人工神經(jīng)網(wǎng)絡(luò)的算法及其在化工中的應(yīng)用摘要數(shù)據(jù)挖掘技術(shù)是當(dāng)今一項新興技術(shù)，它綜合運用人工智能、計算智能、 模式識別、數(shù)理統(tǒng)計等先進(jìn)技術(shù)從大量數(shù)據(jù)信息中挖掘和發(fā)現(xiàn)有價值和隱含 的知識。人工神經(jīng)網(wǎng)絡(luò)是由大量同時也是很簡單的處理單元廣泛連接構(gòu)成的 復(fù)雜網(wǎng)絡(luò)系統(tǒng)。它具有自學(xué)習(xí)、高容錯和高度非線性描述能力等優(yōu)點，使其 在化工領(lǐng)域得到了廣泛的應(yīng)用。這些應(yīng)用主要包括：故障診斷、過程控制、 物性估算、專家系統(tǒng)和建筑節(jié)能等。但人工神經(jīng)網(wǎng)絡(luò)在化工領(lǐng)域的進(jìn)一步應(yīng) 用還有賴于對化工領(lǐng)域問題的抽提 （即符合神經(jīng)網(wǎng)絡(luò)的輸入輸出表達(dá)）及網(wǎng) 絡(luò)本身性能優(yōu)化的進(jìn)一步研究。關(guān)鍵詞 ：數(shù)據(jù)挖掘技術(shù)；人工神經(jīng)網(wǎng)絡(luò) ；化工應(yīng)用 1 數(shù)據(jù)挖掘技術(shù)化工生產(chǎn)在生產(chǎn)產(chǎn)品的同時，也產(chǎn)生大量關(guān)于生產(chǎn)過程的信息。這些信 息的有效利用極大地促進(jìn)了化工生產(chǎn)的科學(xué)管理和生產(chǎn)優(yōu)化，與此同時，日 益積累的信息也帶來了許多新的挑戰(zhàn)和問題，如信息過量、信息真假難辨、 信息安全隱患、信息矛盾等。面對這一挑戰(zhàn)，數(shù)據(jù)挖掘技術(shù)應(yīng)運而生，并顯 示了強(qiáng)大的生命力。 [1]數(shù)據(jù)挖掘是一門交叉學(xué)科，涉及到機(jī)器學(xué)習(xí)、模式識別、統(tǒng)計學(xué)、智能 數(shù)據(jù)庫、知識獲取、數(shù)據(jù)可視化、高性能計算機(jī)和專家系統(tǒng)等多個領(lǐng)域。
數(shù) 據(jù)挖掘的兩個高層次目標(biāo)是預(yù)測和描述。預(yù)測的基本任務(wù)包括分類、回歸、 時間序列分析和預(yù)測。描述的基本任務(wù)包括聚類、總結(jié)、關(guān)聯(lián)規(guī)則和序列發(fā) 現(xiàn)。數(shù)據(jù)庫技術(shù)只是將數(shù)據(jù)有效地組織和存儲在數(shù)據(jù)庫中 ，并對這些數(shù)據(jù)作 一些簡單分析 ，大量隱藏在數(shù)據(jù)內(nèi)部的有用信息無法得到。 而機(jī)器學(xué)習(xí)、模 式識別、統(tǒng)計學(xué)等領(lǐng)域卻有大量提取知識的方法 ，但沒有和實際應(yīng)用中的海 量數(shù)據(jù)結(jié)合起來，很大程度上只是對實驗數(shù)據(jù)或?qū)W術(shù)研究發(fā)揮作用。數(shù)據(jù)挖 掘從一個新的角度將數(shù)據(jù)庫技術(shù)、機(jī)器學(xué)習(xí)、模式識別和統(tǒng)計學(xué)等領(lǐng)域結(jié)合 起來，從更深層次中發(fā)掘存在于數(shù)據(jù)內(nèi)部有效的、新穎的、具有潛在效用的 乃至最終可理解的模式。 1.2 數(shù)據(jù)挖掘技術(shù)分類數(shù)據(jù)挖掘技術(shù)通常可以分為一下幾種方法：[2](1) 數(shù)學(xué)統(tǒng)計方法數(shù)學(xué)統(tǒng)計方法主要用于完成總結(jié)知識和關(guān)聯(lián)知識挖掘。它利用統(tǒng)計學(xué)、 概率論的原理對關(guān)系中各屬性進(jìn)行統(tǒng)計分析 ，建立一個數(shù)學(xué)模型或統(tǒng)計模 型 ，以找出他們之間的關(guān)系和規(guī)律。常用的統(tǒng)計方法包括判別分析、因子分 析、相關(guān)分析、回歸分析、偏最小二乘回歸（PLS ）和聚類法等。(2) 決策樹決策樹技術(shù)主要用于分類、聚類和預(yù)測的預(yù)測建模技術(shù)。
