人工智能建模方法

主要内容1.人工智能建模相关概念2.人工智能的两个流派2.1基于知识的人工智能系统2.2人工神经网络3.基于知识的人工智能建模4.人工神经网络建模5.人工智能建模发展趋势6.小结1.相关概念人工智能：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。

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系统的某一部分进行描述和表达的过程。

2.1基于知识的人工智能系统

Artificial

Intelligent

System

Based

onKnowledge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、符号主义或逻辑主义。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各种知识（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推理。2.1基于知识的人工智能系统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、判断和推理这些抽象语言符号的基础上。关键问题1：知识的表示如何把专家知识转化为机器所能识别、存储和使用的形式。2.1基于知识的人工智能系统常用知识表示方法谓词逻辑适用场合——用于表达概念和判断等事实知识。举例——“鲸是哺乳动物”这一判断用谓词逻辑表示为：哺乳动物（鲸）；产生式规则适用场合——适于表达具有因果关系的逻辑推理知识。举例——“如果是合金钢，应该进行热处理”这一推理用产生式规则可以表示为：IF合金钢THEN热处理；框架表示适用场合——表达多方面多层次结构知识举例——桌子可以用框架表示为：{桌面，桌腿1、桌腿2、桌腿3、桌腿4、桌面与桌腿的连接}。过程表示适用场合——用于表示某一操作序列。举例——做馒头用过程表示表示为：{和面、定型、蒸、起锅}。2.1基于知识的人工智能系统关键问题

2：推理方法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。

常用推理方法：由已知条件推出结论的正向推理

由结论出发，寻找应具备条件的反向推理

综合使用正向推理和反向推理的双向推理方法。

研究热点：知识表示和推理中的不确定性和模糊性问题。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80%。

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：“温度高”的表述。2.1基于知识的人工智能系统优点：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，使得用户对系统机理可以具有明确的认识。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、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。

2）存在“组合爆炸”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。3）精度不高，容错能力差。由于知识获取的困难和“组合爆炸”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，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。

2.2人工神经网络

ArtificialNeuralNetworks一种从生理解剖角度，通过模仿人脑的生理结构来模拟人类智能的方法。理论依据：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，然后由轴突输出；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的记忆过程。2.2人工神经网络人工神经网络模型黑箱2.2人工神经网络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。

关键问题1

：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。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：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。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实现输入模式的自动分类。

