1、章人工智能醫藥院校藥學類規劃教材計算機在藥學中的應用第1頁，共59頁。第一節 人工智能基礎 目 錄第二節 人工神經網絡第三節 生物醫藥機器人沈陽藥科大學計算中心沈陽藥科大學計算中心第2頁，共59頁。第一節 人工智能基礎 第一節 人工智能基礎 大學計算機基礎沈陽藥科大學第3頁，共59頁。一、人工智能的概念和由來 生命科學群和信息科學群是當今世界最具有發展力的兩大學科群，而人工智能（Artificial Intelligence, AI）則是這兩個學科群中最重要、最具前景的交叉領域。人工智能是一門由計算機科學、控制論、信息論、語言學、神經生理學、心理學、數學、哲學等多種學科相互滲透而發展起來的綜合

2、性新學科。 大學計算機基礎沈陽藥科大學第4頁，共59頁。 人工智能的核心在于“智能”，我們可以將智能理解為記憶與思維的能力、感知的能力、行為能力和具有學習和適應的能力。從“能力”的角度上講，人工智能是相對于人的自然智能而言的，是指用人工的方法在計算機上實現的智能。從科學的角度來講，人工智能是一門研究如何構造智能機器或智能系統，使它能模擬，延伸和擴展人類智能的學科。 大學計算機基礎沈陽藥科大學第5頁，共59頁。二、人工智能的發展歷程 1.孕育期（1956年以前） 1946年，在美國誕生了世界上第一臺電子數字計算機ENIAC。在同一時代，控制論和信息論創立，生物學家設計了腦模型。這些成果都為人工智

3、能學科的誕生奠定了理論與實驗基礎。 2.形成期（1956年1970年） 1956年，人工智能的研究取得了兩項重大突破。第一項是紐厄爾、肖（Shaw）和西蒙研究組編制的邏輯理論程序LT（Logic Theory Machine），可以模擬人們用數理邏輯證明定理的思想。第二項是IBM工程研究組的塞繆爾研制的西洋跳棋程序。這個程序可以像一個優秀棋手那樣，向前看幾步來下棋，并且能在下棋過程中積累經驗，不斷提高棋藝。1959年，這個程序戰勝了設計者本人，1962年它又擊敗了美國一個州的跳棋冠軍。大學計算機基礎沈陽藥科大學第6頁，共59頁。3.知識應用期（1970年20世紀80年代末） 進入二十世紀70年

4、代后，人工智能轉向了以知識為中心的研究。專家系統實現了人工智能從理論研究走向實際應用的突破。是人工智能發展歷程中的一次重大轉折。 4.從學派分離走向綜合（20世紀80年代末本世紀初） 人工智能技術被更廣泛的應用到各個領域并取得了卓越的成績。人工智能技術開始被用于導彈系統和其它先進武器，同時它也進入了我們的個人計算機，能夠進行自然語言處理，機器翻譯和語音識別的智能電腦的增加吸引了公眾的興趣。 大學計算機基礎沈陽藥科大學第7頁，共59頁。三、人工智能的主要研究學派 大學計算機基礎沈陽藥科大學第8頁，共59頁。四、我國人工智能研究的歷史 人工智能研究在我國起步相對較晚，納入國家計劃的“智能模擬”研究

5、始于1978年；1984年召開了智能計算機及其系統的全國學術討論會；1986年起把智能計算機系統、智能機器人和智能信息處理等重大項目列入國家高技術研究計劃； 1981年起，相繼成立了中國人工智能學會（CAAI）等學術團體；1989年首次召開的中國人工智能聯合會議（CJCAI）；1993年起，又把智能控制和智能自動化等項目列入國家科技攀登計劃。進入21世紀后，已有更多的人工智能與智能系統研究獲得各種基金計劃支持。 大學計算機基礎沈陽藥科大學第9頁，共59頁。五、人工智能技術與實現方法 人工智能在計算機上實現時有2種不同的方式。一種是工程學方法（Engineering approach），它采用傳