它利用信息論 中的互信息 （信息增益）尋找數(shù)據(jù)庫中具有最大信息量的字段，建立決策樹 的一個結(jié)點，再根據(jù)字段的不同取值建立樹的分枝，在每個分枝子集中重復(fù) 建立下層結(jié)點和分枝，這樣便生成一顆決策樹。接著對決策樹進(jìn)行剪枝處理， 再把決策樹轉(zhuǎn)化為規(guī)則，利用這些規(guī)則可對新事例進(jìn)行分類。典型決策樹方 法有分類回歸樹（CART ）、ID3 和 C4.5 等。(3) 模式識別方法模式識別是數(shù)據(jù)挖掘的主要方法之一。它是一種借助于計算機(jī)對信息進(jìn) 行處理、判決分類的數(shù)學(xué)統(tǒng)計方法。模式識別方法大致可以分為統(tǒng)計模式識 別和句法模式識別兩大類。統(tǒng)計模式識別將每個樣本用特征參數(shù)表示為多維 空間中的一個點，根據(jù) “物以類聚”的原理，同類或相似的樣本間的距離應(yīng) 較近 ，不同類的樣本間的距離應(yīng)較遠(yuǎn)。這樣，就可以根據(jù)各樣本點間的距離 或距離的函數(shù)來判別、分類，并利用分類結(jié)果預(yù)報未知。統(tǒng)計模式識別是工 業(yè)優(yōu)化中的常用方法。(4) 人工神經(jīng)網(wǎng)絡(luò)方法人工神經(jīng)網(wǎng)絡(luò)方法用于分類、聚類、特征挖掘、預(yù)測和模式識別。神經(jīng) 網(wǎng)絡(luò)方法模仿動物的腦神經(jīng)元結(jié)構(gòu) ，以 M-P 模型（由 和 Pitts 提出 ）和 Hebb 學(xué)習(xí)規(guī)則為基礎(chǔ)。
在本質(zhì)上是一個分布式矩陣結(jié)構(gòu) ，通過 對訓(xùn)練數(shù)據(jù)的挖掘，逐步計算 （包括反復(fù)迭代或累加計算）神經(jīng)網(wǎng)絡(luò)連接的 權(quán)值。(5) 遺傳算法遺傳算法主要用于解決全局優(yōu)化問題 ，適用于分類和關(guān)聯(lián)規(guī)則挖掘等。 遺傳算法是一種基于達(dá)爾文進(jìn)化論中基因重組、突變和 自然選擇等概念的算 法，具有隨機(jī)性和自適應(yīng)性等特點。從一個初始規(guī)則集團(tuán)（如知識基因）開 始，逐代地通過交換對象成員（雜交、基因突變）產(chǎn)生群體（繁殖），評價 并擇優(yōu)復(fù)制（適者生存，不適者淘汰），逐代積累計算，最終得到最優(yōu)的或 是近似最優(yōu)的知識集。(6) 粗糙集方法粗糙集方法用于數(shù)據(jù)簡化（例如，刪除與任務(wù)無關(guān)的記錄或字段）、數(shù) 據(jù)意義評估、對象相似或差異性分析、因果關(guān)系及范式挖掘等。Rough Set 理論是 在 20 世紀(jì) 80 年代提出來的，用于研究非精確性和不確定 性知識的表達(dá)、學(xué)習(xí)、歸納等方法的。主要思想如下：在數(shù)據(jù)庫中將行元素 看成對象，列元素是屬性，把對象的屬性分為條件屬性和決策屬性，按各屬 性值是否相同劃分等價類。等價關(guān)系R 定義為不同對象在某個（或幾個） 屬性上取值相同 ，這些滿足等價關(guān)系的對象組成的集合稱為該等價關(guān)系R 的等價類。
