人工智能研究综述范文
时间：2023-06-01 10:54:00
导语：如何才能写好一篇人工智能研究综述，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
关键词：回弹-超声-拔出综合法；混凝土；强度；检测
Abstract: in the theoretical analysis and test research, it established concrete rebound-ultrasound-pulled out of the synthesis detection artificial neural network model. Comparing the traditional regression algorithm, the artificial neural network model of concrete strength has higher precision.
Keywords: rebound-ultrasound-pull out the synthesis; Concrete; Strength; detection
中图分类号： TU528 文献标识码：A 文章编号：
1 引言
混凝土的强度可采用无损检测的方法进行推定，如采用回弹法、声速法、拔出法或综合法。综合法由于采用多项物理参数，能较全面地反映构成混凝土强度的各种因素，并且还能够抵消部分影响强度与物理量相关关系的因素，因而它比单一物理量的无损检测方法具有更高的准确性和可靠性[1]。通过试验研究和工程实践积累的检测数据，建立了混凝土强度回弹-超声-拔出综合法神经网络模型。
2 试验设计
2.1 试件制作
设计C15、C20、C25、C30、C35、C40六个强度等级、三个龄期的混凝土，共制作标准养护100×100×100mm立方体试件180组用于回弹法、超声法检测，制作标准养护200×200×200mm立方体试件180组用于拔出法检测，同时制作相同组数的自然养护试件。试件均采用机械搅拌、机械振捣。
2.2 混凝土配合比及原材料基本性能
混凝土配合比及设计参数见表1。
表1 混凝土配合比及设计参数统计表
3 回弹-超声-拔出综合法人工神经网络的设计与模型建立
3.1网络设计与说明
3.1.1输入和输出层的设计
人工神经网络的输入、输出层数是完全根据使用者的要求来设计，问题确定下来，输入输出层也就确定了。
3.1.2隐含层单元的选择
隐含层单元个数的选择是一个十分复杂的问题，目前尚没有很好的解析表达式，隐含层单元的个数与问题的要求、输入输出单元的数量、训练样本的数量等都有直接关系。当隐含层单元的数量太少时会导致网络的容错性能降低，即训练不出理想的结果。但隐含层单元个数太多又往往会造成网络的训练时间过长，且网络的输出误差也不一定最小，因此目前主要依靠理论和经验确立合适的计算网络[2]。下面公式作为选择隐含层单元数的参考：
式中：n1为隐含层单元数，m为输出层单元数，n为输入层单元数，a为1-10之间的常数。
3.1.3初始值的选取
对于系统是非线性的，初始值对于学习是否达到局部最小和是否能够收敛的关系很大，一个重要的要求是希望初始权在输入累加时使每个神经元的状态接近于零，这样可以保证开始时不落到那些平坦区域上。权一般取随机数，而且要求比较小，这样可以保证每个神经元一开始都在它们转换函数变化最大的地方进行[3]。
3.1.4数据的归一化处理
由于输入数据的密集性，数据之间的差别太小，如超声值；同时由于采集的各数据单位不一致，直接将数据输入神经网络进行训练会引起混淆。因此，必须对输入数据和输出数据进行归一化处理（Normalization Processing），使得输入层的输入值介于[-1,1]之间，而输出层的输出值介于[0,1]之间。
神经网络训练结束后，在神经网络进行混凝土强度推测阶段（即仿真阶段），需要对数据进行反归一化处理。
3.2网络算法改进
3.2.1附加冲量(动量)法
附加冲量法修正网络参数时，不仅考虑误差函数的梯度下降，而且考虑误差曲面的变化趋势。没有附加冲量作用时，网络可能陷入局部极小或进入误差曲面平坦区，而附加冲量则有可能使网络跳出局部极小或滑过平坦区[4]。
3.2.2自适应学习速率
正确选择学习速率不是一件容易的事情，通常对训练初期合适的学习速率，随着训练的进行会变得不合适，因为误差曲面是非常复杂的。为了解决这一问题，设法让网络具有这样一种功能，根据自身的训练情况自动调整学习速率，即采用自适应学习速率[5]。
3.2.3 S型函数输出限幅算法
网络的连接权和阀值的调节量都与中间层输出b有关，当bj=0或b=l时，vji=0或wji=0或θj=0，即当bj=0或bj=1时，不能对网络的权值和阀值进行调整。
3.3 网络训练和模型的建立
混凝土强度回弹-超声-拔出综合法神经
网络训练如图1示。经过训练，网络模型如
图2所示。
建立的神经网络的训练函数为Trainlm。
输入层数是3，即回弹值、超声值、拔出力；
输出层数是1，即混凝土立方体抗压强度。
隐含层是1层，单元数是5。初始学习速率
0.05，冲量系数0.9，允许学习次数3000，
学习样本数168，计算样本数15，初始权值和阈值为[-0.01，0.01]区间的随机数，输入层的输入值介于[-1，1]之间，输出层的输出值介于[0，1]之间。网络检测样本见表2所示。
4 人工神经网络与回归算法推测混凝土强度对比
4.1回归模型选择
根据试验数据情况拟选三种回归公式，通过回归指标综合评价这三种回归公式，然后选取既能反映混凝土实际工作状况又较为简单的回归公式作为综合法的测强公式 。
拟选用以下几种回归公式模型[6，7]：
幂函数方程 ：
线性方程：
指数方程：
式中；—混凝土强度计算值(MPa)；F—拔出力(kN)；N—回弹值；V—超声速度(km/s)；A、B、C、D—回归系数
4.2 综合法检测回归公式及试验结果分析
本次试验通过对576组150×150×150mm试块和90根750×200×200mm小梁180组进行拔出、回弹、超声检测。对试验数据利用Matlab进行回归分析，得到如下回归方程和相应的回归指标，见表3。
表3几种回归方程比较
篇2
【关键词】互联网信息时代 人工智能 应用研究
当前，世界已全面进入以大数据共享、信息爆炸为特点的互联网信息时代。富有智能化和人性化的计算机网络技术服务成为了人们青睐和关注的焦点。人工智能作为互联网信息时代凝聚高端技术的超值网络服务，在增强互联网安全性、提高网络操作自动化等方面意义重大。现阶段，已有更多行业领域的用户在应用人工智能，体验这一技术所带来的新生活。
1 人工智能简述
人工智能，即Artificial Intelligence，是现代社会特有的综合类前沿学科，交叉云集了计算机、网络技术、控制方法论、信息论、神经生物学、语言学等多学科知识，主要用来研究机器在思考、学习、规划等行为的拟人态进化，使之解决问题的能力大幅提升。人工智能发展至今已有超过60载岁月，其成就在整个历程中熠熠生辉，代表着人类文明的不断发展与超越。人工智能经历了三个阶段的发展变革：第一阶段是以人工智能驱动机器设备，代替或辅助人类思考并解答难题；第二阶段是研发智能机器人，处理不同系统及环境信息的交互工作，如不确定性信息的处理工作；第三阶段的代表成果就是数据挖掘系统，可实现海量模糊信息采集与分析，可视化技术发展迅猛，计算机具有自主学习能力。
2 人工智能的应用领域代表成就
任何一项技术的创新与发展，都源于人类开展生产生活的实际需求，人工智能技术的研究也不例外，发展至今已经为解决不同领域的实际需求提供了众多技术应用。目前，人工智能在下列应用领域中取得了代表性成就：
2.1 专家系统
专家系统，其实是由庞大的程序组编写完成的数据系统，广泛积累不同专业的知识经验，这些知识均可事先归纳分析，可按具体模式表示，从而帮助用户凭借领域专家的固有知识进行推理解决问题。专家系统可系统化分析输入信息并结合已有知识体系进行全面推理，提出建O性的决策建议，相当于发挥行业专家的作用。
2.2 数据库智能检索
人工智能想要做到全面模拟人类思维和动作，需要建设强大的数据库资源，便于及时开展智能检索。数据库基于计算机软件开展，存储了海量专业学科知识，也称之为知识库系统，一旦有用户需要查阅解决该学科的专业问题，都可通过智能检索功能实现快速精准地检索。
2.3 程序自动设计
自动化的程序设计就是借助更高规格高标准的程序设计系统来完成指定功能的程序设计，该系统需要用户输入所设计程序的需求目标，并对整个流程和架构有更为高级的描述，系统就能自动组织对应程序完成设计。高度自动化的程序设计编写方式，也展现了人工智能系统的思考、学习、修正自身缺陷的拟人态功能。
2.4 目标模式识别
模式识别，顾名思义正是为识别不同物体的特征是否匹配目标对象而具备的功能。现代计算机加强了模式识别系统功能，能够提高机器对外界信息的感知能力，不断接受外界信息，对所处环境的特征进行识别，加强概念理解。当前，目标模式识别已由二维向三维层面升级，为研究智能机器人提供了坚实的基础。
当然，人工智能的应用领域远不止上述这些，还在机器学习、机器视觉图像处理（machine vision）、自然语言理解（Natural Language Understanding）、自然信息博弈论等方面发挥着重要的作用。
3 不同行业的人工智能技术应用实例
目前，众多企业为求发展，与内部运营管理中加强了人工智能的应用，聚力解决各项问题，为企业赢得了经济效益，推动着社会发展。
3.1 企业管理应用
将人工智能应用于企业管理中，需要人的智能和人工智能之间的辩证关系，灵活运用工智能应用平台加强对企业内部各项管理智能软件的开发工作，借助灵活的人工智能技术帮助企业实施科学决策。
3.2 水利管理应用
人工智能能够在水情控制与洪灾预报中发挥作用。如可使用人工神经网络和遗传算法等技术，模拟汛期的最大洪峰与洪水总量，研究更有针对性的抗洪模型，提高了洪灾预报精度和汛期准度，有效发挥防洪降灾、拦洪储水的重要作用。同时，人工智能还能够分析大江大河的复杂地质与环境系统，对治理河流起到良好的辅助作用。
3.3 建筑行业应用
目前，建筑行业的用地规划、给排水工程、暖通空调工程、施工管理等内容都在应用人工智能。已有企业基于神经网络算法发明了结构节点探伤法，可查探建筑结构损伤度；也可在市政工程建设中不断强化正反向混合推理的理论思想，查明城市污水处理管网故障；可构建用于分析建筑工程性能效益的系统，加强建设项目性能效益预测和实际效益分析。
3.4 机械行业应用
人工智能同样成为互联网时代下的机械行业技术中的重头戏。如：人们利用人工神经网络算法，设计出土方工程的机械调度的优化方案；多个工程都可搭建含多目标的寻优函数模型。许多大型机械装置，都配置了人工智能操作平台，可提高安全风险监控水平，增强机械操作自动化，进一步优化生产效率。
3.5 商品销售预测应用
人工智能的各种函数模型或优化算法，可在商品销售金额的预测中发挥巨大作用。如：在计算机中输入不同商品某一时间段的销售额，形成非线性系统进行分析，评估各种影响因素。采用人工神经网络，不断放大自分布处理、自组织学习、自适应与自容错等特性，体现强大的预测功能。
当然，人工智能还广泛应用到电子网络技术应用、企业财务管理、航班信息查询、教学服务、心理咨询公路建设、焊接制造、等众多方面，为更多企业带来可观的经济效益。
4 结束语
互联网信息时代的人工智能应用，将会随着科技力量的不断壮大而实现更多的应用。人们应该高度重视人工智能理论与技术的探究，从而更好地为全人类服务。
参考文献
[1]何承.计算机网络技术中人工智能的应用探讨[J].信息通信，2016（03）：180-181.
