人工智能神经网络概念范文

导语：如何才能写好一篇人工智能神经网络概念，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】人工智能 医学领域

1 引言

人工智能（AI）是上世纪50年展起来的新兴学科，主要内容包括：知识表示、自然语言理解、机器学习和知识获取、知识处理系统、计算机视觉、自动推理和搜索方法、智能机器人、自动程序设计等方面。在过去的几十年里人工智能涌现出了大量的方法，大致可分为两大类：第一类是基于Newell和Simon的物理符号系统假说的符号处理方法。这种方法大多采用从知识阶段向下到符号和实施阶段的自上而下的设计方法，第二类是采用自下而上设计的“字符号”方法。

2 人工智能的发展

全球对人工智能的研发经历了已经有70年的发展，从上个世纪的50年代开始一直到今天，历经了两次大起大落，但伴随着深度学习的重燃、庞大的大数据支撑以及计算能力的不断提升和成本的不断下降这些因素的出现，尤其是在摩尔定律、大数据、互联网和云计算、新方法这些人工智能进步的催化剂作用下，将迎来人工智能新的春天。

3 人工智能在医学领域上的应用

3.1 在神经网络中人工智能的应用

在医学诊断中人工智能的应用会出现一些难题，例如知识获取比较难、推理速度慢、自主学习以及自适应变化能力弱。研究人脑连接发现了以人工神经为特点可以解决在获取知识中所出现的瓶颈和知识种类繁琐问题，能够提高对知识的推理能力，包括自主学习，自组织等方面的能力，促进了神经网络在医学专家系统中的快速发展。

人工智能领域ANN，有不同于其他人工智能的方法，在传统的结构上，它只是AI分支中的一个，只能通过逻辑符号来模拟人脑的思维方式，进一步来实现人工智能，与之相比，不同的ANN是学习和训练为一体来达到智能的。ANN具有学习的能力及特殊方法，用户不用编写复杂的程序来解决所遇到的问题，只用提供有效的数据就可以完成。迄今为止，医学领域中对大部分的病理原因无法解释，无法确定病理原因，加上各种疾病的表现种类复杂多变。在医学的日常实践中，疾病相应的治疗只能以经验为基础来判断。所以，ANN有着记忆，学习和归纳总结为一体的人工智能服务，在医学领域有很好的应用发展趋势。

3.2 在中医学中人工神经网络的应用

在中医学中，所提出的“辨证论治”中的“证”具有模棚性、不确定性的特点，主观性比较强，因此中医的诊断方法和治疗手段与医师的经验水平有很大联系。数年来在实验研究，临床观察，文章整理，经验总结上，都有着对“证”的研究思想的深入调查。一部分“辨证”的过程可以用人工神经网络来替换使用。恰当的中医症状可以作为基本输入和适当人工神经网络模型，人工神经网络能够根据以往的学习“经验”来进行综合分析，从而提出中医诊断方法。

由神经元结构模型、网络连接模型、网络学习算法等几个要素组成了人工神经网络。具有某些智能系统的功能。 按照网络结构来划分，人工神经网络有很多不同的种类，例如感知器、BP网络、Hopfield网络等，目前应用最为广泛的神经网络就是其中的BP网络。这种前沿网络非 BP网络所属，网络的结构与权值能够表达复杂的非线性 I/0映射关系。凭借 BP网络优良的自主学习功能，既可以通过误差的反向传播方法，对照已知样本反复进行训练，也可以调整网络的权值，直到网络的 I/0关系在某一块训练指标下最接近样本为止。

3.3 人工智能在临床医疗诊断中的应用

计算机编写的程序主要根据专家系统的设计原理和方法来模拟医生的医学诊断，以及通常治疗手段的思维过程来进行。医疗专家系统是临床医疗诊断中人工智能的很好体现，不仅能够处理较为复杂的医学治疗问题，还能当做医生诊断疾病的重要工具，更重要的是传承了专家们的宝贵医学治疗经验。

3.4 人工智能技术在医学影像诊断中的应用

目前，在医学影像中存在着的问题，比如：误诊率高、缺口大。这些问题需要通过人工智能的方法来解决。在医学影像技术领域人工智能的应用包括主要的两个方面，分别是：第一个方面为图像识别，第二个方面为深度学习，其中人工智能应用最核心的部分实深度学习。这两个部分都是基于医学影像大数据所进行的数据上的挖掘和应用。这两个方面所进行的数据挖掘及其应用都是依据医学影像大数据来完成的。

Geoffrey Hinton教授是神经网络领域的大师，2006年，他与其博士生在《Science》和相关的期刊上发表了论文，第一次提出了“深度信念网络”的概念。2012年，由斯坦福大学Fei-Fei Li教授举办的ImageNet ILSVRC大规模图像识别评测任务是由Hinton教授的研究团队参加的。这个任务包括了120万张高分辨率图片，1000个类比。Hinton教授团队使用了全新的黑科技多层卷积神经网络结构，将图像识别错误率突破性地从26.2%降低到了15.3%。 这个革命性的技术，让神经网络深度学习以迅速的速度进入了医疗和工业的领域范围，随后这一技术被陆续出现的医疗影像公司使用。例如：国际知名的医学影像公司Enlitic和国内刚刚获得有峰瑞资本600万天使轮融资的DeepCare。都是不断积累大量影像数据和诊断数据，继续对神经元网络进行深度的学习训练，从而有效的提高了医生诊断的准确率。

人工智能不仅能使患者的健康检查快速进行，包括X光、B超、核磁共振等。另外还能大量减少医生的读片时间，提升了医生的工作效率，降低误诊率。

4 总结

人工智能软件工作效率远远超过了人类大脑，不仅能够更快速的找到数据的模式和相似性，还能有效帮助医生和科学家提取重要的信息。随着人工智能的发展及其在医学领域的逐渐普及和应用，两者的互相融合在未来必定成为医学发展的重要方向。

参考文献

[1]冯伍，张俊兰.人工智能在医学上的应用[J].电子设计工程，2010（01）.

[2]杨琴，陈家荣.人工智能在医学领域中的应用[J].科技风，2012（12），100-101.

[3]王宇飞，孙欣.人工智能的研究与应用[J].信息与电脑，2016（05）.

[4]铅笔道.人工智能与影像诊断相结合的医生界阿尔法狗，2016（03）.

篇2

糊理论、遗传算法等人工智能技术的含义进行了介绍，并对这些技术在电力系统中的应用和存在问题进行了分析。

关键词：人工智能、电力系统、应用

中图分类号：TM76 文献标识码：A 文章编号：1007-9416（2012）03-0000-00

1、人工智能技术

人工智能技术(AI artificial intelligence)是一项将人类知识转化为机器智能的技术。它研究的是怎样用机器模仿人脑从事推理、规划、设计、思考和学习等思维活动，解决需要由专家才能处理好的复杂问题。在应用方面，以专家系统、人工神经网络、遗传算法等最为普遍[1][2] 。

1.1 专家系统(ES)

专家系统是利用知识和推理来解决专家不能解决的问题。传统程序需要固定程序和复杂算法，输入数据并得出结果。专家系统集中大量的符号处理，采用启发式方法模拟专家的推理过程，通过推理，利用知识解决问题。它具有逻辑思维和符号处理能力，能修改原来知识，适合于电力系统问题的分析。

1.2 人工神经网络(ANN)

人工神经网络是大量处理单元广泛互联而成的网络，是一种模拟动物神经系统的技术。神经网络具有自适应和自学习的能力，能并行处理分布信息。电力系统应用人工神经网络可以进行实时控制、状态评估等。

1.3 遗传算法(GA)

遗传算法是一种进化论的数学模型，借鉴自然遗传机制的随机搜索算法。它的主要特征是群体搜索和群体中个体之间的信息交换。该方法适用于处理传统搜索方法难以解决的非线性问题。

1.4 模糊逻辑(FL)

当输入是离散的变量，难以建立数学模型。而模糊逻辑则成功地应用在潮流计算、系统规划、故障诊断等电力系统问题。

1.5 混合技术

以上各种智能控制方法各有局限性，有些甚至难以处理电力系统实际问题。因此需要结合各个算法的优势，采用人工智能混合技术。其中包括：模糊专家系统、神经网络模糊系统、神经网络专家系统等技术。

2、人工智能技术的在电力自动化的应用

2.1在电能质量研究中的应用

人工智能技术可以对电压波动、电压不平衡、电网谐波等电能质量参数进行在线监测和分析。在检测和识别电能质量扰动时能克服传统方法的缺陷。专家系统随着经验的积累、扰动类型变化而不断扩充和修改，便于用户的掌握[3] 。

此外，专家系统和模糊逻辑可用于培训变电站工作人员。智能软件可以模拟故障情形，有利于提高运行人员的操作技能。

2.2 变压器状态监测与故障诊断专家系统

变压器事故原因判断起来十分复杂。判断过程中，必须通过内外部的检测等各种方法综合分析作出判断。变压器监测和诊断专家系统首先对油中气体进行分析。异常时，根据异常程度结合试验进行分析，决定变压器的停运检查。若经分析发现变压器已严重故障，需立即退出运行，则要结合电气试验手段对变压器的故障性质及部位做出确诊。

