14第八章人工智能

第八章人工智能高等醫(yī)藥院校藥學(xué)類(lèi)規(guī)劃教材——計(jì)算機(jī)在藥學(xué)中的運(yùn)用第一節(jié)人工智能根底目錄第二節(jié)人工神經(jīng)網(wǎng)絡(luò)第三節(jié)生物醫(yī)藥機(jī)器人沈陽(yáng)藥科大學(xué)計(jì)算中心沈陽(yáng)藥科大學(xué)計(jì)算中心第一節(jié)人工智能根底第一節(jié)人工智能根底大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)一、人工智能的概念和由來(lái)生命科學(xué)群和信息科學(xué)群是當(dāng)今世界最具有開(kāi)展力的兩大學(xué)科群，而人工智能〔ArtificialIntelligence,AI〕那么是這兩個(gè)學(xué)科群中最重要、最具前景的交叉領(lǐng)域。人工智能是一門(mén)由計(jì)算機(jī)科學(xué)、控制論、信息論、言語(yǔ)學(xué)、神經(jīng)生理學(xué)、心思學(xué)、數(shù)學(xué)、哲學(xué)等多種學(xué)科相互浸透而開(kāi)展起來(lái)的綜合性新學(xué)科。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)人工智能的中心在于“智能〞，我們可以將智能了解為記憶與思想的才干、感知的才干、行為才干和具有學(xué)習(xí)和順應(yīng)的才干。從“才干〞的角度上講，人工智能是相對(duì)于人的自然智能而言的，是指用人工的方法在計(jì)算機(jī)上實(shí)現(xiàn)的智能。從科學(xué)的角度來(lái)講，人工智能是一門(mén)研討如何構(gòu)造智能機(jī)器或智能系統(tǒng)，使它能模擬，延伸和擴(kuò)展人類(lèi)智能的學(xué)科。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)二、人工智能的開(kāi)展歷程1.孕育期〔1956年以前〕1946年，在美國(guó)誕生了世界上第一臺(tái)電子數(shù)字計(jì)算機(jī)ENIAC。在同一時(shí)代，控制論和信息論創(chuàng)建，生物學(xué)家設(shè)計(jì)了腦模型。這些成果都為人工智能學(xué)科的誕生奠定了實(shí)際與實(shí)驗(yàn)根底。2.構(gòu)成期〔1956年—1970年〕1956年，人工智能的研討獲得了兩項(xiàng)艱苦突破。第一項(xiàng)為哪一項(xiàng)紐厄爾、肖〔Shaw〕和西蒙研討組編制的邏輯實(shí)際程序LT〔LogicTheoryMachine〕，可以模擬人們用數(shù)理邏輯證明定理的思想。第二項(xiàng)是IBM工程研討組的塞繆爾研制的西洋跳棋程序。這個(gè)程序可以像一個(gè)優(yōu)秀棋手那樣，向前看幾步來(lái)下棋，并且能在下棋過(guò)程中積累閱歷，不斷提高棋藝。1959年，這個(gè)程序戰(zhàn)勝了設(shè)計(jì)者本人，1962年它又擊敗了美國(guó)一個(gè)州的跳棋冠軍。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)3.知識(shí)運(yùn)用期〔1970年—20世紀(jì)80年代末〕進(jìn)入二十世紀(jì)70年代后，人工智能轉(zhuǎn)向了以知識(shí)為中心的研討。專(zhuān)家系統(tǒng)實(shí)現(xiàn)了人工智能從實(shí)際研討走向?qū)嵺`運(yùn)用的突破。是人工智能開(kāi)展歷程中的一次艱苦轉(zhuǎn)機(jī)。4.從學(xué)派分別走向綜合〔20世紀(jì)80年代末—本世紀(jì)初〕人工智能技術(shù)被更廣泛的運(yùn)用到各個(gè)領(lǐng)域并獲得了杰出的成果。人工智能技術(shù)開(kāi)場(chǎng)被用于導(dǎo)彈系統(tǒng)和其它先進(jìn)武器，同時(shí)它也進(jìn)入了我們的個(gè)人計(jì)算機(jī)，可以進(jìn)展自然言語(yǔ)處置，機(jī)器翻譯和語(yǔ)音識(shí)別的智能電腦的添加吸引了公眾的興趣。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)三、人工智能的主要研討學(xué)派大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)四、我國(guó)人工智能研討的歷史人工智能研討在我國(guó)起步相對(duì)較晚，納入國(guó)家方案的“智能模擬〞研討始于1978年；1984年召開(kāi)了智能計(jì)算機(jī)及其系統(tǒng)的全國(guó)學(xué)術(shù)討論會(huì)；1986年起把智能計(jì)算機(jī)系統(tǒng)、智能機(jī)器人和智能信息處置等艱苦工程列入國(guó)家高技術(shù)研討方案；1981年起，相繼成立了中國(guó)人工智能學(xué)會(huì)〔CAAI〕等學(xué)術(shù)團(tuán)體；1989年初次召開(kāi)的中國(guó)人工智能結(jié)合會(huì)議〔CJCAI〕；1993年起，又把智能控制和智能自動(dòng)化等工程列入國(guó)家科技攀爬方案。