導(dǎo)語：如何才能寫好一篇人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系，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

隨著科學(xué)技術(shù)的快速發(fā)展，機(jī)械工程由傳統(tǒng)的機(jī)械工程項(xiàng)機(jī)械電子工程方向轉(zhuǎn)變，同時(shí)機(jī)械電子工程和人工智能的有效結(jié)合，不斷的向自動(dòng)化、智能化、數(shù)字化方向發(fā)展。機(jī)械電子工程與人工智能的整合，為社會(huì)生產(chǎn)力的發(fā)展帶來了歷史性的變革，對(duì)于推動(dòng)黨建社會(huì)的發(fā)展和進(jìn)步具有非常重要的作用。因此，文章針對(duì)機(jī)械電子工程與人工智能整合思路構(gòu)建的研究具有非常重要的現(xiàn)實(shí)意義。

2機(jī)械電子工程與人工智能的特點(diǎn)分析

2.1機(jī)械電子工程的特點(diǎn)分析

機(jī)械電子工程是指在信息技術(shù)快速發(fā)展的背景下，發(fā)展起來的以機(jī)械電子工程為核心的柔性制造系統(tǒng)，是以計(jì)算機(jī)技術(shù)、機(jī)械工程與電子工程為核心的綜合性學(xué)科，機(jī)械電子工程的特點(diǎn)主要包括以下幾個(gè)方面：（1)性能豐富，結(jié)構(gòu)簡單，機(jī)械電子產(chǎn)品與其他產(chǎn)品最大的區(qū)別在于不僅性能豐富，而且結(jié)構(gòu)比較簡單，傳統(tǒng)的機(jī)械產(chǎn)品雖然具有較高的性能，但是外形比較笨重，因此機(jī)械電子工程在未來具有非常好的應(yīng)用前景；（2)多技術(shù)融合的設(shè)計(jì)，電子機(jī)械工程是綜合計(jì)算機(jī)技術(shù)、機(jī)械工程以及電子工程等多個(gè)相關(guān)技術(shù)融合設(shè)計(jì)的，工程師在進(jìn)行機(jī)械電子工程設(shè)計(jì)的過程中，需要對(duì)各種技術(shù)、策略進(jìn)行考慮，并將所有的技術(shù)、策略進(jìn)行整合，以此完成相關(guān)產(chǎn)品的設(shè)計(jì)。

2.2人工智能的特點(diǎn)分析

人工智能是復(fù)雜、綜合的學(xué)科，主要包括哲學(xué)、控制論、心理學(xué)、信息論以及計(jì)算機(jī)等，人工智能在社會(huì)生產(chǎn)與生活中發(fā)揮了非常重要的作用，具有非常廣闊的應(yīng)用前景。人工智能分為不同的發(fā)展階段：（1)初級(jí)階段，人工智能的研究方向主要集中在博弈、證明以及翻譯等方面，此階段在機(jī)器人、專家系統(tǒng)、自然語言理解、計(jì)算機(jī)視覺等方面獲得了非常大的成就；（2)第二發(fā)展階段，該階段主要集中在商業(yè)化產(chǎn)品以及知識(shí)工程的應(yīng)用領(lǐng)域，在智能機(jī)器、計(jì)算機(jī)視覺、基礎(chǔ)常識(shí)、不確定推理以及分布式人工智能等方面獲得了很大的成就，第二發(fā)展階段相對(duì)平穩(wěn)，但是平穩(wěn)的發(fā)展階段已經(jīng)從原來的單個(gè)體向分布式方向發(fā)展。在當(dāng)今社會(huì)，人工智能已經(jīng)成為一種復(fù)雜、系統(tǒng)的技術(shù)，并且在人類生產(chǎn)和生活中發(fā)揮了至關(guān)重要的作用，作為一門使用的技術(shù)，在推動(dòng)時(shí)代的發(fā)展中占據(jù)著非常重要的地位。

3機(jī)械電子工程和人工智能的整合思路分析

3.1機(jī)械電子工程與人工智能的關(guān)系分析

機(jī)械電子工程具有一定的不穩(wěn)定性，描述機(jī)械電子系統(tǒng)的輸入和輸出的關(guān)系相對(duì)困難，傳統(tǒng)的描述方式包括：學(xué)習(xí)并生成知識(shí)描述法、建設(shè)規(guī)則庫方法以及數(shù)學(xué)方程推導(dǎo)法三種，由于傳統(tǒng)的描述方法的嚴(yán)密性和精確度不高，并不能夠滿足曰益復(fù)雜系統(tǒng)的實(shí)際要求。人工智能在處理信息中具有很大的優(yōu)勢，能夠有效解決傳統(tǒng)機(jī)械電子系統(tǒng)不確定性、不穩(wěn)定性、復(fù)雜性等問題。因此，機(jī)械電子工程與人工智能的整合已經(jīng)成為一種必然趨勢。機(jī)械電子工程中人工智能技術(shù)的應(yīng)用存在一定的差異性，并不能夠?qū)W(wǎng)絡(luò)系統(tǒng)進(jìn)行有效的描述，并且系統(tǒng)資料庫創(chuàng)建過程中需要進(jìn)行嚴(yán)密的數(shù)學(xué)分析，在分析的過程中會(huì)出現(xiàn)許多問題，導(dǎo)致網(wǎng)絡(luò)系統(tǒng)的建設(shè)存在許多問題，導(dǎo)致網(wǎng)絡(luò)系統(tǒng)出現(xiàn)崩潰的現(xiàn)象，這對(duì)于機(jī)械電子工程系統(tǒng)的發(fā)展是非常不利的。人工智能技術(shù)創(chuàng)新的工程方式能夠幫助機(jī)械電子工程系統(tǒng)創(chuàng)建系統(tǒng)資料庫，機(jī)械電子工程和人工智能之間存在的密切關(guān)系，對(duì)現(xiàn)代科學(xué)技術(shù)進(jìn)行了強(qiáng)化，對(duì)于促進(jìn)機(jī)械電子工程的發(fā)展具有非常重要的作用。

3.2人工智能技術(shù)在機(jī)械電子工程中的應(yīng)用分析人工智能技術(shù)在機(jī)械電子工程中的應(yīng)用，創(chuàng)建了兩大系統(tǒng)：其一，模糊推理系統(tǒng)，基于模糊集合理論的模糊推理系統(tǒng)，以模糊理念為設(shè)計(jì)工具，具有處理模糊信息的功能，模糊推理系統(tǒng)已經(jīng)被廣泛的推廣和應(yīng)用在數(shù)據(jù)處理、自動(dòng)化控制等領(lǐng)域，并且獲得了良好的效果，機(jī)械電子工程中的模糊推理系統(tǒng)，創(chuàng)建了模擬人腦的功能，進(jìn)行語言信號(hào)的分析，通過網(wǎng)絡(luò)結(jié)構(gòu)接近一個(gè)連續(xù)函數(shù)，并運(yùn)用域到域的映射方式規(guī)則的儲(chǔ)存信息，具有非常明確的物力意義，但是模糊推理系統(tǒng)連接不固定，并且計(jì)算量相對(duì)較小，應(yīng)用范圍相對(duì)有限；其二，神經(jīng)網(wǎng)絡(luò)系統(tǒng)，神經(jīng)網(wǎng)絡(luò)系統(tǒng)是人工智能的重要分支，神經(jīng)網(wǎng)絡(luò)以神經(jīng)元的興奮模式將信息分布在網(wǎng)絡(luò)上，并進(jìn)行動(dòng)態(tài)的相互作用，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的特點(diǎn)是對(duì)信息進(jìn)行分布式的儲(chǔ)存，并且能夠進(jìn)行動(dòng)態(tài)的協(xié)同處理，神經(jīng)網(wǎng)絡(luò)系統(tǒng)不僅具有豐富的行為，而且結(jié)構(gòu)非常簡單，神經(jīng)網(wǎng)絡(luò)系統(tǒng)能夠模擬大腦的結(jié)構(gòu)，對(duì)數(shù)字信號(hào)進(jìn)行分析，采用點(diǎn)到點(diǎn)的映射方式聯(lián)系各個(gè)神經(jīng)元，具有輸入輸出精度高，計(jì)算量大等特點(diǎn)，與模糊推理系統(tǒng)相比，神經(jīng)網(wǎng)絡(luò)系統(tǒng)的應(yīng)用范圍更廣泛。創(chuàng)建基于模糊推理系統(tǒng)與神經(jīng)網(wǎng)絡(luò)系統(tǒng)的智能系統(tǒng)后，其在機(jī)械電子工程領(lǐng)域的應(yīng)用越來越廣泛。神經(jīng)網(wǎng)絡(luò)與模糊邏輯系統(tǒng)的融合通常采用以下兩種方式：功能相似的融合，利用模糊變量隸屬函數(shù)和神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的非線性映射部分功能相似的融合，對(duì)神經(jīng)元輸出特性進(jìn)行調(diào)整，能夠?qū)崿F(xiàn)對(duì)隸屬函數(shù)的優(yōu)化與修正;利用神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)算子相似性的融合，合理的選擇算子，既能夠保證足夠的信息量，又能夠簡化運(yùn)算；功能互補(bǔ)的融合，將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力融于模糊系統(tǒng)的分布式儲(chǔ)存規(guī)則中，能夠有效的提高模糊系統(tǒng)的智能;將模糊系統(tǒng)的邏輯推理功能融入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，能夠有效的提高神經(jīng)網(wǎng)絡(luò)系統(tǒng)的邏輯推理能力。

篇2

由于人體與疾病的復(fù)雜性，不可預(yù)測性，非常適合人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。目前的研究幾乎涉及從基礎(chǔ)醫(yī)學(xué)到臨床醫(yī)學(xué)的所有方面，主要應(yīng)用于生物信號(hào)的檢測與自動(dòng)分析，醫(yī)學(xué)專家系統(tǒng)等。

在麻醉與危重醫(yī)學(xué)相關(guān)領(lǐng)域的研究涉及到多生理變量的分析與預(yù)測，從臨床數(shù)據(jù)中發(fā)現(xiàn)一些尚未發(fā)現(xiàn)或尚無確切證據(jù)的關(guān)系與現(xiàn)象，信號(hào)處理，干擾信號(hào)的自動(dòng)區(qū)分檢測，各種臨床狀況的預(yù)測，單獨(dú)或結(jié)合其他人工智能技術(shù)進(jìn)行麻醉閉環(huán)控制等。

在圍術(shù)期和重癥監(jiān)護(hù)與治療階段，需要獲取大量的信息，將可能在信號(hào)處理、基于動(dòng)態(tài)數(shù)據(jù)驅(qū)動(dòng)的輔助決策專家系統(tǒng)、數(shù)據(jù)挖掘、各種臨床狀況的預(yù)測、智能化床旁監(jiān)護(hù)、遠(yuǎn)程醫(yī)療與教學(xué)、醫(yī)療機(jī)器人等各方面廣泛運(yùn)用到人工神經(jīng)網(wǎng)絡(luò)技術(shù)和其他人工智能技術(shù)。

一、概述

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是人工智能(Artificial Intelligence， AI)學(xué)科的重要分支。經(jīng)過50多年的發(fā)展，已成為一門應(yīng)用廣泛，涉及神經(jīng)生理學(xué)、認(rèn)識(shí)科學(xué)、數(shù)理科學(xué)、心理學(xué)、信息科學(xué)、計(jì)算機(jī)科學(xué)、微電子學(xué)等多學(xué)科交叉、綜合的前沿學(xué)科。

現(xiàn)代計(jì)算機(jī)的計(jì)算構(gòu)成單元的速度為納秒級(jí)，人腦中單個(gè)神經(jīng)細(xì)胞的反應(yīng)時(shí)間為毫秒級(jí)，計(jì)算機(jī)的運(yùn)算能力為人腦的幾百萬倍?？墒?，迄今為止，計(jì)算機(jī)在解決一些人可以輕而易舉完成的簡單任務(wù)時(shí)，例如視覺、聽覺、嗅覺，或如人臉識(shí)別、騎自行車、打球等涉及聯(lián)想或經(jīng)驗(yàn)的問題時(shí)卻十分遲鈍。也不具備人腦的記憶與聯(lián)想能力，學(xué)習(xí)與認(rèn)知能力，信息的邏輯和非邏輯加工能力，信息綜合判斷能力，快速的高度復(fù)雜信息處理速度等。

造成這種問題的根本原因在于，計(jì)算機(jī)與人腦采取的信息處理機(jī)制完全不同。迄今為止的各代計(jì)算機(jī)都是基于馮*紐曼工作原理：其信息存儲(chǔ)與處理是分開的；處理的信息必須是形式化信息，即用二進(jìn)制編碼定義；而信息處理的方式必須是串行的。這就決定了它只擅長于數(shù)值和邏輯運(yùn)算。而構(gòu)成腦組織的基本單元是神經(jīng)元，每個(gè)神經(jīng)元有數(shù)以千計(jì)的通道同其他神經(jīng)元廣泛相互連接，形成復(fù)雜的生物神經(jīng)網(wǎng)絡(luò)。生物神經(jīng)網(wǎng)絡(luò)以神經(jīng)元為基本信息處理單元， 對(duì)信息進(jìn)行分布式存儲(chǔ)與加工， 這種信息加工與存儲(chǔ)相結(jié)合的群體協(xié)同工作方式使得人腦呈現(xiàn)出目前計(jì)算機(jī)無法模擬的神奇智能。

人工神經(jīng)網(wǎng)絡(luò)就是在對(duì)人腦神經(jīng)網(wǎng)絡(luò)的基本研究的基礎(chǔ)上，采用數(shù)理方法和信息處理的角度對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，并建立的某種簡化模型。一個(gè)人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元節(jié)點(diǎn)互連而成的復(fù)雜網(wǎng)絡(luò)，用以模擬人類進(jìn)行知識(shí)的表示與存儲(chǔ)以及利用知識(shí)進(jìn)行推理的行為。一個(gè)基于人工神經(jīng)網(wǎng)絡(luò)的智能系統(tǒng)是通過學(xué)習(xí)獲取知識(shí)后建立的，它通過對(duì)大量實(shí)例的反復(fù)學(xué)習(xí)，由內(nèi)部自適應(yīng)機(jī)制使神經(jīng)網(wǎng)絡(luò)的互連結(jié)構(gòu)及各連接權(quán)值穩(wěn)定分布，這就表示了經(jīng)過學(xué)習(xí)獲得的知識(shí)。

