（控制理论与控制工程专业论文）基于遗传神经网络的染色质量预测系统研究与实现.pdf

海人学埘! i 学位论文 摘要 随着企业信息化的不断发展，企业资源计划( e r p ) 得到了越来越多的应用， 产品质量作为企业在激烈的市场竞争中得以生存和发展的一个重要因素，对其 控制管理对企业赢得市场竞争具有重要意义。对产品质量的控制应以预防为主， 把影响产品质量的诸因素消灭在萌芽状态，这样既降低了成本又提高了生产效 率。如何实现产品质量的预测控制成为目前企业中需要解决的重点。本文所涉 及的印染加工企业，对各种纤维织品的染色生产过程多是以工作人员的经验来 指导生产，生产具有一定的盲目性，极大限制了企业染色质量的提高。因此如 何预测染色质量、提高染色合格率，成为该企业迫切需要解决的问题。本文就 是针对这个问题的研究而展开的。 本文详细分析了影响企业产品质量( 即染色质量) 的诸多因素，通过建立 预测模型来预测染色质量，改善染色过程参数、提高染色合格率。文中叙述了 系统输入、输出变量的选取和样本的处理方法。对系统中采用的b p 神经网络 和遗传算法理论分别进行了阐述，针对b p 算法本身存在的收敛速度慢且容易 陷入局部最小的缺点，利用遗传算法全局寻优的特性对b p 算法的性能加以改 进，设计出两种算法相结合的方法，以遗传算法来训练b p 神经网络的权值和 阈值，并运用m a t l a b 程序完成算法实现。最后阐述了c s 模式的目标系统的 架构，系统数据库的设计以及系统结构的实现。 在预测领域内遗传神经网络方法有很多先例可以借鉴，但是在染色工艺过 程中的应用尚未见报道。本文为实现对染色质量的预测，笔者独创地将人工智 能的方法引入传统的染色工艺过程，并采用b p 神经网络与遗传算法的有效结 合建立预测模型，在实际染色生产过程中，采集过程数据，验证了所建模型和 算法的有效性，有效地将先进预测算法引入染色工艺中代替传统经验操作，达 到了良好的效果。 关键词：预测染色质量神经网络遗传算法 海人学倾i j 学位论文 a b s t r a c t w i t ht h ed e v e l o p m e n to fe n t e r p r i s e si n f o r m a t i o n ，e r pi sw i d e l yu s e db ym o r e a n dm o r ee n t e r p r i s e s a sq u a l i t yi so n eo fc r i t i c a lf a c t o r sf o re n t e r p r i s e st oe x i s ta n d d e v e l o pi nt h ei n c r e a s i n g l yc o m p e t i t i v em a r k e t ，q u a l i t yc o n t r o la n dm a n a g e m e n ti s a l s oak e yp a r ti ne r p t h es t u d yo nc o n t r o l l i n gp r o d u c tq u a l i t yu n d e rt h e e n v i r o n m e n to fe r pp l a y sa ni m p o r t a n tr o l eo nc o m p e t i t i o n t h ef o c u so fp r o d u c t q u a l i t yi s t ot a k ep r e v e n t i v em e a s u r e s ，e l i m i n a t ea l lt h en e g a t i v ec o m p l i c a t i o n s e m b r y o n i cs t a g e ，w h i c hr e d u c e st h ec o s ta n di m p r o v e st h ep r o d u c t i o ne f f i c i e n c y h o wt or e a l i z et h ep r e d i c t i v ec o n t r o lo f p r o d u c tq u a l i t yb e c o m et h ef o c u sn e e dt ob e s e t t l e di ne n t e r p r i s en o w a d a y s i nm a n yp r i n t i n ga n dd y e i n ge n t e r p r i s e sm e n t i o n e d h e r e ，t h ed y e i n gp r o d u c t i o np r o c e s so fe a c hk i n do ff i b e rf a b r i ci si n s t r u c t e db yt h e e x p e r i e n c e dw o r k e r , w h i c hb r i n g sb l i n d n e s st ot h ep