進(jìn)入21世紀(jì)后，已有更多的人工智能與智能系統(tǒng)研討獲得各種基金方案支持。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)五、人工智能技術(shù)與實(shí)現(xiàn)方法人工智能在計(jì)算機(jī)上實(shí)現(xiàn)時(shí)有2種不同的方式。一種是工程學(xué)方法〔Engineeringapproach〕，它采用傳統(tǒng)的編程技術(shù)，使系統(tǒng)呈現(xiàn)智能的效果，而不思索所用方法能否與人或動(dòng)物機(jī)體所用的方法一樣。工程學(xué)方法已在一些領(lǐng)域獲得了一定的成果，如文字識(shí)別、電腦下棋等。采用這種方法，需求我們?cè)敿?xì)規(guī)定程序邏輯，邏輯簡(jiǎn)單的時(shí)候很容易實(shí)現(xiàn)，一旦程序邏輯復(fù)雜繁瑣，就很容易出現(xiàn)錯(cuò)誤。另一種是模擬法〔Modelingapproach〕，它不僅要看效果，還要?jiǎng)?wù)虛現(xiàn)方法也和人類(lèi)或生物機(jī)體所用的方法一樣或相類(lèi)似。遺傳算法〔GenericAlgorithm，簡(jiǎn)稱(chēng)GA〕和人工神經(jīng)網(wǎng)絡(luò)〔ArtificialNeuralNetwork，簡(jiǎn)稱(chēng)ANN〕都屬于這種方法。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)六、人工智能的主要研討方向人工智能的研討包括智能機(jī)器人、方式識(shí)別、自然言語(yǔ)處置和專(zhuān)家系統(tǒng)等方向。1.問(wèn)題求解：我們經(jīng)過(guò)對(duì)人們求解問(wèn)題的普通規(guī)律、求解問(wèn)題的思緒的研討，編制一個(gè)智能程序，讓它按照人類(lèi)處理問(wèn)題的方法與思想方式去處理問(wèn)題。2.自然言語(yǔ)處置：自然言語(yǔ)處置〔NaturalLanguageProcessing，NLP〕也是人工智能的早期研討領(lǐng)域之一，自然言語(yǔ)處置主要研討如何使計(jì)算機(jī)可以了解和生成自然言語(yǔ)。自然言語(yǔ)處置通常與方式識(shí)別，計(jì)算機(jī)視覺(jué)等技術(shù)相結(jié)合，運(yùn)用在文字識(shí)別和語(yǔ)音識(shí)別等系統(tǒng)中。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)3.方式識(shí)別：方式識(shí)別是研討如何從龐大的信息中提取特征，運(yùn)用計(jì)算機(jī)對(duì)某一范疇內(nèi)的事物根據(jù)特征進(jìn)展自動(dòng)的識(shí)別和分類(lèi)。方式識(shí)別是人工智能的重要組成部分，它本身又分為文字識(shí)別、語(yǔ)音識(shí)別、生物特征識(shí)別、圖像分析等許多分支。4.智能數(shù)據(jù)庫(kù)：智能數(shù)據(jù)庫(kù)是研討利用人的推理、想象、記憶原理，實(shí)現(xiàn)對(duì)數(shù)據(jù)庫(kù)的存儲(chǔ)、搜索和修正。智能數(shù)據(jù)庫(kù)經(jīng)過(guò)有效的組織，可以滿(mǎn)足人們快速檢索和修正數(shù)據(jù)庫(kù)的要求。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)5.智能機(jī)器人：機(jī)器人學(xué)是在電力學(xué)、人工智能、控制論、系統(tǒng)工程、精細(xì)機(jī)械、信息傳感、仿生學(xué)以及心思學(xué)的多種學(xué)科的根底上構(gòu)成的一門(mén)綜合性技術(shù)學(xué)科。6.博奕：博弈是研討使本人取勝、戰(zhàn)勝對(duì)手的戰(zhàn)略。在決策過(guò)程中要對(duì)情勢(shì)做出恰當(dāng)?shù)墓烙?jì)，搜索各種能夠的戰(zhàn)略組合，經(jīng)過(guò)對(duì)比分析確定對(duì)本人最有利的戰(zhàn)略。7.程序自動(dòng)設(shè)計(jì)：自動(dòng)程序設(shè)計(jì)是將自然言語(yǔ)描畫(huà)的程序自動(dòng)轉(zhuǎn)換成可執(zhí)行的程序的技術(shù)。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)8.邏輯推理與定理證明：邏輯推理是人工智能研討中最耐久的領(lǐng)域之一。計(jì)算機(jī)經(jīng)過(guò)模擬人的推理和演繹過(guò)程，從最根本的公理出發(fā)，證明定理的正確性。9.專(zhuān)家系統(tǒng)：專(zhuān)家系統(tǒng)是一個(gè)具有大量專(zhuān)門(mén)知識(shí)與閱歷的智能計(jì)算機(jī)程序系統(tǒng)，它運(yùn)用人工智能技術(shù)，根據(jù)某個(gè)領(lǐng)域一個(gè)或多個(gè)人類(lèi)專(zhuān)家提供的知識(shí)和閱歷進(jìn)展推理和判別，模擬人類(lèi)專(zhuān)家對(duì)復(fù)雜問(wèn)題的決策過(guò)程。