572 北京科技大学学报 2002年第5期 2 神经网络知识库系统设计与实现 放训练7个神经网络所用的实例，即学习样本 在武汉地区的神经网络，以除3,9,17号钢种以 2.1知识获取 外的其他14种钢在本地的数据为学习样本训 知识获取是知识从知识源到知识库的转移 练网络，实例个数为56.在万宁地区的神经网 过程，是AI和知识工程中的关键性技术难题 络，以除9,17号钢种以外的其他15种钢的数据 在本知识库系统的建立过程中，知识获取包括 为学习样本，实例个数为60.在其他5个地区的 提出所需神经网络的结构；组织待学习的样本； 神经网络，以除9号钢种以外的其他16种钢的 使用神经网络学习算法，通过对样本的学习，得 数据为学习样本，实例个数为64.训练实例知 到所需权值分布，从而完成知识获得 识库包括下列参量：①实例个数；②实例的输 神经网络研究表明，BP网络具有从输入到 入变量数；③实例的输出变量数；④实例编 输出的高度非线性映射，任何-一个连续函数都 号；⑤实例数据对. 可以用3层BP人工神经网以任何精度逼近 (2)训练及检验结果.本部分包括7个网络 BP网络及其算法结构简单，易于实现，在许多 的训练和检验结果.7个地区的神经网络训练 方面得到了广泛的应用.在建立本神经网络知 好以后，均以9号钢种12 CrMnCu在1,2,4,8年的 识库时，采用3层BP网络，网络训练采用Matlab 腐蚀率数据为检验样本，将预测值和实测值比 软件中的神经网络工具箱.7个神经网络结构 较，从而检验各个神经网络的有效性.以广州地 相同，转移函数相同，而学习参数略有不同.网 区的神经网络为例，结果如下： 络输人层有8个节点，分别代表钢的C,S,P,Mn, ①训练结果：训练步数一11， Si,Cr,Cu的含量以及时间.网络隐含层节点数为 训练误差0.0186922； 5,输出层节点数为1，代表钢的腐蚀率 ②检验结果：见表1. 网络的转移函数和学习参数如下：隐含层 传递函数一双曲正切函数，输出层传递函数 表112 CrMnCu腐蚀率预测值与实测值的比较 纯线性函数.学习过程显示频率为10，误 Table 1 Comparison of the predicted values with actual 差指标为0.02，学习率为0.01.最大训练步数 values of corrosion on rate for 12CrMnCu mm/年 分别为北京、琼海、武汉：200；广州、江津、青岛： 实验时间年 实测值 预测值 预测误差% 1 0.0525 0.0477 9.14 300;万宁：400. 2 0.0377 0.0428 13.53 2.2知识表示 4 0.0282 0.0300 6.38 知识表示是知识推理的前提，通过知识表 8 0.0181 0.0212 17.13 示将所获取的知识存于知识库中，才能进行推 理并求解问题 从7个神经网络的检验结果可知，预测误 在本知识库系统中，知识的表示与传统的 差一般在20%以内，效果还是比较理想 专家系统知识库有很大的差别.它不是显式表 (3)问题求解知识库.问题求解知识库是此 示，而是某种隐式表示.当训练（知识获取）结束 神经网络知识库的核心部分，它存储了网络训 后，知识就表示为训练好的网络的权系数矩阵 练所获取的隐式知识，表示为网络的权值矩阵 和阈值向量，分布于整个网络之中 和阈值向量，这构成了网络推理（或预测）的基 2.3系统构造 础.它包括以下参量：州为输入层与隐含层之间 本神经网络知识库系统主要包括四个部 的权值矩阵；b为隐含层节点的阈值向量；w为 分，分别为训练实例知识库、训练和检验结果 隐含层与输出层之间的权值矩阵；b,输出层节 库、问题求解知识库及知识利用 点的阈值向量.以广州地区为例，训练好的网络 (1)训练实例知识库.