人工神經(jīng)網(wǎng)絡(luò)是一種非線性的處理單元。只有當(dāng)神經(jīng)元對(duì)所有的輸入信號(hào)的綜合處理結(jié)果超過某一門限值后才輸出一個(gè)信號(hào)。因此神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力學(xué)系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計(jì)算機(jī)的局限，標(biāo)志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。

近20年來，神經(jīng)網(wǎng)絡(luò)的軟件模擬得到了廣泛研究和應(yīng)用，發(fā)展速度驚人。1987年在圣地亞哥召開了首屆國際神經(jīng)網(wǎng)絡(luò)大會(huì)，國際神經(jīng)網(wǎng)絡(luò)聯(lián)合會(huì)(INNS)宣告成立。這標(biāo)志著世界范圍內(nèi)掀起神經(jīng)網(wǎng)絡(luò)開發(fā)研究熱潮的開始。

二、醫(yī)學(xué)領(lǐng)域應(yīng)用現(xiàn)狀與前景

由于人體與疾病的復(fù)雜性，不可預(yù)測性，在生物信號(hào)與信息的表現(xiàn)形式、變化規(guī)律（自身變化與醫(yī)學(xué)干預(yù)后變化），對(duì)其檢測與信號(hào)表達(dá)，獲取的數(shù)據(jù)及信息的分析、決策等諸多方面均存在大量復(fù)雜的非線性關(guān)系，非常適合人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。目前的研究幾乎涉及從基礎(chǔ)醫(yī)學(xué)到臨床醫(yī)學(xué)的所有方面，主要應(yīng)用于生物信號(hào)的檢測與自動(dòng)分析，醫(yī)學(xué)專家系統(tǒng)等。

1、信號(hào)處理：

在生物醫(yī)學(xué)信號(hào)的檢測和分析處理中主要集中對(duì)心電、腦電、肌電、胃腸電等信號(hào)的識(shí)別，腦電信號(hào)的分析，聽覺誘發(fā)電位信號(hào)的提取，醫(yī)學(xué)圖像的識(shí)別和數(shù)據(jù)壓縮處理等。

2、醫(yī)學(xué)專家系統(tǒng)

醫(yī)學(xué)專家系統(tǒng)就是運(yùn)用專家系統(tǒng)的設(shè)計(jì)原理與方法， 模擬醫(yī)學(xué)專家診斷、治療疾病的思維過程編制的計(jì)算機(jī)程序， 它可以幫助醫(yī)生解決復(fù)雜的醫(yī)學(xué)問題， 作為醫(yī)生診斷、治療的輔助工具。 “傳統(tǒng)”的專家系統(tǒng)，通過把專家的經(jīng)驗(yàn)和知識(shí)以規(guī)則的形式存入計(jì)算機(jī)中，建立知識(shí)庫，用邏輯推理的方式進(jìn)行醫(yī)療診斷。但一些疑難病癥的復(fù)雜形式使其很難用一些規(guī)則來描述，甚至難以用簡單的語言來表達(dá)；專家們常常難以精確分析自己的智能診斷過程。另一方面，基于規(guī)則的專家系統(tǒng)，隨著數(shù)據(jù)庫規(guī)模的增大，可能導(dǎo)致組合爆炸，推理效率很低。由于人工神經(jīng)網(wǎng)絡(luò)能夠解決知識(shí)獲取途徑中出現(xiàn)的“瓶頸”現(xiàn)象、知識(shí)“組合爆炸”問題以及提高知識(shí)的推理能力和自組織、自學(xué)習(xí)能力等等， 從而加速了神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)專家系統(tǒng)中的應(yīng)用和發(fā)展。

Sordo比較了采用不同網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)在診斷胎兒唐氏綜合征(Down’s Syndrome) 上的成績。正確分類率為84 %， 超過了現(xiàn)今所用的統(tǒng)計(jì)方法的60 %～70 % 的分類率。

臺(tái)灣DEU科技（德亞科技）開發(fā)的計(jì)算機(jī)輔助檢測系統(tǒng)Rapid ScreenTM RS-2000為全世界最先通過美國FDA認(rèn)證的早期肺癌輔助診測系統(tǒng)。該產(chǎn)品采用人工智能神經(jīng)網(wǎng)絡(luò)ANN，自動(dòng)標(biāo)識(shí)數(shù)字胸片中可疑結(jié)節(jié)區(qū)。經(jīng)臺(tái)灣和美國的臨床實(shí)驗(yàn)，可使放射專家檢測T1期肺癌的能力明顯提高(潛在提升約15 %以上)。

DeGroff等使用電子聽診器和人工神經(jīng)網(wǎng)絡(luò)制造了一種儀器，它可正確地區(qū)分兒童生理性和病理性雜音。用電子聽診器記錄的兒童心音，輸入能識(shí)別復(fù)雜參數(shù)的ANN，分析的敏感性和特異性均達(dá)100%。

3、其他：

生物信息學(xué)中的研究中可應(yīng)用于基因組序列分析、蛋白質(zhì)的結(jié)構(gòu)預(yù)測和分類、網(wǎng)絡(luò)智能查詢等方面。

藥學(xué)領(lǐng)域廣泛應(yīng)用于定量藥物設(shè)計(jì)、藥物分析、藥動(dòng)/藥效學(xué)等方面。例如：用于預(yù)測藥物效應(yīng)。Veng-Pederson用神經(jīng)網(wǎng)絡(luò)預(yù)測阿芬太尼對(duì)兔心率的影響，對(duì)用藥后180-300分鐘的藥物效應(yīng)取得了較好的預(yù)測結(jié)果（平均相對(duì)預(yù)測準(zhǔn)確度達(dá)78%）。分析群體藥動(dòng)學(xué)數(shù)據(jù)，以獲知群體藥動(dòng)學(xué)特征和不同人口統(tǒng)計(jì)因子對(duì)藥物行為的影響，對(duì)臨床用藥具有指導(dǎo)意義。

4、麻醉與危重醫(yī)學(xué)相關(guān)領(lǐng)域的研究

手術(shù)室和ICU內(nèi)是病人信息富集的地方，而且大量的信息處在動(dòng)態(tài)變化中，隨著醫(yī)學(xué)技術(shù)的飛速進(jìn)步，所能獲取的信息越來越多，醫(yī)護(hù)人員面臨著“信息轟炸”。神經(jīng)網(wǎng)絡(luò)技術(shù)可以很好地幫助我們應(yīng)對(duì)這些問題。例如：

1）可以用于分析多個(gè)生理變量之間的關(guān)系，幫助研究其內(nèi)在的關(guān)系，或預(yù)測一些變量之間的關(guān)系：Perchiazzi在肺損傷和正常的豬容量控制機(jī)械通氣中，用ANN估計(jì)肺順應(yīng)性的變化，不需要中斷呼吸，與標(biāo)準(zhǔn)方法相比誤差很小。

2）結(jié)合數(shù)據(jù)挖掘技術(shù)，可能從海量數(shù)據(jù)庫例如電子病歷系統(tǒng)中，發(fā)現(xiàn)一些尚未發(fā)現(xiàn)或尚無確切證據(jù)的關(guān)系與現(xiàn)象：Buchman 研究了神經(jīng)網(wǎng)絡(luò)和多元線形回歸兩種方法，用病人的基本資料、藥物治療差異和生理指標(biāo)的變化預(yù)測在ICU延遲（>7天）。

3）信號(hào)處理：Ortolani等利用EEG的13個(gè)參數(shù)輸入ANN，自行設(shè)計(jì)的麻醉深度指數(shù)NED0-100作為輸出，比較NED與BIS之間有很好的相關(guān)性；

4）干擾信號(hào)的自動(dòng)區(qū)分檢測：Jeleazcov C等利用BP神經(jīng)網(wǎng)絡(luò)區(qū)分麻醉中和后檢測到的EEG信號(hào)中的假信號(hào)，是傳統(tǒng)EEG噪音檢測方法的1.39-1.89倍。

5）各種臨床狀況的預(yù)測：Laffey用ANN預(yù)測肌肉松弛藥的殘留，發(fā)現(xiàn)明顯優(yōu)于醫(yī)生的評(píng)估，還有用于預(yù)測propfol劑量個(gè)體差異的，預(yù)測術(shù)后惡心、嘔吐，預(yù)測全麻后PACU停留時(shí)間，預(yù)測ICU死亡率等較多的研究。

篇3

關(guān)鍵詞:電力系統(tǒng);自動(dòng)化控制;智能技術(shù);應(yīng)用

智能技術(shù)是伴隨著科技的進(jìn)步與信息技術(shù)的發(fā)展而產(chǎn)生的一種高度自動(dòng)化的技術(shù)手段，智能技術(shù)在電力系統(tǒng)自動(dòng)化控制中的應(yīng)用，改變了傳統(tǒng)的電力系統(tǒng)以人力管理和控制為主的運(yùn)行模式，實(shí)現(xiàn)了電力系統(tǒng)的智能化發(fā)電、智能化用電、智能化交易及智能化電力調(diào)度等功能，為電力系統(tǒng)的高效運(yùn)用管理奠定了基礎(chǔ)。

一、人工智能神經(jīng)網(wǎng)絡(luò)在電力自動(dòng)化控制系統(tǒng)中的應(yīng)用

電力系統(tǒng)自動(dòng)化控制中的人工智能神經(jīng)網(wǎng)絡(luò)，是一個(gè)可以進(jìn)行電力系統(tǒng)數(shù)據(jù)信息處理的數(shù)學(xué)模型，人工智能神經(jīng)網(wǎng)絡(luò)的構(gòu)造形式與人類的大腦中的神經(jīng)網(wǎng)絡(luò)有很多的相似之處，這種神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，在復(fù)雜的自動(dòng)化控制系統(tǒng)當(dāng)中可以發(fā)揮十分巨大的作用。像電力系統(tǒng)、通信系統(tǒng)、航空系統(tǒng)等自動(dòng)化控制體系較為龐大且復(fù)雜的系統(tǒng)的建設(shè)，都可以將人工智能神經(jīng)網(wǎng)絡(luò)納入到系統(tǒng)中來，從而實(shí)現(xiàn)對(duì)復(fù)雜系統(tǒng)的智能化管理與控制。目前，人工智能神經(jīng)網(wǎng)絡(luò)技術(shù)在我國的發(fā)展還處于研究和初步應(yīng)用的階段，在電力系統(tǒng)自動(dòng)化控制中的人工智能神經(jīng)網(wǎng)絡(luò)，目前已經(jīng)可以實(shí)現(xiàn)電路故障的智能化處理和控制的能力，它利用人工智能神經(jīng)網(wǎng)絡(luò)中的各個(gè)神經(jīng)元來模擬電力系統(tǒng)不同的節(jié)點(diǎn)，通過將這些神經(jīng)元進(jìn)行連接，構(gòu)建了完整的電力系統(tǒng)神經(jīng)網(wǎng)，對(duì)各個(gè)電路在運(yùn)行中產(chǎn)生的數(shù)據(jù)、圖像等進(jìn)行自動(dòng)的抓取和分析，幫助電力自動(dòng)化系統(tǒng)優(yōu)化輸電方案，降低電力損耗，提升供電能力［1］。

二、模糊控制在電力自動(dòng)化控制系統(tǒng)中的應(yīng)用

模糊控制是一種基于模糊數(shù)學(xué)理論的電力自動(dòng)化控制技術(shù)，在電力自動(dòng)化系統(tǒng)的日常運(yùn)行當(dāng)中，其產(chǎn)生的數(shù)據(jù)變大是非常巨大的，這些變量的數(shù)據(jù)給描述和管理電力自動(dòng)化控制系統(tǒng)的運(yùn)行帶來了較大的難度，造成了在重要信息獲取、故障診斷、自動(dòng)監(jiān)控與數(shù)據(jù)分析等方面的一系列困難。而借助模糊控制的算法，可以通過模糊數(shù)學(xué)的思想將電力自動(dòng)化系統(tǒng)中的動(dòng)態(tài)數(shù)據(jù)進(jìn)行簡化，從而達(dá)到良好的控制效果。目前，模糊控制算法在電力系統(tǒng)化系統(tǒng)中的應(yīng)用，有效簡化了自動(dòng)化系統(tǒng)的設(shè)計(jì)和管理難度，其不需通過精確的數(shù)學(xué)算法對(duì)電力系統(tǒng)的運(yùn)行進(jìn)行管理，而是借助模糊控制和綜合的數(shù)據(jù)分析來計(jì)算系統(tǒng)中各個(gè)變量存在的相互關(guān)系，且利用模糊控制器實(shí)現(xiàn)良好的控制效果。

三、專家系統(tǒng)在電力自動(dòng)化控制系統(tǒng)中的應(yīng)用

所謂專家系統(tǒng)，是電力自動(dòng)化控制系統(tǒng)中的一種智能化的計(jì)算機(jī)程序，在這個(gè)程序當(dāng)中，儲(chǔ)存著關(guān)于電力系統(tǒng)相關(guān)領(lǐng)域的大量研究和數(shù)據(jù)，可以借助這個(gè)程序?qū)﹄娏ο到y(tǒng)的運(yùn)行進(jìn)行自動(dòng)的診斷，并幫助電力企業(yè)解決提供具體的解決問題的方法。在具體程序使用當(dāng)中，專家系統(tǒng)可以實(shí)現(xiàn)對(duì)電力自動(dòng)化控制系統(tǒng)的運(yùn)行狀態(tài)的自動(dòng)切換、運(yùn)行模式的調(diào)試、運(yùn)行故障的保護(hù)和排查等工作，從而實(shí)現(xiàn)自動(dòng)化和智能化的系統(tǒng)管理［2］。例如，當(dāng)電力自動(dòng)化控制系統(tǒng)在運(yùn)行過程中發(fā)生突發(fā)的送電事故時(shí)，專家系統(tǒng)會(huì)根據(jù)報(bào)警進(jìn)行具體故障位置的定位，并分析故障的具體情況和發(fā)生的原因，而后進(jìn)行自動(dòng)的故障隔離和處理，以提升電力系統(tǒng)故障排查和維護(hù)的效率。