[2]韩晔彤.人工智能技术发展及应用研究综述[J].电子制作，2016（12）：95-95.
[3]王宇飞，孙欣.人工智能的研究与应用[J].信息与电脑，2016（05）：115-117.
作者简介
李君，男，江西省上饶市人。上海财经大学浙江学院，主要从事教学软件管理类工作。
篇3
关键词：人工智能；异化；规范；生态文明观
中图分类号：TP18
文献标识码：A
一、人工智能技术的发展及其影响
人工智能技术研究开始于20世纪50年代中期，距今仅有60年的发展历程，但是其迅猛的发展速度，广泛的研究领域以及对人类产生的深远影响等令人惊叹。调查显示，77.45%的人认为现实生活中人工智能技术的影响较大，并且86.27%的人认为人工智能技术的发展对人类的影响利大于弊；认为人工智能技术对人类生活影响很小且弊大于利的人权占很小一部分。人工智能技术的发展和应用直接关系到人类社会生活，并且发挥着重要的作用。人工智能技术的发展方向和领域等由人类掌控着，所以人类应该尽可能地把人工智能技术的弊处降到最低以便更好地为人类造福。2016年3月份，围棋人工智能AlphaGo与韩国棋手李世h对弈，最终比分4∶1，人类惨败。4月份，中国科学技术大学正式了一款名为“佳佳”的机器人，据了解，机器人“佳佳”初步具备了人机对话理解、面部微表情、口型及躯体动作匹配、大范围动态环境自主定位导航和云服务等功能。而在这次正式亮相之前，“佳佳”就担纲主持了2016“首届全球华人机器人春晚”和“谁是棋王”半Q赛。人工智能技术确实给人类带来了诸多的便利，给人类生产生活带来便利；但是，人工智能技术的快速发展超乎人类的预测，引起了人类的恐慌和担忧。百度CEO李彦宏称，人工智能是“披着羊皮的狼”。毋庸置疑，科学技术是一把双刃剑，当人类醉心于科学技术所带来的福利中时，更应当注意其带来的负面作用。人类发明和创造科学技术最终是为了造福人类，而非受到科技的异化。
随着科技的发展，人工智能技术越来越成熟，在此整体趋势之下，不同的人群对人工智能技术的不断成熟与应用有着不同的看法。调查结果显示，在关于机器人会不会拥有人类的思维甚至超过人类的问题方面，27.45%的人认为机器人会拥有人类的思维和超过人类；而56.86%的人认为机器人不会拥有人类的思维和超过人类，小部分人对此不是很清楚。由于受到人工智能技术迅猛发展的冲击，如机器人保姆、AlphaGo围棋等智能产品对人类发展带来的威胁，一部分人仍然对人工智能技术的发展担忧甚至认为终有一天机器人将代替人类、征服人类、控制人类。但是，大部分的人在机器人是否能够超过人类方面，保持乐观积极的态度，认为机器人永远不会拥有人类的思维并且超越人类，因为人类是技术的主导者，人类掌握着技术的发展方向，技术终究是为了人类服务。这一看法肯定了人类的无止境的创新，然而，在人类醉心于技术创新的同时，应意识到某些创新确实超出了人类的预料，如AlphaGo与李世h围棋人机大战就是人类在技术面前失败的惨痛教训。因此，面对科技对人类的异化，人类要时刻保持警惕，适时地总结“技术异化”的缘由和解决对策。
二、人工智能技术发展面临的问题及其原因
随着技术的革新，人工智能技术的应用越来越广泛，与人们的日常生活联系也愈加密切。从智能手机的普及到自动驾驶汽车的研制成功，再到生产、建设、医疗等领域人工智能技术的应用，都表明了人工智能技术正悄无声息地改变着我们生活方式。诚然，人工智能技术使我们的生活更加丰富多彩，给我们带来了极大便利，但与此同时，人工智能技术也给社会带来了一系列不可忽视的问题：人工智能技术在社会生产领域的应用对劳动市场造成冲击；人工智能系统在收集、统计用户数据过程中个人隐私及信息安全方面的隐患；人类对人工智能产品的依赖引发的身心健康问题；人工智能引起的责任认定问题等。斯蒂芬・霍金在接受BBC采访时表示，“制造能够思考的机器无疑是对人类自身存在的巨大威胁。当人工智能发展完全，就是人类的末日。”表示同样担忧的还有特斯拉的创始人马斯克，他曾直言，“借助人工智能，我们将召唤出恶魔。在所有的故事里出现的拿着五芒星和圣水的家伙都确信他能够控制住恶魔，但事实上根本不行。”不可否认，人工智能技术是把双刃剑，有利亦有弊，争议从来就没有停止过，而最不容忽视的莫过于人工智能技术引发的一系列伦理困境，关于人工智能的伦理问题成了重中之重。
调查发现，47.55%的人认为人工智能所引发的伦理问题是因为人性的思考，占比较大；而22.55%的人认为是由于人们价值观念的改变；29.9%的人认为是利益分化与失衡以及一些其他的原因导致的。由此可以看出导致人工智能伦理困境的原因是多方面的。主要总结为以下几个方面。
第一，从技术层面来看，人工智能技术在现阶段仍然有很大的局限性。人工智能是对人脑的模仿，但人脑和机器还是存在本质区别的，人脑胜于人工智能的地方，就是具有逻辑思维、概念的抽象、辩证思维和形象思维。人工智能虽能进行大量的模仿，但由于不具备形象思维和逻辑思维，仅能放大人的悟性活动中的演绎方法，不可能真正具有智能，这决定了机器不能进行学习、思维、创造。此外，智能机器人也不具备情感智能，它们根本无法去判断自己行为的对错，也无法自动停止自己的某项行为，所以如果人工智能技术一旦被不法分子利用，后果不堪设想。可见，由于人工智能自身技术上的局限性导致的伦理问题已经影响到其未来发展。
第二，从规制层面来看，伦理规制的缺失和监督管理制度的不完善是导致伦理问题产生的重要原因。科技的发展目标是为人类谋求幸福，但我们必须认识到，无论是在科技的应用还是发展过程中总是存在一些难以控制的因素，倘若没有相应的伦理原则和伦理规制加以约束，后果难以想象。在目前人工智能领域，缺乏一套成体系的关于人工智能技术产品的从设计、研究、验收到投入使用的监督管理方案，也没有一个国际公认的权威性的规范及引导人工智能技术的发展及运用的组织或机构。现有的监督体制远远滞后于人工智能技术的发展速度，无法匹配技术发展的需要。缺乏相关监管制度的约束，人工智能技术就不可避免会被滥用，从而危害社会。
第三，从社会层面来看，公众对人工智能技术的误解也是原因之一。人工智能作为一门发展迅猛的新兴学科，属于人类研究领域的前沿。公众对人工智能技术的了解十分有限，调查显示，对人工智能技术只是了解水平较低的人较多，占62.75%，以致部分人在对人工智能技术没有真实了解的情况下，在接触到人工智能技术的负面新闻后就夸大其词，人云亦云，最终导致群众的恐慌心理，从而使得更多不了解人工智能技术的人开始害怕甚至排斥人工智能技术。我们必须清楚，人工智能是人脑的产物，虽然机器在某些领域会战胜人，但它们不具备主观能动性和创造思维，也不具备面对未知环境的反应能力，综合能力上，人工智能是无法超越人脑智能的。在李世h对弈AlphaGo的旷世之战中，尽管人工智能赢了棋，但人类赢得了未来。
三、人工智能技术的发展转向
人工智能技术的发展已经深入到人类社会生活的方方面面，其最终发展目标是为人类服务。但是，科学技术是把双刃剑，它在造福人类的同时，不可避免地会给人类带来灾难，因此，人类应该趋利避害，使人工智能和科学技术最大化地为人类服务。这就要求人类必须从主客体两个角度出发，为人工智能技术的健康发展找出路。
1.技术层面
（1）加强各个国家人工智能的对话交流与合作。人工智能自20世纪50年代被提出以来，尤其是近六十年来发展迅速，取得了许多丰硕的成果。如Deep Blue在国际象棋中击败了Garry Kasparov； Watson 战胜了Jeopardy的常胜冠军；AlphaGo 打败了顶尖围棋棋手李世h。从表面上看，人工智能取得了很大的进步，但深究这些人工智能战胜人类的案例，我们发现这些成功都是有限的，这些机器人的智能范围狭窄。造成这一现象的很大一部分原因就在于国际间人工智能技术的对话交流与合作还不够积极，所以加强各个国家人工智能的对话和交流迫在眉睫，同时也势在必行。
（2）跨学科交流，摆脱单一学科的局限性。从事人工智能这项工作的人必须懂得计算机知识、心理学和哲学。历史的经验告诉我们，一项科学要想走得长远就必须有正确的意识形态领域的指导思想的介入。在人工智能这项技术中，有些科学家们可能只关注经济利益而没有引进相应的伦理评价体系，最终使得技术预测不到位，没有哲学的介入，等真正出现问题时就晚了。所以要加强科学家与哲学家的沟通交流，令科学家能更多地思考伦理问题，提高哲学素养，在人工智能技术中融入更多的哲学思想，保证人工智能技术能朝着正确、健康方向发展。
（3）人工智能技术的发展，要与生态文明观相结合。在人工智能技术发展中，要注入更多的生态思想，这关系人民福祉、关乎民族未来的长远大计。在人工智能发展中，若是产生资源过度消耗、环境破坏、生态污染等全球性的环境问题时，人类必须制止并进行调整。人工智能技术要想发展得更好，前景更加明亮，前途更为平坦，就必须保持与生态文明观一致，与人类自身利益一致，为人类造福。
2.人类自身层面