r o d u c t i o na n de n o r m o u s l yl i m i t s t h ed y e sq u a l i t ye n h a n c e m e n t h o wt of o r e c a s td y e i n gq u a l i t y , e n h a n c et h ed y e i n g q u a l i f i e dr a t e ，b e c o m e sp r o b l e mu r g e n tt os o l v e t h i sd i s s e r t a t i o nt a l k sa b o u ti t s s o h l t i o n t h ed i s s e r t a t i o np a r t i c u l a r l ya n a l y s e st h ef a c t o r sw h i c hi n f l u e n c et h ep r o d u c t q u a l i t y p r e d i c t i v em o d e li sb u i l tt op r e d i c tt h ed y e i n gq u a l i t y , i m p r o v ed y e i n g p r o c e s sp a r a m e t e r 、e n h a n c et h ed y e i n gq u a l i f i e dr a t e t h es e l e c to f s y s t e mi n p u ta n d o u t p u ta n dt h eh a n d l ep r o c e s sm e t h o d so fs a m p l e sa r ed e s c r i b e d t h ed i s s e r t a t i o n e l a b o r a t e st h eb pn e u r a ln e t w o r ka n dg e n e t i ca l g o r i t h mt h e o r yu s e di nt h es y s t e m t h es h o r t c o m i n go fb pa l g o r i t h ma r et h es l o wc o n v e r g e n c es p e e da n de a s i l yf a l l i n g i n t ol o c a lm i n i m a s e e k st h es u p e r i o rc h a r a c t e r i s t i cu s i n gt h eg e n e t i ca l g o r i t h m o v e r a l ls i t u a t i o np e r f o r m st ot h eb pa l g o r i t h mp e r f o r m a n c et oi m p r o v e w ed e s i g n e s t h et w oa l g o r i t h m su n i o n sm e t h o d ，a p p l i e sg e n e t i ca l g o r i t h mt ot r a i nt h eb pn e u r a l n e t w o r kw e i g h tv a l u ea n dt h r e s h o l dv a l u e ，a n du s em a t l a br e a l i z et h ea l g o r i t h m a tl a s tw ei n t r o d u c et h ec sp a t t e r ng o a l s y s t e mo v e r h e a dc o n s t r u c t i o n ，s y s t e m d a t a b a s ed e s i g n ，a n da c h i e v e st h es y s t e mc o n s t r u c t i o n t h eg e n e t i cn e u r a ln e t w o r km e t h o di nt h ep r e d i c t i v ed o m a i nh a st h ev e r ym a n y i i ! 