(7) 支持向量機(jī)方法支持向量機(jī)方法主要用于有限數(shù)據(jù)的分類、回歸和預(yù)報建模。早在 20 世紀(jì) 60 年代，以數(shù)學(xué)家 為代表的學(xué)派就開始努力建立一套能保證 從有 限樣本得出預(yù)報能力最強(qiáng)數(shù)學(xué)模型 的“統(tǒng)計學(xué)習(xí)理論 ”( ，簡稱 SLT)并于 1992 年和 1995 年先后提出分類和回歸 的支持向量機(jī)算法( ，簡稱 SVM)。支持向量機(jī)的 基本思想可以概括為：首先通過非線性變換將輸入空間變換到一個高維空 間 ，然后在這個新空間中求取最優(yōu)線性分類面 ，而這種非線性變換是通過定 義適當(dāng)?shù)膬?nèi)積函數(shù)實現(xiàn)的。SLT 和 SVM 算法在很大程度上解決了模型選擇 與過擬合問題 ，小樣本、非線性和維數(shù)災(zāi)難問題 ，局部最小點問題等。(8) 可視化技術(shù)可視化是計算機(jī)應(yīng)用技術(shù)的發(fā)展趨勢 ，也是數(shù)據(jù)挖掘的研究方向之一。 可視化數(shù)據(jù)分析技術(shù)拓寬了傳統(tǒng)的圖表功能，用直觀圖形式將信息模式、數(shù) 據(jù)關(guān)聯(lián)或趨勢呈現(xiàn)給決策者，使之能交互分析數(shù)據(jù)關(guān)系，如把數(shù)據(jù)庫中多維 數(shù)據(jù)變成多種圖形對揭示數(shù)據(jù)總體狀況、內(nèi)在本質(zhì)及規(guī)律至關(guān)重要。
可視化 技術(shù)將人的觀察力和智能融入數(shù)據(jù)挖掘系統(tǒng)，極大提升了系統(tǒng)挖掘的速度、 層次和內(nèi)容。 2. 神經(jīng)網(wǎng)絡(luò)方法概述 2.1 神經(jīng)網(wǎng)絡(luò)方法的發(fā)展從 1943 年心理學(xué)家 W.S.McCu lloch 和數(shù)學(xué)家 W.Pitts 研究并提出 M-P 神經(jīng)元到今天，人類對神經(jīng)網(wǎng)絡(luò)的研究已過了半個多世紀(jì)的歷程。進(jìn) 入 80 年代后期，在美國、日本等一些工業(yè)發(fā)達(dá)國家里 ，掀起了一股競相研 究神經(jīng)網(wǎng)絡(luò)的熱潮 ，神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入復(fù)蘇階段 ，特別是1986 年 和 為首的科學(xué)小組提出的誤差逆?zhèn)鞑W(xué)習(xí)網(wǎng)絡(luò)及其 學(xué)習(xí)算法，已成為至今影響最大的一種網(wǎng)絡(luò)學(xué)習(xí)法。到了 21 世紀(jì)，神經(jīng)網(wǎng) 絡(luò)技術(shù)逐漸趨于成熟和理智。 [3]人工神經(jīng)元網(wǎng)絡(luò) （ ，簡稱 ANN ）是模仿人 類腦神經(jīng)活動的一種人工智能技術(shù)，是由大量的同時也是很簡單的處理單元 廣泛連接構(gòu)成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)是建立在現(xiàn)代神經(jīng)科學(xué)研究基 礎(chǔ)上的一種抽象數(shù)學(xué)模型 ，它反映了大腦功能的基本特征 ，但并非逼真地描 寫 ，只是某種簡化、抽象和模擬。給 ANN 一些樣本貝葉斯網(wǎng)絡(luò)在智能信息處理中的應(yīng)用 pdf，ANN 通過 自學(xué)習(xí)可 以掌握樣本規(guī)律，在輸入新的數(shù)據(jù)和狀態(tài)信息時 ，可用ANN 進(jìn)行自動推理 和控制。