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)七、人工智能在醫(yī)藥領(lǐng)域的運(yùn)用醫(yī)學(xué)人工智能是人工智能開(kāi)展出來(lái)的一大分支，它為醫(yī)學(xué)診療問(wèn)題提供處理方案，成果最顯著的是醫(yī)學(xué)專(zhuān)家系統(tǒng)。1972年deDomabl研發(fā)了“急性腹痛鑒別診斷系統(tǒng)〞，1976年費(fèi)根鮑姆勝利開(kāi)發(fā)了MYCIN“傳染性疾病鑒別診斷系統(tǒng)〞。專(zhuān)家鑒定闡明該系統(tǒng)對(duì)細(xì)菌血液病、腦膜炎方面的診斷和提供治療方案的程度已超越了這方面的專(zhuān)家。80年代初期開(kāi)場(chǎng)，中國(guó)中醫(yī)界相關(guān)專(zhuān)家系統(tǒng)的研討也開(kāi)展得如火如荼，大約有140個(gè)以閱歷為主的中醫(yī)專(zhuān)家系統(tǒng)相繼研發(fā)。醫(yī)學(xué)專(zhuān)家系統(tǒng)可以處理的問(wèn)題普通包括解釋、預(yù)測(cè)、診斷、提供治療方案等。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)近年來(lái)，人工智能技術(shù)在藥學(xué)領(lǐng)域也得以廣泛的運(yùn)用，尤其是在中藥材的質(zhì)量控制方面獲得了杰出的研討成果。由于中藥材質(zhì)量的特殊性和復(fù)雜性，中藥材的真?zhèn)舞b別和質(zhì)量控制存在很大困難。為擺脫這一姿態(tài)，將人工智能技術(shù)引入到中藥材質(zhì)量控制系統(tǒng)中，利用方式識(shí)別技術(shù)，建立了完好的中藥材質(zhì)量檢測(cè)專(zhuān)家系統(tǒng)，實(shí)現(xiàn)了中藥材的數(shù)字化、自動(dòng)化檢測(cè)，全面、客觀(guān)、準(zhǔn)確、快捷的控制中藥材質(zhì)量；為建立平安有效，可操作，技術(shù)先進(jìn)的國(guó)家質(zhì)量規(guī)范提供了堅(jiān)實(shí)可靠的根底；同時(shí)促進(jìn)了中藥國(guó)際化，提高了中醫(yī)藥產(chǎn)品在國(guó)際醫(yī)藥市場(chǎng)的競(jìng)爭(zhēng)力。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)此外，人工免疫算法、人工神經(jīng)網(wǎng)絡(luò)技術(shù)、遺傳算法等人工智能技術(shù)在藥品制劑過(guò)程的工藝參數(shù)優(yōu)化，化合物毒性預(yù)測(cè)，藥物浸透性能預(yù)測(cè)及生物制藥等領(lǐng)域都發(fā)揚(yáng)著重要的作用。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)第二節(jié)人工神經(jīng)網(wǎng)絡(luò)第二節(jié)人工神經(jīng)網(wǎng)絡(luò)大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)一、人工神經(jīng)網(wǎng)絡(luò)的概念和開(kāi)展利用大腦的組織構(gòu)造和運(yùn)轉(zhuǎn)機(jī)制的特點(diǎn)，從模擬人腦智能的角度出發(fā)，探尋新的信息處置方式，構(gòu)造了一種更接近人類(lèi)智能的信息處置系統(tǒng)—人工神經(jīng)網(wǎng)絡(luò)〔ArtificialNeuralNetworks，簡(jiǎn)稱(chēng)ANN〕系統(tǒng)。如圖8-1所示。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)人工神經(jīng)網(wǎng)絡(luò)也稱(chēng)為神經(jīng)網(wǎng)絡(luò)〔NeuralNetwork,NN〕，是由大量處置單元廣泛互聯(lián)而成的網(wǎng)絡(luò)，是對(duì)人腦的籠統(tǒng)、簡(jiǎn)化和模擬。它是植根于神經(jīng)系統(tǒng)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)、物理學(xué)、計(jì)算機(jī)科學(xué)及工程等學(xué)科的一種人工智能技術(shù)。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)二、人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式按人工神經(jīng)網(wǎng)絡(luò)的性能可分為延續(xù)型神經(jīng)網(wǎng)絡(luò)和離散型神經(jīng)網(wǎng)絡(luò)，又可分為確定型神經(jīng)網(wǎng)絡(luò)和隨機(jī)型神經(jīng)網(wǎng)絡(luò)；按人工神經(jīng)網(wǎng)絡(luò)的構(gòu)造可分為反響型神經(jīng)網(wǎng)絡(luò)和前饋型神經(jīng)網(wǎng)絡(luò)；按學(xué)習(xí)方式可分為有導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)和無(wú)導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)。