第八章人工智能

1、第八章：人工智能，计算机在药学中的应用，医学院校药物规划教材，第一节：人工智能基础，内容，第二节：人工神经网络，第三节：生物医学机器人，沈阳药科大学计算机基础，第一节：人工智能基础，沈阳药科大学计算机基础，一、人工智能的概念和起源。生命科学组和信息科学组是当今世界上发展最快的两个学科组，人工智能是这两个学科组之间最重要、最有前途的交叉领域。人工智能是计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学和哲学相互渗透而发展起来的一门综合性新学科。人工智能的核心在于“智能”，它可以理解为记忆和思考的能力、感知的能力、行动的能力以及学习和适应的能力。从“能力”的角度来看，人工智能是相对于人的

2、自然智能而言的，是指在计算机上通过人工方法实现的智能。从科学的角度来看，人工智能是一门研究如何构造智能机器或智能系统来模拟、扩展和扩展人类智能的学科。沈阳药科大学，2。人工智能的发展。潜伏期(1956年之前)1946年，世界上第一台电子数字计算机ENIAC在美国诞生。与此同时，控制论和信息论诞生了，生物学家设计了大脑模型。这些成就为人工智能的诞生奠定了理论和实验基础。2.形成时期(1956-1970)1956年，人工智能研究取得了两大突破。第一个是由纽厄尔、肖和西蒙编写的逻辑理论程序LT，它可以模拟人们用数理逻辑证明定理的思想。第二个是由IBM工程研究集团的塞缪尔开发的跳棋程序。像一个优秀的棋

3、手一样，这个程序可以向前看几步下棋，积累下棋过程中的经验，不断提高下棋技巧。1959年，这个项目打败了设计师本人，1962年，它打败了美国一个州的跳棋冠军。3.知识应用时期(1970年，80年代末)进入70年代后，人工智能转向以知识为中心的研究。专家系统实现了人工智能从理论研究到实际应用的突破。这是人工智能发展的一个重大转折点。4.从学校分离到综合(20世纪80年代末和本世纪初)，人工智能技术已经广泛应用于各个领域，并取得了突出的成果。人工智能技术已经被用于导弹系统和其他先进武器，它也已经进入我们的个人电脑。能够进行自然语言处理、机器翻译和语音识别的智能计算机的增加引起了公众的兴趣。沈阳药科大

4、学，大学计算机基础，第三，人工智能主要研究学校，大学计算机基础，沈阳药科大学，第四，中国人工智能研究的历史，人工智能研究在中国起步较晚，并被列入国家计划“智能仿真”研究始于1978年；1984年，一个关于智能计算机及其系统的全国研讨会召开了。自1986年以来，智能计算机系统、智能机器人和智能信息处理等重大项目被列入国家高技术研究计划；自1981年以来，中国人工智能学会(CAAI)等学术团体相继成立；中国人工智能联席会议于1989年首次召开；自1993年以来，智能控制和智能自动化已被列入国家科技攀登计划。进入21世纪后，人工智能和智能系统的研究得到了各种基金计划的支持。沈阳药科大学，5。人工智能

5、技术及其实现方法。在计算机上实现人工智能有两种不同的方法。一种是工程方法，它利用传统的编程技术使系统显示出智能效果，而不管所用的方法是与人体还是动物体所用的方法相同。工程方法在一些领域已经取得了一些成果，如字符识别、计算机下棋等。使用这种方法，我们需要详细指定程序逻辑，这在逻辑简单时很容易实现。一旦程序逻辑复杂繁琐，就很容易出错。另一种是建模方法，这种方法不仅取决于效果，还要求实现方法与人类或生物使用的方法相同或相似。遗传算法和人工神经网络属于这种方法。沈阳药科大学，6。人工智能的主要研究方向，包括智能机器人、模式识别、自然语言处理和专家系统。1.问题解决：我们通过研究人们解决问题的一般规律和