2.2人工工神神经经元元网网络络关键键问问题题2：学习习方方法法对于于神神经经元元网网络络而而言言，，所所谓谓学学习习实实际际上上就就是是根根据据典典型型实实例例样样本本（（也也称称训训练练样样本本））确确定定各各神神经经元元权权值值ωi的过过程程。。主要要学学习习方方法法：：在神神经经元元网网络络设设计计中中，，直直接接利利用用训训练练样样本本数数据据计计算算网网络络权权值值；；在神神经经元元网网络络设设计计时时先先将将网网络络权权值值取取为为任任意意值值，，然然后后将将训训练练样样本本输输入入神神经经元元网网络络，，通通过过不不断断调调整整网网络络权权值值，，使使神神经经元元网网络络的的输输出出接接近近于于理理想想输输出出。。该类类学学习习方方法法又又可可以以分分为为由由神神经经元元网网络络自自身身完完成成输输出出误误差差确确定定和和网网络络权权值值调调整整的的““无师师学学习习”和和由由网网络络外外的的其其它它装装置置完完成成输输出出误误差差确确定定和和网网络络权权值值调调整整的的““有师师学学习习”。。2.2人工工神神经经网网络络优点点：：具有有自自学学习习、、自自组组织织、、自自适适应应能能力力。。存储储的的分分布布性性、、运运行行的的并并行行性性。。强的的拟拟合合能能力力。。可可以以拟拟合合任任意意的的函函数数，，特特别别是是具具有有非非凡凡的的非非线线性性影影射射能能力力。。黑箱箱性性。。只只需需将将系系统统的的样样本本数数据据输输入入到到神神经经元元网网络络，，神神经经元元网网络络即即可可通通过过学学习习建建立立系系统统模模型型。。缺点点：：缺乏乏透透明明性性。。用用户户即即无无法法理理解解神神经经元元网网络络中中存存储储的的知知识识，，也也无无法法了了解解神神经经元元网网络络的的推推理理过过程程。。设计计理理论论尚尚不不完完善善。。对对于于神神经经元元网网络络结结构构的的设设计计仍仍然然依依靠靠设设计计者者的的经经验验，，尚尚无无成成熟熟的的设设计计理理论论作作为为指指导导。。学习习方方法法仍仍然然存存在在问问题题。。主主要要表表现现在在需需要要反反复复学学习习，，学学习习效效率率低低，，训训练练速速度度慢慢，，学学习习不不稳稳定定，，有有时时无无法法取取得得预预期期效效果果；；可可塑塑性性差差，，新新的的学学习习内内容容有有时时会会对对原原有有知知识识造造成成影影响响。。3.基于于知知识识的的人人工工智智能能建建模模定义义：：基基于于知知识识的的人人工工智智能能建建模模就就是是采采用用基基于于知知识识的的人人工工智智能能方方法法对对实实际际系系统统或或系系统统的的某某一一部部分分进进行行描描述述和和表表达达的的一一种种方方法法。。适用于于无法法进行行精确确描述述，但但积累累了大大量实践经经验，可以以利用用经验验知识识进行行求解解，且且对精精度要要求不不高的的场合合。3.基于知知识的的人工工智能能建模模步骤骤明确建建模对对象和和目的的。选择影影响因因素。收集资资料。知识表表达。对收集集的知知识和和经验验，选选择适适宜的的知识识表达达方法法。选择推推理方方式。根据据实际际问题题求解解的需需要，，选择择合适适的推推理方方式。。模型的的建立立。采用用通用用语言言、数数据库库或者者是商商品化化的专专家系系统开开发工工具，，对该该模型型加以以实现现。模型的的验证证。通过过不断断的实实验和和改进进，以以保证证模型型的正正确性性。模型的的应用用。经过过验证证达到到要求求的精精度和和可靠靠性后后，该该模型型就可可以运运用于于实际际生产产中，，发挥挥模型型的优优化、、预测测、控控制、、识别别、证证实等等功能能。3.基于知知识的的人工工智能能建模模示例例锌电解解过程程电流流效率率模型型问题描描述锌的电电解是是锌的的湿法法冶炼炼技术术中最最关键键的一一道工工序。。也是是一个个大的的耗能能过程程。。如何何在锌锌电解解生产产中减减少电电能消消耗成成为锌锌湿法法冶炼炼行业业一个个值得得深入入研究究和探探讨的的课题题。在生产产率和和电解解电压压一定定的条条件下下，要要降低低电能能消耗耗，关关键是是提高高电流流效率率。而而要提提高电电流效效率，，首先先必须须建立立锌电电解过过程工工艺参参数与与电流流效率率间的的模型型，然然后通通过优优化方方法，，不断断调整整工艺艺参数数，使使系统统运行行在电电流效效率较较高的的状态态，从从而达达到减减少电电能消消耗的的目的的。电解中中工艺艺参数数与电电流效效率之之间的的关系系错综综复杂杂，非非线性性明显显，无无法从从反应应机理理上分分析求求得它它们之之间的的数学学关系系。另另一方方面，，通过过长期期工业业生产产实践践经验验的积积累，，现场场工艺艺人员员建立立了工工艺参参数与与电流流效率率之间间的定定性关关系和和经验验公式式，因因此，，很容容易建建立基基于知知识的的人工工智能能模型型。3.基于知知识的的人工工智能能建模模示例例1）建模模对象象与目目的：建模模对象象为锌锌电解解过程程中工工艺参参数与与电流流效率率之间间的关关系。。建模模的目目的是是实现现工艺艺参数数的优优化，，从而而提高高电流流效率率，降降低能能源消消耗。。2）选择影影响因因素。