1.有導(dǎo)師學(xué)習(xí)有導(dǎo)師學(xué)習(xí)又稱(chēng)為有監(jiān)視學(xué)習(xí)，在學(xué)習(xí)時(shí)需求給出導(dǎo)師信號(hào)，也稱(chēng)為期望輸出。學(xué)習(xí)的目的就是減少網(wǎng)絡(luò)實(shí)踐輸出與導(dǎo)師信號(hào)之間的差別，使網(wǎng)絡(luò)實(shí)踐輸出逐漸逼近導(dǎo)師信號(hào)。這一目的是經(jīng)過(guò)逐漸伐整網(wǎng)絡(luò)權(quán)值來(lái)實(shí)現(xiàn)的。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)2.無(wú)導(dǎo)師學(xué)習(xí)無(wú)導(dǎo)師學(xué)習(xí)也稱(chēng)為無(wú)監(jiān)視學(xué)習(xí)。在無(wú)監(jiān)視學(xué)習(xí)中沒(méi)有外部導(dǎo)師信號(hào)或評(píng)價(jià)系統(tǒng)來(lái)統(tǒng)管學(xué)習(xí)過(guò)程，而是在網(wǎng)絡(luò)內(nèi)部對(duì)其性能進(jìn)展自順應(yīng)調(diào)理。它強(qiáng)調(diào)的是神經(jīng)元之間的協(xié)調(diào)，假設(shè)外界輸入激活了神經(jīng)元中的某個(gè)結(jié)點(diǎn)，那么整個(gè)神經(jīng)元群的活性隨之添加，相反引起整個(gè)神經(jīng)元群的抑制效應(yīng)。3.強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)是利用某一“獎(jiǎng)懲〞的全局信號(hào)，衡量和強(qiáng)化與輸入相關(guān)的權(quán)值和神經(jīng)元形狀的變化。強(qiáng)化信號(hào)不同于導(dǎo)師信號(hào)，它很單一，只表示輸出結(jié)果的“好〞與“壞〞。強(qiáng)化學(xué)習(xí)需求的外部信息很少，當(dāng)不知道對(duì)于給定的輸入方式應(yīng)有何種相應(yīng)的導(dǎo)師信號(hào)時(shí)，強(qiáng)化學(xué)習(xí)可以根據(jù)一些“獎(jiǎng)懲〞規(guī)那么得出有益的結(jié)果。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)三、神經(jīng)元模型和BP神經(jīng)網(wǎng)絡(luò)1.神經(jīng)元模型人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)的根底上提出來(lái)的。它雖然反映了人腦功能的根本特征，但并不是自然神經(jīng)網(wǎng)絡(luò)的逼真描寫(xiě)，而只是它的某種簡(jiǎn)化籠統(tǒng)和模擬。經(jīng)過(guò)對(duì)生物神經(jīng)元的長(zhǎng)期廣泛研討，1943年美國(guó)心思學(xué)家麥卡洛克和數(shù)理學(xué)家皮茨提出了神經(jīng)元的數(shù)學(xué)模型，即著名的MP模型。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)2.BP神經(jīng)網(wǎng)絡(luò)1957年美國(guó)計(jì)算機(jī)科學(xué)家羅森布拉特〔Roseblatt〕提出了單層感知器〔Perceptron〕模型。它是一個(gè)具有單層神經(jīng)元的網(wǎng)絡(luò)，由線(xiàn)性閾值邏輯單元所組成。單層感知器在人工神經(jīng)網(wǎng)絡(luò)研討中有著重要的意義和位置。然而單層感知器由于只需一個(gè)神經(jīng)元，功能單一，只能完成線(xiàn)性決策或?qū)崿F(xiàn)“與〞，“或〞，“非〞等單一邏輯函數(shù)。為理處理這一問(wèn)題，在其根底上創(chuàng)建了多層感知器〔MultilayerPerceptron，MLP〕模型。它是一種在輸入層與輸出層之間有一層或多層隱含結(jié)點(diǎn)的具有正向傳播機(jī)制的人工神經(jīng)網(wǎng)絡(luò)模型。多層感知器抑制了單層感知器的許多局限，它的優(yōu)越性能主要來(lái)源于結(jié)點(diǎn)的非線(xiàn)性特性。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)BP網(wǎng)絡(luò)的構(gòu)造如圖8-3所示由輸入層，輸出層和一個(gè)或多個(gè)中間層〔隱含層〕組成。中間層中的神經(jīng)元均采用S型激活函數(shù)，輸出層神經(jīng)元采用線(xiàn)性傳送函數(shù)。