变压器监测和诊断专家系统通过诊断模块和推理机制，能诊断出变压器的故障并提出相应对策，提高了变压器内部故障的诊断水平，实现了电力变压器状态检修和在线监测。

2.3 人工智能技术在低压电器中的应用

低压电器的设计以实验为基础，需要分析静态模型和动态过程。人工智能技术能进行分段过程的动态设计，对变化规律进行曲线拟合并进行人工神经网络训练，建立变化规律预测模型，降低了开发成本。

低压电器需要通过试验进行性能认证。而低压电器的寿命很难进行评价。模糊识别方法，从考虑产品性能的角度出发，将动态测得的反映性能的特性指标作为模糊识别的变量特征值，能够建立评估电器性能的模糊识别模型[5] 。

2.4 人工智能在电力系统无功优化中的应用

无功优化是保证电力系统安全，提高运行经济性的手段之一。通过无功优化，可以使各个性能指标达到最优。但是无功优化是一个复杂的非线性问题[6] 。

人工智能算法能应用于电力系统无功优化。如改进的模拟退火算法，在求解高中压配电网的无功优化问题中，采用了记忆指导搜索方法来加快搜索速度。模式法进行局部寻优以增加获得全局最优解的可能性，能够以较大概率获得全局最优解，提高了收敛稳定性。禁忌搜索方法寻优速度较快，在跳出局部最优解方面有较大优势。遗传算法在解决多变量、非线性、离散性的问题时有极大的优势。要求较少的求解信息的，模型简单，适用范围广。

2.5 人工智能在电力系统继电保护中应用

自适应型继电保护装置能地适应各种变化，改善保护的性能，使之适应各种运行方式和故障类型。它能够有效地处理各种故障信息，获得可靠的保护。

借助于人工智能技术不但能够提取故障信息，还能利用其自学习和自适应能力，根据不同运行工况，自适应地调整保护定值和动作特性。

2.6 人工智能在抑制电力系统低频振荡的应用

大规模电网互联易产生低频振荡，严重威胁着电力系统的安全。人工智能为电力系统低频振荡的控制提供了技术支持。神经网络、模糊理论、GA等人工智能技术应用于FACTS控制器和自适应PSS的研究，为抑制电力系统低频振荡提供了新的手段。

3、人工智能在电力系统中存在的前景

作为一门交叉学科，人工智能将随着其他理论的发展而进入新的发展阶段。应用新方法解决问题，或促进各种方法的融合，保持简单的数学模型和全局寻优情况下，寻求到更少的运算量，提高算法效率，将是未来发展的趋势。

随着电力系统的发展，电力系统的复杂性不断增加，不确定因素越来越多。随着人工智能技术的不断发展和提高，利用人工智能技术来解决电力系统的问题将会受到越来越多的重视。

4、结语

随着我国电力系统的持续稳步发展，电力系统数据量不断增加，管理上复杂程度大幅度增长，市场竞争的加大，为人工智能技术在电力系统的应用提供了广阔前景。

但人工智能技术的基本理论还不成熟，只是停留在仿真和实验阶段。人工智能的开发是一个长期的过程，需要不断改进和完善，并在实际应用中接受检验。

参考文献：

[1] 马少平,朱小燕. 人工智能[M]．北京：清华大学出版社，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.

关键词： 人工智能；认知无线电；神经网络

基金项目：国家重点基础研究发展规划（“973”计划）项目（2009CB320403）；国家自然科学基金资助项目（60832008，60832006）；国家科技重大专项课题（2009ZX03007-004）。

作者简介：柴新代（1964-），男，北京人，本科，高级工程师，研究方向为通信系统工程；董旭（1979-），男，河北景县人，博士研究生，讲师，研究方向为认知无线电。

1 概述

无线通信技术的飞速发展，正在越来越深刻地影响着人们的生活。与此同时，无线通信技术的发展也面临着严峻的考验，一方面频谱资源的固定分配模式和利用率不均衡制约着无线通信宽带化的发展，另一方面多种空中接口和网络协议并存的局面为无线网络的融合提出了挑战。1999年Mitola博士提出的“认知无线电（Cognitive Radio）”[1]为解决无线通信所面临的问题提供了新的机遇。因此，认知无线电技术迅速成为业界研究的热点。

认知是人类获取运用知识解决问题的一种抽象，将认知运用到无线电技术，会提高无线电系统的智能性，这也是认知无线电技术区别于普通软件无线电的最大特点。认知无线电技术通过实时的获取外部环境信息，并对这些信息进行分析、学习和判断，得到无线电知识，然后根据这些知识智能地调整各种通信参数，从而最终实现可靠的通信，并达到最佳的频谱利用效率。人工智能技术为实现认知无线电的智能性提供了可能，本文将主要围绕多种人工智能技术在认知无线电中的应用进行论述，下面将首先介绍认知无线电智能化的基础框架――认知环路和认知引擎，然后对几种人工智能技术在认知无线电中的应用进行简要介绍，最后将详细介绍神经网络在人工智能中的应用，并通过仿真给出一个具体的示例。

2 相关工作

2.1 认知环路 Mitola博士在提出认知无线电概念的同时提出了OOPDAL（观察-判断-计划-决策-行动-学习）认知环路[1]，用以支持其认知无线电架构。此外，学术界还提出了多种认知环路模型[2,3]，比较著名的有军事战略家Boyd提出的OODA（观察-判断-决策-行动）环路、IBM为自主计算提出的MAPE（监测-分析-计划-执行）环路、Motorola为自主网络提出的FOCALE（基础-观察-比较-行动-学习-擦除）环路等等。OOPDAL环路具有完整认知功能和清晰的认知过程，是设计认知无线电最为理想的环路模型。本文对OOPDAL环路各环节进行了重新定义，丰富了环路模型的内涵与外延，并在原环路模型基础上增加“知识库”，明确表达了知识获取与运用的过程。

如图1所示，经改进的OOPDAL认知环路由外环和内环组成，外环也称决策环。认知无线电首先“感知”无线域、网络域、用户域、政策域中的数据，并对其建模以明确自身所处态势；“判断”是对数据的精炼，也即对感知数据进行清理、集成和选择，提取出其中对决策有贡献的信息；“计划”根据用户需求与当前环境生成优化目标；“决策”根据优化目标执行优化；“行动”将决策结果付诸实施，使内部状态和外界环境发生变化，这些变化又被重新“感知”，进入下一轮循环。内环又称学习环，用于从外环运行的历史经验中提取知识，并存放入知识库以指导决策环运行。

OOPDAL环路对知识的运用过程充分体现了认知无线电的智能性，其中计划、学习、决策等环节更是智能性得以实现的关键所在，具体的实现方法则需要借助于人工智能技术。

2.2 认知引擎 认知引擎是实现认知环路功能的技术手段。但很多认知引擎的设计是针对特定方法实现特定任务的，本文希望设计一种通用的认知引擎架构，以适应认知无线电所面临的各种应用。通用认知引擎结构由认知核与接口部分组成。认知核提供各种丰富的工具，包括知识表示工具、各种推理机、学习机、优化算法库等，为完成认知循环的各环节功能提供支持。接口部分包括感知器接口与用户接口。感知器接口收集各种感知数据，并通过建模系统以机器可理解的方式表示；用户接口部分允许用户调用认知核中各种工具并对其进行流程编排和建模完成专用认知引擎的构建。另外，可配置无线网络具备动态可配置波形与协议，以执行认知引擎的决策。

认知核是认知引擎的核心，包括多种人工智能工具，如专家系统，案例推理，神经网络，遗传算法等，每种人工智能的工具不但可以实现相应的认知功能，还可通过多种不同工具的编排组合实现认知无线电的各种应用，即实现认知引擎的通用性。

3 人工智能技术概述

如果说认知核是认知引擎的核心，那么人工智能技术就是认知核的核心。人工智能技术已有比较成熟的理论体系[4]，但将其应用到认知无线电还处于探索阶段。下面先简要介绍几种人工智能技术在认知无线电中的应用。

3.1 专家系统 专家系统在人工智能技术领域有着非常成功的应用[5]，并能够很好的与其他人工智能技术结合使用，如遗传算法，人工神经网络等。专家系统是运用知识和推理过程来解决只有专家才能解决的复杂问题，也就是说专家系统是一种模拟专家决策能力的计算机系统。专家系统主要包括两个部分：知识库和推理机。知识库用来存储专家知识，推理机则依据专家知识对已有事实进行推理和决策。认知无线电可以借助专家系统完成推理决策功能。认知无线电可以通过主动学习或“人在环中”的方式获取无线电知识并存储到知识库中，然后根据外部无线环境和用户需求的变化，到知识库中查询相应的先验知识，并通过推理机进行决策，从而调整无线电的工作参数以适应环境和需求的变化。CLIPS是目前比较成熟的专家系统工具，已有学者将基于CLIPS的专家系统应用到认知无线电的研究中[6]。

