人工智能建模方法-文档资料

1、1主要内容1. 人工智能建模相关概念人工智能建模相关概念 2. 人工智能的两个流派人工智能的两个流派2.1 基于知识的人工智能系统基于知识的人工智能系统2.2 人工神经网络人工神经网络3. 基于知识的人工智能建模基于知识的人工智能建模4. 人工神经网络建模人工神经网络建模5. 人工智能建模发展趋势人工智能建模发展趋势6. 小结小结21. 相关概念相关概念n人工智能：通过人造物来模拟人的智能的一种方法及其人工智能：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。实现技术的一门学科。 n人工智能建模：通过模拟人认识客观事物和解决实际问人工智能建模：通过模拟人认识客观事物和解决实际问题的方

2、法对实际系统或系统的某一部分进行描述和表达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。系统的某一部分进行描述和表达的过程。 32.1 基于知识的人工智能系统基于知识的人工智能系统Artificial Intelligent System Based on Knowledgen一种从功能角度来模拟人类（特别是各领域专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、符号主义家）智能的方法，也称为专家系统、符号主义或逻辑主义。或逻辑主义。n专

3、家之所以具有智能，能认识和解决某一领域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内的实际问题，关键在于专家具备该领域内的各种各种（常识、书本知识和实际工作中积累（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的经验），并且能够运用这些知识进行适当的42.1 基于知识的人工智能系统基于知识的人工智能系统n对人类理性认识过程（或逻辑思维过程）的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。象语言符号的基础上。n关键问题关键问题1 ：知识的表示知识的表

4、示 n如何把专家知识转化为机器所能识别、存储和使用的形如何把专家知识转化为机器所能识别、存储和使用的形式式 。52.1 基于知识的人工智能系统基于知识的人工智能系统q常用知识表示方法常用知识表示方法n谓词逻辑谓词逻辑适用场合适用场合用于表达概念和判断等事实知识用于表达概念和判断等事实知识 。举例举例“鲸是哺乳动物鲸是哺乳动物”这一判断用谓词逻辑表示为：哺乳动物（鲸）；这一判断用谓词逻辑表示为：哺乳动物（鲸）； n产生式规则产生式规则适用场合适用场合适于表达具有因果关系的逻辑推理知识适于表达具有因果关系的逻辑推理知识 。举例举例“如果是合金钢，应该进行热处理如果是合金钢，应该进行热处理”这一推理

5、用产生式规则可以这一推理用产生式规则可以表示为：表示为：IF 合金钢合金钢 THEN 热处理；热处理； n框架表示框架表示 适用场合适用场合表达多方面多层次结构知识表达多方面多层次结构知识 举例举例桌子可以用框架表示为：桌子可以用框架表示为：桌面，桌腿桌面，桌腿1、桌腿、桌腿2、桌腿、桌腿3、桌腿、桌腿4、桌面与桌腿的连接桌面与桌腿的连接。n过程表示过程表示 适用场合适用场合用于表示某一操作序列。用于表示某一操作序列。 举例举例做馒头用过程表示表示为：做馒头用过程表示表示为：和面、定型、蒸、起锅和面、定型、蒸、起锅。 62.1 基于知识的人工智能系统基于知识的人工智能系统n关键问题关键问题 2

6、：推理方法推理方法n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。解决实际问题。 n常用推理方法：常用推理方法：q由已知条件推出结论的正向推理由已知条件推出结论的正向推理 q由结论出发，寻找应具备条件的反向推理由结论出发，寻找应具备条件的反向推理 q综合使用正向推理和反向推理的双向推理方法。综合使用正向推理和反向推理的双向推理方法。 n研究热点研究热点 ：知识表示和推理中的不确定性和模糊性问题。知识表示和推理中的不确定性和模糊性问题。 q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不确定性是由于各种随机因素的影响

7、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，明天降水概率天降水概率80%。 q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：定性决定的。如： “温度高温度高”的表述。的表述。 72.1 基于知识的人工智能系统基于知识的人工智能系统q优点：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。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

8、）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。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）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。用户对系统机理可以具有明确的认识。q缺点：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、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。的获取相当困难。 2）存在）存在“

