全匹配時，利用該規(guī)則的結(jié)論部分的經(jīng)驗公式，即可得到該工藝參數(shù)對應(yīng)的電流效率。例如，設(shè)當(dāng)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(shù)后，計算得到各語言變量對應(yīng)的隸屬度如表3所示。

精203.基于知識的人工智能建模示例4）選擇知識表達(dá)方式。由于上述3.基于知識的人工智能建模示例表3當(dāng)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

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(shù)轉(zhuǎn)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(yīng)的電流效率可由該規(guī)則的結(jié)論部分的經(jīng)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(xiàn)。7）模型的驗證與應(yīng)用。將模型得到的結(jié)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(jīng)過驗證的模型即可用于工藝參數(shù)的優(yōu)化。精213.基于知識的人工智能建模示例表3當(dāng)鋅酸比Ra/z和電流4.人工神經(jīng)網(wǎng)絡(luò)建模定義：人工神經(jīng)元網(wǎng)絡(luò)建模就是采用人工神經(jīng)元網(wǎng)絡(luò)對實際系統(tǒng)或系統(tǒng)的某一部分進行描述和表達(dá)的一種方法。

適用于無法根據(jù)系統(tǒng)機理建立模型，但積累了大量實踐或?qū)嶒灁?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合。

精224.人工神經(jīng)網(wǎng)絡(luò)建模定義：人工神經(jīng)元網(wǎng)絡(luò)建模就是采用人工4.人工神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)。設(shè)計神經(jīng)元網(wǎng)絡(luò)。根據(jù)問題需要和實際問題的特點，確定網(wǎng)絡(luò)類型、網(wǎng)絡(luò)層數(shù)、每層的節(jié)點數(shù)等。同時利用軟件或硬件對神經(jīng)元網(wǎng)絡(luò)加以實現(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)，對神經(jīng)元網(wǎng)絡(luò)進行訓(xùn)練。模型的驗證。輸入非訓(xùn)練樣本數(shù)據(jù)，檢驗神經(jīng)元網(wǎng)絡(luò)輸出是否在允許的范圍內(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，重新進行樣本數(shù)據(jù)收集、神經(jīng)元網(wǎng)絡(luò)的設(shè)計和訓(xùn)練。檢驗用的數(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。模型的應(yīng)用。經(jīng)過驗證達(dá)到要求的精度和可靠性后，該模型就可以運用于實際生產(chǎn)中。具體運用時，保持網(wǎng)絡(luò)權(quán)值不變，將現(xiàn)場各影響因素的數(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。

精234.人工神經(jīng)網(wǎng)絡(luò)建模步驟確定建模的對象和目的。精234.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

問題描述自動送鉆技術(shù)是油井鉆探自動化中的一門關(guān)鍵技術(shù)。目前的自動送鉆技術(shù)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(guān)，不合理的鉆壓會導(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)實際鉆井情況，不斷調(diào)節(jié)鉆壓，就成為問題的關(guān)鍵，這就是鉆壓優(yōu)化自動送鉆技術(shù)的由來。要實現(xiàn)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(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)系的實測數(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)來建立。精244.人工神經(jīng)網(wǎng)絡(luò)建模示例油井鉆探中鉆壓優(yōu)化模型精244.人工神經(jīng)網(wǎng)絡(luò)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(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)實際鉆井中獲得的經(jīng)驗，鉆壓的選擇一般與下列因素有關(guān)：鉆頭直徑、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為在實際生產(chǎn)中收集到的樣本數(shù)據(jù)。

精254.人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)建模示例表4樣本數(shù)據(jù)集

精264.人工神經(jīng)網(wǎng)絡(luò)建模示例表4樣本數(shù)據(jù)集精264.人工神經(jīng)網(wǎng)絡(luò)建模示例設(shè)計神經(jīng)網(wǎng)絡(luò)。該模型為一非線性擬合問題，可以采用多層前向網(wǎng)絡(luò)。其中輸入節(jié)點數(shù)取因素數(shù)7，輸出層由于只有鉆壓一個參數(shù)，因此取1，根據(jù)經(jīng)驗公式，隱藏層節(jié)點數(shù)取輸入層的2～3倍，這里取14。構(gòu)造的神經(jīng)元網(wǎng)絡(luò)如圖2所示。對該神經(jīng)網(wǎng)絡(luò)可以直接采用高級語言進行模擬。

精274.人工神經(jīng)網(wǎng)絡(luò)建模示例設(shè)計神經(jīng)網(wǎng)絡(luò)。該模型為一非線性擬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)方法并對神經(jīng)元網(wǎng)絡(luò)進行訓(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，進入下一樣本的訓(xùn)練。否則反向計算各層誤差，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，整個訓(xùn)練過程結(jié)束。為了方便模型的檢驗，可以從上述十四個樣本中抽取十個作為訓(xùn)練樣本，剩下四個作為檢驗樣本。模型檢驗。將上述四個檢驗樣本輸入神經(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，需要重新收集樣本、重新進行網(wǎng)絡(luò)設(shè)計并重新進行訓(xùn)練，直到獲得滿意結(jié)果為止。