塑生兰型! l ：兰些堡二! ! ； p r e c e d e n t s ，b u tn o ty e tm u c ha p p l i c a t i o nr e p o r t s i nt h ed y e i n gt e c h n o l o g i c a lp r o c e s s i no r d e rt or e a l i z et h ep r e d i c t i o no ft h ed y e i n gq u a l i t y , t h ea u t h o ro r i g i n a l l yc r e a t e d t h ea r t i f i c i a li n t e l l i g e n c em e t h o da p p l i e di nt r a d i t i o n a ld y e i n gt e c h n o l o g i c a lp r o c e s s u s i n gt h eb pn e u r a ln e t w o r ka n dt h eg e n e t i ca l g o r i t h me f f e c t i v eu n i o ne s t a b l i s h m e n t p r e d i c t i v em o d e l ，i nt h ep r a c t i c a ld y e i n gp r o d u c t i o np r o c e s s ，g a t h e r i n gp r o c e s sd a t a ， c o n f o r m st h ec o n s t r u c tm o d e la n dt h ea l g o r i t h mv a l i d i t y , e f f e c t i v e l yi n t r o d u c e st h e a d v a n c e dp r e d i c t i v ec o n t r o la l g o r i t h mt or e p l a c et h et r a d i t i o n a le x p e r i e n c eo p e r a t o r s i nd y e i n gp r o c e s sa n da c h i e v e st h eg o o ds u c c e s s k e y w o r d s ：p r e d i c t i o n d y e i n gq u a l i t y n e u r a ln e t w o r k g e n e t i ca l g o r i t h m 海人学坝i 学位论空 原创性声明 本人声明：所呈交的论文是本人在导师指导下进行的研究工作。 除了文中特别加以标注和致谢的地方外，论文中不包含其他人已发 表或撰写过的研究成果。参与同一工作的其他同志对本研究所做的 任何贡献均已在论文中作了明确的说明并表示了谢意。 签名：堡篮日期：趔! ：生：塑 本论文使用授权说明 本人完全了解上海大学有关保留、使用学位论文的规定，即： 学校有权保留论文及送交论文复印件，允许论文被查阅和借阅；学 校可以公布论文的全部或部分内容。 ( 保密的论文在解密后应遵守此规定) 签名：耋崮辇导师签名：超塞区! 日期： 2 谚j 1 蝣 海人学顺i 学位沦史 第一章绪论 质量是企业的生命，质量管理是e r p 的重要组成部分，它涉及企业生产经 营活动的全过程。将e r p 系统中各模块信息集成共享，以分析总结预测未来的 质量状况，从而可达到预防为主，把影响产品质量的诸因素消灭在萌芽状态， 保证质量降低成本，同时提高生产效率的目的。 本章介绍课题背景，分析神经网络预测的发展现状，针对企业已有e r p 系 统的实际情况，提出构建质量智能预测系统，并能将其整合到原有e r p 系统之 中，以弥补原e r p 系统中生产质量管理方面的不足。 1 1 课题背景 本课题源于民森( 中山) 纺织印染有限公司委托上海大学开发的“基于 i n t e m e f l i n t r a n e t 技术的e r p 系统”项目。构建该企业的e r p 系统旨在实现企业 供应链各个环节物流畅通和管理的优化。自从系统开始开发以来，生产计划、 生产管理、质控管理及相关的库存管理子系统等主要模块，已实际投入运行。 面对日益激烈的外部竞争环境，该企业意识到必须加强生产质量控制管理， 以增强企业的竞争能力，同时也可降低企业的生产成本。对于染色企业而言， 质量控制中最重要的部分就是染色质量的控制。在该e r p 系统的开发设计过程 中，笔者发现该企业中，多是以工作人员的经验来指导生产，使生产具有一定 的盲目性，极大地限制了染色质量的提高。因此笔者考虑若能在生产计划执行 之前，事先预测出染色合格率，即可对生产过程进行有效的指导，达到提高染 色合格率，降低生产成本的目的。因此找出一种合理的方法，对染色质量进行 预测，变得尤为迫切。本课题的研究就是以解决这个问题为目标而进行的。 1 2 人工神经网络预测的应用现状 1 2 1 预测技术的发展现状 预测就足根据过去和现在的信息预测未来，也就是谎在定的理论指导下 对事物未来一段时间内的发展趋势、方向和可能的状态做出合理的在误差允许 海走学 垂 j 学经埝曼 范围内的推断i zj 。 预测方法包捶定性颈测秘定量预测。宠遂预测方法主要包括时间黪捌模型， 闲莱模型以及仿真模型。时间序列模黧包括移动平均法、指数平滑法、 b o x - j e k l n s 模型、灰色系统模型、自适应过滤法、曲线拟台、季节周期预测 簿。其特点为：以市场现象豹避闽序剜历史数搀为依掇，棂据时划序列鲍变动 撬律建立适当的数学模型，并运用一定的数学方法使蕊斌律外延乘预测未来的 技展变化趋势。