3.2 案例推理 案例推理作为一种人工智能技术致力于从以往的经历或者案例当中得到新问题的解决方案。基于案例的系统通过在案例库查找与需要解决的问题相似度最大的案例来找到问题的解决的方法，并将找到的案例与当前的场景进行匹配，这种匹配实际上就是一种最优化的过程。而最初找到的案例是为了节省优化的时间，通过优化的新的解决方案，将被作为新的案例存储到案例库中。认知无线电可以根据无线环境的变化调整工作参数，不同的环境和工作参数可以作为案例存储到案例库中[7]。当环境发生变化，认知无线电可以在案例库中查找与当前环境最为相似的一个案例，然后用该案例与当前环境进行匹配，优化工作的参数，并把当前环境和优化的参数作为新的案例存储到案例库中。Soar作为一种人工智能系统的开发工具，可以实现案例推理功能，并可以基于案例进行学习，国内已有学者基于Soar和GUN Radio软件无线电平台开发出认知无线电原型系统。

3.3 遗传算法 遗传算法借鉴生物进化和遗传的生物学原理，可用于解决目标优化问题，即找到一组参数（基因）使得目标函数最大化。其基本原理是根据求解问题的目标构造适值函数，使初始种群通过杂交和变异不断选择好的适值进行繁殖，并最终得到最优解。遗传算法同样可以作为认知无线电的决策方法[6,8]：可以把无线电类比为一个生物系统，将无线电的特征定义为一个染色体，染色体的每个基因对应无线电一个可变的参量，比如发射功率、频率、带宽、纠错编码方法、调制算法和帧结构等等，这样就可以通过遗传算法的进化来得到满足用户需求和适应环境变化的系统配置参数。

4 神经网络在认知无线电中的应用

对于人工神经网络的研究源于对人类大脑思维过程的模拟，在很多领域，神经网络已经有了广泛的应用。下面将详细介绍神经网络在认知无线电中的应用。

4.1 神经网络简介 1943年神经物理学家W.McCulloch和逻辑学家W.Pits在对人脑的研究中提出了人工神经网络。目前人工神经网络作为一种人工智能技术主要基于统计评估、优化和控制理论。人工神经网络由用以模拟生物神经元的大量相连的人工神经元组成，主要用于解决人工智能领域的一些复杂问题，比如机器学习。根据网络结果和训练方法的不同，人工神经网络可以分为多种类型，以适应多种的应用需求[7]。多层线性感知器网络（MLPN）：MLPN由多层神经元构成，每一个神经元都是上一层神经元输出的线性组合。一般这种线性组合的权值在训练前是随机生成的，并且可以随着训练不断的更新。更新的方法有多种，如后向传播（BP）、遗传算法等。其训练方法的性能将由其网络规模和应用场景决定。非线性感知器网络（NPN）：NPN是利用对每个神经元的输入平方或两两相乘的方法将非线性引入神经网络使其可以对动态变化的训练数据进行更好的拟合。但NPN的网络结构需要根据训练数据进行调整，另外如果采用BP方法进行训练会使网络收敛缓慢而导致处理时间过长。径向基函数网络（RBFN）：RBFN和NPN类似，不同的只是其非线性的引入是在隐含层利用径向基函数实现非线性映射，这可以防止网络收敛到局部最小值。

4.2 应用举例 由于神经网络可以动态的自适应和实时的训练，因此可以对系统的各种模式、参数、属性等进行“学习”，并“记住”这些事实，当系统有了新的输入和输出时，可以进行实时的训练来记忆新的事实。这正符合了认知无线电认知功能的需求，因此神经网络在认知无线电中有着广泛的应用前景。下面就列举一些神经网络在认知无线电中的应用[9-12]。神经网络可以用于认知无线电的频谱感知，例如利用基于神经网络的分类器可以根据信号的循环平稳特性或者频谱特性等对信号进行分类。神经网络还可用于无线电参数的自适应决策和调整，神经网络可以根据当前信道质量和用户需求等所确定的优化目标选择无线电参数。另外神经网络还可以对无线电系统的各种性能进行预测，神经网络可以记忆不同无线环境不同无线参数所达到的系统性能，比如误码率、吞吐量、时延等等，从而对未来可能产生的系统性能进行预测，进而对各种无线参数进行优化。

5 仿真及分析

由于无线环境的开放性，无线系统大都是非线性系统，因此神经网络用于认知无线电也应采用非线性模型。非线性感知器网络（NPN）可以完成认知无线电的学习功能，从而对各种系统性能进行预测，下面就通过一个具体例子来仿真基于NPN的误码率性能预测。

5.1 仿真模型 NPN由三层节点构成：输入层、隐含层和输出层。隐含层通常只有一层神经元，本文在此基础上扩展了隐含层的层数，从而扩大了神经网络的规模，使其具有更好的学习效果。具体的网络结构如图2所示，每个节点都与下一层的所有节点唯一相连，除了输入层节点，其他各层节点称为神经元，具有一个非线性的激活函数，以实现对非线性系统的拟合。本文将采用最为常用的非线性激活函数――S函数，即：f

神经网络的训练将采用BP方法，具体算法如下：

③根据RMS误差决定是否调整权值，直到RMS误差或者迭代次数达到停止要求。

5.2 仿真场景 仿真场景的设置将根据上面提出通用认知引擎架构进行编排。首先认知引擎要收集各种数据。WiMax可以根据信道质量调整其调制编码模式等无线电参数，因此将作为通用认知引擎架构中的可重配置的无线电平台将系统的误码率性能实时上报给认知引擎；信噪比作为无线环境的表征可通过感知器进行收集；编码速率作为用户对业务的需求可通过用户接口上报给认知引擎。然后认知引擎内基于NPN的学习机就可以对这些数据进行训练了，训练的方法如上节所述。最后训练好的神经网络就可以根据无线环境和用户需求对系统的误码率进行实时的预测，从而调整认知无线电的各种操作参数。

5.3 仿真结果及分析 由于对神经网络模型的隐含层进行了扩展，首先验证一下改进的模型性能是否有所提升。仿真结果如图3所示，分别仿真了具有2层、3层和4层神经元的NPN的收敛性能。其中2层模型是没有经过改进的，其收敛速度最快，但RMS误差较三层模型差；3层模型虽然收敛速度稍慢，但收敛的RMS误差最低；4层模型的网络规模最大，因此收敛速度最慢，但其RMS误差收敛的并不是最低，这是由于神经网络的规模应该与训练数据的规模相适应，过大的网络规模反而不会得到很好的收敛性能。折中考虑，在后续误码率预测仿真中，将采用3层神经元模型的NPN对数据进行训练。

如图4所示，利用3层神经元模型分别对WiMax场景下的64QAM、16QAM、QPSK和BPSK的误码率性能进行了预测。从预测结果和实际的仿真结果的比较可以显示，随着调制模式的升高，预测的性能将越来越好。

6 结束语

本文主要介绍了人工智能技术在认知无线电中的应用，并通过人工神经网络进行举例，从仿真的结果可以看出神经网络在认知无线电中应用的可能性。人工智能技术在认知无线电领域的应用还有着广阔的研究前景，应该积极探索更多的人工智能技术在认知无线电中应用。但也并非所有的人工智能技术都适用于认知无线电的开发和应用，应在研究中有所选择把握方向。不同的应用场景也对人工智能技术提出了不同的需求，找到适用于相应场景的人工智能技术也很重要。未来的工作应更多的考虑一些实际的应用，让无线通信系统可以真正的像人一样思考。

参考文献：

[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

关键词：自主导航；人工智能；模糊神经网络；避障；BP神经网络

中图分类号：TP79文献标识码：A文章编号：1005-3824（2014）03-0083-03

0引言

2013年12月14日21时11分，嫦娥三号探测器在月球表面预选着陆区域成功着陆，装着红外成像光谱仪、避障相机、机械臂和激光点阵器等设备的月球车“玉兔”驱动着6个轮子在月球表面留下了历史的痕迹。这标志着我国已成为世界上第3个实现地外天体软着陆的国家，也展现出了智能控制系统[1]在航天事业上的卓越应用。在如今的社会生活中，随处体现着智能技术的存在，人们已经离不开智能技术，智能机器人的发展也飞速前进，从儿童的玩具机器人到太空探索的机器人，可以预见智能机器人的应用将更加广泛。近年来，非线性动态系统的自适应控制在我国引起了广泛的研究，模糊神经网络控制是一个重要的自适应方法，因此得到了很多专家学者的青睐。

模糊逻辑控制在宏观上模仿人的思维，处理语言和思维中的模糊性概念，它是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术；神经网络是从微观上模仿人的智能行为，进行分布式并行信息处理算法的数学模型，它是根据人脑的生理结构和信息处理过程创造的[2]。模糊控制与神经网络各自都有一定的应用局限，因此，人们早在20世纪80―90年代就把它们相结合，组成更为完善的控制方法。模糊控制与神经网络的结合有多种方式，根据研究角度和应用领域的变化而不同。1模糊控制与神经网络的介绍

