人工智能建模方法-文庫吧在線文庫
【正文】 ? 由結(jié)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。 2）靈活性。 3）精度不高，容錯能力差。前向網(wǎng)絡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。 人工神經(jīng)網(wǎng)絡 ? 優(yōu)點： ? 具有自學習、自組織、自適應能力。 ? 設計理論尚不完善。 ③ 收集資料 。通過不斷的實驗和改進，以保證模型的正確性。 ? 電解中工藝參數(shù)與電流效率之間的關(guān)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(shù)學關(guān)系。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： 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(jīng)驗計算公式 很小 較小 η =++ 較大 中等 η = Ra/ DK+ 較小 較大 η = Ra/z++ 非常大 大 η =+ 非常小 很小 η =+ DK+ 很大 小 η =+ 較小 很大 η =+ 大 較小 η =++ 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 : ]2exp[)( 22)(?cxxf ???這些模糊語言變量隸屬函數(shù)的參數(shù)見表 2 表 2 模糊語言變量隸屬函數(shù)的參數(shù) 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(shù) 中心C 寬度σ 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(shù) 中心C 100 150 250 300 500 600 750 寬度σ 4） 選擇知識表達方式 。 例如，設當前測得的鋅酸比 Ra/z和電流密度 DK分別為 ， 252。 4. 人工神經(jīng)網(wǎng)絡建模 ? 定義：人工神經(jīng)元網(wǎng)絡建模就是采用人工神經(jīng)元網(wǎng)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。 ? 神經(jīng)元網(wǎng)絡的訓練。 經(jīng)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(chǎn)中。 4. 人工神經(jīng)網(wǎng)絡建模示例 ? 建模對象與目的 。該模型為一非線性擬合問題，可以采用多層前向網(wǎng)絡。否則反向計算各層誤差，然后逐層調(diào)整網(wǎng)絡權(quán)值，使誤差不斷減少。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，由神經(jīng)元網(wǎng)絡計算優(yōu)化鉆壓，并由控制系統(tǒng)調(diào)節(jié)鉆壓，使鉆壓為當前的優(yōu)化鉆壓。值得注意的是由于從理論上講，人工神經(jīng)元網(wǎng)絡即可以表達機理知識、又可以表達經(jīng)驗知識，近幾年來出現(xiàn)了利用神經(jīng)元網(wǎng)絡進行混合建模的研究熱潮。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。將上述四個檢驗樣本輸入神經(jīng)元網(wǎng)絡，比較網(wǎng)絡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。 4. 人工神經(jīng)網(wǎng)絡建模 ? 選擇神經(jīng)元網(wǎng)絡學習方法并對神經(jīng)元網(wǎng)絡進行訓練。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。由于鉆壓與井下狀況、鉆井效率、鉆頭壽命等密切相關(guān)，不合理的鉆壓會導致效率低下，成本上升甚至于鉆井事故的發(fā)生。 輸入非訓練樣本數(shù)據(jù)，檢驗神經(jīng)元網(wǎng)絡輸出是否在允許的范圍內(nèi)。 ? 收集樣本數(shù)據(jù)。該模型比較簡單，可采用通用程序語言的方式加以實現(xiàn)。 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)表達式，計算模糊語言變量的隸屬度。 2） 選擇影響因素 。也是一個大的耗能過程 。根據(jù)實際問題求解的需要，選擇合適的推理方式。 ? 定義：基于知識的人工智能
公司管理相關(guān)推薦
鄂ICP備17016276號-1