導(dǎo)語：如何才能寫好一篇人工智能神經(jīng)網(wǎng)絡(luò)概念，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

【關(guān)鍵詞】人工智能 醫(yī)學(xué)領(lǐng)域

1 引言

人工智能（AI）是上世紀(jì)50年展起來的新興學(xué)科，主要內(nèi)容包括：知識(shí)表示、自然語言理解、機(jī)器學(xué)習(xí)和知識(shí)獲取、知識(shí)處理系統(tǒng)、計(jì)算機(jī)視覺、自動(dòng)推理和搜索方法、智能機(jī)器人、自動(dòng)程序設(shè)計(jì)等方面。在過去的幾十年里人工智能涌現(xiàn)出了大量的方法，大致可分為兩大類：第一類是基于Newell和Simon的物理符號(hào)系統(tǒng)假說的符號(hào)處理方法。這種方法大多采用從知識(shí)階段向下到符號(hào)和實(shí)施階段的自上而下的設(shè)計(jì)方法，第二類是采用自下而上設(shè)計(jì)的“字符號(hào)”方法。

2 人工智能的發(fā)展

全球?qū)θ斯ぶ悄艿难邪l(fā)經(jīng)歷了已經(jīng)有70年的發(fā)展，從上個(gè)世紀(jì)的50年代開始一直到今天，歷經(jīng)了兩次大起大落，但伴隨著深度學(xué)習(xí)的重燃、龐大的大數(shù)據(jù)支撐以及計(jì)算能力的不斷提升和成本的不斷下降這些因素的出現(xiàn)，尤其是在摩爾定律、大數(shù)據(jù)、互聯(lián)網(wǎng)和云計(jì)算、新方法這些人工智能進(jìn)步的催化劑作用下，將迎來人工智能新的春天。

3 人工智能在醫(yī)學(xué)領(lǐng)域上的應(yīng)用

3.1 在神經(jīng)網(wǎng)絡(luò)中人工智能的應(yīng)用

在醫(yī)學(xué)診斷中人工智能的應(yīng)用會(huì)出現(xiàn)一些難題，例如知識(shí)獲取比較難、推理速度慢、自主學(xué)習(xí)以及自適應(yīng)變化能力弱。研究人腦連接發(fā)現(xiàn)了以人工神經(jīng)為特點(diǎn)可以解決在獲取知識(shí)中所出現(xiàn)的瓶頸和知識(shí)種類繁瑣問題，能夠提高對(duì)知識(shí)的推理能力，包括自主學(xué)習(xí)，自組織等方面的能力，促進(jìn)了神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)專家系統(tǒng)中的快速發(fā)展。

人工智能領(lǐng)域ANN，有不同于其他人工智能的方法，在傳統(tǒng)的結(jié)構(gòu)上，它只是AI分支中的一個(gè)，只能通過邏輯符號(hào)來模擬人腦的思維方式，進(jìn)一步來實(shí)現(xiàn)人工智能，與之相比，不同的ANN是學(xué)習(xí)和訓(xùn)練為一體來達(dá)到智能的。ANN具有學(xué)習(xí)的能力及特殊方法，用戶不用編寫復(fù)雜的程序來解決所遇到的問題，只用提供有效的數(shù)據(jù)就可以完成。迄今為止，醫(yī)學(xué)領(lǐng)域中對(duì)大部分的病理原因無法解釋，無法確定病理原因，加上各種疾病的表現(xiàn)種類復(fù)雜多變。在醫(yī)學(xué)的日常實(shí)踐中，疾病相應(yīng)的治療只能以經(jīng)驗(yàn)為基礎(chǔ)來判斷。所以，ANN有著記憶，學(xué)習(xí)和歸納總結(jié)為一體的人工智能服務(wù)，在醫(yī)學(xué)領(lǐng)域有很好的應(yīng)用發(fā)展趨勢(shì)。

3.2 在中醫(yī)學(xué)中人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

在中醫(yī)學(xué)中，所提出的“辨證論治”中的“證”具有模棚性、不確定性的特點(diǎn)，主觀性比較強(qiáng)，因此中醫(yī)的診斷方法和治療手段與醫(yī)師的經(jīng)驗(yàn)水平有很大聯(lián)系。數(shù)年來在實(shí)驗(yàn)研究，臨床觀察，文章整理，經(jīng)驗(yàn)總結(jié)上，都有著對(duì)“證”的研究思想的深入調(diào)查。一部分“辨證”的過程可以用人工神經(jīng)網(wǎng)絡(luò)來替換使用。恰當(dāng)?shù)闹嗅t(yī)癥狀可以作為基本輸入和適當(dāng)人工神經(jīng)網(wǎng)絡(luò)模型，人工神經(jīng)網(wǎng)絡(luò)能夠根據(jù)以往的學(xué)習(xí)“經(jīng)驗(yàn)”來進(jìn)行綜合分析，從而提出中醫(yī)診斷方法。

由神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)連接模型、網(wǎng)絡(luò)學(xué)習(xí)算法等幾個(gè)要素組成了人工神經(jīng)網(wǎng)絡(luò)。具有某些智能系統(tǒng)的功能。 按照網(wǎng)絡(luò)結(jié)構(gòu)來劃分，人工神經(jīng)網(wǎng)絡(luò)有很多不同的種類，例如感知器、BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)等，目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)就是其中的BP網(wǎng)絡(luò)。這種前沿網(wǎng)絡(luò)非 BP網(wǎng)絡(luò)所屬，網(wǎng)絡(luò)的結(jié)構(gòu)與權(quán)值能夠表達(dá)復(fù)雜的非線性 I/0映射關(guān)系。憑借 BP網(wǎng)絡(luò)優(yōu)良的自主學(xué)習(xí)功能，既可以通過誤差的反向傳播方法，對(duì)照已知樣本反復(fù)進(jìn)行訓(xùn)練，也可以調(diào)整網(wǎng)絡(luò)的權(quán)值，直到網(wǎng)絡(luò)的 I/0關(guān)系在某一塊訓(xùn)練指標(biāo)下最接近樣本為止。

3.3 人工智能在臨床醫(yī)療診斷中的應(yīng)用

計(jì)算機(jī)編寫的程序主要根據(jù)專家系統(tǒng)的設(shè)計(jì)原理和方法來模擬醫(yī)生的醫(yī)學(xué)診斷，以及通常治療手段的思維過程來進(jìn)行。醫(yī)療專家系統(tǒng)是臨床醫(yī)療診斷中人工智能的很好體現(xiàn)，不僅能夠處理較為復(fù)雜的醫(yī)學(xué)治療問題，還能當(dāng)做醫(yī)生診斷疾病的重要工具，更重要的是傳承了專家們的寶貴醫(yī)學(xué)治療經(jīng)驗(yàn)。

3.4 人工智能技術(shù)在醫(yī)學(xué)影像診斷中的應(yīng)用

目前，在醫(yī)學(xué)影像中存在著的問題，比如：誤診率高、缺口大。這些問題需要通過人工智能的方法來解決。在醫(yī)學(xué)影像技術(shù)領(lǐng)域人工智能的應(yīng)用包括主要的兩個(gè)方面，分別是：第一個(gè)方面為圖像識(shí)別，第二個(gè)方面為深度學(xué)習(xí)，其中人工智能應(yīng)用最核心的部分實(shí)深度學(xué)習(xí)。這兩個(gè)部分都是基于醫(yī)學(xué)影像大數(shù)據(jù)所進(jìn)行的數(shù)據(jù)上的挖掘和應(yīng)用。這兩個(gè)方面所進(jìn)行的數(shù)據(jù)挖掘及其應(yīng)用都是依據(jù)醫(yī)學(xué)影像大數(shù)據(jù)來完成的。

Geoffrey Hinton教授是神經(jīng)網(wǎng)絡(luò)領(lǐng)域的大師，2006年，他與其博士生在《Science》和相關(guān)的期刊上發(fā)表了論文，第一次提出了“深度信念網(wǎng)絡(luò)”的概念。2012年，由斯坦福大學(xué)Fei-Fei Li教授舉辦的ImageNet ILSVRC大規(guī)模圖像識(shí)別評(píng)測(cè)任務(wù)是由Hinton教授的研究團(tuán)隊(duì)參加的。這個(gè)任務(wù)包括了120萬張高分辨率圖片，1000個(gè)類比。Hinton教授團(tuán)隊(duì)使用了全新的黑科技多層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將圖像識(shí)別錯(cuò)誤率突破性地從26.2%降低到了15.3%。 這個(gè)革命性的技術(shù)，讓神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)以迅速的速度進(jìn)入了醫(yī)療和工業(yè)的領(lǐng)域范圍，隨后這一技術(shù)被陸續(xù)出現(xiàn)的醫(yī)療影像公司使用。例如：國(guó)際知名的醫(yī)學(xué)影像公司Enlitic和國(guó)內(nèi)剛剛獲得有峰瑞資本600萬天使輪融資的DeepCare。都是不斷積累大量影像數(shù)據(jù)和診斷數(shù)據(jù)，繼續(xù)對(duì)神經(jīng)元網(wǎng)絡(luò)進(jìn)行深度的學(xué)習(xí)訓(xùn)練，從而有效的提高了醫(yī)生診斷的準(zhǔn)確率。

人工智能不僅能使患者的健康檢查快速進(jìn)行，包括X光、B超、核磁共振等。另外還能大量減少醫(yī)生的讀片時(shí)間，提升了醫(yī)生的工作效率，降低誤診率。

4 總結(jié)

人工智能軟件工作效率遠(yuǎn)遠(yuǎn)超過了人類大腦，不僅能夠更快速的找到數(shù)據(jù)的模式和相似性，還能有效幫助醫(yī)生和科學(xué)家提取重要的信息。隨著人工智能的發(fā)展及其在醫(yī)學(xué)領(lǐng)域的逐漸普及和應(yīng)用，兩者的互相融合在未來必定成為醫(yī)學(xué)發(fā)展的重要方向。

參考文獻(xiàn)

[1]馮伍，張俊蘭.人工智能在醫(yī)學(xué)上的應(yīng)用[J].電子設(shè)計(jì)工程，2010（01）.

[2]楊琴，陳家榮.人工智能在醫(yī)學(xué)領(lǐng)域中的應(yīng)用[J].科技風(fēng)，2012（12），100-101.

[3]王宇飛，孫欣.人工智能的研究與應(yīng)用[J].信息與電腦，2016（05）.

[4]鉛筆道.人工智能與影像診斷相結(jié)合的醫(yī)生界阿爾法狗，2016（03）.

篇2

糊理論、遺傳算法等人工智能技術(shù)的含義進(jìn)行了介紹，并對(duì)這些技術(shù)在電力系統(tǒng)中的應(yīng)用和存在問題進(jìn)行了分析。

關(guān)鍵詞：人工智能、電力系統(tǒng)、應(yīng)用

中圖分類號(hào)：TM76 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2012）03-0000-00

1、人工智能技術(shù)

人工智能技術(shù)(AI artificial intelligence)是一項(xiàng)將人類知識(shí)轉(zhuǎn)化為機(jī)器智能的技術(shù)。它研究的是怎樣用機(jī)器模仿人腦從事推理、規(guī)劃、設(shè)計(jì)、思考和學(xué)習(xí)等思維活動(dòng)，解決需要由專家才能處理好的復(fù)雜問題。在應(yīng)用方面，以專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等最為普遍[1][2] 。

1.1 專家系統(tǒng)(ES)

專家系統(tǒng)是利用知識(shí)和推理來解決專家不能解決的問題。傳統(tǒng)程序需要固定程序和復(fù)雜算法，輸入數(shù)據(jù)并得出結(jié)果。專家系統(tǒng)集中大量的符號(hào)處理，采用啟發(fā)式方法模擬專家的推理過程，通過推理，利用知識(shí)解決問題。它具有邏輯思維和符號(hào)處理能力，能修改原來知識(shí)，適合于電力系統(tǒng)問題的分析。

1.2 人工神經(jīng)網(wǎng)絡(luò)(ANN)

人工神經(jīng)網(wǎng)絡(luò)是大量處理單元廣泛互聯(lián)而成的網(wǎng)絡(luò)，是一種模擬動(dòng)物神經(jīng)系統(tǒng)的技術(shù)。神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)和自學(xué)習(xí)的能力，能并行處理分布信息。電力系統(tǒng)應(yīng)用人工神經(jīng)網(wǎng)絡(luò)可以進(jìn)行實(shí)時(shí)控制、狀態(tài)評(píng)估等。

1.3 遺傳算法(GA)

遺傳算法是一種進(jìn)化論的數(shù)學(xué)模型，借鑒自然遺傳機(jī)制的隨機(jī)搜索算法。它的主要特征是群體搜索和群體中個(gè)體之間的信息交換。該方法適用于處理傳統(tǒng)搜索方法難以解決的非線性問題。

1.4 模糊邏輯(FL)

當(dāng)輸入是離散的變量，難以建立數(shù)學(xué)模型。而模糊邏輯則成功地應(yīng)用在潮流計(jì)算、系統(tǒng)規(guī)劃、故障診斷等電力系統(tǒng)問題。

1.5 混合技術(shù)

以上各種智能控制方法各有局限性，有些甚至難以處理電力系統(tǒng)實(shí)際問題。因此需要結(jié)合各個(gè)算法的優(yōu)勢(shì)，采用人工智能混合技術(shù)。其中包括：模糊專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)等技術(shù)。

2、人工智能技術(shù)的在電力自動(dòng)化的應(yīng)用

2.1在電能質(zhì)量研究中的應(yīng)用

人工智能技術(shù)可以對(duì)電壓波動(dòng)、電壓不平衡、電網(wǎng)諧波等電能質(zhì)量參數(shù)進(jìn)行在線監(jiān)測(cè)和分析。在檢測(cè)和識(shí)別電能質(zhì)量擾動(dòng)時(shí)能克服傳統(tǒng)方法的缺陷。專家系統(tǒng)隨著經(jīng)驗(yàn)的積累、擾動(dòng)類型變化而不斷擴(kuò)充和修改，便于用戶的掌握[3] 。

此外，專家系統(tǒng)和模糊邏輯可用于培訓(xùn)變電站工作人員。智能軟件可以模擬故障情形，有利于提高運(yùn)行人員的操作技能。

2.2 變壓器狀態(tài)監(jiān)測(cè)與故障診斷專家系統(tǒng)

變壓器事故原因判斷起來十分復(fù)雜。判斷過程中，必須通過內(nèi)外部的檢測(cè)等各種方法綜合分析作出判斷。變壓器監(jiān)測(cè)和診斷專家系統(tǒng)首先對(duì)油中氣體進(jìn)行分析。異常時(shí)，根據(jù)異常程度結(jié)合試驗(yàn)進(jìn)行分析，決定變壓器的停運(yùn)檢查。若經(jīng)分析發(fā)現(xiàn)變壓器已嚴(yán)重故障，需立即退出運(yùn)行，則要結(jié)合電氣試驗(yàn)手段對(duì)變壓器的故障性質(zhì)及部位做出確診。

變壓器監(jiān)測(cè)和診斷專家系統(tǒng)通過診斷模塊和推理機(jī)制，能診斷出變壓器的故障并提出相應(yīng)對(duì)策，提高了變壓器內(nèi)部故障的診斷水平，實(shí)現(xiàn)了電力變壓器狀態(tài)檢修和在線監(jiān)測(cè)。