（1）增强科学家道德责任感。科学技术本身并没有善恶性，而研发的科学家或是使用者有善恶性。人工智能将向何处发展，往往与研发人工智能的科学家息息相关。科学家应打破“个体化原理”，要融入社会中去，关注社会道德伦理问题，承担起道德责任，为自己、他人、社会负责，多去思考自己研发的技术可能带来的后果，并尽可能去避免，多多进行思考，严格履行科学家的道德责任。
（2）提高公众文化素养。调查发现，对人工智能技术了解水平较低的人较多，占62.75%；而非常了解的人较少，占4.41%；另外，对人工智能技术了解的人占21.08%，不了解的人占11.76%。由此可以看出，大部分的人对人工智能技术都能有所了解，但都不是很深入，而且仍有部分人对人工智能技术丝毫不了解，所以，人工智能技术对于个体的影响是比较微小的，其发展还没有深入到个人的日常生活中。特别是在一些关于人工智能的科幻电影的渲染，可能使那些对于人工智能技术并不了解或是一知半解的人产生偏见。在日常生活中，人工智能给人类带来了极大的便利。通过提高公众的文化素养，使公众正确认识人工智能技术，将是缓解甚至是解决人工智能技术某些伦理问题的重要途径之一。
（3）加大监督力度。人类需要通过建立一个完善的监督系统引导人工智能技术的发展。对于每项新的人工智能技术产品从产生到使用的各个环节，都要做好监督工作，以此来减少人工智能技术的负面影响，缓解甚至减少人工智能技术的伦理问题。
3.道德法律用
（1）通过立法规范人工智能技术的发展。调查发现，90.69%的人认为有必要对人工智能技术所引发的科技伦理问题实行法治，由此可以看出，要想保证科技的良好健康发展，必须要建立健全相关法律条例。然而我国在这一方面的法律还存在很大的漏洞，相关法律条文滞后于人工智能的发展，并未颁布一套完整的关于人工智能的法律体系。没有规矩不成方圆，在人工智能领域亦是如此。我们都无法预测将来人工智能将发展到何种地步，这时就需要人类预先加以适当的限制，利用法律法规加以正确引导，使其朝安全、为人类造福的方向发展。
（2）构建人工智能技术伦理准则并确立最高发展原则。要构建以为人类造福为最终目的的伦理准则。人工智能技术的伦理问题已经给人类造成了很多负面影响，而要防止其带来更多负面影响，构建合适的人工智能技术伦理准则势在必行。
此外，要确立以人为本的最高发展原则 。一切科学技术的发展都应把人的发展作为出发点。人工智能的发展也是如此，要将以人为本、为人类服务为出发点，并作为最高发展原则。
四、结语
科学技术是把双刃剑，人类只有消除人工智能技术的潜在威胁，发挥人工智能技术最大化效用，避免伦理困境重演，才能实现人机交互的良性发展，实现人工智能与人类的良性互动。
参考文献：
[1]王文杰，叶世伟.人工智能原理与应用[M].北京：人民邮电出版社，2004.
[2]甘绍平.人权伦理学[M].北京：中国发展出版社，2009.
[3]杨怀中.现代科技伦理学概论：高科技伦理研究[M].武汉：湖北人民出版社，2004.
[4]王志良.人工情感[M].北京：机械工业出版社，2009.
[5]邹 蕾，张先锋.人工智能及其发展应用[J].信息网络安全，2012（2）.
[6]王 毅.基于仿人机器人的人机交互与合作研究[D].北京：北京科技大学，2015.
[7]田金萍.人工智能发展综述[J].科技广场，2007（1）.
[8]郝勇胜.对人工智能研究的哲学反思[D].太原：太原科技大学，2012.
[9]龚 园.关于人工智能的哲学思考[D].武汉：武汉科技大学，2010.
篇4
【关键词】人工智能 图像识别 深度学习
1 概述
图像识别技术是人工智能研究的一个重要分支，其是以图像为基础，利用计算机对图像进行处理、分析和理解，以识别不同模式的对象的技术。目前图像识别技术的应用十分广泛，在安全领域，有人脸识别，指纹识别等；在军事领域，有地形勘察，飞行物识别等；在交通领域，有交通标志识别、车牌号识别等。图像识别技术的研究是更高级的图像理解、机器人、无人驾驶等技术的重要基础。
传统图像识别技术主要由图像处理、特征提取、分类器设计等步骤构成。通过专家设计、提取出图像特征，对图像M行识别、分类。近年来深度学习的发展，大大提高了图像识别的准确率。深度学习从大量数据中学习知识（特征），自动完成特征提取与分类任务。但是目前的深度学习技术过于依赖大数据，只有在拥有大量标记训练样本的情况下才能够取得较好的识别效果。本文认为研究如何在标记数据有限的情况下继续利用深度学习完成物体识别任务具有重要意义。这也是未来人工智能研究的重要方向之一。
2 传统图像识别技术
传统的图像识别技术包括：图像获取、预处理、特征提取、分类。在图像输入后，需要先对图像进行预处理。一幅标准灰度图像，如果每个像素的像素值用一个字节表示，灰度值级数就等于256级，每个像素可以是0～255之间的任何一个整数值。一幅没有经过压缩处理的640×480分辨率的灰度图像就需要占据300KB的存储空间。通常我们需要将图片的亮度及对比度调整合适，才能使图片更加清晰、便于观察。
许多采集到的图片带有或多或少的噪声，需要对图片的噪声进行消除。对图片噪声的消除可以使用不同的去噪方法，如中值滤波、算数平均滤波、平滑线性滤波和高斯滤波等。不同滤波器分别适用于不同情况的噪声。如椒盐噪声便适合使用中值滤波器，高斯噪声便适合使用平滑线性滤波和高斯滤波。有时候，我们需要对图像细化处理（如指纹细化，字符细化等），以便获取主要信息，减少无关信息。细化操作，可以得到由单像素点组成的图像轮廓，便于后续特征提取操作。
基本的图像特征提取包括边缘、角点等提取。一般使用不同的特征提取算子结合相应的阈值得到这些关键点。另一类在频域中进行特征提取的方法主要是通过傅里叶变换，将图像基于频率分为不同的部分，从而可以在频谱中反映出原始图像的灰度级变化，便可得到图像的轮廓、边缘。
在完成图像的预处理和特征提取之后，我们便能够对图像进行识别、分类。常用的分类器有K-近邻（KNN），支持向量机（SVM），人工神经网络（ANN）等等。K-近邻算法原理是，当一个样本的k个最相邻的样本中大部分属于某一类别时，该样本也应当属于同一类别。支持向量机是通过寻找支持向量，在特征空间确定最优分类超平面，将两类样本分开。人工神经网络模仿生物大脑中的神经网络结构，通过误差反向传播不断优化参数，从而得到较好的分类效果。
3 基于深度学习的图像识别技术
一般认为深度学习技术是由Hinton及其学生于2006年提出的，其属于人工神经网络分支。深度神经网络模仿人脑的神经机制来分析样本，并尽可能地对样本的特征进行更深度的学习。以图片为例，利用深度学习技术对样本的特征进行学习时，由低层特征到高层特征越来越抽象，越来越能表达语义概念。当样本输入后，首先对图像进行卷积与下采样操作，卷积和下采样操作是为了进行特征提取和选择。以原始像素作为输入，深度学习技术可以自动学习得到较好的特征提取器（卷积参数）。深度学习的训练过程，首先将当前层的输出作为下一层的输入，进行逐层分析，使得每一层的输入与输出差别尽可能小。其后，再联合优化，即同时优化所有层，目标是分类误差最小化。
传统的深度神经网络往往网络中的节点数太过庞大，难以训练。人们构造出卷积神经网络，以权值共享的方式减少了节点数量，从而能够加深学习的深度，使系统能学习到更抽象、更深层的特征，从而提高识别正确率。目前较成功的深度学习网络结构有AlexNet、GoogLeNet、ResNet等。
与传统识别技术相比，深度学习技术具有以下优势：
（1）无需人工设计特征，系统可以自行学习归纳出特征。
（2）识别准确度高，深度学习在图像识别方面的错误率已经低于人类平均水平，在可预见的将来，计算机将大量代替人力进行与图像识别技术有关的活动。
（3）使用简单，易于工业化，深度学习由于不需要领域的专家知识，能够快速实现并商业化，国内较知名的深度学习创业公司有专注人脸识别的Face++、研究无人车的驭势科技等。
4 存在问题与未来展望
虽然深度学习具备诸多优点，但目前来看深度学习仍有许多不足之处。首先，由于深度学习模型为非凸函数，对其的理论研究十分困难，缺乏理论保证。在对数据进行调整时，仍是简单的“试错”，缺少理论支撑。
同时，由于深度学习过于依赖数据量和计算资源。对一个新概念的学习，往往需要数百个甚至更多有标记的样本。当遇到有标记的样本难以获取或者代价太大时，深度学习就无法取得好的学习效果。并且深度学习需要十分昂贵的高性能GPU，这使得深度学习难以平民化。目前深度学习训练速度较慢，往往需要几天甚至一个月。其模型扩展性差，缺少“举一反三”的能力，样本稍加变化，系统性能便会迅速下降。目前的深度学习属于静态过程，与环境缺乏交互。
对其的解决方案目前主要有两点：
（1）针对于模型扩展性差的问题，通过引入迁移学习，研究不同任务或数据之间的知识迁移，提高模型的扩展能力、学习速度，同时降低学习成本，便于冷启动。
（2）与强化学习结合，研究在动态环境下进行深度学习，提高深度学习与环境交互的能力。
参考文献
[1]蒋树强，闵巍庆，王树徽.面向智能交互的图像识别技术综述与展望[J].计算机研究与发展，2016：113-122.