模型使用。經(jīng)過檢驗的模型即可用于鉆壓的優(yōu)化控制。具體步驟如下：將各個實測的影響因素送入神經(jīng)元網(wǎng)絡(luò)，由神經(jīng)元網(wǎng)絡(luò)計算優(yōu)化鉆壓，并由控制系統(tǒng)調(diào)節(jié)鉆壓，使鉆壓為當(dāng)前的優(yōu)化鉆壓。

精284.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)方法并對神經(jīng)元網(wǎng)絡(luò)人工智能建模發(fā)展趨勢人工智能混合建模是指同時使用兩種或兩種以上的建模方法完成實際系統(tǒng)的建模過程，其中，這些建模方法中至少有一種為人工智能建模方法。目前常見的混合建模方法主要包括傳統(tǒng)數(shù)學(xué)模型（機理模型或系統(tǒng)辯識模型）與神經(jīng)網(wǎng)絡(luò)建模或基于知識建模的混合神經(jīng)網(wǎng)絡(luò)建模與基于知識建模的混合傳統(tǒng)數(shù)學(xué)建模、神經(jīng)網(wǎng)絡(luò)建模、基于知識建模的混合模糊邏輯、模擬退火、遺傳算法、人工免疫算法等在神經(jīng)網(wǎng)絡(luò)建模、基于知識建模中的應(yīng)用。

精29人工智能建模發(fā)展趨勢人工智能混合建模是指同時使用兩種或兩種以人工智能建模發(fā)展趨勢目前常見的混合建模方法松耦合方法將要建模的系統(tǒng)根據(jù)其特點劃分為多個子系統(tǒng)，每個子系統(tǒng)采用不同方式建立模型，然后將各子系統(tǒng)連接在一起形成原系統(tǒng)的模型。根據(jù)各子系統(tǒng)連接方式的不同，松耦合又可以分為并聯(lián)集成、串聯(lián)集成、嵌套集成。緊耦合方法以一種建模方式為主，其它建模方式完成主建模方式中的結(jié)構(gòu)確定、參數(shù)確定、學(xué)習(xí)等輔助功能。例如：用機理模型確定神經(jīng)元網(wǎng)絡(luò)的某些固定參數(shù)；用基于知識的系統(tǒng)確定機理模型中的某些經(jīng)驗參數(shù)。用神經(jīng)元網(wǎng)絡(luò)實現(xiàn)基于知識人工智能系統(tǒng)中知識獲取等。值得注意的是由于從理論上講，人工神經(jīng)元網(wǎng)絡(luò)即可以表達(dá)機理知識、又可以表達(dá)經(jīng)驗知識，近幾年來出現(xiàn)了利用神經(jīng)元網(wǎng)絡(luò)進行混合建模的研究熱潮。精30人工智能建模發(fā)展趨勢目前常見的混合建模方法精30主要內(nèi)容1.人工智能建模相關(guān)概念2.人工智能的兩個流派2.1基于知識的人工智能系統(tǒng)2.2人工神經(jīng)網(wǎng)絡(luò)3.基于知識的人工智能建模4.人工神經(jīng)網(wǎng)絡(luò)建模5.人工智能建模發(fā)展趨勢6.小結(jié)精31主要內(nèi)容1.人工智能建模相關(guān)概念精11.相關(guān)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(xiàn)技術(shù)的一門學(xué)科。

人工智能建模：通過模擬人認(rèn)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(dá)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(dá)的過程。

精321.相關(guān)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(lǐng)域?qū)＜遥┲悄艿姆椒?，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(rèn)識和解決某一領(lǐng)域內(nèi)的實際問題，關(guān)鍵在于專家具備該領(lǐng)域內(nèi)的各種知識（常識、書本知識和實際工作中積累的經(jīng)驗），并且能夠運用這些知識進行適當(dāng)?shù)耐评怼＞?32.1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(rèn)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(chǔ)上。關(guān)鍵問題1：知識的表示如何把專家知識轉(zhuǎn)化為機器所能識別、存儲和使用的形式。精342.1基于知識的人工智能系統(tǒng)對人類理性認(rèn)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(dá)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(chǎn)生式規(guī)則適用場合——適于表達(dá)具有因果關(guān)系的邏輯推理知識。舉例——“如果是合金鋼，應(yīng)該進行熱處理”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；框架表示適用場合——表達(dá)多方面多層次結(jié)構(gòu)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}。精352.1基于知識的人工智能系統(tǒng)常用知識表示方法精52.1基于知識的人工智能系統(tǒng)關(guān)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(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：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(yù)測結(jié)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(dá)時詞語所對應(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。精362.1基于知識的人工智能系統(tǒng)關(guān)鍵問題2：精62.1基于知識的人工智能系統(tǒng)優(yōu)點：1）表達(dá)能力強?？梢员磉_(dá)難以用數(shù)學(xué)公式來描述的復(fù)雜、定性的經(jīng)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(yīng)新的需求。