因果模型包括：相关回归分析、经济计透模型、投入产出模型 秘生命矧羧分瓠等。在现实中，毽栗关系模型是一种瘦弱较广兹预测摸型，煎 对相关数据的数量、准确性要求较高，预测工作量较大。随着社会f l l 进步和科 学技术的进一步发展，预测技术面临着越来越大的挑战。一方面，随着数据库 技术豹逐遮裳溅潋及数据瘴餐淫系统匏，。泛应翅，入翱积累熬数摄越寒越多， 激增的数据背藤隐藏着许多鼹要的信息，人们希望能够对其进行更高层次的分 析，发现数据中存在的关系和规则，以便嫩好地利用这魃数据，但通常缺乏挖 攘数据曹后恣溅豹短识豹手段，导致了“数豢瀑蜂毽筑浚贫乏”，繇戳入靛提出 了能够处理大规模数据的统计预测方法。粥一方面则可能样本数据过少，虽 然可以高效地实现数据的录入、查询、统计等功能，假无法发现数据中存在的 关蓉窝援刘，无法棂摇瑷袁鹣数据预测未来豹发浸趋势，久饲又希黧缝有对样 本数据个数要求不高且能够满足预测要求的预测方法。这些都促使人们对预测 方法不断完善和创新，从而使预测技术得到不断发展。 1 2 2 基于神缀黼络的预测溅论研究现、姣凝意义 常用的预测方法如指数平滑、曲线拟岔等都存在一个共同的局限性，就是 簧袋预先知道浚颟溺对象的数学模型，餐实际上许多对象翼毒复杂鹣不确定往 和时变性；此外还具有复杂的非线性，例如有的是已知但难于用数学描述，有 的是未知非线性，必将造成根本无法或者很难精确建横。虽然灰色系统理论中 育颈测穰墅识涮的手段，但对菲线萑时交系统尚无成熬鳃和系统翁辨识理论帮 方法，要实行有效的实时预测就很难了。i _ f 百人1 ：神经网络具有表示任意复杂非 线性关系和学习的能力，这蹙传统预测模型难以实现的问题【3 1 。人工神经网络 绘解决这类阀鼷建供了薪愚戆和薪方法。 海人学倾l 学位论史 人工神经网络是一门高度综合的交叉学科，它的研究和发展涉及到神经生 理科学、数理科学、信息科学和计算机科学等众多学科领域。它在信号处理、 模式识别、目标跟踪、机器人控制、专家系统、组合优化、网络管理等众多领 域的应用中获得了引人注目的成果。利用神经网络可以作为系统的前端即预处 理器来处理含糊不清或不完善的数据，也可以作为系统的后端作出判断，或者 和专家系统、遗传算法等结合应用。基于神经网络的预测方法是神经网络近几 年形成的一个分支，正得到快速发展。1 9 8 7 年l a p e d e s 和f a r b e r 首先应用神经 网络进行预测，开创了人工神经网络预测的先河 2 】。9 0 年代中期，美国f r o n t i e r f i n a n c i a l 公司利用神经网络来对股票市场进行预测，再由专家给出相应的建议， 成功验证了神经网络预测的可行性。国内也有大量神经网络在预测分析领域中 实际应用的实例。 与传统的预测方法相比，人工神经网络预测不需要预先确定样本数据的数 学模型，仅通过学习样本数据即可以进行相当精确的预测，因此具有许多优越 性。如可以监视生产过程，能确定因果关系，其精度比一般统计方法高等。另 外，用人工神经网络方法进行计算的复杂性和计算量也均低于一般统计方法。 通常，往往采用b p 神经网络和r b f 以及它们的改进算法进行预测。 近年来，神经网络越来越多的受到人们的关注，其强大的表达非线性关系 的能力使得其在预测领域应用广泛，但是神经网络本身电具有缺陷，例如，很 难科学地确定神经网络的结构；运用b p 算法进行权值训练时容易陷入局部最 小，因此使得预测模型的可靠性和精度受到影响 4 1 。为了解决神经网络本身的 不足，人们将神经网络与其它算法相结合，利用其他算法改进神经网络来进行 预测。目前，将神经网络与数据库、遗传算法、模糊理论、专家系统、数据挖 掘等智能技术结合起来，构成新型综合神经网络系统，可弥补单一技术的不足， 这是智能化发展的趋势，而且具有极大的理论和实际意义，并能给工农业生产 带来巨大的经济效益。 1 3 本课题研究的目的和意义 本文所涉及的企、i k 为一家印染加工型企业，对于陔类企业来说产：品的质量 决定了其在市场上的竞争力。对企业的产品质量进行预测控制可以减少不必要 辫人学顺l 学位论义 的经济损失，降低生产的成本。目前，对于企业降低成本、高效益运行的最有 效手段就是进行质量预测控制。本课题的研究目的就在于，利用e r p 信息管理 的特点，将各部门在生产过程中获得的历史数据有效的利用起来，找出一种有 效的方式将分散在各个职能部门中的质量的影响因素合理的组织起来，使之能 够对生产质量进行事前预测，实现对染色过程的超前控制，从而实现对生产过 程的有效指导。 本课题的研究，为印染加工行业的企业在进行质量预测方面提供了很好的 借鉴作用，为企业在降低生产成本、提高市场竞争力方面提供了帮助。另外， 笔者根据该企业的当前状况，在已存在的e r p 系统的基础上开发了一个染色质 量预测系统，实现对染色过程的分析和管理，将分析结果提供给生产决策者， 用来修订生产过程的染色参数配置。同时，笔者将新开发的染色质量预测系统 整合到原有的e r p 系统当中。本课题的研究为染色行业的质量预测提供了一种 新的方法，为其他相关行业的质量管理提供了一种新的思路。 1 4 本文主要内容和结构安排 本文主要研究内容包括以下几个方面： 1 ) 对染色质量预测中用到的企业e r p 系统中的历史数据的分析和整理， 以及数据库的设计。 