人工智能和神经网络的关系范文

导语：如何才能写好一篇人工智能和神经网络的关系，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

随着科学技术的快速发展，机械工程由传统的机械工程项机械电子工程方向转变，同时机械电子工程和人工智能的有效结合，不断的向自动化、智能化、数字化方向发展。机械电子工程与人工智能的整合，为社会生产力的发展带来了历史性的变革，对于推动党建社会的发展和进步具有非常重要的作用。因此，文章针对机械电子工程与人工智能整合思路构建的研究具有非常重要的现实意义。

2机械电子工程与人工智能的特点分析

2.1机械电子工程的特点分析

机械电子工程是指在信息技术快速发展的背景下，发展起来的以机械电子工程为核心的柔性制造系统，是以计算机技术、机械工程与电子工程为核心的综合性学科，机械电子工程的特点主要包括以下几个方面：（1)性能丰富，结构简单，机械电子产品与其他产品最大的区别在于不仅性能丰富，而且结构比较简单，传统的机械产品虽然具有较高的性能，但是外形比较笨重，因此机械电子工程在未来具有非常好的应用前景；（2)多技术融合的设计，电子机械工程是综合计算机技术、机械工程以及电子工程等多个相关技术融合设计的，工程师在进行机械电子工程设计的过程中，需要对各种技术、策略进行考虑，并将所有的技术、策略进行整合，以此完成相关产品的设计。

2.2人工智能的特点分析

人工智能是复杂、综合的学科，主要包括哲学、控制论、心理学、信息论以及计算机等，人工智能在社会生产与生活中发挥了非常重要的作用，具有非常广阔的应用前景。人工智能分为不同的发展阶段：（1)初级阶段，人工智能的研究方向主要集中在博弈、证明以及翻译等方面，此阶段在机器人、专家系统、自然语言理解、计算机视觉等方面获得了非常大的成就；（2)第二发展阶段，该阶段主要集中在商业化产品以及知识工程的应用领域，在智能机器、计算机视觉、基础常识、不确定推理以及分布式人工智能等方面获得了很大的成就，第二发展阶段相对平稳，但是平稳的发展阶段已经从原来的单个体向分布式方向发展。在当今社会，人工智能已经成为一种复杂、系统的技术，并且在人类生产和生活中发挥了至关重要的作用，作为一门使用的技术，在推动时代的发展中占据着非常重要的地位。

3机械电子工程和人工智能的整合思路分析

3.1机械电子工程与人工智能的关系分析

机械电子工程具有一定的不稳定性，描述机械电子系统的输入和输出的关系相对困难，传统的描述方式包括：学习并生成知识描述法、建设规则库方法以及数学方程推导法三种，由于传统的描述方法的严密性和精确度不高，并不能够满足曰益复杂系统的实际要求。人工智能在处理信息中具有很大的优势，能够有效解决传统机械电子系统不确定性、不稳定性、复杂性等问题。因此，机械电子工程与人工智能的整合已经成为一种必然趋势。机械电子工程中人工智能技术的应用存在一定的差异性，并不能够对网络系统进行有效的描述，并且系统资料库创建过程中需要进行严密的数学分析，在分析的过程中会出现许多问题，导致网络系统的建设存在许多问题，导致网络系统出现崩溃的现象，这对于机械电子工程系统的发展是非常不利的。人工智能技术创新的工程方式能够帮助机械电子工程系统创建系统资料库，机械电子工程和人工智能之间存在的密切关系，对现代科学技术进行了强化，对于促进机械电子工程的发展具有非常重要的作用。

3.2人工智能技术在机械电子工程中的应用分析人工智能技术在机械电子工程中的应用，创建了两大系统：其一，模糊推理系统，基于模糊集合理论的模糊推理系统，以模糊理念为设计工具，具有处理模糊信息的功能，模糊推理系统已经被广泛的推广和应用在数据处理、自动化控制等领域，并且获得了良好的效果，机械电子工程中的模糊推理系统，创建了模拟人脑的功能，进行语言信号的分析，通过网络结构接近一个连续函数，并运用域到域的映射方式规则的储存信息，具有非常明确的物力意义，但是模糊推理系统连接不固定，并且计算量相对较小，应用范围相对有限；其二，神经网络系统，神经网络系统是人工智能的重要分支，神经网络以神经元的兴奋模式将信息分布在网络上，并进行动态的相互作用，人工神经网络系统的特点是对信息进行分布式的储存，并且能够进行动态的协同处理，神经网络系统不仅具有丰富的行为，而且结构非常简单，神经网络系统能够模拟大脑的结构，对数字信号进行分析，采用点到点的映射方式联系各个神经元，具有输入输出精度高，计算量大等特点，与模糊推理系统相比，神经网络系统的应用范围更广泛。创建基于模糊推理系统与神经网络系统的智能系统后，其在机械电子工程领域的应用越来越广泛。神经网络与模糊逻辑系统的融合通常采用以下两种方式：功能相似的融合，利用模糊变量隶属函数和神经网络中神经元的非线性映射部分功能相似的融合，对神经元输出特性进行调整，能够实现对隶属函数的优化与修正;利用神经网络与模糊系统算子相似性的融合，合理的选择算子，既能够保证足够的信息量，又能够简化运算；功能互补的融合，将神经网络的学习能力融于模糊系统的分布式储存规则中，能够有效的提高模糊系统的智能;将模糊系统的逻辑推理功能融入到神经网络系统中，能够有效的提高神经网络系统的逻辑推理能力。

篇2

由于人体与疾病的复杂性，不可预测性，非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面，主要应用于生物信号的检测与自动分析，医学专家系统等。

在麻醉与危重医学相关领域的研究涉及到多生理变量的分析与预测，从临床数据中发现一些尚未发现或尚无确切证据的关系与现象，信号处理，干扰信号的自动区分检测，各种临床状况的预测，单独或结合其他人工智能技术进行麻醉闭环控制等。