[2]张翠平，苏光大.人脸识别技术综述[J].中国图象图形学报，2000：885-894.
[3]梅园，赵波，朱之丹.基于直线曲线混合Gabor滤波器的指纹增强算法[J].计算机科学，2016.
[4]孙志军，薛磊，许阳明，王正.深度学习研究综述[J].计算机应用研究，2012：2806-2810.
[5]庄福振，罗平，何清，史忠植.迁移学习研究进展[J].软件学报，2015：26-39.
[6]高阳，陈世福，陆鑫.强化学习研究综述[J].自动化学报，2004：86-100.
篇5
【关键词】人工智能技术；电力系统；故障诊断；应用
中图分类号：O434文献标识码： A
一、前言
在国家智能电网的推动下，电力系统的故障诊断成为了实现电力系统自动化的主要问题。通过人工智能技术对电网参数进行智能化分析，有利于及时诊断故障，从而优化电力系统，保障电力系统的稳定性，减少不必要的损失。
二、人工智能技术概述
人工智能技术集脑科学、神经学、信息技术为一体，目前广泛运用于多个领域，同时也是近年来科技领域的一个研究热点。它通过对人脑的原理和行为进行模仿，从而研制出一种自动化的机器，这种机器能分析、识别、发现问题。很多电力企业都运用了这种技术，它提高了电力运行的效率，减少了故障发生的机率，还节约了人力、物力、财力。同时，它也能解决电力系统中非常复杂的问题，比如非线性映射。不仅如此，它还被继电保护所应用。人工智能技术中的神经网络方法，通过采集大量的故障样本，使设备对故障有一定的印象。因此，在发生故障的时候，设备能够快速反应并且发出警报。
三、人工智能技术的种类
1.人工神经网络
人工神经网络是人工智能技术中的一种，它的非线性问题非常复杂，这种技术主要是用在继电保护上，它是通过模仿人的神经系统而研制出来的。此外，人工神经网络还具有比较快的反应能力，能够及时对电力系统进行监控、评估等等。即便是发生了故障，它也能够进行快速的判断，并且对故障的距离、情况等一一进行探测。
2.智能模糊逻辑
智能模糊逻辑通过运用模糊理论，输入变量，建立数学模型，能够很好地对电力系统进行规划，并且诊断电力系统故障。如今，智能模糊逻辑已经成为了一种比较成熟和完善的人工智能技术，广泛应用于电力系统当中。
3.遗传算法
遗传算法的理论基础是数学模型，它通过借鉴自然遗传机制的随机搜索算法，从而对群体和个体之间的信息进行交换。
4.混合技术
所谓的混合技术，就是将遗传算法、人工神经网络、智能模糊逻辑等几种技术合在一起，因为上面所说的几种方法有一定的局限性，甚至还有一些难以克服的缺陷。将这些技术合在一起，就能够更好地解决电力系统中的问题。
四、人工智能在故障诊断中的应用
人工智能技术中的模糊理论、专家系统和神经网络在电气设备故障诊断中应用较广泛，特别是在变压器故障诊断、发电机和电动机故障诊断中。目前变压器故障诊断常用方法是取变压器油分解出气体，对气体进行分析来判断故障状态。传统的故障诊断方法无法针对设备故障的不确定性、非线性和复杂性等特点进行诊断，诊断效率较低。而人工智能方法的应用提高了诊断准确率。人工智能技术主要使用模糊逻辑、神经网络和专家系统三种故障诊断方法。如在电动机和发动机的故障诊断中使用人工智能化的故障诊断技术，结合了神经网络和模糊理论，实现了故障诊断知识模糊性与较强的神经网络共同的诊断，相对提高了故障的针对准确率。现在简单的介绍下以下三种故障诊断方法。
1.模糊逻辑
模糊逻辑是在模糊集合理论的基础上发展起来的，它采用模糊隶属度的概念来描述不精确、不确定的对象，并采用近似推理规则，使专家知识得以有效表达，且具有很强的容错能力。
综上可看出，模糊逻辑比较适合用来处理电网故障诊断中继电保护动作的不确定性和故障信息的不完备性。文献[8]不仅引人了保护和断路器的动作信息，而且按额定值将遥测量进行模糊化用于故障诊断，为故障诊断的多信息融合提供了新的思路。采用模糊集理论进行电网故障诊断也存在一些问题：像隶属度函数的选择无明确的标准、可维护性较差等。所以在电网故障诊断领域中，模糊集理论通常与其他诊断方法相结合，互相渗透、取长补短。
2.神经网络
作为典型的模拟人类神经系统进行信息传输与数据处理的人工智能技术，神经网络方法最大的特点就在于对于神经元网络的应用。不同神经元之间的沟通连接共同构成了网络运行的基础，对于各种隐含所处理问题的智慧进行权重连接，从而实现诊断与处理。从其运行方式和结构来看，它具有一定的学习能力，能够通过对学习算法的应用实现训练样本的训练，同时完成知识的自我组织与构建，容错能力较强，即使输入信号存在一定的干扰因素，也能在较大程度上给出相对正确的输出结果。同时，系统强大的神经元并行运算能力还能并行处理故障诊断，因为在执行效率上也较为令人满意。众多的神经网络模型中，应用较为广泛和典型的是误差逆传播神经网络（BP网络）。这种网络具有很强的非线性映射能力，同时是一种柔性网络结构，能够随着逆传播的修正不断减少误差，同时还能通过对输入模式的响应做好分类，提升正确率，尤其是对于变压器故障中的油中溶解气体类故障诊断具有较好的应用效果。
虽然误差逆传播神经网络在故障诊断中有过多次成功的先例，但是随着学习样本的增多，输入输出关系的发杂多样化，这种系统的网络收敛速度不断受到影响，变得越来越慢，有时候甚至出现不收敛现象。基于这种情况，有些研究指出将径向路基函数网络应用与变压器的故障诊断，以此来弥补和改善此神经系统的缺陷，有些研究则提出了基于概率神经网络的变压器故障诊断方法等等不一而足。神经网络方法的应用简化了复杂故障问题的处理与分类，同时在自我学习的基础上实现了对专家系统不足的弥补。
3.专家系统
专家系统可简称为ES，它所面向主要是各非结构问题，特别是处理启发式、定性的或者不确定知识信息，通过各样的推理过程来达到系统所要求任务目标。
专家系统在我国电厂里的应用是最早及较为成熟的人工智能技术，并且发展了很多专家系统，在电力系统不同领域被应用，像电网调度、系统恢复、监测和诊断、预想事故筛选等，特别是监测核事故诊断成为专家系统在电厂中最主要应用领域。
依据知识存储方式不同，能把ES分为决策树、知识经验、规则及模型等不同形式，模型形式的知识所表达方式是比较适合实时处理的，比基于规则形式推理方式要更为简单及快捷及容易维护。ES在输电网络诊断故障里的典型应用为产生式规则系统，就是把断路器、保护器动作逻辑和运行人员诊断经验运用规则的形式进行表示，并形成知识库，依据报警信息进行知识库推理，以获得诊断结论，这种产生式规则专家系统在电厂中能够被广泛应用主要是因这种专家系统及故障诊断特点所决定的，在输电网络里断路器及一级保护间的关系能用模块化及直观规则进行表示，并且能允许删除、增加及修改某些规则，从而保证诊断系统有效性及实时性，对不确定问题在一定程度上给予了解决，还能给出一些符合人类语言结论及解释能力。
同时，框架法的专家系统能够进行分类结构知识表达，以及对事物间的相关性进行表达，并简化继承性知识存储及表述。专家系统这种人工智能技术尽管能有效模拟完成故障诊断，可在电厂实际应用里，还存在着一定不足，主要为知识获取及维护问题，并且接口也不是很友好，对故障诊断里的很多不确定因素也无法有效解决，从而影响了诊断准确性。
五、结束语
在智能电网逐渐被推广的大前提下，人工智能技术在故障诊断的广泛应用对于电力企业有着十分重要的意义。在现如今的发展中，我们要认真分析当下在人工智能技术应用中存在的不足之处，优化并改进，这样才能使得人工智能技术在今后有更快更好的发展。
参考文献：
[1]朱祝武.人工智能发展综述[J].中国西部科技,2011，17-19页
篇6
摘要： 随着经济的发展，技术的进步，现代企业设备越来越大型化、复杂化、智能化，如果液压设备发生故障，生产就无法进行。本文首先介绍液压系统故障诊断的准备工作，然后详细介绍三种诊断方法。
关键词：液压系统故障 简易故障诊断法 人工智能故障诊断法
液压系统具有很多独特的优点，常见的如：大容量、结构紧凑、安装灵活、反应快、容易控制等等，在现代大型设备，特大型设备中具有广泛的应用的同时存在着问题，极易发生故障从而影响生产，造成故障的原因主要是系统中元辅件和工作液体性能不稳定，系统设备使用不当或者维护不到位。近几年液压系统故障诊断成为了一门专门的学科，受到高度的重视。
1、液压系统故障诊断的准备工作
第一拿到设备使用说明书时一定要认真仔细的阅读，详细了解该设备的功能、结构、工作原理，包括系统中元件的功能结构和原理；第二从网上查阅设备的档案资料，包括生产厂家、制造日期、调试验收，故障可能、处理方法等等。
2、简易故障诊断方法
2.1 主观诊断法
这是一种最传统的方法，凭借维修人员的主观判断（看、听、摸、闻、问）和实践经验，或者利用简单的仪器、仪表判断故障发生的部位并且给出发生的原因。常见到的主观诊断法有感官诊断、方框图分析、系统图分析，该方法简单快捷方便，这种方法对维修人员的要求极高需要有丰富的诊断经验，但是诊断结果具有局限性。
2.2直接性能测试法
这种方法通过测试液压元件和系统性能进而评价系统工作状态，适用于处于工作状态的系统，还能进行定量的分析，现代运用最多的是检测液压系统的状态。如果检测的液压系统元件或者性能超出了规定的正常范围，那么该系统就有发生故障的可能性。这种方法原理简单，相当直观，但是测试的精准度不是很高，一般早期的失效很难检测出来。
3、基于信号分析的故障诊断方法
3.1基于抽样分析法
反映系统内部信息的除了液压系统本身的信息，其内部的污染物也可以，也就是说测定和鉴别油液当中污染物的成分和含量，可以知道液压系统的污染情况和运行状况，也是一种故障诊断的方法。目前我们经常见到的有两种：一种是基于油液颗粒污染度的检测技术，包括：显微镜检测技术（设备投资小、方法简单、费时费力、误差大）、自动颗粒计数器（检测速度快、操作简便、准确度高但精度低）、称重法（设备简捷、检测方便、只测重）、铁谱分析法（可进行定性和定量的分析）、光谱法（成本高、精度高）；另一种是基于油液性能参数的检测技术，这种技术需要细致的分析油液的有关参数和金属的含量，历时的周期较长，无法实现在线检测，但是对重要液压系统的诊断很有效。
3.2基于振动噪声分析法