四、集成智能控制在電力自動(dòng)化控制系統(tǒng)中的應(yīng)用

對(duì)電力自動(dòng)化控制系統(tǒng)這種復(fù)雜而龐大的系統(tǒng)而言，單獨(dú)的控制系統(tǒng)或人工智能技術(shù)手段所能夠涉及的領(lǐng)域和產(chǎn)生的作用都是比較有限的，但是如果可以通過集成智能控制系統(tǒng)來將各個(gè)獨(dú)立的技術(shù)進(jìn)行整合和集成化的控制，就會(huì)實(shí)現(xiàn)人工智能的全面應(yīng)用，實(shí)現(xiàn)真正的智能化控制。在電力自動(dòng)化控制系統(tǒng)當(dāng)中，電力自動(dòng)化、智能控制、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)系統(tǒng)等程序的集成，可以共同實(shí)現(xiàn)對(duì)電力系統(tǒng)的自動(dòng)化控制，提升其運(yùn)行管理能力，實(shí)現(xiàn)真正的自動(dòng)化控制與管理。

五、線性控制在電力自動(dòng)化控制系統(tǒng)中的應(yīng)用

線形控制是目前比較先進(jìn)的人工智能技術(shù)之一，也是電力自動(dòng)化系統(tǒng)中正在積極研發(fā)和應(yīng)用的一種新型控制系統(tǒng)，線形控制系統(tǒng)在電力自動(dòng)化控制系統(tǒng)中的應(yīng)用，在長距離輸電管理當(dāng)中可以發(fā)揮十分巨大的優(yōu)勢，其通過線形控制的形式實(shí)現(xiàn)了勵(lì)磁控制，提升了遠(yuǎn)距離輸電的能力，同時(shí)保障了遠(yuǎn)距離輸電的穩(wěn)定性和電能的質(zhì)量。

篇4

關(guān)鍵詞 電力系統(tǒng)自動(dòng)化；智能技術(shù)；監(jiān)控系統(tǒng)

中圖分類號(hào)TM7 文獻(xiàn)標(biāo)識(shí)碼A 文章編號(hào) 1674-6708（2012）64-0160-01

電力系統(tǒng)分布地域廣闊，而且大部分元件具有延遲、磁滯、飽和等復(fù)雜的地理特性，要對(duì)這樣大型的系統(tǒng)實(shí)現(xiàn)有效控制是極其困難的。而且電力系統(tǒng)在不斷增大，人們對(duì)電力系統(tǒng)的控制有了越來越高的要求。智能技術(shù)是通過先進(jìn)的傳感和測量技術(shù)、先進(jìn)的設(shè)備、先進(jìn)的控制方法，以及先進(jìn)的決策支持系統(tǒng)，實(shí)現(xiàn)電力系統(tǒng)可靠、安全、經(jīng)濟(jì)、高效和使用安全的目標(biāo)。它在電力系統(tǒng)自動(dòng)化控制中應(yīng)用得越來越廣泛。本文就針對(duì)五種典型的智能技術(shù)進(jìn)行了探討。

1 智能化監(jiān)控系統(tǒng)

對(duì)于電力系統(tǒng)，實(shí)時(shí)監(jiān)控是及時(shí)有效發(fā)現(xiàn)問題的重要手段。特別是隨著計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)和工控技術(shù)的不斷提高，對(duì)電力監(jiān)控系統(tǒng)智能化的要求也越來越高。智能監(jiān)控系統(tǒng)采用圖形化用戶界面，有數(shù)字化的監(jiān)控界面，也有實(shí)時(shí)趨勢顯示、柱狀圖顯示、表盤式數(shù)據(jù)顯示、位圖動(dòng)畫等直觀顯示，還有實(shí)時(shí)報(bào)警、圖形界面遙控、遙控閉鎖、置數(shù)、遙調(diào)等功能。不僅提高了工作效率，節(jié)省了人力成本，更重要的是切實(shí)提高了生產(chǎn)的安全可靠性，使科技手段為電力系統(tǒng)的安全管理提供了強(qiáng)有力的保障。

實(shí)施智能化監(jiān)控系統(tǒng)，要根據(jù)實(shí)際要求定制系統(tǒng)結(jié)構(gòu)。比如，要考慮高壓進(jìn)線、母聯(lián)和饋線部分；低壓變壓器進(jìn)線、聯(lián)絡(luò)回路部分；低壓的電容補(bǔ)償、電源切換等回路部分，饋線部分等。具體施工時(shí)可考慮采用分層分布式結(jié)構(gòu)。如分為現(xiàn)場監(jiān)控層、通訊管理層和主控層。實(shí)現(xiàn)的功能有監(jiān)測變壓器溫度；發(fā)電機(jī)全電量的測量及轉(zhuǎn)速、油溫、油量等發(fā)電機(jī)狀況監(jiān)測；采集斷路器開關(guān)量、繼電保護(hù)跳閘信號(hào)、異常報(bào)警信號(hào)和非電量等遙信量信號(hào)；諧波分析、故障錄波及事故追憶功能；自動(dòng)調(diào)峰控制，電力需求的控制，設(shè)備的開合次數(shù)統(tǒng)計(jì)及損耗狀態(tài)的監(jiān)視等。

2 在故障診斷中的人工智能技術(shù)

電力系統(tǒng)的故障診斷傳統(tǒng)上是根據(jù)某些設(shè)備和裝置在故障過程中出現(xiàn)的一系列數(shù)字的狀態(tài)信息進(jìn)行分析，然后推理得出故障原因和故障發(fā)生的元件，并預(yù)測故障惡化的趨勢。近幾十年來，國內(nèi)外將人工智能技術(shù)用于電力系統(tǒng)已取得了有效的實(shí)際效果。常用的人工智能技術(shù)有ES、ANN、FST、GA及Petri網(wǎng)絡(luò)技術(shù)等。

ES是比較成熟的一種人工智能技術(shù)，它不融合了書本相關(guān)的理論知識(shí)，還可總結(jié)專家的經(jīng)驗(yàn)知識(shí)來解決問題，是與知識(shí)工程研究緊密聯(lián)系在一起的。它一直在改進(jìn)知識(shí)獲取和構(gòu)造，使知識(shí)獲取和知識(shí)表達(dá)工作簡化，提高故障診斷的推理效率。基于ANN原理的故障診斷系統(tǒng)最大的特點(diǎn)是不需要為專業(yè)知識(shí)與專家啟發(fā)性的知識(shí)轉(zhuǎn)化、知識(shí)形成、知識(shí)表達(dá)方式和知識(shí)庫構(gòu)造進(jìn)行大量的工作，而只需以領(lǐng)域?qū)＜宜峁┑拇罅抗收蠈?shí)例，自我學(xué)習(xí)、自我組織，形成故障診斷樣本集，在故障定位和故障類型識(shí)別等方面用處很大。FST故障診斷原理是采用模糊隸屬度來對(duì)故障與對(duì)應(yīng)的動(dòng)作保護(hù)裝置和斷路器狀態(tài)之間的可能性進(jìn)行描述的度量?；贕A和Petri的故障診斷技術(shù)都各有優(yōu)勢和存在一些問題。

3 模糊邏輯控制技術(shù)

模糊邏輯控制是模擬人的模糊思維方法，用比較簡單的數(shù)學(xué)形式直接將人的判斷、思維過程表達(dá)出來，用計(jì)算機(jī)實(shí)現(xiàn)與操作者相同的控制。

模糊控制技術(shù)應(yīng)用于電子技術(shù)的各個(gè)方面，使人容易操作和掌握。相較于建立常規(guī)的數(shù)學(xué)模型，建立模糊關(guān)系模型非常簡易，在實(shí)踐中有巨大的優(yōu)越性。模糊控制通過已經(jīng)存在的控制規(guī)則和數(shù)據(jù)，對(duì)模糊輸入量進(jìn)行推導(dǎo)，從而得到模糊控制輸出，進(jìn)入實(shí)時(shí)控制。這種模擬人腦的智能技術(shù)的優(yōu)勢主要體現(xiàn)在以下幾個(gè)方面：能有效處理具有不確定性、不精確性的問題和由于噪聲造成的問題；通過模糊知識(shí)的語言變量表達(dá)專家的經(jīng)驗(yàn)，與人的表達(dá)方式接近，知識(shí)的抽取和表達(dá)更容易完成。如果電力系統(tǒng)出現(xiàn)故障，通過應(yīng)用模糊理論，也能夠及時(shí)進(jìn)行應(yīng)對(duì)并給出解決辦法。

4 人工神經(jīng)網(wǎng)絡(luò)控制技術(shù)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為ANNs）是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)由大量神經(jīng)元連接而成。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系。人工神經(jīng)網(wǎng)絡(luò)在智能電網(wǎng)中的優(yōu)勢主要表現(xiàn)在3個(gè)方面：

1）具有自學(xué)習(xí)功能。通過用不同的實(shí)時(shí)運(yùn)行數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)就會(huì)通過自學(xué)習(xí)功能，慢慢學(xué)會(huì)識(shí)別電力系統(tǒng)的運(yùn)行情況，從而為人類快速判定問題提供依據(jù)；2）具有聯(lián)想存儲(chǔ)功能。用人工神經(jīng)網(wǎng)絡(luò)的反饋網(wǎng)絡(luò)就可以實(shí)現(xiàn)這種聯(lián)想；3）具有高速尋找優(yōu)化解的能力。尋找一個(gè)復(fù)雜問題的優(yōu)化解，往往有很大的計(jì)算量。利用一個(gè)針對(duì)某問題而設(shè)計(jì)的反饋型人工神經(jīng)網(wǎng)絡(luò)，發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，可能很快找到優(yōu)化解。

5 綜合智能控制技術(shù)

綜合智能控制包含了智能控制與現(xiàn)代控制方法的結(jié)合，也包含各種智能控制方法之間的組合。在電力系統(tǒng)中研究得較多的綜合智能控制有神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合。

神經(jīng)網(wǎng)絡(luò)適合處理非結(jié)構(gòu)化信息，而模糊系統(tǒng)更適于處理結(jié)構(gòu)化的知識(shí)。人工神經(jīng)網(wǎng)絡(luò)控制主要應(yīng)用于低層的計(jì)算方法，把感知器傳來的大量數(shù)據(jù)進(jìn)行安排和解釋，模糊邏輯控制則提供應(yīng)用和挖掘潛力的框架，用來處理非統(tǒng)計(jì)性的高層次的推理。所以，人工神經(jīng)網(wǎng)絡(luò)控制和模糊邏輯控制這兩種技術(shù)正好起互補(bǔ)作用，相結(jié)合可以相得益彰，有良好的技術(shù)基礎(chǔ)。

6 結(jié)論

電力系統(tǒng)是一個(gè)巨維數(shù)的動(dòng)態(tài)大系數(shù)，具有強(qiáng)非線性、時(shí)變性且參數(shù)不可確知，并含有大量未建模動(dòng)態(tài)部分的特征。智能技術(shù)能有效地組織相關(guān)電力系統(tǒng)規(guī)劃的大量知識(shí)，進(jìn)行選優(yōu)運(yùn)算，從而得出優(yōu)化的決策，它的使用將對(duì)電力系統(tǒng)的智能化起到積極的促進(jìn)作用，對(duì)電力系統(tǒng)的穩(wěn)定性、安全性和經(jīng)濟(jì)性起重要的作用。

參考文獻(xiàn)

篇5

關(guān)鍵詞 機(jī)械電子工程；人工智能；信息處理

中圖分類號(hào)TP391 文獻(xiàn)標(biāo)識(shí)碼A 文章編號(hào) 1674-6708（2012）58-0114-02

0 引言

傳統(tǒng)的機(jī)械工程一般分為兩大類，包括動(dòng)力和制造。制造類工程包括機(jī)械加工、毛坯制造和裝配等生產(chǎn)過程，而動(dòng)力類工程包括各式發(fā)電機(jī)。電子工程與傳統(tǒng)的機(jī)械工程相比來言是較新的學(xué)科，兩者于上世紀(jì)逐漸結(jié)合在一起。最初，電子工程與機(jī)械工程是以塊與塊的分離模式或功能替代的模式相結(jié)合，隨著科學(xué)技術(shù)的不斷向前推動(dòng)，傳統(tǒng)的機(jī)械工程與現(xiàn)代的電子工程通過信息技術(shù)有機(jī)的結(jié)合起來，形成了現(xiàn)在的機(jī)械電子工程學(xué)科。隨著人工智能技術(shù)的不斷發(fā)展，機(jī)械電子工程由傳統(tǒng)的能量連接、動(dòng)能連接逐步發(fā)展為信息連接，使得機(jī)械電子工程具有了一定的人工智能。傳統(tǒng)的機(jī)械電子工程通過現(xiàn)代的科學(xué)技術(shù)進(jìn)入到一個(gè)新的發(fā)展領(lǐng)域，同時(shí)，人工智能技術(shù)伴隨著機(jī)械電子工程的日益復(fù)雜，也得到了長足的發(fā)展。

1 機(jī)械電子工程

1.1 機(jī)械電子工程的發(fā)展史

20世紀(jì)是科學(xué)發(fā)展最輝煌的時(shí)期，各類學(xué)科相互滲透、相輔相成，機(jī)械電子工程學(xué)科也在這一時(shí)期應(yīng)運(yùn)而生，它是由機(jī)械工程與電子工程、信息工程、智能技術(shù)、管理技術(shù)相結(jié)合而成的新的理論體系和發(fā)展領(lǐng)域。隨著科學(xué)技術(shù)的不斷發(fā)展，機(jī)械電子工程也變的日益復(fù)雜。

機(jī)械電子工程的發(fā)展可以分為3個(gè)階段：第一階段是以手工加工為主要生產(chǎn)力的萌芽階段，這一時(shí)期生產(chǎn)力低下，人力資源的匱乏嚴(yán)重制約了生產(chǎn)力的發(fā)展，科學(xué)家們不得不窮極思變，引導(dǎo)了機(jī)械工業(yè)的發(fā)展。第二階段則是以流水線生產(chǎn)為標(biāo)志的標(biāo)準(zhǔn)件生產(chǎn)階段，這種生產(chǎn)模式極大程度上提高了生產(chǎn)力，大批量的生產(chǎn)開始涌現(xiàn)，但是由于對(duì)標(biāo)準(zhǔn)件的要求較高，導(dǎo)致生產(chǎn)缺乏靈活性，不能適應(yīng)不斷變化的社會(huì)需求。第三階段就是現(xiàn)在我們常見的現(xiàn)代機(jī)械電子產(chǎn)業(yè)階段，現(xiàn)代社會(huì)生活節(jié)奏快，亟需靈活性強(qiáng)、適應(yīng)性強(qiáng)、轉(zhuǎn)產(chǎn)周期短、產(chǎn)品質(zhì)量高的高科技生產(chǎn)方式，而以機(jī)械電子工程為核心的柔性制造系統(tǒng)正是這一階段的產(chǎn)物。柔性制造系統(tǒng)由加工、物流、信息流三大系統(tǒng)組合而成，可以在加工自動(dòng)化的基礎(chǔ)之上實(shí)現(xiàn)物料流和信息流的自動(dòng)化。