训练实例知识库中存 的权值和阈值如下： -5.0047 12.1564 11.0347 -0.3701 0.3301 -0.0644 2.3725 0.0633 5.4724 -12.8492 -10.5349 0.6254 1.1404 0.4068 0.7224 0.2021 -2.3290 -20.1360 4.7022 0.6996 1.8381 0.4067 0.2285 -0.1573 4.1269 -27.9693 -2.8427 0.4933 1.6558 0.6403 -1.0307 0.5064 3.2320 -7.0649 -5.8525 0.2349 1.5060 0.6285 2.1050 0.1899北 京 科 技 大 学 学 报 年 第 期 神经网络知 识库 系统设计与实现 知 识获取 知识获取是 知识从知识源 到知识库的转移 过程 ， 是 和 知识工程 中的关键性技术难题 在本 知识库 系统 的建立 过程 中 ， 知识获取包括 提 出所需 神经 网络 的结构 组织待学习 的样本 使用 神经 网络学 习算法 ， 通 过对样本 的学 习 ， 得 到所需权值分 布 ， 从而完成知识获得 神经 网络研究表 明 ， 网络具有从输人 到 输 出的高度非线性映射 ， 任何一 个连续 函数都 可 以用 层 人工 神经 网 以任何精度 逼 近 ‘， 网络及其算法结构简单 ， 易于 实现 ， 在许多 方 面得 到 了广泛 的应用 在建立本 神经 网络知 识库时 ， 采用 层 网络 ， 网络训 练采用 软件 中的神经 网络工具箱 个神经 网络结构 相 同 ， 转移 函数相 同 ， 而 学 习参数 略有不 同 网 络输人层有 个节点 ， 分别代表钢 的 ，，， ， ，， 的含量 以及时 间 网络隐含层 节点数为 ， 输 出层节点数为 ， 代表钢 的腐蚀率 网络 的转移 函数和 学 习参数如下 隐含层 传递 函数－ 双 曲正切 函数 ， 输 出层传递 函数 － 纯线性 函数 学 习 过程显示 频 率为 ， 误 差 指 标 为 ， 学 习 率为 最 大训 练步数 分别为北京 、 琼海 、 武汉 广州 、 江津 、 青岛 万 宁 知识表示 知识表示 是 知识推理 的前提 ， 通过知识表 示将所获取 的知识存 于 知识库 中 ， 才能进行推 理并求解 问题 在本知识库 系统 中 ， 知识 的表示 与传统 的 专家 系统知识库有很大 的差别 它 不 是显 式表 示 ， 而是某种 隐式表示 当训 练 知识获取 结束 后 ， 知识就表示 为训 练好 的 网络 的权系数矩 阵 和 闭值 向量 ， 分布于 整个 网络之 中 系统构造 本 神 经 网 络 知 识 库 系 统 主 要 包 括 四 个 部 分 ， 分别为训 练实例知识库 、 训 练和 检验结果 库 、 问题求解 知识库及知识利用 训 练实例知识库 训 练实 例知识库 中存 放训 练 个神经 网络所用 的实例 ， 即学 习 样本 在武汉地 区 的神经 网络 ， 以 除 ， ， 号钢 种 以 外 的其他 种钢在本地 的数据 为学 习 样本 训 练 网络 ， 实例个数为 在万 宁地 区 的神经 网 络 ， 以 除 ， 号钢种 以外 的其他 巧 种 钢 的数据 为学 习样本 ， 实例个数为 在其他 个地 区 的 神经 网络 ， 以 除 号 钢种 以 外 的其他 种钢 的 数据为 学 习样 本 ， 实例个数 为 训练实例知 识库包括下 列参量 ①实例个数 ② 实例 的输 人变量数 ③ 实 例 的输 出变量 数 ④实 例编 号 ⑤实例数据对 训 练及检验结果 本 部分包括 个 网络 的训 练和 检验结果 个地 区 的神经 网络训 练 好 以后 ， 均 以 号钢 种 在 ， ， ， 年 的 腐蚀率数据为检验样本 ， 将预测值和 实测 值 比 较 ， 从而检验各个神经 网络的有效性 以广州地 区 的神经 网络 为例 ， 结果如下 ①训 练结果 训 练步数一 ， 训练误差一 ②检验结果 见表 表 腐蚀率预 测 值与实测 值的 比较 口 年 实验时间啤 实测值 预测值 预测误差 从 个神经 网络的检验结果可 知 ， 预测 误 差一 般在 以 内 ， 效果还 是 比较理想 问题求解知识库 问题求解知识库是此 神经 网络知识库 的核心 部分 ， 它存储 了 网络训 练所获取 的 隐式知识 ， 表示 为 网 络 的权值矩 阵 和 阂值 向量 ， 这构成 了 网络推理 或预测 的基 础 它包括 以下参量 为输人层与隐含层之间 的权值矩阵 为 隐含层节 点 的 阂值 向量 桃为 隐含 层 与输 出层 之 间 的权值矩 阵 输 出层 节 点 的阑值 向量 以广州地 区 为例 ， 训 练好 的 网络 的权值和 阂值如下 ﹄、 甘 ，，︸ 山， 内乙︸，门 ‘︸、 ︸ 冲一 一 一 一 一 一 一 一 一 刁 刁 刁 一 刁目 刁 刁 刁 一