在围术期和重症监护与治疗阶段，需要获取大量的信息，将可能在信号处理、基于动态数据驱动的辅助决策专家系统、数据挖掘、各种临床状况的预测、智能化床旁监护、远程医疗与教学、医疗机器人等各方面广泛运用到人工神经网络技术和其他人工智能技术。

一、概述

人工神经网络（Artificial Neural Network， ANN）是人工智能(Artificial Intelligence， AI)学科的重要分支。经过50多年的发展，已成为一门应用广泛，涉及神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学等多学科交叉、综合的前沿学科。

现代计算机的计算构成单元的速度为纳秒级，人脑中单个神经细胞的反应时间为毫秒级，计算机的运算能力为人脑的几百万倍。可是，迄今为止，计算机在解决一些人可以轻而易举完成的简单任务时，例如视觉、听觉、嗅觉，或如人脸识别、骑自行车、打球等涉及联想或经验的问题时却十分迟钝。也不具备人脑的记忆与联想能力，学习与认知能力，信息的逻辑和非逻辑加工能力，信息综合判断能力，快速的高度复杂信息处理速度等。

造成这种问题的根本原因在于，计算机与人脑采取的信息处理机制完全不同。迄今为止的各代计算机都是基于冯*纽曼工作原理：其信息存储与处理是分开的；处理的信息必须是形式化信息，即用二进制编码定义；而信息处理的方式必须是串行的。这就决定了它只擅长于数值和逻辑运算。而构成脑组织的基本单元是神经元，每个神经元有数以千计的通道同其他神经元广泛相互连接，形成复杂的生物神经网络。生物神经网络以神经元为基本信息处理单元， 对信息进行分布式存储与加工， 这种信息加工与存储相结合的群体协同工作方式使得人脑呈现出目前计算机无法模拟的神奇智能。

人工神经网络就是在对人脑神经网络的基本研究的基础上，采用数理方法和信息处理的角度对人脑神经网络进行抽象，并建立的某种简化模型。一个人工神经网络是由大量神经元节点互连而成的复杂网络，用以模拟人类进行知识的表示与存储以及利用知识进行推理的行为。一个基于人工神经网络的智能系统是通过学习获取知识后建立的，它通过对大量实例的反复学习，由内部自适应机制使神经网络的互连结构及各连接权值稳定分布，这就表示了经过学习获得的知识。

人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。

近20年来，神经网络的软件模拟得到了广泛研究和应用，发展速度惊人。1987年在圣地亚哥召开了首届国际神经网络大会，国际神经网络联合会(INNS)宣告成立。这标志着世界范围内掀起神经网络开发研究热潮的开始。

二、医学领域应用现状与前景

由于人体与疾病的复杂性，不可预测性，在生物信号与信息的表现形式、变化规律（自身变化与医学干预后变化），对其检测与信号表达，获取的数据及信息的分析、决策等诸多方面均存在大量复杂的非线性关系，非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面，主要应用于生物信号的检测与自动分析，医学专家系统等。

1、信号处理：

在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，医学图像的识别和数据压缩处理等。

2、医学专家系统

医学专家系统就是运用专家系统的设计原理与方法， 模拟医学专家诊断、治疗疾病的思维过程编制的计算机程序， 它可以帮助医生解决复杂的医学问题， 作为医生诊断、治疗的辅助工具。 “传统”的专家系统，通过把专家的经验和知识以规则的形式存入计算机中，建立知识库，用逻辑推理的方式进行医疗诊断。但一些疑难病症的复杂形式使其很难用一些规则来描述，甚至难以用简单的语言来表达；专家们常常难以精确分析自己的智能诊断过程。另一方面，基于规则的专家系统，随着数据库规模的增大，可能导致组合爆炸，推理效率很低。由于人工神经网络能够解决知识获取途径中出现的“瓶颈”现象、知识“组合爆炸”问题以及提高知识的推理能力和自组织、自学习能力等等， 从而加速了神经网络在医学专家系统中的应用和发展。

Sordo比较了采用不同网络结构和学习算法的神经网络在诊断胎儿唐氏综合征(Down’s Syndrome) 上的成绩。正确分类率为84 %， 超过了现今所用的统计方法的60 %～70 % 的分类率。

台湾DEU科技（德亚科技）开发的计算机辅助检测系统Rapid ScreenTM RS-2000为全世界最先通过美国FDA认证的早期肺癌辅助诊测系统。该产品采用人工智能神经网络ANN，自动标识数字胸片中可疑结节区。经台湾和美国的临床实验，可使放射专家检测T1期肺癌的能力明显提高(潜在提升约15 %以上)。

DeGroff等使用电子听诊器和人工神经网络制造了一种仪器，它可正确地区分儿童生理性和病理性杂音。用电子听诊器记录的儿童心音，输入能识别复杂参数的ANN，分析的敏感性和特异性均达100%。

3、其他：

生物信息学中的研究中可应用于基因组序列分析、蛋白质的结构预测和分类、网络智能查询等方面。

药学领域广泛应用于定量药物设计、药物分析、药动/药效学等方面。例如：用于预测药物效应。Veng-Pederson用神经网络预测阿芬太尼对兔心率的影响，对用药后180-300分钟的药物效应取得了较好的预测结果（平均相对预测准确度达78%）。分析群体药动学数据，以获知群体药动学特征和不同人口统计因子对药物行为的影响，对临床用药具有指导意义。

4、麻醉与危重医学相关领域的研究

手术室和ICU内是病人信息富集的地方，而且大量的信息处在动态变化中，随着医学技术的飞速进步，所能获取的信息越来越多，医护人员面临着“信息轰炸”。神经网络技术可以很好地帮助我们应对这些问题。例如：