1.2 機(jī)械電子工程的特點(diǎn)

機(jī)械電子工程是機(jī)械工程與電子技術(shù)的有效結(jié)合，兩者之間不僅有物理上的動(dòng)力連結(jié)，還有功能上的信息連結(jié)，并且還包含了能夠智能化的處理所有機(jī)械電子信息的計(jì)算機(jī)系統(tǒng)。機(jī)械電子工程與傳統(tǒng)的機(jī)械工程相比具有其獨(dú)特的特點(diǎn)：

1）設(shè)計(jì)上的不同。機(jī)械電子工程并非是一門獨(dú)立學(xué)科，而是一種包含有各類學(xué)科精華的綜合性學(xué)科。在設(shè)計(jì)時(shí)，以機(jī)械工程、電子工程和計(jì)算機(jī)技術(shù)為核心的機(jī)械電子工程會(huì)依據(jù)系統(tǒng)配置和目標(biāo)的不同結(jié)合其他技術(shù)，如：管理技術(shù)、生產(chǎn)加工技術(shù)、制造技術(shù)等。工程師在設(shè)計(jì)時(shí)將利用自頂向下的策略使得各模塊緊密結(jié)合，以完成設(shè)計(jì)；2）產(chǎn)品特征不同。機(jī)械電子產(chǎn)品的結(jié)構(gòu)相對(duì)簡單，沒有過多的運(yùn)動(dòng)部件或元件。它的內(nèi)部結(jié)構(gòu)極為復(fù)雜，但卻縮小了物理體積，拋棄了傳統(tǒng)的笨重型機(jī)械面貌，但卻提高了產(chǎn)品性能。

機(jī)械電子工程的未來屬于那些懂得運(yùn)用各種先進(jìn)的科學(xué)技術(shù)優(yōu)化機(jī)械工程與電子技術(shù)之間聯(lián)系的人，在實(shí)際應(yīng)用當(dāng)中，優(yōu)化兩者之間的聯(lián)系代表了生產(chǎn)力的革新，人工智能的發(fā)展使得這一想法變成可能。

2 人工智能

2.1 人工智能的定義

人工智能是一門綜合了控制論、信息論、計(jì)算機(jī)科學(xué)、神經(jīng)生理學(xué)、心理學(xué)、語言學(xué)、哲學(xué)等多門學(xué)科的交叉學(xué)科，是21世紀(jì)最偉大的三大學(xué)科之一。尼爾遜教授將人工智能定義為：人工智能是關(guān)于怎樣表示知識(shí)和怎樣獲得知識(shí)并使用知識(shí)的科學(xué)。溫斯頓教授則認(rèn)為：人工智能就是研究如何使計(jì)算機(jī)去做過去只有人才能做的智能工作。至今為止，人工智能仍沒有一個(gè)統(tǒng)一的定義，筆者認(rèn)為，人工智能是研究通過計(jì)算機(jī)延伸、擴(kuò)展、模擬人的智能的一門科學(xué)技術(shù)。

2.2 人工智能的發(fā)展史

2.2.1 萌芽階段

17世紀(jì)的法國科學(xué)家B.Pascal發(fā)明了世界上第一部能進(jìn)行機(jī)械加法的計(jì)算器轟動(dòng)世界，從此之后，世界各國的科學(xué)家們開始熱衷于完善這一計(jì)算器，直到馮諾依曼發(fā)明第一臺(tái)計(jì)算機(jī)。人工智能在這一時(shí)期發(fā)展緩慢，但是卻積累了豐富的實(shí)踐經(jīng)驗(yàn)，為下一階段的發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。

2.2.2 第一個(gè)發(fā)展階段

在1956年舉辦的“侃談會(huì)”上，美國人第一次使用了“人工智能”這一術(shù)語，從而引領(lǐng)了人工智能第一個(gè)興旺發(fā)展時(shí)期。這一階段的人工智能主要以翻譯、證明、博弈等為主要研究任務(wù)，取得了一系列的科技成就，LISP語言就是這一階段的佼佼者。人工智能在這一階段的飛速發(fā)展使人們相信只要通過科學(xué)研究就可以總結(jié)人類的邏輯思維方式并創(chuàng)造一個(gè)萬能的機(jī)器進(jìn)行模仿。

2.2.3 挫折階段

60年代中至70年代初期，當(dāng)人們深入研究人工智能的工作機(jī)理后卻發(fā)現(xiàn)，用機(jī)器模仿人類的思維是一件非常困難的事，許多科學(xué)發(fā)現(xiàn)并未逃離出簡單映射的方法，更無邏輯思維可言。但是，仍有許多科學(xué)家前赴后繼的進(jìn)行著科學(xué)創(chuàng)新，在自然語言理解、計(jì)算機(jī)視覺、機(jī)器人、專家系統(tǒng)等方面取得了卓爾有效的成就。1972年，法國科學(xué)家發(fā)現(xiàn)了Prolog語言，成為繼LISP語言之后的最主要的人工智能語言。

2.2.4 第二個(gè)發(fā)展階段

以1977年第五屆國際人工智能聯(lián)合會(huì)議為轉(zhuǎn)折點(diǎn)，人工智能進(jìn)入到以知識(shí)為基礎(chǔ)的發(fā)展階段，知識(shí)工程很快滲透于人工智能的各個(gè)領(lǐng)域，并促使人工智能走向?qū)嶋H應(yīng)用。不久之后，人工智能在商業(yè)化道路上取得了卓越的成就，展示出了頑強(qiáng)的生命力與廣闊的應(yīng)用前景，在不確定推理、分布式人工智能、常識(shí)性知識(shí)表示方式等關(guān)鍵性技術(shù)問題和專家系統(tǒng)、計(jì)算機(jī)視覺、自然語言理解、智能機(jī)器人等實(shí)際應(yīng)用問題上取得了長足的發(fā)展。

2.2.5 平穩(wěn)發(fā)展階段

由于國際互聯(lián)網(wǎng)技術(shù)的普及，人工智能逐漸由單個(gè)主體向分布式主體方向發(fā)展，直到今天，人工智能已經(jīng)演變的復(fù)雜而實(shí)用，可以面向多個(gè)智能主體的多個(gè)目標(biāo)進(jìn)行求解。

3 人工智能在機(jī)械電子工程中的應(yīng)用

物質(zhì)和信息是人類社會(huì)發(fā)展的最根源的兩大因素，在人類社會(huì)初期，由于生產(chǎn)力水平低，人類社會(huì)以物質(zhì)為首要基礎(chǔ)，僅靠“結(jié)繩記事”的方法傳遞信息，但隨著社會(huì)生產(chǎn)力的不斷發(fā)展，信息的重要性不斷被人們發(fā)現(xiàn)，文字成為傳遞信息最理想的途徑，最近五十年間，網(wǎng)絡(luò)的普及給信息傳遞帶來了新的生命，人類進(jìn)入到了信息社會(huì)，而信息社會(huì)的發(fā)展離不開人工智能技術(shù)的發(fā)展。不論是模型的建立與控制，還是故障診斷，人工智能在機(jī)械電子工程當(dāng)中都起著處理信息的作用。

由于機(jī)械電子系統(tǒng)與生俱來的不穩(wěn)定性，描述機(jī)械電子系統(tǒng)的輸入與輸出關(guān)系就變得困難重重，傳統(tǒng)上的描述方法有以下幾種：1）推導(dǎo)數(shù)學(xué)方程的方法；2）建設(shè)規(guī)則庫的方法；3）學(xué)習(xí)并生成知識(shí)的方法。傳統(tǒng)的解析數(shù)學(xué)的方法嚴(yán)密、精確，但是只能適用于相對(duì)簡單的系統(tǒng)，如線性定常系統(tǒng)，對(duì)于那些復(fù)雜的系統(tǒng)由于無法給出數(shù)學(xué)解析式，就只能通過操作來完成?，F(xiàn)代社會(huì)所需求的系統(tǒng)日益復(fù)雜，經(jīng)常會(huì)同時(shí)處理幾種不同類型的信息，如傳感器所傳遞的數(shù)字信息和專家的語言信息。由于人工智能處理信息時(shí)的不確定性、復(fù)雜性，以知識(shí)為基礎(chǔ)的人工智能信息處理方式成為解析數(shù)學(xué)方式的替代手段。

通過人工智能建立的系統(tǒng)一般使用兩類方法：神經(jīng)網(wǎng)絡(luò)系統(tǒng)和模糊推理系統(tǒng)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以模擬人腦的結(jié)構(gòu)，分析數(shù)字信號(hào)并給出參考數(shù)值；而模糊推理系統(tǒng)是通過模擬人腦的功能來分析語言信號(hào)。兩者在處理輸入輸出的關(guān)系上有相同之處也有不同之處，相同之處是：兩者都通過網(wǎng)絡(luò)結(jié)構(gòu)的形式以任意精度逼近一個(gè)連續(xù)函數(shù)；不同之處是：神經(jīng)網(wǎng)絡(luò)系統(tǒng)物理意義不明確，而模糊推理系統(tǒng)有明確的物理意義；神經(jīng)網(wǎng)絡(luò)系統(tǒng)運(yùn)用點(diǎn)到點(diǎn)的映射方式，而模糊推理系統(tǒng)運(yùn)用域到域的映射方式；神經(jīng)網(wǎng)絡(luò)系統(tǒng)以分布式的方式儲(chǔ)存信息，而模糊推理系統(tǒng)則以規(guī)則的方式儲(chǔ)存信息；神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入時(shí)由于每個(gè)神經(jīng)元之間都有固定聯(lián)系，計(jì)算量大，而模糊推理系統(tǒng)由于連接不固定，計(jì)算量較??；神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入輸出時(shí)精度較高，呈光滑曲面，而模糊推理系統(tǒng)精度較低，呈臺(tái)階狀。

隨著社會(huì)的不斷發(fā)展，單純的一種人工智能方法已經(jīng)不能滿足日益增長的社會(huì)需要，許多科學(xué)家開始研究綜合性的人工智能系統(tǒng)。綜合性的人工智能系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)系統(tǒng)與模糊推理系統(tǒng)相結(jié)合的方法，取長補(bǔ)短，以獲得更全面的描述方式，模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)便是一成功范例。模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)做到了兩者功能的最大融合，使信息在網(wǎng)絡(luò)各層當(dāng)中找到一個(gè)最適合的完全表達(dá)空間。邏輯推理規(guī)則能夠?qū)υ鰪?qiáng)節(jié)點(diǎn)函數(shù)，為神經(jīng)網(wǎng)絡(luò)系統(tǒng)提供函數(shù)連結(jié)，使兩者的功能達(dá)到最大化。

4 結(jié)論

科學(xué)的不斷發(fā)展帶來的不僅是學(xué)科的高度細(xì)化、深化，而且是學(xué)科間的高度融合。人工智能就是各學(xué)科交叉與綜合之后的結(jié)果，秉承這一天性，人工智能與機(jī)械電子工程自然的進(jìn)行了完美融合，這一全新領(lǐng)域的發(fā)展必將引領(lǐng)世界潮流，促進(jìn)生產(chǎn)力的飛速發(fā)展。

參考文獻(xiàn)

[1]傅麗凌.楊平.機(jī)械專業(yè)綜合型試驗(yàn)平臺(tái)的建設(shè)[J].電子科技大學(xué)學(xué)報(bào)社科版，2005，7（增刊）.

[2]陳慶霞.人工智能研究綱領(lǐng)的發(fā)展歷程和前景[J].科技信息，2009，33.

[3]史忠植.高級(jí)人工智能[M].科學(xué)出版社，2006.

篇6

關(guān)鍵詞：智能化；信息處理技術(shù)；人工智能；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）31-0254-02

近年來，智能信息處理技術(shù)獲得了突飛猛進(jìn)的發(fā)展，該技術(shù)有機(jī)融合了控制技術(shù)、電子技術(shù)、計(jì)算機(jī)技術(shù)等多種先進(jìn)技術(shù)，能夠高效實(shí)現(xiàn)信息的采集和處理任務(wù)。開展信息的智能化處理技術(shù)研究具有非常重要的意義，能夠全方位的了解和掌握智能信息處理技術(shù)的發(fā)展及運(yùn)用狀況，并發(fā)揮該技術(shù)的優(yōu)勢和作用，為今后的研究提供依據(jù)。

1 信息的智能化處理技術(shù)的產(chǎn)生與發(fā)展

1.1信息的智能化處理技術(shù)的產(chǎn)生

早在1930年就產(chǎn)生了信息的智能化處理技術(shù)，然而因?yàn)檫\(yùn)算功能強(qiáng)大的工具，致使智能化信息處理技術(shù)的功能無法得到全面體現(xiàn)，這在一定程度上限制了信息的智能化處理技術(shù)的發(fā)展和成熟。計(jì)算機(jī)技術(shù)的廣泛應(yīng)用為信息的智能化處理技術(shù)的進(jìn)一步發(fā)展提供了堅(jiān)實(shí)的基礎(chǔ)保障，研發(fā)出多種智能信息處理產(chǎn)品，在人們的工作和生活中得到了大規(guī)模的應(yīng)用，為人們提供了極大的便利，同時(shí)也產(chǎn)生了較大的社會(huì)及經(jīng)濟(jì)效益。針對(duì)當(dāng)前醫(yī)學(xué)領(lǐng)域中的GT機(jī)而言，該機(jī)器充分運(yùn)用了智能化信息處理技術(shù)的優(yōu)勢[1]；同時(shí)美國科學(xué)家J. W.Coolev領(lǐng)導(dǎo)多位研究人員共同研制出先進(jìn)的FFT算法，極大地推動(dòng)了科學(xué)研究領(lǐng)域的創(chuàng)新發(fā)展。隨后硬件電路就借助FFT算法對(duì)智能監(jiān)測儀器進(jìn)行開發(fā)研究，推出多種自動(dòng)化和智能化程度較高的檢測設(shè)施，獲得了很大的成功[2]?？茖W(xué)技術(shù)的實(shí)時(shí)發(fā)展使信息的智能化處理技術(shù)也不斷更新，科技水平逐步提升，智能化信息處理技術(shù)在信息處理系統(tǒng)中發(fā)揮的作用越發(fā)重要。