2.3 人工智能技術(shù)在低壓電器中的應(yīng)用

低壓電器的設(shè)計(jì)以實(shí)驗(yàn)為基礎(chǔ)，需要分析靜態(tài)模型和動(dòng)態(tài)過程。人工智能技術(shù)能進(jìn)行分段過程的動(dòng)態(tài)設(shè)計(jì)，對(duì)變化規(guī)律進(jìn)行曲線擬合并進(jìn)行人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練，建立變化規(guī)律預(yù)測(cè)模型，降低了開發(fā)成本。

低壓電器需要通過試驗(yàn)進(jìn)行性能認(rèn)證。而低壓電器的壽命很難進(jìn)行評(píng)價(jià)。模糊識(shí)別方法，從考慮產(chǎn)品性能的角度出發(fā)，將動(dòng)態(tài)測(cè)得的反映性能的特性指標(biāo)作為模糊識(shí)別的變量特征值，能夠建立評(píng)估電器性能的模糊識(shí)別模型[5] 。

2.4 人工智能在電力系統(tǒng)無功優(yōu)化中的應(yīng)用

無功優(yōu)化是保證電力系統(tǒng)安全，提高運(yùn)行經(jīng)濟(jì)性的手段之一。通過無功優(yōu)化，可以使各個(gè)性能指標(biāo)達(dá)到最優(yōu)。但是無功優(yōu)化是一個(gè)復(fù)雜的非線性問題[6] 。

人工智能算法能應(yīng)用于電力系統(tǒng)無功優(yōu)化。如改進(jìn)的模擬退火算法，在求解高中壓配電網(wǎng)的無功優(yōu)化問題中，采用了記憶指導(dǎo)搜索方法來加快搜索速度。模式法進(jìn)行局部尋優(yōu)以增加獲得全局最優(yōu)解的可能性，能夠以較大概率獲得全局最優(yōu)解，提高了收斂穩(wěn)定性。禁忌搜索方法尋優(yōu)速度較快，在跳出局部最優(yōu)解方面有較大優(yōu)勢(shì)。遺傳算法在解決多變量、非線性、離散性的問題時(shí)有極大的優(yōu)勢(shì)。要求較少的求解信息的，模型簡(jiǎn)單，適用范圍廣。

2.5 人工智能在電力系統(tǒng)繼電保護(hù)中應(yīng)用

自適應(yīng)型繼電保護(hù)裝置能地適應(yīng)各種變化，改善保護(hù)的性能，使之適應(yīng)各種運(yùn)行方式和故障類型。它能夠有效地處理各種故障信息，獲得可靠的保護(hù)。

借助于人工智能技術(shù)不但能夠提取故障信息，還能利用其自學(xué)習(xí)和自適應(yīng)能力，根據(jù)不同運(yùn)行工況，自適應(yīng)地調(diào)整保護(hù)定值和動(dòng)作特性。

2.6 人工智能在抑制電力系統(tǒng)低頻振蕩的應(yīng)用

大規(guī)模電網(wǎng)互聯(lián)易產(chǎn)生低頻振蕩，嚴(yán)重威脅著電力系統(tǒng)的安全。人工智能為電力系統(tǒng)低頻振蕩的控制提供了技術(shù)支持。神經(jīng)網(wǎng)絡(luò)、模糊理論、GA等人工智能技術(shù)應(yīng)用于FACTS控制器和自適應(yīng)PSS的研究，為抑制電力系統(tǒng)低頻振蕩提供了新的手段。

3、人工智能在電力系統(tǒng)中存在的前景

作為一門交叉學(xué)科，人工智能將隨著其他理論的發(fā)展而進(jìn)入新的發(fā)展階段。應(yīng)用新方法解決問題，或促進(jìn)各種方法的融合，保持簡(jiǎn)單的數(shù)學(xué)模型和全局尋優(yōu)情況下，尋求到更少的運(yùn)算量，提高算法效率，將是未來發(fā)展的趨勢(shì)。

隨著電力系統(tǒng)的發(fā)展，電力系統(tǒng)的復(fù)雜性不斷增加，不確定因素越來越多。隨著人工智能技術(shù)的不斷發(fā)展和提高，利用人工智能技術(shù)來解決電力系統(tǒng)的問題將會(huì)受到越來越多的重視。

4、結(jié)語

隨著我國(guó)電力系統(tǒng)的持續(xù)穩(wěn)步發(fā)展，電力系統(tǒng)數(shù)據(jù)量不斷增加，管理上復(fù)雜程度大幅度增長(zhǎng)，市場(chǎng)競(jìng)爭(zhēng)的加大，為人工智能技術(shù)在電力系統(tǒng)的應(yīng)用提供了廣闊前景。

但人工智能技術(shù)的基本理論還不成熟，只是停留在仿真和實(shí)驗(yàn)階段。人工智能的開發(fā)是一個(gè)長(zhǎng)期的過程，需要不斷改進(jìn)和完善，并在實(shí)際應(yīng)用中接受檢驗(yàn)。

參考文獻(xiàn)：

[1] 馬少平,朱小燕. 人工智能[M]．北京：清華大學(xué)出版社，2004

篇3

Abstract: Cognitive radio technology provides new opportunities and challenges for the development of wireless communication. Intelligence is an important characteristic for cognitive radio, and application of artificial intelligence techniques is key to implement this characteristic. This paper will first provide our own research framework on cognitive radio, second give an overview of application of artificial intelligence to cognitive radio, and last introduce and simulate the application of neural network to cognitive radio.

關(guān)鍵詞： 人工智能；認(rèn)知無線電；神經(jīng)網(wǎng)絡(luò)

基金項(xiàng)目：國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展規(guī)劃（“973”計(jì)劃）項(xiàng)目（2009CB320403）；國(guó)家自然科學(xué)基金資助項(xiàng)目（60832008，60832006）；國(guó)家科技重大專項(xiàng)課題（2009ZX03007-004）。

作者簡(jiǎn)介：柴新代（1964-），男，北京人，本科，高級(jí)工程師，研究方向?yàn)橥ㄐ畔到y(tǒng)工程；董旭（1979-），男，河北景縣人，博士研究生，講師，研究方向?yàn)檎J(rèn)知無線電。

1 概述

無線通信技術(shù)的飛速發(fā)展，正在越來越深刻地影響著人們的生活。與此同時(shí)，無線通信技術(shù)的發(fā)展也面臨著嚴(yán)峻的考驗(yàn)，一方面頻譜資源的固定分配模式和利用率不均衡制約著無線通信寬帶化的發(fā)展，另一方面多種空中接口和網(wǎng)絡(luò)協(xié)議并存的局面為無線網(wǎng)絡(luò)的融合提出了挑戰(zhàn)。1999年Mitola博士提出的“認(rèn)知無線電（Cognitive Radio）”[1]為解決無線通信所面臨的問題提供了新的機(jī)遇。因此，認(rèn)知無線電技術(shù)迅速成為業(yè)界研究的熱點(diǎn)。

認(rèn)知是人類獲取運(yùn)用知識(shí)解決問題的一種抽象，將認(rèn)知運(yùn)用到無線電技術(shù)，會(huì)提高無線電系統(tǒng)的智能性，這也是認(rèn)知無線電技術(shù)區(qū)別于普通軟件無線電的最大特點(diǎn)。認(rèn)知無線電技術(shù)通過實(shí)時(shí)的獲取外部環(huán)境信息，并對(duì)這些信息進(jìn)行分析、學(xué)習(xí)和判斷，得到無線電知識(shí)，然后根據(jù)這些知識(shí)智能地調(diào)整各種通信參數(shù)，從而最終實(shí)現(xiàn)可靠的通信，并達(dá)到最佳的頻譜利用效率。人工智能技術(shù)為實(shí)現(xiàn)認(rèn)知無線電的智能性提供了可能，本文將主要圍繞多種人工智能技術(shù)在認(rèn)知無線電中的應(yīng)用進(jìn)行論述，下面將首先介紹認(rèn)知無線電智能化的基礎(chǔ)框架――認(rèn)知環(huán)路和認(rèn)知引擎，然后對(duì)幾種人工智能技術(shù)在認(rèn)知無線電中的應(yīng)用進(jìn)行簡(jiǎn)要介紹，最后將詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)在人工智能中的應(yīng)用，并通過仿真給出一個(gè)具體的示例。

2 相關(guān)工作

2.1 認(rèn)知環(huán)路 Mitola博士在提出認(rèn)知無線電概念的同時(shí)提出了OOPDAL（觀察-判斷-計(jì)劃-決策-行動(dòng)-學(xué)習(xí)）認(rèn)知環(huán)路[1]，用以支持其認(rèn)知無線電架構(gòu)。此外，學(xué)術(shù)界還提出了多種認(rèn)知環(huán)路模型[2,3]，比較著名的有軍事戰(zhàn)略家Boyd提出的OODA（觀察-判斷-決策-行動(dòng)）環(huán)路、IBM為自主計(jì)算提出的MAPE（監(jiān)測(cè)-分析-計(jì)劃-執(zhí)行）環(huán)路、Motorola為自主網(wǎng)絡(luò)提出的FOCALE（基礎(chǔ)-觀察-比較-行動(dòng)-學(xué)習(xí)-擦除）環(huán)路等等。OOPDAL環(huán)路具有完整認(rèn)知功能和清晰的認(rèn)知過程，是設(shè)計(jì)認(rèn)知無線電最為理想的環(huán)路模型。本文對(duì)OOPDAL環(huán)路各環(huán)節(jié)進(jìn)行了重新定義，豐富了環(huán)路模型的內(nèi)涵與外延，并在原環(huán)路模型基礎(chǔ)上增加“知識(shí)庫”，明確表達(dá)了知識(shí)獲取與運(yùn)用的過程。

如圖1所示，經(jīng)改進(jìn)的OOPDAL認(rèn)知環(huán)路由外環(huán)和內(nèi)環(huán)組成，外環(huán)也稱決策環(huán)。認(rèn)知無線電首先“感知”無線域、網(wǎng)絡(luò)域、用戶域、政策域中的數(shù)據(jù)，并對(duì)其建模以明確自身所處態(tài)勢(shì)；“判斷”是對(duì)數(shù)據(jù)的精煉，也即對(duì)感知數(shù)據(jù)進(jìn)行清理、集成和選擇，提取出其中對(duì)決策有貢獻(xiàn)的信息；“計(jì)劃”根據(jù)用戶需求與當(dāng)前環(huán)境生成優(yōu)化目標(biāo)；“決策”根據(jù)優(yōu)化目標(biāo)執(zhí)行優(yōu)化；“行動(dòng)”將決策結(jié)果付諸實(shí)施，使內(nèi)部狀態(tài)和外界環(huán)境發(fā)生變化，這些變化又被重新“感知”，進(jìn)入下一輪循環(huán)。內(nèi)環(huán)又稱學(xué)習(xí)環(huán)，用于從外環(huán)運(yùn)行的歷史經(jīng)驗(yàn)中提取知識(shí)，并存放入知識(shí)庫以指導(dǎo)決策環(huán)運(yùn)行。

OOPDAL環(huán)路對(duì)知識(shí)的運(yùn)用過程充分體現(xiàn)了認(rèn)知無線電的智能性，其中計(jì)劃、學(xué)習(xí)、決策等環(huán)節(jié)更是智能性得以實(shí)現(xiàn)的關(guān)鍵所在，具體的實(shí)現(xiàn)方法則需要借助于人工智能技術(shù)。

2.2 認(rèn)知引擎 認(rèn)知引擎是實(shí)現(xiàn)認(rèn)知環(huán)路功能的技術(shù)手段。但很多認(rèn)知引擎的設(shè)計(jì)是針對(duì)特定方法實(shí)現(xiàn)特定任務(wù)的，本文希望設(shè)計(jì)一種通用的認(rèn)知引擎架構(gòu)，以適應(yīng)認(rèn)知無線電所面臨的各種應(yīng)用。通用認(rèn)知引擎結(jié)構(gòu)由認(rèn)知核與接口部分組成。認(rèn)知核提供各種豐富的工具，包括知識(shí)表示工具、各種推理機(jī)、學(xué)習(xí)機(jī)、優(yōu)化算法庫等，為完成認(rèn)知循環(huán)的各環(huán)節(jié)功能提供支持。接口部分包括感知器接口與用戶接口。感知器接口收集各種感知數(shù)據(jù)，并通過建模系統(tǒng)以機(jī)器可理解的方式表示；用戶接口部分允許用戶調(diào)用認(rèn)知核中各種工具并對(duì)其進(jìn)行流程編排和建模完成專用認(rèn)知引擎的構(gòu)建。另外，可配置無線網(wǎng)絡(luò)具備動(dòng)態(tài)可配置波形與協(xié)議，以執(zhí)行認(rèn)知引擎的決策。

認(rèn)知核是認(rèn)知引擎的核心，包括多種人工智能工具，如專家系統(tǒng)，案例推理，神經(jīng)網(wǎng)絡(luò)，遺傳算法等，每種人工智能的工具不但可以實(shí)現(xiàn)相應(yīng)的認(rèn)知功能，還可通過多種不同工具的編排組合實(shí)現(xiàn)認(rèn)知無線電的各種應(yīng)用，即實(shí)現(xiàn)認(rèn)知引擎的通用性。

3 人工智能技術(shù)概述

如果說認(rèn)知核是認(rèn)知引擎的核心，那么人工智能技術(shù)就是認(rèn)知核的核心。人工智能技術(shù)已有比較成熟的理論體系[4]，但將其應(yīng)用到認(rèn)知無線電還處于探索階段。下面先簡(jiǎn)要介紹幾種人工智能技術(shù)在認(rèn)知無線電中的應(yīng)用。

3.1 專家系統(tǒng) 專家系統(tǒng)在人工智能技術(shù)領(lǐng)域有著非常成功的應(yīng)用[5]，并能夠很好的與其他人工智能技術(shù)結(jié)合使用，如遺傳算法，人工神經(jīng)網(wǎng)絡(luò)等。專家系統(tǒng)是運(yùn)用知識(shí)和推理過程來解決只有專家才能解決的復(fù)雜問題，也就是說專家系統(tǒng)是一種模擬專家決策能力的計(jì)算機(jī)系統(tǒng)。專家系統(tǒng)主要包括兩個(gè)部分：知識(shí)庫和推理機(jī)。知識(shí)庫用來存儲(chǔ)專家知識(shí)，推理機(jī)則依據(jù)專家知識(shí)對(duì)已有事實(shí)進(jìn)行推理和決策。認(rèn)知無線電可以借助專家系統(tǒng)完成推理決策功能。認(rèn)知無線電可以通過主動(dòng)學(xué)習(xí)或“人在環(huán)中”的方式獲取無線電知識(shí)并存儲(chǔ)到知識(shí)庫中，然后根據(jù)外部無線環(huán)境和用戶需求的變化，到知識(shí)庫中查詢相應(yīng)的先驗(yàn)知識(shí)，并通過推理機(jī)進(jìn)行決策，從而調(diào)整無線電的工作參數(shù)以適應(yīng)環(huán)境和需求的變化。CLIPS是目前比較成熟的專家系統(tǒng)工具，已有學(xué)者將基于CLIPS的專家系統(tǒng)應(yīng)用到認(rèn)知無線電的研究中[6]。