由于反向傳遞學(xué)習(xí)算法 BP 網(wǎng)絡(luò)和 網(wǎng)絡(luò)的出現(xiàn)與再次興 起 ，使其應(yīng)用領(lǐng)域不斷擴(kuò)大。 2.2 神經(jīng)網(wǎng)絡(luò)方法分類人工神經(jīng)網(wǎng)絡(luò)有多種算法，但可粗略地分為兩類 ：有教師學(xué)習(xí)的人工神 經(jīng)網(wǎng)絡(luò)和無教師學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)。前者主要是對已知樣本進(jìn)行訓(xùn)練，然 后對未知樣本進(jìn)行預(yù)測。此類方法的典型代表是誤差反向傳播 (BP,Back )人工神經(jīng)網(wǎng)絡(luò)。后者亦稱自組織人工神經(jīng)網(wǎng)絡(luò)，無須對已知 樣本進(jìn)行訓(xùn)練，則可用于化合物的分類，如 神經(jīng)網(wǎng)絡(luò)和 神經(jīng)網(wǎng)。 2.3 BP 神經(jīng)網(wǎng)絡(luò)算法在以上各種算法中，應(yīng)用得最多的是 BP 人工神經(jīng)網(wǎng)絡(luò)[4]。從結(jié)構(gòu)上講， BP 網(wǎng)絡(luò)是典型的多層網(wǎng)絡(luò)，分為輸人層、隱含層和輸出層，層與層之間采 用完全互連方式，同一層單元間不存在相互連接。BP 網(wǎng)絡(luò)的第一層即輸入 層，接受外界輸入，最后一層即輸出層，產(chǎn)生輸出。在輸入層和輸出層之間， 有若干個隱含層。在各層之間，只有相鄰層的神經(jīng)元之間存在聯(lián)系。對輸入 X 進(jìn)行某種函數(shù)運算，即得到神經(jīng)元的輸出 Y。在化工的應(yīng)用領(lǐng)域中，常用 的函數(shù)形式是 S 型函數(shù) F(x)。
BP 算法的具體步驟是 ：（1 ）初始化，即隨機(jī)地設(shè)置各層權(quán)重系數(shù)和值；（2 ）將訓(xùn)練樣本數(shù)據(jù) X 加到網(wǎng)絡(luò)輸入端 ，計算各層的輸出 Y ，將輸出 值與期望值相比得到誤差信號；（3 ）根據(jù)誤差信號重新調(diào)整連接權(quán)重；（4 ）如果小于預(yù)定誤差，則認(rèn)為網(wǎng)絡(luò)已收斂而停止學(xué)習(xí)，反之，則返 回（2 ）繼續(xù)學(xué)習(xí) （3 ）。算法框圖如下：圖 1 BP 算法框圖 3. 神經(jīng)網(wǎng)絡(luò)方法應(yīng)用化工行業(yè)有著生產(chǎn)過程復(fù)雜、對象特性多變、間歇或半連續(xù)生產(chǎn)過程多、 有一定的危險性及污染環(huán)境等特點，使得化工領(lǐng)域需要一個技術(shù)及環(huán)境的改 支撐環(huán)境，對其進(jìn)一步發(fā)展有很大的促進(jìn)作用。ANN 在化工中的應(yīng)用主要 在以下幾個領(lǐng)域：故障診斷、過程控制、物性估算、專家系統(tǒng)和建筑節(jié)能。當(dāng)系統(tǒng)的某個環(huán)節(jié)發(fā)生故障時，若不及時處理，就可能引起故障擴(kuò)大并 導(dǎo)致重大事故的發(fā)生。因此建立高效的、準(zhǔn)確的實時故障檢測和診斷系統(tǒng)， 消除故障隱患，及時排除故障，確保安全、平穩(wěn)、優(yōu)質(zhì)的生產(chǎn)，已成為整個 生產(chǎn)過程的關(guān)鍵所在。故障診斷是 ANN 最有應(yīng)用價值的領(lǐng)域[5] ：(1)通過訓(xùn)練 ANN ，可形成和存儲有關(guān)過程知識并直接從定量的歷史故 障信息中學(xué)習(xí)；(2)ANN 具有濾出噪音及在噪音情況下得出結(jié)論的能力 ，使ANN 適合 于在線故障診斷和檢測 ；(3)ANN 具有分辨原因及故障類型的能力。