1）可以用于分析多个生理变量之间的关系，帮助研究其内在的关系，或预测一些变量之间的关系：Perchiazzi在肺损伤和正常的猪容量控制机械通气中，用ANN估计肺顺应性的变化，不需要中断呼吸，与标准方法相比误差很小。

2）结合数据挖掘技术，可能从海量数据库例如电子病历系统中，发现一些尚未发现或尚无确切证据的关系与现象：Buchman 研究了神经网络和多元线形回归两种方法，用病人的基本资料、药物治疗差异和生理指标的变化预测在ICU延迟（>7天）。

3）信号处理：Ortolani等利用EEG的13个参数输入ANN，自行设计的麻醉深度指数NED0-100作为输出，比较NED与BIS之间有很好的相关性；

4）干扰信号的自动区分检测：Jeleazcov C等利用BP神经网络区分麻醉中和后检测到的EEG信号中的假信号，是传统EEG噪音检测方法的1.39-1.89倍。

5）各种临床状况的预测：Laffey用ANN预测肌肉松弛药的残留，发现明显优于医生的评估，还有用于预测propfol剂量个体差异的，预测术后恶心、呕吐，预测全麻后PACU停留时间，预测ICU死亡率等较多的研究。

篇3

关键词:电力系统;自动化控制;智能技术;应用

智能技术是伴随着科技的进步与信息技术的发展而产生的一种高度自动化的技术手段，智能技术在电力系统自动化控制中的应用，改变了传统的电力系统以人力管理和控制为主的运行模式，实现了电力系统的智能化发电、智能化用电、智能化交易及智能化电力调度等功能，为电力系统的高效运用管理奠定了基础。

一、人工智能神经网络在电力自动化控制系统中的应用

电力系统自动化控制中的人工智能神经网络，是一个可以进行电力系统数据信息处理的数学模型，人工智能神经网络的构造形式与人类的大脑中的神经网络有很多的相似之处，这种神经网络控制系统，在复杂的自动化控制系统当中可以发挥十分巨大的作用。像电力系统、通信系统、航空系统等自动化控制体系较为庞大且复杂的系统的建设，都可以将人工智能神经网络纳入到系统中来，从而实现对复杂系统的智能化管理与控制。目前，人工智能神经网络技术在我国的发展还处于研究和初步应用的阶段，在电力系统自动化控制中的人工智能神经网络，目前已经可以实现电路故障的智能化处理和控制的能力，它利用人工智能神经网络中的各个神经元来模拟电力系统不同的节点，通过将这些神经元进行连接，构建了完整的电力系统神经网，对各个电路在运行中产生的数据、图像等进行自动的抓取和分析，帮助电力自动化系统优化输电方案，降低电力损耗，提升供电能力［1］。

二、模糊控制在电力自动化控制系统中的应用

模糊控制是一种基于模糊数学理论的电力自动化控制技术，在电力自动化系统的日常运行当中，其产生的数据变大是非常巨大的，这些变量的数据给描述和管理电力自动化控制系统的运行带来了较大的难度，造成了在重要信息获取、故障诊断、自动监控与数据分析等方面的一系列困难。而借助模糊控制的算法，可以通过模糊数学的思想将电力自动化系统中的动态数据进行简化，从而达到良好的控制效果。目前，模糊控制算法在电力系统化系统中的应用，有效简化了自动化系统的设计和管理难度，其不需通过精确的数学算法对电力系统的运行进行管理，而是借助模糊控制和综合的数据分析来计算系统中各个变量存在的相互关系，且利用模糊控制器实现良好的控制效果。

三、专家系统在电力自动化控制系统中的应用

所谓专家系统，是电力自动化控制系统中的一种智能化的计算机程序，在这个程序当中，储存着关于电力系统相关领域的大量研究和数据，可以借助这个程序对电力系统的运行进行自动的诊断，并帮助电力企业解决提供具体的解决问题的方法。在具体程序使用当中，专家系统可以实现对电力自动化控制系统的运行状态的自动切换、运行模式的调试、运行故障的保护和排查等工作，从而实现自动化和智能化的系统管理［2］。例如，当电力自动化控制系统在运行过程中发生突发的送电事故时，专家系统会根据报警进行具体故障位置的定位，并分析故障的具体情况和发生的原因，而后进行自动的故障隔离和处理，以提升电力系统故障排查和维护的效率。

四、集成智能控制在电力自动化控制系统中的应用

对电力自动化控制系统这种复杂而庞大的系统而言，单独的控制系统或人工智能技术手段所能够涉及的领域和产生的作用都是比较有限的，但是如果可以通过集成智能控制系统来将各个独立的技术进行整合和集成化的控制，就会实现人工智能的全面应用，实现真正的智能化控制。在电力自动化控制系统当中，电力自动化、智能控制、专家系统、神经网络系统等程序的集成，可以共同实现对电力系统的自动化控制，提升其运行管理能力，实现真正的自动化控制与管理。

五、线性控制在电力自动化控制系统中的应用

线形控制是目前比较先进的人工智能技术之一，也是电力自动化系统中正在积极研发和应用的一种新型控制系统，线形控制系统在电力自动化控制系统中的应用，在长距离输电管理当中可以发挥十分巨大的优势，其通过线形控制的形式实现了励磁控制，提升了远距离输电的能力，同时保障了远距离输电的稳定性和电能的质量。

篇4

关键词 电力系统自动化；智能技术；监控系统

中图分类号TM7 文献标识码A 文章编号 1674-6708（2012）64-0160-01

电力系统分布地域广阔，而且大部分元件具有延迟、磁滞、饱和等复杂的地理特性，要对这样大型的系统实现有效控制是极其困难的。而且电力系统在不断增大，人们对电力系统的控制有了越来越高的要求。智能技术是通过先进的传感和测量技术、先进的设备、先进的控制方法，以及先进的决策支持系统，实现电力系统可靠、安全、经济、高效和使用安全的目标。它在电力系统自动化控制中应用得越来越广泛。本文就针对五种典型的智能技术进行了探讨。