3.2 案例推理 案例推理作為一種人工智能技術(shù)致力于從以往的經(jīng)歷或者案例當(dāng)中得到新問題的解決方案。基于案例的系統(tǒng)通過在案例庫查找與需要解決的問題相似度最大的案例來找到問題的解決的方法，并將找到的案例與當(dāng)前的場(chǎng)景進(jìn)行匹配，這種匹配實(shí)際上就是一種最優(yōu)化的過程。而最初找到的案例是為了節(jié)省優(yōu)化的時(shí)間，通過優(yōu)化的新的解決方案，將被作為新的案例存儲(chǔ)到案例庫中。認(rèn)知無線電可以根據(jù)無線環(huán)境的變化調(diào)整工作參數(shù)，不同的環(huán)境和工作參數(shù)可以作為案例存儲(chǔ)到案例庫中[7]。當(dāng)環(huán)境發(fā)生變化，認(rèn)知無線電可以在案例庫中查找與當(dāng)前環(huán)境最為相似的一個(gè)案例，然后用該案例與當(dāng)前環(huán)境進(jìn)行匹配，優(yōu)化工作的參數(shù)，并把當(dāng)前環(huán)境和優(yōu)化的參數(shù)作為新的案例存儲(chǔ)到案例庫中。Soar作為一種人工智能系統(tǒng)的開發(fā)工具，可以實(shí)現(xiàn)案例推理功能，并可以基于案例進(jìn)行學(xué)習(xí)，國(guó)內(nèi)已有學(xué)者基于Soar和GUN Radio軟件無線電平臺(tái)開發(fā)出認(rèn)知無線電原型系統(tǒng)。

3.3 遺傳算法 遺傳算法借鑒生物進(jìn)化和遺傳的生物學(xué)原理，可用于解決目標(biāo)優(yōu)化問題，即找到一組參數(shù)（基因）使得目標(biāo)函數(shù)最大化。其基本原理是根據(jù)求解問題的目標(biāo)構(gòu)造適值函數(shù)，使初始種群通過雜交和變異不斷選擇好的適值進(jìn)行繁殖，并最終得到最優(yōu)解。遺傳算法同樣可以作為認(rèn)知無線電的決策方法[6,8]：可以把無線電類比為一個(gè)生物系統(tǒng)，將無線電的特征定義為一個(gè)染色體，染色體的每個(gè)基因?qū)?yīng)無線電一個(gè)可變的參量，比如發(fā)射功率、頻率、帶寬、糾錯(cuò)編碼方法、調(diào)制算法和幀結(jié)構(gòu)等等，這樣就可以通過遺傳算法的進(jìn)化來得到滿足用戶需求和適應(yīng)環(huán)境變化的系統(tǒng)配置參數(shù)。

4 神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中的應(yīng)用

對(duì)于人工神經(jīng)網(wǎng)絡(luò)的研究源于對(duì)人類大腦思維過程的模擬，在很多領(lǐng)域，神經(jīng)網(wǎng)絡(luò)已經(jīng)有了廣泛的應(yīng)用。下面將詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中的應(yīng)用。

4.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 1943年神經(jīng)物理學(xué)家W.McCulloch和邏輯學(xué)家W.Pits在對(duì)人腦的研究中提出了人工神經(jīng)網(wǎng)絡(luò)。目前人工神經(jīng)網(wǎng)絡(luò)作為一種人工智能技術(shù)主要基于統(tǒng)計(jì)評(píng)估、優(yōu)化和控制理論。人工神經(jīng)網(wǎng)絡(luò)由用以模擬生物神經(jīng)元的大量相連的人工神經(jīng)元組成，主要用于解決人工智能領(lǐng)域的一些復(fù)雜問題，比如機(jī)器學(xué)習(xí)。根據(jù)網(wǎng)絡(luò)結(jié)果和訓(xùn)練方法的不同，人工神經(jīng)網(wǎng)絡(luò)可以分為多種類型，以適應(yīng)多種的應(yīng)用需求[7]。多層線性感知器網(wǎng)絡(luò)（MLPN）：MLPN由多層神經(jīng)元構(gòu)成，每一個(gè)神經(jīng)元都是上一層神經(jīng)元輸出的線性組合。一般這種線性組合的權(quán)值在訓(xùn)練前是隨機(jī)生成的，并且可以隨著訓(xùn)練不斷的更新。更新的方法有多種，如后向傳播（BP）、遺傳算法等。其訓(xùn)練方法的性能將由其網(wǎng)絡(luò)規(guī)模和應(yīng)用場(chǎng)景決定。非線性感知器網(wǎng)絡(luò)（NPN）：NPN是利用對(duì)每個(gè)神經(jīng)元的輸入平方或兩兩相乘的方法將非線性引入神經(jīng)網(wǎng)絡(luò)使其可以對(duì)動(dòng)態(tài)變化的訓(xùn)練數(shù)據(jù)進(jìn)行更好的擬合。但NPN的網(wǎng)絡(luò)結(jié)構(gòu)需要根據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行調(diào)整，另外如果采用BP方法進(jìn)行訓(xùn)練會(huì)使網(wǎng)絡(luò)收斂緩慢而導(dǎo)致處理時(shí)間過長(zhǎng)。徑向基函數(shù)網(wǎng)絡(luò)（RBFN）：RBFN和NPN類似，不同的只是其非線性的引入是在隱含層利用徑向基函數(shù)實(shí)現(xiàn)非線性映射，這可以防止網(wǎng)絡(luò)收斂到局部最小值。

4.2 應(yīng)用舉例 由于神經(jīng)網(wǎng)絡(luò)可以動(dòng)態(tài)的自適應(yīng)和實(shí)時(shí)的訓(xùn)練，因此可以對(duì)系統(tǒng)的各種模式、參數(shù)、屬性等進(jìn)行“學(xué)習(xí)”，并“記住”這些事實(shí)，當(dāng)系統(tǒng)有了新的輸入和輸出時(shí)，可以進(jìn)行實(shí)時(shí)的訓(xùn)練來記憶新的事實(shí)。這正符合了認(rèn)知無線電認(rèn)知功能的需求，因此神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中有著廣泛的應(yīng)用前景。下面就列舉一些神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中的應(yīng)用[9-12]。神經(jīng)網(wǎng)絡(luò)可以用于認(rèn)知無線電的頻譜感知，例如利用基于神經(jīng)網(wǎng)絡(luò)的分類器可以根據(jù)信號(hào)的循環(huán)平穩(wěn)特性或者頻譜特性等對(duì)信號(hào)進(jìn)行分類。神經(jīng)網(wǎng)絡(luò)還可用于無線電參數(shù)的自適應(yīng)決策和調(diào)整，神經(jīng)網(wǎng)絡(luò)可以根據(jù)當(dāng)前信道質(zhì)量和用戶需求等所確定的優(yōu)化目標(biāo)選擇無線電參數(shù)。另外神經(jīng)網(wǎng)絡(luò)還可以對(duì)無線電系統(tǒng)的各種性能進(jìn)行預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)可以記憶不同無線環(huán)境不同無線參數(shù)所達(dá)到的系統(tǒng)性能，比如誤碼率、吞吐量、時(shí)延等等，從而對(duì)未來可能產(chǎn)生的系統(tǒng)性能進(jìn)行預(yù)測(cè)，進(jìn)而對(duì)各種無線參數(shù)進(jìn)行優(yōu)化。

5 仿真及分析

由于無線環(huán)境的開放性，無線系統(tǒng)大都是非線性系統(tǒng)，因此神經(jīng)網(wǎng)絡(luò)用于認(rèn)知無線電也應(yīng)采用非線性模型。非線性感知器網(wǎng)絡(luò)（NPN）可以完成認(rèn)知無線電的學(xué)習(xí)功能，從而對(duì)各種系統(tǒng)性能進(jìn)行預(yù)測(cè)，下面就通過一個(gè)具體例子來仿真基于NPN的誤碼率性能預(yù)測(cè)。

5.1 仿真模型 NPN由三層節(jié)點(diǎn)構(gòu)成：輸入層、隱含層和輸出層。隱含層通常只有一層神經(jīng)元，本文在此基礎(chǔ)上擴(kuò)展了隱含層的層數(shù)，從而擴(kuò)大了神經(jīng)網(wǎng)絡(luò)的規(guī)模，使其具有更好的學(xué)習(xí)效果。具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，每個(gè)節(jié)點(diǎn)都與下一層的所有節(jié)點(diǎn)唯一相連，除了輸入層節(jié)點(diǎn)，其他各層節(jié)點(diǎn)稱為神經(jīng)元，具有一個(gè)非線性的激活函數(shù)，以實(shí)現(xiàn)對(duì)非線性系統(tǒng)的擬合。本文將采用最為常用的非線性激活函數(shù)――S函數(shù)，即：f

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練將采用BP方法，具體算法如下：

③根據(jù)RMS誤差決定是否調(diào)整權(quán)值，直到RMS誤差或者迭代次數(shù)達(dá)到停止要求。

5.2 仿真場(chǎng)景 仿真場(chǎng)景的設(shè)置將根據(jù)上面提出通用認(rèn)知引擎架構(gòu)進(jìn)行編排。首先認(rèn)知引擎要收集各種數(shù)據(jù)。WiMax可以根據(jù)信道質(zhì)量調(diào)整其調(diào)制編碼模式等無線電參數(shù)，因此將作為通用認(rèn)知引擎架構(gòu)中的可重配置的無線電平臺(tái)將系統(tǒng)的誤碼率性能實(shí)時(shí)上報(bào)給認(rèn)知引擎；信噪比作為無線環(huán)境的表征可通過感知器進(jìn)行收集；編碼速率作為用戶對(duì)業(yè)務(wù)的需求可通過用戶接口上報(bào)給認(rèn)知引擎。然后認(rèn)知引擎內(nèi)基于NPN的學(xué)習(xí)機(jī)就可以對(duì)這些數(shù)據(jù)進(jìn)行訓(xùn)練了，訓(xùn)練的方法如上節(jié)所述。最后訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)就可以根據(jù)無線環(huán)境和用戶需求對(duì)系統(tǒng)的誤碼率進(jìn)行實(shí)時(shí)的預(yù)測(cè)，從而調(diào)整認(rèn)知無線電的各種操作參數(shù)。

5.3 仿真結(jié)果及分析 由于對(duì)神經(jīng)網(wǎng)絡(luò)模型的隱含層進(jìn)行了擴(kuò)展，首先驗(yàn)證一下改進(jìn)的模型性能是否有所提升。仿真結(jié)果如圖3所示，分別仿真了具有2層、3層和4層神經(jīng)元的NPN的收斂性能。其中2層模型是沒有經(jīng)過改進(jìn)的，其收斂速度最快，但RMS誤差較三層模型差；3層模型雖然收斂速度稍慢，但收斂的RMS誤差最低；4層模型的網(wǎng)絡(luò)規(guī)模最大，因此收斂速度最慢，但其RMS誤差收斂的并不是最低，這是由于神經(jīng)網(wǎng)絡(luò)的規(guī)模應(yīng)該與訓(xùn)練數(shù)據(jù)的規(guī)模相適應(yīng)，過大的網(wǎng)絡(luò)規(guī)模反而不會(huì)得到很好的收斂性能。折中考慮，在后續(xù)誤碼率預(yù)測(cè)仿真中，將采用3層神經(jīng)元模型的NPN對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。

如圖4所示，利用3層神經(jīng)元模型分別對(duì)WiMax場(chǎng)景下的64QAM、16QAM、QPSK和BPSK的誤碼率性能進(jìn)行了預(yù)測(cè)。從預(yù)測(cè)結(jié)果和實(shí)際的仿真結(jié)果的比較可以顯示，隨著調(diào)制模式的升高，預(yù)測(cè)的性能將越來越好。

6 結(jié)束語

本文主要介紹了人工智能技術(shù)在認(rèn)知無線電中的應(yīng)用，并通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)行舉例，從仿真的結(jié)果可以看出神經(jīng)網(wǎng)絡(luò)在認(rèn)知無線電中應(yīng)用的可能性。人工智能技術(shù)在認(rèn)知無線電領(lǐng)域的應(yīng)用還有著廣闊的研究前景，應(yīng)該積極探索更多的人工智能技術(shù)在認(rèn)知無線電中應(yīng)用。但也并非所有的人工智能技術(shù)都適用于認(rèn)知無線電的開發(fā)和應(yīng)用，應(yīng)在研究中有所選擇把握方向。不同的應(yīng)用場(chǎng)景也對(duì)人工智能技術(shù)提出了不同的需求，找到適用于相應(yīng)場(chǎng)景的人工智能技術(shù)也很重要。未來的工作應(yīng)更多的考慮一些實(shí)際的應(yīng)用，讓無線通信系統(tǒng)可以真正的像人一樣思考。

參考文獻(xiàn)：

[1]J.Mitola Ⅲ."Cognitive radio: Making software radios more personal"，IEEE Personal Communications，vol.6，no.4，pp.13-18，1999.

[2]S.Haykin."Cognitive radio：Brain-empowered wireless communications"，IEEE Journal on Selected Areas in Communications，vol.23，no.2，pp.201-220，2005.

[3]T.W.Rondeau，C.W.Bostian，D.Maldonado，A.Ferguson，S.Ball，B.Le，and S.Midki，“Cognitive radios in public safety and spectrum management”，Telecommunications Policy and Research Conference，vol.33，2005.

[4]George F.Luger，“Artificial Intelligence Structures and Strategies for Complex Problem Solving Fifth Edition”，Pearson Education Limited，2005.

[5]Joseph C.Giarratano, Gary D.Riley，“Expert System Principles and Programming Fourth Edition”，Thomson learning，2006.

[6]Timothy R.Newman，“Multiple Objective Fitness Functions for Cognitive Radio Adaptation”，Doctor Thesis，2008.

[7]A.He，K.K.Bae，T.R.Newman，J.Gaeddert，K.Kim，R.Menon，L.M.Tirado，J.Neel，Y.Zhao，J.H.Reed，and W.H.Tranter，“A survey of artificial intelligence for cognitive radios”，IEEE Transactiongs on Vehicular Technology，vol.59，no.4，pp.1578-1592，2010.

[8]Thomas W.Rondeau，“Application of Artificial Intelligence to Wireless Communication”，Doctor Thesis，2007.

[9]N.Baldo，B.R.Tamma，B.S.Manoj，R.Rao，and M.Zorzi，“A neural network based cognitive controller for dynamic channel selection”，in Proceedings of IEEE International Conference on Communications（ICC），pp.1-5，2009.

[10]X.Zhu，Y.Liu，W.Weng，and D.Yuan，“Channel sensing algorithm based on neural network for cognitive wireless mesh network”，in Proceedings of IEEE International Conference on Wireless Communications（WiCom），pp.1-4，2008.