1.1模糊逻辑控制系统

模糊逻辑控制系统主要包含输入变量、模糊控制器、被控对象和偏差。模糊逻辑控制系统结构如图1所示。

知识库：是模糊控制器的核心。由数据库和规则库组成，数据库中存着有关模糊化、模糊推理、解模糊的一切知识，规则库是由若干模糊规则组成的。

模糊推理机：根据模糊逻辑法则把逻辑规则库中的模糊“if-then”转换成某种映射。

反模糊化：反模糊化的方法一般有最大隶属度平均法、最大中点法、面积等分法、重心法和加权平均法等。

模糊控制的优点：可以在预先不知道被控对象的精确数学模型；规则一般是由有经验的操作人员或者专家的经验总结出来并且以条件语句表示的，便于学习和理解；控制是由人的语言形式表示，有利于人机对话和系统知识的处理等。不足之处：精度不够高；自适应能力有限；模糊规则库非常庞大，难以进行更改优化[3]。

1.2人工神经网络

人工神经网络（ANN）是一种模拟人脑神经系统的结构和功能的运算模型，由大量的节点，即神经元及相互之间连接构成的，它是人工方式构造的一种网络系统。神经元结构模型如图3所示。

传递函数f又称转移函数或激活函数，是单调上升的有界函数，常用的转移函数有线性函数、斜坡函数、阶跃函数及单双极S型函数等。但是最常用的还是单极S型函数：

神经网络的结构形式也有几种，例如，全互连型结构、层次型结构和网孔型结构等[4]。前馈型网络是一类单方向层次型网络模块，其最基本的单层神经元网络如图4所示。

图4单层神经元网络3层BP神经网络是比较常用的结构，图5是它的基本结构。

图5BP神经网络的基本结构BP神经网络至少有3层，图5中，第Ⅰ层是输入层，第Ⅱ层为隐藏层，第Ⅲ层为输出层。由于3层的BP神经网络就具有了模糊系统中万能逼近的能力[5]，为了不使系统变得更复杂，本文就只用了3层的BP神经网络，当然，也可以根据自身的实际应用情况增加隐层的层数，但并不是层数越多，精度就越高，相对的系统的反应时间就会增加，时延也会增长。

神经网络的优点：能够通过学习和训练获取用数据表达的知识，不仅可以记忆一直获得的信息，还具有较强的概括及联想记忆能力，它的应用已经延伸到各个领域，在各方面取得很好的进展等。不足之处：缺乏统一的方法处理非线性系统；网络的权值是随机选取的；学习的时间长；无法利用系统信息和专家经验等语言信息；难以理解建立的模型等[6]。

所以，综合以上模糊逻辑系统与神经网络各自的优缺点，就提出了一种它们的结合方法，即模糊神经网络控制方法。

2模糊神经网络的结合方式

模糊神经网络大致分为3种形式：逻辑模糊神经网络、算术模糊神经网络和混合模糊神经网络。

在这3种形式的系统中，模糊神经混合系统是根据模糊控制系统和神经网络各自不同的功能、用途集成在一个系统里面的[7]。在这类系统中，我们可以将神经网络用于输入信号处理，模糊逻辑系统用于行为决策[8]（如图6），或者把模糊逻辑系统作为输入信号处理，神经网络系统作为输出行为决策，再或者是将神经网络去代替模糊控制器的一部分，还可以将基于神经元网络的模糊系统或者神经元网络用在模糊神经混合系统中。

在本文的应用中，使用的是轮式智能小车，它一共安装了3个超声波传感器、3个红外传感器和1个角度传感器，红外传感器除了应用在小车循迹外，还用来增加控制系统测量的精确性和弥补超声波测距的盲区。例如，在某一路或者几路超声波受到了外界的干扰时，红外线就可以测量出系统所需要的数量值。超声波与红外线用来测量小车到左、前、右障碍物的距离Ll，Lf，Lr；模糊神经系统中控制器的输入包括： Ll，Lf，Lr，小车与障碍物的夹角tg；输出为小车的转角sa和小车的加速度va。将Ll，Lf，Lr的模糊变量设为{near ，far}，论域为（0―2 m）；tg的模糊变量为{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，论域为（-1800，1800）；距离和夹角的隶属度函数如图7和图8所示。输出变量的隶属度函数在这里就不再赘述了。

在系统解模糊化时，是将一个模糊量转换成确定量，常用的解模糊化的方法有最大隶属度函数法、重心法、加权平均法。在本文中用的是重心法。

智能小车避障的控制系统如图9所示。

篇5

关键词：人工智能；应用；识别

中图分类号：TU855

人工智能及其识别技术在不断地发展，在很多领域，各种技术的发展越来越离不开人工智能。在机器人中的应用，在语音识别技术领域的应用、在人工神经网络中的应用等都取得了一定的进步。但是在发展的过程中由于发展的限制，人工智能及其识别技术也进入了发展瓶颈期，如何突破瓶颈将是此技术进一步发展的重要内容。

1 人工智能及识别技术的概念提出

人工智能技术是研究人类智能和通过计算机技术使某些设备或仪器具有人的智能行为的科学通过利用计算机模拟人的思维、语言、记忆、推理、感知、学习等智能能力，以及延伸人的感觉和大脑功能。综上这些模拟都反映人工智能及其识别技术最重要的思想和内容，也就是说人工智能及其识别技术学科是用来研究人类智能活动的规律的学科。

1.1 计算机技术的普及

随着计算机技术的普及以及大众对计算机进行商务、学习、工作等的需求的增长，计算机已经成为人们工作和学习不可缺少的高科技产品之一。现在，计算机已经进入实用阶段，越来越多的人掌握了计算机知识，同时也希望掌握计算机技术以减少工作量，而人工智能及识别技术就是其应用的最重要的方面。

1.2 自动化办公的需求

众所周知，信息技术的发展推动了社会信息化的进程。尤其是人工智能的发展，使得传统办公方式发生了改变。具体而言，这种转变包括在办公操作技能方面和办公系统方面的改革。

日本人工智能专家指出，凡是能够清楚地设定其指标的业务属于工场型的事务，将来应有办公室机器人来处理。这样，人的精力将只能用于创造性的智能工作，办公自动化将对智能型业务提供强有力的支持，办公室将真正成为智力活动的场所。

2 人工智能及识别技术的应用领域研究

60年代以来，随着计算机技术的发展，许多技术新方法和技术进入工程化产品化阶段，显著促进了工业技术的进步。人工智能及识别技术也得到了巨大的发展，其中以在机器人中的应用、在语音识别技术领域的应用以及在视觉识别技术领域的应用显得尤为突出。

2.1 在机器人中的应用

20世纪70年代，机器人技术发展越来越多地受到关注并逐渐发展成为一个专门的学科。智能机器人已经在各个领域得到了实际应用，并已经取得了巨大的效益。例如：现在很多外科医生在显微外科手术中使用机器人助手。

人工智能及识别技术在机器人中的应用变得越来越流行，同时也带动了相关行业在智能识别方面的发展。智能机器人的应用一方面可以缩减企业以及国家的相关开支，另一方面也加大了应用的风险。因此，人工智能及其识别技术在机器人中的应用还不是很成熟。国家应该加大对智能机器人技术的支持力度，进一步开发人工智能技术。

2.2 在语音识别技术领域的应用

语音识别技术的根本任务就是来解决能够使机器听懂得人类语言，其作为人工智能研究的主要方向和人机语音交互的关键技术，语音识别技术一直都受到各国人工智能领域的广泛关注。同时，以语音识别技术开发出的产品应用领域非常广泛，显示出了极大的优势，如声控电话交换、语音通信系统等，其应用几乎深入到社会的每个方面和每个行业。

随着人工智能电子产品的普及，进入21世纪，嵌入式语音处理及其识别技术也得到了迅猛地发展，基于语音识别芯片业越来越多。但是如何更好地将芯片结合人工智能技术来发展语音识别技术是本世纪最重要的内容。

2.3 在人工神经网络中的应用

人工神经网络也称作神经网络，是指有大量的简单处理单元经广泛并行互连形成的一种网络系统。它是对人脑系统的简单化、抽象和模拟，具有人脑功能的许多基本特征。其工作机理是指通过模仿人脑神经系统的组织构造及其工作机理从而从研究人脑工作机理中得到启发，试图利用人工神经网络来处理大量的单元，比如，人工神经元、处理元件、电子元件。

在人工神经网络中，信息的处理是通过神经元之间的相互作用和反应来实现的，相关的知识与信息的存储与读取表现为各个网络元件之间其分布式的物理联系，网络的学习和识别取决于和神经元连接权值的动态演化过程。人工神经网络的存在有其弊端，也许永远也无法代替人脑，但是他能帮助人类扩展对外部世界的认识和智能控制。