1 智能化监控系统

对于电力系统，实时监控是及时有效发现问题的重要手段。特别是随着计算机技术、网络技术和工控技术的不断提高，对电力监控系统智能化的要求也越来越高。智能监控系统采用图形化用户界面，有数字化的监控界面，也有实时趋势显示、柱状图显示、表盘式数据显示、位图动画等直观显示，还有实时报警、图形界面遥控、遥控闭锁、置数、遥调等功能。不仅提高了工作效率，节省了人力成本，更重要的是切实提高了生产的安全可靠性，使科技手段为电力系统的安全管理提供了强有力的保障。

实施智能化监控系统，要根据实际要求定制系统结构。比如，要考虑高压进线、母联和馈线部分；低压变压器进线、联络回路部分；低压的电容补偿、电源切换等回路部分，馈线部分等。具体施工时可考虑采用分层分布式结构。如分为现场监控层、通讯管理层和主控层。实现的功能有监测变压器温度；发电机全电量的测量及转速、油温、油量等发电机状况监测；采集断路器开关量、继电保护跳闸信号、异常报警信号和非电量等遥信量信号；谐波分析、故障录波及事故追忆功能；自动调峰控制，电力需求的控制，设备的开合次数统计及损耗状态的监视等。

2 在故障诊断中的人工智能技术

电力系统的故障诊断传统上是根据某些设备和装置在故障过程中出现的一系列数字的状态信息进行分析，然后推理得出故障原因和故障发生的元件，并预测故障恶化的趋势。近几十年来，国内外将人工智能技术用于电力系统已取得了有效的实际效果。常用的人工智能技术有ES、ANN、FST、GA及Petri网络技术等。

ES是比较成熟的一种人工智能技术，它不融合了书本相关的理论知识，还可总结专家的经验知识来解决问题，是与知识工程研究紧密联系在一起的。它一直在改进知识获取和构造，使知识获取和知识表达工作简化，提高故障诊断的推理效率。基于ANN原理的故障诊断系统最大的特点是不需要为专业知识与专家启发性的知识转化、知识形成、知识表达方式和知识库构造进行大量的工作，而只需以领域专家所提供的大量故障实例，自我学习、自我组织，形成故障诊断样本集，在故障定位和故障类型识别等方面用处很大。FST故障诊断原理是采用模糊隶属度来对故障与对应的动作保护装置和断路器状态之间的可能性进行描述的度量。基于GA和Petri的故障诊断技术都各有优势和存在一些问题。

3 模糊逻辑控制技术

模糊逻辑控制是模拟人的模糊思维方法，用比较简单的数学形式直接将人的判断、思维过程表达出来，用计算机实现与操作者相同的控制。

模糊控制技术应用于电子技术的各个方面，使人容易操作和掌握。相较于建立常规的数学模型，建立模糊关系模型非常简易，在实践中有巨大的优越性。模糊控制通过已经存在的控制规则和数据，对模糊输入量进行推导，从而得到模糊控制输出，进入实时控制。这种模拟人脑的智能技术的优势主要体现在以下几个方面：能有效处理具有不确定性、不精确性的问题和由于噪声造成的问题；通过模糊知识的语言变量表达专家的经验，与人的表达方式接近，知识的抽取和表达更容易完成。如果电力系统出现故障，通过应用模糊理论，也能够及时进行应对并给出解决办法。

4 人工神经网络控制技术

人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络的行为特征，进行分布式并行信息处理的算法数学模型。神经网络由大量神经元连接而成。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系。人工神经网络在智能电网中的优势主要表现在3个方面：

1）具有自学习功能。通过用不同的实时运行数据输入人工神经网络，网络就会通过自学习功能，慢慢学会识别电力系统的运行情况，从而为人类快速判定问题提供依据；2）具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想；3）具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往有很大的计算量。利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

5 综合智能控制技术

综合智能控制包含了智能控制与现代控制方法的结合，也包含各种智能控制方法之间的组合。在电力系统中研究得较多的综合智能控制有神经网络与专家系统的结合。

神经网络适合处理非结构化信息，而模糊系统更适于处理结构化的知识。人工神经网络控制主要应用于低层的计算方法，把感知器传来的大量数据进行安排和解释，模糊逻辑控制则提供应用和挖掘潜力的框架，用来处理非统计性的高层次的推理。所以，人工神经网络控制和模糊逻辑控制这两种技术正好起互补作用，相结合可以相得益彰，有良好的技术基础。

6 结论

电力系统是一个巨维数的动态大系数，具有强非线性、时变性且参数不可确知，并含有大量未建模动态部分的特征。智能技术能有效地组织相关电力系统规划的大量知识，进行选优运算，从而得出优化的决策，它的使用将对电力系统的智能化起到积极的促进作用，对电力系统的稳定性、安全性和经济性起重要的作用。

参考文献

篇5

关键词 机械电子工程；人工智能；信息处理

中图分类号TP391 文献标识码A 文章编号 1674-6708（2012）58-0114-02

0 引言

传统的机械工程一般分为两大类，包括动力和制造。制造类工程包括机械加工、毛坯制造和装配等生产过程，而动力类工程包括各式发电机。电子工程与传统的机械工程相比来言是较新的学科，两者于上世纪逐渐结合在一起。最初，电子工程与机械工程是以块与块的分离模式或功能替代的模式相结合，随着科学技术的不断向前推动，传统的机械工程与现代的电子工程通过信息技术有机的结合起来，形成了现在的机械电子工程学科。随着人工智能技术的不断发展，机械电子工程由传统的能量连接、动能连接逐步发展为信息连接，使得机械电子工程具有了一定的人工智能。传统的机械电子工程通过现代的科学技术进入到一个新的发展领域，同时，人工智能技术伴随着机械电子工程的日益复杂，也得到了长足的发展。