篇4

關(guān)鍵詞：自主導(dǎo)航；人工智能；模糊神經(jīng)網(wǎng)絡(luò)；避障；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP79文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1005-3824（2014）03-0083-03

0引言

2013年12月14日21時(shí)11分，嫦娥三號(hào)探測(cè)器在月球表面預(yù)選著陸區(qū)域成功著陸，裝著紅外成像光譜儀、避障相機(jī)、機(jī)械臂和激光點(diǎn)陣器等設(shè)備的月球車“玉兔”驅(qū)動(dòng)著6個(gè)輪子在月球表面留下了歷史的痕跡。這標(biāo)志著我國(guó)已成為世界上第3個(gè)實(shí)現(xiàn)地外天體軟著陸的國(guó)家，也展現(xiàn)出了智能控制系統(tǒng)[1]在航天事業(yè)上的卓越應(yīng)用。在如今的社會(huì)生活中，隨處體現(xiàn)著智能技術(shù)的存在，人們已經(jīng)離不開智能技術(shù)，智能機(jī)器人的發(fā)展也飛速前進(jìn)，從兒童的玩具機(jī)器人到太空探索的機(jī)器人，可以預(yù)見智能機(jī)器人的應(yīng)用將更加廣泛。近年來，非線性動(dòng)態(tài)系統(tǒng)的自適應(yīng)控制在我國(guó)引起了廣泛的研究，模糊神經(jīng)網(wǎng)絡(luò)控制是一個(gè)重要的自適應(yīng)方法，因此得到了很多專家學(xué)者的青睞。

模糊邏輯控制在宏觀上模仿人的思維，處理語言和思維中的模糊性概念，它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的一種計(jì)算機(jī)數(shù)字控制技術(shù)；神經(jīng)網(wǎng)絡(luò)是從微觀上模仿人的智能行為，進(jìn)行分布式并行信息處理算法的數(shù)學(xué)模型，它是根據(jù)人腦的生理結(jié)構(gòu)和信息處理過程創(chuàng)造的[2]。模糊控制與神經(jīng)網(wǎng)絡(luò)各自都有一定的應(yīng)用局限，因此，人們?cè)缭?0世紀(jì)80―90年代就把它們相結(jié)合，組成更為完善的控制方法。模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合有多種方式，根據(jù)研究角度和應(yīng)用領(lǐng)域的變化而不同。1模糊控制與神經(jīng)網(wǎng)絡(luò)的介紹

1.1模糊邏輯控制系統(tǒng)

模糊邏輯控制系統(tǒng)主要包含輸入變量、模糊控制器、被控對(duì)象和偏差。模糊邏輯控制系統(tǒng)結(jié)構(gòu)如圖1所示。

知識(shí)庫：是模糊控制器的核心。由數(shù)據(jù)庫和規(guī)則庫組成，數(shù)據(jù)庫中存著有關(guān)模糊化、模糊推理、解模糊的一切知識(shí)，規(guī)則庫是由若干模糊規(guī)則組成的。

模糊推理機(jī)：根據(jù)模糊邏輯法則把邏輯規(guī)則庫中的模糊“if-then”轉(zhuǎn)換成某種映射。

反模糊化：反模糊化的方法一般有最大隸屬度平均法、最大中點(diǎn)法、面積等分法、重心法和加權(quán)平均法等。

模糊控制的優(yōu)點(diǎn)：可以在預(yù)先不知道被控對(duì)象的精確數(shù)學(xué)模型；規(guī)則一般是由有經(jīng)驗(yàn)的操作人員或者專家的經(jīng)驗(yàn)總結(jié)出來并且以條件語句表示的，便于學(xué)習(xí)和理解；控制是由人的語言形式表示，有利于人機(jī)對(duì)話和系統(tǒng)知識(shí)的處理等。不足之處：精度不夠高；自適應(yīng)能力有限；模糊規(guī)則庫非常龐大，難以進(jìn)行更改優(yōu)化[3]。

1.2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能的運(yùn)算模型，由大量的節(jié)點(diǎn)，即神經(jīng)元及相互之間連接構(gòu)成的，它是人工方式構(gòu)造的一種網(wǎng)絡(luò)系統(tǒng)。神經(jīng)元結(jié)構(gòu)模型如圖3所示。

傳遞函數(shù)f又稱轉(zhuǎn)移函數(shù)或激活函數(shù)，是單調(diào)上升的有界函數(shù)，常用的轉(zhuǎn)移函數(shù)有線性函數(shù)、斜坡函數(shù)、階躍函數(shù)及單雙極S型函數(shù)等。但是最常用的還是單極S型函數(shù)：

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式也有幾種，例如，全互連型結(jié)構(gòu)、層次型結(jié)構(gòu)和網(wǎng)孔型結(jié)構(gòu)等[4]。前饋型網(wǎng)絡(luò)是一類單方向?qū)哟涡途W(wǎng)絡(luò)模塊，其最基本的單層神經(jīng)元網(wǎng)絡(luò)如圖4所示。

圖4單層神經(jīng)元網(wǎng)絡(luò)3層BP神經(jīng)網(wǎng)絡(luò)是比較常用的結(jié)構(gòu)，圖5是它的基本結(jié)構(gòu)。

圖5BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)至少有3層，圖5中，第Ⅰ層是輸入層，第Ⅱ?qū)訛殡[藏層，第Ⅲ層為輸出層。由于3層的BP神經(jīng)網(wǎng)絡(luò)就具有了模糊系統(tǒng)中萬能逼近的能力[5]，為了不使系統(tǒng)變得更復(fù)雜，本文就只用了3層的BP神經(jīng)網(wǎng)絡(luò)，當(dāng)然，也可以根據(jù)自身的實(shí)際應(yīng)用情況增加隱層的層數(shù)，但并不是層數(shù)越多，精度就越高，相對(duì)的系統(tǒng)的反應(yīng)時(shí)間就會(huì)增加，時(shí)延也會(huì)增長(zhǎng)。

神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)：能夠通過學(xué)習(xí)和訓(xùn)練獲取用數(shù)據(jù)表達(dá)的知識(shí)，不僅可以記憶一直獲得的信息，還具有較強(qiáng)的概括及聯(lián)想記憶能力，它的應(yīng)用已經(jīng)延伸到各個(gè)領(lǐng)域，在各方面取得很好的進(jìn)展等。不足之處：缺乏統(tǒng)一的方法處理非線性系統(tǒng)；網(wǎng)絡(luò)的權(quán)值是隨機(jī)選取的；學(xué)習(xí)的時(shí)間長(zhǎng)；無法利用系統(tǒng)信息和專家經(jīng)驗(yàn)等語言信息；難以理解建立的模型等[6]。

所以，綜合以上模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)各自的優(yōu)缺點(diǎn)，就提出了一種它們的結(jié)合方法，即模糊神經(jīng)網(wǎng)絡(luò)控制方法。

2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)合方式

模糊神經(jīng)網(wǎng)絡(luò)大致分為3種形式：邏輯模糊神經(jīng)網(wǎng)絡(luò)、算術(shù)模糊神經(jīng)網(wǎng)絡(luò)和混合模糊神經(jīng)網(wǎng)絡(luò)。

在這3種形式的系統(tǒng)中，模糊神經(jīng)混合系統(tǒng)是根據(jù)模糊控制系統(tǒng)和神經(jīng)網(wǎng)絡(luò)各自不同的功能、用途集成在一個(gè)系統(tǒng)里面的[7]。在這類系統(tǒng)中，我們可以將神經(jīng)網(wǎng)絡(luò)用于輸入信號(hào)處理，模糊邏輯系統(tǒng)用于行為決策[8]（如圖6），或者把模糊邏輯系統(tǒng)作為輸入信號(hào)處理，神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為輸出行為決策，再或者是將神經(jīng)網(wǎng)絡(luò)去代替模糊控制器的一部分，還可以將基于神經(jīng)元網(wǎng)絡(luò)的模糊系統(tǒng)或者神經(jīng)元網(wǎng)絡(luò)用在模糊神經(jīng)混合系統(tǒng)中。

在本文的應(yīng)用中，使用的是輪式智能小車，它一共安裝了3個(gè)超聲波傳感器、3個(gè)紅外傳感器和1個(gè)角度傳感器，紅外傳感器除了應(yīng)用在小車循跡外，還用來增加控制系統(tǒng)測(cè)量的精確性和彌補(bǔ)超聲波測(cè)距的盲區(qū)。例如，在某一路或者幾路超聲波受到了外界的干擾時(shí)，紅外線就可以測(cè)量出系統(tǒng)所需要的數(shù)量值。超聲波與紅外線用來測(cè)量小車到左、前、右障礙物的距離Ll，Lf，Lr；模糊神經(jīng)系統(tǒng)中控制器的輸入包括： Ll，Lf，Lr，小車與障礙物的夾角tg；輸出為小車的轉(zhuǎn)角sa和小車的加速度va。將Ll，Lf，Lr的模糊變量設(shè)為{near ，far}，論域?yàn)椋?―2 m）；tg的模糊變量為{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，論域?yàn)椋?1800，1800）；距離和夾角的隸屬度函數(shù)如圖7和圖8所示。輸出變量的隸屬度函數(shù)在這里就不再贅述了。

在系統(tǒng)解模糊化時(shí)，是將一個(gè)模糊量轉(zhuǎn)換成確定量，常用的解模糊化的方法有最大隸屬度函數(shù)法、重心法、加權(quán)平均法。在本文中用的是重心法。

智能小車避障的控制系統(tǒng)如圖9所示。

篇5

關(guān)鍵詞：人工智能；應(yīng)用；識(shí)別

中圖分類號(hào)：TU855

人工智能及其識(shí)別技術(shù)在不斷地發(fā)展，在很多領(lǐng)域，各種技術(shù)的發(fā)展越來越離不開人工智能。在機(jī)器人中的應(yīng)用，在語音識(shí)別技術(shù)領(lǐng)域的應(yīng)用、在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用等都取得了一定的進(jìn)步。但是在發(fā)展的過程中由于發(fā)展的限制，人工智能及其識(shí)別技術(shù)也進(jìn)入了發(fā)展瓶頸期，如何突破瓶頸將是此技術(shù)進(jìn)一步發(fā)展的重要內(nèi)容。

1 人工智能及識(shí)別技術(shù)的概念提出

人工智能技術(shù)是研究人類智能和通過計(jì)算機(jī)技術(shù)使某些設(shè)備或儀器具有人的智能行為的科學(xué)通過利用計(jì)算機(jī)模擬人的思維、語言、記憶、推理、感知、學(xué)習(xí)等智能能力，以及延伸人的感覺和大腦功能。綜上這些模擬都反映人工智能及其識(shí)別技術(shù)最重要的思想和內(nèi)容，也就是說人工智能及其識(shí)別技術(shù)學(xué)科是用來研究人類智能活動(dòng)的規(guī)律的學(xué)科。

1.1 計(jì)算機(jī)技術(shù)的普及

隨著計(jì)算機(jī)技術(shù)的普及以及大眾對(duì)計(jì)算機(jī)進(jìn)行商務(wù)、學(xué)習(xí)、工作等的需求的增長(zhǎng)，計(jì)算機(jī)已經(jīng)成為人們工作和學(xué)習(xí)不可缺少的高科技產(chǎn)品之一?，F(xiàn)在，計(jì)算機(jī)已經(jīng)進(jìn)入實(shí)用階段，越來越多的人掌握了計(jì)算機(jī)知識(shí)，同時(shí)也希望掌握計(jì)算機(jī)技術(shù)以減少工作量，而人工智能及識(shí)別技術(shù)就是其應(yīng)用的最重要的方面。

1.2 自動(dòng)化辦公的需求

眾所周知，信息技術(shù)的發(fā)展推動(dòng)了社會(huì)信息化的進(jìn)程。尤其是人工智能的發(fā)展，使得傳統(tǒng)辦公方式發(fā)生了改變。具體而言，這種轉(zhuǎn)變包括在辦公操作技能方面和辦公系統(tǒng)方面的改革。

日本人工智能專家指出，凡是能夠清楚地設(shè)定其指標(biāo)的業(yè)務(wù)屬于工場(chǎng)型的事務(wù)，將來應(yīng)有辦公室機(jī)器人來處理。這樣，人的精力將只能用于創(chuàng)造性的智能工作，辦公自動(dòng)化將對(duì)智能型業(yè)務(wù)提供強(qiáng)有力的支持，辦公室將真正成為智力活動(dòng)的場(chǎng)所。

2 人工智能及識(shí)別技術(shù)的應(yīng)用領(lǐng)域研究

60年代以來，隨著計(jì)算機(jī)技術(shù)的發(fā)展，許多技術(shù)新方法和技術(shù)進(jìn)入工程化產(chǎn)品化階段，顯著促進(jìn)了工業(yè)技術(shù)的進(jìn)步。人工智能及識(shí)別技術(shù)也得到了巨大的發(fā)展，其中以在機(jī)器人中的應(yīng)用、在語音識(shí)別技術(shù)領(lǐng)域的應(yīng)用以及在視覺識(shí)別技術(shù)領(lǐng)域的應(yīng)用顯得尤為突出。

2.1 在機(jī)器人中的應(yīng)用

20世紀(jì)70年代，機(jī)器人技術(shù)發(fā)展越來越多地受到關(guān)注并逐漸發(fā)展成為一個(gè)專門的學(xué)科。智能機(jī)器人已經(jīng)在各個(gè)領(lǐng)域得到了實(shí)際應(yīng)用，并已經(jīng)取得了巨大的效益。例如：現(xiàn)在很多外科醫(yī)生在顯微外科手術(shù)中使用機(jī)器人助手。

人工智能及識(shí)別技術(shù)在機(jī)器人中的應(yīng)用變得越來越流行，同時(shí)也帶動(dòng)了相關(guān)行業(yè)在智能識(shí)別方面的發(fā)展。智能機(jī)器人的應(yīng)用一方面可以縮減企業(yè)以及國(guó)家的相關(guān)開支，另一方面也加大了應(yīng)用的風(fēng)險(xiǎn)。因此，人工智能及其識(shí)別技術(shù)在機(jī)器人中的應(yīng)用還不是很成熟。國(guó)家應(yīng)該加大對(duì)智能機(jī)器人技術(shù)的支持力度，進(jìn)一步開發(fā)人工智能技術(shù)。

2.2 在語音識(shí)別技術(shù)領(lǐng)域的應(yīng)用

語音識(shí)別技術(shù)的根本任務(wù)就是來解決能夠使機(jī)器聽懂得人類語言，其作為人工智能研究的主要方向和人機(jī)語音交互的關(guān)鍵技術(shù)，語音識(shí)別技術(shù)一直都受到各國(guó)人工智能領(lǐng)域的廣泛關(guān)注。同時(shí)，以語音識(shí)別技術(shù)開發(fā)出的產(chǎn)品應(yīng)用領(lǐng)域非常廣泛，顯示出了極大的優(yōu)勢(shì)，如聲控電話交換、語音通信系統(tǒng)等，其應(yīng)用幾乎深入到社會(huì)的每個(gè)方面和每個(gè)行業(yè)。

隨著人工智能電子產(chǎn)品的普及，進(jìn)入21世紀(jì)，嵌入式語音處理及其識(shí)別技術(shù)也得到了迅猛地發(fā)展，基于語音識(shí)別芯片業(yè)越來越多。但是如何更好地將芯片結(jié)合人工智能技術(shù)來發(fā)展語音識(shí)別技術(shù)是本世紀(jì)最重要的內(nèi)容。