常用故障診斷方法是反向傳播的方法(BP 網(wǎng))和徑向偏置函數(shù)網(wǎng)絡(luò)(RBF 網(wǎng)) ，但另一方面模糊神經(jīng)元網(wǎng)絡(luò)作為一種更接近人腦思維的網(wǎng)絡(luò)，可能是 解決此問題的關(guān)鍵和研究方向。神經(jīng)網(wǎng)絡(luò)用于故障診斷和校正不必建立嚴(yán)格的系統(tǒng)公式或其它數(shù)學(xué)模 型 ，經(jīng)數(shù)據(jù)樣本訓(xùn)練后可準(zhǔn)確、有效地偵破和識別過失誤差 ，同時校正測量 數(shù)據(jù)中的隨機(jī)誤差。與直接應(yīng)用非線性規(guī)劃的校正方法相比 ，神經(jīng)網(wǎng)絡(luò)的計 算速度快 ，在化工過程的實時數(shù)據(jù)校正方面具有明顯的優(yōu)勢。然而現(xiàn)有的神 經(jīng)網(wǎng)絡(luò)軟件 ，直接應(yīng)用于測量數(shù)據(jù)校正時，需要進(jìn)行離線的訓(xùn)練 ，難以同數(shù) 據(jù)校正系統(tǒng)有機(jī)地相結(jié)合；其次 ，為適應(yīng)化工過程數(shù)據(jù)的復(fù)雜性，需要提高 神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練速度和收斂性。[6] 3.2 過程控制隨著化學(xué)工業(yè)的不斷發(fā)展，對化工過程控制的要求日益嚴(yán)厲。常規(guī)的控 制系統(tǒng)有時會顯得力不從心，而神經(jīng)網(wǎng)絡(luò)本身所具有的優(yōu)點正好能滿足控制 過程的主要要求：——處理日益復(fù)雜的系統(tǒng)的需要；——過程設(shè)計要求日益增高的需要；——減少不確定因素及環(huán)境要求的需要。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)及應(yīng)用也變得自然。隨著 ANN 研究的不斷深入，神 經(jīng)網(wǎng)絡(luò)越來越多地應(yīng)用于控制領(lǐng)域的各個方面，從過程控制、機(jī)器人控制、 生產(chǎn)制造、模式識別直到?jīng)Q策支持神經(jīng)網(wǎng)絡(luò)都有應(yīng)用。
ANN 可以成功地建 立流程和控制參數(shù)間的非線性關(guān)系及構(gòu)造相關(guān)的數(shù)學(xué)模型 ，并可跟蹤瞬息過 程及具有穩(wěn)健功能等 ，因此可有效地用于化工過程最優(yōu)化和控制。1986 年 ， 第一次將 ANN 用于控制界。神經(jīng)元網(wǎng)絡(luò)用于控 制有兩種方法 ，一種用來構(gòu)造模型 ，主要利用對象的先驗信息 ，經(jīng)過誤差校 正反饋 ，修正網(wǎng)絡(luò)權(quán)值 ，最終得到具有因果關(guān)系的函數(shù)，實現(xiàn)狀態(tài)估計，進(jìn) 而推斷控制；另一種直接充當(dāng)控制器，就像 PID 控制器那樣進(jìn)行實時控制。 神經(jīng)元網(wǎng)絡(luò)用于控制，不僅能處理精確知識，也能處理模糊信息。 認(rèn)為神經(jīng)網(wǎng)絡(luò)在化工過程控制領(lǐng)域的應(yīng)用主要在三個方面：預(yù)測控制、反向 模型基礎(chǔ)控制和適應(yīng)控制。而在控制工藝中 ，神經(jīng)網(wǎng)絡(luò)用得最多的便是預(yù)測 控制工藝。 和 Goh 闡述了 ANN 用于優(yōu)化控制相對其它傳統(tǒng)的線性參數(shù) 模型的一些優(yōu)點。這種預(yù)測控制算法是以模型為基礎(chǔ)的，同時包含了預(yù)測的 原理，可以靈活方便地處理輸入輸出等的約束問題。圖 2 展示了神經(jīng)網(wǎng)絡(luò)的 預(yù)測控制策略。 3.3 物性估算用神經(jīng)網(wǎng)絡(luò)來解決估算物質(zhì)的性質(zhì)必須解決三個基本問題，第一個是對圖 2 神經(jīng)網(wǎng)絡(luò)的預(yù)測控制策略 物質(zhì)的表征問題；第二個是采用何種神經(jīng)網(wǎng)絡(luò)及其算法問題；第三個是神經(jīng) 網(wǎng)絡(luò)輸入與輸出數(shù)據(jù)的歸一化問題。
