人工智能建模方法ppt课件.ppt
主要内容,1. 人工智能建模相关概念 2. 人工智能的两个流派2.1 基于知识的人工智能系统2.2 人工神经网络3. 基于知识的人工智能建模4. 人工神经网络建模5. 人工智能建模发展趋势6. 小结,1. 相关概念,人工智能：通过人造物来模拟人的智能的一种方法及其实现技术的一门学科。 人工智能建模：通过模拟人认识客观事物和解决实际问题的方法对实际系统或系统的某一部分进行描述和表达的过程。也可以简述为利用人工智能方法对实际系统或系统的某一部分进行描述和表达的过程。,2.1 基于知识的人工智能系统Artificial Intelligent System Based on Knowledge,一种从功能角度来模拟人类（特别是各领域专家）智能的方法，也称为专家系统、符号主义或逻辑主义。专家之所以具有智能，能认识和解决某一领域内的实际问题，关键在于专家具备该领域内的各种知识（常识、书本知识和实际工作中积累的经验），并且能够运用这些知识进行适当的推理。,2.1 基于知识的人工智能系统,对人类理性认识过程（或逻辑思维过程）的一种模拟，建立在概念、判断和推理这些抽象语言符号的基础上。关键问题1 ：知识的表示 如何把专家知识转化为机器所能识别、存储和使用的形式 。,2.1 基于知识的人工智能系统,常用知识表示方法谓词逻辑适用场合用于表达概念和判断等事实知识 。举例“鲸是哺乳动物”这一判断用谓词逻辑表示为：哺乳动物（鲸）； 产生式规则适用场合适于表达具有因果关系的逻辑推理知识 。举例“如果是合金钢，应该进行热处理”这一推理用产生式规则可以表示为：IF 合金钢 THEN 热处理； 框架表示 适用场合表达多方面多层次结构知识 举例桌子可以用框架表示为：桌面，桌腿1、桌腿2、桌腿3、桌腿4、桌面与桌腿的连接。过程表示 适用场合用于表示某一操作序列。 举例做馒头用过程表示表示为：和面、定型、蒸、起锅。,2.1 基于知识的人工智能系统,关键问题 2：推理方法研究机器如何模拟人类进行知识选择并运用这些知识分析和解决实际问题。 常用推理方法：由已知条件推出结论的正向推理 由结论出发，寻找应具备条件的反向推理 综合使用正向推理和反向推理的双向推理方法。 研究热点 ：知识表示和推理中的不确定性和模糊性问题。 不确定性是由于各种随机因素的影响而造成的对预测结果的不肯定程度，一般由概率来描述这种不肯定程度的大小。如，明天降水概率80%。 模糊性是由于语言表达时词语所对应的概念内涵和外延的不确定性决定的。如： “温度高”的表述。,2.1 基于知识的人工智能系统,优点：1）表达能力强。可以表达难以用数学公式来描述的复杂、定性的经验知识。 2）灵活性。知识的存放和推理过程相互独立的，通过知识的修改和扩充，系统可以适应新的需求。 3）透明性。无论知识的表达还是推理过程都具有明确的含义，使得用户对系统机理可以具有明确的认识。缺点： 1）知识获取的困难。要将专家并不明确的经验知识加以提取、整理、转换成各种知识表示，还要考虑知识之间的相容性，因此，知识的获取相当困难。 2）存在“组合爆炸”问题。对于复杂的任务，知识库将变的异常庞大，推理中对知识的搜索和运用分支将呈几何级数的增加。3）精度不高，容错能力差。由于知识获取的困难和“组合爆炸”问题的存在，常导致知识的不完备，从而降低了系统的精度。同时，每一条知识的错误，都有可能导致整个推理的错误，因此系统容错能力差。,2.2 人工神经网络Artificial Neural Networks,一种从生理解剖角度，通过模仿人脑的生理结构来模拟人类智能的方法。理论依据 ：人的大脑由大量神经元细胞高度互连而成，每个神经元可以对从树突输入的信号进行融合和简单的加工，然后由轴突输出；神经元细胞之间通过树突与轴突相互接触而形成的突触相连，神经元之间的连接方式和连接强度决定了大脑的功能，而神经元之间的连接方式和连接强度可以通过后天的学习而发生改变，神经元之间的连接方式和连接强度显示了人类对知识的记忆过程。