在液压系统的运行过程中，必然会伴随产生振动和噪声，尤其液压泵的振动声音十分大，实际上这些设备的振动和噪声就包含了许多故障的信息，分析信号，得到元件状态信息，进而进行故障诊断。这种方法的理论比较完善，应用也比较广泛，有多种信号处理方法如：时域特征参数法、时差域特征法、概率密度法、相关分析法、谱分析法、自功率谱分析法、倒频谱分析法、包络谱分析法、主分量自回归谱提取法、AR谱参数提取法、小波分析等。目前旋转机械设备也能用它分析诊断故障，纯机械设备的故障诊断效果相当明显。随着信号处理技术的发展，这种方法的应用前景十分可观。
3.3基于数学模型法
这种方法的指导是现代控制理论和优化方法，基础是系统的数学模型，残差产生法是观测器（组）、等价空间方程、Kalman滤波器、参数模型估计和辨识等，利用阀值或者准则评价决策残差。该方法和控制系统的关系相当密切，共同成为监控、容错控制、系统修复重构的基础。这种方法的数学模型的精确度直接决定诊断的精确性，一般最常建立的是线性和非线性的数学模型来诊断液压系统的故障。
4、基于人工智能的故障诊断方法
4.1基于专家系统的智能诊断法
这是智能诊断技术中受到多方关注的一个发展方向，研究最多，应用最广，主要是利用专家的知识和推理方法解决实际遇到的复杂问题。在这的专家系统并不是指人员而是指一种人工智能计算机程序，知识权威，学习功能强大。该系统的主要组成部分：知识库（系统知识和规则库）、数据库、推理机和解释机制。如果利用它检测在线的系统，数据库显示的是实时工况数据；如果利用它检测离线系统，则数据库显示的是实际故障时的数据或者人为故障的样本数据。该方法的运行过程是通过人机相互交换，专家系统获得所需信息，利用系统的知识库和数据库，推理机运用规则，调用应用程序，进行正确的推理，找到液压系统的故障。这种方法给自动化进行液压系统故障诊断代带来了光明和希望，但是也存在一定的不足和问题，不过未来的发展前景还是很广阔的。
4.2基于神经网络的智能诊断法
20世纪80年代人工神经网络迅速崛起，成为人工智能领域的一个分支，是一种计算模型（与人的认知过程相似），一种非线性动力学网络系统（模拟大脑神经元结构特性）。神经网络的非线性处理单元（类似神经元）相互关联，具有了学习、记忆、归纳总结等功能和数学模拟能力。这种方法的具有独特的优势，如：分布式处理能力、联想记忆、自学习能力等收到诊断领域的广泛关注和重视，未来发展前景十分宽广。
4.3基于模糊理论的智能诊断法
大量的模糊现象存在于液压系统故障诊断领域，如：系统油温过高、压力波动较重等等，过高、较重这些都是模糊的概念，并没有清晰的边界，故障发生会经历一个漫长的时间，同时故障发生的原因和症状也是模糊的，可能一对一，可能一对多，也可能多对一。利用模糊逻辑、模糊关系描述故障的原因和现象，建立隶属度函数和模糊方程，明确识别故障。这种方法的现象更为客观，结果更符合实际，速度快，容易实现。
5、结束语
随着21世纪科技的发展，人工智能技术更是突飞猛进，还有许多智能诊断的方法如：故障树诊断法、灰色理论智能诊断法、案例推理诊断法、多智能体的智能诊断法、信息融合技术智能诊断法等等。如何将新型科技、智能技术运用到故障诊断系统当中，实现自动化、智能化的故障系统诊断是我们亟待解决的问题。
参考文献：
[1]范士娟，杨超.液压系统故障诊断方法综述[J].机床与液压，2009，37（5）：188-192，195.
篇7
关键词：人工智能 心血管 超声
大数据是现代医学模式的重要特征。在这种医疗模式下，要求医疗人员在确保患者安全和健康的同时追求效率的最大化[1]。对于高分辨率的医学影像成像，集中体现在医务人员快速、准确、有效地解释影像数据（包括肉眼可见和不可见），挖掘利于诊断和治疗的有用信息。在此背景下，人工智能（artificial intelligence,AI）应运而生，它为促进图像采集、测量、报告和随后的临床路径以及影像和临床数据的整合提供了有效手段[2]。心血管影像的精确性成为AI临床应用中的主要领域之一，本文对此作一综述。
1 人工智能及其在医学上的应用
AI是一个广义的术语，指的是机器或计算程序执行具有人类智能特征的任务的能力，如模式识别和解决问题的能力等。AI可以通过弥补人类智能，使现有医疗诊断和预后价值最大化，同时使医师负担最小化，从而显着改善健康诊疗过程和结果。AI在临床实践中的应用预示着医学领域一个更为剧烈变化时代的到来，在影像学方面尤其如此。一项通过分析科学网数据库的研究[3]发现，目前AI在医学的研究领域主要集中在大数据分析、脑卒中康复、心脏手术和医疗诊断和预后预测等方面。其中，用于医学诊断、预后预测和分类的神经网络和支持向量机是主要热点，占所有文献的26%；而未来最引人关注的研究主题是基于AI的微创手术。然而，关于AI数据管理、模型可靠性、模型临床效用验证等问题尚未进行广泛研究。
2 人工智能的机器学习法
大数据是一个经常用来描述大量收集数据的术语，如来自大型生物信息库的基因组数据、电子健康记录档案和大型研究队列数据以及影像学扫描数据等。AI系统通过识别和提取一组观测数据（数据集）的模式来自主获取知识的过程称为机器学习（machine learning,ML）。ML是人工智能的一个组成部分，描述为计算机从经验中学习的过程，并在没有事先知识的情况下执行预定的任务[4]。机器学习可以进一步分为监督学习、半监督学习和无监督学习，这取决于用于学习的样本是否完全标记、部分标记或未标记。ML的典型例子是人工神经网络，后者基于人类大脑的神经元及其连接，神经元之间的相互依赖关系反映出不同的权重，每个神经元接受多个输入，所有的输入一起决定了神经元的激活。通过样本训练找到这些合适权重的过程就是学习。学习过程的复杂性和所需的样本量随着神经元数量的增加而增加。由于计算能力和样本大小的限制，机器学习应用程序的成功依赖于从原始样本中手工提取特征来减少神经元的数量。为了解决这一问题，人们提出了深度学习的方法，即自动学习代表性的样本。深度学习是指一种特别强大的ML方法，它利用卷积神经网络模拟人类的认知，常用于影像模式识别和分类。
模型训练是所有ML类型的共同过程，它是利用模型分析所提供的数据中的各种特性来学习如何生成输出标签的过程[5]。如在超声心动图中，一个模型可以分析各种特征，如左心室壁厚度和左心室射血分数，以确定患者是否具有特定的条件。然而，在分析中包含不相关的特征可能会导致模型过度拟合，从而在呈现新数据集时降低其准确性。这强调了拥有一个能够代表总体的训练数据集的重要性。数据集的质量对于最终ML模型的质量至关重要。尽管ML算法可以使用小数据集或大数据集进行训练，但大数据集可以最大限度地提高训练算法的内部和外部有效性，降低过度拟合的风险。正确模型的选择通常取决于操作员的专业知识、数据集的性质和最终人工智能系统的目的。
3 人工智能在心血管超声的应用
心血管成像领域，包括超声心动图、心脏计算机断层扫描、心脏磁共振成像和核成像，具有复杂的成像技术和高容量的成像数据，处于精准心脏病学革命的前沿。然而，在基于AI的临床转化方法中，心血管成像一直落后于肿瘤学等其他领域。人工智能在超声心动图中的应用包括自动心室定量和射血分数计算、应变测量和瓣膜形态及功能评估以及ML在心脏疾病自动诊断中的应用。
3.1 心室定量和EF自动化。
自动心室量化和EF计算的算法旨在提供准确、快速和可重复的心尖视图分类、解剖标志检测、心室壁分割和心内膜跟踪。有研究[6]比较了AI软件自动测量（AutoEF）和手工追踪双平面Simpson法测量左室EF的准确性，并与心脏MRI进行了比较。结果表明AutoEF与手动双平面Simpson法测得的EF相关性较好，且与MRI相关性良好，但AutoEF低估了左室舒张末期容积（EDV）和收缩期末期容积（ESV）。此外，在不同切面，测量的准确性存在差异，以胸骨旁长轴切面的准确性最高，达96%，而在心尖切面时整体精度降低（84%）。腔室定量和左室EF测量的中位数绝对偏差在15%～17%，其中ESV的绝对偏差最小；左房容积和左室EDV被高估。
3.2 心肌运动和应变测量。
Kusunose等[7]研究发现与传统二维超声心动图相比，利用深度卷积神经网络可更好的检测区域壁运动异常并区分冠状动脉梗死区域。Cikes等[8]利用复杂超声心动图数据（整个心动周期的左室容积和变形数据，而不是单个数据点）和临床参数的ML算法识别心衰并对心脏再同步化治疗的反应进行评估，证实通过整合临床参数和全心周期成像数据，无监督的ML可以为表型异质性心力衰竭队列提供一个有临床意义的分类，并可能有助于优化特定治疗的反应率。另有研究证实[9-10],ML算法有助于区分缩窄性心包炎、限制性心肌病以及肥厚性心肌的重塑。Zhang等[11]采用AI软件和手工勾画对左室心肌的纵向应变进行了比较研究。发现AI自动测量的心肌全局纵向应变与手动应变变化最小（绝对值为1.4%～1.6%）。
3.3 心脏瓣膜评估。
有学者[12]采用AI软件对二尖瓣几何形状进行测量，测量参数包括二尖瓣环面积、瓣环高度和宽度、瓣叶连合间距、前后叶长度等。发现相对于常规超声心动图，所有评估的成像参数均获得了更好的观察者间一致性，而且所花费的时间明显较少。Prihadi等[13]研究证实，经食管超声心动图AI软件能够精确地对主动脉瓣结构以及冠状动脉开口进行测量和定位，且与多层螺旋CT的测量结果具有良好的相关性。
4 展望
在海量医学信息和影像数字化日益积累的现代医学时代，AI和ML为疾病诊断和风险预测等问题提供了新的解决方案。通过AI对超声心动图数据进行预测、建模和精确分析，可以帮助超声医师快速、准确地处理大量心脏超声影像学数据，既有利于应对当前医疗信息数量的急剧增长，又有利于提高处理数据信息的能力。未来，针对AI的研究应关注超声图像数据特征定义及其提取方法的标准化，以确保可推广性和可再现性，促进AI向更加个性化的医疗模式转变。此外，AI系统与远程医疗等软件的集成，将使智能心脏超声诊断系统渗透到资源消耗负担最繁重的地区，提高经济效益。
参考文献
[1]Oikonomou EK,Siddique M,Antoniades C.Artificial intelligence in medical imaging:A radiomic guide to precision phenotyping of cardiovascular disease[J].Cardiovasc Res,2020,Feb 24;cvaa021.