9、组合爆炸组合爆炸”问题。对于复杂的任务，知识库将变的异常庞问题。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。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 3）精度不高，容错能力差。）精度不高，容错能力差。由于知识获取的困难和由于知识获取的困难和“组合爆炸组合爆炸”问问题的存在，常导致知识的不完备，从而降低了系统的精度。同时，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。错能力差。 82.2 人工神经网络人工神经

10、网络Artificial Neural Networksn一种从一种从生理解剖生理解剖角度，通过模仿角度，通过模仿人脑的生理结构人脑的生理结构来模来模拟人类智能的方法。拟人类智能的方法。n理论依据理论依据 ：q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；出；q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，而神神经元之间的

11、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。的记忆过程。 92.2 人工神经网络人工神经网络n人工神经网络模型人工神经网络模型细胞体突触轴突树突图 12.2 生物神经元功能模型输入输出信息处理电脉冲形成传输黑箱102.2 人工神经网络人工神经网络n模拟了人的感性思维过程，即模拟了人的识别、分类、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。逼近、记忆、

12、联想等智能活动。 n关键问题关键问题1 1 ：网络结构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：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、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。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、

13、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。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、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。实现输入模式的自动分类。 112.2 人工神经元网络人工神经元网络n关键问题关键问题 2 2：学习方法学习方法n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对于神经元网络而

14、言，所谓学习实际上就是根据典型实例样本（也称训练样本）确定各神经元权值本（也称训练样本）确定各神经元权值i的过程。的过程。n主要学习方法：主要学习方法：q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；在神经元网络设计中，直接利用训练样本数据计算网络权值； q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。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该类学习方法又可以分为由神经元网络自身完成

15、输出误差确定和网络权值调整的自身完成输出误差确定和网络权值调整的 “无师学习无师学习” 和由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 “有师有师学习学习” 。122.2 人工神经网络人工神经网络q优点：优点：n具有自学习、自组织、自适应能力。具有自学习、自组织、自适应能力。 n存储的分布性、运行的并行性。存储的分布性、运行的并行性。 n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。力。n黑箱性。只需将系统的样本数据输入到神经元网络，神经元网络即可通黑箱性

16、。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。过学习建立系统模型。 q缺点：缺点：n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。经元网络的推理过程。n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，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。尚无成熟的设计理论作为指导。 n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，

17、学习不稳定，有时无法取得预期效果；可塑性差，新的学习内速度慢，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。容有时会对原有知识造成影响。 133.基于知识的人工智能建模基于知识的人工智能建模q定义：基于知识的人工智能建模就是采用基于定义：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。部分进行描述和表达的一种方法。 q适用于无法进行精确描述，但积累了大量适用于无法进行精确描述，但积累了大量实践实践经验经验，可以利用经验知识进行求解，且对精度，可以利用经验知识进行求

18、解，且对精度要求不高的场合。要求不高的场合。 143.基于知识的人工智能建模步骤基于知识的人工智能建模步骤q明确建模对象和目的明确建模对象和目的。 q选择影响因素选择影响因素。q收集资料收集资料。q知识表达知识表达。对收集的知识和经验，选择适宜的知识表达方法。对收集的知识和经验，选择适宜的知识表达方法。 q选择推理方式选择推理方式。根据实际问题求解的需要，选择合适的推理。根据实际问题求解的需要，选择合适的推理方式。方式。 q模型的建立模型的建立。采用通用语言、数据库或者是商品化的专家系。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。统开发工具，对该模型加以实现。 q模型

19、的验证模型的验证。通过不断的实验和改进，以保证模型的正确性。通过不断的实验和改进，以保证模型的正确性。 q模型的应用模型的应用。经过验证达到要求的精度和可靠性后，该模型。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、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。识别、证实等功能。153.基于知识的人工智能建模示例基于知识的人工智能建模示例n锌电解过程电流效率模型锌电解过程电流效率模型q问题描述问题描述 n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

20、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。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。行业一个值得深入研究和探讨的课题。 n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数，使系统运行在电流效率较高的状