6、統的編程技術，使系統呈現智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。工程學方法已在一些領域取得了一定的成果，如文字識別、 電腦下棋等。采用這種方法，需要我們詳細規定程序邏輯，邏輯簡單的時候很容易實現，一旦程序邏輯復雜繁瑣，就很容易出現錯誤。另一種是模擬法（Modeling approach），它不僅要看效果，還要求實現方法也和人類或生物機體所用的方法相同或相類似。遺傳算法（Generic Algorithm，簡稱GA）和人工神經網絡（Artificial Neural Network，簡稱ANN）都屬于這種方法。 大學計算機基礎沈陽藥科大學第10頁，共59頁。六、人工智能的主

7、要研究方向 人工智能的研究包括智能機器人、模式識別、自然語言處理和專家系統等方向。1.問題求解：我們通過對人們求解問題的一般規律、求解問題的思路的研究，編制一個智能程序，讓它依照人類解決問題的方法與思維模式去解決問題。 2.自然語言處理：自然語言處理（Natural Language Processing，NLP）也是人工智能的早期研究領域之一，自然語言處理主要研究如何使計算機能夠理解和生成自然語言。自然語言處理通常與模式識別，計算機視覺等技術相結合，應用在文字識別和語音識別等系統中。大學計算機基礎沈陽藥科大學第11頁，共59頁。3.模式識別：模式識別是研究如何從龐大的信息中提取特征，應用計算

8、機對某一范疇內的事物依據特征進行自動的識別和分類。模式識別是人工智能的重要組成部分，它本身又分為文字識別、語音識別、生物特征識別、圖像分析等許多分支。 4.智能數據庫：智能數據庫是研究利用人的推理、想象、記憶原理，實現對數據庫的存儲、搜索和修改。智能數據庫通過有效的組織，能夠滿足人們快速檢索和修改數據庫的要求。 大學計算機基礎沈陽藥科大學第12頁，共59頁。5.智能機器人：機器人學是在電力學、人工智能、控制論、系統工程、精密機械、信息傳感、仿生學以及心理學的多種學科的基礎上形成的一門綜合性技術學科。 6.博奕：博弈是研究使自己取勝、戰勝對手的策略。在決策過程中要對形勢做出恰當的估計，搜尋各種可

9、能的策略組合，通過對比分析確定對自己最有利的策略。 7.程序自動設計：自動程序設計是將自然語言描述的程序自動轉換成可執行的程序的技術。 大學計算機基礎沈陽藥科大學第13頁，共59頁。8.邏輯推理與定理證明：邏輯推理是人工智能研究中最持久的領域之一。計算機通過模仿人的推理和演繹過程，從最基本的公理出發，證明定理的正確性。9.專家系統：專家系統是一個具有大量專門知識與經驗的智能計算機程序系統，它應用人工智能技術，根據某個領域一個或多個人類專家提供的知識和經驗進行推理和判斷，模擬人類專家對復雜問題的決策過程。大學計算機基礎沈陽藥科大學第14頁，共59頁。七、 人工智能在醫藥領域的應用 醫學人工智能是

10、人工智能發展出來的一大分支，它為醫學診療問題提供解決方案，成果最顯著的是醫學專家系統。1972 年de Domabl研發了“急性腹痛鑒別診斷系統”，1976 年費根鮑姆成功開發了MYCIN “傳染性疾病鑒別診斷系統”。專家鑒定表明該系統對細菌血液病、腦膜炎方面的診斷和提供治療方案的水平已超過了這方面的專家。 80年代初期開始，中國中醫界相關專家系統的研究也開展得如火如荼，大約有140個以經驗為主的中醫專家系統相繼研發。醫學專家系統可以解決的問題一般包括解釋、預測、診斷、提供治療方案等。 大學計算機基礎沈陽藥科大學第15頁，共59頁。 近年來，人工智能技術在藥學領域也得以廣泛的應用，尤其是在中藥

11、材的質量控制方面取得了卓越的研究成果。由于中藥材質量的特殊性和復雜性，中藥材的真偽鑒別和質量控制存在很大困難。為擺脫這一困境，將人工智能技術引入到中藥材質量控制系統中，利用模式識別技術，建立了完整的中藥材質量檢測專家系統，實現了中藥材的數字化、自動化檢測，全面、客觀、準確、快捷的控制中藥材質量；為建立安全有效，可操作，技術先進的國家質量標準提供了堅實可靠的基礎；同時促進了中藥國際化，提高了中醫藥產品在國際醫藥市場的競爭力。大學計算機基礎沈陽藥科大學第16頁，共59頁。 此外，人工免疫算法、人工神經網絡技術、遺傳算法等人工智能技術在藥品制劑過程的工藝參數優化，化合物毒性預測，藥物滲透性能預測及生