2.3 在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)也稱作神經(jīng)網(wǎng)絡(luò)，是指有大量的簡(jiǎn)單處理單元經(jīng)廣泛并行互連形成的一種網(wǎng)絡(luò)系統(tǒng)。它是對(duì)人腦系統(tǒng)的簡(jiǎn)單化、抽象和模擬，具有人腦功能的許多基本特征。其工作機(jī)理是指通過模仿人腦神經(jīng)系統(tǒng)的組織構(gòu)造及其工作機(jī)理從而從研究人腦工作機(jī)理中得到啟發(fā)，試圖利用人工神經(jīng)網(wǎng)絡(luò)來處理大量的單元，比如，人工神經(jīng)元、處理元件、電子元件。

在人工神經(jīng)網(wǎng)絡(luò)中，信息的處理是通過神經(jīng)元之間的相互作用和反應(yīng)來實(shí)現(xiàn)的，相關(guān)的知識(shí)與信息的存儲(chǔ)與讀取表現(xiàn)為各個(gè)網(wǎng)絡(luò)元件之間其分布式的物理聯(lián)系，網(wǎng)絡(luò)的學(xué)習(xí)和識(shí)別取決于和神經(jīng)元連接權(quán)值的動(dòng)態(tài)演化過程。人工神經(jīng)網(wǎng)絡(luò)的存在有其弊端，也許永遠(yuǎn)也無法代替人腦，但是他能幫助人類擴(kuò)展對(duì)外部世界的認(rèn)識(shí)和智能控制。

3 人工智能及識(shí)別技術(shù)陷入瓶頸期

人工智能學(xué)科自從誕生至今就致力于研究解釋和模擬人類智能行為及其規(guī)律，人工智能在其領(lǐng)域已經(jīng)邁出了較大的一步，并且在某些領(lǐng)域已取得了相當(dāng)大的進(jìn)展。但是從人工智能發(fā)展的整個(gè)過程來看，其發(fā)展也是一波三折，而且在很多領(lǐng)域還面臨著不少的難題，主要表現(xiàn)在以下幾個(gè)方面：

3.1 人工智能研究方法不足

由于人工智能學(xué)科發(fā)展的局限性，許多專家和學(xué)者對(duì)人腦結(jié)構(gòu)和工作模式的認(rèn)識(shí)還不夠全面、不夠深入。由此決定了現(xiàn)階段科學(xué)界無法對(duì)神經(jīng)網(wǎng)絡(luò)模型作出對(duì)人腦作出真正地模擬，人腦是人類長(zhǎng)期勞動(dòng)實(shí)踐的產(chǎn)物，其中包含了人類很多思考的過程，僅僅依靠在簡(jiǎn)單的電子器件以及線路的組合是完全不可能實(shí)現(xiàn)模擬的。

3.2 人工智能機(jī)器翻譯存在困難

目前，機(jī)器翻譯使我們很多人所喜愛的，但是其所面臨的主要問題仍然是如何通過單詞來構(gòu)造句子以及單詞存在歧義性的問題。歧義問題一直是所有語言理解和運(yùn)用中的一大難關(guān)，想要消除歧義就必須對(duì)原文的每一個(gè)句子及其上下文進(jìn)行透徹地分析理解，但是由于機(jī)器非人腦，它不能像人腦一樣獨(dú)立地進(jìn)行思考以尋找導(dǎo)致歧義的詞和詞組在原文中的準(zhǔn)確意義，而是孤立地將句子作為一個(gè)單位來理解，因此造成的失誤使得人工智能翻譯缺乏應(yīng)有的理解力。

3.3 人工智能模式識(shí)別存在困惑

人工智能識(shí)別的應(yīng)用非常廣泛，比較典型的有文字識(shí)別、前面提到的語音識(shí)別以及指紋識(shí)別等。雖然人工智能模式識(shí)別的研究與開發(fā)已取得巨大的成果，但是還存在這本質(zhì)的缺陷，人工智能及其識(shí)別技術(shù)的理論和方法與人的感官識(shí)別機(jī)制是完全不同的。因此人腦的識(shí)別手段、形象思維能力，是任何最先進(jìn)的計(jì)算機(jī)識(shí)別系統(tǒng)望塵莫及的。

4 結(jié)束語

人工智能及其識(shí)別技術(shù)始終處于計(jì)算機(jī)應(yīng)用這門學(xué)科的最前沿，它的誕生與發(fā)展是21世紀(jì)最偉大的科學(xué)成就之一。其研究的理論和成果在很大程度上決定著計(jì)算機(jī)技術(shù)未來的發(fā)展方向?，F(xiàn)如今，已經(jīng)有許多人工智能的研究成果已經(jīng)被廣泛地應(yīng)用于人們的日常生活、工業(yè)生產(chǎn)、國(guó)防建設(shè)等各個(gè)領(lǐng)域。在信息網(wǎng)絡(luò)和經(jīng)濟(jì)迅速發(fā)展的時(shí)代，人工智能技術(shù)的發(fā)展也必越來越受到關(guān)注，必將推動(dòng)科技和產(chǎn)業(yè)的進(jìn)一步發(fā)展，從而會(huì)給人們的工作、生活和教育等帶來長(zhǎng)遠(yuǎn)得深刻的影響。

參考文獻(xiàn)：

[1]蔡自興.人工智能基礎(chǔ)[M].北京：高等教育出版社，2005.

[2]胡勤.人工智能概述[J].電腦知識(shí)與技術(shù)，2010（13）：3507-3509.

[3]鄒蕾，張先鋒.人工智能及其發(fā)展應(yīng)用[J].信息網(wǎng)絡(luò)安全，2012（02）.

篇6

關(guān)鍵詞：人工智能技術(shù) 在智能建筑應(yīng)用

中圖分類號(hào)：TU74 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

前言

智能建筑由具備樓宇設(shè)備自動(dòng)化系統(tǒng)(BAS)、通信自動(dòng)化系統(tǒng)(CAS)、辦公自動(dòng)化(OAS)系統(tǒng)發(fā)展到系統(tǒng)智能集成,隨著智能建筑的發(fā)展,智能建筑對(duì)各種先進(jìn)自動(dòng)化系統(tǒng)、通訊手段和高質(zhì)量管理、服務(wù)的需求也越來越高。

一、智能建筑的發(fā)展及存在問題

經(jīng)過十幾年的迅猛發(fā)展，智能建筑已經(jīng)由具備樓宇設(shè)備自動(dòng)化系統(tǒng)(BAS)、通信自動(dòng)化系統(tǒng)(CAS)、辦公自動(dòng)化(OAS)系統(tǒng)發(fā)展到系統(tǒng)智能集成。隨著智能建筑的發(fā)展，智能建筑對(duì)各種先進(jìn)自動(dòng)化系統(tǒng)、通訊手段和高質(zhì)量管理、服務(wù)的需求也越來越高。但是目前智能建筑的發(fā)展也正處于一個(gè)重要的十字路口。

1目前建筑智能化系統(tǒng)還夾雜著許多泡沫， 即使目前比較成熟的樓宇自動(dòng)化系統(tǒng)(BAS)還只能稱之為具有順序邏輯判斷能力的自動(dòng)控制系統(tǒng)，無法進(jìn)行思維邏輯判斷或自學(xué)習(xí)，一旦工作環(huán)境或工作參數(shù)發(fā)生變化，將必須人工重新調(diào)整或編寫控制程序，系統(tǒng)維護(hù)復(fù)雜、檢修不便，離智能還相去甚遠(yuǎn)。

2 由于技術(shù)與市場(chǎng)等各種原因， 目前許多智能建筑的各個(gè)子系統(tǒng)的還是分立運(yùn)行，形成了一些相互脫節(jié)的獨(dú)立系統(tǒng)，無法實(shí)現(xiàn)大廈的綜合優(yōu)化控制。各個(gè)系統(tǒng)之間不僅硬件設(shè)備大量重復(fù)冗余，而且往往各系統(tǒng)都沒有提供相互通信與控制的接口，操作和管理人員需要熟悉和掌握各個(gè)不同系統(tǒng)及對(duì)象的技術(shù)，造成系統(tǒng)建設(shè)、技術(shù)培訓(xùn)及維修費(fèi)用的增高和系統(tǒng)效率低下。

因此，只有采用統(tǒng)一的模塊化硬件和軟件結(jié)構(gòu)并引入人工智能技術(shù)，才能使各子系統(tǒng)成為一個(gè)整體，提高控制和管理系統(tǒng)的容錯(cuò)性和可靠性，并具有智能成份，這是智能建筑所追求的目標(biāo)。

人工智能技術(shù)在智能建筑中的應(yīng)用研究

二、人工智能新發(fā)展對(duì)智能建筑的影響

進(jìn)入新世紀(jì)以來，知識(shí)庫專家系統(tǒng)和知識(shí)工程成為人工智能領(lǐng)域最有實(shí)踐意義的成果，已開始大量商品化。

1專家系統(tǒng)是一種基于知識(shí)的系統(tǒng)， 其實(shí)質(zhì)是使系統(tǒng)的構(gòu)造和運(yùn)行,都基于控制對(duì)象和控制規(guī)律的各種專家知識(shí)。 這種人工智能的計(jì)算機(jī)程序系統(tǒng),具有相當(dāng)于某個(gè)專門領(lǐng)域的專家的知識(shí)和經(jīng)驗(yàn)水平,以及解決專門問題的能力,或者說專家系統(tǒng)是指相當(dāng)于(領(lǐng)域)專家處理知識(shí)和解決問題能力的計(jì)算機(jī)智能軟件系統(tǒng)。 根據(jù)一個(gè)或多個(gè)專家提供的特殊領(lǐng)域知識(shí)、經(jīng)驗(yàn)進(jìn)行推理的判斷,模擬專家決策的過程來解決那些需要專家決定的復(fù)雜問題。

這樣一來， 就可以引入基于控制專家的專業(yè)知識(shí)和實(shí)踐經(jīng)驗(yàn)的專家控制系統(tǒng)。 采用知識(shí)表達(dá)技術(shù),建立知識(shí)模型和知識(shí)庫,利用知識(shí)推理,制訂控制決策。為智能建筑的樓宇設(shè)備自動(dòng)化系統(tǒng)(BAS)（ 包括強(qiáng)電設(shè)備控制自動(dòng)化（EA）、安全防范自動(dòng)化(SA)、消防自動(dòng)化(FA)等） 提供最優(yōu)控制、決策支持等。 專家控制系統(tǒng)的設(shè)計(jì),改變了過去傳統(tǒng)的控制系統(tǒng)設(shè)計(jì)中單純依靠數(shù)學(xué)模型的局面,使知識(shí)模型與數(shù)學(xué)模型相結(jié)合,知識(shí)信息處理技術(shù)與控制技術(shù)相結(jié)合。另一方面，專家系統(tǒng)也可以應(yīng)用于智能建筑的物業(yè)管理與服務(wù)之中，通過設(shè)置用戶管理知識(shí)庫和數(shù)據(jù)庫，對(duì)人員出入、自動(dòng)繳費(fèi)、業(yè)務(wù)咨詢等管理與服務(wù)提供智能支持。

2人工神經(jīng)網(wǎng)絡(luò)在建筑系統(tǒng)建模、學(xué)習(xí)控制、優(yōu)化等方面取得了成功。已應(yīng)用于語音識(shí)別、模式識(shí)別、最優(yōu)計(jì)算、信息智能處理、復(fù)雜控制、圖像處理等領(lǐng)域。隨著智能建筑功能的不斷增強(qiáng)，在現(xiàn)代智能建筑物內(nèi)安裝的電氣設(shè)備愈來愈多，設(shè)備能耗也越來越大。要管理好一幢現(xiàn)代化大廈，使安裝的成千上萬臺(tái)的設(shè)備能可靠、安全、協(xié)調(diào)、經(jīng)濟(jì)地運(yùn)行，這就對(duì)建筑設(shè)備自動(dòng)控制水平、控制設(shè)備功能、 快速響應(yīng)的能力和運(yùn)行管理水平提出了更高的要求。而具有學(xué)習(xí)與自適應(yīng)能力的人工神經(jīng)網(wǎng)絡(luò)在控制方面所能提供的監(jiān)督與非監(jiān)督訓(xùn)練（ 前者包括訓(xùn)練輸出輸入集合和神經(jīng)元加權(quán)系數(shù)的調(diào)節(jié)，后者包括分類與自組織） 為這些復(fù)雜控制提供了可能。 這樣一來，智能建筑中的設(shè)備控制器就能以不同的原理進(jìn)行操作。 可以學(xué)習(xí)建筑物的特性，得出簡(jiǎn)單精確的建筑物模型，可以自動(dòng)調(diào)節(jié)其參數(shù)，適應(yīng)建筑物特征參數(shù)或不同的建筑。 因此可將其用于建筑智能化設(shè)備的實(shí)時(shí)信號(hào)檢測(cè)、控制、保護(hù)(如故障診斷)、調(diào)節(jié)，從而研制具有自學(xué)習(xí)、自適應(yīng)、自組織功能的新概念的智能建筑設(shè)備自動(dòng)化控制系統(tǒng)。

3智能建筑控制需要精確建筑仿真模型和精確、靈敏、具有適應(yīng)性的系統(tǒng)。 由于傳統(tǒng)模式的復(fù)雜性，控制器不能在建筑仿真模型中在線運(yùn)行。 而新的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型采用動(dòng)態(tài)學(xué)習(xí)方法建模， 降低了模型的復(fù)雜性以及對(duì)計(jì)算資源與硬件的要求，控制硬件費(fèi)用降低，可以采用硬件方式實(shí)現(xiàn)。新的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)已經(jīng)在微型芯片上實(shí)現(xiàn)， 即所謂的神經(jīng)網(wǎng)絡(luò)芯片。 因此，這種模式很可能在不久的將來適合于小規(guī)模的智能建筑和民用建筑。 同時(shí)，智能建筑需要學(xué)習(xí)模式的出現(xiàn)改變了傳統(tǒng)模式響應(yīng)速度與精度， 對(duì)計(jì)算機(jī)設(shè)備要求更加簡(jiǎn)單。 建筑學(xué)習(xí)模式的開發(fā)將帶來低成本建筑智能控制的革命。

盡管目前的建筑神經(jīng)網(wǎng)絡(luò)模型存在實(shí)時(shí)性等技術(shù)問題， 但隨著計(jì)算機(jī)速度的提高與神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)算法的改進(jìn)， 建筑神經(jīng)網(wǎng)絡(luò)控制將更加完善。 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制將采用大規(guī)模集成電路而不是計(jì)算機(jī)芯片形式實(shí)現(xiàn)，也不僅限于建筑能量控制與管理，還可以完成建筑物監(jiān)控、保安、照明、娛樂等任務(wù)。 相信在不遠(yuǎn)的將來， 基于芯片的簡(jiǎn)單裝置將取代今天的微處理器，使大量建筑物真正擁有智能成為可能。 較低的造價(jià)可以使智能設(shè)備進(jìn)入普通市民家庭。

4隨著數(shù)據(jù)庫技術(shù)、網(wǎng)絡(luò)技術(shù)以及計(jì)算機(jī)運(yùn)算能力的快速發(fā)展，基于數(shù)據(jù)庫的控制已成為可能，特別是隨著分布式數(shù)據(jù)庫和數(shù)據(jù)倉庫技術(shù)的日益成熟， 在建筑智能化系統(tǒng)集成時(shí)引入智能決策系統(tǒng)，可使智能建筑真正實(shí)現(xiàn)智能化。