1 机械电子工程

1.1 机械电子工程的发展史

20世纪是科学发展最辉煌的时期，各类学科相互渗透、相辅相成，机械电子工程学科也在这一时期应运而生，它是由机械工程与电子工程、信息工程、智能技术、管理技术相结合而成的新的理论体系和发展领域。随着科学技术的不断发展，机械电子工程也变的日益复杂。

机械电子工程的发展可以分为3个阶段：第一阶段是以手工加工为主要生产力的萌芽阶段，这一时期生产力低下，人力资源的匮乏严重制约了生产力的发展，科学家们不得不穷极思变，引导了机械工业的发展。第二阶段则是以流水线生产为标志的标准件生产阶段，这种生产模式极大程度上提高了生产力，大批量的生产开始涌现，但是由于对标准件的要求较高，导致生产缺乏灵活性，不能适应不断变化的社会需求。第三阶段就是现在我们常见的现代机械电子产业阶段，现代社会生活节奏快，亟需灵活性强、适应性强、转产周期短、产品质量高的高科技生产方式，而以机械电子工程为核心的柔性制造系统正是这一阶段的产物。柔性制造系统由加工、物流、信息流三大系统组合而成，可以在加工自动化的基础之上实现物料流和信息流的自动化。

1.2 机械电子工程的特点

机械电子工程是机械工程与电子技术的有效结合，两者之间不仅有物理上的动力连结，还有功能上的信息连结，并且还包含了能够智能化的处理所有机械电子信息的计算机系统。机械电子工程与传统的机械工程相比具有其独特的特点：

1）设计上的不同。机械电子工程并非是一门独立学科，而是一种包含有各类学科精华的综合性学科。在设计时，以机械工程、电子工程和计算机技术为核心的机械电子工程会依据系统配置和目标的不同结合其他技术，如：管理技术、生产加工技术、制造技术等。工程师在设计时将利用自顶向下的策略使得各模块紧密结合，以完成设计；2）产品特征不同。机械电子产品的结构相对简单，没有过多的运动部件或元件。它的内部结构极为复杂，但却缩小了物理体积，抛弃了传统的笨重型机械面貌，但却提高了产品性能。

机械电子工程的未来属于那些懂得运用各种先进的科学技术优化机械工程与电子技术之间联系的人，在实际应用当中，优化两者之间的联系代表了生产力的革新，人工智能的发展使得这一想法变成可能。

2 人工智能

2.1 人工智能的定义

人工智能是一门综合了控制论、信息论、计算机科学、神经生理学、心理学、语言学、哲学等多门学科的交叉学科，是21世纪最伟大的三大学科之一。尼尔逊教授将人工智能定义为：人工智能是关于怎样表示知识和怎样获得知识并使用知识的科学。温斯顿教授则认为：人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。至今为止，人工智能仍没有一个统一的定义，笔者认为，人工智能是研究通过计算机延伸、扩展、模拟人的智能的一门科学技术。

2.2 人工智能的发展史

2.2.1 萌芽阶段

17世纪的法国科学家B.Pascal发明了世界上第一部能进行机械加法的计算器轰动世界，从此之后，世界各国的科学家们开始热衷于完善这一计算器，直到冯诺依曼发明第一台计算机。人工智能在这一时期发展缓慢，但是却积累了丰富的实践经验，为下一阶段的发展奠定了坚实的基础。

2.2.2 第一个发展阶段

在1956年举办的“侃谈会”上，美国人第一次使用了“人工智能”这一术语，从而引领了人工智能第一个兴旺发展时期。这一阶段的人工智能主要以翻译、证明、博弈等为主要研究任务，取得了一系列的科技成就，LISP语言就是这一阶段的佼佼者。人工智能在这一阶段的飞速发展使人们相信只要通过科学研究就可以总结人类的逻辑思维方式并创造一个万能的机器进行模仿。

2.2.3 挫折阶段

60年代中至70年代初期，当人们深入研究人工智能的工作机理后却发现，用机器模仿人类的思维是一件非常困难的事，许多科学发现并未逃离出简单映射的方法，更无逻辑思维可言。但是，仍有许多科学家前赴后继的进行着科学创新，在自然语言理解、计算机视觉、机器人、专家系统等方面取得了卓尔有效的成就。1972年，法国科学家发现了Prolog语言，成为继LISP语言之后的最主要的人工智能语言。

2.2.4 第二个发展阶段

以1977年第五届国际人工智能联合会议为转折点，人工智能进入到以知识为基础的发展阶段，知识工程很快渗透于人工智能的各个领域，并促使人工智能走向实际应用。不久之后，人工智能在商业化道路上取得了卓越的成就，展示出了顽强的生命力与广阔的应用前景，在不确定推理、分布式人工智能、常识性知识表示方式等关键性技术问题和专家系统、计算机视觉、自然语言理解、智能机器人等实际应用问题上取得了长足的发展。

2.2.5 平稳发展阶段

由于国际互联网技术的普及，人工智能逐渐由单个主体向分布式主体方向发展，直到今天，人工智能已经演变的复杂而实用，可以面向多个智能主体的多个目标进行求解。

3 人工智能在机械电子工程中的应用

物质和信息是人类社会发展的最根源的两大因素，在人类社会初期，由于生产力水平低，人类社会以物质为首要基础，仅靠“结绳记事”的方法传递信息，但随着社会生产力的不断发展，信息的重要性不断被人们发现，文字成为传递信息最理想的途径，最近五十年间，网络的普及给信息传递带来了新的生命，人类进入到了信息社会，而信息社会的发展离不开人工智能技术的发展。不论是模型的建立与控制，还是故障诊断，人工智能在机械电子工程当中都起着处理信息的作用。