12、物制藥等領域都發揮著重要的作用。大學計算機基礎沈陽藥科大學第17頁，共59頁。第二節人工神經網絡 第二節人工神經網絡 大學計算機基礎沈陽藥科大學第18頁，共59頁。一、 人工神經網絡的概念和發展 利用大腦的組織結構和運行機制的特點，從模仿人腦智能的角度出發，探尋新的信息處理方式，構造了一種更接近人類智能的信息處理系統人工神經網絡（Artificial Neural Networks，簡稱ANN）系統。如圖8-1所示。 大學計算機基礎沈陽藥科大學第19頁，共59頁。 人工神經網絡也稱為神經網絡（Neural Network, NN），是由大量處理單元廣泛互聯而成的網絡，是對人腦的抽象、簡化和模擬

13、。它是植根于神經系統、數學、統計學、物理學、計算機科學及工程等學科的一種人工智能技術。 大學計算機基礎沈陽藥科大學第20頁，共59頁。二、人工神經網絡的學習方式 按人工神經網絡的性能可分為連續型神經網絡和離散型神經網絡，又可分為確定型神經網絡和隨機型神經網絡；按人工神經網絡的結構可分為反饋型神經網絡和前饋型神經網絡；按學習方式可分為有導師學習網絡和無導師學習網絡。1.有導師學習 有導師學習又稱為有監督學習，在學習時需要給出導師信號，也稱為期望輸出。學習的目的就是減少網絡實際輸出與導師信號之間的差異，使網絡實際輸出逐漸逼近導師信號。這一目標是通過逐步調整網絡權值來實現的。 大學計算機基礎沈陽藥科

14、大學第21頁，共59頁。2.無導師學習 無導師學習也稱為無監督學習。在無監督學習中沒有外部導師信號或評價系統來統管學習過程，而是在網絡內部對其性能進行自適應調節。它強調的是神經元之間的協調，如果外界輸入激活了神經元中的某個結點，則整個神經元群的活性隨之增加，相反引起整個神經元群的抑制效應。3.強化學習 強化學習是利用某一“獎懲”的全局信號，衡量和強化與輸入相關的權值和神經元狀態的變化。強化信號不同于導師信號，它很單一，只表示輸出結果的“好”與“壞”。強化學習需要的外部信息很少，當不知道對于給定的輸入模式應有何種相應的導師信號時，強化學習能夠根據一些“獎懲”規則得出有益的結果。 大學計算機基礎沈

15、陽藥科大學第22頁，共59頁。三、 神經元模型和BP神經網絡 1.神經元模型 人工神經網絡是在現代神經科學的基礎上提出來的。它雖然反映了人腦功能的基本特征，但并不是自然神經網絡的逼真描寫，而只是它的某種簡化抽象和模擬。經過對生物神經元的長期廣泛研究，1943年美國心理學家麥卡洛克和數理學家皮茨提出了神經元的數學模型，即著名的MP模型。大學計算機基礎沈陽藥科大學第23頁，共59頁。2. BP神經網絡 1957年美國計算機科學家羅森布拉特（Roseblatt）提出了單層感知器（Perceptron）模型。它是一個具有單層神經元的網絡，由線性閾值邏輯單元所組成。單層感知器在人工神經網絡研究中有著重要

16、的意義和地位。然而單層感知器由于只有一個神經元，功能單一，只能完成線性決策或實現 “與”，“或”，“非”等單一邏輯函數。為了解決這一問題，在其基礎上創建了多層感知器（Multilayer Perceptron，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點的具有正向傳播機制的人工神經網絡模型。多層感知器克服了單層感知器的許多局限，它的優越性能主要來源于結點的非線性特性。大學計算機基礎沈陽藥科大學第24頁，共59頁。 BP網絡的結構如圖8-3所示由輸入層，輸出層和一個或多個中間層（隱含層）組成。中間層中的神經元均采用S型激活函數，輸出層神經元采用線性傳遞函數。 大學計算機基礎沈陽

