简介
在 Simio 中，当输入和输出之间的关系复杂时，如估计订单交货时间，可利用神经网络回归推断信息，从而简化复杂的决策逻辑。模拟运行不仅可以使用神经网络模型进行估算和推理，还可以自动生成合成训练数据，以监控其预测性能并对其进行再训练。通过使用神经网络来简化仿真模型中的决策逻辑，重点就转移到了系统组件及其相互作用的建模上。这使得数字孪生仿真模型更易于构建、理解、调试和维护。
神经网络是机器学习算法的一个子集，其灵感来源于人脑。神经网络模型由节点层组成：输入层、一个或多个隐藏层和输出层。具有两个或多个隐藏层的网络被称为深度学习网络。前馈神经网络是神经网络的第一种也是最简单的一种形式，在这种网络中，数据从输入层到输出层（没有回环）只有一个移动方向。该网络具有称为权重和偏置的参数，这些参数通过一个称为训练的过程建立。然后，这些权重和偏置用于将每个节点的输入转换为输出，并将输出发送到下一层节点。
回归神经网络可预测一组数字输入的一个或多个数字输出。虽然神经网络在图像识别等复杂问题建模和 ChatGPT 等生成式人工智能应用方面广为人知，但它们也非常适合回归应用，例如根据当前系统状态预测系统中的 KPI。这使它们成为在数字孪生模拟模型中嵌入人工智能的理想框架。
Simio 数字孪生与神经网络
Simio 是第一款也是唯一一款基于离散事件的数字孪生仿真软件，提供全面的嵌入式人工智能功能，完全支持在模型中创建和自动训练回归神经网络，无需 Python 或 Java 编程，也无需与外部第三方人工智能工具集成。Simio 支持定义一个或多个神经网络模型，然后通过神经网络元素在 Simio 模型中进行推理。
请下载以下 PDF 文件继续阅读...
下载 PDF 版本