1.2信息的智能化處理技術(shù)的發(fā)展

信息處理技術(shù)順應(yīng)著通信技術(shù)、計(jì)算機(jī)技術(shù)的發(fā)展潮流，已經(jīng)進(jìn)入到一個(gè)全新的發(fā)展階段，不僅更新了傳統(tǒng)的發(fā)展理論及方式，在研究領(lǐng)域方面也獲得了進(jìn)一步的拓展，構(gòu)建出全新的研究理論及方法。在信息處理技術(shù)最初發(fā)展階段，線性、最小相位及因果等系統(tǒng)是幾大關(guān)鍵研究內(nèi)容，在不斷的發(fā)展過程中已經(jīng)逐漸轉(zhuǎn)向非最小相位、非因果和非線性等研究領(lǐng)域，能夠結(jié)合信息的變化開展針對(duì)性的處理工作。能夠處理可靠性和穩(wěn)定性較差的信息是智能化信息處理技術(shù)最顯著的特征，能夠使其轉(zhuǎn)變?yōu)榭煽亢痛_定的信息。在智能化信息處理技術(shù)的支撐下，能夠在確定性較差的信息內(nèi)獲取相對(duì)精確的結(jié)果，能夠?qū)π畔⑦M(jìn)行有效、充分的利用，顯著改善了信息的整體利用率。

構(gòu)建具有良好判斷能力、理解能力和學(xué)習(xí)能力的人工智能系統(tǒng)是開展智能化信息技術(shù)研究的根本目標(biāo)，信息的智能化處理技術(shù)主要借助不同算法對(duì)信息進(jìn)行采集和利用，最終達(dá)到智能化管控的效果。由此得知，信息的智能化處理技術(shù)主要研究內(nèi)容為：1）環(huán)境、機(jī)器同人的彼此智能化交互協(xié)作。該技術(shù)能夠?qū)φZ音或文字開展自動(dòng)識(shí)別研究，并嘗試?yán)斫庾匀徽Z言，對(duì)圖像、視覺信息進(jìn)行自主化的加工和處理，確保環(huán)境、機(jī)器同人三者能夠?qū)崿F(xiàn)信息的互動(dòng)溝通、交流[3]；2）將有價(jià)值、有效信息從數(shù)據(jù)庫內(nèi)進(jìn)行提取，并總結(jié)基本規(guī)律。智能化信息處理技術(shù)的根本研究內(nèi)容為機(jī)器學(xué)習(xí)及簡約數(shù)據(jù)，需要借助已經(jīng)掌握的模式識(shí)別理論、知識(shí)，針對(duì)數(shù)據(jù)信息進(jìn)行簡化處理，通過可閱讀的方式將信息呈獻(xiàn)給決策人員，便于制定出科學(xué)的決策。也能夠自動(dòng)化的學(xué)習(xí)多種數(shù)據(jù)，進(jìn)而進(jìn)行數(shù)據(jù)的評(píng)價(jià)和分類處理工作，對(duì)結(jié)果進(jìn)行準(zhǔn)確的預(yù)測；3）合理規(guī)劃和優(yōu)化智能系統(tǒng)，發(fā)揮系統(tǒng)的協(xié)作、決策功能。應(yīng)對(duì)計(jì)算機(jī)決策系統(tǒng)、輔助規(guī)劃系統(tǒng)進(jìn)行構(gòu)建，參考優(yōu)化指標(biāo)改善社會(huì)及經(jīng)濟(jì)效益。還應(yīng)對(duì)系統(tǒng)建模內(nèi)容進(jìn)行探究，對(duì)智能決策、規(guī)劃、體系協(xié)作的基礎(chǔ)理論和方式進(jìn)行進(jìn)一步的優(yōu)化。

2 信息的智能化處理技術(shù)理論及方法

信息的智能化處理技術(shù)涵蓋多個(gè)研究領(lǐng)域，融合了通信技術(shù)、控制技術(shù)和計(jì)算機(jī)技術(shù)等先進(jìn)技術(shù)，涉及多個(gè)信息科學(xué)技術(shù)學(xué)科。綜合當(dāng)前的研究及發(fā)展情況，可以將信息的智能化處理技術(shù)歸為以下幾類：

2.1模糊理論

若需要對(duì)無法確定對(duì)現(xiàn)象進(jìn)行探究和分析，就必須要借助模糊理論來實(shí)現(xiàn)。由于事物本身擁有不確定的特性，同數(shù)學(xué)理論下的二元性原則沒有直接關(guān)系，屬于對(duì)象差異的中間過渡狀態(tài)，無法進(jìn)行準(zhǔn)確的劃分，從而不能明確對(duì)象類型。模糊系統(tǒng)具有模糊性特征，能夠結(jié)合模糊理論發(fā)揮模糊信息處理功能，是一種動(dòng)態(tài)化的模型。一般在模糊系統(tǒng)內(nèi)，輸入、輸出彼此對(duì)應(yīng)，能夠?qū)⑵湟暈檫B續(xù)函數(shù)的通用逼近器，主要包括模糊推理機(jī)、反模糊化器、模糊產(chǎn)生器及模糊規(guī)則庫[4]。建立在神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)之上的模糊神經(jīng)網(wǎng)絡(luò)，有效整合了模糊系統(tǒng)機(jī)理、神經(jīng)網(wǎng)絡(luò)，將二者的優(yōu)勢進(jìn)行了整合，同時(shí)也融合了多種理論，包括動(dòng)力學(xué)、邏輯計(jì)算、處理方式及語言等。模糊神經(jīng)網(wǎng)絡(luò)不僅具有較強(qiáng)的聯(lián)想能力、識(shí)別能力和學(xué)習(xí)能力，同時(shí)還擁有良好的模糊信息處理性能。在普通神經(jīng)網(wǎng)絡(luò)內(nèi)，對(duì)模糊輸入信號(hào)、權(quán)值進(jìn)行添加是模糊神經(jīng)網(wǎng)絡(luò)的核心所在，在優(yōu)勢互補(bǔ)的原理下，能夠使神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)的優(yōu)勢和功能充分展示出來，同時(shí)也彌補(bǔ)了二者各自的弊端和不足。構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)使信息的智能化處理技術(shù)發(fā)展邁向一個(gè)全新的發(fā)展層面，具有非常重要的意義。

篇7

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)；塑性加工

1.引言

神經(jīng)網(wǎng)絡(luò)技術(shù)屬于人工智能領(lǐng)域，最早在上世紀(jì)五十年代開始出現(xiàn)一些相關(guān)理論性的研究，由于受到當(dāng)時(shí)軟、硬件環(huán)境的約束，因此該技術(shù)的發(fā)展一直處于停滯狀態(tài)，直到九十年代才得到足夠的重視，并由于其在控制過程中獨(dú)特的優(yōu)勢而受到廣泛的關(guān)注和青睞，成為最熱門的研究領(lǐng)域之一。人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)主要有大規(guī)模并行計(jì)算能力突出、數(shù)據(jù)存儲(chǔ)的分布性好、超強(qiáng)的自學(xué)習(xí)和自適應(yīng)能力等，甚至基于神經(jīng)網(wǎng)絡(luò)衍伸出的一些優(yōu)化算法還可以具備相當(dāng)程度的聯(lián)想、識(shí)別和記憶功能，這大大強(qiáng)化了神經(jīng)網(wǎng)絡(luò)的適用范圍。目前該技術(shù)已廣泛的應(yīng)用在生產(chǎn)控制、模式識(shí)別、網(wǎng)絡(luò)控制、信號(hào)處理、醫(yī)學(xué)工程以及其他需要智能優(yōu)化處理服務(wù)的自動(dòng)化控制場合。

2.人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)技術(shù)模擬人腦中由大量的神經(jīng)元連接組成的復(fù)雜網(wǎng)絡(luò)，在求解過程中充分的調(diào)動(dòng)神經(jīng)元之間的相互作用，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的感知、記憶和處理功能。雖然神經(jīng)元個(gè)體相對(duì)簡單且功能有限，但通過大量不同神經(jīng)元的組合，便可使生成的網(wǎng)絡(luò)系統(tǒng)具有多樣化的功能。在人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元由三部分構(gòu)成，分別是包含網(wǎng)絡(luò)中每條連接權(quán)值的權(quán)集；用以存儲(chǔ)某條組合連接中各個(gè)單位連接權(quán)值之和的求和單元；對(duì)加權(quán)和進(jìn)行非線性映射并約束其強(qiáng)度的非線性激勵(lì)函數(shù)。由這三部分組成的單個(gè)神經(jīng)元可與其他多個(gè)神經(jīng)元相連接，組成各種類型的神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)的另一個(gè)優(yōu)勢在于其獨(dú)特的分布式數(shù)據(jù)存儲(chǔ)方式上，由于將采集到的大量數(shù)據(jù)分布存儲(chǔ)在各個(gè)神經(jīng)元之間的連接強(qiáng)度上，可大大增強(qiáng)數(shù)據(jù)的生存性和安全性，即使出現(xiàn)了局部數(shù)據(jù)的損毀，也不會(huì)對(duì)最終的計(jì)算結(jié)果造成太大的影響。從計(jì)算機(jī)技術(shù)方面分析，神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元實(shí)質(zhì)上是一個(gè)非線性運(yùn)算器，可同時(shí)接受多路輸入數(shù)據(jù)參與運(yùn)算，而計(jì)算結(jié)果則是唯一的單個(gè)輸出。從數(shù)學(xué)建模的角度來看，通常使用三個(gè)函數(shù)來描述神經(jīng)網(wǎng)絡(luò)，分別是階躍函數(shù)、分段線性函數(shù)和Sigmoid函數(shù)，如下所示：

在塑性加工領(lǐng)域，應(yīng)用最多的是前饋型神經(jīng)網(wǎng)絡(luò)，在該類神經(jīng)網(wǎng)絡(luò)中，包括輸入層、隱層和輸出層三層結(jié)構(gòu)。在這三層之間，內(nèi)部節(jié)點(diǎn)相互獨(dú)立，減少干擾，其實(shí)現(xiàn)的輸入和輸出之間的關(guān)聯(lián)受到多種因素的影響，如節(jié)點(diǎn)數(shù)、層數(shù)、連接權(quán)值等等，若要實(shí)現(xiàn)該網(wǎng)絡(luò)輸出盡可能的逼近預(yù)設(shè)值，就必須采用誤差函數(shù)來對(duì)各個(gè)連接強(qiáng)度進(jìn)行動(dòng)態(tài)調(diào)整，最常使用的是二乘誤差，如下所示：

3.人工神經(jīng)網(wǎng)絡(luò)在塑性加工中的應(yīng)用分析

3.1 工藝設(shè)計(jì)專家系統(tǒng)

工藝設(shè)計(jì)是塑性加工工序的開始，通過科學(xué)的工藝設(shè)計(jì)，可以將整個(gè)加工流程進(jìn)行合理的安排，預(yù)設(shè)合適的參數(shù)組合，以使得生產(chǎn)出的產(chǎn)品合乎標(biāo)準(zhǔn)，在這一階段，首先要完成的就是大量資料的收集，隨后是數(shù)據(jù)提煉，計(jì)算量相當(dāng)龐大。而利用人工神經(jīng)網(wǎng)絡(luò)來建立專家系統(tǒng)時(shí)可以實(shí)現(xiàn)大規(guī)模的數(shù)據(jù)并行處理，且不需要循序漸進(jìn)的推理，直接通過大量的訓(xùn)練來得到最優(yōu)的解集，這是其他智能算法所不具備的突出優(yōu)勢。而且在神經(jīng)網(wǎng)絡(luò)中，推理過程和計(jì)算過程是同步完成的，且相關(guān)信息分布存儲(chǔ)在網(wǎng)絡(luò)節(jié)點(diǎn)間的連接強(qiáng)度上，通過對(duì)樣本不斷的學(xué)習(xí)和更新來完成對(duì)存儲(chǔ)知識(shí)的不斷優(yōu)化。

3.2 無損探傷及缺陷預(yù)測

在超聲探傷、磁粉探傷等無損探傷中，由于得到的信息較為有限，因此傳統(tǒng)的監(jiān)測系統(tǒng)很難準(zhǔn)確判斷構(gòu)件內(nèi)部缺陷的具體情況，更談不上精確定位了，且這種困難隨著北側(cè)物件體積的增大而直線上升。而神經(jīng)網(wǎng)絡(luò)所具有的非線性識(shí)別及映射能力則能很好的解決這一問題，通過反復(fù)的訓(xùn)練優(yōu)化，最終定位出最有可能的缺陷位置和缺陷尺寸。若某平板內(nèi)具有圓形缺陷，可先用有限元法模擬在一定載荷下圓孔的位置、尺寸變化對(duì)某些點(diǎn)的位移、應(yīng)變的影響，將所得到的數(shù)據(jù)用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。一旦訓(xùn)練成功，就可以利用它確定同類試件內(nèi)部的缺陷及其尺寸位置。

3.3 預(yù)測材料性能及參數(shù)識(shí)別

在塑性加工理論研究中，材料塑性變形行為的表述能否準(zhǔn)確反映材料在外載作用下的響應(yīng)，直接影響到理論結(jié)果的準(zhǔn)確性。在利用傳統(tǒng)方法建立本構(gòu)模型時(shí)要引入許多假定的前提條件，還要通過大量的實(shí)踐經(jīng)驗(yàn)和實(shí)驗(yàn)驗(yàn)證來選擇合適的參數(shù)組合，通過在不同環(huán)境下的仿真實(shí)驗(yàn)，并對(duì)結(jié)果進(jìn)行對(duì)比分析，不斷修正乃至最終確定本構(gòu)模型，這一過程顯然占用了過多的時(shí)間和資源。而利用神經(jīng)網(wǎng)絡(luò)卻可以實(shí)現(xiàn)應(yīng)力―應(yīng)變的直接映射，直接從實(shí)驗(yàn)數(shù)據(jù)“學(xué)習(xí)”應(yīng)力―應(yīng)變關(guān)系，從而避免了大量的數(shù)學(xué)推導(dǎo)過程和驗(yàn)證―修改的不斷反復(fù)過程。網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)應(yīng)力―應(yīng)變關(guān)系模擬就是在“訓(xùn)練”過程中不斷改變自身各神經(jīng)元間的連接強(qiáng)度，訓(xùn)練完成后，網(wǎng)絡(luò)將應(yīng)力―應(yīng)變關(guān)系（某種材料）“記憶”在其連接強(qiáng)度上即可。