2 ) 针对染色生产过程的特点，确定影响染色质量的因素，从而选择合适的 预测模型。 3 ) 对模型的改进。笔者探索使用神经网络和遗传算法相结合技术来建立染 色质量预测模型。最终在模型的预测性能和结果精确度方面得到了提高。 根据课题的研究内容，论文共分为六章，本章主要介绍课题背景，国内外 相关技术的研究现状和发展趋势，以及课题的研究目的、意义和论文的内容等。 第二章介绍预测问题及三种传统的预测方法，在分析传统预测方法存在的不足 的基础上提出了构建智能预测系统，为预测领域提供了一种行之有效的新方法。 第三章在分别介绍神经网络和遗传算法知识的基础上，提出构建遗传神经网络 预测模型，用遗传算法优化原有神经网络，克服了单一神经网络预测存在的不 足，提高预测的速度和精度。第四章在分析影响染色质量因素的基础上，建立 海人学颂l 。学位论文 遗传神经网络预测模犁，洋绌阐述了模型的建奇过程及参数的选取，最厉对模 型的预测结果进行了分析。第五章从总体上介绍了质量智能预测系统的结构和 实现，介绍了基于c s 模式的系统架构，阐述了该结构下的数据库访问机制和 v b 程序设计实现，最后给出了系统实现的实例展示。第七章对全文进行了总 结，同时对质量智能预测系统的进一步研究和完善进行展望。 海大学硕l 学位论艾 第二章预测理论与智能预测系统 2 1 预测问题 预测是人们根据历史资料和现实，利用己掌握的知识和手段，对事物的未 来或未知状况进行的事前推断，其主要目的是为计划和决策提供依据。现代科 学管理条件下，所谓预测就是根据事物过去发展变动的客观过程和某些规律性， 参照当前已经出现和正在出现的各种可能性，运用数学和统计等方法对事物未 来可能出现的趋势和可能到达的水平所作的一种科学推测【5 】。预测问题，实质 上就是以过去的已知状况作为输入，在预测算子的作用下，得到未来结果输出 的过程( 见图2 1 ) 6 j 。 图2 1 预测问题示意图 预测问题之所以一直是人们企图解决，而由于困难又没有解决的问题，都 因为它存在着未知性。由图2 1 可以看到，这种未知包括两个方面：对过去的 状况存在未知；对预测算子的未知。 过去的状况尽管是已经发生的事情，但已发生的不等于是人们认识的。已 经记录的数据可能漏失了相当的信息，也可能提供某些错误的信息。预测算子 的选择更是关系到对预测问题的认知，这与人们已有的知识有关。图2 2 给出 了预测知识的总体情况，它表明，在所有预测知识当中，只有一小部分人们比 较清楚。 图2 2 预测知识情况图 6 海人学顾i 。学位论史 l f 是上述这些原因，使预测容易带有主观性。一般而言，预测不存在唯一 和确定的方法，所谓的唯一确定，往往只是主观意义下的结果。应该说最佳预 测实质卜是最佳综合的同意语。 2 2 三种传统预测方法简介 2 2 1 动力学预测方法 这是建立在牛顿力学基础上的一组响应的预测方程。在天文学中，日月食 预报是从天体力学的质点三体运动方程出发的；地震动力预报是以地质力学方 程组为基础的：在大气和海洋学的预报中，则以流体力学和热力学方程组为基 本方程组。它们的共同基本形式是： 一g l a ：f ( m t 、 ( 2 1 ) d t 式中旦兰表示质点随时问的个别变化，a 代表质点的某一物理属性的特征量，f “f 是影响质点的外界条件，m 代表空间坐标，t 代表时间。 式( 2 1 ) 中如果函数厂= 0 ，表示没有外界影响，则竿= 0 ，即a = c o n s t ， d f 表示浚物理属性的特征量守恒。如果式( 2 1 ) 右边的， 项是确定的，那么它就 成为一个严格的数学物理方程，在一定的初值条件下，它的解就存在并唯一确 定。根据数理方程要求，初值应该是方程在tc 0 时刻的解，因此预测问题就转 化为：如何使初值与方程相容，并使之满足t = 0 解的条件。这就是上一节中所 说的“已经记录的数据”的影响；要得到所需的预测结果，一般采用时间逐步外 推的数值求解方式。当然，对于三体运动类问题，可以采用更简捷的方法。这 类预测方法的基本前提是：质点的运动变化完全由( 2 1 ) 式的右端项决定，只 要右端项确定，解就随之确定，这里不存在任何的不确定问题。可是当作进一 步探讨时就会发现，相当多的预测问题都带有经验性和主观性【了1 。 2 22 统计预测方法 这类预测方法在社会科学和经济领域有着更广泛的应用，它是以概率统计 为基础，统计量( 平均值、方差等) 为对象进行的预测，可以反映宏观的规律 海大学顺l 学位论文 性，如果假设相关联系可以表征某种因果关系，则多元回归可看作多凶素的一 种联系。 从八十年代起，我国出版的大量关于统计预测的著作中，预测方法一般是 回归分析、移动平均、指数平滑等【8 】。这些方法对于一些情况复杂，满足统计 特征条件，又需要进行趋势性预测的问题( 如人口问题，经济与市场动向问题) 比较有效。有些由于实际需要，而又没有其他更好的方法可用( 如长期天气预 报) ，应用这种方法也是可行的。但对于非平稳过程，对一些小概率事件，如各 种灾害的预测( 暴雨、冻雹预报，地震预报，海啸预报等) ，这些方法会遇到一 定的困难，效果必然会有局限。 