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)3.BP網(wǎng)絡(luò)的優(yōu)點(diǎn)及局限性非線(xiàn)性映射才干：BP網(wǎng)絡(luò)本質(zhì)上實(shí)現(xiàn)了一個(gè)從輸入到輸出的映射功能，三層的BP網(wǎng)絡(luò)在實(shí)際上可以以恣意精度逼近任何非線(xiàn)性延續(xù)函數(shù)。這使得其特別適宜于求解內(nèi)部機(jī)制復(fù)雜的問(wèn)題，即BP網(wǎng)絡(luò)具有較強(qiáng)的非線(xiàn)性映射才干。自學(xué)習(xí)和自順應(yīng)才干：BP網(wǎng)絡(luò)在訓(xùn)練時(shí)，可以經(jīng)過(guò)學(xué)習(xí)自動(dòng)提取輸出、輸出數(shù)據(jù)間的“合理規(guī)那么〞，并自順應(yīng)的將學(xué)習(xí)內(nèi)容記憶于網(wǎng)絡(luò)的權(quán)值中。即BP神經(jīng)網(wǎng)絡(luò)具有高度自學(xué)習(xí)和自順應(yīng)的才干。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)泛化才干：所謂泛化才干是指在設(shè)計(jì)方式分類(lèi)器時(shí)，即要思索網(wǎng)絡(luò)在保證對(duì)所需分類(lèi)對(duì)象進(jìn)展正確分類(lèi)，還要關(guān)懷網(wǎng)絡(luò)在經(jīng)過(guò)訓(xùn)練后，能否對(duì)未見(jiàn)過(guò)的方式或有噪聲污染的方式，進(jìn)展正確的分類(lèi)。也即BP神經(jīng)網(wǎng)絡(luò)具有將學(xué)習(xí)成果運(yùn)用于新知識(shí)的才干。容錯(cuò)才干：BP網(wǎng)絡(luò)在其部分的或者部分的神經(jīng)元遭到破壞后對(duì)全局的訓(xùn)練結(jié)果不會(huì)呵斥很大的影響，也就是說(shuō)即使系統(tǒng)在遭到部分損傷時(shí)還是可以正常任務(wù)的。即BP神經(jīng)網(wǎng)絡(luò)具有一定的容錯(cuò)才干。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)BP網(wǎng)絡(luò)的局限性：部分極小化問(wèn)題：BP神經(jīng)網(wǎng)絡(luò)的權(quán)值是經(jīng)過(guò)沿部分改善的方向逐漸進(jìn)展調(diào)整的，這樣會(huì)使算法墮入部分極值，權(quán)值收斂到部分極小解，從而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練失敗。加上BP神經(jīng)網(wǎng)絡(luò)對(duì)初始權(quán)值非常敏感，以不同的權(quán)值初始化網(wǎng)絡(luò)，往往會(huì)收斂于不同的部分極小解，這也是BP網(wǎng)絡(luò)出現(xiàn)每次訓(xùn)練得到不同結(jié)果的根本緣由。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)BP神經(jīng)網(wǎng)絡(luò)算法的收斂速度慢：由于BP神經(jīng)網(wǎng)絡(luò)算法本質(zhì)上為梯度下降法，它所要優(yōu)化的目的函數(shù)是非常復(fù)雜的，這使得BP算法的收斂速度低下。BP網(wǎng)絡(luò)構(gòu)造選擇不一：BP網(wǎng)絡(luò)構(gòu)造的選擇至今尚無(wú)一種一致而完好的實(shí)際指點(diǎn)，普通只能由閱歷選定。網(wǎng)絡(luò)構(gòu)造過(guò)大會(huì)降低學(xué)習(xí)效率，出現(xiàn)過(guò)擬合景象，網(wǎng)絡(luò)容錯(cuò)性下降；反之假設(shè)構(gòu)造過(guò)小，又會(huì)呵斥網(wǎng)絡(luò)不收斂的問(wèn)題。BP網(wǎng)絡(luò)樣本依賴(lài)性問(wèn)題：網(wǎng)絡(luò)模型的逼近和推行才干與學(xué)習(xí)樣本的典型性親密相關(guān)，而如何從問(wèn)題中選取典型樣本實(shí)例組成訓(xùn)練集是一個(gè)很困難的問(wèn)題。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)人工神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)與運(yùn)用在實(shí)踐運(yùn)用中，面對(duì)一個(gè)詳細(xì)問(wèn)題需求進(jìn)展人工神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)時(shí)，普通應(yīng)遵照以下過(guò)程：首先分析求解問(wèn)題的性質(zhì)，確定信息表達(dá)方式，將求解問(wèn)題及其相應(yīng)的領(lǐng)域知識(shí)轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)可以接受并處置的某種