智能決策支持系統(tǒng)是近年來計(jì)算機(jī)技術(shù)、人工智能技術(shù)和管理科學(xué)相結(jié)合的一種新的管理信息技術(shù)。 它是以管理科學(xué)、運(yùn)籌學(xué)、控制論行為科學(xué)為基礎(chǔ)，以計(jì)算機(jī)技術(shù)、信息技術(shù)為手段，面對(duì)半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策問題，幫助中、高層決策者進(jìn)行決策活動(dòng)，為決策者提供決策所需要的數(shù)據(jù)、信息和資料，幫助決策者明確決策目標(biāo)和對(duì)問題的認(rèn)識(shí)，建立和修改決策模型，提供各種備選方案，并對(duì)各種方案進(jìn)行優(yōu)化、分析、比較和判斷，幫助決策者提高決策能力、決策水平、決策質(zhì)量和決策效益，以達(dá)到取得最大經(jīng)濟(jì)效益和社會(huì)效益。

5建筑智能系統(tǒng)集成是滿足建筑物的現(xiàn)代化管理的需要而出現(xiàn)的。 建筑智能化是從自動(dòng)控制向信息管理發(fā)展的產(chǎn)物。 通過系統(tǒng)集成采用統(tǒng)一的模塊化硬件和軟件結(jié)構(gòu)，就能使管理人員方便地掌握操作技術(shù)和維修管理技術(shù)， 這是所有獨(dú)立子系統(tǒng)都無法做到的。因而，從綠色建筑和可持續(xù)發(fā)展的角度，把控制和管理相結(jié)合，擴(kuò)大建筑物管理的范圍，擴(kuò)展智能化系統(tǒng)的內(nèi)容和內(nèi)涵，是建筑智能化的發(fā)展方向。

因而建筑智能系統(tǒng)集成的一個(gè)核心內(nèi)容就是應(yīng)用智能決策支持系統(tǒng)的技術(shù)設(shè)置“智能建筑管理系統(tǒng)(IBMS)” ，以提高整個(gè)建筑物的監(jiān)控管理效率， 提高建筑物投資的產(chǎn)出投入比。

結(jié)束語

近年來，人工智能技術(shù)出現(xiàn)了新的發(fā)展，專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、決策支持系統(tǒng)和多Agent 技術(shù)的應(yīng)用給智能建筑的發(fā)展注入了活力，在智能建筑的控制子系統(tǒng)，如BAS 系統(tǒng)中引入專家系統(tǒng)，在終端電器，在智能樓宇控制中引入多Agent 技術(shù)，就可以大大降低建筑智能化系統(tǒng)的運(yùn)行、維護(hù)成本，實(shí)現(xiàn)總體最優(yōu)控制和節(jié)能，并將為人類創(chuàng)造更美好的工作、生活環(huán)境帶來質(zhì)的飛躍。

參考文獻(xiàn)

[1] 王永忠.人工智能技術(shù)在智能建筑中的應(yīng)用研究[J]. 科技信息. 2009(03)

[2] 吳選忠,倪子偉.人工智能新技術(shù)在智能建筑中的應(yīng)用研究[J]. 福建建設(shè)科技. 2005(02)

篇7

[關(guān)鍵詞] 機(jī)器學(xué)習(xí) 遺傳算法 人工神經(jīng)網(wǎng)絡(luò) 支持向量機(jī)

當(dāng)前人工智能研究的主要障礙和發(fā)展方向之一就是機(jī)器學(xué)習(xí)。包括學(xué)習(xí)的計(jì)算理論和構(gòu)造學(xué)習(xí)系統(tǒng)。機(jī)器學(xué)習(xí)與計(jì)算機(jī)科學(xué)、心理學(xué)、認(rèn)知科學(xué)等都有著密切的聯(lián)系，涉獵的面比較廣，有許多理論及技術(shù)上的問題尚處于研究之中。

一、什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)就是要使計(jì)算機(jī)能模擬人的學(xué)習(xí)行為，自動(dòng)地通過學(xué)習(xí)獲取知識(shí)和技能，重新組織已有的知識(shí)結(jié)構(gòu)，不斷改善自身的性能，實(shí)現(xiàn)自我完善。即機(jī)器學(xué)習(xí)研究的就是如何使機(jī)器通過識(shí)別和利用現(xiàn)有知識(shí)來獲取新知識(shí)和新技能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑。該門科學(xué)起源于心理學(xué)、生理學(xué)、生物學(xué)、醫(yī)學(xué)等科學(xué)，研究發(fā)展過程中涉及到數(shù)學(xué)、物理學(xué)、計(jì)算機(jī)科學(xué)等領(lǐng)域。機(jī)器學(xué)習(xí)主要圍繞學(xué)習(xí)機(jī)理、學(xué)習(xí)方法、面向任務(wù)這三個(gè)方面進(jìn)行研究，其應(yīng)用幾乎遍及自然科學(xué)的各個(gè)領(lǐng)域。其中最多的是模式識(shí)別、通訊、控制、信號(hào)處理等方面。

二、機(jī)器學(xué)習(xí)系統(tǒng)

學(xué)習(xí)是建立理論、形成假設(shè)和進(jìn)行歸納推理的過程。為使計(jì)算機(jī)系統(tǒng)具有某種程度的學(xué)習(xí)能力，使它能夠通過學(xué)習(xí)獲取新知識(shí)，以改善性能，提高智能水平，需要建立相應(yīng)的學(xué)習(xí)系統(tǒng)。學(xué)習(xí)系統(tǒng)一般由環(huán)境、學(xué)習(xí)環(huán)節(jié)、知識(shí)庫、執(zhí)行與評(píng)價(jià)組成，整個(gè)過程包括信息的存儲(chǔ)、知識(shí)的處理兩大部分。機(jī)器學(xué)習(xí)系統(tǒng)模型如圖1所示。

圖1 機(jī)器學(xué)習(xí)模型

框架圖中的箭頭表示知識(shí)的流向；環(huán)境是指外部信息源；學(xué)習(xí)環(huán)節(jié)是指系統(tǒng)通過對(duì)環(huán)境的搜索獲取外部信息，然后經(jīng)過分析、綜合、類比、歸納等思維過程獲得知識(shí)并將獲得知識(shí)存入知識(shí)庫；知識(shí)庫用于存儲(chǔ)由學(xué)習(xí)得到的知識(shí)，在存儲(chǔ)時(shí)要進(jìn)行適當(dāng)?shù)慕M織，使它既便于應(yīng)用又便于維護(hù)；執(zhí)行部分用于處理系統(tǒng)面臨的現(xiàn)實(shí)問題，即應(yīng)用學(xué)習(xí)到的知識(shí)求解問題。另外從執(zhí)行到學(xué)習(xí)必須有反饋信息，學(xué)習(xí)將根據(jù)反饋信息決定是否要進(jìn)一步從環(huán)境中搜索信息進(jìn)行學(xué)習(xí)，以修改、完善知識(shí)庫中的知識(shí)。這是機(jī)器學(xué)習(xí)系統(tǒng)的一個(gè)重要特征。機(jī)器學(xué)習(xí)系統(tǒng)是對(duì)現(xiàn)有知識(shí)的擴(kuò)展和改進(jìn)。

三、機(jī)器學(xué)習(xí)的主要策略

學(xué)習(xí)是一項(xiàng)復(fù)雜的智能活動(dòng)，學(xué)習(xí)過程與推理過程緊密相連。按照學(xué)習(xí)中使用的推理的多少，機(jī)器學(xué)習(xí)所采用的策略主要可分為機(jī)械學(xué)習(xí)、通過傳授學(xué)習(xí)、類比學(xué)習(xí)和通過實(shí)例學(xué)習(xí)等。學(xué)習(xí)中所用的推理越多，系統(tǒng)的能力越強(qiáng)。本文主要介紹以下三種機(jī)器學(xué)習(xí)方法，即遺傳算法、人工神經(jīng)網(wǎng)絡(luò)模型及支持向量機(jī)。

1、遺傳算法

遺傳算法是一類借鑒生物界的進(jìn)化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機(jī)制）演化而來的隨機(jī)化搜索方法。其主要特點(diǎn)是直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定；具有隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)的調(diào)整搜索方向，不需要確定的規(guī)則。

由于遺傳算法的整體搜索策略和優(yōu)化搜索方法，在計(jì)算時(shí)是不依賴于梯度信息和其他輔助信息，而只需要影響搜索方向的目標(biāo)函數(shù)和相應(yīng)的適應(yīng)度函數(shù)，所以遺傳算法提供了一種求解復(fù)雜問題的通用框架，它不依賴于問題的具體領(lǐng)域，對(duì)問題的種類有很強(qiáng)的魯棒性，所以廣泛應(yīng)用于自動(dòng)控制、計(jì)算科學(xué)、工程設(shè)計(jì)、智能故障診斷、管理科學(xué)和社會(huì)科學(xué)等領(lǐng)域，適用于解決復(fù)雜的非線性和多維空間尋優(yōu)問題。

2、人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)基本模型是在現(xiàn)代神經(jīng)科學(xué)的基礎(chǔ)上提出和發(fā)展起來的，旨在反映人腦結(jié)構(gòu)及功能的一種抽象數(shù)學(xué)模型（見圖3）。

圖3 神經(jīng)網(wǎng)絡(luò)基本模型

一個(gè)人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元節(jié)點(diǎn)經(jīng)廣泛互連而組成的復(fù)雜網(wǎng)絡(luò)拓?fù)?，用于人類進(jìn)行知識(shí)和信息表示、存儲(chǔ)和計(jì)算行為。神經(jīng)元模型如圖4所示。

每一個(gè)細(xì)胞處于兩種狀態(tài)。突觸聯(lián)接有強(qiáng)度。多輸入單輸出。實(shí)質(zhì)上傳播的是脈沖信號(hào)，信號(hào)的強(qiáng)弱與脈沖頻率成正比。

在神經(jīng)網(wǎng)絡(luò)中，大量神經(jīng)元的互連結(jié)構(gòu)及各連接權(quán)值的分布就表示了學(xué)習(xí)所得到的特定要領(lǐng)和知識(shí)。在網(wǎng)絡(luò)的使用過程中，對(duì)于特定的輸入模式，神經(jīng)網(wǎng)絡(luò)通過向前計(jì)算，產(chǎn)生一個(gè)輸出模式，并得到節(jié)點(diǎn)代表的邏輯概念， 通過對(duì)輸出信號(hào)的比較與分析可以得到特定解。神經(jīng)元之間具有一定的冗余性，并且允許輸入模式偏離學(xué)習(xí)樣本，因此神經(jīng)網(wǎng)絡(luò)的計(jì)算行為具有良好的并行分布、容錯(cuò)和抗噪能力。

神經(jīng)網(wǎng)絡(luò)模型包括前饋型網(wǎng)絡(luò)、反饋型網(wǎng)絡(luò)、自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)等。

圖4神經(jīng)元模型

（1）前饋型網(wǎng)絡(luò)(BP)

前饋型網(wǎng)絡(luò)，最初稱之為感知器（包括單層感知器和多層感知器），是應(yīng)用最廣泛的一種人工神經(jīng)網(wǎng)絡(luò)模型。前饋網(wǎng)絡(luò)結(jié)構(gòu)是分層的，信息只能從下一層單元傳遞到相應(yīng)的上一層單元，上層單元與下層所有單元相聯(lián)接。轉(zhuǎn)移函數(shù)可以是線性閾值的。多層感知器也被稱為BP網(wǎng)絡(luò)。多層感知器的輸入輸出關(guān)系與單層感知器完全相同。前一層的輸出是下一層的輸入。

（2）反饋型網(wǎng)絡(luò)(Hopfield)

反饋型網(wǎng)絡(luò),它是一種動(dòng)態(tài)反饋系統(tǒng)，所有計(jì)算單元之間都有聯(lián)接。比前饋網(wǎng)絡(luò)具有更強(qiáng)的計(jì)算能力。

（3）自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)

在實(shí)際的神經(jīng)網(wǎng)絡(luò)中，存在一種側(cè)抑制的現(xiàn)象。即一個(gè)細(xì)胞興奮后，通過它的分支會(huì)對(duì)周圍其他神經(jīng)細(xì)胞產(chǎn)生抑制。這種側(cè)抑制在脊髓和海馬中存在，在人眼的視網(wǎng)膜中也存在。

自組織映射模型是由Kohonen提出來的。模型是以實(shí)際神經(jīng)細(xì)胞中的一種特征敏感的細(xì)胞為模型的。各個(gè)細(xì)胞分別對(duì)各種輸入敏感，可以代表各種輸入，反映各種輸入樣本的特征。如果在二維空間上描述這些細(xì)胞，則，功能相近的細(xì)胞聚在一起，靠得比較近。功能不同的離得比較遠(yuǎn)。開始是無序的，當(dāng)輸入樣本出現(xiàn)后各個(gè)細(xì)胞反映不同，強(qiáng)者依照“勝者為王”的原則，加強(qiáng)自己的同時(shí)對(duì)周圍細(xì)胞進(jìn)行壓抑。使其對(duì)該種樣本更加敏感，也同時(shí)對(duì)其他種類的樣本更加不敏感。此過程的反復(fù)過程中，各種不同輸入樣本將會(huì)分別映射到不同的細(xì)胞上。

人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較好的容錯(cuò)性和優(yōu)良的非線性逼近能力，受到眾多領(lǐng)域?qū)W者的關(guān)注。在實(shí)際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型（簡(jiǎn)稱BP網(wǎng)絡(luò)），目前主要應(yīng)用于函數(shù)逼近、模式識(shí)別、分類和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘。 但不適合高精度計(jì)算；學(xué)習(xí)問題沒有根本解決，慢；目前沒有完整的設(shè)計(jì)方法，經(jīng)驗(yàn)參數(shù)太多。

3、支持向量機(jī)（SVM）

支持向量機(jī)是一種基于統(tǒng)計(jì)的學(xué)習(xí)方法，它是對(duì)結(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納原則的近似。它的理論基礎(chǔ)是Vapnik創(chuàng)建的統(tǒng)計(jì)學(xué)習(xí)理論。

SVM就是首先通過用內(nèi)積函數(shù)K(xi，xj)定義的非線性變換將輸入空間變換到一個(gè)高維空間，在這個(gè)空間中求（廣義）最優(yōu)分類面。SVM分類函數(shù)形式上類似于一個(gè)神經(jīng)網(wǎng)絡(luò)，輸出是中間節(jié)點(diǎn)的線性組合，每個(gè)中間節(jié)點(diǎn)對(duì)應(yīng)一個(gè)支持向量。

由于統(tǒng)計(jì)學(xué)習(xí)理論和支持向量建立了一套較好的有限樣本下機(jī)器學(xué)習(xí)的理論框架和通用方法，既有嚴(yán)格的理論基礎(chǔ)，又能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問題，因此成為20世紀(jì)90年代末發(fā)展最快的研究方向之一，其核心思想就是學(xué)習(xí)機(jī)器要與有限的訓(xùn)練本相適應(yīng)。

學(xué)習(xí)是人類智能的主要標(biāo)志和獲得智慧的基本手段，機(jī)器學(xué)習(xí)的研究就是希望計(jì)算機(jī)能像人類那樣具有從現(xiàn)實(shí)世界獲取知識(shí)的能力，同時(shí)進(jìn)一步發(fā)現(xiàn)人類學(xué)習(xí)的機(jī)理和揭示人腦的奧秘。機(jī)器學(xué)習(xí)涉及到連接理論、認(rèn)知理論、行為科學(xué)、神經(jīng)科學(xué)等多門科學(xué)。因此，對(duì)于機(jī)器學(xué)習(xí)的研究，只有采用計(jì)算機(jī)科學(xué)、控制論、人工智能、認(rèn)知科學(xué)、神經(jīng)科學(xué)、心理學(xué)等多學(xué)科交叉的方法，才可望取得機(jī)器學(xué)習(xí)研究的更大進(jìn)展。

機(jī)器學(xué)習(xí)是一個(gè)十分活躍、充滿生命力的研究領(lǐng)域，同時(shí)也是一個(gè)比較困難、爭(zhēng)議頗多的研究領(lǐng)域，雖然取得了一些令人矚目的成就，但還存在許多尚未解決的問題。目前人工智能研究的主要障礙和發(fā)展方向之一就是機(jī)器學(xué)習(xí)，因此，機(jī)器學(xué)習(xí)有著廣闊的研究前景。

參考文獻(xiàn):

[1] 張景繪，動(dòng)力學(xué)系統(tǒng)建模［M］.北京：國(guó)防工業(yè)出版社，2000.

