人工智能技术在分析化学中的应用

人工智能在化学中的应用1智能智能是个体有目的的行为、合理的思维，以及有效地适应环境的综合能力。通俗地讲，智能是个体认识客观事物、客观世界和运用知识解决问题的能力。智能的分类生物质能BIBiologicalIntelligence人工智能AIArtificialIntelligence计算智能CIComputationalIntelligenceNN--NeuralNetworks神经网络PR--PatternRecognition模式识别生物智能以脑为主体的神经系统，最基本单位是生物神经元。人类个体的智能是一种综合性能力1）感知与认识事物、客观世界与自我的能力；2）通过学习取得经验、积累知识的能力；3）理解知识、运用知识和运用经验分析问题和解决问题的能力；4）联想、推理、判断、决策的能力；5）运用语言进行抽象、概括的能力；6）发现、发明、创造、创新的能力；7）实时地、迅速地、合理地应付复杂环境的能力；8）预测、洞察事物发展变化的能力。智能是相对的、发展的。离开特定时间说智能是困难的、没有意义的。人工智能人工智能是相对人的自然智能而言，即用人工的方法和技术，研制智能机器或智能系统来模仿、延伸和扩展人的智能，实现智能行为和“机器思维”解决需要人类专家才能处理的问题。人工智能是人工制品(artifact)中所涉及的智能行为。其中，智能行为包括：感知(perception)、推理(Reasoning)、学习(learning)、通信(communicating)和复杂环境下的动作行为(acting)。人工智能目标人工智能目标是实现智能行为和“机器思维”，解决需要人类专家才能处理的问题。1、研究像人一样工作的机器，甚至比人做得更好2、能够理解机器、人或动物的智能行为智能革命智能革命是指人的自然智能通过人工智能的模仿和扩展，实现社会生产的自动化和智能化，促进知识密集型经济的发展。2人工智能的研究方法人工智能经过发展，形成了许多学派。不同学派的研究方法、学术观点、研究重点有所不同。这里主要介绍认知学派、逻辑学派、行为主义学派和连接主义学派。2.1认知学派(以Simon,Minskey和Newell等为代表)基本思想从人的思维活动出发，利用计算机进行宏观功能模拟。基于物理符号系统假设，将任何信息加工系统看成是一个具体的物理系统。基本观点物理系统表现智能行为的充要条件是该系统是一个物理符号系统。主要工作1）Newell的LogicTheorist，模拟人证明数学定理的思维过程2）GPS，模拟人的解题过程(拟定初步解题计划利用公理、定理和规则，按规则实施解题过程不断进行“目的—手段“分析，修订解题计划。3）物理符号系统假设。符号是模式。物理符号系统的基本任务和功能是辨认相同的符号和区别不同的符号。2.2逻辑学派（以McCarthy和Nilsson等为代表)基本思想用逻辑来研究人工智能，用形式化的方法（统一的逻辑框架）描述客观世界。基本观点1）智能机器必须有关于自身环境的知识2）通用智能机器要能陈述性地表达关于自身环境的大部分知识3）通用智能机器表示陈述性知识的语言至少要有一阶逻辑的能力主要工作1）概念化知识表示2）模型论语义3）演绎推理4）非单调逻辑用于常识推理2.3行为主义学派(以Brooks为代表)基本思想以复杂的现实世界为背景，让人工智能理论先经受解决实际问题的考验，并在这种考验中成长。智能只是在与环境的交互作用中表现出来。基本观点1）到现场去2）物理实现3）初级智能4）行为产生智能主要工作1）无需知识表示的智能2）无需推理的智能3）机器虫2.4连接主义学派基本思想从脑的神经系统结构出发来研究脑的功能，研究大量简单的神经元的集团信息处理能力及其动态行为，模拟和实现人的认识过程中的感知觉过程、形象思维、分布式记忆和自学习自组织过程。基本观点1）神经网络以分布式方式存储信息2）神经网络以并行方式处理信息3）神经网络具有自组织、自学习能力主要工作人工神经网络BNNBPRBIANNAPRAICNNCPRCI知识获取难度及计算量3知识的获取过程知识系统知识工程已成为人工智能应用最显著的特点。知识系统主要研究内容：1、专家系统知识库+推理机2、知识库系统将知识以一定的结构存入，进行知识管理，实现知识共享3、智能决策系统4、知识科学人工智能借助技术或理论手段，应用数学方法和数值逻辑。使用计算机等工具，模拟、延伸或扩展人的智能。专家系统是人工智能的一个重要分支在化学领域中主要应用于以下几个方面：谱图解析和有机化合物结构的阐明分离科学-GC、HPLC、CE等方法分离条件的选择试验方案的最优控制工业生产流程控制分子模拟设计--计算机辅助辅助合成路线方案的选择专家系统是一个智能的计算机软件系统，该系统利用已知的知识进行演绎推理。世界上第一个专家系统（DENDRAL）诞生于化学领域，应用MS、NMR解释有机化合物的结构。知识库（事实、直接推断）推理机解决模块用户接口计算智能模糊系统理论人工神经网络进化计算（主要是遗传算法）人工神经网络ArtificialNeuralNetwork生物神经元裸露的轴突末梢与其它神经细胞或效应器细胞构成突触联系。生物神经元网络感觉神经元（传入神经元），与感受器相连中间神经元运动神经元（传出神经元），与效应起相连六个基本特征1）神经元及其联接；2）神经元之间的联接强度决定信号传递的强弱；3）神经元之间的联接强度是可以随训练改变的；4）信号可以是起刺激作用的，也可以是起抑制作用的；5）一个神经元接受的信号的累积效果决定该神经元的状态；6)每个神经元可以有一个“阈值”。人工神经网络（ArtificialNeuralNetworks，简记作ANN），是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。