14第八章人工智能

第八章人工智能高等医药院校药学类规划教材——计算机在药学中的运用第一节人工智能根底目录第二节人工神经网络第三节生物医药机器人沈阳药科大学计算中心沈阳药科大学计算中心第一节人工智能根底第一节人工智能根底大学计算机根底——沈阳药科大学一、人工智能的概念和由来生命科学群和信息科学群是当今世界最具有开展力的两大学科群，而人工智能〔ArtificialIntelligence,AI〕那么是这两个学科群中最重要、最具前景的交叉领域。人工智能是一门由计算机科学、控制论、信息论、言语学、神经生理学、心思学、数学、哲学等多种学科相互浸透而开展起来的综合性新学科。大学计算机根底——沈阳药科大学人工智能的中心在于“智能〞，我们可以将智能了解为记忆与思想的才干、感知的才干、行为才干和具有学习和顺应的才干。从“才干〞的角度上讲，人工智能是相对于人的自然智能而言的，是指用人工的方法在计算机上实现的智能。从科学的角度来讲，人工智能是一门研讨如何构造智能机器或智能系统，使它能模拟，延伸和扩展人类智能的学科。大学计算机根底——沈阳药科大学二、人工智能的开展历程1.孕育期〔1956年以前〕1946年，在美国诞生了世界上第一台电子数字计算机ENIAC。在同一时代，控制论和信息论创建，生物学家设计了脑模型。这些成果都为人工智能学科的诞生奠定了实际与实验根底。2.构成期〔1956年—1970年〕1956年，人工智能的研讨获得了两项艰苦突破。第一项为哪一项纽厄尔、肖〔Shaw〕和西蒙研讨组编制的逻辑实际程序LT〔LogicTheoryMachine〕，可以模拟人们用数理逻辑证明定理的思想。第二项是IBM工程研讨组的塞缪尔研制的西洋跳棋程序。这个程序可以像一个优秀棋手那样，向前看几步来下棋，并且能在下棋过程中积累阅历，不断提高棋艺。1959年，这个程序战胜了设计者本人，1962年它又击败了美国一个州的跳棋冠军。大学计算机根底——沈阳药科大学3.知识运用期〔1970年—20世纪80年代末〕进入二十世纪70年代后，人工智能转向了以知识为中心的研讨。专家系统实现了人工智能从实际研讨走向实践运用的突破。是人工智能开展历程中的一次艰苦转机。4.从学派分别走向综合〔20世纪80年代末—本世纪初〕人工智能技术被更广泛的运用到各个领域并获得了杰出的成果。人工智能技术开场被用于导弹系统和其它先进武器，同时它也进入了我们的个人计算机，可以进展自然言语处置，机器翻译和语音识别的智能电脑的添加吸引了公众的兴趣。大学计算机根底——沈阳药科大学三、人工智能的主要研讨学派大学计算机根底——沈阳药科大学四、我国人工智能研讨的历史人工智能研讨在我国起步相对较晚，纳入国家方案的“智能模拟〞研讨始于1978年；1984年召开了智能计算机及其系统的全国学术讨论会；1986年起把智能计算机系统、智能机器人和智能信息处置等艰苦工程列入国家高技术研讨方案；1981年起，相继成立了中国人工智能学会〔CAAI〕等学术团体；1989年初次召开的中国人工智能结合会议〔CJCAI〕；1993年起，又把智能控制和智能自动化等工程列入国家科技攀爬方案。进入21世纪后，已有更多的人工智能与智能系统研讨获得各种基金方案支持。大学计算机根底——沈阳药科大学五、人工智能技术与实现方法人工智能在计算机上实现时有2种不同的方式。一种是工程学方法〔Engineeringapproach〕，它采用传统的编程技术，使系统呈现智能的效果，而不思索所用方法能否与人或动物机体所用的方法一样。工程学方法已在一些领域获得了一定的成果，如文字识别、电脑下棋等。采用这种方法，需求我们详细规定程序逻辑，逻辑简单的时候很容易实现，一旦程序逻辑复杂繁琐，就很容易出现错误。另一种是模拟法〔Modelingapproach〕，它不仅要看效果，还要务虚现方法也和人类或生物机体所用的方法一样或相类似。