4.結(jié)束語

雖然神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛的應(yīng)用到各種工業(yè)控制場合并表現(xiàn)出強(qiáng)大的學(xué)習(xí)和自適應(yīng)能力，但其算法的收斂性和魯棒性仍有待加強(qiáng)，相信人工智能領(lǐng)域的不斷突破，人工神經(jīng)網(wǎng)絡(luò)比價(jià)發(fā)揮出更大的作用。

參考文獻(xiàn)

[1]時(shí)慧焯.基于人工神經(jīng)網(wǎng)絡(luò)的注塑成型翹曲優(yōu)化方法[D].大連：大連理工大學(xué)，2012

[2]付子義.基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的PID控制器研究[J].軟件導(dǎo)刊，2015，（12）：45-48

篇8

關(guān)鍵詞：模擬電路；智能故障診斷；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TN710 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-2374（2012）04-0118-02

上世紀(jì)70年代開始，模擬電路故障診斷理論第一次被提出來，如今已發(fā)展成為一門系統(tǒng)的學(xué)科。但是，雖然模擬電路的使用時(shí)間已經(jīng)有一段歷史，其模擬電路故障診斷技術(shù)卻發(fā)展一直比較緩慢。以下筆者就從模擬電路智能故障的特點(diǎn)入手，對(duì)模擬電路智能故障診斷技術(shù)的發(fā)展現(xiàn)狀進(jìn)行詳細(xì)探討。

一、模擬電路智能故障的特點(diǎn)分析

現(xiàn)將模擬電路故障的特點(diǎn)分析如下：

（一）模擬電路信號(hào)與數(shù)字信號(hào)的區(qū)別

模擬電路信號(hào)與數(shù)字信號(hào)有很大的不同：前者信號(hào)的大小是隨時(shí)間連續(xù)變化的量，包含的物理量屬于連續(xù)函數(shù)，其故障模式及模型難以用簡單的量化來描述。

（二）模擬電路元器件的特性

由于模擬電路中的元器件參數(shù)本身存在容差，導(dǎo)致了導(dǎo)致功能性故障的故障物理位置難以確定，存在較大的模糊性（“容差”的實(shí)質(zhì)就是元器件本身存在的輕微故障）。

（三）模擬電路中存在的問題

在模擬電路中，存在反饋電路和非線性問題，增加了計(jì)算和測試的復(fù)雜性。

（四）模擬電路的使用范圍

模擬電路的頻率范圍比較寬，這就決定了其使用設(shè)備的差異性。有時(shí)，即使測量同一個(gè)信號(hào)，但是在不同的頻段上所使用的設(shè)備都會(huì)出現(xiàn)很大的差距，決定了其設(shè)備較大差異性的特點(diǎn)。

（五）模擬電路的故障問題

由于現(xiàn)在電路中，可測試的節(jié)點(diǎn)數(shù)一般都比較少（電路通常是封裝或者多層的緣故），導(dǎo)致判斷故障信息的數(shù)量不夠多、信息不夠充分，加大了故障判斷的難度。

二、模擬電路故障診斷技術(shù)現(xiàn)狀分析

近幾年，電子技術(shù)得到了飛速發(fā)展，隨著電子技術(shù)的飛速發(fā)展，電子技術(shù)運(yùn)用而成，并隨著集成度的不斷增大，電路的復(fù)雜程度日益提高。

一般而言，故障辨識(shí)、故障檢測及故障隔離是電路故障診斷的主要內(nèi)容。由于診斷原理的多樣性，導(dǎo)致了電路故障診斷方法也存在多樣性。

本文根據(jù)故障診斷的角度出發(fā)，對(duì)現(xiàn)行電路故障診斷的方法進(jìn)行了分類。以下就現(xiàn)代模擬電路故障診斷的方法進(jìn)行具體探討。

（一）專家系統(tǒng)故障診斷分析

專家系統(tǒng)在人工智能技術(shù)中，屬于應(yīng)用比較廣泛和活躍的故障診斷技術(shù)之一。專家系統(tǒng)故障診斷的工作過程可以描述為以下幾個(gè)步驟：首先，應(yīng)該具備故障診斷專家系統(tǒng)的知識(shí)庫，這個(gè)知識(shí)庫的內(nèi)容主要是將相關(guān)診斷經(jīng)驗(yàn)與技術(shù)，使用一定的規(guī)則組合起來而形成，以備以后程序使用；然后，當(dāng)出現(xiàn)故障時(shí)故障診斷系統(tǒng)將由報(bào)警系統(tǒng)得到相關(guān)信息，應(yīng)用知識(shí)庫對(duì)其進(jìn)行推理，由此得出出現(xiàn)的故障的原因。

以上診斷過程可以理解為：專家系統(tǒng)故障診斷技術(shù)是模擬行業(yè)專家進(jìn)行診斷及決策的過程，主要可以解決一些比較復(fù)雜的故障問題。

但是，由于這些技術(shù)存在一定的缺陷，在一定程度上限制了其推廣使用。

（二）人工神經(jīng)網(wǎng)絡(luò)技術(shù)分析

人工智能技術(shù)的另一個(gè)重要分支是人工神經(jīng)網(wǎng)絡(luò)技術(shù)。

在故障診斷中，它的主要優(yōu)勢在于：其特別適合處理那些具有復(fù)雜非線性關(guān)系的、無法用顯性公式表示的情況，并能夠有力解決非線性、反饋回路和容差等引起的問題，上述這些情況都是傳統(tǒng)模式識(shí)別方法難以解決的。

人工神經(jīng)網(wǎng)絡(luò)由于其獨(dú)特的優(yōu)勢，越來越受到人們的廣泛重視。

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)主要體現(xiàn)在以下幾個(gè)方面：（1）它以利用網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和權(quán)值分布實(shí)現(xiàn)非線性的映射，以分布的方式存儲(chǔ)信息；（2）它可以實(shí)現(xiàn)非線性信息變化問題，這個(gè)主要是通過全局并行處理來實(shí)現(xiàn)的信息變化。其可以有效的解決故障診斷中故障知識(shí)獲取這個(gè)“瓶頸”問題，以及“組合爆炸”等問題；（3）人工神經(jīng)網(wǎng)絡(luò)技術(shù)還具有聯(lián)想記憶、并行分布處理以及自適應(yīng)性強(qiáng)等特點(diǎn)。

以上的這些優(yōu)點(diǎn)為智能故障診斷的研究開辟了一條新途徑。基于以上的分析，將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合，使其相互補(bǔ)充，各自揚(yáng)長避短，是故障診斷領(lǐng)域的一個(gè)熱點(diǎn)話題。

（三）神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)

從邏輯方面來講，神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)和傳統(tǒng)專家系統(tǒng)是完全不同的。神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)是一類新的知識(shí)表達(dá)體系，神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)中的信息處理是由大量簡單處理元件之間進(jìn)行相互作用，從而進(jìn)行信息處理的，屬于低層數(shù)值模型。神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)可以將數(shù)值運(yùn)算和邏輯推理結(jié)合，并利用相關(guān)的信息處理功能來解決診斷系統(tǒng)中的相關(guān)問題。

在這種技術(shù)中，通過學(xué)習(xí)將專家知識(shí)存儲(chǔ)在網(wǎng)絡(luò)中，由此進(jìn)行不精確的故障診斷，可以較好的完成相關(guān)推理過程。

（四）小波分析方法

小波分析法時(shí)一種時(shí)-頻分析方法。它的主要原理通過以下闡述：

小波變換及小波函數(shù)的多樣性。

小波是函數(shù)空間中滿足下述條件的一個(gè)函數(shù)或者信號(hào)：

式中：表示非零實(shí)數(shù)全體，是傅里葉變換，為小波母函數(shù)。

對(duì)于實(shí)數(shù)對(duì)（a，b），參數(shù)a為非零實(shí)數(shù)，函數(shù)

稱為由小波母函數(shù)生成的依賴于參數(shù)對(duì)（a，b）的連續(xù)小波函數(shù)，簡稱小波。其中：a稱為伸縮因子：b稱為平移因子。

對(duì)信號(hào)f（x）的連續(xù)小波變換則定義為：

其逆變換（回復(fù)信號(hào)或重構(gòu)信號(hào)）為：

信號(hào)f（x）的離散小波變換定義為：

其逆變換（恢復(fù)信一號(hào)或重構(gòu)信號(hào)）為：

其中：C是一個(gè)與信號(hào)無關(guān)的常數(shù)。

由上述原理可知，小波函數(shù)具有多樣性。

（五）神經(jīng)網(wǎng)絡(luò)小波分析方法

將神經(jīng)網(wǎng)絡(luò)與小波分析相結(jié)合的方法主要有兩個(gè)：

1．以輔助式結(jié)合的形式組合。在這種結(jié)合中，一般是利用小波分析技術(shù)對(duì)相應(yīng)的信號(hào)進(jìn)行預(yù)先處理，然后，利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行學(xué)習(xí)與判別。

2．以嵌套式結(jié)合的方式進(jìn)行組合。這種結(jié)合中，主要是把小波分析方法融入到神經(jīng)網(wǎng)絡(luò)中，形成新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即神經(jīng)網(wǎng)絡(luò)一小波分析或小波網(wǎng)絡(luò)。這種新的網(wǎng)絡(luò)方法具有明顯的優(yōu)勢：具有自適應(yīng)分辨功能和很好的容錯(cuò)性。

由上面分析可以得出，這種新的故障診斷鑒別方法是故障診斷領(lǐng)域的一個(gè)新方法，它不僅可以拓寬小波分析方法與神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用領(lǐng)域，而且為故障診斷技術(shù)開辟了新道路，使得故障診斷技術(shù)得到了進(jìn)一步的發(fā)展。

三、結(jié)語

由于現(xiàn)代科技的飛速發(fā)展，模擬電路故障診斷系統(tǒng)將會(huì)變得越來越復(fù)雜，如何保證模擬電路系統(tǒng)可以運(yùn)行的更加可靠是一個(gè)值得深入探討的問題。模擬電路出現(xiàn)故障后，如能及時(shí)將相應(yīng)的故障診斷清楚，并保證及時(shí)維修更換，無疑可以提高生產(chǎn)效率，提高成品的合格率，進(jìn)而推動(dòng)模擬電路系統(tǒng)向更好的方向

發(fā)展。

參考文獻(xiàn)

[1] 朱大奇．電子設(shè)備故障診斷原理與實(shí)踐[M]．北京電子工業(yè)出版社，2004．

篇9

關(guān)鍵詞：人臉識(shí)別技術(shù)；病毒管控；人工智能；神經(jīng)網(wǎng)絡(luò)

互聯(lián)網(wǎng)在今天的社會(huì)中發(fā)揮著舉足輕重的作用。如今社會(huì)，隨著許多人工智能技術(shù)、網(wǎng)絡(luò)技術(shù)、云計(jì)算等互聯(lián)網(wǎng)技術(shù)不斷發(fā)展，像人臉識(shí)別等技術(shù)的應(yīng)用越來越廣泛，在控制病毒傳播途徑等場合發(fā)揮了巨大作用，不斷地提高著社會(huì)的安全性和便利性，不僅提高了防控中病毒檢測效率，也為病毒的控制提供了可靠的技術(shù)方法，能夠及時(shí)發(fā)現(xiàn)和控制公共場所的安全隱患因素，避免對(duì)社會(huì)經(jīng)濟(jì)、居民生活造成破壞，。但目前的人臉識(shí)別等技術(shù)還存在許多缺陷，需要完善和革新，充滿著巨大的潛力和進(jìn)步空間。

1人臉識(shí)別技術(shù)研究意義

人臉識(shí)別技術(shù)是一種生物特征識(shí)別技術(shù)，最早產(chǎn)生于上世紀(jì)60年代，基于生理學(xué)、圖像處理、人機(jī)交互及認(rèn)知學(xué)等方面的一種識(shí)別技術(shù)。相比于其他人類特征像指紋識(shí)別、聲紋識(shí)別、虹膜識(shí)別等技術(shù)，人臉識(shí)別雖然存在人臉識(shí)別單一性低，且區(qū)分度難度高、易受環(huán)境影響等不足。但是人臉識(shí)別技術(shù)擁有速度快、大范圍群體識(shí)別及非接觸、遠(yuǎn)距離可識(shí)別等優(yōu)勢，都是其他生物識(shí)別識(shí)別技術(shù)所不具備的，而在傳播性強(qiáng)、感染風(fēng)險(xiǎn)大的病毒傳播過程中，這些顯然是必須要考慮的重要影響因素。通過將人臉識(shí)別等人工智能技術(shù)引入信息管理系統(tǒng)，綜合集成視頻監(jiān)控、圖像處理、深度學(xué)習(xí)和大數(shù)據(jù)等技術(shù)，結(jié)合非接觸測溫、定位等技術(shù)，助力病情防控，在一定程度上推動(dòng)病毒病情防控信息化、智能化發(fā)展進(jìn)程?？勺鳛榧訌?qiáng)公共場所的人員的體溫實(shí)時(shí)監(jiān)測、地址信息定位的監(jiān)控管理，規(guī)范公共場所針對(duì)病毒傳播的預(yù)防行為。

2人臉識(shí)別技術(shù)

2.1人臉檢測技術(shù)