6、思维来制定一个智能程序，并让它按照人类的方法和思维模式来解决问题。2.自然语言处理：自然语言处理也是人工智能的早期研究领域之一。自然语言处理主要研究如何让计算机理解和生成自然语言。自然语言处理通常与模式识别、计算机视觉等技术相结合，应用于字符识别和语音识别系统。3.模式识别：模式识别研究如何从海量信息中提取特征，并利用计算机根据特征自动识别和分类某一类别的事物。模式识别是人工智能的重要组成部分，分为许多分支，如字符识别、语音识别、生物识别、图像分析等。4.智能数据库：智能数据库是研究和利用人类推理、想象和记忆的原理来存储、搜索和修改数据库。通过有效的组织，智能数据库可以满足人们对数据库快速检索

7、和修改的需求。智能机器人：机器人学是在电力、人工智能、控制论、系统工程、精密机械、信息传感、仿生学和心理学等多学科基础上形成的综合性技术学科。6.游戏：游戏是研究赢得和击败对手的策略。在决策过程中，我们应该对形势做出适当的估计，寻找各种可能的策略组合，并通过比较分析为自己确定最佳策略。7.自动程序设计：自动程序设计是一种将自然语言描述的程序自动转换成可执行程序的技术。沈阳药科大学，8。逻辑推理和定理证明：逻辑推理是人工智能研究中最持久的领域之一。通过模仿人类的推理和演绎，计算机从最基本的公理中证明了定理的正确性。9.专家系统：专家系统是一个具有大量专业知识和经验的智能计算机程序系统。它利用人工

8、智能技术，根据某一领域的一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家对复杂问题的决策过程。沈阳药科大学，7。人工智能在医学中的应用。医学人工智能是人工智能的一个大分支，它为医学诊断和治疗问题提供解决方案，最显著的成就是医学专家系统。1972年，de Domabl开发了急性腹痛的鉴别诊断系统，1976年，Feigenbaum成功地开发了MYCIN传染病鉴别诊断系统。专家鉴定表明，该系统在细菌性血液病和脑膜炎的诊断和治疗方面已经超过了专家。自20世纪80年代初以来，中医药相关专家系统的研究如火如荼，先后开发了约140个基于经验的中医药专家系统。医学专家系统能够解决的问题一般包括解

9、释、预测、诊断、提供治疗方案等。近年来，人工智能技术已经广泛应用于制药领域，尤其是中草药的质量控制。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非常困难。为了摆脱这一困境，将人工智能技术引入到中药材质量控制系统中，利用模式识别技术建立了一个完整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、快速地控制中药材质量。为建立安全、有效、可操作、技术先进的国家质量标准提供了坚实可靠的基础；同时，它促进了中药的国际化，提高了中药产品在国际医药市场上的竞争力。此外，人工免疫算法、人工神经网络技术和遗传算法等人工智能技术在工艺参数优化、化合物毒性预测、药物渗透性预

10、测和生物制药等方面发挥着重要作用。沈阳药科大学第二节人工神经网络、第二节人工神经网络、第一节沈阳药科大学人工神经网络的概念和发展，利用脑组织结构和运行机制的特点，从模仿人脑智能的角度，探索新的信息处理方法，构建了更接近人类智能的信息处理系统人工神经网络(ANN)系统。如图8-1所示。人工神经网络，又称神经网络(neural network，NN)，是由大量处理单元广泛互联而成的网络，是人脑的抽象、简化和模拟。它是一种人工智能技术，植根于神经系统、数学、统计、物理、计算机科学和工程。沈阳药科大学，2。根据人工神经网络的性能，人工神经网络的学习模式可以分为连续神经网络和离散神经网络，也可以分为确定

11、性神经网络和随机神经网络；根据人工神经网络的结构，可分为反馈神经网络和前馈神经网络；根据学习方法的不同，它可以分为有监督学习网络和无监督学习网络。1.与导师一起学习，也称为监督学习，需要给出指导信号，也称为预期输出。学习的目的是减少实际网络输出和导师信号之间的差异，使实际网络输出逐渐接近导师信号。这个目标是通过逐步调整网络权重来实现的。沈阳药科大学计算机基础。无监督学习无监督学习也称为无监督学习。在无监督学习中，没有外部导师信号或评估系统来控制学习过程，但是其性能在网络内被自适应地调整。它强调神经元之间的协调。如果一个外部输入激活了神经元中的一个节点，整个神经元群的活动就会增加，相反，它会引起