遗传算法〔GenericAlgorithm，简称GA〕和人工神经网络〔ArtificialNeuralNetwork，简称ANN〕都属于这种方法。大学计算机根底——沈阳药科大学六、人工智能的主要研讨方向人工智能的研讨包括智能机器人、方式识别、自然言语处置和专家系统等方向。1.问题求解：我们经过对人们求解问题的普通规律、求解问题的思绪的研讨，编制一个智能程序，让它按照人类处理问题的方法与思想方式去处理问题。2.自然言语处置：自然言语处置〔NaturalLanguageProcessing，NLP〕也是人工智能的早期研讨领域之一，自然言语处置主要研讨如何使计算机可以了解和生成自然言语。自然言语处置通常与方式识别，计算机视觉等技术相结合，运用在文字识别和语音识别等系统中。大学计算机根底——沈阳药科大学3.方式识别：方式识别是研讨如何从庞大的信息中提取特征，运用计算机对某一范畴内的事物根据特征进展自动的识别和分类。方式识别是人工智能的重要组成部分，它本身又分为文字识别、语音识别、生物特征识别、图像分析等许多分支。4.智能数据库：智能数据库是研讨利用人的推理、想象、记忆原理，实现对数据库的存储、搜索和修正。智能数据库经过有效的组织，可以满足人们快速检索和修正数据库的要求。大学计算机根底——沈阳药科大学5.智能机器人：机器人学是在电力学、人工智能、控制论、系统工程、精细机械、信息传感、仿生学以及心思学的多种学科的根底上构成的一门综合性技术学科。6.博奕：博弈是研讨使本人取胜、战胜对手的战略。在决策过程中要对情势做出恰当的估计，搜索各种能够的战略组合，经过对比分析确定对本人最有利的战略。7.程序自动设计：自动程序设计是将自然言语描画的程序自动转换成可执行的程序的技术。大学计算机根底——沈阳药科大学8.逻辑推理与定理证明：逻辑推理是人工智能研讨中最耐久的领域之一。计算机经过模拟人的推理和演绎过程，从最根本的公理出发，证明定理的正确性。9.专家系统：专家系统是一个具有大量专门知识与阅历的智能计算机程序系统，它运用人工智能技术，根据某个领域一个或多个人类专家提供的知识和阅历进展推理和判别，模拟人类专家对复杂问题的决策过程。大学计算机根底——沈阳药科大学七、人工智能在医药领域的运用医学人工智能是人工智能开展出来的一大分支，它为医学诊疗问题提供处理方案，成果最显著的是医学专家系统。1972年deDomabl研发了“急性腹痛鉴别诊断系统〞，1976年费根鲍姆胜利开发了MYCIN“传染性疾病鉴别诊断系统〞。专家鉴定阐明该系统对细菌血液病、脑膜炎方面的诊断和提供治疗方案的程度已超越了这方面的专家。80年代初期开场，中国中医界相关专家系统的研讨也开展得如火如荼，大约有140个以阅历为主的中医专家系统相继研发。医学专家系统可以处理的问题普通包括解释、预测、诊断、提供治疗方案等。大学计算机根底——沈阳药科大学近年来，人工智能技术在药学领域也得以广泛的运用，尤其是在中药材的质量控制方面获得了杰出的研讨成果。由于中药材质量的特殊性和复杂性，中药材的真伪鉴别和质量控制存在很大困难。为摆脱这一姿态，将人工智能技术引入到中药材质量控制系统中，利用方式识别技术，建立了完好的中药材质量检测专家系统，实现了中药材的数字化、自动化检测，全面、客观、准确、快捷的控制中药材质量；为建立平安有效，可操作，技术先进的国家质量规范提供了坚实可靠的根底；同时促进了中药国际化，提高了中医药产品在国际医药市场的竞争力。大学计算机根底——沈阳药科大学此外，人工免疫算法、人工神经网络技术、遗传算法等人工智能技术在药品制剂过程的工艺参数优化，化合物毒性预测，药物浸透性能预测及生物制药等领域都发扬着重要的作用。