3 人工智能及识别技术陷入瓶颈期

人工智能学科自从诞生至今就致力于研究解释和模拟人类智能行为及其规律，人工智能在其领域已经迈出了较大的一步，并且在某些领域已取得了相当大的进展。但是从人工智能发展的整个过程来看，其发展也是一波三折，而且在很多领域还面临着不少的难题，主要表现在以下几个方面：

3.1 人工智能研究方法不足

由于人工智能学科发展的局限性，许多专家和学者对人脑结构和工作模式的认识还不够全面、不够深入。由此决定了现阶段科学界无法对神经网络模型作出对人脑作出真正地模拟，人脑是人类长期劳动实践的产物，其中包含了人类很多思考的过程，仅仅依靠在简单的电子器件以及线路的组合是完全不可能实现模拟的。

3.2 人工智能机器翻译存在困难

目前，机器翻译使我们很多人所喜爱的，但是其所面临的主要问题仍然是如何通过单词来构造句子以及单词存在歧义性的问题。歧义问题一直是所有语言理解和运用中的一大难关，想要消除歧义就必须对原文的每一个句子及其上下文进行透彻地分析理解，但是由于机器非人脑，它不能像人脑一样独立地进行思考以寻找导致歧义的词和词组在原文中的准确意义，而是孤立地将句子作为一个单位来理解，因此造成的失误使得人工智能翻译缺乏应有的理解力。

3.3 人工智能模式识别存在困惑

人工智能识别的应用非常广泛，比较典型的有文字识别、前面提到的语音识别以及指纹识别等。虽然人工智能模式识别的研究与开发已取得巨大的成果，但是还存在这本质的缺陷，人工智能及其识别技术的理论和方法与人的感官识别机制是完全不同的。因此人脑的识别手段、形象思维能力，是任何最先进的计算机识别系统望尘莫及的。

4 结束语

人工智能及其识别技术始终处于计算机应用这门学科的最前沿，它的诞生与发展是21世纪最伟大的科学成就之一。其研究的理论和成果在很大程度上决定着计算机技术未来的发展方向。现如今，已经有许多人工智能的研究成果已经被广泛地应用于人们的日常生活、工业生产、国防建设等各个领域。在信息网络和经济迅速发展的时代，人工智能技术的发展也必越来越受到关注，必将推动科技和产业的进一步发展，从而会给人们的工作、生活和教育等带来长远得深刻的影响。

参考文献：

[1]蔡自兴.人工智能基础[M].北京：高等教育出版社，2005.

[2]胡勤.人工智能概述[J].电脑知识与技术，2010（13）：3507-3509.

[3]邹蕾，张先锋.人工智能及其发展应用[J].信息网络安全，2012（02）.

篇6

关键词：人工智能技术 在智能建筑应用

中图分类号：TU74 文献标识码：A 文章编号：

前言

智能建筑由具备楼宇设备自动化系统(BAS)、通信自动化系统(CAS)、办公自动化(OAS)系统发展到系统智能集成,随着智能建筑的发展,智能建筑对各种先进自动化系统、通讯手段和高质量管理、服务的需求也越来越高。

一、智能建筑的发展及存在问题

经过十几年的迅猛发展，智能建筑已经由具备楼宇设备自动化系统(BAS)、通信自动化系统(CAS)、办公自动化(OAS)系统发展到系统智能集成。随着智能建筑的发展，智能建筑对各种先进自动化系统、通讯手段和高质量管理、服务的需求也越来越高。但是目前智能建筑的发展也正处于一个重要的十字路口。

1目前建筑智能化系统还夹杂着许多泡沫， 即使目前比较成熟的楼宇自动化系统(BAS)还只能称之为具有顺序逻辑判断能力的自动控制系统，无法进行思维逻辑判断或自学习，一旦工作环境或工作参数发生变化，将必须人工重新调整或编写控制程序，系统维护复杂、检修不便，离智能还相去甚远。

2 由于技术与市场等各种原因， 目前许多智能建筑的各个子系统的还是分立运行，形成了一些相互脱节的独立系统，无法实现大厦的综合优化控制。各个系统之间不仅硬件设备大量重复冗余，而且往往各系统都没有提供相互通信与控制的接口，操作和管理人员需要熟悉和掌握各个不同系统及对象的技术，造成系统建设、技术培训及维修费用的增高和系统效率低下。

因此，只有采用统一的模块化硬件和软件结构并引入人工智能技术，才能使各子系统成为一个整体，提高控制和管理系统的容错性和可靠性，并具有智能成份，这是智能建筑所追求的目标。

人工智能技术在智能建筑中的应用研究

二、人工智能新发展对智能建筑的影响

进入新世纪以来，知识库专家系统和知识工程成为人工智能领域最有实践意义的成果，已开始大量商品化。

1专家系统是一种基于知识的系统， 其实质是使系统的构造和运行,都基于控制对象和控制规律的各种专家知识。 这种人工智能的计算机程序系统,具有相当于某个专门领域的专家的知识和经验水平,以及解决专门问题的能力,或者说专家系统是指相当于(领域)专家处理知识和解决问题能力的计算机智能软件系统。 根据一个或多个专家提供的特殊领域知识、经验进行推理的判断,模拟专家决策的过程来解决那些需要专家决定的复杂问题。

这样一来， 就可以引入基于控制专家的专业知识和实践经验的专家控制系统。 采用知识表达技术,建立知识模型和知识库,利用知识推理,制订控制决策。为智能建筑的楼宇设备自动化系统(BAS)（ 包括强电设备控制自动化（EA）、安全防范自动化(SA)、消防自动化(FA)等） 提供最优控制、决策支持等。 专家控制系统的设计,改变了过去传统的控制系统设计中单纯依靠数学模型的局面,使知识模型与数学模型相结合,知识信息处理技术与控制技术相结合。另一方面，专家系统也可以应用于智能建筑的物业管理与服务之中，通过设置用户管理知识库和数据库，对人员出入、自动缴费、业务咨询等管理与服务提供智能支持。

2人工神经网络在建筑系统建模、学习控制、优化等方面取得了成功。已应用于语音识别、模式识别、最优计算、信息智能处理、复杂控制、图像处理等领域。随着智能建筑功能的不断增强，在现代智能建筑物内安装的电气设备愈来愈多，设备能耗也越来越大。要管理好一幢现代化大厦，使安装的成千上万台的设备能可靠、安全、协调、经济地运行，这就对建筑设备自动控制水平、控制设备功能、 快速响应的能力和运行管理水平提出了更高的要求。而具有学习与自适应能力的人工神经网络在控制方面所能提供的监督与非监督训练（ 前者包括训练输出输入集合和神经元加权系数的调节，后者包括分类与自组织） 为这些复杂控制提供了可能。 这样一来，智能建筑中的设备控制器就能以不同的原理进行操作。 可以学习建筑物的特性，得出简单精确的建筑物模型，可以自动调节其参数，适应建筑物特征参数或不同的建筑。 因此可将其用于建筑智能化设备的实时信号检测、控制、保护(如故障诊断)、调节，从而研制具有自学习、自适应、自组织功能的新概念的智能建筑设备自动化控制系统。

3智能建筑控制需要精确建筑仿真模型和精确、灵敏、具有适应性的系统。 由于传统模式的复杂性，控制器不能在建筑仿真模型中在线运行。 而新的神经网络学习模型采用动态学习方法建模， 降低了模型的复杂性以及对计算资源与硬件的要求，控制硬件费用降低，可以采用硬件方式实现。新的神经网络学习已经在微型芯片上实现， 即所谓的神经网络芯片。 因此，这种模式很可能在不久的将来适合于小规模的智能建筑和民用建筑。 同时，智能建筑需要学习模式的出现改变了传统模式响应速度与精度， 对计算机设备要求更加简单。 建筑学习模式的开发将带来低成本建筑智能控制的革命。

尽管目前的建筑神经网络模型存在实时性等技术问题， 但随着计算机速度的提高与神经网络实时算法的改进， 建筑神经网络控制将更加完善。 神经网络学习控制将采用大规模集成电路而不是计算机芯片形式实现，也不仅限于建筑能量控制与管理，还可以完成建筑物监控、保安、照明、娱乐等任务。 相信在不远的将来， 基于芯片的简单装置将取代今天的微处理器，使大量建筑物真正拥有智能成为可能。 较低的造价可以使智能设备进入普通市民家庭。

4随着数据库技术、网络技术以及计算机运算能力的快速发展，基于数据库的控制已成为可能，特别是随着分布式数据库和数据仓库技术的日益成熟， 在建筑智能化系统集成时引入智能决策系统，可使智能建筑真正实现智能化。

智能决策支持系统是近年来计算机技术、人工智能技术和管理科学相结合的一种新的管理信息技术。 它是以管理科学、运筹学、控制论行为科学为基础，以计算机技术、信息技术为手段，面对半结构化和非结构化的决策问题，帮助中、高层决策者进行决策活动，为决策者提供决策所需要的数据、信息和资料，帮助决策者明确决策目标和对问题的认识，建立和修改决策模型，提供各种备选方案，并对各种方案进行优化、分析、比较和判断，帮助决策者提高决策能力、决策水平、决策质量和决策效益，以达到取得最大经济效益和社会效益。