[2]Dey D,Slomka PJ,Leeson P,et al.Artificial Intelligence in Cardiovascular Imaging:JACC State-of-the-Art Review[J].J Am Coll Cardiol,2019,73(11):1317-1335.
[3]Tran BX,Latkin CA,Vu GT,et al.The Current Research Landscape of the Application of Artificial Intelligence in Managing Cerebrovascular and Heart Diseases:A Bibliometric and Content Analysis[J].Int J Environ Res Public Health,2019,16(15):2699.
[4]Gandhi S,Mosleh W,Shen J,et al.Automation,machine learning,and artificial intelligence in echocardiography:A brave new world[J].Echocardiography,2018,35(9):1402-1418.
[5]Alsharqi M,Woodward WJ,Mumith JA,et al.Artificial intelligence and echocardiography[J].Echo Res Pract,2018,5(4):R115-R125.
[6]Xu B,KocyigitD,Grimm R,et al.Applications of artificial intelligence in multimodality cardiovascular imaging:A state-of-theart review[J].Prog Cardiovasc Dis,2020,19;S0033-0620(20)30060-8.
[7]Kusunose K,Abe T,Haga A,et al.A Deep Learning Approach for Assessment of Regional Wall Motion Abnormality From Echocardiographic Images[J].JACC Cardiovasc Imaging,2020,13(2 Pt 1):374-381.
[8]Cikes M,Sanchez-Martinez S,Claggett B,et al.Machine learningbased phenogrouping in heart failure to identify responders to cardiac resynchronization therapy[J].Eur J Heart Fail,2019,21(1):74-85.
[9]Narula S,Shameer K,Salem Omar AM,et al.Machine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D Echocardiography[J].J Am Coll Cardiol,2016,68(21):2287-2295.
[10]Sengupta PP,Huang YM,Bansal M,et al.Cognitive machine-learning algorithm for cardiac imaging:a pilot study for differentiating constrictive pericarditis from restrictive cardiomyopathy[J].Circ Cardiovasc Imaging 2016,9(6):e004330.
[11]Zhang J,Gajjala S,Agrawal P,et al.Fully automated echocardiogram interpretation in clinical practice[J].Circulation,2018,138(16):1623-1635.
篇8
关键词：无人驾驶汽车；可靠性；综述；展望
引言
近年来，互联网技术的迅速发展给汽车制造工业带来了革命性变化的机会。与此同时，汽车智能化技术正逐步得到广泛应用，这项技术简化了汽车的驾驶操作并提高了行驶安全性。而其中最典型也是最热门的未来应用就是无人驾驶汽车[1]。
无人驾驶汽车，是可以通过计算机系统设置进而实现无人驾驶的新型智能化汽车[2]。无人驾驶汽车是人工智能技术、雷达、数学计算、监控设备与北斗导航系统协作实现的，它受计算机系统的控制，实现无人驾驶。目前，无人驾驶技术还停留在研发和实验中，尚未被批准用作商业用途和用作私家车[3]。
据有关数据显示，在意外事故中，以车祸占首位，占意外死亡总数的50%以上。仅以汽车交通事故为例，全世界因交通事故而死亡的人数已超过3000万人，多于世界大战死亡人数。基于高科技研究的无人驾驶汽车，无论在其安全性还是可靠性方面，都极具发展潜力。因此，无人驾驶汽车的研究与发展是降低车祸发生率、保障人民生命安全的重要任务[4]。
1 无人驾驶技术的研究成果
1.1 国外无人驾驶技术的研究成果
二十世纪五十年代起，英美等发达国家就开始涉及无人驾驶汽车领域的研究，并在某些方面取得了很大进展。1950年，世界上第一台自主导航汽车由贝瑞特电子公司在美国研制成功，实现了在设定路线上行驶。1987年，奔驰公司投资赞助了慕尼黑国防大学实验室，独立设计了VaMoRs智能车，车速最高达到96KM/h。1994年，欧洲研制的VaMP和VITA-2机器人车辆在巴黎进行了测试，并在多车道高速公路上行驶了1000多公里，其中车速最高时达到130KM/h，并能自主完成跟踪行驶[5]。2005年，在美国国防部主办的无人车挑战赛上，斯坦福大学的选手们改装的大众途锐多功能车经过7个半小时的长途车程到达终点，完成了全程障碍赛[6]。2010年，Google设计制造的无人驾驶汽车进行并通过了主要城市道路的驾驶测试，确定具有完备的感知能力和高水平的人工智能[7]。2014年，Code Conference 科技大会上，Google的新产品无人驾驶汽车亮相，和一般的汽车不同，Google 无人驾驶汽车没有方向盘和刹车[8]。美国、德国、日本等发达国家和欧洲由于对无人驾驶技术的研究起步早，对无人驾驶技术的掌握和对无人驾驶汽车的研发与生产更成熟和可靠。
1.2 国内无人驾驶技术的研究成果
国内在此领域相对英美等国家起步较晚，目前仍处于初级阶段，从二十世纪八十年代开始，以国防科技大学为主开始进行此方面的研究。
2001年，在贺汉根教授带领下，研制成功时速达76公里的无人车[9]。2002年，国防科技大学与发达国家联合研制的汽车实现了在公路上的无人驾驶[10]。2005年，国防科技大学完成的一个重大项目中，实现了2000公里的无人驾驶[11]。2006年，在东北亚的贸易博览会上，中国研发的无人驾驶汽车在不封路的情况下，以80公里每小时的速度自主行驶。2011年，国防科技大学成功研制了红旗HQ3无人车，在长沙-武汉高速公路上完成了无人驾驶实验，创造了在复杂交通环境下无人驾驶的新纪录。2012年，军事交通学院研制的无人驾驶智能汽车配备了全球定位系统、超声波雷达传感器等先进技术仪器，以感知周围环境，自动规划行车路线[12]。2015年，长安汽车首辆无人驾驶样车在重庆亮相，为国内第二辆原型车。长安已经完成了1级的智能驾驶技术应用，如全速自适应巡航、紧急刹车、车道保持等[13]。
我国无人驾驶汽车的蓬勃发展还需要长期坚持不懈的努力，面临的困难还有很多，技术水平不足、关键零部件依赖进口、政策法规不完善等问题较为突出。
2 无人驾驶汽车的可靠性分析
无人驾驶汽车的可靠性依赖其关键技术的可靠性。其关键技术有导航技术和智能控制技术。
1965年，傅京孙教授提出了将人工智能的启发式推理规则在学习系统中实践，是我国最早提出的把人工智能和控制技术相结合[14]。1971年，他提出智能控制是自动控制与人工智能的二元交集论观点。1977年，三元交集论被提出，即认为智能控制是人工控制、自动控制和运筹学的交集。
1989年，我国依靠通信卫星进行了双星定位演示验证试验，并肯定了北斗卫星导航试验系统技术体制的正确性和可行性。1994年，我国正式启动北斗卫星导航试验系统建设。2004年，启动导航系统建设。2006年，张彦在汽车产品的可靠性工程中应用了灰色系统理论，主要体现在可靠性设计、分配、预测、试验和评价，为无人驾驶汽车可靠性研究开辟了更广的研究方向[15]。2008年，万正高凭借我国汽车行业整车产品质量监督检验的部分结果，建立了汽车可靠性的数据库，并开发了可靠性数据分析处理软件[16]。2009年，北斗卫星导航系统成功发射了GEO卫星，验证了相关技术的正确性。2015年，主席参加“互联网之光”博览会时，参观了百度的展台，并听取了关于无人驾驶汽车研发的报告。
随着无人驾驶汽车行业的深入研究，提高无人驾驶汽车的可靠性就显得十分紧迫，对其进行可靠性试验更显得尤为重要和必要。
3 无人驾驶汽车面临的问题及因素分析
虽然我国无人驾驶汽车发展迅速，但是分析无人驾驶汽车的发展现状，仍发现了一些问题，主要表现为以下几个方面：
3.1 技术不够成熟，关键技术的可靠性需进一步论证
虽然国内外对无人驾驶汽车的研究与试验都积累了一定的经验，但是考虑到其安全性和应用，无人驾驶汽车的技术可靠性仍需进一步论证，特别是关键技术。Google研制的无人驾驶汽车虽然通过了实际城市道路的行驶测试，但是其通行也只是限制在美国的某些州而不是全美国；我国国防科技大学研制的无人驾驶汽车完成了高速公路无人驾驶实验，但这也是在特殊条件下进行的测试，是仿真模拟[17]。因此，无人驾驶汽车技术的成熟还需进一步论证，对无人驾驶汽车的试验也应多积累经验[18]。
3.2 成本太高，大批量生产困难
智能化的现代，人类生活方便快捷，生活质量的提高伴随着生活成本的提高，智能化的生活是由高科技的成本提供和支持的。越来越多的家庭拥有私家车，体现了传统汽车制造业的繁荣和汽车价格的日趋降低。但是针对无人驾驶汽车这一全新的领域来说，高成本始终成为其不可避免的问题。虽然无人驾驶汽车可以降低事故率并带给人们轻松的享受，但是低性价比则阻碍了其大批量生产和普及，因此，降低成本成为无人驾驶汽车普及的关键因素[19]。
3.3 对传统汽车制造业及其相关产业冲击大
随着无人驾驶汽车的普及和汽车共享意识增强，传统汽车销售数量和售价将会出现一定幅度的下降。汽车行业秩序可能被打乱，传统整车制造商的行业地位将受到新进入者的巨大冲击。随着无人驾驶汽车交通事故率的降低，人们为汽车及人员投保的意识和心理会受到一定影响，因而保险行业特别是车险的销售会受到一定冲击。
3.4 交通法规制定困难及人伦困境
无人驾驶汽车作为一种新型智能化产品，必然会给人类生活带来新的改变，而已有的交通法规也将不适用于无人驾驶汽车的上路行驶，因此交通法规的修改甚至是重新制定将是一件重要的、困难的工作。当无人驾驶汽车与传统汽车发生交通事故时，责任和赔偿等一系列事务的处理势必会触及人伦道德的方面，而现有处理事故人员的素质及主观因素也使这些问题的解决更为棘手。
4 无人驾驶汽车的展望