[2] 楊義勇等，機(jī)械系統(tǒng)動(dòng)力學(xué)［M］.北京：清華大學(xué)出版社，2009.

篇8

關(guān)鍵詞：人工智能 機(jī)器 學(xué)習(xí) 情感識(shí)別

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2016）06（a）-0077-02

人工智能是一門涵蓋多學(xué)科知識(shí)，而又被當(dāng)今社會(huì)廣泛應(yīng)用于多領(lǐng)域，給人帶來便捷、高效的同時(shí)，又讓業(yè)界為其擔(dān)心的交叉學(xué)科知識(shí)的綜合產(chǎn)物。隨著各種智能機(jī)器人開始服務(wù)于各大領(lǐng)域，有超強(qiáng)力量的機(jī)械手臂，高效解決問題的專家系統(tǒng)，公眾日?？山佑|到的可穿戴智能設(shè)備，從智能手機(jī)到各類功能的3D打印技術(shù)，從谷歌眼鏡到全息投影，各類機(jī)器設(shè)備如雨后春筍不斷涌出。

1 人工智能的發(fā)展

“人工智能”簡(jiǎn)稱AI，是集心理認(rèn)知，機(jī)器學(xué)習(xí)，情感識(shí)別，人機(jī)交互以及數(shù)據(jù)保存、決策等于一身的多學(xué)科技術(shù)。其最早被提出是由McCarthy在20世紀(jì)中葉的達(dá)特茅斯會(huì)議上，這也成為人工智能正式誕生的標(biāo)志。在人工智能經(jīng)歷兩個(gè)低谷后的最近一個(gè)階段，從1993年開始，人工智能其實(shí)取得了一些里程碑似的成果。比如在1997年，國(guó)際象棋冠軍卡斯帕羅夫被深藍(lán)戰(zhàn)勝；英國(guó)皇家學(xué)會(huì)舉行的“2014圖靈測(cè)試”中“尤金?古斯特曼”第一次“通過”圖靈測(cè)試，而這一天恰為計(jì)算機(jī)科學(xué)之父阿蘭?圖靈（Alan Turing）逝世60周年紀(jì)念日。2015年以來，“人工智能”開始成為諸多業(yè)界人士關(guān)注的焦點(diǎn)之一。2016年3月AlphaGo在首爾以4∶1戰(zhàn)勝圍棋世界冠軍李世石，繼而引發(fā)了人工智能將如何改變?nèi)祟惿鐣?huì)的思考。

2 從AlphaGo看人工智能的“情感機(jī)制”與人類的關(guān)系

機(jī)器學(xué)習(xí)算法的本質(zhì)是選擇一個(gè)萬能函數(shù)建立預(yù)測(cè)模型[1]。首先用戶輸入大量訓(xùn)練樣本數(shù)據(jù)，機(jī)器對(duì)模型進(jìn)行訓(xùn)練，選擇可以使預(yù)測(cè)的模型達(dá)到最優(yōu)的參數(shù)集，從而使模型能夠更好地?cái)M合訓(xùn)練樣本數(shù)據(jù)的空間分布[2]。谷歌公司在訓(xùn)練AlphaGo時(shí)，收集了20萬職業(yè)圍棋高手的對(duì)局，在經(jīng)過不同版本AlphaGo之間的自我對(duì)弈，生成了3 000多萬個(gè)對(duì)局，包含了人類圍棋領(lǐng)域所積累的所有豐富和全面的知識(shí)與經(jīng)驗(yàn)。相比IBM“深藍(lán)”戰(zhàn)勝國(guó)際象棋卡斯帕羅夫，其依靠了強(qiáng)大的運(yùn)算能力取得了勝利，AlphaGo的最大進(jìn)步是從“計(jì)算加記憶”進(jìn)化到“擬合加記憶”法則[2]。智能設(shè)備具有了海量數(shù)據(jù)存儲(chǔ)和高速的計(jì)算本領(lǐng)，人機(jī)交互（human-computer interaction）系統(tǒng)研發(fā)過程遇到的瓶頸仍是識(shí)別和表達(dá)情感方面。

情感在人際交往中扮演著重要的角色，情緒的識(shí)別主要是識(shí)別人類傳遞情緒的信號(hào)。既可以通過語言直接傳遞，也可以通過語調(diào)、面目表情、姿勢(shì)等進(jìn)行表達(dá)。機(jī)器具有智能，“情感”是十分重要的一環(huán)。這要求機(jī)器具有對(duì)認(rèn)知的解釋與建構(gòu)，而認(rèn)知的關(guān)鍵問題則是自主和情感意識(shí)。

對(duì)人工智能的威脅霍金總結(jié)說：“人工智能在短時(shí)間內(nèi)發(fā)展取決于應(yīng)用它的人，長(zhǎng)遠(yuǎn)來看到底其能否被控制是我們需要關(guān)注的內(nèi)容?！贬槍?duì)人類對(duì)于“人工智能終將超越人類”的擔(dān)憂可以概括為以下兩點(diǎn)：（1）蠹生于木，而反食于木。恰如部分美國(guó)科幻片中所展現(xiàn)的場(chǎng)景，人類創(chuàng)造的機(jī)器因被賦予人類情感智力而脫離人類控制。（2）機(jī)器因其具有人類交互的情感且很少產(chǎn)生人工失誤而逐漸取代人類的勞動(dòng)，致使人類無用武之地而待業(yè)失業(yè)。從技術(shù)飛速發(fā)展過程來看，智能設(shè)備的應(yīng)用往往只是其在某一功能極大化的使用，如，專家系統(tǒng)其解決的只是某一領(lǐng)域內(nèi)復(fù)雜問題解決方案的決策提供；虛擬現(xiàn)實(shí)技術(shù)是生活場(chǎng)景的實(shí)體化展現(xiàn)，以方便用戶更好地體驗(yàn)現(xiàn)實(shí)場(chǎng)景；服務(wù)領(lǐng)域的機(jī)器人，提供的只是某一行業(yè)的服務(wù)，恰如汽車提供的只是快速的代步工具而不能與人交流一樣，智能機(jī)器只是發(fā)揮其某一單方面的優(yōu)勢(shì)，從而更好地輔助人類完成特定的工作。在未來社會(huì)，那些簡(jiǎn)單重復(fù)性的勞動(dòng)將被機(jī)器所取代；此外，還有一些通過大量數(shù)據(jù)進(jìn)行判別決策類的輸出，從而更好地為人類提供建議；同時(shí)對(duì)社會(huì)生活中重大、復(fù)雜工業(yè)系統(tǒng)中的故障處理，這些存在危險(xiǎn)的領(lǐng)域中有智能設(shè)備的存在其實(shí)質(zhì)是對(duì)人類安全及人類價(jià)值的禮遇；而對(duì)于那些與人交流密切的服務(wù)領(lǐng)域內(nèi)，則更需要人與人的溝通，才能更好地服務(wù)于人。這些機(jī)器的存在解放了人的身體，進(jìn)而可以使人類投入更多精力在科研領(lǐng)域。而人工智能與人類之間的關(guān)系，可以用“共存”一詞進(jìn)行概括，即按勞分配，取長(zhǎng)補(bǔ)短[2]。

3 機(jī)器學(xué)習(xí)理論

目前最受社會(huì)關(guān)注的智能算法，當(dāng)屬日本學(xué)者福島教授基于Hubel Wiese的視覺認(rèn)知模型提出的卷積神經(jīng)網(wǎng)絡(luò)模型（Convolution Neural Network，CNN），是一種深度監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型。深度學(xué)習(xí)的概念來源于人工神經(jīng)網(wǎng)絡(luò)，常見的深度學(xué)習(xí)算法包括：受限波爾茲曼機(jī)（Restricted Boltzmann Machine，RBN），Deep Belief Networks（DBN），卷積網(wǎng)絡(luò)（Convolutional Network），堆棧式自動(dòng)編碼器（Stacked Auto-encoders）。該算法的提出是為解決起初基于1943年，美國(guó)心理學(xué)家W.S.McCulloch和數(shù)學(xué)家W.A.Pitts生物神經(jīng)元計(jì)算模型（M-P）[2]的早期人工神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)層超過4層后，用傳統(tǒng)反向傳遞算法訓(xùn)練而無法收斂的問題而提出。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成高層屬性類別或特征，從而發(fā)現(xiàn)數(shù)據(jù)的分布特征。重要的人工神經(jīng)網(wǎng)絡(luò)算法包括：感知器神經(jīng)網(wǎng)絡(luò)（Perceptron Neural Network），反向傳遞（Back Propagation），Hopfield網(wǎng)絡(luò)，自組織映射（Self-Organizing Map，SOM），學(xué)習(xí)矢量量化（Learning Vector Quantization，LVQ）。

簡(jiǎn)單介紹一下神經(jīng)網(wǎng)絡(luò)：

對(duì)應(yīng)公式為，通過不同權(quán)重的多輸入，得到輸出，該單元也被稱為邏輯回歸模型。當(dāng)多個(gè)單元相互關(guān)聯(lián)，并進(jìn)行分層后即形成了神經(jīng)網(wǎng)絡(luò)模型。

4 人工智能的未來

當(dāng)前，人才輩出的社會(huì)促進(jìn)技術(shù)手段的不斷創(chuàng)新，大數(shù)據(jù)，物聯(lián)網(wǎng)，虛擬現(xiàn)實(shí)、云計(jì)算等技術(shù)發(fā)展與機(jī)器人人工智能領(lǐng)域不斷融合發(fā)展，這無疑將推動(dòng)產(chǎn)業(yè)方式發(fā)生改變。

而針對(duì)人工智能，李開復(fù)老師針對(duì)機(jī)器越發(fā)智能化而帶給人類的危機(jī)表示：人工智能的真實(shí)危機(jī)在于未來機(jī)器將養(yǎng)活無所事事的人。這也在激勵(lì)著人類，機(jī)器的智能，在代替人類部分勞動(dòng)后，需要我們潛心于高科技的發(fā)展，進(jìn)而不被社會(huì)所淘汰。斯特羅斯說“人工智能之于人類，最需要擔(dān)心的是其自發(fā)意識(shí)。無人機(jī)并不能殺人，指導(dǎo)無人機(jī)的坐標(biāo)并投射地獄火導(dǎo)彈的人才能殺人。”這一說法表明其認(rèn)為人類已經(jīng)生活在后人工智能世界了，但人們還沒有意識(shí)到人工智能都是我們的人。這足以表明，人工智能產(chǎn)品的設(shè)計(jì)，一方面是為人類帶來了更加綠色，智能，方便的生活方式，而另一方面其法律規(guī)范意識(shí)，以及人才價(jià)值觀及道德的培養(yǎng)更值得社會(huì)關(guān)注。

參考文獻(xiàn)

[1] 于玲，吳鐵軍.LS-Ensem：一種用于回歸的集成算法[J].計(jì)算機(jī)學(xué)報(bào)，2006（5）：719-726.

篇9

【關(guān)鍵詞】機(jī)械；智能診斷；設(shè)備故障

近幾年來，為了適應(yīng)更加高要求的運(yùn)作，機(jī)械設(shè)備的功能變得非常強(qiáng)大，與此同時(shí)，其結(jié)構(gòu)也更加的復(fù)雜。機(jī)械的不同部分之間聯(lián)系更加緊密，只要一個(gè)部分出現(xiàn)問題，整個(gè)機(jī)器都將停止運(yùn)作，甚至?xí)l(fā)生破壞性更大的連鎖反應(yīng)。而使用常規(guī)的診斷方法需要較長(zhǎng)的時(shí)間，甚至都無處下手或造成人員傷亡。所以現(xiàn)在人們都在追求人工智能診斷方法，利用軟件和計(jì)算機(jī)技術(shù)，將診斷的過程系統(tǒng)化，從而達(dá)到診斷的快速性和準(zhǔn)確性。本文就根據(jù)目前已有的一些人工智能方法簡(jiǎn)要做些分析，并探討智能診斷方法的發(fā)展前景。

1.主要智能診斷方法

1.1人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)法是根據(jù)生物神經(jīng)學(xué)方面的研究成果而提出的一個(gè)人工智能方面的概念，其主要含義是對(duì)人腦中神經(jīng)結(jié)構(gòu)和行為進(jìn)行類似模擬[1]。因?yàn)樵摲ㄊ歉叨炔⑿械?，所以在?duì)故障的處理中速度極快，并且能夠根據(jù)環(huán)境自動(dòng)辨識(shí)，以線性的方法處理問題。

其基本原理為機(jī)發(fā)生故障的機(jī)器通過震動(dòng)發(fā)出不同狀態(tài)的信號(hào)，然后該信號(hào)被神經(jīng)網(wǎng)絡(luò)識(shí)別，通過對(duì)應(yīng)特征的選擇以及公式模型的套用，找出對(duì)于故障中反映最強(qiáng)烈最敏感的信號(hào)，然后將其作為一個(gè)輸入向量，在神經(jīng)網(wǎng)絡(luò)中建立故障模式樣本，對(duì)網(wǎng)絡(luò)進(jìn)行長(zhǎng)期訓(xùn)練，排除其中影響準(zhǔn)確性的因素；在確定訓(xùn)練結(jié)束后，將每一個(gè)重新輸入的信息進(jìn)行分類整理，網(wǎng)絡(luò)會(huì)根據(jù)所輸入的信息迅速判斷，并給出分類的結(jié)果，最后進(jìn)行自我診斷。

人工神經(jīng)網(wǎng)絡(luò)法的主要優(yōu)點(diǎn)在于其具有自動(dòng)學(xué)習(xí)、聯(lián)想、記憶和推測(cè)的功能；該方法是分布處理的，同時(shí)有并行處理復(fù)雜問題的強(qiáng)大功能；其非線性的映射很強(qiáng)，可以處理多故障的問題；其有能夠進(jìn)行多種因素預(yù)報(bào)的能力且其預(yù)測(cè)準(zhǔn)確度非常高。