5建筑智能系统集成是满足建筑物的现代化管理的需要而出现的。 建筑智能化是从自动控制向信息管理发展的产物。 通过系统集成采用统一的模块化硬件和软件结构，就能使管理人员方便地掌握操作技术和维修管理技术， 这是所有独立子系统都无法做到的。因而，从绿色建筑和可持续发展的角度，把控制和管理相结合，扩大建筑物管理的范围，扩展智能化系统的内容和内涵，是建筑智能化的发展方向。

因而建筑智能系统集成的一个核心内容就是应用智能决策支持系统的技术设置“智能建筑管理系统(IBMS)” ，以提高整个建筑物的监控管理效率， 提高建筑物投资的产出投入比。

结束语

近年来，人工智能技术出现了新的发展，专家系统、人工神经网络、决策支持系统和多Agent 技术的应用给智能建筑的发展注入了活力，在智能建筑的控制子系统，如BAS 系统中引入专家系统，在终端电器，在智能楼宇控制中引入多Agent 技术，就可以大大降低建筑智能化系统的运行、维护成本，实现总体最优控制和节能，并将为人类创造更美好的工作、生活环境带来质的飞跃。

参考文献

[1] 王永忠.人工智能技术在智能建筑中的应用研究[J]. 科技信息. 2009(03)

[2] 吴选忠,倪子伟.人工智能新技术在智能建筑中的应用研究[J]. 福建建设科技. 2005(02)

篇7

[关键词] 机器学习 遗传算法 人工神经网络 支持向量机

当前人工智能研究的主要障碍和发展方向之一就是机器学习。包括学习的计算理论和构造学习系统。机器学习与计算机科学、心理学、认知科学等都有着密切的联系，涉猎的面比较广，有许多理论及技术上的问题尚处于研究之中。

一、什么是机器学习

机器学习就是要使计算机能模拟人的学习行为，自动地通过学习获取知识和技能，重新组织已有的知识结构，不断改善自身的性能，实现自我完善。即机器学习研究的就是如何使机器通过识别和利用现有知识来获取新知识和新技能。它是人工智能的核心，是使计算机具有智能的根本途径。该门科学起源于心理学、生理学、生物学、医学等科学，研究发展过程中涉及到数学、物理学、计算机科学等领域。机器学习主要围绕学习机理、学习方法、面向任务这三个方面进行研究，其应用几乎遍及自然科学的各个领域。其中最多的是模式识别、通讯、控制、信号处理等方面。

二、机器学习系统

学习是建立理论、形成假设和进行归纳推理的过程。为使计算机系统具有某种程度的学习能力，使它能够通过学习获取新知识，以改善性能，提高智能水平，需要建立相应的学习系统。学习系统一般由环境、学习环节、知识库、执行与评价组成，整个过程包括信息的存储、知识的处理两大部分。机器学习系统模型如图1所示。

图1 机器学习模型

框架图中的箭头表示知识的流向；环境是指外部信息源；学习环节是指系统通过对环境的搜索获取外部信息，然后经过分析、综合、类比、归纳等思维过程获得知识并将获得知识存入知识库；知识库用于存储由学习得到的知识，在存储时要进行适当的组织，使它既便于应用又便于维护；执行部分用于处理系统面临的现实问题，即应用学习到的知识求解问题。另外从执行到学习必须有反馈信息，学习将根据反馈信息决定是否要进一步从环境中搜索信息进行学习，以修改、完善知识库中的知识。这是机器学习系统的一个重要特征。机器学习系统是对现有知识的扩展和改进。

三、机器学习的主要策略

学习是一项复杂的智能活动，学习过程与推理过程紧密相连。按照学习中使用的推理的多少，机器学习所采用的策略主要可分为机械学习、通过传授学习、类比学习和通过实例学习等。学习中所用的推理越多，系统的能力越强。本文主要介绍以下三种机器学习方法，即遗传算法、人工神经网络模型及支持向量机。

1、遗传算法

遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应的调整搜索方向，不需要确定的规则。

由于遗传算法的整体搜索策略和优化搜索方法，在计算时是不依赖于梯度信息和其他辅助信息，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解复杂问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于自动控制、计算科学、工程设计、智能故障诊断、管理科学和社会科学等领域，适用于解决复杂的非线性和多维空间寻优问题。

2、人工神经网络模型

神经网络基本模型是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型（见图3）。

图3 神经网络基本模型

一个人工神经网络是由大量神经元节点经广泛互连而组成的复杂网络拓扑，用于人类进行知识和信息表示、存储和计算行为。神经元模型如图4所示。

每一个细胞处于两种状态。突触联接有强度。多输入单输出。实质上传播的是脉冲信号，信号的强弱与脉冲频率成正比。

在神经网络中，大量神经元的互连结构及各连接权值的分布就表示了学习所得到的特定要领和知识。在网络的使用过程中，对于特定的输入模式，神经网络通过向前计算，产生一个输出模式，并得到节点代表的逻辑概念， 通过对输出信号的比较与分析可以得到特定解。神经元之间具有一定的冗余性，并且允许输入模式偏离学习样本，因此神经网络的计算行为具有良好的并行分布、容错和抗噪能力。

神经网络模型包括前馈型网络、反馈型网络、自组织竞争人工神经网络等。

图4神经元模型

（1）前馈型网络(BP)

前馈型网络，最初称之为感知器（包括单层感知器和多层感知器），是应用最广泛的一种人工神经网络模型。前馈网络结构是分层的，信息只能从下一层单元传递到相应的上一层单元，上层单元与下层所有单元相联接。转移函数可以是线性阈值的。多层感知器也被称为BP网络。多层感知器的输入输出关系与单层感知器完全相同。前一层的输出是下一层的输入。

（2）反馈型网络(Hopfield)

反馈型网络,它是一种动态反馈系统，所有计算单元之间都有联接。比前馈网络具有更强的计算能力。

（3）自组织竞争人工神经网络

在实际的神经网络中，存在一种侧抑制的现象。即一个细胞兴奋后，通过它的分支会对周围其他神经细胞产生抑制。这种侧抑制在脊髓和海马中存在，在人眼的视网膜中也存在。

自组织映射模型是由Kohonen提出来的。模型是以实际神经细胞中的一种特征敏感的细胞为模型的。各个细胞分别对各种输入敏感，可以代表各种输入，反映各种输入样本的特征。如果在二维空间上描述这些细胞，则，功能相近的细胞聚在一起，靠得比较近。功能不同的离得比较远。开始是无序的，当输入样本出现后各个细胞反映不同，强者依照“胜者为王”的原则，加强自己的同时对周围细胞进行压抑。使其对该种样本更加敏感，也同时对其他种类的样本更加不敏感。此过程的反复过程中，各种不同输入样本将会分别映射到不同的细胞上。

人工神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，受到众多领域学者的关注。在实际应用中，80%～90%的人工神经网络模型是采用误差反传算法或其变化形式的网络模型（简称BP网络），目前主要应用于函数逼近、模式识别、分类和数据压缩或数据挖掘。 但不适合高精度计算；学习问题没有根本解决，慢；目前没有完整的设计方法，经验参数太多。

3、支持向量机（SVM）

支持向量机是一种基于统计的学习方法，它是对结构风险最小化归纳原则的近似。它的理论基础是Vapnik创建的统计学习理论。

SVM就是首先通过用内积函数K(xi，xj)定义的非线性变换将输入空间变换到一个高维空间，在这个空间中求（广义）最优分类面。SVM分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量。

由于统计学习理论和支持向量建立了一套较好的有限样本下机器学习的理论框架和通用方法，既有严格的理论基础，又能较好地解决小样本、非线性、高维数和局部极小点等实际问题，因此成为20世纪90年代末发展最快的研究方向之一，其核心思想就是学习机器要与有限的训练本相适应。

学习是人类智能的主要标志和获得智慧的基本手段，机器学习的研究就是希望计算机能像人类那样具有从现实世界获取知识的能力，同时进一步发现人类学习的机理和揭示人脑的奥秘。机器学习涉及到连接理论、认知理论、行为科学、神经科学等多门科学。因此，对于机器学习的研究，只有采用计算机科学、控制论、人工智能、认知科学、神经科学、心理学等多学科交叉的方法，才可望取得机器学习研究的更大进展。

机器学习是一个十分活跃、充满生命力的研究领域，同时也是一个比较困难、争议颇多的研究领域，虽然取得了一些令人瞩目的成就，但还存在许多尚未解决的问题。目前人工智能研究的主要障碍和发展方向之一就是机器学习，因此，机器学习有着广阔的研究前景。

参考文献:

[1] 张景绘，动力学系统建模［M］.北京：国防工业出版社，2000.

[2] 杨义勇等，机械系统动力学［M］.北京：清华大学出版社，2009.