根据据操作作人员员经验验和实实验分分析，，影响响电流流效率率的因因素（（工艺艺参数数）主主要是是电解解液中中的锌锌酸比比（锌锌离子子Zn2+与硫酸酸之比比）、、电解解液的的温度度和电电流密密度。。通过过电解解槽中中冷却却系统统的作作用，，电解解液的的温度度一般般变化化不大大，因因此，，在建建立模模型时时不必必考虑虑。3）收集资资料。通过过翻阅阅该厂厂的操操作手手册并并和操操作人人员交交流，，可以以得到到工艺艺参数数与电电流效效率之之间的的关系系如表表1所示：：3.基于知知识的的人工工智能能建模模示例例表1电流效效率的的计算算公式式锌酸比Ra/z电流密度DK电流效率η的经验计算公式很小较小η=-0.817Ra/z+0.0623DK+72.8044较大中等η=2.9409Ra/z-0.0412DK+102.2767较小较大η=0.1232Ra/z+0.01DK+86.0895非常大大η=24.6149Ra/z-0.0052DK+0.6665非常小很小η=15.0624Ra/z+0.0867DK+32.7928很大小η=23.4508Ra/z-0.3252DK+43.1364较小很大η=-1.8327Ra/z-0.0215DK+111.5273大较小η=-21.8359Ra/z+0.4191DK+100.94823.基于知知识的的人工工智能能建模模示例例对于其其中锌锌酸比比Ra/z和电流流密度度DK的模糊糊语言言变量量都可可以采采用如如下隶隶属函函数形形式:这些模模糊语语言变变量隶隶属函函数的的参数数见表表23.基于知知识的的人工工智能能建模模示例例表2模糊语语言变变量隶隶属函函数的的参数数输入变量锌酸比Ra/z语言变量非常小很小小较小较大大很大非常大隶属函数中心C3.153.173.193.213.753.773.783.82宽度σ0.080.080.120.230.180.250.210.05输入变量电流密度DK语言变量很小小较小中等较大大很大隶属函数中心C100150250300500600750宽度σ103.41103.41103.41103.41103.41103.41103.413.基于知知识的的人工工智能能建模模示例例4）选择知知识表表达方方式。由于于上述述知识识实质质上是是基于于因果果关系系的推推理，，可以以采用用产生生式规规则表表示。。例如如第一一条知知识用用产生生式规规则表表示为为：IF锌酸比比很小小AND电流密密度较较小THEN电流效效率η=-0.817Ra/z+0.0623DK+72.80445）选择推推理方方式。由于于在工工艺参参数的的实时时优化化过程程中，，一般般是得得到一一对具具体的的工艺艺参数数，来来预测测电流流效率率，因因此，，可以以采用正正向推推理方法。。具体的的推理理过程程是：：首先先根据据实测测的一一对工工艺参参数（（锌酸酸比Ra/z和电流流密度度DK）分别别带入入隶属属函数数表达达式，，计算算模糊糊语言言变量量的隶隶属度度。取取隶属属度最最大的的一个个作为为该工工艺参参数所所对应应的模模糊语语言，，从而而将具具体的的工艺艺参数数转变变成为为与产产生式式规则则前提提相一一致的的模糊糊语言言。然然后利利用模模糊语语言去去逐个个匹配配产生生式规规则的的前提提部分分。当当前提提部分分完全全匹配配时，，利用用该规规则的的结论论部分分的经经验公公式，，即可可得到到该工工艺参参数对对应的的电流流效率率。例如，，设当当前测测得的的锌酸酸比Ra/z和电流流密度度DK分别为为3.162，252。带入入隶属属度函函数后后，计计算得得到各各语言言变量量对应应的隶隶属度度如表表3所示。。3.基于知知识的的人工工智能能建模模示例例表3当锌酸酸比Ra/z和电流流密度度DK分别为为3.162、252时各语语言变变量的的隶属属度输入变量锌酸比Ra/z=3.162语言变量非常小很小小较小较大大很大非常大隶属度0.99910.99960.9970.9950.3830.4770.4030.013输入变量电流密度DK=252语言变量很小小较小中等较大大很大隶属度0≈00.981≈0000通过表表3的计算算，可可将锌锌酸比比Ra/z=3.162，电流流密度度DK=252这样的的具体体工艺艺参数数转换换为锌锌酸比比很小小，电电流密密度较较小这这样的的模糊糊语言言，从从而与与4）中作作为例例子的的规则则相匹匹配，，对应应的电电流效效率可可由该该规则则的结结论部部分的的经验验公式式算得得，即即电流流效率率η=-0.817Ra/z+0.0623DK+72.8044=85.92。6）模型的的建立立。该模模型比比较简简单，，可采采用通通用程程序语语言的的方式式加以以实现现。7）模型的的验证证与应应用。将模模型得得到的的结果果与实实测的的电流流效率率进行行比较较，验验证模模型的的正确确性和和可靠靠性。。经过过验证证的模模型即即可用用于工工艺参参数的的优化化。4.人工神神经网网络建建模定义：：人工工神经经元网网络建建模就就是采采用人人工神神经元元网络络对实实际系系统或或系统统的某某一部部分进进行描描述和和表达达的一一种方方法。。适用于于无法法根据据系统统机理理建立立模型型，但但积累累了大大量实实践或或实验验数据据，且且系统统输入入输出出之间间呈现现明显显非线线性特特性的的场合合。