人工神經(jīng)網(wǎng)絡(luò)法的主要缺點(diǎn)為：算法相當(dāng)復(fù)雜，需要預(yù)測(cè)的模型有一部分是無法用公式表達(dá)出來的；在訓(xùn)練的過程中需要樣本數(shù)量較大，并且當(dāng)樣本不足時(shí)，診斷的效果會(huì)大打折扣；應(yīng)用之前所需訓(xùn)練的時(shí)間過長(zhǎng)。

1.2專家系統(tǒng)診斷法

當(dāng)機(jī)械系統(tǒng)比較難以用數(shù)學(xué)模型來建立或者沒有較為精確的數(shù)學(xué)模型時(shí)，我們可以使用專家系統(tǒng)診斷法。該種診斷的方法主要有三個(gè)不同的階段，從第一代中基于淺知識(shí)的智能診斷到第二代中基于深知識(shí)的專家診斷，以及最近的將二者結(jié)合起來的復(fù)合式故障診斷系統(tǒng)[2]。

1.2.1基于淺知識(shí)

淺知識(shí)主要是指經(jīng)驗(yàn)知識(shí)，不是系統(tǒng)結(jié)構(gòu)或者在行為過程中產(chǎn)生的知識(shí)。該種診斷法以專家的經(jīng)驗(yàn)知識(shí)為基礎(chǔ)，在演繹推理后得出診斷的最終結(jié)果，為故障原因得出一個(gè)最佳的解釋。基于淺知識(shí)的專家診斷系統(tǒng)主要運(yùn)用到兩類知識(shí)，其一為機(jī)械設(shè)備故障導(dǎo)致各種征兆的因果知識(shí)；其二為能夠反映因果關(guān)系的可能性數(shù)值知識(shí)。主要的缺點(diǎn)就是診斷對(duì)象數(shù)量以及復(fù)雜性逐漸增多時(shí)，基于淺知識(shí)的故障智能專家系統(tǒng)會(huì)出現(xiàn)知識(shí)不太完備以及依賴性太強(qiáng)。

1.2.2基于深知識(shí)

深知識(shí)主要是指一些模型的知識(shí)包括機(jī)械系統(tǒng)中存在的結(jié)構(gòu)、功能、過程或者是因果關(guān)系的模型。該種方法主要通過診斷對(duì)實(shí)際輸出和預(yù)計(jì)輸出之間的偏差值用第一定律知識(shí)以及一定的算法過程找出潛在的故障源。該種方法獲取數(shù)據(jù)較為方便，且形成的知識(shí)庫會(huì)比較一致和完備；但是該法所需搜索的空間過大，且推理的過程不是非常簡(jiǎn)便和快速。

1.2.3復(fù)合式

復(fù)合式的診斷專家系統(tǒng)就是將淺知識(shí)和深知識(shí)兩者有效的結(jié)合起來。前一部分運(yùn)用淺知識(shí)診斷法，推理出產(chǎn)生故障的可能原因和位置，其后再運(yùn)用深知識(shí)診斷系統(tǒng)去做進(jìn)一步的確認(rèn)和解釋。兩種方法之間的銜接我們采用一種相互照應(yīng)的方式，將淺知識(shí)中的假設(shè)對(duì)象和深知識(shí)中推理點(diǎn)一一對(duì)應(yīng)起來。所以該種方法將故障的解決過程更加優(yōu)化，也使得解決的方法更加快速和方便。它適合人類的思維，且修改較為方便；但是其缺點(diǎn)在于建立知識(shí)庫比較麻煩，缺少主動(dòng)學(xué)習(xí)的能力。

1.3遠(yuǎn)程分布式智能診斷法

遠(yuǎn)程分布式法主要是將故障的診斷和目前的網(wǎng)絡(luò)即時(shí)通訊結(jié)合在一起[3]。主要有兩種診斷系統(tǒng)運(yùn)行的方式，其一為實(shí)時(shí)監(jiān)控的診斷，另一種為電子信函的會(huì)診。第一種就是將機(jī)械故障的實(shí)際情況通過視頻等通訊工具傳給并不在現(xiàn)場(chǎng)的專家們，讓他們根據(jù)自己的經(jīng)驗(yàn)將采集到的信號(hào)進(jìn)行相關(guān)專業(yè)的處理，并通過通訊工具和其他專家進(jìn)行相互的交流與探討，形成一種網(wǎng)絡(luò)狀態(tài)下的會(huì)議形式，共同研究出一個(gè)最優(yōu)的處理方案。其主要缺點(diǎn)在于，信號(hào)的采集可能會(huì)有些偏差，并且要協(xié)調(diào)好各位專家同時(shí)在線的時(shí)間也是比較麻煩的。第二種就是通過現(xiàn)場(chǎng)檢測(cè)人員將數(shù)據(jù)進(jìn)行采集與整理，然后把所有的相關(guān)數(shù)據(jù)全部以信函的方式傳給有關(guān)專家，當(dāng)專家做好分析之后，再用電子信函的方式傳回給現(xiàn)場(chǎng)，現(xiàn)場(chǎng)進(jìn)行下一步的處理。這一種方法把系統(tǒng)中的資源與實(shí)際專家的經(jīng)驗(yàn)有效的利用起來，為設(shè)備的故障處理與維護(hù)提供了方便有效的遠(yuǎn)程服務(wù)，對(duì)生產(chǎn)系統(tǒng)的可靠性有了極大的保證。

2.智能診斷方法前景分析

由于目前設(shè)備故障診斷的技術(shù)已經(jīng)和非線性原理、傳感技術(shù)、信號(hào)處理技術(shù)相融合，智能診斷的方法正在不斷的完善和科技化。其發(fā)展的趨勢(shì)大概如下[4]：多種知識(shí)以及各種方法相結(jié)合；相關(guān)原理知識(shí)與實(shí)際的經(jīng)驗(yàn)知識(shí)更加緊密融合；診斷系統(tǒng)的能力越來越接近人類專家；專家系統(tǒng)診斷法會(huì)與神經(jīng)網(wǎng)絡(luò)診斷法在診斷過程中融合；大量的虛擬技術(shù)將會(huì)得到重用；數(shù)據(jù)庫的技術(shù)和人工智能技術(shù)會(huì)相互結(jié)合……

總之，智能診斷機(jī)械設(shè)備故障的趨勢(shì)就是將各種不同的智能技術(shù)進(jìn)行有效的結(jié)合起來，形成一種功能強(qiáng)大的混合診斷系統(tǒng)。但是在智能化處理的趨勢(shì)下，仍然有一些問題是需要我們迫切去解決和研究的，所以在以后，我們要不斷的新的技術(shù)，前沿的學(xué)科方法運(yùn)用到機(jī)械故障解決中去，用新的思維和新的方法從實(shí)際的應(yīng)用提出新的問題，并加以解決和完善，將智能話診斷機(jī)械設(shè)備提升到理論方法一致的高度之上。

【參考文獻(xiàn)】

［1］王宇杰,龐兵.機(jī)械故障智能診斷方法研究[J].黑龍江科技信息,2011,6(6):42.

［2］楊光.機(jī)械設(shè)備故障的智能診斷及預(yù)測(cè)維修系統(tǒng)的研究[J].科學(xué)之友,2011,2(20):41-42.

篇10

一、規(guī)模

按規(guī)模大小FMS可分為如下4類：

1.柔性制造單元(FMC)

FMC的問世并在生產(chǎn)中使用約比FMS晚6~8年，它是由1~2臺(tái)加工中心、工業(yè)機(jī)器人、數(shù)控機(jī)床及物料運(yùn)送存貯設(shè)備構(gòu)成，具有適應(yīng)加工多品種產(chǎn)品的靈活性。FMC可視為一個(gè)規(guī)模最小的FMS，是FMS向廉價(jià)化及小型化方向發(fā)展和一種產(chǎn)物，其特點(diǎn)是實(shí)現(xiàn)單機(jī)柔性化及自動(dòng)化，迄今已進(jìn)入普及應(yīng)用階段。

2.柔性制造系統(tǒng)(FMS)

通常包括4臺(tái)或更多臺(tái)全自動(dòng)數(shù)控機(jī)床(加工中心與車削中心等)，由集中的控制系統(tǒng)及物料搬運(yùn)系統(tǒng)連接起來，可在不停機(jī)的情況下實(shí)現(xiàn)多品種、中小批量的加工及管理。

3.柔性制造線(FML)

它是處于單一或少品種大批量非柔性自動(dòng)線與中小批量多品種FMS之間的生產(chǎn)線。其加工設(shè)備可以是通用的加工中心、CNC機(jī)床；亦可采用專用機(jī)床或NC專用機(jī)床，對(duì)物料搬運(yùn)系統(tǒng)柔性的要求低于FMS，但生產(chǎn)率更高。它是以離散型生產(chǎn)中的柔性制造系統(tǒng)和連續(xù)生產(chǎn)過程中的分散型控制系統(tǒng)(DCS)為代表，其特點(diǎn)是實(shí)現(xiàn)生產(chǎn)線柔性化及自動(dòng)化，其技術(shù)已日臻成熟，迄今已進(jìn)入實(shí)用化階段。

4.柔性制造工廠(FMF)

FMF是將多條FMS連接起來，配以自動(dòng)化立體倉庫，用計(jì)算機(jī)系統(tǒng)進(jìn)行聯(lián)系，采用從訂貨、設(shè)計(jì)、加工、裝配、檢驗(yàn)、運(yùn)送至發(fā)貨的完整FMS。它包括了CAD/CAM，并使計(jì)算機(jī)集成制造系統(tǒng)(CIMS)投入實(shí)際，實(shí)現(xiàn)生產(chǎn)系統(tǒng)柔性化及自動(dòng)化，進(jìn)而實(shí)現(xiàn)全廠范圍的生產(chǎn)管理、產(chǎn)品加工及物料貯運(yùn)進(jìn)程的全盤化。FMF是自動(dòng)化生產(chǎn)的最高水平，反映出世界上最先進(jìn)的自動(dòng)化應(yīng)用技術(shù)。它是將制造、產(chǎn)品開發(fā)及經(jīng)營(yíng)管理的自動(dòng)化連成一個(gè)整體，以信息流控制物質(zhì)流的智能制造系統(tǒng)(IMS)為代表，其特點(diǎn)是實(shí)現(xiàn)工廠柔性化及自動(dòng)化。

二、關(guān)鍵技術(shù)

1.計(jì)算機(jī)輔助設(shè)計(jì)

未來CAD技術(shù)發(fā)展將會(huì)引入專家系統(tǒng)，使之具有智能化，可處理各種復(fù)雜的問題。當(dāng)前設(shè)計(jì)技術(shù)最新的一個(gè)突破是光敏立體成形技術(shù)，該項(xiàng)新技術(shù)是直接利用CAD數(shù)據(jù)，通過計(jì)算機(jī)控制的激光掃描系統(tǒng)，將三維數(shù)字模型分成若干層二維片狀圖形，并按二維片狀圖形對(duì)池內(nèi)的光敏樹脂液面進(jìn)行光學(xué)掃描，被掃描到的液面則變成固化塑料，如此循環(huán)操作，逐層掃描成形，并自動(dòng)地將分層成形的各片狀固化塑料粘合在一起，僅需確定數(shù)據(jù)，數(shù)小時(shí)內(nèi)便可制出精確的原型。它有助于加快開發(fā)新產(chǎn)品和研制新結(jié)構(gòu)的速度。

2.模糊控制技術(shù)

模糊數(shù)學(xué)的實(shí)際應(yīng)用是模糊控制器。最近開發(fā)出的高性能模糊控制器具有自學(xué)習(xí)功能，可在控制過程中不斷獲取新的信息并自動(dòng)地對(duì)控制量作調(diào)整，使系統(tǒng)性能大為改善，其中尤其以基于人工神經(jīng)網(wǎng)絡(luò)的自學(xué)方法更引起人們極大的關(guān)注。3.人工智能、專家系統(tǒng)及智能傳感器技術(shù)

迄今，F(xiàn)MS中所采用的人工智能大多指基于規(guī)則的專家系統(tǒng)。專家系統(tǒng)利用專家知識(shí)和推理規(guī)則進(jìn)行推理，求解各類問題(如解釋、預(yù)測(cè)、診斷、查找故障、設(shè)計(jì)、計(jì)劃、監(jiān)視、修復(fù)、命令及控制等)。由于專家系統(tǒng)能簡(jiǎn)便地將各種事實(shí)及經(jīng)驗(yàn)證過的理論與通過經(jīng)驗(yàn)獲得的知識(shí)相結(jié)合，因而專家系統(tǒng)為FMS的諸方面工作增強(qiáng)了柔性。展望未來，以知識(shí)密集為特征，以知識(shí)處理為手段的人工智能(包括專家系統(tǒng))技術(shù)必將在FMS(尤其智能型)中起著關(guān)鍵性的作用。人工智能在未來FMS中將發(fā)揮日趨重要的作用。目前用于FMS中的各種技術(shù)，預(yù)計(jì)最有發(fā)展前途的仍是人工智能。預(yù)計(jì)到21世紀(jì)初，人工智能在FMS中的應(yīng)用規(guī)模將要比目前大4倍。智能制造技術(shù)(IMT)旨在將人工智能融入制造過程的各個(gè)環(huán)節(jié)，借助模擬專家的智能活動(dòng)，取代或延伸制造環(huán)境中人的部分腦力勞動(dòng)。在制造過程，系統(tǒng)能自動(dòng)監(jiān)測(cè)其運(yùn)行狀態(tài)，在受到外界或內(nèi)部激勵(lì)時(shí)能自動(dòng)調(diào)節(jié)其參數(shù)，以達(dá)到最佳工作狀態(tài)，具備自組織能力。故IMT被稱為未來21世紀(jì)的制造技術(shù)。對(duì)未來智能化FMS具有重要意義的一個(gè)正在急速發(fā)展的領(lǐng)域是智能傳感器技術(shù)。該項(xiàng)技術(shù)是伴隨計(jì)算機(jī)應(yīng)用技術(shù)和人工智能而產(chǎn)生的，它使傳感器具有內(nèi)在的“決策”功能。

4.人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)(ANN)是模擬智能生物的神經(jīng)網(wǎng)絡(luò)對(duì)信息進(jìn)行并行處理的一種方法。故人工神經(jīng)網(wǎng)絡(luò)也就是一種人工智能工具。在自動(dòng)控制領(lǐng)域，神經(jīng)網(wǎng)絡(luò)不久將并列于專家系統(tǒng)和模糊控制系統(tǒng)，成為現(xiàn)代自支化系統(tǒng)中的一個(gè)組成部分。

三、發(fā)展趨勢(shì)

1.FMC將成為發(fā)展和應(yīng)用的熱門技術(shù)

這是因?yàn)镕MC的投資比FMS少得多而經(jīng)濟(jì)效益相接近，更適用于財(cái)力有限的中小型企業(yè)。目前國(guó)外眾多廠家將FMC列為發(fā)展之重。

2.發(fā)展效率更高的FML

多品種大批量的生產(chǎn)企業(yè)如汽車及拖拉機(jī)等工廠對(duì)FML的需求引起了FMS制造廠的極大關(guān)注。采用價(jià)格低廉的專用數(shù)控機(jī)床替代通用的加工中心將是FML的發(fā)展趨勢(shì)。

3.朝多功能方向發(fā)展