12、整个神经元群的抑制效应。3.强化学习强化学习是利用某种“奖惩”的全局信号来衡量和强化与输入相关的权值和神经元状态的变化。强化信号不同于导师信号，导师信号非常简单，仅指示输出结果的“好”和“坏”。强化学习几乎不需要外部信息。当你不知道给定的输入模式应该给出什么样的导师信号时，强化学习可以根据一些“奖惩”规则得到有益的结果。沈阳药科大学，3。神经元模型和神经网络。神经元模型人工神经网络是在现代神经科学的基础上提出的。虽然它反映了人脑功能的基本特征，但它不是对自然神经网络的现实描述，而是对它的简化抽象和模拟。经过对生物神经元的长期而广泛的研究，美国心理学家麦卡洛克和数学科学家皮茨于1943年提出了神

13、经元的数学模型，即f沈阳药科大学，2。1957年，美国计算机科学家罗斯布拉特提出了单层感知器模型。它是一个单层神经元网络，由线性阈值逻辑单元组成。单层感知器在人工神经网络的研究中起着重要的作用。然而，单层感知器只有一个神经元和单一功能，因此它只能完成线性决策或实现单一逻辑功能，如与、或、非。为了解决这个问题，建立了多层感知器(MLP)模型。它是一个具有前向传播机制的人工神经网络模型，在输入层和输出层之间有一个或多个隐藏节点。多层感知器克服了单层感知器的许多局限性，其优越的性能主要来自节点的非线性特性。BP网络的结构由输入层、输出层和一个或多个中间层(隐含层)组成，如图8-3所示。中间层神经元采

14、用S型激活函数，输出层神经元采用线性传递函数。神经网络非线性映射能力的优势和局限性：神经网络本质上实现了从输入到输出的映射函数，三层神经网络理论上可以任意精度逼近任意非线性连续函数。这使得它特别适合于解决内部机理复杂的问题，即BP网络具有很强的非线性映射能力。自学习和自适应能力：在训练过程中，BP网络可以通过学习自动提取输出和输出数据之间的“合理规则”，并将学习内容自适应地记忆在网络的权值中。也就是说，神经网络具有很高的自学习和自适应能力。泛化能力：所谓的泛化能力是指在设计模式分类器时，我们应该考虑网络能否正确地对被分类对象进行分类，以及网络能否正确地对训练后的未知模式或有噪声污染的模式进行分

15、类。也就是说，BP神经网络具有将学习结果应用于新知识的能力。容错能力：BP网络在局部或部分神经元受损后，不会对全局训练结果产生很大影响，也就是说，即使系统局部受损，它仍然可以正常工作。即BP神经网络具有一定的容错性。神经网络的局限性：局部极小化问题：神经网络的权值沿着局部改进的方向逐渐调整，这将使算法陷入局部极值，权值收敛到局部极小值，导致网络训练失败。另外，BP神经网络对初始权值非常敏感，用不同权值初始化网络往往会收敛到不同的局部极小值，这也是BP神经网络每次训练得到不同结果的根本原因。BP神经网络算法收敛速度慢：由于BP神经网络算法本质上是一种梯度下降法，需要优化的目标函数非常复杂，使得B

16、P算法收敛速度慢。BP网络结构有不同的选择：到目前为止，对于BP网络结构的选择还没有统一完整的理论指导，只能通过经验来选择。如果网络结构过大，学习效率会降低，出现拟合现象，网络容错性会降低；相反，如果结构太小，网络将不会收敛。BP网络的样本依赖问题：网络模型的逼近和泛化能力与学习样本的典型性密切相关，如何从问题中选取典型样本形成训练集是一个非常困难的问题。沈阳药科大学人工神经网络模型的设计与应用。在实际应用中，当需要设计某个具体问题时，应遵循以下过程：首先，分析待解决问题的性质，确定信息表达方式，将待解决问题及其对应的领域知识转化为神经网络能够接受和处理的某种数据形式，并将数据样本分为训练样本和测试样本；其次，根据问题的特点，确定神经网络模型的类型、结构、输入输出神经元的数目和隐层神经元的数目，然后，训练模式的确定包括选择合理的训练算法、确定合适的训练步骤和指定合适的训练目标误差，以获得更好的网络性能；最后，通过对网络的训练和仿真，验