2 2 3 经验预测方法 在自然界各种因素间具有错综复杂的联系，对其中的一些关系很难应用数 量来表示，只能采用一些定性的描述，例如，一场重大灾害的发生和演变的条 件、因素等，决不是用公式和方程式所能概括的。 同样地，对通常事件的预测，一般也不是动力学预测或统计预测所能解决 的。长期的实践充分证明，一个有经验的专家在处理这类问题时，要比一个初 出茅庐的人高明得多。这些经验有编书出版的，也有在民间流传的。这类预测 方法的一个显著特点是没有固定的程式，它会因人、因事、因时、因地而异。 经验预测区别于前两种预测方法的另一个特点是，它以综合推理为主，非 数值计算为其基本特征，这里需要作的是对己获取的信息进行综合分析，最后 作出推断【6 】。 经验预测方法是以丰富的信息为前提，以经验性知识为基础的。信息与知 识情况是经验预测能否有效的两个必要条件。 2 3 智能预测系统 2 3 1 人工智能的研究和应用领域 智能活动的核心是知识，没有知识也就无所谓智能活动，因此可以晚，人 工智能研究的关键是知识的研究，这就构成了人工智能知识工程研究的兰大基 海人学砸i j 学位论史 本问题1 9 1 。 ( 1 ) 知识表示：它要研究的是在计算机中要采用怎样的符号数据结构，卅 能恰当地表示相应的知识，以便于应用。 ( 2 ) 知识利用：如何利用已有的知识解决面临的问题，以及如何才能使推 理迅速、有效。 ( 3 ) 知识获取：这是人工智能研究中最困难也是最重要的部分。它的基本 内容是如何让计算机自动地获取为解决问题所必需的知识。它实际上要解决的 是机器学习问题。 人工智能学是一门边缘性学科，与其他学科在不少方面有着交叉。然而， 人工智能毕竟是一门独立的学科，有着自己特定的研究课题：如自然语言处理、 自动定理证明、智能检索、计算机视觉、智能程序语言、自动程序设计和问题 求解等。需要说明的是这里所说的问题求解是侠义的，因为从广义来讲，上述 这些课题都可以叫做问题求解，这里的问题求解是指基于知识的、从有限的可 能解空问中寻找一个或一组解的方法。 自然语言处理的一个重要应用领域就是机器自动翻译。目前已实现了几种 西文之间文字的机器翻译，口语翻译由于语音识别的限制，只有局部的成功。 至于中西文之问的翻译，由于文字和语法结构上的差异，尚需作更多的努力。 智能检索在数据库设i t ；f u 管理使用中，有着巨大的应用价值，因为一般的 数据库检索只是提供实况数据，不能也不可能得到推理性结果，而智能检索则 可以利用知识，经过演绎，得出一般数据检索得不到的答案。 计算机视觉在机器人设计和遥感应用( 特别在军事) 上都有十分重要的作 用。它的主要工作特点就是从极其庞大、难以处理的输入数据中提取( 识别) 某些有意义的、易于处理的描述，这种描述往往是与特定的要求和知识密切相 关，最终导致概念模型的建立。 问题求解是一个研究和应用都很广泛的课题，本文所讨论的核心预测 问题，就是一个问题求解，智能预测系统可看作是一个问题求解系统，它包括 难题分解：若干子问题分层规划；解空问的搜索和回溯技术以及解的最佳组合 等。 海人学蜘ll j 学位论义 2 3 2 智能科学与传统数学在问题求解处理上的差别 传统的数学方法，是把客观事物加以抽象，舍弃事物的内涵，提取事物的 数量变化规律，建立数学空问进行问题求解，得i ：t ：i 具有唯一性的定理和结论。 这种数学空l 刨方法可以表征如图2 3 。 图2 3 传统数学的问题求解方法 智能学方法“不但分析事物的数量方面，更为主要的是分析事物的内涵，建 立知识空间，得出的命题并非唯一，亦即可能有多种答案或结论。这种知识空 问方法可以表征如图2 4 。 图2 4 智能学的问题求解方法 上述两种方法的差异表现在除事物之外的全过程。首先是对客观事物的特 征提取，经典数学方法考虑的是数量关系，智能法则考虑语义和内涵；其次， 数学方法是建立数学模型和方程，智能法则是形成知识模型和规则；数学法强 调的是解的存在唯一，而智能法恰恰突破了解的唯一性限制6 1 。正是由于智能 法的这些特点，扩展了问题求解的领域。 233 智能预测系统 2 3 3 1 智能预测系统产生 【叮以从以下三个方面来看智能预测系统的产生【6 】： ( 1 ) 学科发展的需要 从预测的观点来看上面介绍的三种预测方法，各有自己的优势和不足，如 何保持优点，克服不足，自然成为需要考虑的问题。特别是经验预测方法，大 量的手工操作与信息的高速传输很不适应，经验性知识的客观表示和系统化则 是另一个问题，这两个问题在各类预报专家系统的实践中已r 益暴露出矛盾的 尖锐性。在人工智能方面，过去知识工程的三大课题是分别加以研究的，尽管 海人学埘! l j 学位论史 也都取得了相当的进展，获得了一些有实用价值的成果，但难于在实际中应用， 这是人工智能工作所面l 临的难点。学习是人工智能中的难点，进展不快，但如 果这个问题不解决，智能就难以达到高水平。 ( 2 ) 社会与生产发展的需要 随着社会与生产的发展，对预测的客观性和准确性提出了更高的要求，特 别是对各种灾害的预测，更是人们关注的中心。然而在目前情况下，在灾害性 预测中，经验性知识占有重要地位，专家们凭借他们“善于猜测”的技术，作出 了令人吃惊的、然而是相当准确的预报，如1 9 7 5 年的海城地震，1 9 8 1 年的四 川暴雨，都是由于事前的预报，避免或减少了损失。 