數(shù)據(jù)方式，將數(shù)據(jù)樣本分為訓(xùn)練樣本和測(cè)試樣本；其次根據(jù)問(wèn)題特點(diǎn)，確定神經(jīng)網(wǎng)絡(luò)模型的類(lèi)型、構(gòu)造、輸入輸出神經(jīng)元的數(shù)目、隱含層神經(jīng)元的個(gè)數(shù)等；然后是訓(xùn)練方式確實(shí)定包括選擇合理的訓(xùn)練算法，確定適宜的訓(xùn)練步數(shù)，指定適當(dāng)?shù)挠?xùn)練目的誤差，以獲得較好的網(wǎng)絡(luò)性能；最后經(jīng)過(guò)對(duì)網(wǎng)絡(luò)進(jìn)展訓(xùn)練、仿真等，檢驗(yàn)網(wǎng)絡(luò)的性能能否滿(mǎn)足要求。下面結(jié)合藥學(xué)實(shí)踐引見(jiàn)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與運(yùn)用。四、人工神經(jīng)網(wǎng)絡(luò)在藥學(xué)上的運(yùn)用大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)〔一〕用BP神經(jīng)網(wǎng)絡(luò)優(yōu)化化學(xué)反響的工藝條件過(guò)碳酸鈉是一種強(qiáng)氧化劑，其水溶液可用作醫(yī)療殺菌劑、口腔消毒劑。由于過(guò)碳酸鈉對(duì)濕度和溫度很敏感，容易分解，其有效氧含量和穩(wěn)定性還有待提高。為改良過(guò)碳酸鈉的工藝，挑選出新的復(fù)合穩(wěn)定劑，可利用BP神經(jīng)網(wǎng)絡(luò)對(duì)其工藝參數(shù)進(jìn)展調(diào)查，并利用仿真結(jié)果進(jìn)展預(yù)測(cè)，其方法及步驟如下：(1)確定影響過(guò)碳酸鈉工藝條件的主要要素及調(diào)查范圍〔2〕確定BP神經(jīng)網(wǎng)絡(luò)構(gòu)造：從表7-4可以看出，前四項(xiàng)為工藝參數(shù)，后兩項(xiàng)為過(guò)碳酸鈉性能的評(píng)價(jià)。因此采用3層B-P網(wǎng)絡(luò)模型，即輸入層、輸出層和隱含層。4個(gè)輸入向量X1、X2、X3、X4分別對(duì)應(yīng)原料配比、反響溫度、反響時(shí)間、穩(wěn)定劑參與量4個(gè)調(diào)查要素，2個(gè)輸出向量Y1、Y2分別對(duì)應(yīng)目的函數(shù)收率和活性氧含量，其拓?fù)錁?gòu)造如圖7-9所示。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)表8-2影響工藝條件的主要要素及調(diào)查范圍No原料配比(m∶M)X1反應(yīng)溫度(℃)X2反應(yīng)時(shí)間(min)X3穩(wěn)定劑(%)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大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)(3)BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建：將原料配比、反響溫度、反響時(shí)間、穩(wěn)定劑4個(gè)調(diào)查要素作為BP神經(jīng)網(wǎng)絡(luò)的輸入，將收率和活性氧含量2個(gè)調(diào)查目的作為網(wǎng)絡(luò)的輸出，定義輸入向量X和輸出向量Y〔訓(xùn)練樣本〕，編寫(xiě)程序代碼用newcf()函數(shù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò),代碼如下：net=newcf(minmax(X),[10,2],{'tansig','purelin'},'trainlm');新構(gòu)建的網(wǎng)絡(luò)稱(chēng)號(hào)用net表示，newcf()是BP神經(jīng)網(wǎng)絡(luò)構(gòu)建函數(shù)，用minmax()函數(shù)自動(dòng)搜索輸入向量中每個(gè)要調(diào)查要素的范圍，參數(shù)[10,2]代表隱含層節(jié)點(diǎn)個(gè)數(shù)為10〔不確定參數(shù)，待優(yōu)化〕，網(wǎng)絡(luò)構(gòu)造層數(shù)為2，分別對(duì)應(yīng)隱含層和輸出層。tansig〔S型〕和purelin〔線(xiàn)性〕代表隱含層和輸出層的傳送函數(shù)，trainlm代表網(wǎng)絡(luò)學(xué)習(xí)算法，闡明采用Levenberg-Marquardt規(guī)那么對(duì)BP網(wǎng)絡(luò)進(jìn)展訓(xùn)練。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)定義網(wǎng)絡(luò)訓(xùn)練次數(shù)、訓(xùn)練結(jié)果顯示方式及誤差要求，代碼如下：net.trainparam.epochs=3000;%最大訓(xùn)練次數(shù)net.trainparam.show=100;%兩次顯示之間的訓(xùn)練步數(shù)net.trainparam.goal=0.00001;%訓(xùn)練目的即期望誤差用train()函數(shù)訓(xùn)練網(wǎng)絡(luò)，代碼如下：[net,tr]=train(net,X,Y);當(dāng)網(wǎng)絡(luò)訓(xùn)練到達(dá)誤差要求時(shí)終了訓(xùn)練。