由于机械电子系统与生俱来的不稳定性，描述机械电子系统的输入与输出关系就变得困难重重，传统上的描述方法有以下几种：1）推导数学方程的方法；2）建设规则库的方法；3）学习并生成知识的方法。传统的解析数学的方法严密、精确，但是只能适用于相对简单的系统，如线性定常系统，对于那些复杂的系统由于无法给出数学解析式，就只能通过操作来完成。现代社会所需求的系统日益复杂，经常会同时处理几种不同类型的信息，如传感器所传递的数字信息和专家的语言信息。由于人工智能处理信息时的不确定性、复杂性，以知识为基础的人工智能信息处理方式成为解析数学方式的替代手段。

通过人工智能建立的系统一般使用两类方法：神经网络系统和模糊推理系统。神经网络系统可以模拟人脑的结构，分析数字信号并给出参考数值；而模糊推理系统是通过模拟人脑的功能来分析语言信号。两者在处理输入输出的关系上有相同之处也有不同之处，相同之处是：两者都通过网络结构的形式以任意精度逼近一个连续函数；不同之处是：神经网络系统物理意义不明确，而模糊推理系统有明确的物理意义；神经网络系统运用点到点的映射方式，而模糊推理系统运用域到域的映射方式；神经网络系统以分布式的方式储存信息，而模糊推理系统则以规则的方式储存信息；神经网络系统输入时由于每个神经元之间都有固定联系，计算量大，而模糊推理系统由于连接不固定，计算量较小；神经网络系统输入输出时精度较高，呈光滑曲面，而模糊推理系统精度较低，呈台阶状。

随着社会的不断发展，单纯的一种人工智能方法已经不能满足日益增长的社会需要，许多科学家开始研究综合性的人工智能系统。综合性的人工智能系统采用神经网络系统与模糊推理系统相结合的方法，取长补短，以获得更全面的描述方式，模糊神经网络系统便是一成功范例。模糊神经网络系统做到了两者功能的最大融合，使信息在网络各层当中找到一个最适合的完全表达空间。逻辑推理规则能够对增强节点函数，为神经网络系统提供函数连结，使两者的功能达到最大化。

4 结论

科学的不断发展带来的不仅是学科的高度细化、深化，而且是学科间的高度融合。人工智能就是各学科交叉与综合之后的结果，秉承这一天性，人工智能与机械电子工程自然的进行了完美融合，这一全新领域的发展必将引领世界潮流，促进生产力的飞速发展。

参考文献

[1]傅丽凌.杨平.机械专业综合型试验平台的建设[J].电子科技大学学报社科版，2005，7（增刊）.

[2]陈庆霞.人工智能研究纲领的发展历程和前景[J].科技信息，2009，33.

[3]史忠植.高级人工智能[M].科学出版社，2006.

篇6

关键词：智能化；信息处理技术；人工智能；神经网络

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）31-0254-02

近年来，智能信息处理技术获得了突飞猛进的发展，该技术有机融合了控制技术、电子技术、计算机技术等多种先进技术，能够高效实现信息的采集和处理任务。开展信息的智能化处理技术研究具有非常重要的意义，能够全方位的了解和掌握智能信息处理技术的发展及运用状况，并发挥该技术的优势和作用，为今后的研究提供依据。

1 信息的智能化处理技术的产生与发展

1.1信息的智能化处理技术的产生

早在1930年就产生了信息的智能化处理技术，然而因为运算功能强大的工具，致使智能化信息处理技术的功能无法得到全面体现，这在一定程度上限制了信息的智能化处理技术的发展和成熟。计算机技术的广泛应用为信息的智能化处理技术的进一步发展提供了坚实的基础保障，研发出多种智能信息处理产品，在人们的工作和生活中得到了大规模的应用，为人们提供了极大的便利，同时也产生了较大的社会及经济效益。针对当前医学领域中的GT机而言，该机器充分运用了智能化信息处理技术的优势[1]；同时美国科学家J. W.Coolev领导多位研究人员共同研制出先进的FFT算法，极大地推动了科学研究领域的创新发展。随后硬件电路就借助FFT算法对智能监测仪器进行开发研究，推出多种自动化和智能化程度较高的检测设施，获得了很大的成功[2]。科学技术的实时发展使信息的智能化处理技术也不断更新，科技水平逐步提升，智能化信息处理技术在信息处理系统中发挥的作用越发重要。

1.2信息的智能化处理技术的发展

信息处理技术顺应着通信技术、计算机技术的发展潮流，已经进入到一个全新的发展阶段，不仅更新了传统的发展理论及方式，在研究领域方面也获得了进一步的拓展，构建出全新的研究理论及方法。在信息处理技术最初发展阶段，线性、最小相位及因果等系统是几大关键研究内容，在不断的发展过程中已经逐渐转向非最小相位、非因果和非线性等研究领域，能够结合信息的变化开展针对性的处理工作。能够处理可靠性和稳定性较差的信息是智能化信息处理技术最显著的特征，能够使其转变为可靠和确定的信息。在智能化信息处理技术的支撑下，能够在确定性较差的信息内获取相对精确的结果，能够对信息进行有效、充分的利用，显著改善了信息的整体利用率。

构建具有良好判断能力、理解能力和学习能力的人工智能系统是开展智能化信息技术研究的根本目标，信息的智能化处理技术主要借助不同算法对信息进行采集和利用，最终达到智能化管控的效果。由此得知，信息的智能化处理技术主要研究内容为：1）环境、机器同人的彼此智能化交互协作。该技术能够对语音或文字开展自动识别研究，并尝试理解自然语言，对图像、视觉信息进行自主化的加工和处理，确保环境、机器同人三者能够实现信息的互动沟通、交流[3]；2）将有价值、有效信息从数据库内进行提取，并总结基本规律。智能化信息处理技术的根本研究内容为机器学习及简约数据，需要借助已经掌握的模式识别理论、知识，针对数据信息进行简化处理，通过可阅读的方式将信息呈献给决策人员，便于制定出科学的决策。也能够自动化的学习多种数据，进而进行数据的评价和分类处理工作，对结果进行准确的预测；3）合理规划和优化智能系统，发挥系统的协作、决策功能。应对计算机决策系统、辅助规划系统进行构建，参考优化指标改善社会及经济效益。还应对系统建模内容进行探究，对智能决策、规划、体系协作的基础理论和方式进行进一步的优化。