确切地表示，正确地利用以至让机器自动获取这些知识，在继承基础上发 展，以适应建设的需要，已成为当务之急。 ( 3 ) 效益的巨大推动 实践是检验真理的唯一标准。几年来的气象预报专家系统得到业务部门广 泛、热列的欢迎和支持，取得了明显的社会、经济效益，反过来，它又给智能 预测以巨大的动力，推动它向更深和更高的层次发展。 智能预测系统正是在这样的环境条件下产生的，它使预测工作建立在更加 客观，智能化程度更高的某础上，为了适应预测的时效要求，在自动化方面， 特别在数据和信息的自动采集方面，在整个工作的系统性方面都进入到了一个 新的阶段。 2 3 3 2 智能预测系统的基本构成 智能预测系统由数据和知识两大部分组成，数据部分包括数据的采集、有 效信息提取和储存三方面的内容；在数据接收时，必须考虑可能产生的误差及 校正办法；在有效信息提取工作中，提出了基于统计特征提取知识的识别方法； 储存必然要联系到存放形式、管理和检索，由于智能预测系统中的数据有原始 数据和知识型数据( 也叫智能数据) 之分，因而储存具有分层结构的形式。知 识部分是将知识工程的三大组成( 知识表示、知识利用和知识获取) 有机地结 合起求，在考虑知识表示时，设计了基础知识和应用知识的分层表示方式，知 识利用包括对各种信息的合成理解、推断和对策等，这是本系统的核心部分， 通过它实现问题求解；知识获取在系统设计中分两部分，基础知识将主要由人 海人学 ! l ：学位论立 提供，少量的可以通过非数值模拟给出，应用知识则将由人与机器学习共同解 决，机器学习的一个重要任务是对原有知识进行检验和完善，以改进系统的性 能。智能预测系统的结构框图如图2 5 所示： 图2 5 智能预测系统结构框图 智能预测系统包括两个库和五个分系统6 1 。它们是知识库、智能数据库、数 据接收与质量管理分系统、信息压缩与识别分系统、信息合成与理解分系统、 推断与对策分系统以及机器学习分系统。非数值模拟在系统设计中是作为机器 学习的一个辅助系统考虑的。系统的设计是以实现预测业务工作要求为目标的。 因此不但要考虑系统的整体性和高效率，而且还要考虑工作环境和服务对象。 目前的通讯条件、计算机状况以及用户要求，是一个实用系统设计必须考虑的， 它关系到系统能否实现和使用效果。例如数据信息量与计算机容量及处理速度 的矛盾，它不但要求系统引入信息压缩和图象识别等内容，而且要解决多种语 言的接【_ j 问题。又如为了取得良好的服务效果，就需要考虑预测最佳组合和智 能对策问题。 2 4 本章小结 本章首先介绍了预测问题及三种传统的预测方法，分析了传统预测方法存 海人学坷! i 。学位论殳 在的缺陷和不足：继而在分析智能科学l j 传统数学求解问题处理差别的基础f 提出了构建智能预测系统，智能预测的核心是基于知识的推理，作出预测判断 智能预测系统的提出为预测领域提供了一种行之有效的新方法。 海人学顺i 学位论义 第三章遗传神经网络 3 1 人工神经网络 人工神经网络的出现是随着生物的进步而发展起来的一门学科，自它诞生 之h 就倍受瞩目。它的发展虽然倍受挫折，却表现出强大的生命力。现在神经 网络作为有效的非线性工具，已经在很多领域被广泛应用，并取得了辉煌的成 果。 3 1 1 人工神经网络概述 人工神经网络( a n n a r t i f i c i a ln e u e r a ln e t w o r k s ) 的研究开始于2 0 世纪4 0 年代。半个多世纪以来，它经历了一条由兴起到衰退、又由衰退到兴盛的曲折 过程，大致经历了以心理学家w s m c c u l l o c h 和数学逻辑学家w p i t t s 建立了神 经网络模型( m p 模型) 为代表的初始发展阶段；以1 9 6 9 年，美国麻省理工学 院的人工智能专家m ，m i n s k y 和s p a p e r t 共同出版了名为感知器的专著为标 志的低潮时期：之后，以美国加州工学院物理学家j j h o p f i e l d 提出了h o p f i e l d 神经网络模型，引入了“计算能量”概念为标志的复兴时期；自2 0 世纪8 0 年代 中期以来，神经网络技术的研究始终呈现蓬勃活跃的局面，理论不断深入，应 用范围不断扩大。尤其进入2 0 世纪9 0 年代，随着i e e e 神经网络会刊的问世， 各种论文专著逐年增加，在全世界范围内逐渐形成了研究神经网络前所未有的 新高潮【1 。 神经网络理论的研究和发展涉及神经生理科学、数理科学、信息科学和计 算机科学等众多领域，是一种新的信息处理理论，是- - 1 7 高度综合的交叉学科。 作为人工智能的一个最活跃的分支，a n n 模拟人脑的工作方式，为解决复杂的 非线性、不确定性、不确知性系统的问题开辟了一个崭新的途径，因而在预测 领域得到了广泛的应用】。 人工神经网络是人脑思维系统的一个简尊结构模型，是多个神经元连接而 成的多层网络，可模仿基本形式的人脑神经元的功能。人工神经元模型就是从 数学角度l 对生物神经元的抽象与模拟其结构如图3 1 所示”“。 4 海人学顺卜学位论文 幽3 1 人上神经元模型 其中，一，“为神经元的h 个输入，w 0 为第 ，个神经元与第i 个神经元的 连接权值，b 为第j 个神经元的阈值，第f 个神经元的输入总和a ，= 。