大学计算机根底——沈阳药科大学第二节人工神经网络第二节人工神经网络大学计算机根底——沈阳药科大学一、人工神经网络的概念和开展利用大脑的组织构造和运转机制的特点，从模拟人脑智能的角度出发，探寻新的信息处置方式，构造了一种更接近人类智能的信息处置系统—人工神经网络〔ArtificialNeuralNetworks，简称ANN〕系统。如图8-1所示。大学计算机根底——沈阳药科大学人工神经网络也称为神经网络〔NeuralNetwork,NN〕，是由大量处置单元广泛互联而成的网络，是对人脑的笼统、简化和模拟。它是植根于神经系统、数学、统计学、物理学、计算机科学及工程等学科的一种人工智能技术。大学计算机根底——沈阳药科大学二、人工神经网络的学习方式按人工神经网络的性能可分为延续型神经网络和离散型神经网络，又可分为确定型神经网络和随机型神经网络；按人工神经网络的构造可分为反响型神经网络和前馈型神经网络；按学习方式可分为有导师学习网络和无导师学习网络。1.有导师学习有导师学习又称为有监视学习，在学习时需求给出导师信号，也称为期望输出。学习的目的就是减少网络实践输出与导师信号之间的差别，使网络实践输出逐渐逼近导师信号。这一目的是经过逐渐伐整网络权值来实现的。大学计算机根底——沈阳药科大学2.无导师学习无导师学习也称为无监视学习。在无监视学习中没有外部导师信号或评价系统来统管学习过程，而是在网络内部对其性能进展自顺应调理。它强调的是神经元之间的协调，假设外界输入激活了神经元中的某个结点，那么整个神经元群的活性随之添加，相反引起整个神经元群的抑制效应。3.强化学习强化学习是利用某一“奖惩〞的全局信号，衡量和强化与输入相关的权值和神经元形状的变化。强化信号不同于导师信号，它很单一，只表示输出结果的“好〞与“坏〞。强化学习需求的外部信息很少，当不知道对于给定的输入方式应有何种相应的导师信号时，强化学习可以根据一些“奖惩〞规那么得出有益的结果。大学计算机根底——沈阳药科大学三、神经元模型和BP神经网络1.神经元模型人工神经网络是在现代神经科学的根底上提出来的。它虽然反映了人脑功能的根本特征，但并不是自然神经网络的逼真描写，而只是它的某种简化笼统和模拟。经过对生物神经元的长期广泛研讨，1943年美国心思学家麦卡洛克和数理学家皮茨提出了神经元的数学模型，即著名的MP模型。大学计算机根底——沈阳药科大学2.BP神经网络1957年美国计算机科学家罗森布拉特〔Roseblatt〕提出了单层感知器〔Perceptron〕模型。它是一个具有单层神经元的网络，由线性阈值逻辑单元所组成。单层感知器在人工神经网络研讨中有着重要的意义和位置。然而单层感知器由于只需一个神经元，功能单一，只能完成线性决策或实现“与〞，“或〞，“非〞等单一逻辑函数。为理处理这一问题，在其根底上创建了多层感知器〔MultilayerPerceptron，MLP〕模型。它是一种在输入层与输出层之间有一层或多层隐含结点的具有正向传播机制的人工神经网络模型。多层感知器抑制了单层感知器的许多局限，它的优越性能主要来源于结点的非线性特性。大学计算机根底——沈阳药科大学BP网络的构造如图8-3所示由输入层，输出层和一个或多个中间层〔隐含层〕组成。中间层中的神经元均采用S型激活函数，输出层神经元采用线性传送函数。大学计算机根底——沈阳药科大学3.BP网络的优点及局限性非线性映射才干：BP网络本质上实现了一个从输入到输出的映射功能，三层的BP网络在实际上可以以恣意精度逼近任何非线性延续函数。这使得其特别适宜于求解内部机制复杂的问题，即BP网络具有较强的非线性映射才干。自学习和自顺应才干：BP网络在训练时，可以经过学习自动提取输出、输出数据间的“合理规那么〞，并自顺应的将学习内容记忆于网络的权值中。即BP神经网络具有高度自学习和自顺应的才干。