,2.2 人工神经网络,人工神经网络模型,黑箱,2.2 人工神经网络,模拟了人的感性思维过程，即模拟了人的识别、分类、逼近、记忆、联想等智能活动。 关键问题1 ：网络结构确定网络中神经元的个数和神经元之间的连接方式 。根据神经元网络中是否存在从输出到输入的反馈和同层神经元之间是否相互连接（也称横向连接）分为三类：1、既无反馈也无横向连接的前向网络。前向网络可以识别存储过的模式并能逼近任意函数，主要用于解决识别和逼近问题。 2、有反馈但无横向连接的反馈网络 。反馈网络能够从局部信息中识别存储模式并且反馈网络能够向能量最低的状态演化，因此反馈网络主要用于联想记忆和优化问题求解。 3、具有横向连接的竞争网络。竞争网络通过同层神经元之间的竞争可以实现输入模式的自动分类。,2.2 人工神经元网络,关键问题 2：学习方法对于神经元网络而言，所谓学习实际上就是根据典型实例样本（也称训练样本）确定各神经元权值i的过程。主要学习方法：在神经元网络设计中，直接利用训练样本数据计算网络权值； 在神经元网络设计时先将网络权值取为任意值，然后将训练样本输入神经元网络，通过不断调整网络权值，使神经元网络的输出接近于理想输出。 该类学习方法又可以分为由神经元网络自身完成输出误差确定和网络权值调整的 “无师学习” 和由网络外的其它装置完成输出误差确定和网络权值调整的 “有师学习” 。,2.2 人工神经网络,优点：具有自学习、自组织、自适应能力。 存储的分布性、运行的并行性。 强的拟合能力。可以拟合任意的函数，特别是具有非凡的非线性影射能力。黑箱性。只需将系统的样本数据输入到神经元网络，神经元网络即可通过学习建立系统模型。 缺点：缺乏透明性。用户即无法理解神经元网络中存储的知识，也无法了解神经元网络的推理过程。设计理论尚不完善。对于神经元网络结构的设计仍然依靠设计者的经验，尚无成熟的设计理论作为指导。 学习方法仍然存在问题。主要表现在需要反复学习，学习效率低，训练速度慢，学习不稳定，有时无法取得预期效果；可塑性差，新的学习内容有时会对原有知识造成影响。,3.基于知识的人工智能建模,定义：基于知识的人工智能建模就是采用基于知识的人工智能方法对实际系统或系统的某一部分进行描述和表达的一种方法。 适用于无法进行精确描述，但积累了大量实践经验，可以利用经验知识进行求解，且对精度要求不高的场合。,3.基于知识的人工智能建模步骤,明确建模对象和目的。 选择影响因素。收集资料。知识表达。对收集的知识和经验，选择适宜的知识表达方法。 选择推理方式。根据实际问题求解的需要，选择合适的推理方式。 模型的建立。采用通用语言、数据库或者是商品化的专家系统开发工具，对该模型加以实现。 模型的验证。通过不断的实验和改进，以保证模型的正确性。 模型的应用。经过验证达到要求的精度和可靠性后，该模型就可以运用于实际生产中，发挥模型的优化、预测、控制、识别、证实等功能。,3.基于知识的人工智能建模示例,锌电解过程电流效率模型问题描述 锌的电解是锌的湿法冶炼技术中最关键的一道工序。也是一个大的耗能过程 。如何在锌电解生产中减少电能消耗成为锌湿法冶炼行业一个值得深入研究和探讨的课题。 在生产率和电解电压一定的条件下，要降低电能消耗，关键是提高电流效率。而要提高电流效率，首先必须建立锌电解过程工艺参数与电流效率间的模型，然后通过优化方法，不断调整工艺参数，使系统运行在电流效率较高的状态，从而达到减少电能消耗的目的。电解中工艺参数与电流效率之间的关系错综复杂，非线性明显，无法从反应机理上分析求得它们之间的数学关系。另一方面，通过长期工业生产实践经验的积累，现场工艺人员建立了工艺参数与电流效率之间的定性关系和经验公式，因此，很容易建立基于知识的人工智能模型。