4.人工神神经网网络建建模步步骤确定建建模的的对象象和目目的。。选择影影响因因素。。收集样样本数数据。。设计神神经元元网络络。根据问问题需需要和和实际际问题题的特特点，，确定定网络络类型型、网网络层层数、、每层层的节节点数数等。。同时时利用用软件件或硬硬件对对神经经元网网络加加以实实现。。神经元网网络的训训练。根据神经经元网络络类型，，选择合合适的学学习方法法。利用用该学习习方法，，将上述述样本数数据输入入神经元元网络，，对神经经元网络络进行训训练。模型的验验证。输入非训训练样本本数据，，检验神神经元网网络输出出是否在在允许的的范围内内。如果果神经元元网络输输出在允允许的范范围内，，则接受受该模型型，否则则分析原原因，重重新进行行样本数数据收集集、神经经元网络络的设计计和训练练。检验验用的数数据样本本一般也也从收集集到的样样本中获获得，可可以将收收集的样样本分为为两部分分，一部部分用于于网络训训练，一一部分用用于网络络的检验验。模型的应应用。经过验证证达到要要求的精精度和可可靠性后后，该模模型就可可以运用用于实际际生产中中。具体体运用时时，保持持网络权权值不变变，将现现场各影影响因素素的数值值直接输输入神经经元网络络，神经经元网络络的输出出即为模模型的输输出。4.人工神经经网络建建模示例例油井钻探探中钻压压优化模模型问题描述述自动送钻钻技术是是油井钻钻探自动动化中的的一门关关键技术术。目前前的自动动送钻技技术以恒恒钻压送送钻为主主。由于于钻压与与井下状状况、钻钻井效率率、钻头头寿命等等密切相相关，不不合理的的钻压会会导致效效率低下下，成本本上升甚甚至于钻钻井事故故的发生生。因此此，如何何根据实实际钻井井情况，，不断调调节钻压压，就成成为问题题的关键键，这就就是钻压压优化自自动送钻钻技术的的由来。。要实现钻钻压优化化自动送送钻，首首先必须须建立钻钻压优化化模型。。实际生生产中已已积累了了大量的的关于最最优钻压压和钻压压影响因因素之间间关系的的实测数数据，并并且最优优钻压和和钻压影影响因素素之间呈呈现明显显的非线线性关系系，因此此，钻压压优化模模型适合合于用神神经元网网络来建建立。4.人工神经经网络建建模示例例建模对象象与目的的。建模对对象为最最优钻压压与影响响因素之之间的定定量关系系。建模模目的是是寻找在在特定影影响因素素下的最最优钻压压。选择影响响因素。根据实实际钻井井中获得得的经验验，钻压压的选择择一般与与下列因因素有关关：钻头头直径、、下钻井井深、起起钻井深深、泵的的转速、、泵压、、泵的排排量、钻钻速。收集样本本数据。表4为在实际际生产中中收集到到的样本本数据。。4.人工神经经网络建建模示例例表4样本数据据集编号钻头直径(mm)下钻井深(m)起钻井深(m)钻压(kN)转速(r/min)泵压(MPa)排量(l/min)钻速（m/min）1234567891011121314311311311216216216216216216216216216216216100.002142.282736.363110.953552.083837.744098.274299.234452.144572.534682.754775.984854.614928.302142.282736.363110.953552.083837.744098.274299.234452.144572.534682.754775.984854.644928.305000.00273.49267.94267.94156.64146.64146.64147.44147.44147.44147.44147.44149.04149.04149.04756060707575656565656560606025.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3625.3661.2554.6653.0026.4024.7825.3926.1927.1627.9526.5425.1023.6423.0423.044.344.224.183.583.433.413.373.353.283.203.113.113.083.004.人工神经经网络建建模示例例设计神经经网络。该模型型为一非非线性拟拟合问题题，可以以采用多多层前向向网络。。其中输输入节点点数取因因素数7，输出层层由于只只有钻压压一个参参数，因因此取1，根据经经验公式式，隐藏藏层节点点数取输输入层的的2～3倍，这里里取14。构造的的神经元元网络如如图2所示。对对该神经经网络可可以直接接采用高高级语言言进行模模拟。4.人工神经经网络建建模选择神经经元网络络学习方方法并对对神经元元网络进进行训练练。这里选择择多层神神经元网网络的经经典学习习方法——BP算法。其其基本思思想是，，将样本本数据输输入输入入端，逐逐层计算算网络输输出，将将网络输输出与标标准优化化钻压相相比较。。如果误误差足够够小，则则结束该该样本的的训练，，进入下下一样本本的训练练。否则则反向计计算各层层误差，，然后逐逐层调整整网络权权值，使使误差不不断减少少。等所所有样本本训练结结束后，，整个训训练过程程结束。。为了方方便模型型的检验验，可以以从上述述十四个个样本中中抽取十十个