進(jìn)一步構(gòu)建預(yù)測(cè)樣本XX〔即在其他工藝條件或參數(shù)下，想要預(yù)測(cè)的過(guò)碳酸鈉性能〕，基于訓(xùn)練好的BP網(wǎng)絡(luò)，用sim()對(duì)樣本進(jìn)展仿真預(yù)測(cè)大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)(4)MATLAB函數(shù)實(shí)現(xiàn)：?jiǎn)?dòng)MATLAB，新建一個(gè)m文件，操作見(jiàn)圖8-5。在新建的m文件上輸入上述完好代碼，操作見(jiàn)圖8-6，將該程序保管在\work目錄下，命名為gtsn.m,調(diào)試并運(yùn)轉(zhuǎn)程序大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)〔5〕程序運(yùn)轉(zhuǎn)終了后，顯示網(wǎng)絡(luò)訓(xùn)練誤差曲線(xiàn)如圖8-7所示。結(jié)果闡明，以原料配比、反響溫度、反響時(shí)間、穩(wěn)定劑參與量4個(gè)要素為輸入量、收率和活性氧含量為輸出調(diào)查目的所建立的BP神經(jīng)網(wǎng)絡(luò)模型具有較好的收斂性，能表達(dá)各工藝條件對(duì)收率及活性氧含量影響的非線(xiàn)性變化規(guī)律，因此具有較高的預(yù)測(cè)精度。用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)展仿真預(yù)測(cè)，結(jié)果如圖8-8所示，優(yōu)化結(jié)果如圖8-9所示。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)由圖8-9可知，最正確工藝條件是原料配比1∶1.8、反響溫度－15℃、反響時(shí)間85分鐘、穩(wěn)定劑參與量為0.95%時(shí),收率為98.274%，活性氧為14.58%。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)〔二〕用自組織特征映射神經(jīng)網(wǎng)絡(luò)對(duì)樣本資料進(jìn)展分類(lèi)表8-3是10批次不同產(chǎn)地的中藥苦碟子注射液指紋圖譜經(jīng)主成分分析后得到的10個(gè)樣本數(shù)據(jù)，每個(gè)樣本用4個(gè)主成分表示其特征信息，希望經(jīng)過(guò)自組織特征映射神經(jīng)網(wǎng)絡(luò)對(duì)樣本資料進(jìn)展聚類(lèi)分析，從而可以實(shí)現(xiàn)對(duì)樣本的自動(dòng)分類(lèi)。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)表8-310批次苦碟子注射液指紋圖譜主成分分析樣本數(shù)據(jù)序號(hào)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大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)自組織特征映射神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)的步驟與上述“用BP神經(jīng)網(wǎng)絡(luò)優(yōu)化化學(xué)反響的工藝條件〞一節(jié)中類(lèi)似，但在網(wǎng)絡(luò)設(shè)計(jì)及函數(shù)選取上有不同之處，簡(jiǎn)述如下：(1)啟動(dòng)MATLAB運(yùn)用程序，新建一個(gè)M文件，在M文件上編寫(xiě)程序代碼，保管在\work目錄下，命名為jlfx.m，輸入完好程序代碼大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)創(chuàng)建一個(gè)自組織特征映射神經(jīng)網(wǎng)絡(luò)net，其中newsom()為創(chuàng)建網(wǎng)絡(luò)函數(shù)，P為輸入向量，minmax(P)指定了輸入向量的最大最小值，由于有10個(gè)樣本，所以網(wǎng)絡(luò)輸出層的構(gòu)造為5×2。。。繪制網(wǎng)絡(luò)訓(xùn)練后的神經(jīng)元分布，進(jìn)展仿真；利用函數(shù)vec2ind()將輸出Y轉(zhuǎn)換成串行數(shù)據(jù)輸出。。。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)(2)調(diào)試運(yùn)轉(zhuǎn)程序，繪制的網(wǎng)絡(luò)輸入變量分布圖，如圖8-10所示，繪制的網(wǎng)絡(luò)神經(jīng)元拓?fù)錁?gòu)造如圖8-11所示，聚類(lèi)結(jié)果見(jiàn)表8-4。