,3.基于知识的人工智能建模示例,1）建模对象与目的：建模对象为锌电解过程中工艺参数与电流效率之间的关系。建模的目的是实现工艺参数的优化，从而提高电流效率，降低能源消耗。2）选择影响因素。根据操作人员经验和实验分析，影响电流效率的因素（工艺参数）主要是电解液中的锌酸比（锌离子Zn2+与硫酸之比）、电解液的温度和电流密度。通过电解槽中冷却系统的作用，电解液的温度一般变化不大，因此，在建立模型时不必考虑。 3）收集资料。通过翻阅该厂的操作手册并和操作人员交流，可以得到工艺参数与电流效率之间的关系如表1所示：,3.基于知识的人工智能建模示例,表1 电流效率的计算公式,3.基于知识的人工智能建模示例,对于其中锌酸比Ra/z和电流密度DK的模糊语言变量都可以采用如下隶属函数形式:,这些模糊语言变量隶属函数的参数见表2,3.基于知识的人工智能建模示例,表2 模糊语言变量隶属函数的参数,3.基于知识的人工智能建模示例,4）选择知识表达方式。由于上述知识实质上是基于因果关系的推理，可以采用产生式规则表示。例如第一条知识用产生式规则表示为： IF 锌酸比很小 AND 电流密度较小 THEN 电流效率=-0.817Ra/z+0.0623DK+72.80445）选择推理方式。由于在工艺参数的实时优化过程中，一般是得到一对具体的工艺参数，来预测电流效率，因此，可以采用正向推理方法。具体的推理过程是：首先根据实测的一对工艺参数（锌酸比Ra/z和电流密度DK）分别带入隶属函数表达式，计算模糊语言变量的隶属度。取隶属度最大的一个作为该工艺参数所对应的模糊语言，从而将具体的工艺参数转变成为与产生式规则前提相一致的模糊语言。然后利用模糊语言去逐个匹配产生式规则的前提部分。当前提部分完全匹配时，利用该规则的结论部分的经验公式，即可得到该工艺参数对应的电流效率。例如，设当前测得的锌酸比Ra/z和电流密度DK分别为3.162，252。带入隶属度函数后，计算得到各语言变量对应的隶属度如表3所示。,3.基于知识的人工智能建模示例,表3 当锌酸比Ra/z和电流密度DK分别为3.162、252时各语言变量的隶属度,通过表3的计算，可将锌酸比Ra/z=3.162，电流密度DK=252这样的具体工艺参数转换为锌酸比很小，电流密度较小这样的模糊语言，从而与4）中作为例子的规则相匹配，对应的电流效率可由该规则的结论部分的经验公式算得，即电流效率=-0.817Ra/z+0.0623DK+72.8044=85.92。6）模型的建立。该模型比较简单，可采用通用程序语言的方式加以实现。7）模型的验证与应用。将模型得到的结果与实测的电流效率进行比较，验证模型的正确性和可靠性。经过验证的模型即可用于工艺参数的优化。,4. 人工神经网络建模,定义：人工神经元网络建模就是采用人工神经元网络对实际系统或系统的某一部分进行描述和表达的一种方法。 适用于无法根据系统机理建立模型，但积累了大量实践或实验数据，且系统输入输出之间呈现明显非线性特性的场合。,4. 人工神经网络建模步骤,确定建模的对象和目的。 选择影响因素。收集样本数据。设计神经元网络。根据问题需要和实际问题的特点，确定网络类型、网络层数、每层的节点数等。同时利用软件或硬件对神经元网络加以实现。 神经元网络的训练。根据神经元网络类型，选择合适的学习方法。利用该学习方法，将上述样本数据输入神经元网络，对神经元网络进行训练。 模型的验证。输入非训练样本数据，检验神经元网络输出是否在允许的范围内。如果神经元网络输出在允许的范围内，则接受该模型，否则分析原因，重新进行样本数据收集、神经元网络的设计和训练。检验用的数据样本一般也从收集到的样本中获得，可以将收集的样本分为两部分，一部分用于网络训练，一部分用于网络的检验。 模型的应用。