無論采用哪種方法對數(shù)據(jù)進(jìn)行處理，當(dāng) 用經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行物性估計時，不能將網(wǎng)絡(luò)直接的輸出值作為物性 預(yù)估值，而是要進(jìn)行反歸一化處理，也就是說，神經(jīng)網(wǎng)絡(luò)的輸出值再乘上一 個系數(shù)，這個系數(shù)就是前面進(jìn)行歸一化處理時對數(shù)據(jù)的除數(shù)，相乘后得到的 值作為物性估算值。神經(jīng)網(wǎng)絡(luò)用于物性估算，目前采用的就是 BP 網(wǎng)絡(luò)或在此基礎(chǔ)上的各種 改進(jìn)形式。既然網(wǎng)絡(luò)形式已經(jīng)確定，那么剩下的問題就是 BP 網(wǎng)絡(luò)本身所需 要解決的問題。BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練運行時需要解決的問題就是各層的神經(jīng)元 數(shù)目，其它問題均可以交給計算機(jī)去處理解決。近年來，將 ANN 用于估算有機(jī)物的物性參數(shù)已有一些研究 ，張向東[7] 采用 ANN 對有機(jī)物的一些基礎(chǔ)物性進(jìn)行預(yù)測，表征分子采用分子描述碼、 分子片、分子距離邊數(shù)矢量等一些特殊參數(shù)，其報道的預(yù)測結(jié)果均優(yōu)于或接 近數(shù)學(xué)回歸法的預(yù)測結(jié)果 ，然而，這些表征分子的特殊參數(shù)表征方式復(fù)雜 ， 且往往還需要其他精確的不易獲得的物性參數(shù)；陳海松 [8]采用基團(tuán)法用 ANN 對有機(jī)物的沸點焓進(jìn)行了很好的估算。基團(tuán)貢獻(xiàn)法表征分子具有簡單 易用，不需或少用其他附加參數(shù)的特點，而 ANN 極強(qiáng)的自學(xué)習(xí)、自擬和模 式識別的能力還使網(wǎng)絡(luò)能考慮到基團(tuán)的相互作用，表明 ANN 在物性估算方 法具有很大的應(yīng)用前景。
文獻(xiàn)用改進(jìn)后的神經(jīng)網(wǎng)絡(luò) BP 算法 SSBP ，對純物 質(zhì)的常壓沸點進(jìn)行估算和研究。 等人利用神經(jīng)網(wǎng)絡(luò)對有機(jī)化合物的 物理性質(zhì)進(jìn)行了預(yù)測，并與傳統(tǒng)的基團(tuán)貢獻(xiàn)法比較，可以得到更為準(zhǔn)確的物 性參數(shù)。而后，董新法、方利國等人將神經(jīng)網(wǎng)絡(luò)在物性估算中的應(yīng)用作了一 個全面而又簡要的講解 ，并提出神經(jīng)網(wǎng)絡(luò)在物性估算中潛在的應(yīng)用前景，為 其發(fā)展及其以后的應(yīng)用研究提供了很好的工作平臺。 3.4 專家系統(tǒng)ANN 具有良好的逼近任意復(fù)雜的非線性系統(tǒng)的能力，近年來被廣泛應(yīng) 用于化學(xué)化工過程的模擬與預(yù)測[9] ，包括在能量模型、建筑節(jié)能方面都有應(yīng) 用[10]。當(dāng)今大多數(shù)樓宇的 HVAC 系統(tǒng)都采用集散控制系統(tǒng)，它們依靠高速 可靠的網(wǎng)絡(luò)通信與強(qiáng)大的DDC(直接數(shù)字控制期)或子站來實現(xiàn)各項功能， 這些都為 ANN 的實際應(yīng)用創(chuàng)造了條件。專家系統(tǒng)發(fā)展至今 ，存在許多理論和技術(shù)問題 ，如知識表示、知識獲取、 知識驗證等。而神經(jīng)元網(wǎng)絡(luò)有著許多誘人的特點 ：表達(dá)一求解問題可用連接 模型表示 ；學(xué)習(xí)一網(wǎng)絡(luò)連接權(quán)值可用訓(xùn)練獲得，概括一連接模型具有健壯性， 抽取一連接模型具有創(chuàng)新能力；并行一連接模型適合于硬件并行實現(xiàn)。