大学计算机根底——沈阳药科大学泛化才干：所谓泛化才干是指在设计方式分类器时，即要思索网络在保证对所需分类对象进展正确分类，还要关怀网络在经过训练后，能否对未见过的方式或有噪声污染的方式，进展正确的分类。也即BP神经网络具有将学习成果运用于新知识的才干。容错才干：BP网络在其部分的或者部分的神经元遭到破坏后对全局的训练结果不会呵斥很大的影响，也就是说即使系统在遭到部分损伤时还是可以正常任务的。即BP神经网络具有一定的容错才干。大学计算机根底——沈阳药科大学BP网络的局限性：部分极小化问题：BP神经网络的权值是经过沿部分改善的方向逐渐进展调整的，这样会使算法堕入部分极值，权值收敛到部分极小解，从而导致网络训练失败。加上BP神经网络对初始权值非常敏感，以不同的权值初始化网络，往往会收敛于不同的部分极小解，这也是BP网络出现每次训练得到不同结果的根本缘由。大学计算机根底——沈阳药科大学BP神经网络算法的收敛速度慢：由于BP神经网络算法本质上为梯度下降法，它所要优化的目的函数是非常复杂的，这使得BP算法的收敛速度低下。BP网络构造选择不一：BP网络构造的选择至今尚无一种一致而完好的实际指点，普通只能由阅历选定。网络构造过大会降低学习效率，出现过拟合景象，网络容错性下降；反之假设构造过小，又会呵斥网络不收敛的问题。BP网络样本依赖性问题：网络模型的逼近和推行才干与学习样本的典型性亲密相关，而如何从问题中选取典型样本实例组成训练集是一个很困难的问题。大学计算机根底——沈阳药科大学人工神经网络模型设计与运用在实践运用中，面对一个详细问题需求进展人工神经网络模型设计时，普通应遵照以下过程：首先分析求解问题的性质，确定信息表达方式，将求解问题及其相应的领域知识转化为神经网络可以接受并处置的某种数据方式，将数据样本分为训练样本和测试样本；其次根据问题特点，确定神经网络模型的类型、构造、输入输出神经元的数目、隐含层神经元的个数等；然后是训练方式确实定包括选择合理的训练算法，确定适宜的训练步数，指定适当的训练目的误差，以获得较好的网络性能；最后经过对网络进展训练、仿真等，检验网络的性能能否满足要求。下面结合药学实践引见神经网络的设计与运用。四、人工神经网络在药学上的运用大学计算机根底——沈阳药科大学〔一〕用BP神经网络优化化学反响的工艺条件过碳酸钠是一种强氧化剂，其水溶液可用作医疗杀菌剂、口腔消毒剂。由于过碳酸钠对湿度和温度很敏感，容易分解，其有效氧含量和稳定性还有待提高。为改良过碳酸钠的工艺，挑选出新的复合稳定剂，可利用BP神经网络对其工艺参数进展调查，并利用仿真结果进展预测，其方法及步骤如下：(1)确定影响过碳酸钠工艺条件的主要要素及调查范围〔2〕确定BP神经网络构造：从表7-4可以看出，前四项为工艺参数，后两项为过碳酸钠性能的评价。因此采用3层B-P网络模型，即输入层、输出层和隐含层。4个输入向量X1、X2、X3、X4分别对应原料配比、反响温度、反响时间、稳定剂参与量4个调查要素，2个输出向量Y1、Y2分别对应目的函数收率和活性氧含量，其拓扑构造如图7-9所示。大学计算机根底——沈阳药科大学表8-2影响工艺条件的主要要素及调查范围No原料配比(m∶M)X1反应温度(℃)X2反应时间(min)X3稳定剂(%)X4收率(%)Y1活性氧含量(%)Y212345671:2.41:2.21:2.01:1.81:1.61:1.31:1.0-10.000.000010.00-15.00-5.005.0015.0040.0085.0025.0070.0010.0055.00100.001.51.20.950.670.380.11.881.493.695.098.078.187.396.313.513.914.114.510.013.714.2大学计算机根底——沈阳药科大学大学计算机根底——沈阳药科大学(3)BP神经网