篇8

关键词：人工智能 机器 学习 情感识别

中图分类号：TP18 文献标识码：A 文章编号：1674-098X（2016）06（a）-0077-02

人工智能是一门涵盖多学科知识，而又被当今社会广泛应用于多领域，给人带来便捷、高效的同时，又让业界为其担心的交叉学科知识的综合产物。随着各种智能机器人开始服务于各大领域，有超强力量的机械手臂，高效解决问题的专家系统，公众日常可接触到的可穿戴智能设备，从智能手机到各类功能的3D打印技术，从谷歌眼镜到全息投影，各类机器设备如雨后春笋不断涌出。

1 人工智能的发展

“人工智能”简称AI，是集心理认知，机器学习，情感识别，人机交互以及数据保存、决策等于一身的多学科技术。其最早被提出是由McCarthy在20世纪中叶的达特茅斯会议上，这也成为人工智能正式诞生的标志。在人工智能经历两个低谷后的最近一个阶段，从1993年开始，人工智能其实取得了一些里程碑似的成果。比如在1997年，国际象棋冠军卡斯帕罗夫被深蓝战胜；英国皇家学会举行的“2014图灵测试”中“尤金・古斯特曼”第一次“通过”图灵测试，而这一天恰为计算机科学之父阿兰・图灵（Alan Turing）逝世60周年纪念日。2015年以来，“人工智能”开始成为诸多业界人士关注的焦点之一。2016年3月AlphaGo在首尔以4∶1战胜围棋世界冠军李世石，继而引发了人工智能将如何改变人类社会的思考。

2 从AlphaGo看人工智能的“情感机制”与人类的关系

机器学习算法的本质是选择一个万能函数建立预测模型[1]。首先用户输入大量训练样本数据，机器对模型进行训练，选择可以使预测的模型达到最优的参数集，从而使模型能够更好地拟合训练样本数据的空间分布[2]。谷歌公司在训练AlphaGo时，收集了20万职业围棋高手的对局，在经过不同版本AlphaGo之间的自我对弈，生成了3 000多万个对局，包含了人类围棋领域所积累的所有丰富和全面的知识与经验。相比IBM“深蓝”战胜国际象棋卡斯帕罗夫，其依靠了强大的运算能力取得了胜利，AlphaGo的最大进步是从“计算加记忆”进化到“拟合加记忆”法则[2]。智能设备具有了海量数据存储和高速的计算本领，人机交互（human-computer interaction）系统研发过程遇到的瓶颈仍是识别和表达情感方面。

情感在人际交往中扮演着重要的角色，情绪的识别主要是识别人类传递情绪的信号。既可以通过语言直接传递，也可以通过语调、面目表情、姿势等进行表达。机器具有智能，“情感”是十分重要的一环。这要求机器具有对认知的解释与建构，而认知的关键问题则是自主和情感意识。

对人工智能的威胁霍金总结说：“人工智能在短时间内发展取决于应用它的人，长远来看到底其能否被控制是我们需要关注的内容。”针对人类对于“人工智能终将超越人类”的担忧可以概括为以下两点：（1）蠹生于木，而反食于木。恰如部分美国科幻片中所展现的场景，人类创造的机器因被赋予人类情感智力而脱离人类控制。（2）机器因其具有人类交互的情感且很少产生人工失误而逐渐取代人类的劳动，致使人类无用武之地而待业失业。从技术飞速发展过程来看，智能设备的应用往往只是其在某一功能极大化的使用，如，专家系统其解决的只是某一领域内复杂问题解决方案的决策提供；虚拟现实技术是生活场景的实体化展现，以方便用户更好地体验现实场景；服务领域的机器人，提供的只是某一行业的服务，恰如汽车提供的只是快速的代步工具而不能与人交流一样，智能机器只是发挥其某一单方面的优势，从而更好地辅助人类完成特定的工作。在未来社会，那些简单重复性的劳动将被机器所取代；此外，还有一些通过大量数据进行判别决策类的输出，从而更好地为人类提供建议；同时对社会生活中重大、复杂工业系统中的故障处理，这些存在危险的领域中有智能设备的存在其实质是对人类安全及人类价值的礼遇；而对于那些与人交流密切的服务领域内，则更需要人与人的沟通，才能更好地服务于人。这些机器的存在解放了人的身体，进而可以使人类投入更多精力在科研领域。而人工智能与人类之间的关系，可以用“共存”一词进行概括，即按劳分配，取长补短[2]。

3 机器学习理论

目前最受社会关注的智能算法，当属日本学者福岛教授基于Hubel Wiese的视觉认知模型提出的卷积神经网络模型（Convolution Neural Network，CNN），是一种深度监督学习下的机器学习模型。深度学习的概念来源于人工神经网络，常见的深度学习算法包括：受限波尔兹曼机（Restricted Boltzmann Machine，RBN），Deep Belief Networks（DBN），卷积网络（Convolutional Network），堆栈式自动编码器（Stacked Auto-encoders）。该算法的提出是为解决起初基于1943年，美国心理学家W.S.McCulloch和数学家W.A.Pitts生物神经元计算模型（M-P）[2]的早期人工神经网络中，网络层超过4层后，用传统反向传递算法训练而无法收敛的问题而提出。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成高层属性类别或特征，从而发现数据的分布特征。重要的人工神经网络算法包括：感知器神经网络（Perceptron Neural Network），反向传递（Back Propagation），Hopfield网络，自组织映射（Self-Organizing Map，SOM），学习矢量量化（Learning Vector Quantization，LVQ）。

简单介绍一下神经网络：

对应公式为，通过不同权重的多输入，得到输出，该单元也被称为逻辑回归模型。当多个单元相互关联，并进行分层后即形成了神经网络模型。

4 人工智能的未来

当前，人才辈出的社会促进技术手段的不断创新，大数据，物联网，虚拟现实、云计算等技术发展与机器人人工智能领域不断融合发展，这无疑将推动产业方式发生改变。

而针对人工智能，李开复老师针对机器越发智能化而带给人类的危机表示：人工智能的真实危机在于未来机器将养活无所事事的人。这也在激励着人类，机器的智能，在代替人类部分劳动后，需要我们潜心于高科技的发展，进而不被社会所淘汰。斯特罗斯说“人工智能之于人类，最需要担心的是其自发意识。无人机并不能杀人，指导无人机的坐标并投射地狱火导弹的人才能杀人。”这一说法表明其认为人类已经生活在后人工智能世界了，但人们还没有意识到人工智能都是我们的人。这足以表明，人工智能产品的设计，一方面是为人类带来了更加绿色，智能，方便的生活方式，而另一方面其法律规范意识，以及人才价值观及道德的培养更值得社会关注。

参考文献

[1] 于玲，吴铁军.LS-Ensem：一种用于回归的集成算法[J].计算机学报，2006（5）：719-726.

篇9

【关键词】机械；智能诊断；设备故障

近几年来，为了适应更加高要求的运作，机械设备的功能变得非常强大，与此同时，其结构也更加的复杂。机械的不同部分之间联系更加紧密，只要一个部分出现问题，整个机器都将停止运作，甚至会发生破坏性更大的连锁反应。而使用常规的诊断方法需要较长的时间，甚至都无处下手或造成人员伤亡。所以现在人们都在追求人工智能诊断方法，利用软件和计算机技术，将诊断的过程系统化，从而达到诊断的快速性和准确性。本文就根据目前已有的一些人工智能方法简要做些分析，并探讨智能诊断方法的发展前景。

1.主要智能诊断方法

1.1人工神经网络法

人工神经网络法是根据生物神经学方面的研究成果而提出的一个人工智能方面的概念，其主要含义是对人脑中神经结构和行为进行类似模拟[1]。因为该法是高度并行的，所以在对故障的处理中速度极快，并且能够根据环境自动辨识，以线性的方法处理问题。

其基本原理为机发生故障的机器通过震动发出不同状态的信号，然后该信号被神经网络识别，通过对应特征的选择以及公式模型的套用，找出对于故障中反映最强烈最敏感的信号，然后将其作为一个输入向量，在神经网络中建立故障模式样本，对网络进行长期训练，排除其中影响准确性的因素；在确定训练结束后，将每一个重新输入的信息进行分类整理，网络会根据所输入的信息迅速判断，并给出分类的结果，最后进行自我诊断。

人工神经网络法的主要优点在于其具有自动学习、联想、记忆和推测的功能；该方法是分布处理的，同时有并行处理复杂问题的强大功能；其非线性的映射很强，可以处理多故障的问题；其有能够进行多种因素预报的能力且其预测准确度非常高。

人工神经网络法的主要缺点为：算法相当复杂，需要预测的模型有一部分是无法用公式表达出来的；在训练的过程中需要样本数量较大，并且当样本不足时，诊断的效果会大打折扣；应用之前所需训练的时间过长。