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)由表8-4可知，當(dāng)訓(xùn)練步數(shù)為10時(shí)，初步分類(lèi)結(jié)果是：樣本3和6分為一類(lèi)，2和4分為一類(lèi)；當(dāng)訓(xùn)練步數(shù)為100時(shí)，分類(lèi)結(jié)果比上面的更準(zhǔn)確一些，此時(shí)，樣本3和6分為一類(lèi)，2和4分為一類(lèi)，7、8和9分為同一類(lèi)；當(dāng)訓(xùn)練步數(shù)為1000時(shí)，樣本的分類(lèi)與上面結(jié)果一致。表8-4苦參堿聚類(lèi)結(jié)果聚類(lèi)結(jié)果訓(xùn)練步數(shù)為10時(shí)，410110217375訓(xùn)練步數(shù)為100時(shí)，54142177710訓(xùn)練步數(shù)為1000時(shí)，

3757151119大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)〔三〕用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)函數(shù)逼近發(fā)酵消費(fèi)過(guò)程中微生物體內(nèi)的生物合成離不開(kāi)酶的催化作用，酶活性的大小影響著生物代謝產(chǎn)物的速率和產(chǎn)率。酶活性主要受溫度和pH的影響，由于發(fā)酵過(guò)程相互作用的復(fù)雜性，很難建立準(zhǔn)確的數(shù)學(xué)模型，利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近才干，建立酶活性的最正確溫度和pH，可實(shí)現(xiàn)酶活性的最正確控制。RBF網(wǎng)絡(luò)模型設(shè)計(jì)的步驟如下：(1)建立酶活性實(shí)驗(yàn)數(shù)據(jù)：調(diào)查溫度、pH兩種要素在不同程度下對(duì)酶活性的影響，獲取的實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表8-5。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)(2)確定神經(jīng)網(wǎng)絡(luò)構(gòu)造：由于酶活性有兩個(gè)影響要素，所以該網(wǎng)絡(luò)模型有兩個(gè)輸入變量〔溫度、pH〕和一個(gè)輸出變量〔酶活性〕，相應(yīng)神經(jīng)網(wǎng)絡(luò)有兩個(gè)輸入節(jié)點(diǎn)和一個(gè)輸出節(jié)點(diǎn)。(3)MATLAB編程實(shí)現(xiàn)：?jiǎn)?dòng)MATLAB運(yùn)用程序，新建一個(gè)m文件，操作如前所示。輸入m文件的完好程序代碼表8-5酶活性實(shí)驗(yàn)數(shù)據(jù)編號(hào)溫度pH酶活性（PF）%11060.01822020.16033080.89344040.273550100.014大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)(4)調(diào)試運(yùn)轉(zhuǎn)程序：網(wǎng)絡(luò)實(shí)現(xiàn)函數(shù)逼近的酶活性與溫度和pH間的仿真結(jié)果如圖8-12所示。結(jié)果闡明，RBF網(wǎng)絡(luò)模型中溫度的最正確點(diǎn)約為30℃，pH最正確點(diǎn)為是8.04，對(duì)應(yīng)的最大酶活性約為0.8625，與實(shí)踐結(jié)果非常接近。大學(xué)計(jì)算機(jī)根底——沈陽(yáng)藥科大學(xué)在本章給出的三個(gè)實(shí)例中，只是闡明了如何用人工神經(jīng)網(wǎng)絡(luò)方法去處理藥學(xué)研討中存在的最優(yōu)、預(yù)測(cè)及分類(lèi)問(wèn)題，目的是為大家提供一些處理實(shí)踐問(wèn)題的思緒。對(duì)于涉及的網(wǎng)絡(luò)類(lèi)型、構(gòu)造參數(shù)等并未進(jìn)展最優(yōu)化設(shè)計(jì)，給出的輸出也不一定是最好的結(jié)果，請(qǐng)大家在學(xué)習(xí)時(shí)留意。如前所述，人工神經(jīng)網(wǎng)絡(luò)不需求準(zhǔn)確的數(shù)學(xué)模型，沒(méi)有任何對(duì)變量的假設(shè)要求，能經(jīng)過(guò)模擬人的智能行為處置復(fù)雜的、不確定的、非線(xiàn)性問(wèn)題。由于在藥學(xué)研討領(lǐng)域，變量間關(guān)系往往非常復(fù)雜，為了探測(cè)變量間的復(fù)雜方式，神經(jīng)網(wǎng)絡(luò)正逐漸變成藥學(xué)數(shù)據(jù)分析中的有力工具。目前已有許多商業(yè)化的神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)軟件，如本書(shū)所用的MATLAB軟件，以及S-plus、SNNS(Stuttgartneuralnetworksimulator)軟