络的构建：将原料配比、反响温度、反响时间、稳定剂4个调查要素作为BP神经网络的输入，将收率和活性氧含量2个调查目的作为网络的输出，定义输入向量X和输出向量Y〔训练样本〕，编写程序代码用newcf()函数构建BP神经网络,代码如下：net=newcf(minmax(X),[10,2],{'tansig','purelin'},'trainlm');新构建的网络称号用net表示，newcf()是BP神经网络构建函数，用minmax()函数自动搜索输入向量中每个要调查要素的范围，参数[10,2]代表隐含层节点个数为10〔不确定参数，待优化〕，网络构造层数为2，分别对应隐含层和输出层。tansig〔S型〕和purelin〔线性〕代表隐含层和输出层的传送函数，trainlm代表网络学习算法，阐明采用Levenberg-Marquardt规那么对BP网络进展训练。大学计算机根底——沈阳药科大学定义网络训练次数、训练结果显示方式及误差要求，代码如下：net.trainparam.epochs=3000;%最大训练次数net.trainparam.show=100;%两次显示之间的训练步数net.trainparam.goal=0.00001;%训练目的即期望误差用train()函数训练网络，代码如下：[net,tr]=train(net,X,Y);当网络训练到达误差要求时终了训练。进一步构建预测样本XX〔即在其他工艺条件或参数下，想要预测的过碳酸钠性能〕，基于训练好的BP网络，用sim()对样本进展仿真预测大学计算机根底——沈阳药科大学(4)MATLAB函数实现：启动MATLAB，新建一个m文件，操作见图8-5。在新建的m文件上输入上述完好代码，操作见图8-6，将该程序保管在\work目录下，命名为gtsn.m,调试并运转程序大学计算机根底——沈阳药科大学大学计算机根底——沈阳药科大学〔5〕程序运转终了后，显示网络训练误差曲线如图8-7所示。结果阐明，以原料配比、反响温度、反响时间、稳定剂参与量4个要素为输入量、收率和活性氧含量为输出调查目的所建立的BP神经网络模型具有较好的收敛性，能表达各工艺条件对收率及活性氧含量影响的非线性变化规律，因此具有较高的预测精度。用训练好的网络进展仿真预测，结果如图8-8所示，优化结果如图8-9所示。大学计算机根底——沈阳药科大学大学计算机根底——沈阳药科大学由图8-9可知，最正确工艺条件是原料配比1∶1.8、反响温度－15℃、反响时间85分钟、稳定剂参与量为0.95%时,收率为98.274%，活性氧为14.58%。大学计算机根底——沈阳药科大学〔二〕用自组织特征映射神经网络对样本资料进展分类表8-3是10批次不同产地的中药苦碟子注射液指纹图谱经主成分分析后得到的10个样本数据，每个样本用4个主成分表示其特征信息，希望经过自组织特征映射神经网络对样本资料进展聚类分析，从而可以实现对样本的自动分类。大学计算机根底——沈阳药科大学表8-310批次苦碟子注射液指纹图谱主成分分析样本数据序号主成分1主成分2主成分3主成分4SIGNAL01-0.054770.0743-2.414111.09926SIGNAL021.704890.71388-0.013480.60014SIGNAL03-0.783770.395130.30511-1.04525SIGNAL041.383891.265660.88172-0.24332SIGNAL05-0.810940.399080.044930.18507SIGNAL06-0.465430.43062-0.78499-2.04401SIGNAL07-0.95887-0.273881.189031.06329SIGNAL08-0.53154-0.371910.251420.35412SIGNAL