17、藥科大學第25頁，共59頁。3.BP網絡的優點及局限性 非線性映射能力：BP網絡實質上實現了一個從輸入到輸出的映射功能，三層的BP網絡在理論上能夠以任意精度逼近任何非線性連續函數。這使得其特別適合于求解內部機制復雜的問題，即BP網絡具有較強的非線性映射能力。 自學習和自適應能力：BP網絡在訓練時，能夠通過學習自動提取輸出、輸出數據間的“合理規則”，并自適應的將學習內容記憶于網絡的權值中。即BP神經網絡具有高度自學習和自適應的能力。 大學計算機基礎沈陽藥科大學第26頁，共59頁。泛化能力：所謂泛化能力是指在設計模式分類器時，即要考慮網絡在保證對所需分類對象進行正確分類，還要關心網絡在經過訓練后，

18、能否對未見過的模式或有噪聲污染的模式，進行正確的分類。也即BP神經網絡具有將學習成果應用于新知識的能力。容錯能力：BP網絡在其局部的或者部分的神經元受到破壞后對全局的訓練結果不會造成很大的影響，也就是說即使系統在受到局部損傷時還是可以正常工作的。即BP神經網絡具有一定的容錯能力。大學計算機基礎沈陽藥科大學第27頁，共59頁。BP網絡的局限性：局部極小化問題： BP神經網絡的權值是通過沿局部改善的方向逐漸進行調整的，這樣會使算法陷入局部極值，權值收斂到局部極小解，從而導致網絡訓練失敗。加上BP神經網絡對初始權值非常敏感，以不同的權值初始化網絡，往往會收斂于不同的局部極小解，這也是BP網絡出現每次

19、訓練得到不同結果的根本原因。 大學計算機基礎沈陽藥科大學第28頁，共59頁。BP 神經網絡算法的收斂速度慢：由于BP神經網絡算法本質上為梯度下降法，它所要優化的目標函數是非常復雜的，這使得BP算法的收斂速度低下。BP網絡結構選擇不一：BP網絡結構的選擇至今尚無一種統一而完整的理論指導，一般只能由經驗選定。網絡結構過大會降低學習效率，出現過擬合現象，網絡容錯性下降；反之若結構過小，又會造成網絡不收斂的問題。 BP網絡樣本依賴性問題：網絡模型的逼近和推廣能力與學習樣本的典型性密切相關，而如何從問題中選取典型樣本實例組成訓練集是一個很困難的問題。 大學計算機基礎沈陽藥科大學第29頁，共59頁。人工神

20、經網絡模型設計與應用 在實際應用中，面對一個具體問題需要進行人工神經網絡模型設計時，一般應遵循下列過程：首先分析求解問題的性質，確定信息表達方式，將求解問題及其相應的領域知識轉化為神經網絡可以接受并處理的某種數據形式，將數據樣本分為訓練樣本和測試樣本；其次依據問題特點，確定神經網絡模型的類型、結構、輸入輸出神經元的數目、隱含層神經元的個數等；然后是訓練模式的確定包括選擇合理的訓練算法，確定合適的訓練步數，指定適當的訓練目標誤差，以獲得較好的網絡性能；最后通過對網絡進行訓練、仿真等，檢驗網絡的性能是否滿足要求。下面結合藥學實際介紹神經網絡的設計與應用。四、 人工神經網絡在藥學上的應用大學計算機基

21、礎沈陽藥科大學第30頁，共59頁。（一）用BP神經網絡優化化學反應的工藝條件 過碳酸鈉是一種強氧化劑，其水溶液可用作醫療殺菌劑、口腔消毒劑。由于過碳酸鈉對濕度和溫度很敏感，容易分解，其有效氧含量和穩定性還有待提高。為改進過碳酸鈉的工藝，篩選出新的復合穩定劑，可利用BP神經網絡對其工藝參數進行考察，并利用仿真結果進行預測，其方法及步驟如下： (1)確定影響過碳酸鈉工藝條件的主要因素及考察范圍（2）確定BP神經網絡結構：從表7-4可以看出，前四項為工藝參數，后兩項為過碳酸鈉性能的評價。因此采用3層B-P網絡模型，即輸入層、輸出層和隱含層。4個輸入向量X1、 X2、X3 、 X4分別對應原料配比、反

