人工智能技術(shù)在分析化學(xué)中的應(yīng)用(編輯修改稿)
2025-03-10 16:14 本頁面
【文章內(nèi)容簡介】 n 輸入： X=（ x1， x2， … ， xn）n 聯(lián)接權(quán)： W= （ w1， w2， … ， wn） Tn 網(wǎng)絡(luò)輸入： =∑xiwin 向量形式： =XWxnwn∑x1w1x2w2=XW…激活函數(shù) (ActivationFunction) n 激活函數(shù) —— 執(zhí)行對該神經(jīng)元所獲得的網(wǎng)絡(luò)輸入的變換，也可以稱為激勵函數(shù)、活化函數(shù)： o=f（ ） n 線性函數(shù)（ LinerFunction） f（ ） =k*+c ooc非線性斜面函數(shù) (RampFunction) γ if≥θf（ ） =k* if||θγ if≤θn γ0為一常數(shù)，被稱為飽和值，為該神經(jīng)元的最大輸出。 非線性斜面函數(shù)（ RampFunction）γγθ θ o 閾值函數(shù)（ ThresholdFunction）階躍函數(shù) β ifθf（ ） = γ if≤θβ、 γ、 θ均為非負(fù)實數(shù)， θ為閾值二值形式：1 ifθf（ ） =0 if≤θ雙極形式：1 ifθf（ ） =1 if≤θ 閾值函數(shù)（ ThresholdFunction）階躍函數(shù)β γθo0 S形函數(shù) 壓縮函數(shù)（ Squashing Function）和邏輯斯特函數(shù)（LogisticFunction）。f（ ） =a+b/(1+exp(d*))a， b， d為常數(shù)。它的飽和值為 a和 a+b。最簡單形式為：f（ ） =1/(1+exp(d*)) 函數(shù)的飽和值為 0和 1。n S形函數(shù)有較好的增益控制 S形函數(shù) a+b o(0,c)ac=a+b/2? 人工神經(jīng)元網(wǎng)絡(luò) T? 每個神經(jīng)元均為多輸入單輸出的信息處理單元? 輸入分興奮性和抑制型兩種? 神經(jīng)元有閾值特性應(yīng)用n 構(gòu)造了具有 3層節(jié)點的人工神經(jīng)網(wǎng)絡(luò)模型 ,將太湖 2023年 5～ 12月全湖共 26個采樣點的實測值作為學(xué)習(xí)樣本 ,一共有 268=208組數(shù)據(jù)。從這些數(shù)據(jù)中分別隨機抽取 1/4的數(shù)據(jù)各 52組作為檢驗樣本和測試樣本 ,其余的 104組 (占 50%)數(shù)據(jù)作為訓(xùn)練樣本。每個樣本均含有 12個輸入因子 ,分別是風(fēng)速、風(fēng)向、水溫、ｐＨ、ＤＯ、高錳酸鉀指數(shù)、濁度、ＴＮ、ＴＰ、葉綠素ａ、透明度、ＢＯＤ 5。以浮游植物作為輸出因子。用 2023年 8月的各點的浮游植物數(shù)據(jù)進(jìn)行預(yù)測比較，人工神經(jīng)網(wǎng)絡(luò)模型n 前向網(wǎng)絡(luò) （ I/O映射）感知器、 BP、 RBFn 反饋網(wǎng)絡(luò) （演化式好善性非線性動力系統(tǒng)）Hopfield網(wǎng)絡(luò)、回歸 BP、 Boltzman機等n 自組織網(wǎng)絡(luò)自適應(yīng)共振網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)多層前向 BP網(wǎng)絡(luò)的優(yōu)點① 網(wǎng)絡(luò)實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，而數(shù)學(xué)理論已證明它具有實現(xiàn)任何復(fù)雜非線性映射的功能。這使得它特別適合于求解內(nèi)部機制復(fù)雜的問題；② 網(wǎng)絡(luò)能通過學(xué)習(xí)帶正確答案的實例集自動提取 “合理的”求解規(guī)則，即具有自學(xué)習(xí)能力；③ 網(wǎng)絡(luò)具有一定的推廣、概括能力。多層前向 BP網(wǎng)絡(luò)存在的問題① BP算法的學(xué)習(xí)速度很慢，其原因主要有：a 由于 BP算法本質(zhì)上為梯度下降法，而它所要優(yōu)化的目標(biāo)函數(shù)又非常復(fù)雜，因此，必然會出現(xiàn) “鋸齒形現(xiàn)象 ”，這使得 BP算法低效；b 存在麻痹現(xiàn)象，由于優(yōu)化的目標(biāo)函數(shù)很復(fù)雜，它必然會在神經(jīng)元輸出接近 0或 1的情況下，出現(xiàn)一些平坦區(qū)，在這些區(qū)域內(nèi)，權(quán)值誤差改變很小，使訓(xùn)練過程幾乎停頓；c 為了使網(wǎng)絡(luò)執(zhí)行 BP算法，不能用傳統(tǒng)的一維搜索法求每次迭代的步長，而必須把步長的更新規(guī)則預(yù)先賦予網(wǎng)絡(luò)，這種方法將引起算法低效。② 網(wǎng)絡(luò)訓(xùn)練失敗的可能性較大，其原因有：a 從數(shù)學(xué)角度看， BP算法為一種局部搜索的優(yōu)化方法，但它要解決的問題為求解復(fù)雜非線性函數(shù)的全局極值，因此，算法很有可能陷入局部極值，使訓(xùn)練失敗；b 網(wǎng)絡(luò)的逼近、推廣能力同學(xué)習(xí)樣本的典型性密切相關(guān)，而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。③ 難以解決應(yīng)用問題的實例規(guī)模和網(wǎng)絡(luò)規(guī)模間的矛盾。這涉及到網(wǎng)絡(luò)容量的可能性與可行性的關(guān)系問題，即學(xué)習(xí)復(fù)雜性問題；④ 網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無一種統(tǒng)一而完整的理論指導(dǎo)，一般只能由經(jīng)驗選定。為此，有人稱神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選擇為一種藝術(shù)。而網(wǎng)絡(luò)的結(jié)構(gòu)直接影響網(wǎng)絡(luò)的逼近能力及推廣性質(zhì)。因此，應(yīng)用中如何選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)是一個重要的問題；⑤ 新加入的樣本要影響已學(xué)習(xí)成功的網(wǎng)絡(luò)，而且刻畫每個輸入樣本的特征的數(shù)目也必須相同；⑥ 網(wǎng)絡(luò)的預(yù)測能力（也稱泛化能力、推廣能力）與訓(xùn)練能力（也稱逼近能力、
研究報告相關(guān)推薦
鄂ICP備17016276號-1