本文总结了无人驾驶汽车的国内外研究状况，对其技术可靠性做出了论述，发现了国内外无人驾驶汽车出现的共同问题。虽然对无人驾驶汽车的研究从上个世纪就已经开始，期间也突破了很多技术难题并取得了一定成果，但距无人驾驶汽车真正走进人类生活还需要很长的研究与试验过程。从当今来看无人驾驶汽车，其研究、发展和普及存在着很多尖锐的问题。
今后可从以下几个方面对无人驾驶汽车进行研究或开展工作。（1）对无人驾驶汽车的可靠性及安全性继续进行研究和试验。（2）对无人驾驶汽车的制造成本进行突破并向批量生产过渡。（3）对传统汽车制造业进行产业升级并带动相关产业的发展。（4）根据试验结果进行交通法规的修改制定并大力宣传无人驾驶汽车。（5）大力发展无人驾驶汽车在服务业、工业和私人方面的应用，扩大其消费市场。
参考文献
[1]乔维高，徐学进.无人驾驶汽车的发展现状及方向[J].上海汽车，2007，07：40-43.
[2]杨帆.无人驾驶汽车的发展现状和展望[J].上海汽车，2014，03：35-40.
[3]端木庆玲，阮界望，马钧.无人驾驶汽车的先进技术与发展[J].农业装备与车辆工程，2014，03：30-33.
[4]潘建亮.无人驾驶汽车社会效益与影响分析[J].汽车工业研究，2014，05：22-24.
[5]Drew Bellamy， Luka Pravica. Assessing the impact of driverless haul trucks in Australian surface mining [J]. Resources Policy， 2011， 36（2）：149-158.
[6]黄柏雪.无人驾驶汽车在中国[N].计算机世界，2013-10-28026.
[7]Clifford Winston， Fred Mannering. Implementing Technology to Improve Public Highway Performance： A Leapfrog Technology from the Private Sector Is Going To Be Necessary [J]. Economics of Transportation， 2014， 3（2）： 158-165.
[8]闫民.无人驾驶汽车的研究现状及发展方向[J].汽车维修，2003，02：9-10.
[9]我国无人驾驶汽车成功挑战高速公路[J].创新时代，2012（12）：14.
[10]林一平.不断创新发展的现代无人驾驶汽车[J].专用汽车，2003，0
1：12-14+18.
[11]张贤启，余有晟，刘俊才.无人驾驶汽车的发展及可行性[J].山东工业技术，2015，04：50.
[12]冯学强，张良旭，刘志宗.无人驾驶汽车的发展综述[J].山东工业技术，2015，05：51.
[13]赵阳.无人驾驶汽车关键技术[J].中国科技博览，2011（26）：272.
[14]乔喻.无人驾驶汽车开启“智能交通”新时代[J].第二课堂（B），2014，11：4-9.
[15]张彦.基于灰色理论的汽车产品可靠性工程研究[D].合肥工业大学，2006.
[16]万正高.国产电动汽车的可靠性评估与故障规律研究[D].武汉理工大学，2008.
[17]李晶.谷歌无人驾驶汽车：从改造到自造[N].北京科技报，2014-06-09034.
[18]黄武陵.无人驾驶汽车能否让城市通畅[N].光明日报，2012-06-12012.
篇9
课程中文名称 课程英文名称
高等数理方法 Advanced Mathematical Method
弹塑性力学 Elastic-Plastic Mechanics
板壳理论 Theory of Plate and Shell
高等工程力学 Advanced Engineering Mechanics
板壳非线性力学 Nonlinear Mechanics of Plate and Shell
复合材料结构力学 Structural Mechanics of Composite Material
弹性元件的理论及设计 Theory and Design of Elastic Element
非线性振动 Nonlinear Vibration
高等土力学 Advanced Soil Mechanics
分析力学 Analytic Mechanics
随机振动 Random Vibration
数值分析 Numerical Analysis
基础工程计算与分析 Calculation and Analysis of Founda tionEngineering
结构动力学 Structural Dynamics
实验力学 Laboratory Mechanics
损伤与断裂 Damage and Fracture
小波分析 Wavelet Analysis
有限元与边界元分析方法 Analytical Method of Finite Element andBoundary Element
最优化设计方法 Optimal Design Method
弹性力学 Elastic Mechanics
高层建筑基础 Tall Building Foundation
动力学 Dynanics
土的本构关系 Soil Constitutive Relation
数学建模 Mathematical Modeling
现代通信理论与技术 Emerging Communications Theory and Technology
数字信号处理 Digital Signal Processing
网络理论与多媒体技术 Multi-media and Network Technology
医用电子学 Electronics for Medicine
计算微电子学 Computational Microelectronics
集成电路材料和系统电子学 Material and System Electronics for Integrated Circuits
网络集成与大型数据库 Computer Network Integrating Technology and Largescale Database
现代数字系统 Modern Digital System
微机应用系统设计 Microcomputer Application Design
计算机网络新技术 Modern Computer Network Technologies
网络信息系统 Network Information System
图像传输与处理 Image Transmission and Processing
图像编码理论 Theory of Image Coding
遥感技术 Remote Sensing Techniques
虚拟仪器系统设计 Design of Virtual Instrument System
生物医学信号处理技术 Signal Processing for Biology and Medicine
光纤光学 Fiber Optics
VLSI的EDA技术 EDA Techniques for VLSI
电子系统的ASIC技术 ASIC Design Technologies
VLSI技术与检测方法 VLSI Techniques & Its Examination
专题阅读或专题研究 The Special Subject Study
信息论 Information Theory
半导体物理学 Semiconductor Physics
通信原理 Principle of Communication
现代数理逻辑 Modern Mathematical Logic
算法分析与设计 Analysis and Design of Algorithms
高级计算机网络 Advanced Computer Networks
高级软件工程 Advanced Software Engineering
数字图像处理 Digital Image Processing
知识工程原理 Principles of Knowledge Engineering
面向对象程序设计 Object-Oriented Programming
形式语言与自动机 Formal Languages and Automata
人工智能程序设计 Artificial Intelligence Programming
软件质量与测试 Software Quality and Testing
大型数据库原理与高级开发技术 Principles of Large-Scale Data-Bas e andAdvanced Development Technology
自然智能与人工智能 Natural Intelligence and Artificial Intelligence
Unix操作系统分析 Analysis of Unix System
计算机图形学 Computer Graphics
Internet与Intranet技术 Internet and Intranet Technology
多媒体技术 Multimedia Technology
数据仓库技术与联机分析处理 Data Warehouse and OLAP
程序设计方法学 Methodology of Programming
计算机信息保密与安全 Secrecy and Security of Computer Information
电子商务 Electronic Commerce
分布式系统与分布式处理 Distributed Systems and Distributed Processing
并行处理与并行程序设计 Parallel Processing and Parallel Programming
模糊信息处理技术 Fuzzy Information Processing Technology
人工神经网络及应用 Artificial Intelligence and Its Applications
Unix编程环境 Unix Programming Environment
计算机视觉 Computer Vision
高级管理信息系统 Advanced Management Information Systems
信息系统综合集成理论及方法 Theory and Methodology of Information nSystemIntegration
计算机科学研究新进展 Advances in Computer Science
离散数学 Discrete Mathematics
操作系统 Operating System
数据库原理 Principles of Database
编译原理 Principles of Compiler
程序设计语言 Programming Language
数据结构 Data Structure
计算机科学中的逻辑学 Logic in Computer Science
面向对象系统分析与设计 Object-Oriented System Analysis and Design
高等数值分析 Advanced Numeric Analysis
人工智能技术 Artificial Intelligence Technology
软计算理论及应用 Theory and Application of Soft-Computing
逻辑程序设计与专家系统 Logic Programming and Expert Systems
