【正文】 相互滲透而發(fā)展起來的綜合性新學(xué)科。在同一時代，控制論和信息論創(chuàng)立，生物學(xué)家設(shè)計了腦模型。專家系統(tǒng)實現(xiàn)了人工智能從理論研究走向?qū)嶋H應(yīng)用的突破。 明斯基 MP 人工神經(jīng)網(wǎng)絡(luò)模型 行為主義 智能取決于感知和行動，提出了智能行為的“感知— 動作”模型；智能不需要知識，不需要表示，不需要推理；人工智 能可以像人類智能那樣逐步進化。遺傳算法（ Generic Algorithm，簡稱 GA）和人工神經(jīng)網(wǎng)絡(luò)（ Artificial Neural Network，簡稱 ANN）都屬于這種方法。智能數(shù)據(jù)庫通過有效的組織，能夠滿足人們快速檢索和修改數(shù)據(jù)庫的要求。 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué) 七、 人工智能在醫(yī)藥領(lǐng)域的應(yīng)用 醫(yī)學(xué)人工智能是人工智能發(fā)展出來的一大分支，它為醫(yī)學(xué)診療問題提供解決方案，成果最顯著的是醫(yī)學(xué)專家系統(tǒng)。 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué) 此外，人工免疫算法、人工神經(jīng)網(wǎng)絡(luò)技術(shù)、遺傳算法等人工智能技術(shù)在藥品制劑過程的工藝參數(shù)優(yōu)化，化合物毒性預(yù)測，藥物滲透性能預(yù)測及生物制藥等領(lǐng)域都發(fā)揮著重要的作用。這一目標是通過逐步調(diào)整網(wǎng)絡(luò)權(quán)值來實現(xiàn)的。它雖然反映了人腦功能的基本特征，但并不是自然神經(jīng)網(wǎng)絡(luò)的逼真描寫，而只是它的某種簡化抽象和模擬。多層感知器克服了單層感知器的許多局限，它的優(yōu)越性能主要來源于結(jié)點的非線性特性。也即 BP神經(jīng)網(wǎng)絡(luò)具有將學(xué)習成果應(yīng)用于新知識的能力。 ?BP網(wǎng)絡(luò)樣本依賴性問題：網(wǎng)絡(luò)模型的逼近和推廣能力與學(xué)習樣本的典型性密切相關(guān)，而如何從問題中選取典型樣本實例組成訓(xùn)練集是一個很困難的問題。 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué) 表 82 影響工藝條件的主要因素及考察范圍 No 原料配比 (m∶ M) X1 反應(yīng)溫度 (℃ ) X2 反應(yīng)時間 (min) X3 穩(wěn)定劑 (%) X4 收率 (%) Y1 活性氧含量(%) Y2 1 2 3 4 5 6 7 1: 1: 1: 1: 1: 1: 1: 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué) 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué) (3)BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建：將原料配比、反應(yīng)溫度、反應(yīng)時間、穩(wěn)定劑 4個考察因素作為 BP神經(jīng)網(wǎng)絡(luò)的輸入，將收率和活性氧含量 2個考察目標作為網(wǎng)絡(luò)的輸出，定義輸入向量 X和輸出向量 Y（訓(xùn)練樣本），編寫程序代碼 用 newcf()函數(shù)構(gòu)建 BP神經(jīng)網(wǎng)絡(luò) ,代碼如下： =newcf(minmax(X),[10,2],{39。 tansig（ S型）和 purelin（線性）代表隱含層和輸出層的傳遞函數(shù)， trainlm代表網(wǎng)絡(luò)學(xué)習算法，表明采用LevenbergMarquardt規(guī)則對 BP網(wǎng)絡(luò)進行訓(xùn)練。結(jié)果表明，以原料配比、反應(yīng)溫度、反應(yīng)時間、穩(wěn)定劑加入量 4個因素為輸入量、收率和活性氧含量為輸出考察目標所建立的 BP神經(jīng)網(wǎng)絡(luò)模型具有較好的收斂性，能體現(xiàn)各工藝條件對收率及活性氧含量影響的非線性變化規(guī)律，因而具有較高的預(yù)測精度。 表 84 苦參堿聚類結(jié)果 聚類結(jié)果 訓(xùn)練步數(shù)為 10時， 4 10 1 10 2 1 7 3 7 5 訓(xùn)練步數(shù)為 100時， 5 4 1 4 2 1 7 7 7 10 訓(xùn)練步數(shù)為 1000時， 3 7 5 7 1 5 1 1 1 9 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué) （三）用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)函數(shù)逼近 發(fā)酵生產(chǎn)過程中微生物體內(nèi)的生物合成離不開酶的催化作用，酶活性的大小影響著生物代謝產(chǎn)物的速率和產(chǎn)率。對于涉及的網(wǎng)絡(luò)類型、結(jié)構(gòu)參數(shù)等并未進行最優(yōu)化設(shè)計，給出的輸出也不一定是最好的結(jié)果，請大家在學(xué)習時注意。人工智能技術(shù)發(fā)展至今天，“微型機器人”時代已經(jīng)到來。當人體內(nèi)某個部位感染時往往會服用或注射抗生素，但是藥物在血液中被稀釋，真正起到治療效果的只是其中的一小部分，大部分藥物只是被代謝出體外，設(shè)置會對人體產(chǎn)生副作用。 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)沈陽藥科大學(xué)計算機教研室 演講完畢，謝謝觀看！ 。如圖 813所示。生物醫(yī)藥領(lǐng)域的很多工作都依靠手動操作，存在工作效率低、風險大、成功率低等缺陷。由于在藥學(xué)研究領(lǐng)域，變量間關(guān)系往往非常復(fù)雜，為了探測變量間的復(fù)雜模式，神經(jīng)網(wǎng)絡(luò)正逐漸變成藥學(xué)數(shù)據(jù)分析中的有力工具。 RBF網(wǎng)絡(luò)模型設(shè)計的步驟如下： (1) 建立酶活性實驗數(shù)據(jù)：考察溫度、 pH兩種因素在不同水平下對酶活性的影響，獲取的實驗數(shù)據(jù)見表 85。 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué) 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué) 由圖 89可知，最佳工藝條件是原料配比 1∶ 、反應(yīng)溫度－ 15℃ 、反應(yīng)時間 85分鐘、穩(wěn)定劑加入量為 %時 ,收率為 %，活性氧為 %。 %最大訓(xùn)練次數(shù) =100。,39。下面結(jié)合藥學(xué)實際介紹神經(jīng)網(wǎng)絡(luò)的設(shè)計與應(yīng)用。即 BP神經(jīng)網(wǎng)絡(luò)具有一定的容錯能力。中間層中的神經(jīng)元均采用 S型激活函數(shù)，輸出層神經(jīng)元采用線性傳遞函數(shù)。 大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué)大學(xué)計算機基礎(chǔ) —— 沈陽藥科大學(xué) 2. BP神經(jīng)網(wǎng)絡(luò) 1957年美國計算機科學(xué)家羅森布拉特（ Roseblatt）提出了單層感知器（ Perceptron