22、應溫度、反應時間、穩定劑加入量4個考察因素， 2個輸出向量Y1 、Y2分別對應目標函數收率和活性氧含量， 其拓撲結構如圖7-9所示。大學計算機基礎沈陽藥科大學第31頁，共59頁。表8-2 影響工藝條件的主要因素及考察范圍No原料配比(mM)X1反應溫度()X2反應時間(min)X3穩定劑(%)X4收率(%)Y1活性氧含量(%)Y212345671:2.41:2.21:2.01:1.81:1.61:1.31:1.0-10.000.000010.00-15.00-5.005.0015.0040.0085.0025.0070.0010.0055.00100.0050.670.380

23、.11.881.493.695.098.078.187.396.313.513.914.114.510.013.714.2大學計算機基礎沈陽藥科大學第32頁，共59頁。大學計算機基礎沈陽藥科大學第33頁，共59頁。(3)BP神經網絡的構建：將原料配比、反應溫度、反應時間、穩定劑4個考察因素作為BP神經網絡的輸入，將收率和活性氧含量2個考察目標作為網絡的輸出，定義輸入向量X和輸出向量Y（訓練樣本），編寫程序代碼用newcf()函數構建BP神經網絡,代碼如下： net=newcf(minmax(X),10,2,tansig,purelin,trainlm); 新構建的網絡名稱用net表示，newc

24、f()是BP神經網絡構建函數，用minmax()函數自動搜索輸入向量中每個要考察因素的范圍，參數10,2代表隱含層節點個數為10（不確定參數，待優化），網絡結構層數為2，分別對應隱含層和輸出層。tansig（S型）和purelin（線性）代表隱含層和輸出層的傳遞函數，trainlm代表網絡學習算法，表明采用Levenberg-Marquardt規則對BP網絡進行訓練。大學計算機基礎沈陽藥科大學第34頁，共59頁。 定義網絡訓練次數、訓練結果顯示方式及誤差要求，代碼如下：net.trainparam.epochs=3000; %最大訓練次數net.trainparam.show=100; %兩次

25、顯示之間的訓練步數net.trainparam.goal=0.00001; %訓練目標即期望誤差用train()函數訓練網絡，代碼如下： net,tr=train(net,X,Y);當網絡訓練達到誤差要求時結束訓練。 進一步構建預測樣本XX（即在其他工藝條件或參數下，想要預測的過碳酸鈉性能），基于訓練好的BP網絡，用sim()對樣本進行仿真預測 大學計算機基礎沈陽藥科大學第35頁，共59頁。(4) MATLAB函數實現：啟動MATLAB，新建一個m文件，操作見圖8-5。在新建的 m文件上輸入上述完整代碼，操作見圖8-6，將該程序保存在work目錄下，命名為gtsn.m, 調試并運行程序 大學計

26、算機基礎沈陽藥科大學第36頁，共59頁。大學計算機基礎沈陽藥科大學第37頁，共59頁。（5）程序運行結束后，顯示網絡訓練誤差曲線如圖8-7所示。結果表明，以原料配比、反應溫度、反應時間、穩定劑加入量4個因素為輸入量、收率和活性氧含量為輸出考察目標所建立的BP神經網絡模型具有較好的收斂性，能體現各工藝條件對收率及活性氧含量影響的非線性變化規律，因而具有較高的預測精度。用訓練好的網絡進行仿真預測，結果如圖8-8所示，優化結果如圖8-9所示。大學計算機基礎沈陽藥科大學第38頁，共59頁。大學計算機基礎沈陽藥科大學第39頁，共59頁。 由圖8-9可知，最佳工藝條件是原料配比11.8、反應溫度15、反應

27、時間85分鐘、穩定劑加入量為0.95%時,收率為98.274%，活性氧為14.58%。 大學計算機基礎沈陽藥科大學第40頁，共59頁。（二）用自組織特征映射神經網絡對樣本資料進行分類 表8-3是10批次不同產地的中藥苦碟子注射液指紋圖譜經主成分分析后得到的10個樣本數據，每個樣本用4個主成分表示其特征信息，希望通過自組織特征映射神經網絡對樣本資料進行聚類分析，從而能夠實現對樣本的自動分類。大學計算機基礎沈陽藥科大學第41頁，共59頁。表8-3 10批次苦碟子注射液指紋圖譜主成分分析樣本數據序號主成分1主成分2主成分3主成分4SIGNAL01-0.054770.0743-2.414111.099