人臉檢測是自動(dòng)人臉識(shí)別系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié)。早期的人臉識(shí)別研究主要針對(duì)具有較強(qiáng)約束條件的人臉圖象（如無背景的圖象），往往假設(shè)人臉位置靜止或者容易獲取。人臉檢測分為前深度學(xué)習(xí)時(shí)期，AdaBoost框架時(shí)期以及深度學(xué)習(xí)時(shí)期。前深度學(xué)習(xí)時(shí)期，人們將傳統(tǒng)的計(jì)算機(jī)視覺算法運(yùn)用于人臉檢測，使用了模板匹配技術(shù)，依賴于人工提取特征，然后用這些人工特征訓(xùn)練一個(gè)檢測器；后來技術(shù)發(fā)展，在2001年Viola和Jones設(shè)計(jì)了一種人臉檢測算法，它使用簡單的Haar-like特征和級(jí)聯(lián)的AdaBoost分類器構(gòu)造檢測器，檢測速度較之前的方法有2個(gè)數(shù)量級(jí)的提高，并且保持了很好的精度，稱這種方法為VJ框架。VJ框架是人臉檢測歷史上第一個(gè)最具有里程碑意義的一個(gè)成果，奠定了基于AdaBoost目標(biāo)檢測框架的基礎(chǔ)，使用級(jí)聯(lián)AdaBoost分類器進(jìn)行目標(biāo)檢測的思想是：用多個(gè)AdaBoost分類器合作實(shí)現(xiàn)對(duì)候選框的分類，這些分類器組成一個(gè)流水線，對(duì)滑動(dòng)窗口中的候選框圖像進(jìn)行判定，確定檢測目標(biāo)是人臉還是非人臉。Adaboost框架技術(shù)的精髓在于用簡單的強(qiáng)分類器在初期快速排除掉大量的非人臉窗口，同時(shí)保證高的召回率，使得最終能通過所有級(jí)強(qiáng)分類器的樣本數(shù)數(shù)量較少。在深度學(xué)習(xí)時(shí)期，開始將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于人臉檢測領(lǐng)域。研究方向有兩種：一是將適用于多任務(wù)的目標(biāo)檢測網(wǎng)絡(luò)應(yīng)用于人臉檢測中；另一種是研究特定的的人臉檢測網(wǎng)絡(luò)。人臉檢測技術(shù)具有特殊唯一性和穩(wěn)定性，在現(xiàn)今社會(huì)對(duì)于構(gòu)建居民身份識(shí)別系統(tǒng)，病毒傳播防控系統(tǒng)，以及計(jì)算機(jī)視覺交互模型的構(gòu)建具有廣泛的應(yīng)用。人臉檢測技術(shù)不僅作為人臉識(shí)別的首要步驟，也在許多其他領(lǐng)域發(fā)揮巨大影響，如人臉關(guān)鍵點(diǎn)提取、人臉追蹤、基于內(nèi)容的檢索、數(shù)字視頻處理、視頻檢測、安防監(jiān)控、人證比對(duì)、社交等領(lǐng)域都有重要的應(yīng)用價(jià)值。數(shù)碼相機(jī)、手機(jī)等移動(dòng)端上的設(shè)備已經(jīng)大量使用人臉檢測技術(shù)實(shí)現(xiàn)成像時(shí)對(duì)人臉的對(duì)焦、圖集整理分類等功能，各種虛擬美顏相機(jī)也需要人臉檢測技術(shù)定位人臉。評(píng)價(jià)一個(gè)人臉檢測算法好壞的指標(biāo)是檢測率和誤報(bào)率，我們定義檢測率為：算法要求在檢測率和誤報(bào)率之間盡量平衡，理想的情況是達(dá)到高檢測率，低誤報(bào)率。

2.2人臉識(shí)別技術(shù)

目前主要流行的人臉識(shí)別技術(shù)包括幾何特征識(shí)別，模型識(shí)別，特征臉識(shí)別和基于深度學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)的的人臉識(shí)別技術(shù)等。人臉特征識(shí)別主要通過對(duì)人臉面部結(jié)構(gòu)特征如眼睛、鼻子等五官幾何特點(diǎn)及其相對(duì)位置分布等，生成圖像，并計(jì)算各個(gè)面部特征之間的歐式距離、分布、大小等關(guān)系該方法比較簡單，反應(yīng)速度快，并且具有魯棒性強(qiáng)等優(yōu)點(diǎn)，但是在實(shí)際環(huán)境下使用容易受檢測的環(huán)境的變化、人臉部表情變化等影響，精度通常不高，細(xì)節(jié)處理上不夠完善。模型識(shí)別技術(shù)主要包括隱馬爾可夫模型、主動(dòng)表象模型、主動(dòng)形狀模型等，識(shí)別率較高，并且對(duì)表情等變化影響較小。特征臉識(shí)別來源于主成分描述人臉照片技術(shù)（PCA技術(shù)），從數(shù)學(xué)上來講，特征臉就是人臉的圖像集協(xié)方差矩陣的特征向量。該技術(shù)能有效的顯示人臉信息，效率較高?；谏疃葘W(xué)習(xí)的人臉識(shí)別是獲取人臉圖像特征，并將包含人臉信息的特征進(jìn)行線性組合等，提取人臉圖像的特征，學(xué)習(xí)人臉樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次?？梢圆捎萌缛龑忧梆丅P神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學(xué)家提出的概念，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)本質(zhì)上是一種能夠?qū)W量的輸入與輸出之間的映射關(guān)系的輸入到輸出的映射，從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)具有輸入層、隱藏層和輸出層；從本質(zhì)上講，BP算法就是以網(wǎng)絡(luò)誤差平方為目標(biāo)函數(shù)、采用梯度下降法來計(jì)算目標(biāo)函數(shù)的最小值。BP神經(jīng)網(wǎng)路輸入層有n個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層具有m個(gè)神經(jīng)元，隱含層具有k個(gè)神經(jīng)元，采用BP學(xué)習(xí)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。BP算法主要包括兩個(gè)階段：向前傳播階段和向后傳播階段。在向前傳播階段，信息從輸入層經(jīng)過逐級(jí)的變換，傳送到輸出層。這個(gè)過程也是在網(wǎng)絡(luò)完成訓(xùn)練后正常運(yùn)行時(shí)執(zhí)行。將Xp作為輸入向量，Yp為期望輸出向量則BP神經(jīng)網(wǎng)絡(luò)向前傳播階段的運(yùn)算，得到實(shí)際輸出表達(dá)式為向后傳播階段主要包括兩大步驟：①計(jì)算實(shí)際輸出Op與對(duì)應(yīng)理想輸出Yp之差；②按極小化誤差方法調(diào)整帶權(quán)矩陣。之所以將此階段稱為向后傳播階段，是對(duì)應(yīng)于輸入信號(hào)的正常傳播而言的，因?yàn)樵撾A段都需要收到精度要求進(jìn)行誤差處理，所以也可以稱之為誤差傳播階段。(1)確定訓(xùn)練集。由訓(xùn)練策略選擇樣本圖像作為訓(xùn)練集。(2)規(guī)定各權(quán)值Vij，Wjk和閾值Φj，θk參數(shù)，并初始化學(xué)習(xí)率α及精度控制參數(shù)ε。(3)從訓(xùn)練集中取輸入向量X到神經(jīng)網(wǎng)絡(luò)，并確定其目標(biāo)輸出向量D。(4)利用上式計(jì)算出一個(gè)中間層輸出H，再用本式計(jì)算出網(wǎng)絡(luò)的實(shí)際輸出Y。(5)將輸出矢量中yk與目標(biāo)矢量中dk進(jìn)行比較，計(jì)算輸出誤差項(xiàng)，對(duì)中間層的隱單元計(jì)算出L個(gè)誤差項(xiàng)。(6)最后計(jì)算出各權(quán)值和閾值的調(diào)整量。所以，卷積神經(jīng)網(wǎng)絡(luò)算法是通過訓(xùn)練人臉特征庫的方式進(jìn)行學(xué)習(xí)生成，對(duì)不同環(huán)境下不同表現(xiàn)情況的人臉圖像識(shí)別有更高的精確性。

2.3人臉識(shí)別軟件實(shí)現(xiàn)方式

(1)采集人臉數(shù)據(jù)集，然后對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理變成訓(xùn)練格式。(2)部署訓(xùn)練模型，根據(jù)訓(xùn)練算法所需依賴部署電腦環(huán)境。(3)訓(xùn)練過程，下載預(yù)訓(xùn)練模型，將人臉數(shù)據(jù)集分批次作為輸入開始訓(xùn)練，最終輸出為訓(xùn)練好的模型。(4)部署訓(xùn)練好的模型，捕獲畫面即可對(duì)畫面中的人臉進(jìn)行實(shí)時(shí)檢測。

3人臉識(shí)別在病毒傳播防控中的應(yīng)用

通過人臉識(shí)別技術(shù)，可以實(shí)現(xiàn)無接觸、高效率的對(duì)流動(dòng)人員進(jìn)行信息的收集、身份識(shí)別、定位地址信息等操作，大大減少了傳染的可能性，切斷了病毒傳播途徑，大大提高了工作效率。通過提前收錄人臉信息，采用深度學(xué)習(xí)對(duì)人臉特征模型的訓(xùn)練學(xué)習(xí)，即可獲取人臉識(shí)別特征模型，再次驗(yàn)證時(shí)即可實(shí)現(xiàn)人臉識(shí)別和個(gè)人信息快速匹配。AI人工智能幫助人們更好的解放雙手，為人們的生活和工作提供了重要的幫助。本文還提出了在人臉識(shí)別的系統(tǒng)基礎(chǔ)上，可以加入定位系統(tǒng)、測溫系統(tǒng)等，依托物聯(lián)網(wǎng)技術(shù)和云計(jì)算大數(shù)據(jù)，更加優(yōu)化管控系統(tǒng)的效率。病毒傳播防控中人臉識(shí)別系統(tǒng)流程可以概括為圖2。

4結(jié)語

本文研究了一種人臉識(shí)別技術(shù)在病毒傳播管控系統(tǒng)中的應(yīng)用，并分析設(shè)計(jì)了人臉識(shí)別實(shí)時(shí)監(jiān)測及病毒管控系統(tǒng)的流程，大大提高了信息管理的效率，減弱了傳播風(fēng)險(xiǎn)。作為一門新興技術(shù)，目前的人臉識(shí)別技術(shù)還存在著諸多不足之處，像存在環(huán)境光的影響、人臉表情變化、妝容變化、佩戴口罩等都會(huì)影響到系統(tǒng)識(shí)別精度；另外安全問題也引人深思：現(xiàn)今人臉支付方式迅猛發(fā)展，錄入的人臉模型信息數(shù)據(jù)庫存在有一定的安全風(fēng)險(xiǎn)，一旦被不法分子盜取信息后果不堪設(shè)想，所以模型數(shù)據(jù)庫安全、網(wǎng)絡(luò)安全，也是系統(tǒng)開發(fā)中必須重視的問題。人臉識(shí)別為代表的人工智能技術(shù)的研究，在病毒傳播管控作出重大貢獻(xiàn)，依托我國領(lǐng)先的計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)和5G等技術(shù)，加強(qiáng)人工智能技術(shù)與5G通信技術(shù)的結(jié)合，優(yōu)勢互補(bǔ)，以此來加快大數(shù)據(jù)、人工智能和物聯(lián)網(wǎng)技術(shù)發(fā)展進(jìn)程，對(duì)我國社會(huì)進(jìn)步，促進(jìn)城市建設(shè)和管理朝著高效、秩序、和諧穩(wěn)定的方向不斷發(fā)展，增強(qiáng)我國的經(jīng)濟(jì)實(shí)力有著重大價(jià)值和研究意義。

參考文獻(xiàn)

[1]王彥秋,馮英偉.基于大數(shù)據(jù)的人臉識(shí)別方法[J].現(xiàn)代電子技術(shù),2021,44(7):87-90.

[2]李剛,高政.人臉自動(dòng)識(shí)別方法綜述[J].計(jì)算機(jī)應(yīng)用研究,2003,20(8):4-9,40.

[3]馬玉琨,徐姚文.ReviewofPresentationAttackDetectioninFaceRecognitionSystem[J].計(jì)算機(jī)科學(xué)與探索,2021,7(15):1195-1206.

[4]余璀璨,李慧斌.基于深度學(xué)習(xí)的人臉識(shí)別方法綜述[J].工程數(shù)學(xué)學(xué)報(bào),2021,38.

[5]王紅星,胡永陽,鄧超.基于LBP和ELM的人臉識(shí)別算法研究與實(shí)現(xiàn)[J].河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2005.

[6]鐘陳,王思翔,王文峰.面向疫情防控的人臉識(shí)別系統(tǒng)與標(biāo)準(zhǔn)研究[J].信息技術(shù)與標(biāo)準(zhǔn)化,2020,6,11-13,1671-539X.

[6]彭駿,吉綱,張艷紅,占濤.精準(zhǔn)人臉識(shí)別及測溫技術(shù)在疫情防控中的應(yīng)用[J].軟件導(dǎo)刊,2020,10,1672-7800.

篇10

Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.