2 信息的智能化处理技术理论及方法

信息的智能化处理技术涵盖多个研究领域，融合了通信技术、控制技术和计算机技术等先进技术，涉及多个信息科学技术学科。综合当前的研究及发展情况，可以将信息的智能化处理技术归为以下几类：

2.1模糊理论

若需要对无法确定对现象进行探究和分析，就必须要借助模糊理论来实现。由于事物本身拥有不确定的特性，同数学理论下的二元性原则没有直接关系，属于对象差异的中间过渡状态，无法进行准确的划分，从而不能明确对象类型。模糊系统具有模糊性特征，能够结合模糊理论发挥模糊信息处理功能，是一种动态化的模型。一般在模糊系统内，输入、输出彼此对应，能够将其视为连续函数的通用逼近器，主要包括模糊推理机、反模糊化器、模糊产生器及模糊规则库[4]。建立在神经网络、模糊系统之上的模糊神经网络，有效整合了模糊系统机理、神经网络，将二者的优势进行了整合，同时也融合了多种理论，包括动力学、逻辑计算、处理方式及语言等。模糊神经网络不仅具有较强的联想能力、识别能力和学习能力，同时还拥有良好的模糊信息处理性能。在普通神经网络内，对模糊输入信号、权值进行添加是模糊神经网络的核心所在，在优势互补的原理下，能够使神经网络、模糊系统的优势和功能充分展示出来，同时也弥补了二者各自的弊端和不足。构建的模糊神经网络使信息的智能化处理技术发展迈向一个全新的发展层面，具有非常重要的意义。

篇7

【关键词】神经网络；塑性加工

1.引言

神经网络技术属于人工智能领域，最早在上世纪五十年代开始出现一些相关理论性的研究，由于受到当时软、硬件环境的约束，因此该技术的发展一直处于停滞状态，直到九十年代才得到足够的重视，并由于其在控制过程中独特的优势而受到广泛的关注和青睐，成为最热门的研究领域之一。人工神经网络的特点主要有大规模并行计算能力突出、数据存储的分布性好、超强的自学习和自适应能力等，甚至基于神经网络衍伸出的一些优化算法还可以具备相当程度的联想、识别和记忆功能，这大大强化了神经网络的适用范围。目前该技术已广泛的应用在生产控制、模式识别、网络控制、信号处理、医学工程以及其他需要智能优化处理服务的自动化控制场合。

2.人工神经网络概述

人工神经网络技术模拟人脑中由大量的神经元连接组成的复杂网络，在求解过程中充分的调动神经元之间的相互作用，从而实现对数据的感知、记忆和处理功能。虽然神经元个体相对简单且功能有限，但通过大量不同神经元的组合，便可使生成的网络系统具有多样化的功能。在人工神经网络中，神经元由三部分构成，分别是包含网络中每条连接权值的权集；用以存储某条组合连接中各个单位连接权值之和的求和单元；对加权和进行非线性映射并约束其强度的非线性激励函数。由这三部分组成的单个神经元可与其他多个神经元相连接，组成各种类型的神经网络。

神经网络的另一个优势在于其独特的分布式数据存储方式上，由于将采集到的大量数据分布存储在各个神经元之间的连接强度上，可大大增强数据的生存性和安全性，即使出现了局部数据的损毁，也不会对最终的计算结果造成太大的影响。从计算机技术方面分析，神经网络中的神经元实质上是一个非线性运算器，可同时接受多路输入数据参与运算，而计算结果则是唯一的单个输出。从数学建模的角度来看，通常使用三个函数来描述神经网络，分别是阶跃函数、分段线性函数和Sigmoid函数，如下所示：

在塑性加工领域，应用最多的是前馈型神经网络，在该类神经网络中，包括输入层、隐层和输出层三层结构。在这三层之间，内部节点相互独立，减少干扰，其实现的输入和输出之间的关联受到多种因素的影响，如节点数、层数、连接权值等等，若要实现该网络输出尽可能的逼近预设值，就必须采用误差函数来对各个连接强度进行动态调整，最常使用的是二乘误差，如下所示：

3.人工神经网络在塑性加工中的应用分析

3.1 工艺设计专家系统

工艺设计是塑性加工工序的开始，通过科学的工艺设计，可以将整个加工流程进行合理的安排，预设合适的参数组合，以使得生产出的产品合乎标准，在这一阶段，首先要完成的就是大量资料的收集，随后是数据提炼，计算量相当庞大。而利用人工神经网络来建立专家系统时可以实现大规模的数据并行处理，且不需要循序渐进的推理，直接通过大量的训练来得到最优的解集，这是其他智能算法所不具备的突出优势。而且在神经网络中，推理过程和计算过程是同步完成的，且相关信息分布存储在网络节点间的连接强度上，通过对样本不断的学习和更新来完成对存储知识的不断优化。

3.2 无损探伤及缺陷预测

在超声探伤、磁粉探伤等无损探伤中，由于得到的信息较为有限，因此传统的监测系统很难准确判断构件内部缺陷的具体情况，更谈不上精确定位了，且这种困难随着北侧物件体积的增大而直线上升。而神经网络所具有的非线性识别及映射能力则能很好的解决这一问题，通过反复的训练优化，最终定位出最有可能的缺陷位置和缺陷尺寸。若某平板内具有圆形缺陷，可先用有限元法模拟在一定载荷下圆孔的位置、尺寸变化对某些点的位移、应变的影响，将所得到的数据用来训练神经网络。一旦训练成功，就可以利用它确定同类试件内部的缺陷及其尺寸位置。