1.2专家系统诊断法

当机械系统比较难以用数学模型来建立或者没有较为精确的数学模型时，我们可以使用专家系统诊断法。该种诊断的方法主要有三个不同的阶段，从第一代中基于浅知识的智能诊断到第二代中基于深知识的专家诊断，以及最近的将二者结合起来的复合式故障诊断系统[2]。

1.2.1基于浅知识

浅知识主要是指经验知识，不是系统结构或者在行为过程中产生的知识。该种诊断法以专家的经验知识为基础，在演绎推理后得出诊断的最终结果，为故障原因得出一个最佳的解释。基于浅知识的专家诊断系统主要运用到两类知识，其一为机械设备故障导致各种征兆的因果知识；其二为能够反映因果关系的可能性数值知识。主要的缺点就是诊断对象数量以及复杂性逐渐增多时，基于浅知识的故障智能专家系统会出现知识不太完备以及依赖性太强。

1.2.2基于深知识

深知识主要是指一些模型的知识包括机械系统中存在的结构、功能、过程或者是因果关系的模型。该种方法主要通过诊断对实际输出和预计输出之间的偏差值用第一定律知识以及一定的算法过程找出潜在的故障源。该种方法获取数据较为方便，且形成的知识库会比较一致和完备；但是该法所需搜索的空间过大，且推理的过程不是非常简便和快速。

1.2.3复合式

复合式的诊断专家系统就是将浅知识和深知识两者有效的结合起来。前一部分运用浅知识诊断法，推理出产生故障的可能原因和位置，其后再运用深知识诊断系统去做进一步的确认和解释。两种方法之间的衔接我们采用一种相互照应的方式，将浅知识中的假设对象和深知识中推理点一一对应起来。所以该种方法将故障的解决过程更加优化，也使得解决的方法更加快速和方便。它适合人类的思维，且修改较为方便；但是其缺点在于建立知识库比较麻烦，缺少主动学习的能力。

1.3远程分布式智能诊断法

远程分布式法主要是将故障的诊断和目前的网络即时通讯结合在一起[3]。主要有两种诊断系统运行的方式，其一为实时监控的诊断，另一种为电子信函的会诊。第一种就是将机械故障的实际情况通过视频等通讯工具传给并不在现场的专家们，让他们根据自己的经验将采集到的信号进行相关专业的处理，并通过通讯工具和其他专家进行相互的交流与探讨，形成一种网络状态下的会议形式，共同研究出一个最优的处理方案。其主要缺点在于，信号的采集可能会有些偏差，并且要协调好各位专家同时在线的时间也是比较麻烦的。第二种就是通过现场检测人员将数据进行采集与整理，然后把所有的相关数据全部以信函的方式传给有关专家，当专家做好分析之后，再用电子信函的方式传回给现场，现场进行下一步的处理。这一种方法把系统中的资源与实际专家的经验有效的利用起来，为设备的故障处理与维护提供了方便有效的远程服务，对生产系统的可靠性有了极大的保证。

2.智能诊断方法前景分析

由于目前设备故障诊断的技术已经和非线性原理、传感技术、信号处理技术相融合，智能诊断的方法正在不断的完善和科技化。其发展的趋势大概如下[4]：多种知识以及各种方法相结合；相关原理知识与实际的经验知识更加紧密融合；诊断系统的能力越来越接近人类专家；专家系统诊断法会与神经网络诊断法在诊断过程中融合；大量的虚拟技术将会得到重用；数据库的技术和人工智能技术会相互结合……

总之，智能诊断机械设备故障的趋势就是将各种不同的智能技术进行有效的结合起来，形成一种功能强大的混合诊断系统。但是在智能化处理的趋势下，仍然有一些问题是需要我们迫切去解决和研究的，所以在以后，我们要不断的新的技术，前沿的学科方法运用到机械故障解决中去，用新的思维和新的方法从实际的应用提出新的问题，并加以解决和完善，将智能话诊断机械设备提升到理论方法一致的高度之上。

【参考文献】

［1］王宇杰,庞兵.机械故障智能诊断方法研究[J].黑龙江科技信息,2011,6(6):42.

［2］杨光.机械设备故障的智能诊断及预测维修系统的研究[J].科学之友,2011,2(20):41-42.

篇10

一、规模

按规模大小FMS可分为如下4类：

1.柔性制造单元(FMC)

FMC的问世并在生产中使用约比FMS晚6~8年，它是由1~2台加工中心、工业机器人、数控机床及物料运送存贮设备构成，具有适应加工多品种产品的灵活性。FMC可视为一个规模最小的FMS，是FMS向廉价化及小型化方向发展和一种产物，其特点是实现单机柔性化及自动化，迄今已进入普及应用阶段。

2.柔性制造系统(FMS)

通常包括4台或更多台全自动数控机床(加工中心与车削中心等)，由集中的控制系统及物料搬运系统连接起来，可在不停机的情况下实现多品种、中小批量的加工及管理。

3.柔性制造线(FML)

它是处于单一或少品种大批量非柔性自动线与中小批量多品种FMS之间的生产线。其加工设备可以是通用的加工中心、CNC机床；亦可采用专用机床或NC专用机床，对物料搬运系统柔性的要求低于FMS，但生产率更高。它是以离散型生产中的柔性制造系统和连续生产过程中的分散型控制系统(DCS)为代表，其特点是实现生产线柔性化及自动化，其技术已日臻成熟，迄今已进入实用化阶段。

4.柔性制造工厂(FMF)

FMF是将多条FMS连接起来，配以自动化立体仓库，用计算机系统进行联系，采用从订货、设计、加工、装配、检验、运送至发货的完整FMS。它包括了CAD/CAM，并使计算机集成制造系统(CIMS)投入实际，实现生产系统柔性化及自动化，进而实现全厂范围的生产管理、产品加工及物料贮运进程的全盘化。FMF是自动化生产的最高水平，反映出世界上最先进的自动化应用技术。它是将制造、产品开发及经营管理的自动化连成一个整体，以信息流控制物质流的智能制造系统(IMS)为代表，其特点是实现工厂柔性化及自动化。

二、关键技术

1.计算机辅助设计

未来CAD技术发展将会引入专家系统，使之具有智能化，可处理各种复杂的问题。当前设计技术最新的一个突破是光敏立体成形技术，该项新技术是直接利用CAD数据，通过计算机控制的激光扫描系统，将三维数字模型分成若干层二维片状图形，并按二维片状图形对池内的光敏树脂液面进行光学扫描，被扫描到的液面则变成固化塑料，如此循环操作，逐层扫描成形，并自动地将分层成形的各片状固化塑料粘合在一起，仅需确定数据，数小时内便可制出精确的原型。它有助于加快开发新产品和研制新结构的速度。

2.模糊控制技术

模糊数学的实际应用是模糊控制器。最近开发出的高性能模糊控制器具有自学习功能，可在控制过程中不断获取新的信息并自动地对控制量作调整，使系统性能大为改善，其中尤其以基于人工神经网络的自学方法更引起人们极大的关注。3.人工智能、专家系统及智能传感器技术

迄今，FMS中所采用的人工智能大多指基于规则的专家系统。专家系统利用专家知识和推理规则进行推理，求解各类问题(如解释、预测、诊断、查找故障、设计、计划、监视、修复、命令及控制等)。由于专家系统能简便地将各种事实及经验证过的理论与通过经验获得的知识相结合，因而专家系统为FMS的诸方面工作增强了柔性。展望未来，以知识密集为特征，以知识处理为手段的人工智能(包括专家系统)技术必将在FMS(尤其智能型)中起着关键性的作用。人工智能在未来FMS中将发挥日趋重要的作用。目前用于FMS中的各种技术，预计最有发展前途的仍是人工智能。预计到21世纪初，人工智能在FMS中的应用规模将要比目前大4倍。智能制造技术(IMT)旨在将人工智能融入制造过程的各个环节，借助模拟专家的智能活动，取代或延伸制造环境中人的部分脑力劳动。在制造过程，系统能自动监测其运行状态，在受到外界或内部激励时能自动调节其参数，以达到最佳工作状态，具备自组织能力。故IMT被称为未来21世纪的制造技术。对未来智能化FMS具有重要意义的一个正在急速发展的领域是智能传感器技术。该项技术是伴随计算机应用技术和人工智能而产生的，它使传感器具有内在的“决策”功能。

4.人工神经网络技术

人工神经网络(ANN)是模拟智能生物的神经网络对信息进行并行处理的一种方法。故人工神经网络也就是一种人工智能工具。在自动控制领域，神经网络不久将并列于专家系统和模糊控制系统，成为现代自支化系统中的一个组成部分。

三、发展趋势

1.FMC将成为发展和应用的热门技术

这是因为FMC的投资比FMS少得多而经济效益相接近，更适用于财力有限的中小型企业。目前国外众多厂家将FMC列为发展之重。

2.发展效率更高的FML

多品种大批量的生产企业如汽车及拖拉机等工厂对FML的需求引起了FMS制造厂的极大关注。采用价格低廉的专用数控机床替代通用的加工中心将是FML的发展趋势。

3.朝多功能方向发展