经过验证达到要求的精度和可靠性后，该模型就可以运用于实际生产中。具体运用时，保持网络权值不变，将现场各影响因素的数值直接输入神经元网络，神经元网络的输出即为模型的输出。,4. 人工神经网络建模示例,油井钻探中钻压优化模型 问题描述 自动送钻技术是油井钻探自动化中的一门关键技术。目前的自动送钻技术以恒钻压送钻为主。由于钻压与井下状况、钻井效率、钻头寿命等密切相关，不合理的钻压会导致效率低下，成本上升甚至于钻井事故的发生。因此，如何根据实际钻井情况，不断调节钻压，就成为问题的关键，这就是钻压优化自动送钻技术的由来。 要实现钻压优化自动送钻，首先必须建立钻压优化模型。实际生产中已积累了大量的关于最优钻压和钻压影响因素之间关系的实测数据，并且最优钻压和钻压影响因素之间呈现明显的非线性关系，因此，钻压优化模型适合于用神经元网络来建立。,4. 人工神经网络建模示例,建模对象与目的。建模对象为最优钻压与影响因素之间的定量关系。建模目的是寻找在特定影响因素下的最优钻压。选择影响因素。根据实际钻井中获得的经验，钻压的选择一般与下列因素有关：钻头直径、下钻井深、起钻井深、泵的转速、泵压、泵的排量、钻速。收集样本数据。表4为在实际生产中收集到的样本数据。,4. 人工神经网络建模示例,表4 样本数据集,4. 人工神经网络建模示例,设计神经网络。该模型为一非线性拟合问题，可以采用多层前向网络。其中输入节点数取因素数7，输出层由于只有钻压一个参数，因此取1，根据经验公式，隐藏层节点数取输入层的23倍，这里取14。构造的神经元网络如图2所示。对该神经网络可以直接采用高级语言进行模拟。,4. 人工神经网络建模,选择神经元网络学习方法并对神经元网络进行训练。这里选择多层神经元网络的经典学习方法BP算法。其基本思想是，将样本数据输入输入端，逐层计算网络输出，将网络输出与标准优化钻压相比较。如果误差足够小，则结束该样本的训练，进入下一样本的训练。否则反向计算各层误差，然后逐层调整网络权值，使误差不断减少。等所有样本训练结束后，整个训练过程结束。为了方便模型的检验，可以从上述十四个样本中抽取十个作为训练样本，剩下四个作为检验样本。模型检验。将上述四个检验样本输入神经元网络，比较网络输出与样本理想输出，如果误差在允许范围内，则接受该模型。否则，需要重新收集样本、重新进行网络设计并重新进行训练，直到获得满意结果为止。 模型使用。经过检验的模型即可用于钻压的优化控制。具体步骤如下：将各个实测的影响因素送入神经元网络，由神经元网络计算优化钻压，并由控制系统调节钻压，使钻压为当前的优化钻压。,人工智能建模发展趋势,人工智能混合建模是指同时使用两种或两种以上的建模方法完成实际系统的建模过程，其中，这些建模方法中至少有一种为人工智能建模方法。目前常见的混合建模方法主要包括传统数学模型（机理模型或系统辩识模型）与神经网络建模或基于知识建模的混合神经网络建模与基于知识建模的混合传统数学建模、神经网络建模、基于知识建模的混合模糊逻辑、模拟退火、遗传算法、人工免疫算法等在神经网络建模、基于知识建模中的应用。,人工智能建模发展趋势,目前常见的混合建模方法 松耦合方法将要建模的系统根据其特点划分为多个子系统，每个子系统采用不同方式建立模型，然后将各子系统连接在一起形成原系统的模型。根据各子系统连接方式的不同，松耦合又可以分为并联集成、串联集成、嵌套集成。 紧耦合方法以一种建模方式为主，其它建模方式完成主建模方式中的结构确定、参数确定、学习等辅助功能。例如：用机理模型确定神经元网络的某些固定参数；用基于知识的系统确定机理模型中的某些经验参数。用神经元网络实现基于知识人工智能系统中知识获取等。值得注意的是由于从理论上讲，人工神经元网络即可以表达机理知识、又可以表达经验知识，近几年来出现了利用神经元网络进行混合建模的研究热潮。,