，一b j = l 厂为作用函数或激励函数，神经元输出y ，= 厂( w 口x ，- b ，) 。根据作用函数将神 经元模型分为四类：阈值型神经元、s 型神经元、伪线性神经元和概率型神经 元。 神经元的工作过程一般是： 从各输入端接收输入信号x ； 根据连接权值w 。，求出所有输入的加权和： 爿。= 。厂6 j ( 3 1 ) 用某一作用函数i 厂进行转换，得到输出y 乃= 厂( w l j x ， ( 3 - 2 ) 根据神经元输入输出特性的不同，可采用不同的作用函数，主要有以下几 种形式： 1 ) 硬极限传输函数 ：j1(3o)(3-3)a= 1 0 ( s 0 ) 对称硬极限传输函数 晦人学顺l 。学位论文 线性函数 饱和线性函数 对称s 型函数 双曲j 下切s 型函数 3 1 2 人工神经网络的分类 f 1 0 o ) 【一10 o o 蔓s 茎1 s 0 。现在比较熟悉的学习规则可分为以下几类： ( 1 ) 相关规则 相关规则常用于自联想网络，执行特殊记忆状态的死记式学习，采取修正 的h e b b 规则公式如下所示： = ( 2 v 。一1 ) ( 2 v ，一1 ) ( 3 - 9 ) ( 2 ) 纠错规则 纠错规则依赖于输出节点的外部改变权系数，从方法上等效于梯度法 ( l m s ) ，通过在局部最大改善的方向上- d , 步、一小步地进行修正，力图达 到表示函数功能问题的全局解。当将权值增量取与误差成比例时，即为6 学习 规则。6 学习规则分为一般6 学习规则和广义6 学习规则。 一般6 学习规则 设( x 。，匕) ，k = 1 , 2 ，p 为输入、输出样本，样本j 。= i x ，x ：，x 。r ， k = y ，y 。一，y 。】7 。将x 。作为网络的输入，在连接权作用f ，可得到网络的 实际输出o 。= 。，o ! ，一，o 。 7 ，则权值的调整公式如下所示： 海人学饰学位论文 w 口= q f i j v 。，= f ( y ，一d ，) ( 3 1 0 ) 式中函数f ( o ) 根据具体情况而定。 广义6 学习规则 它可用于多网络上有效地学习，其关键是对隐节点的偏差6 如何定义和计 算，它可学习非线性可分函数。 ( 3 ) 无导师学习规则 它的关键不在于实际节点的输出与外部的期望输出一致，寻找一种特殊映 射函数的表示；而在于调整参数，将事件空间分类成输入活动区域，并有选择 地与这些区域相对应。 3 1 5b p 神经网络 人工神经网络有很多模型，但是目前应用最广、基本思想最直接、最容易 被理解的是b p 网络。b p 网络是一种多层前馈神经网络，网络权值的调整规 则采用的是后向传播学习算法( e r r o r b a c k - p r o p a g a t i o n ) ，即b p 学习算法。b p 学习算法是r u m e l l h a r t 等在1 9 8 6 年提出的。自此以后，b p 神经网络获得了广 泛的实际应用。据统计，8 0 9 0 的神经网络模型采用了b p 网络或者它的变 化形式。b p 网络是前向网络的核心部分，体现了神经网络中最精华、最完美 的内容。 1 5 1 3 1 5 1b p 神经网络结构 1 9 8 9 年r o b e r th e c h t - n i e l s o n 证明了对于任何在闭区间的一个连接函数都 可以用含有一个隐含层的b p 网络来逼近，因而一个三层结构的b p 网络完全 可以完成任意n 维到m 维的映射”1 ，因此，通常b p 网络多采用单隐层结构， 如图3 4 所示。本文办采用单隐层的b p 神经网络建模。在三层的前馈网络模 型中，输入向量x = ( x ，x ：，_ ，x 。) 7 ，如加入x 。= - 1 ，可为隐层神经元引 入阂值：隐层输出量为y = ( y 。，y 1 ，一，yj ，) 7 ，如加入y 。= - 1 ，可为输出 层神经兀引入阈值；输出层向量为0 = ( d ，d ：，d 。，0 1 ) 7 ；期望输出向量为 d = ( d ，d - ，d - ，( f ，) 7 。输入层到隐含层之间的权值矩阵用v 表示， 海人学岫j 学位论文 v = ( b 叫，) ，其中列向量v j 为隐含层第_ ，个神经元对应的权向量；隐 含层到输出层之间的权值矩阼用彬表示，= ( w l ，w ：，w ，w i ) ，其中列向量 w 。为输出层到第k 个神经元对应的权向量。由此得到各层之f 刚的数学关系 对于输出层 x n x n 对于隐含层 图3 4 b p 网络模型结构 n e t = w 业y y = f ( n e t ，) n e t ，= v f j j = 1 , 2 ，一，m j = 1 , 2 ，- 一，m 0 d ( 3 一1 1 ) ( 3 1 2 ) ( 3 1 3 ) ( 3 - 1 4 ) 式( 3 1 1 ) 与( 3 1 3 ) 中，( x ) 为作用函数，隐含层神经元+ 般采用单极性对 数s i g m 。i d 函数厂( x ) = i 七i ，该函数具有连续、可导的特点，可使得隐含层 的输 h 征一个较小的范围