3）透明性。無論知識的表達(dá)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(rèn)識。缺點：

1）知識獲取的困難。要將專家并不明確的經(jīng)驗知識加以提取、整理、轉(zhuǎn)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(dāng)困難。

2）存在“組合爆炸”問題。對于復(fù)雜的任務(wù)，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(shù)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(dǎo)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(dǎo)致整個推理的錯誤，因此系統(tǒng)容錯能力差。

精372.1基于知識的人工智能系統(tǒng)精72.2人工神經(jīng)網(wǎng)絡(luò)

ArtificialNeuralNetworks一種從生理解剖角度，通過模仿人腦的生理結(jié)構(gòu)來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，每個神經(jīng)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(jīng)元細(xì)胞之間通過樹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度可以通過后天的學(xué)習(xí)而發(fā)生改變，神經(jīng)元之間的連接方式和連接強度顯示了人類對知識的記憶過程。精382.2人工神經(jīng)網(wǎng)絡(luò)

ArtificialNeural2.2人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)模型黑箱精392.2人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)模型黑箱精92.2人工神經(jīng)網(wǎng)絡(luò)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(lián)想等智能活動。

關(guān)鍵問題1

：網(wǎng)絡(luò)結(jié)構(gòu)確定網(wǎng)絡(luò)中神經(jīng)元的個數(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、既無反饋也無橫向連接的前向網(wǎng)絡(luò)。前向網(wǎng)絡(luò)可以識別存儲過的模式并能逼近任意函數(shù)，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(wǎng)絡(luò)。反饋網(wǎng)絡(luò)能夠從局部信息中識別存儲模式并且反饋網(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)化問題求解。

3、具有橫向連接的競爭網(wǎng)絡(luò)。競爭網(wǎng)絡(luò)通過同層神經(jīng)元之間的競爭可以實現(xiàn)輸入模式的自動分類。

精402.2人工神經(jīng)網(wǎng)絡(luò)模擬了人的感性思維過程，即模擬了人的識2.2人工神經(jīng)元網(wǎng)絡(luò)關(guān)鍵問題2：學(xué)習(xí)方法對于神經(jīng)元網(wǎng)絡(luò)而言，所謂學(xué)習(xí)實際上就是根據(jù)典型實例樣本（也稱訓(xùn)練樣本）確定各神經(jīng)元權(quán)值ωi的過程。主要學(xué)習(xí)方法：在神經(jīng)元網(wǎng)絡(luò)設(shè)計中，直接利用訓(xùn)練樣本數(shù)據(jù)計算網(wǎng)絡(luò)權(quán)值；

在神經(jīng)元網(wǎng)絡(luò)設(shè)計時先將網(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)”。精412.2人工神經(jīng)元網(wǎng)絡(luò)關(guān)鍵問題2：精112.2人工神經(jīng)網(wǎng)絡(luò)優(yōu)點：具有自學(xué)習(xí)、自組織、自適應(yīng)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(shù)，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(shù)據(jù)輸入到神經(jīng)元網(wǎng)絡(luò)，神經(jīng)元網(wǎng)絡(luò)即可通過學(xué)習(xí)建立系統(tǒng)模型。缺點：缺乏透明性。用戶即無法理解神經(jīng)元網(wǎng)絡(luò)中存儲的知識，也無法了解神經(jīng)元網(wǎng)絡(luò)的推理過程。設(shè)計理論尚不完善。對于神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計仍然依靠設(shè)計者的經(jīng)驗，尚無成熟的設(shè)計理論作為指導(dǎo)。學(xué)習(xí)方法仍然存在問題。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，有時無法取得預(yù)期效果；可塑性差，新的學(xué)習(xí)內(nèi)容有時會對原有知識造成影響。精422.2人工神經(jīng)網(wǎng)絡(luò)優(yōu)點：精123.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(dá)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(jīng)驗，可以利用經(jīng)驗知識進行求解，且對精度要求不高的場合。

