自动化专业英语王树青62翻译.doc

6.2采用神经网络解决问题 242页 6.2.1 神经网络是什么 罗伯特Hecht?Nielsen定义神经网络：一个计算系统由一些简单的，高度互联的处理单元组其处理信息由外部输入的动态响应来体现。 把它定义成视角，考虑串行计算机,这是一个单一的中央处理器,可以解决数据和指令存储在内存的位置。处理器获取一条指令所需的任何数据,指令并将结果保存在一个特定的记忆内存中. 换句话说,一切都发生在一个确定的序列操作。相比之下,神经网络既不是顺序甚至一定确定的。它是由许多简单的处理元素,通常做多一点的加权和的所有输入。而不是执行一系列指令,一个神经网络的回答中平行的输入给它,最终结果由一个整体的网络后,已经到了一个状态稳态条件下,输入数据集之间的关联模式和相应的输出或目标价值观。最后网络可以用于预测结果从新的输入数据。 6 2.2 神经网络是如何工作的 神经网络技术来自当前研究哺乳动物的大脑,特别是大脑皮层。神经网络模拟人脑的方式处理一个不完整的和令人费解的信息集合。考虑一个孩子如何学会识别形状和颜色使用不同的固体形状组成的一个玩具(三角形、方形、圆形、等等)和颜色可以插入一盒只有通过相应形状的洞和颜色。孩子们通过不断努力适应固体物质通过这些漏洞学习并通过不断的尝试学习识别形状和颜色。最终孩子们认识了形状和颜色，他们可以做到通过目视找到匹配孔的物体。同样,神经网络通过不断努力学习来匹配输入的数据到相应的输出目标值。经过大量的数据实验，学习迭代，网络创造了一个可以用来预测新的输入条件的内部模型。正如孩子最终学会识别形状和颜色,神经网络也是识别相关对应的输入和输出之间的模式的过程。 243页 神经网络的学习可以分为有监督的和无监督的，有监督的学习意味着在学习（训练）期间，网络会提供一些信息来辨别正确答案应该是什么，然后神经网络以此判别输入是否正确，并且知道如何应用它特有的学习法则来调整自己，这与小孩学习识别不同物体的形状和颜色的过程是相似的，相反的，无监督的学习意味着没有这些正确的答案，且不能确切地知道正确的输出应该是什么，例如，试想一个婴儿是如何学习控制眼睛的注意力，这对一个刚出生的婴儿来说是不可能的，但是在短短的几天中，在没有或者很少外界帮助下，这个婴儿就会对物体和形状产生视觉刺激。对一个输入模块来说没有或有很少正确答案信息，无监督的神经网络的学习过程就是与之相似的。 对于不同的应用的来说，不同类型的学习方法显得很重要，对于化工问题，采用有监督学习方法就可以。 神经网络可以对复杂的非线性关系进行学习，即使输入信息是噪声信号或模糊值。神经网络在连续语音识别、模式识别、噪声数据分类、非线性特征提取、目标预测、过程建模方面具有很强的优势。神经网络技术的这些优点使它很好的用于解决化学加工业中的问题。 6.2.3学习过程 如图6.2.1所示，神经网络由很多互联的处理单元或神经元构成。每一个处理单元接收一个输入Xi，每个输入附带一个权值Wi。根据所有输入的加权总和，处理单元估算出一个输出信号Y。如图6.2.2所示，当一个神经元活动或处理时发生以下四个步骤。 244页 1这些信号的加权求和计算 2通过函数变换计算总和 3计算出的总和的函数变换，虽然不总是这样，但正常情况下是由固定的神经网络来构建。 4转换后的结果发送给其他神经元 在一个神经元的学习过程是什么？学习意味着神经元可能改变其输入输出对环境反应的行为。因为转移函数通常是固定的，唯一使神经元的输出因输入环境的变化而变化的方法是通过改变神经元的加权输入。因此，在网络中的神经元中要学习通过改变输入的权重和网络的内部模型是体现在所有这些权重的设置上。虽然有几种神经网络的配置，但是其中特殊的一个名为“反向传播网络”广泛应用于化学领域中。 6.2.4反向传播神经网络 反向传播网络一般由至少三个层次初级层次的神经元组成,一个输入层、一个中间层(有时被称为一个隐藏层),和一个输出层。网络是以一种一层完全连接到下一层的方式来构建。换句话说，在输入层的每个神经元将它的输出传到中间层的神经元，而且在中间层的每个神经元层又将其输出传送到输出层中的每个神经元，基于问题的复杂性和输入信息的大小，所有在中间层的神经元会进行分类。然而,对于给定的一定量的输入,如果中间层太大,它可能不会发展成一个可用的模式。另一方面,若中间层太小，会大大增加训练网络所需的迭代次数。 输出流。反向传播网络,使用一组随机加权的互联首选模式呈现给网络。输入层会接收这种模式并将其传递给中间层的每个神经元。每个神经元会通过以下方式计算出输出信号或运动状态。首先,总的输出量Ij是由输入的信号乘以随机的权值。 245页 该加权求和函数使用称为神经元激发函数的函数来转化。它确定一个特定大小的输入信号在神经元中的输出结果。对