21、态，从而达到减少电能消耗的目的。的目的。n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，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。知识的人工智能模型。163.基于知识的人工智能建模示例基于知识的人工智能建模示例1 1）建

22、模对象与目的）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：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。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）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

23、液的温度一般变化不大，因此，在中冷却系统的作用，电解液的温度一般变化不大，因此，在建立模型时不必考虑。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，）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可以得到工艺参数与电流效率之间的关系如表1所示：所示： 173.基于知识的人工智能建模示例基于知识的人工智能建模示例表表1 电流效率的计算公式电流效率的计算公式 锌酸比锌酸比R Ra/za/z电流密度电流密度D DK K电流效率电流效率的经验计算公式的经验计算公式很小很小较小较小=-0.817R=-0.817Ra/za/z+0.

24、0623D+0.0623DK K+72.8044+72.8044较大较大中等中等=2.9409 R=2.9409 Ra/za/z-0.0412 D-0.0412 DK K+102.2767+102.2767较小较小较大较大=0.1232 R=0.1232 Ra/za/z+0.01D+0.01DK K+86.0895+86.0895非常大非常大大大=24.6149R=24.6149Ra/za/z-0.0052 D-0.0052 DK K+0.6665+0.6665非常小非常小很小很小=15.0624R=15.0624Ra/za/z+0.0867 D+0.0867 DK K+32.7928+32.

25、7928很大很大小小=23.4508R=23.4508Ra/za/z-0.3252D-0.3252DK K+43.1364+43.1364较小较小很大很大=-1.8327R=-1.8327Ra/za/z-0.0215 D-0.0215 DK K+111.5273+111.5273大大较小较小=-21.8359R=-21.8359Ra/za/z+0.4191D+0.4191DK K+100.9482+100.9482183.基于知识的人工智能建模示例基于知识的人工智能建模示例对于其中锌酸比对于其中锌酸比Ra/z和电流密度和电流密度DK的模糊语言变量都可的模糊语言变量都可以采用如下隶属函数形式以采

26、用如下隶属函数形式: 2exp)(22)(cxxf这些模糊语言变量隶属函数的参数见表这些模糊语言变量隶属函数的参数见表2 193.基于知识的人工智能建模示例基于知识的人工智能建模示例表表2 模糊语言变量隶属函数的参数模糊语言变量隶属函数的参数输入变量输入变量锌酸比锌酸比R Ra/za/z语言变量语言变量非常小非常小很小很小小小较小较小较大较大大大很大很大非常大非常大隶属隶属函数函数中心中心C C3.153.153.173.173.193.193.213.213.753.753.773.773.783.783.823.82宽度宽度0.080.080.080.080.120.120.230.230

27、.180.180.250.250.210.210.050.05输入变量输入变量电流密度电流密度D DK K语言变量语言变量很小很小小小较小较小中等中等较大较大大大很大很大隶属隶属函数函数中心中心C C100100150150250250300300500500600600750750宽度宽度103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41103.41203.基于知识的人工智能建模示例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）选择知识表达

28、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：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 锌酸比很小锌酸比很小 AND 电流密度较小电流密度较小 THEN 电流效率电流效率=-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）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。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

29、比具体的推理过程是：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）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

30、公式，即可得到该工艺参数对应的电流效率。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例如，设当前测得的锌酸比Ra/z和电流密度和电流密度DK分别为分别为3.162，252。带入隶。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。所示。 213.基于知识的人工智能建模示例基于知识的人工智能建模示例表表3 当锌酸比当锌酸比Ra/z和电流密度和电流密度DK分别为分别为3.162、252时各语言变量的隶属度时各语言变量的隶属度 输入变量输入变量锌酸比锌酸比R Ra/za/z=3.162=3.162语言变量语言变量非常小

31、非常小很小很小小小较小较小较大较大大大很大很大非常大非常大隶属度隶属度0.99910.99910.99960.99960.9970.9970.9950.9950.3830.3830.4770.4770.4030.4030.0130.013输入变量输入变量电流密度电流密度D DK K=252=252语言变量语言变量很小很小小小较小较小中等中等较大较大大大很大很大隶属度隶属度0 0000.9810.981000 00 00 0通过表通过表3的计算，可将锌酸比的计算，可将锌酸比Ra/z=3.162，电流密度，电流密度DK=252这样的具体工艺参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