09-0.56371-0.153940.443570.65215SIGNAL101.08025-2.478940.09681-0.62144大学计算机根底——沈阳药科大学自组织特征映射神经网络模型设计的步骤与上述“用BP神经网络优化化学反响的工艺条件〞一节中类似，但在网络设计及函数选取上有不同之处，简述如下：(1)启动MATLAB运用程序，新建一个M文件，在M文件上编写程序代码，保管在\work目录下，命名为jlfx.m，输入完好程序代码大学计算机根底——沈阳药科大学创建一个自组织特征映射神经网络net，其中newsom()为创建网络函数，P为输入向量，minmax(P)指定了输入向量的最大最小值，由于有10个样本，所以网络输出层的构造为5×2。。。绘制网络训练后的神经元分布，进展仿真；利用函数vec2ind()将输出Y转换成串行数据输出。。。大学计算机根底——沈阳药科大学(2)调试运转程序，绘制的网络输入变量分布图，如图8-10所示，绘制的网络神经元拓扑构造如图8-11所示，聚类结果见表8-4。大学计算机根底——沈阳药科大学由表8-4可知，当训练步数为10时，初步分类结果是：样本3和6分为一类，2和4分为一类；当训练步数为100时，分类结果比上面的更准确一些，此时，样本3和6分为一类，2和4分为一类，7、8和9分为同一类；当训练步数为1000时，样本的分类与上面结果一致。表8-4苦参碱聚类结果聚类结果训练步数为10时，410110217375训练步数为100时，54142177710训练步数为1000时，

3757151119大学计算机根底——沈阳药科大学〔三〕用径向基函数神经网络模型实现函数逼近发酵消费过程中微生物体内的生物合成离不开酶的催化作用，酶活性的大小影响着生物代谢产物的速率和产率。酶活性主要受温度和pH的影响，由于发酵过程相互作用的复杂性，很难建立准确的数学模型，利用径向基函数神经网络的函数逼近才干，建立酶活性的最正确温度和pH，可实现酶活性的最正确控制。RBF网络模型设计的步骤如下：(1)建立酶活性实验数据：调查温度、pH两种要素在不同程度下对酶活性的影响，获取的实验数据见表8-5。大学计算机根底——沈阳药科大学(2)确定神经网络构造：由于酶活性有两个影响要素，所以该网络模型有两个输入变量〔温度、pH〕和一个输出变量〔酶活性〕，相应神经网络有两个输入节点和一个输出节点。(3)MATLAB编程实现：启动MATLAB运用程序，新建一个m文件，操作如前所示。输入m文件的完好程序代码表8-5酶活性实验数据编号温度pH酶活性（PF）%11060.01822020.16033080.89344040.273550100.014大学计算机根底——沈阳药科大学(4)调试运转程序：网络实现函数逼近的酶活性与温度和pH间的仿真结果如图8-12所示。结果阐明，RBF网络模型中温度的最正确点约为30℃，pH最正确点为是8.04，对应的最大酶活性约为0.8625，与实践结果非常接近。大学计算机根底——沈阳药科大学在本章给出的三个实例中，只是阐明了如何用人工神经网络方法去处理药学研讨中存在的最优、预测及分类问题，目的是为大家提供一些处理实践问题的思绪。对于涉及的网络类型、构造参数等并未进展最优化设计，给出的输出也不一定是最好的结果，请大家在学习时留意。如前所述，人工神经网络不需求准确的数学模型，没有任何对变量的假设要求，能经过模拟人的智能行为处置复杂的、不确定的、非线性问题。由于在药学研讨领域，变量间关系往往非常复杂，为了探测变量间的复杂方式，神经网络正逐渐变成药学数据分析中的有力工具。目前已有许多商业化的神经网络开发软件，如本书所用的MATLAB软件，以及S-plus、SNNS(Stuttgartneuralnetworksimulator)软