28、26SIGNAL021.704890.71388-0.013480.60014SIGNAL03-0.783770.395130.30511-1.04525SIGNAL041.383891.265660.88172-0.24332SIGNAL05-0.810940.399080.044930.18507SIGNAL06-0.465430.43062-0.78499-2.04401SIGNAL07-0.95887-0.273881.189031.06329SIGNAL08-0.53154-0.371910.251420.35412SIGNAL09-0.56371-0.153940.443570.6

29、5215SIGNAL101.08025-2.478940.09681-0.62144大學計算機基礎沈陽藥科大學第42頁，共59頁。 自組織特征映射神經網絡模型設計的步驟與上述“用BP神經網絡優化化學反應的工藝條件”一節中類似，但在網絡設計及函數選取上有不同之處，簡述如下：(1) 啟動MATLAB 應用程序，新建一個M文件，在 M文件上編寫程序代碼，保存在work目錄下，命名為jlfx.m，輸入完整程序代碼 大學計算機基礎沈陽藥科大學第43頁，共59頁。 創建一個自組織特征映射神經網絡net，其中newsom()為創建網絡函數，P為輸入向量，minmax(P)指定了輸入向量的最大最小值，因為有1

30、0個樣本，所以網絡輸出層的結構為52 。 繪制網絡訓練后的神經元分布，進行仿真；利用函數vec2ind()將輸出Y轉換成串行數據輸出 。大學計算機基礎沈陽藥科大學第44頁，共59頁。(2) 調試運行程序，繪制的網絡輸入變量分布圖，如圖8-10所示，繪制的網絡神經元拓撲結構如圖8-11所示，聚類結果見表8-4。大學計算機基礎沈陽藥科大學第45頁，共59頁。 由表8-4可知，當訓練步數為10時，初步分類結果是：樣本3和6分為一類，2和4分為一類；當訓練步數為100時，分類結果比上面的更精確一些，此時，樣本3和6分為一類，2和4分為一類，7、8和9分為同一類；當訓練步數為1000時，樣本的分類與上面

31、結果一致。表8-4 苦參堿聚類結果聚類結果訓練步數為10時， 4 10 1 10 2 1 7 3 7 5訓練步數為100時， 5 4 1 4 2 1 7 7 7 10訓練步數為1000時， 3 7 5 7 1 5 1 1 1 9大學計算機基礎沈陽藥科大學第46頁，共59頁。（三）用徑向基函數神經網絡模型實現函數逼近 發酵生產過程中微生物體內的生物合成離不開酶的催化作用，酶活性的大小影響著生物代謝產物的速率和產率。酶活性主要受溫度和pH的影響，由于發酵過程相互作用的復雜性，很難建立精確的數學模型，利用徑向基函數神經網絡的函數逼近能力，建立酶活性的最佳溫度和pH，可實現酶活性的最佳控制。RBF網絡

32、模型設計的步驟如下：(1) 建立酶活性實驗數據：考察溫度、pH兩種因素在不同水平下對酶活性的影響，獲取的實驗數據見表8-5。大學計算機基礎沈陽藥科大學第47頁，共59頁。(2) 確定神經網絡結構：由于酶活性有兩個影響因素，所以該網絡模型有兩個輸入變量（溫度、pH）和一個輸出變量（酶活性），相應神經網絡有兩個輸入節點和一個輸出節點。(3) MATLAB編程實現：啟動MATLAB 應用程序，新建一個m文件，操作如前所示。輸入m文件的完整程序代碼表8-5 酶活性實驗數據編號溫度pH酶活性（PF） %11060.01822020.16033080.89344040.273550100.014大學計算機