32、糊语言，从而与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）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。）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）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。

33、经过验证的模型即可用于工艺参数的优化。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。 224. 人工神经网络建模人工神经网络建模q定义：人工神经元网络建模就是采用人工神经元网定义：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。一种方法。 q适用于无法根据系统机理建立模型，但积累了大量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。线性特性的场合。 234. 人工神经网络建模步骤人工神经网络建模步

34、骤q确定建模的对象和目的。确定建模的对象和目的。 q选择影响因素。选择影响因素。q收集样本数据。收集样本数据。q设计神经元网络。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、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。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。 q神经元网络的训练。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。方法，将上述样本数据输入神经元网络，对

35、神经元网络进行训练。 q模型的验证。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。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。网络

36、的检验。 q模型的应用。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。元网络，神经元网络的输出即为模型的输出。 244. 人工神经网络建模示例人工神经网络建模示例n油井钻探中钻压优化模型油井钻探中钻压优化模型 q问题描述问题描述 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

37、动送钻技术以恒钻压送钻为主。由于钻压与井下状况、钻井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，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。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

38、压和钻压影响因素之间关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。建立。 254. 人工神经网络建模示例人工神经网络建模示例q建模对象与目的。建模对象为最优钻压与影响因素之建模对象与目的。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。最优钻压。q选择影响因素。根据实际钻井中获得的经验，钻压的

39、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。钻井深、泵的转速、泵压、泵的排量、钻速。q收集样本数据。表收集样本数据。表4为在实际生产中收集到的样本数为在实际生产中收集到的样本数据。据。 264. 人工神经网络建模示例人工神经网络建模示例表表4 样本数据集样本数据集 编号编号钻头钻头直径直径(mm)(mm)下钻下钻井深井深(m)(m)起钻起钻井深井深(m)(m)钻压钻压(kN)(kN)转速转速(r/min)(r/min)泵压泵压(MPa)(MPa)排量排量(l/m

40、in)(l/min)钻速钻速（m/minm/min）1 12 23 34 45 56 67 78 89 910101111121213131414311311311311311311216216216216216216216216216216216216216216216216216216216216216216100.00100.002142.282142.282736.362736.363110.953110.953552.083552.083837.743837.744098.274098.274299.234299.234452.144452.144572.534572.534682.

41、754682.754775.984775.984854.614854.614928.304928.302142.282142.282736.362736.363110.953110.953552.083552.083837.743837.744098.274098.274299.234299.234452.144452.144572.534572.534682.754682.754775.984775.984854.644854.644928.304928.305000.005000.00273.49273.49267.94267.94267.94267.94156.64156.64146.6

42、4146.64146.64146.64147.44147.44147.44147.44147.44147.44147.44147.44147.44147.44149.04149.04149.04149.04149.04149.047575606060607070757575756565656565656565656560606060606025.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3

43、625.3625.3661.2561.2554.6654.6653.0053.0026.4026.4024.7824.7825.3925.3926.1926.1927.1627.1627.9527.9526.5426.5425.1025.1023.6423.6423.0423.0423.0423.044.344.344.224.224.184.183.583.583.433.433.413.413.373.373.353.353.283.283.203.203.113.113.113.113.083.083.003.00274. 人工神经网络建模示例人工神经网络建模示例q设计神经网络。该模型为

44、一非线性拟合问题，可以采用多设计神经网络。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层前向网络。其中输入节点数取因素数7，输出层由于只，输出层由于只有钻压一个参数，因此取有钻压一个参数，因此取1，根据经验公式，隐藏层节点，根据经验公式，隐藏层节点数取输入层的数取输入层的23倍，这里取倍，这里取14。构造的神经元网络如图。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。所示。对该神经网络可以直接采用高级语言进行模拟。 284. 人工神经网络建模人工神经网络建模q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。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