關(guān)鍵詞： 財(cái)務(wù)管理；神經(jīng)網(wǎng)絡(luò)；決策支持系統(tǒng)；專家系統(tǒng)

Key words: financial management；nerve network；decision support system （DSS）；expert system

中圖分類號(hào)：F275 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速發(fā)展起來的新型計(jì)算機(jī)科學(xué)。它是一個(gè)有著廣泛應(yīng)用背景的十分熱門的交叉科學(xué)。神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間的動(dòng)力系統(tǒng)。結(jié)合神經(jīng)網(wǎng)絡(luò)的智能決策支持系統(tǒng)是目前研究的前沿之一，它極具理論和使用價(jià)值。

財(cái)務(wù)管理的信息化、數(shù)字化是財(cái)務(wù)規(guī)范和科學(xué)管理的趨勢。與DSS的結(jié)合將更加有利于數(shù)據(jù)標(biāo)準(zhǔn)的統(tǒng)一，有利于數(shù)據(jù)采集的模塊化，有利于決策支持的科學(xué)化，有利于財(cái)務(wù)公開的透明化。

1 財(cái)務(wù)管理決策支持系統(tǒng)的研究現(xiàn)狀

決策支持系統(tǒng)經(jīng)過二十多年的發(fā)展，形成了如圖1所示公認(rèn)的體系結(jié)構(gòu)。它把模型并入信息系統(tǒng)軟件中，依靠管理信息系統(tǒng)和運(yùn)籌學(xué)這兩個(gè)基礎(chǔ)逐步發(fā)展起來。它為解決非結(jié)構(gòu)化決策問題提供了相應(yīng)的有用信息，給各級(jí)管理決策人員的工作帶來了便利。

從圖1可以看出決策支持系統(tǒng)體系結(jié)構(gòu)可劃分為三級(jí)，即語言系統(tǒng)（LS）級(jí)、問題處理系統(tǒng)（PPS）級(jí)和知識(shí)系統(tǒng)（KS）級(jí)。其中問題處理系統(tǒng)級(jí)包括推理機(jī)系統(tǒng)（RS）、模型庫管理系統(tǒng)（MBMS）、知識(shí)庫管理系統(tǒng)（KBMS）及數(shù)據(jù)庫管理系統(tǒng)（DBMS）。知識(shí)系統(tǒng)級(jí)包括模型庫（MB）、知識(shí)庫（KB）及數(shù)據(jù)庫（DB）。

九十年代中期，興起了三個(gè)輔助決策技術(shù)：數(shù)據(jù)倉庫（DW）、聯(lián)機(jī)分析處理（OLAP）和數(shù)據(jù)挖掘（DM）。聯(lián)機(jī)分析處理是以客戶/服務(wù)器的方式完成多維數(shù)據(jù)分析。數(shù)據(jù)倉庫是根據(jù)決策主題的需要匯集大量的數(shù)據(jù)庫，通過綜合和分析得到輔助決策的信息。數(shù)據(jù)挖掘顧名思義，是為了獲得有用的數(shù)據(jù)，在大量的數(shù)據(jù)庫中進(jìn)行篩選。人工智能技術(shù)建立一個(gè)智能的DSS人機(jī)界面，可進(jìn)行圖、文、聲、像、形等多模式交互，人機(jī)交互此時(shí)變得更為自然和諧，人們能沉浸其中，進(jìn)行合作式、目標(biāo)向?qū)降慕换シ椒ā?/p>

從目前情況來看，財(cái)務(wù)決策支持系統(tǒng)的研究還處于初級(jí)發(fā)展階段，財(cái)務(wù)數(shù)據(jù)的保密性、特殊性決定了財(cái)務(wù)決策不能全部公開化、透明化，但隨著中央及國務(wù)院相關(guān)部門財(cái)務(wù)預(yù)決算數(shù)據(jù)的公開，財(cái)務(wù)決策系統(tǒng)及其支持系統(tǒng)和過程也將隨之公開，這就要求決策者充分利用財(cái)務(wù)知識(shí)和決策支持系統(tǒng)的知識(shí)“聰明”決策、合理決策、科學(xué)決策、規(guī)范決策。

2 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)總體研究框架

2.1 神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)制 神經(jīng)網(wǎng)絡(luò)的著眼點(diǎn)是采納生物體中神經(jīng)細(xì)胞網(wǎng)絡(luò)中某些可利用的部分，來彌補(bǔ)計(jì)算機(jī)的不足之處，而不是單單用物理的器件去完整地復(fù)制。

第一，神經(jīng)網(wǎng)絡(luò)中的鏈接的結(jié)構(gòu)和鏈接權(quán)都可以通過學(xué)習(xí)而得到，具有十分強(qiáng)大的學(xué)習(xí)功能；第二，神經(jīng)網(wǎng)絡(luò)所記憶的信息是一種分布式的儲(chǔ)存方式，大多儲(chǔ)存在神經(jīng)元之間的權(quán)中；第三，神經(jīng)網(wǎng)絡(luò)部分的或局部的神經(jīng)元被破壞后，仍可以繼續(xù)進(jìn)行其他活動(dòng)，不影響全局的活動(dòng)，因此說，神經(jīng)網(wǎng)絡(luò)的這種特性被稱作容錯(cuò)性；第四，神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元組成的，每個(gè)神經(jīng)元雖然結(jié)構(gòu)簡單，但是它們組合到一起并行活動(dòng)時(shí)，卻能爆發(fā)出較快較強(qiáng)的速度來。

我們可以利用神經(jīng)網(wǎng)絡(luò)的上述特點(diǎn)，將之應(yīng)用于模式識(shí)別、自動(dòng)控制、優(yōu)化計(jì)算和聯(lián)想記憶、軍事應(yīng)用以及決策支持系統(tǒng)中。

2.2 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能財(cái)務(wù)DSS的必然性 在企業(yè)經(jīng)營管理、政府機(jī)構(gòu)財(cái)務(wù)活動(dòng)中，人們時(shí)常面臨著財(cái)務(wù)決策。人們往往需要根據(jù)有關(guān)的理論及經(jīng)驗(yàn)制定出一系列的衡量標(biāo)準(zhǔn)。這種評(píng)價(jià)是一個(gè)非常復(fù)雜的非結(jié)構(gòu)化決策過程，一般都是由內(nèi)行專家根據(jù)一定的專業(yè)理論憑經(jīng)驗(yàn)和直覺在收集大量不完全、不確定信息基礎(chǔ)上建立起多級(jí)指標(biāo)體系。但在這種指標(biāo)體系中，各種指標(biāo)之間的關(guān)系很難明確，而且還受評(píng)價(jià)者的效用標(biāo)準(zhǔn)和主觀偏好所左右。因此，很難在指標(biāo)體系和評(píng)價(jià)目標(biāo)間建立起準(zhǔn)確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評(píng)價(jià)方法以支持決策。自然，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造系統(tǒng)模式來支持這類評(píng)價(jià)決策問題是目前財(cái)務(wù)管理智能決策支持系統(tǒng)的一種發(fā)展趨勢和必然趨勢[4]。

2.3 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能DSS系統(tǒng)框架 神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)主要以知識(shí)、數(shù)據(jù)和模型為主體，結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行推理與數(shù)據(jù)開采。圖2給出了神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)研究框架[2]。研究中有兩個(gè)重點(diǎn)，即神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)。

2.3.1 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng) 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采時(shí)利用神經(jīng)網(wǎng)絡(luò)技術(shù)協(xié)助從數(shù)據(jù)中抽取模式。數(shù)據(jù)開采有五項(xiàng)基本任務(wù)：相關(guān)分析、聚類、概念描述、偏差監(jiān)測、預(yù)測。

常用的前饋式神經(jīng)網(wǎng)絡(luò)，如BP網(wǎng)絡(luò)，可用于進(jìn)行概念描述及預(yù)測。對(duì)向傳播（Counter Propagation，簡稱CP）神經(jīng)網(wǎng)路可用來進(jìn)行統(tǒng)計(jì)分析和聚類。

CP網(wǎng)絡(luò)是美國神經(jīng)計(jì)算專家Robert Hecht-Nielsen提出的一種新型特征映射網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)分輸入、競爭、輸出三層。該網(wǎng)絡(luò)吸取了無教師示教型網(wǎng)絡(luò)分類錄活、算法簡練的優(yōu)點(diǎn)，又采納了有教師示教型網(wǎng)絡(luò)分類精細(xì)、準(zhǔn)確的好處，使兩者有機(jī)地結(jié)合起來。由競爭層至輸出層，網(wǎng)絡(luò)按基本競爭型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則得到各輸出神經(jīng)元的實(shí)際輸出值，并按有教師示教的誤差校正方法調(diào)整由競爭層至輸出層的鏈接權(quán)。經(jīng)過這樣反復(fù)地學(xué)習(xí)，可以將任意輸入模式映射為輸出模式。

2.3.2 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng) 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)主要利用神經(jīng)網(wǎng)絡(luò)的并行處理機(jī)制來解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，計(jì)算與存儲(chǔ)時(shí)完全合二為一的，即信息的存儲(chǔ)體現(xiàn)在神經(jīng)元互連的分布上，并以大規(guī)模并行方式處理。流動(dòng)的過程就是從部分信息找到全部信息的過程，這就是聯(lián)想記憶的基本原理。若視動(dòng)力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計(jì)算能量函數(shù)的極小點(diǎn)，系統(tǒng)最終會(huì)流向期望的最小點(diǎn)，計(jì)算也就在運(yùn)動(dòng)過程中悄悄地完成了。因而，可用雙向聯(lián)想記憶（BAM）網(wǎng)絡(luò)或CP網(wǎng)絡(luò)實(shí)現(xiàn)并行推理。CP網(wǎng)絡(luò)具有特殊的聯(lián)想推理映射功能。將輸入學(xué)習(xí)模式和期望輸出模式取為同一模式，且將之分為X和Y兩部分。網(wǎng)絡(luò)通過提供的樣本對(duì)進(jìn)行充分的學(xué)習(xí)后，就可用來進(jìn)行模式間的聯(lián)想推理。

3 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)智能DSS研究展望

當(dāng)前世界上最熱門的研究課題，是模仿人類的思維方式來解決實(shí)際問題。專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)是比較常用的技術(shù)，但由于自身的局限性，它們都側(cè)重于人類思維方式的某一方面。平時(shí)解決簡單的問題的時(shí)候還好，但真遇到解決復(fù)雜的問題的時(shí)候，它就顯得力不從心了，所以，這個(gè)時(shí)候我們可以將兩種技術(shù)結(jié)合起來解決，除了它們要自身不斷發(fā)展和完善外，還要注重兩者的協(xié)調(diào)配合，神經(jīng)網(wǎng)絡(luò)DSS未來的發(fā)展趨勢就是依靠這兩種技術(shù)不斷結(jié)合，從而能幫助我們解決更多的實(shí)際問題。

3.1 財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng) 常見的財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)主要包括幾個(gè)方面：知識(shí)維護(hù)、知識(shí)表示、知識(shí)獲取、推理等，我們針對(duì)各個(gè)步驟展開討論。

3.1.1 知識(shí)維護(hù)。如果知識(shí)是通過人工神經(jīng)網(wǎng)絡(luò)來獲取的，我們就可以同樣利用人工神經(jīng)網(wǎng)絡(luò)，來讓維護(hù)工作變得更加方便快捷，維護(hù)可以通過人工神經(jīng)網(wǎng)絡(luò)來自動(dòng)完成，我們需要做的只是重新運(yùn)行網(wǎng)絡(luò)模塊，或者重新訓(xùn)練網(wǎng)絡(luò)模塊，又或是增加新的網(wǎng)絡(luò)模塊。

3.1.2 推理。一般的專家系統(tǒng)只是求解專門性問題，應(yīng)用的領(lǐng)域非常狹窄，同時(shí)由于控制策略不靈活，推理方法簡單，容易出現(xiàn)一些這樣或那樣的問題，推理效率低、速度慢。人工神經(jīng)網(wǎng)絡(luò)可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識(shí)空間，不只局限在狹窄的領(lǐng)域。

3.1.3 知識(shí)表示。很多專家知識(shí)事實(shí)上很難用規(guī)則表示出來，但在現(xiàn)實(shí)工作中，我們大部分財(cái)務(wù)管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識(shí)表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來將知識(shí)提供給專家系統(tǒng)，這樣做就可以避免這一問題，當(dāng)專家系統(tǒng)需要相應(yīng)知識(shí)時(shí)，就不需要用規(guī)則來表示知識(shí)，直接調(diào)用人工神經(jīng)網(wǎng)絡(luò)就可以了。

3.1.4 知識(shí)獲取。人工神經(jīng)網(wǎng)絡(luò)可以幫專家系統(tǒng)來獲取知識(shí)，知識(shí)獲取是通過人機(jī)對(duì)話的形式進(jìn)行的。首先，專家系統(tǒng)向?qū)＜姨岢鰡栴}，人工神經(jīng)網(wǎng)路則負(fù)責(zé)對(duì)這些信息進(jìn)行收集、處理，在人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值中已經(jīng)具有通用的知識(shí)，所以這一步驟會(huì)很方便，之后再產(chǎn)生相應(yīng)的數(shù)據(jù)結(jié)果。接著，專家系統(tǒng)在對(duì)這些數(shù)據(jù)進(jìn)行進(jìn)一步的分析。在這一過程中，專家系統(tǒng)只運(yùn)用很少的規(guī)則就可以獲得相關(guān)的知識(shí)，大大提高了工作效率。

3.2 財(cái)務(wù)管理專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò) 財(cái)務(wù)管理專家主要通過三種方式來對(duì)神經(jīng)網(wǎng)絡(luò)提供必要的支持：第一，提供相應(yīng)的必要的解釋；第二，進(jìn)行預(yù)處理；第三，聯(lián)合應(yīng)用。

3.2.1 解釋。作為專家系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它做不到同其他專家系統(tǒng)那樣，具體詳細(xì)地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個(gè)小型的專家來解決這一問題，以獲得答案的原因，這個(gè)專家系統(tǒng)可以反向推理，從結(jié)果到初始輸入，系統(tǒng)提供具體的解決方法。

在這種模式中，經(jīng)過訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)來解決問題。當(dāng)用戶要求解釋的時(shí)候，就可以通過網(wǎng)絡(luò)輸入一個(gè)并行的專家系統(tǒng)。

3.2.2 預(yù)處理。對(duì)于人工神經(jīng)網(wǎng)絡(luò)來說，處理數(shù)據(jù)這項(xiàng)工作比較難。專家系統(tǒng)可以幫助人工神經(jīng)做好這些工作：選擇合適的收斂算法，確定訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本的數(shù)量，選擇合適的神經(jīng)網(wǎng)絡(luò)。收集正確數(shù)據(jù)的工作，對(duì)于人工神經(jīng)網(wǎng)絡(luò)來說至關(guān)重要，事先對(duì)它們進(jìn)行預(yù)處理，可以確保各項(xiàng)工作順利的完成。

3.2.3 聯(lián)合應(yīng)用。將一個(gè)復(fù)問題分解為幾個(gè)子問題，如下圖3所示，再將各個(gè)子問題來逐個(gè)解決，這就是我們所常說說的聯(lián)合應(yīng)用方法。它可以直接采用人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)以及其種可能的方法來解決問題，指導(dǎo)實(shí)際應(yīng)用。

我們當(dāng)前計(jì)算機(jī)所要解決的主要問題，是如何解決半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策等問題，它是人們?cè)谌粘Ｉ钪兴?jīng)常遇到的，在財(cái)務(wù)活動(dòng)中會(huì)大量存在。如何更科學(xué)、更合理地處理這些問題是我們當(dāng)前工作的主要方向。運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)處理半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策是一種智能化的求解方式。但是此種方式并不是完美無缺的，它還存在著一定程度上的缺點(diǎn)，我們只有改善這種技術(shù)上的不成熟，將智能化研究進(jìn)行到底，才能讓神經(jīng)網(wǎng)絡(luò)決策支持系統(tǒng)的研究出現(xiàn)新的進(jìn)展。

參考文獻(xiàn)：

[1]陳文偉.智能決策技術(shù).電子工業(yè)出版社，1998年.

[2]鐘義信.智能理論與技術(shù)——人工智能與神經(jīng)網(wǎng)絡(luò).人民郵電出版社，1992年.