精433.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(dá)。對收集的知識和經(jīng)驗，選擇適宜的知識表達(dá)方法。選擇推理方式。根據(jù)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(shù)據(jù)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(xiàn)。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(yīng)用。經(jīng)過驗證達(dá)到要求的精度和可靠性后，該模型就可以運用于實際生產(chǎn)中，發(fā)揮模型的優(yōu)化、預(yù)測、控制、識別、證實等功能。精443.基于知識的人工智能建模步驟明確建模對象和目的。精143.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(shù)中最關(guān)鍵的一道工序。也是一個大的耗能過程。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程工藝參數(shù)與電流效率間的模型，然后通過優(yōu)化方法，不斷調(diào)整工藝參數(shù)，使系統(tǒng)運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)系錯綜復(fù)雜，非線性明顯，無法從反應(yīng)機理上分析求得它們之間的數(shù)學(xué)關(guān)系。另一方面，通過長期工業(yè)生產(chǎn)實踐經(jīng)驗的積累，現(xiàn)場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)驗公式，因此，很容易建立基于知識的人工智能模型。精453.基于知識的人工智能建模示例鋅電解過程電流效率模型精153.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(shù)與電流效率之間的關(guān)系。建模的目的是實現(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)驗和實驗分析，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(shù)與電流效率之間的關(guān)系如表1所示：

精463.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

精473.基于知識的人工智能建模示例表1電流效率的計算公式精13.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(shù)形式:這些模糊語言變量隸屬函數(shù)的參數(shù)見表2

精483.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(shù)的參數(shù)精493.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(shù)的參3.基于知識的人工智能建模示例4）選擇知識表達(dá)方式。由于上述知識實質(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η=-0.817Ra/z+0.0623DK+72.80445）選擇推理方式。由于在工藝參數(shù)的實時優(yōu)化過程中，一般是得到一對具體的工藝參數(shù)，來預(yù)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(jù)實測的一對工藝參數(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(shù)所對應(yīng)的模糊語言，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言。然后利用模糊語言去逐個匹配產(chǎn)生式規(guī)則的前提部分。當(dāng)前提部分完全匹配時，利用該規(guī)則的結(jié)論部分的經(jīng)驗公式，即可得到該工藝參數(shù)對應(yīng)的電流效率。例如，設(shè)當(dāng)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(shù)后，計算得到各語言變量對應(yīng)的隸屬度如表3所示。

精503.基于知識的人工智能建模示例4）選擇知識表達(dá)方式。由于上述3.基于知識的人工智能建模示例表3當(dāng)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

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(shù)轉(zhuǎn)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(yīng)的電流效率可由該規(guī)則的結(jié)論部分的經(jīng)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(xiàn)。7）模型的驗證與應(yīng)用。將模型得到的結(jié)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(jīng)過驗證的模型即可用于工藝參數(shù)的優(yōu)化。精513.基于知識的人工智能建模示例表3當(dāng)鋅酸比Ra/z和電流4.人工神經(jīng)網(wǎng)絡(luò)建模定義：人工神經(jīng)元網(wǎng)絡(luò)建模就是采用人工神經(jīng)元網(wǎng)絡(luò)對實際系統(tǒng)或系統(tǒng)的某一部分進行描述和表達(dá)的一種方法。

適用于無法根據(jù)系統(tǒng)機理建立模型，但積累了大量實踐或?qū)嶒灁?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合。

精524.人工神經(jīng)網(wǎng)絡(luò)建模定義：人工神經(jīng)元網(wǎng)絡(luò)建模就是采用人工4.人工神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)。設(shè)計神經(jīng)元網(wǎng)絡(luò)。根據(jù)問題需要和實際問題的特點，確定網(wǎng)絡(luò)類型、網(wǎng)絡(luò)層數(shù)、每層的節(jié)點數(shù)等。同時利用軟件或硬件對神經(jīng)元網(wǎng)絡(luò)加以實現(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)，對神經(jīng)元網(wǎng)絡(luò)進行訓(xùn)練。模型的驗證。輸入非訓(xùn)練樣本數(shù)據(jù)，檢驗神經(jīng)元網(wǎng)絡(luò)輸出是否在允許的范圍內(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，重新進行樣本數(shù)據(jù)收集、神經(jīng)元網(wǎng)絡(luò)的設(shè)計和訓(xùn)練。檢驗用的數(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。模型的應(yīng)用。經(jīng)過驗證達(dá)到要求的精度和可靠性后，該模型就可以運用于實際生產(chǎn)中。具體運用時，保持網(wǎng)絡(luò)權(quán)值不變，將現(xiàn)場各影響因素的數(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。

精534.人工神經(jīng)網(wǎng)絡(luò)建模步驟確定建模的對象和目的。精234.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

問題描述自動送鉆技術(shù)是油井鉆探自動化中的一門關(guān)鍵技術(shù)。目前的自動送鉆技術(shù)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(guān)，不合理的鉆壓會導(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)實際鉆井情況，不斷調(diào)節(jié)鉆壓，就成為問題的關(guān)鍵，這就是鉆壓優(yōu)化自動送鉆技術(shù)的由來。要實現(xiàn)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(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)系的實測數(shù)據(jù)，并且最優(yōu)鉆壓和鉆