因此 ， 將兩者有機(jī)地結(jié)合起來 ，將有著一種有益的互補(bǔ)作用，使人工智能在實時應(yīng) 用、知識獲取、執(zhí)行效率等方面都會有很大改善。借助神經(jīng)元網(wǎng)絡(luò)方法建立神經(jīng)邏輯網(wǎng)絡(luò)，通過已知樣本的學(xué)習(xí)獲得權(quán)值 矩陣。它一方面等價于推理網(wǎng)絡(luò)的可信度矩陣 ，這樣構(gòu)成的推理機(jī)可完成如 下任務(wù)：用部分輸入信息進(jìn)行推理，能尋找未知輸入變量 ，解釋推理結(jié)果。 另一方面也可作為專家系統(tǒng)的規(guī)則，既可作為知識獲取工具，又可存取知識， 作為一個知識庫。杜文莉[11]等以精對苯二甲酸結(jié)晶過程為研究對象，提出一種基于神經(jīng) 網(wǎng)絡(luò)模型的實時專家控制系統(tǒng)，該方法利用神經(jīng)網(wǎng)絡(luò)建模技術(shù)獲取對象的機(jī) 理知識，通過對影響模型特性的多個變量進(jìn)行分析，自動得到常規(guī)專家控制 系統(tǒng)難于獲取的定性、定量知識，并按分級遞階的啟發(fā)式搜索機(jī)制，實現(xiàn)了 對工業(yè)過程對象的實時控制。實際應(yīng)用表明：該方法不但克服了以往專家系 統(tǒng)知識獲取的瓶頸，而且有效實現(xiàn)了人機(jī)對話的功能，便于現(xiàn)場操作和更改 專家知識庫，為化工過程的多變量控制提供了新的思路。 3.5 建筑節(jié)能上的應(yīng)用隨著經(jīng)濟(jì)的發(fā)展 ，供暖范圍日益擴(kuò)大 ，空調(diào)建筑迅速增加 ，建筑能耗增 長的速度將遠(yuǎn)遠(yuǎn)高于能源生產(chǎn)增長的速度 ，從而成為制約國家經(jīng)濟(jì)發(fā)展的一 個重要因素。
神經(jīng)網(wǎng)絡(luò)可以充分逼近任意復(fù)雜的非線性關(guān)系，且具有分布存 儲、自適應(yīng)和自組織等突出特點。應(yīng)用最為廣泛的 BP 網(wǎng)絡(luò)模型技術(shù)成熟 ， 結(jié)構(gòu)簡單 ，工作狀態(tài)穩(wěn)定，可把一組樣本的 I/O 問題變?yōu)橐粋€非線性優(yōu)化問 題。如果用 BP 網(wǎng)絡(luò)來處理建筑節(jié)能的評價問題 ，就可以通過學(xué)習(xí) ，自動歸 納掌握各指標(biāo)影響節(jié)能綜合指標(biāo)的規(guī)律 ，并將各指標(biāo)權(quán)重以相對聯(lián)系的方式 隱含于網(wǎng)絡(luò)之中 ，從而使建筑節(jié)能效果的評價既具有客觀規(guī)律性，又達(dá)到簡 單適用的 目的[12]。建筑節(jié)能作為中國節(jié)能工作的重要組成部分，當(dāng)前的技術(shù)水平還比較低 下 ，神經(jīng)網(wǎng)絡(luò)作為一種抽象模型，采用人工智能的方法進(jìn)行數(shù)據(jù)知識的萃取， 有極其優(yōu)越的條件和精確度 ，只要選取的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方式得當(dāng) ，并有足 夠的數(shù)據(jù)供網(wǎng)絡(luò)訓(xùn)練 ，理論上神經(jīng)網(wǎng)絡(luò)模型能夠以任意精度逼近實際的物理 模型。 4 結(jié)論數(shù)據(jù)挖掘技術(shù)是一項非常有前途的應(yīng)用技術(shù)，它能從數(shù)據(jù)庫中提取出有 效的模式和感興趣的知識。