33、基礎沈陽藥科大學第48頁，共59頁。(4) 調試運行程序：網絡實現函數逼近的酶活性與溫度和pH間的仿真結果如圖8-12所示。結果表明，RBF網絡模型中溫度的最佳點約為30，pH最佳點為是8.04，對應的最大酶活性約為0.8625，與實際結果十分接近。大學計算機基礎沈陽藥科大學第49頁，共59頁。 在本章給出的三個實例中，只是說明了如何用人工神經網絡方法去解決藥學研究中存在的最優、預測及分類問題，目的是為大家提供一些解決實際問題的思路。對于涉及的網絡類型、結構參數等并未進行最優化設計，給出的輸出也不一定是最好的結果，請大家在學習時注意。 如前所述，人工神經網絡不需要精確的數學模型，沒有任何對變量

34、的假設要求，能通過模擬人的智能行為處理復雜的、不確定的、非線性問題。由于在藥學研究領域，變量間關系往往非常復雜，為了探測變量間的復雜模式，神經網絡正逐漸變成藥學數據分析中的有力工具。目前已有許多商業化的神經網絡開發軟件，如本書所用的MATLAB軟件，以及S-plus、SNNS(Stuttgart neural network simulator)軟件等。隨著計算機技術的進一步發展，神經網絡在藥學領域的應用前景也無疑會更加廣闊。大學計算機基礎沈陽藥科大學第50頁，共59頁。第三節生物醫藥機器人 第三節生物醫藥機器人 大學計算機基礎沈陽藥科大學第51頁，共59頁。 人工智能技術的一個重要研究領域就

35、是智能機器人。隨著人工智能研究的廣泛開展，智能機器人已經被應用到工業，農業，教育，商業，醫藥等各個領域。然而智能機器人不僅僅是我們所熟知的樣子，它們也可能極其微小，精細。人工智能技術發展至今天，“微型機器人”時代已經到來。大學計算機基礎沈陽藥科大學第52頁，共59頁。 隨著20世紀90年代納米技術的興起，人們對微型機器人的研究便在全世界范圍內開花，特別是對納米機器人在生物醫藥領域上的應用研究。生物醫藥領域的很多工作都依靠手動操作，存在工作效率低、風險大、成功率低等缺陷。因此，由生物醫學與微操作機器人結合而產生的生物微操作機器人成為全世界醫藥學領域和智能機器人領域的研究熱點。 大學計算機基礎沈陽

36、藥科大學第53頁，共59頁。 在生物醫學上，科學家利用納米技術制造納米機器人，讓它在人的血管中進行巡邏和檢查，盡早發現異常細胞，而且可以對人體內細胞組織進行修復。它不僅可以完成早期診斷工作，更可以解決殺死癌細胞，疏通血栓，清除動脈脂肪沉積物等傳統醫生難以解決的問題。在外科領域，納米機器人還可以用來為人體器官做手術、為腦部動手術等。大學計算機基礎沈陽藥科大學第54頁，共59頁。 微型智能機器人同樣在藥學領域發揮著不可忽視的作用。當人體內某個部位感染時往往會服用或注射抗生素，但是藥物在血液中被稀釋，真正起到治療效果的只是其中的一小部分，大部分藥物只是被代謝出體外，設置會對人體產生副作用。利用納米機

37、器人則可以直接把小劑量的藥物直接輸送至感染部位，減少了副作用，提高了治療效果。如圖8-13所示。大學計算機基礎沈陽藥科大學第55頁，共59頁。 我國在生物醫藥納米機器人的研究方面也取得了卓越的成就。被列為我國國家“863 計劃”的重慶某研究院研制的名為“OMOM 膠囊內鏡系統”的納米機器人醫生，如圖8-14所示。它可以鉆進人的肚子里把人體內的圖像傳輸到電腦屏幕上，該項技術處于全球領先地位。 大學計算機基礎沈陽藥科大學第56頁，共59頁。 我國中科院沈陽自動化所成功研制了一臺“納米微操作”的機器人系統樣機，該“納米操作機器人”可完成對細胞染色體的切割操作，可在DNA或者分子水平上進行檢測及病理、生理測試實驗研究。該納米機器人在建模方法、三維感官力以及誤差分析和補償方面取得了很多突破和創新，各項技術都處于世界先進水平。大學計算機基礎沈陽藥科大學第57頁，共59頁。End of the chapter沈陽藥科大學計算機教研室第58頁，共59頁。1、不是井里沒有水，而是你挖的不夠深。不是成功來得慢，