14-第八章人工智能58(編輯修改稿)
2025-03-16 13:16 本頁面
【文章內容簡介】 、 神經元模型和 BP神經網絡 人工神經網絡是在現(xiàn)代神經科學的基礎上提出來的。它雖然反映了人腦功能的基本特征，但并不是自然神經網絡的逼真描寫，而只是它的某種簡化抽象和模擬。經過對生物神經元的長期廣泛研究， 1943年美國心理學家麥卡洛克和數(shù)理學家皮茨提出了神經元的數(shù)學模型，即著名的 MP模型。 大學計算機基礎 —— 沈陽藥科大學大學計算機基礎 —— 沈陽藥科大學 2. BP神經網絡 1957年美國計算機科學家羅森布拉特（ Roseblatt）提出了單層感知器（ Perceptron）模型。它是一個具有單層神經元的網絡，由線性閾值邏輯單元所組成。單層感知器在人工神經網絡研究中有著重要的意義和地位。然而單層感知器由于只有一個神經元，功能單一，只能完成線性決策或實現(xiàn) “與”，“或”，“非”等單一邏輯函數(shù)。為了解決這一問題，在其基礎上創(chuàng)建了多層感知器（ Multilayer Perceptron， MLP）模型。它是一種在輸入層與輸出層之間有一層或多層隱含結點的具有正向傳播機制的人工神經網絡模型。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點的非線性特性。 大學計算機基礎 —— 沈陽藥科大學大學計算機基礎 —— 沈陽藥科大學 BP網絡的結構如圖 83所示由輸入層，輸出層和一個或多個中間層（隱含層）組成。中間層中的神經元均采用 S型激活函數(shù)，輸出層神經元采用線性傳遞函數(shù)。 大學計算機基礎 —— 沈陽藥科大學大學計算機基礎 —— 沈陽藥科大學 ?非線性映射能力： BP網絡實質上實現(xiàn)了一個從輸入到輸出的映射功能，三層的 BP網絡在理論上能夠以任意精度逼近任何非線性連續(xù)函數(shù)。這使得其特別適合于求解內部機制復雜的問題，即 BP網絡具有較強的非線性映射能力。 ?自學習和自適應能力： BP網絡在訓練時，能夠通過學習自動提取輸出、輸出數(shù)據間的“合理規(guī)則”，并自適應的將學習內容記憶于網絡的權值中。即 BP神經網絡具有高度自學習和自適應的能力。 大學計算機基礎 —— 沈陽藥科大學大學計算機基礎 —— 沈陽藥科大學 ?泛化能力：所謂泛化能力是指在設計模式分類器時，即要考慮網絡在保證對所需分類對象進行正確分類，還要關心網絡在經過訓練后，能否對未見過的模式或有噪聲污染的模式，進行正確的分類。也即 BP神經網絡具有將學習成果應用于新知識的能力。 ?容錯能力： BP網絡在其局部的或者部分的神經元受到破壞后對全局的訓練結果不會造成很大的影響，也就是說即使系統(tǒng)在受到局部損傷時還是可以正常工作的。即 BP神經網絡具有一定的容錯能力。 大學計算機基礎 —— 沈陽藥科大學大學計算機基礎 —— 沈陽藥科大學 BP網絡的局限性： ?局部極小化問題： BP神經網絡的權值是通過沿局部改善的方向逐漸進行調整的，這樣會使算法陷入局部極值，權值收斂到局部極小解，從而導致網絡訓練失敗。加上 BP神經網絡對初始權值非常敏感，以不同的權值初始化網絡，往往會收斂于不同的局部極小解，這也是 BP網絡出現(xiàn)每次訓練得到不同結果的根本原因。 大學計算機基礎 —— 沈陽藥科大學大學計算機基礎 —— 沈陽藥科大學 ?BP 神經網絡算法的收斂速度慢：由于 BP神經網絡算法本質上為梯度下降法，它所要優(yōu)化的目標函數(shù)是非常復雜的，這使得 BP算法的收斂速度低下。 ?BP網絡結構選擇不一： BP網絡結構的選擇至今尚無一種統(tǒng)一而完整的理論指導，一般只能由經驗選定。網絡結構過大會降低學習效率，出現(xiàn)過擬合現(xiàn)象，網絡容錯性下降；反之若結構過小，又會造成網絡不收斂的問題。 ?BP網絡樣本依賴性問題：網絡模型的逼近和推廣能力與學習樣本的典型性密切相關，而如何從問題中選取典型樣本實例組成訓練集是一個很困難的問題。 大學計算機基礎 —— 沈陽藥科大學大學計算機基礎 —— 沈陽藥科大學 人工神經網絡模型設計與應用 在實際應用中，面對一個具體問題需要進行人工神經網絡模型設計時，一般應遵循下列過程：首先分析求解問題的性質，確定信息表達方式，將求解問題及其相應的領域知識轉化為神經網絡可以接受并處理的某種數(shù)據形式，將數(shù)據樣本分為訓練樣本和測試樣本；其次依據問題特點，確定神經網絡模型的類型、結構、輸入輸出神經元的數(shù)目、隱含層神經元的個數(shù)等；然后是訓練模式的確定包括選擇合理的訓練算法，確定合適的訓練步數(shù)，指定適當?shù)挠柧毮繕苏`差，以獲得較好的網絡性能；最后通過對網絡進行訓練、仿真等，檢驗網絡的性能是否滿足要求。下面結合藥學實際介紹神經網絡的設計與應用。 四、 人工神經網絡在藥學上的應用 大學計算機基礎 —— 沈陽藥科大學大學計算機基礎 —— 沈陽藥科大學 （一）用 BP神經網絡優(yōu)化化學反應的工藝條件 過碳酸鈉是一種強氧化劑，其水溶液可用作醫(yī)療殺菌劑、口腔消毒劑。由于過碳酸鈉對濕度和溫度很敏感，容易分解，其有效氧含量和穩(wěn)定性還有待提高。為改進過碳酸鈉的工藝，篩選出新的復合穩(wěn)定劑，可利用 BP神經網絡對其工藝參數(shù)進行考察，并利用仿真結果進行預測，其方法及步驟如下： (1)確定影響過碳酸鈉工藝條件的主要因素及考察范圍 （ 2）確定 BP神經網絡結構：從表 74可以看出，前四項為工藝參數(shù)，后兩項為過碳酸鈉性能的評價。因此采用 3層 BP網絡模型，即輸入層、輸出層和隱含層。 4個輸入向量 X X X3 、 X4分別對應原料配比、反應溫度、反應時間、穩(wěn)定劑加入量 4個考察因素， 2個輸出向量 Y1 、 Y2分別對應目標函數(shù)收率和活性氧含量， 其拓撲結構如圖 79所示。 大學計算機基礎 —— 沈陽藥科大學大學計算機基礎 —— 沈陽藥科大學 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 反應溫度 (℃ ) X2 反應時間 (min) X3 穩(wěn)定劑 (%) X4 收率 (%) Y1 活性氧含量(%) Y2 1 2 3 4 5
環(huán)評公示相關推薦
鄂ICP備17016276號-1