數(shù)據(jù)挖掘最令人激動的新的研究領(lǐng)域可能是將統(tǒng) 計學(xué)、數(shù)據(jù)庫、數(shù)據(jù)自動分析和歸約及與其他相關(guān)領(lǐng)域融合在一起。神經(jīng)網(wǎng)絡(luò)在化學(xué)工程中得到廣泛應(yīng)用，并得到了豐富與發(fā)展。人們對生 物神經(jīng)系統(tǒng)的認(rèn)識與研究還很不夠，所使用的神經(jīng)元網(wǎng)絡(luò)模型無論是結(jié)構(gòu)還 是網(wǎng)絡(luò)規(guī)模都是真實神經(jīng)元網(wǎng)絡(luò)的極簡單模擬。
神經(jīng)元網(wǎng)絡(luò)的研究結(jié)果迄今 大多停在仿真或?qū)嶒炇已芯侩A段。完整、系統(tǒng)的理論體系及大量艱難而富有 挑戰(zhàn)性的理論問題尚未解決 ，真正應(yīng)用成功的實例也有待于進(jìn)一步發(fā)展。目前，人工神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域中的應(yīng)用都在向人工智方向發(fā)展。不斷 豐富基礎(chǔ)理論和開展應(yīng)用研究、完善 ANN 術(shù)的可靠性、開發(fā)基于 ANN 的 智能性化工優(yōu)化專家系統(tǒng)軟件對于我國的化工發(fā)展具有重要意義。參考文獻(xiàn)[1] 俞章毅，夏陸岳，潘海天．?dāng)?shù)據(jù)挖掘技術(shù)及其在化工過程中的應(yīng)用 [J] ．浙江化工．2003 ，34 （9 ）：24-26 ．[2] 楊善升，陸文聰貝葉斯網(wǎng)絡(luò)在智能信息處理中的應(yīng)用 pdf，陳念貽．?dāng)?shù)據(jù)挖掘技術(shù)在化工優(yōu)化中的應(yīng)用[J] ．江 蘇化工．2004 ，32 （4 ）:1-4 ．[3] 王聃，方利國．神經(jīng)網(wǎng)絡(luò)在化工應(yīng)用中的研究進(jìn)展 [J] ．廣東化 工．2007 ，34 （10 ）：52-55 ．[4] 冉清，劉瑩．人工神經(jīng)網(wǎng)絡(luò)及其在化工領(lǐng)域中的應(yīng)用 [J] ．廣東化 工．2001 （2 ）：32-34 ．[5] 王克峰，袁一．神經(jīng)元網(wǎng)絡(luò)在化學(xué)工程中的應(yīng)用與發(fā)展[J] ．化工進(jìn) 展，1996 ，(3) ：17-21 ．[6] 潘吉錚，周傳光，錢宇．基于神經(jīng)網(wǎng)絡(luò)的化工過程測量數(shù)據(jù)在線校 正技術(shù)的研究[J] ．高校化學(xué)工程學(xué)報，2003 ，17(6) ：319-324 ．[7] 張向東，趙立群，等．人工神經(jīng)網(wǎng)絡(luò)法預(yù)測有機(jī)物基礎(chǔ)物性[J] ．化 工學(xué)報，1995 ，46(1) ：66 ．[8] 陳海松，王福安，等．純物質(zhì)汽化熱的人工神經(jīng)網(wǎng)絡(luò)算法估算[J] ．高 校化學(xué)工程報，1998 ，12(4) ：375 ．[9] 魏奇業(yè)，李謙．基于神經(jīng)網(wǎng)絡(luò)的精餾塔動態(tài)模擬 [J] ．吉林化工學(xué)院 學(xué)報，2004 ，21(3) ：10-15 ．[10] S ， ，Geros V ． ’s use with ： and [J] ． and ，2006 ，(38) ：949-958 ．[11]杜文莉 ，錢鋒 ．基于神經(jīng)網(wǎng)絡(luò)的實時專家控制系統(tǒng)及其 PTA 工業(yè)應(yīng) 用[J] ．控制與決策 ，2005 ，20(6) ：694-697 ．[12]丁力行．建筑節(jié)能綜合評價指標(biāo)體系的建立[J] ．建筑，2003 ，(12) ： 19-22 ．