模式识别 Pattern Recognition
软件测试技术 Software Testing Technology
高级计算机网络与集成技术 Advanced Computer Networks and IntegrationTechnology
语音信号处理 Speech Signal Processing
系统分析与软件工具 System Analysis and Software Tools
计算机仿真 Computer Simulation
计算机控制 Computer Control
图像通信技术 Image Communication Technology
人工神经网络及应用 Artificial Intelligence and Its Applications
计算机技术研究新进展 Advances in Computer Technology
环境生物学 Environmental Biology
水环境生态学模型 Models of Water Quality
环境化学 Environmental Chemistry
环境生物技术 Environmental Biotechnology
水域生态学 Aquatic Ecology
环境工程 Environmental Engineering
环境科学研究方法 Study Methodology of Environmental Science
藻类生理生态学 Ecological Physiology in Algae
水生动物生理生态学 Physiological Ecology of Aquatic Animal
专业文献综述 Review on Special Information
废水处理与回用 Sewage Disposal and Re-use
生物医学材料学及实验 Biomaterials and Experiments
现代测试分析 Modern Testing Technology and Methods
生物材料结构与性能 Structures and Properties of Biomaterials
计算机基础 Computer Basis
医学信息学 Medical Informatics
计算机汇编语言 Computer Assembly Language
学科前沿讲座 Lectures on Frontiers of the Discipline
组织工程学 Tissue Engineering
生物医学工程概论 Introduction to Biomedical Engineering
高等生物化学 Advanced Biochemistry
光学与统计物理 Optics and Statistical Physics
图像分析 Image Treatment
数据处理分析与建模 Data Analysis and Constituting Model
高级数据库 Advanced Database
计算机网络 Computer Network
多媒体技术 Technology of Multimedia
软件工程 Software Engineering
药物化学 Pharmaceutical Chemistry
功能高分子 Functional Polymer
InternetIntranet（英） InternetIntranet
程序设计方法学 Methods of Programming InternetIntranet
高分子化学与物理 Polymeric Chemistry and Physics
医学电子学 Medical Electronics
现代仪器分析 Modern Instrumental Analysis
仪器分析实验 Instrumental Analysis Experiment
食品添加剂 Food Additives Technology
高级食品化学 Advanced Food Chemistry
食品酶学 Food Enzymology
现代科学前沿选论 Literature on Advances of Modern Science
波谱学 Spectroscopy
波谱学实验 Spectroscopic Experiment
食品贮运与包装 Food Packaging
液晶化学 Liquid Crystal Chemistry
高等有机化学 Advanced Organic Chemistry
功能性食品 Function Foods
食品营养与卫生学 Food Nutrition and Hygiene
食品生物技术 Food Biotechnology
食品研究与开发 Food Research and Development
有机合成化学 Synthetic Organic Chemistry
食品分离技术 Food Separation Technique
精细化工装备 Refinery Chemical Equipment
食品包装原理 Principle of Food Packaging
表面活性剂化学及应用 Chemistry and Application of Surfactant
天然产物研究与开发 Research and Development of Natural Products
食品工艺学 Food Technology
生物化学 Biochemistry
食品分析 Food Analysis
篇10
【关键词】发动机；智能诊断；故障诊断；专家系统；多信息融合
【中图分类号】TH 【文献标识码】A
【文章编号】1007-4309（2013）04-0062-1.5
发动机的诊断技术是根据发动机在正常与非正常两种状态下的某些指标的对比及变化趋势，对发动机的技术状况和故障隐患进行定性、定量的分析，为故障的诊断和决策提供科学的依据的一种技术。为了适应现代柴油机使用维修的需要，必须以检测诊断技术为基础，加强故障潜伏期的监控，实现状态监控下的针对性维修。
一、常用发动机监测技术
目前，比较成熟的性能指标测试方法有以下几种：无负荷测功法。一般情况下，采用国产无负荷加速测功仪，将发动机从中低速（一般在l000r/min）猛加速至额定转速，以实测功率值不小于额定功率的80%为使用标准；转速的测定。用最高空转转速、额定功率时转速、最大扭矩时转速的测定值与其对应的标定值进行对比，以不低于标定值的90%为使用标准；发动机各运转部件磨损程度的检测分析。目前，比较成熟的手段是铁谱分析法，通过铁谱仪观测油中金属颗粒的数量、大小、形貌、浓度和颜色的变化，据此确定其磨损部位、性质与程度。它为发动机的磨损分析提供了有效依据。
二、发动机故障诊断技术的分类
目前，发动机故障诊断领域涌现出很多的方法，其中依据诊断的流程可分为经验仪表诊断法（利用专家的经验或借助仪表进行诊断）、专家系统诊断法（将专家的经验以计算机程序的形式进行表达，是一种智能化的诊断方法）、基于特征状态识别的方法（通过提取故障信号进行分析和识别）、车载自诊断方法（主要用于车辆电控系统的故障诊断）以及近几年来发展的集成化和网络化故障诊断方法等。
三、专家系统故障诊断方法在发动机故障诊断中的应用
专家系统的基本结构。基于专家系统的故障诊断方法其实是一个计算机智能程序，计算机在采集诊断对象的信息后，综合运用各种规则（专家经验）进行一系列的推理，必要时还可以随时调用各种应用程序，运行过程中向用户索取必要的信息后，就可快速地找到最终故障或最有可能的故障，再由用户来证实，应用人工智能技术，模拟人类专家求解问题的思维过程来进行汽车故障诊断的一种智能化方法。
专家系统的实现关键技术。知识获取是指如何获得专家的知识和经验的问题，一般知识获取的方式有如下几种：通过知识工程师与领域专家接触，在专家的指导下以一种适当的计算机内部表示将知识编入知识库；通过一种智能的知识获取机制，让专家与专家系统直接打交道，由智能编辑器直接生成知识库；通过建立一个带有归纳、类比或其他高级学习功能的知识发现系统，使之通过实例或实际问题来总结发现出一些尚未被专家掌握或认识到的知识装入知识库。
知识表示是关于各种存储知识的数据结构及其对这些结构的解释过程的结合。传统故障诊断专家系统主要有以下几种知识表示方法：产生式，又称规则式表示法，是人工智能中最常用的知识表示方法；语义网络式，通过概念以及语义关系来表达知识的一种网络图；框架式，是一种表示定性状态的数据结构，可表达知识之间的结构关系，但是框架表示法不善于表达过程性知识。
推理方法是专家系统解决具体问题的思维过程，一般由程序实现。常用的推理方式有基于规则的演绎推理，包括正向推理、反向推理和正反向混合推理等；还有归纳推理，包括完全归纳推理和不完全归纳推理等，这些都是关于精确知识的推理。对于不精确知识推理主要采用概率法、可信度方法、证据论证法和模糊子集法等。
专家系统的改进：基于案例的专家系统。基于案例推理是近年来人工智能领域兴起的一种诊断推理技术。它是类比推理的一个独立子类。其基本思想是利用过去求解成功或失败的经验，通过对历史案例知识的挖掘，获得蕴涵于过去中的丰富经验和知识，并且可利用计算机进行推理。该方法主要用于分析不确定性故障，适用于诊断领域源知识难以表示成规则而易于表达成案例的情况。
基于模糊理论的专家系统。在发动机故障诊断方法中，针对界限不分明的模糊概念，可以采用将模糊理论与专家系统技术相结合的方法。采用人工智能的方法，利用专家知识动态建立模糊诊断矩阵，并经过适应修正得到比较客观的故障原因和故障征兆的判断。
基于神经网络的专家系统。人工神经网络从1943年心理学家W.S.McCulloch和数学家W.Pitts研究并提出M-P神经元模型起至今，已成为人工智能领域内除专家系统外的又一重要分支。人工神经网络采用神经元及它们之间的有向权重连接来隐含处理问题的知识，因此，它善于处理复杂问题，且具有自学习能力。神经元处理信息是相对独立的，便于处理并行问题。
基于行为的专家系统。基于行为的专家系统采用神经网络模块化单元，以确保系统与对象的实时交互。它是一种相对独立且能够动态构建故障诊断子神经网络模块单元的变结构单元，该模块同车辆电控单元（ECU）之间进行数据交互，可以实现实时在线的监测与诊断。开发基于行为的诊断专家系统的关键是故障行为征兆（语义征兆、网络征兆）的自动获取问题，新故障的自动识别和分类问题也是开发的重点。随着网络的不断进步，网络技术和专家技术结合，可发展为基于网络的故障诊断专家系统，可实现基于Web的数据库技术、实时数据传输技术和网络安全技术的远程装甲车辆故障诊断技术。
四、信息融合技术在装甲车辆发动机故障诊断中的应用
发动机的工作过程是复杂的，其故障诊断信息也是非常复杂的。对于现代的发动机，需要再用多种传感器协同来获取不同种类、不同状态的信息，然而，不同的信息之间也是相互独立或耦合，甚至会出现相互矛盾的情况。发动机工作过程故障由于系统结构的复杂性，各机构运动的非线性，传统的基于单传感器诊断又由于故障与症兆之间的不确定性而导致其诊断结果的不确定性，有效的解决方法是应用多传感器的信息融合技术和模糊逻辑推理方法。
相比于传统的故障诊断技术来说，还会出现更多先进的可远程控制的装甲车辆发动机状态监测与故障分析技术，适应装甲部队信息化高科技战争条件下的技术保障要求，为作战部队提供强有力的保障。
【参考文献】
[1]陈立新等.汽车发动机智能故障诊断研究综述[J].制造业自动化，河北：华北电力大学，2008，30（10）.