作为5种能力综合表现形式的3种能力发现、发明、创造、创新的能力实时、迅速、合理地应付复杂环境的能力预测、洞察事物发展、变化的能力人工神经网络的提出Newell和Simon假说：一个物理系统表现智能行为的充要条件是它有一个物理符号系统.概念：物理符号系统需要有一组称为符号的实体组成，它们都是物理模型，可以在另一类称为符号结构的实体中作为成分出现，以构成更高级别的系统.困难：抽象——舍弃一些特性，同时保留一些特性形式化处理——用物理符号及相应规则表达物理系统的存在和运行。局限：对全局性判断、模糊信息处理、多粒度的视觉信息处理等是非常困难的。物理符号系统和人工神经网络系统的差别项目物理符号系统人工神经网络处理方式逻辑运算模拟运算执行方式串行并行动作离散连续存储局部集中全局分布两种人工智能技术的比较项目传统的AI技术ANN技术基本实现方式串行处理；由程序实现控制并行处理；对样本数据进行多目标学习；通过人工神经元之间的相互作用实现控制基本开发方法设计规则、框架、程序；用样本数据进行调试（由人根据已知的环境去构造一个模型）定义人工神经网络的结构原型，通过样本数据，依据基本的学习算法完成学习——自动从样本数据中抽取内涵（自动适应应用环境）适应领域精确计算：符号处理，数值计算非精确计算：模拟处理，感觉，大规模数据并行处理模拟对象左脑（逻辑思维）右脑（形象思维）人工神经网络的特点信息的分布表示运算的全局并行和局部操作处理的非线性ANN学习（Learning）能力•人工神经网络可以根据所在的环境去改变它的行为•自相联的网络•异相联的网络：它在接受样本集合A时，可以抽取集合A中输入数据与输出数据之间的映射关系。——“抽象”功能。•不同的人工神经网络模型，有不同的学习/训练算法基本特征的自动提取•由于其运算的不精确性，表现成“去噪音、容残缺”的能力，利用这种不精确性，比较自然地实现模式的自动分类。•普化（Generalization）能力与抽象能力信息的分布存放信息的分布存提供容错功能由于信息被分布存放在几乎整个网络中，所以，当其中的某一个点或者某几个点被破坏时，信息仍然可以被存取。系统在受到局部损伤时还可以正常工作。并不是说可以任意地对完成学习的网络进行修改。也正是由于信息的分布存放，对一类网来说，当它完成学习后，如果再让它学习新的东西，这时就会破坏原来已学会的东西。适应性(Applicability)问题擅长两个方面：对大量的数据进行分类，并且只有较少的几种情况；必须学习一个复杂的非线性映射。目前应用：人们主要将其用于语音、视觉、知识处理、辅助决策等方面。在数据压缩、模式匹配、系统建模、模糊控制、求组合优化问题的最佳解的近似解（不是最佳近似解）等方面也有较好的应用。神经元是构成神经网络的最基本单元（构件）。人工神经元模型应该具有生物神经元的六个基本特性。人工神经元模拟生物神经元的一阶特性。输入：X=（x1，x2，…，xn）联接权：W=（w1，w2，…，wn）T网络输入：net=∑xiwi向量形式：net=XWxnwn∑x1w1x2w2net=XW…激活函数(ActivationFunction)激活函数——执行对该神经元所获得的网络输入的变换，也可以称为激励函数、活化函数：o=f（net）1、线性函数（LinerFunction）f（net）=k*net+cnetooc非线性斜面函数(RampFunction)γifnet≥θf（net）=k*netif|net|θ-γifnet≤-θγ0为一常数，被称为饱和值，为该神经元的最大输出。2、非线性斜面函数（RampFunction）γ-γθ-θneto阈值函数（ThresholdFunction）阶跃函数βifnetθf（net）=-γifnet≤θβ、γ、θ均为非负实数，θ为阈值二值形式：1ifnetθf（net）=0ifnet≤θ双极形式：1ifnetθf（net）=-1ifnet≤θ阈值函数（ThresholdFunction）阶跃函数β-γθonet04、S形函数压缩函数（SquashingFunction）和逻辑斯特函数（LogisticFunction）。f（net）=a+b/(1+exp(-d*net))a，b，d为常数。它的饱和值为a和a+b。最简单形式为：f（net）=1/(1+exp(-d*net))函数的饱和值为0和1。S形函数有较好的增益控制4、S形函数a+bo(0,c)netac=a+b/2•人工神经元网络)exp(11)(iiXXfT•每个神经元均为多输入单输出的信息处理单元•输入分兴奋性和抑制型两种•神经元有阈值特性应用构造了具有3层节点的人工神经网络模型,将太湖2001年5～12月全湖共26个采样点的实测值作为学习样本,一共有26×8=208组数据。从这些数据中分别随机抽取1/4的数据各52组作为检验样本和测试样本,其余的104组(占50%)数据作为训练样本。每个样本均含有12个输入因子,分别是风速、风向、水温、ｐＨ、ＤＯ、高锰酸钾指数、浊度、ＴＮ、ＴＰ、叶绿素ａ、透明度、ＢＯＤ5。以浮游植物作为输出因子。用2002年8月的各点的浮游植物数据进行预测比较，人工神经网络模型前向网络（I/O映射）感知器、BP、RBF反馈网络（演化式好善性非线性动力系统）Hopfield网络、回归BP、Boltzman机等自组织网络自适应共振网络、自组织特征映射网络多层前向BP网络的优点①网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题；②网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力；③网络具有一定的推广、概括能力。多层前向BP网络存在的问题①BP算法的学习速度很慢，其原因主要有：a由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效；b存在麻痹现象，由于优化的目标函数很复杂，它