3.3 预测材料性能及参数识别

在塑性加工理论研究中，材料塑性变形行为的表述能否准确反映材料在外载作用下的响应，直接影响到理论结果的准确性。在利用传统方法建立本构模型时要引入许多假定的前提条件，还要通过大量的实践经验和实验验证来选择合适的参数组合，通过在不同环境下的仿真实验，并对结果进行对比分析，不断修正乃至最终确定本构模型，这一过程显然占用了过多的时间和资源。而利用神经网络却可以实现应力―应变的直接映射，直接从实验数据“学习”应力―应变关系，从而避免了大量的数学推导过程和验证―修改的不断反复过程。网络实现对应力―应变关系模拟就是在“训练”过程中不断改变自身各神经元间的连接强度，训练完成后，网络将应力―应变关系（某种材料）“记忆”在其连接强度上即可。

4.结束语

虽然神经网络已经被广泛的应用到各种工业控制场合并表现出强大的学习和自适应能力，但其算法的收敛性和鲁棒性仍有待加强，相信人工智能领域的不断突破，人工神经网络比价发挥出更大的作用。

参考文献

[1]时慧焯.基于人工神经网络的注塑成型翘曲优化方法[D].大连：大连理工大学，2012

[2]付子义.基于BP神经网络优化的PID控制器研究[J].软件导刊，2015，（12）：45-48

篇8

关键词：模拟电路；智能故障诊断；神经网络

中图分类号：TN710 文献标识码：A 文章编号：1009-2374（2012）04-0118-02

上世纪70年代开始，模拟电路故障诊断理论第一次被提出来，如今已发展成为一门系统的学科。但是，虽然模拟电路的使用时间已经有一段历史，其模拟电路故障诊断技术却发展一直比较缓慢。以下笔者就从模拟电路智能故障的特点入手，对模拟电路智能故障诊断技术的发展现状进行详细探讨。

一、模拟电路智能故障的特点分析

现将模拟电路故障的特点分析如下：

（一）模拟电路信号与数字信号的区别

模拟电路信号与数字信号有很大的不同：前者信号的大小是随时间连续变化的量，包含的物理量属于连续函数，其故障模式及模型难以用简单的量化来描述。

（二）模拟电路元器件的特性

由于模拟电路中的元器件参数本身存在容差，导致了导致功能性故障的故障物理位置难以确定，存在较大的模糊性（“容差”的实质就是元器件本身存在的轻微故障）。

（三）模拟电路中存在的问题

在模拟电路中，存在反馈电路和非线性问题，增加了计算和测试的复杂性。

（四）模拟电路的使用范围

模拟电路的频率范围比较宽，这就决定了其使用设备的差异性。有时，即使测量同一个信号，但是在不同的频段上所使用的设备都会出现很大的差距，决定了其设备较大差异性的特点。

（五）模拟电路的故障问题

由于现在电路中，可测试的节点数一般都比较少（电路通常是封装或者多层的缘故），导致判断故障信息的数量不够多、信息不够充分，加大了故障判断的难度。

二、模拟电路故障诊断技术现状分析

近几年，电子技术得到了飞速发展，随着电子技术的飞速发展，电子技术运用而成，并随着集成度的不断增大，电路的复杂程度日益提高。

一般而言，故障辨识、故障检测及故障隔离是电路故障诊断的主要内容。由于诊断原理的多样性，导致了电路故障诊断方法也存在多样性。

本文根据故障诊断的角度出发，对现行电路故障诊断的方法进行了分类。以下就现代模拟电路故障诊断的方法进行具体探讨。

（一）专家系统故障诊断分析

专家系统在人工智能技术中，属于应用比较广泛和活跃的故障诊断技术之一。专家系统故障诊断的工作过程可以描述为以下几个步骤：首先，应该具备故障诊断专家系统的知识库，这个知识库的内容主要是将相关诊断经验与技术，使用一定的规则组合起来而形成，以备以后程序使用；然后，当出现故障时故障诊断系统将由报警系统得到相关信息，应用知识库对其进行推理，由此得出出现的故障的原因。

以上诊断过程可以理解为：专家系统故障诊断技术是模拟行业专家进行诊断及决策的过程，主要可以解决一些比较复杂的故障问题。

但是，由于这些技术存在一定的缺陷，在一定程度上限制了其推广使用。

（二）人工神经网络技术分析

人工智能技术的另一个重要分支是人工神经网络技术。

在故障诊断中，它的主要优势在于：其特别适合处理那些具有复杂非线性关系的、无法用显性公式表示的情况，并能够有力解决非线性、反馈回路和容差等引起的问题，上述这些情况都是传统模式识别方法难以解决的。

人工神经网络由于其独特的优势，越来越受到人们的广泛重视。

人工神经网络的优点主要体现在以下几个方面：（1）它以利用网络的拓扑结构和权值分布实现非线性的映射，以分布的方式存储信息；（2）它可以实现非线性信息变化问题，这个主要是通过全局并行处理来实现的信息变化。其可以有效的解决故障诊断中故障知识获取这个“瓶颈”问题，以及“组合爆炸”等问题；（3）人工神经网络技术还具有联想记忆、并行分布处理以及自适应性强等特点。

以上的这些优点为智能故障诊断的研究开辟了一条新途径。基于以上的分析，将神经网络与专家系统相结合，使其相互补充，各自扬长避短，是故障诊断领域的一个热点话题。

（三）神经网络专家系统

从逻辑方面来讲，神经网络专家系统和传统专家系统是完全不同的。神经网络专家系统是一类新的知识表达体系，神经网络专家系统中的信息处理是由大量简单处理元件之间进行相互作用，从而进行信息处理的，属于低层数值模型。神经网络专家系统可以将数值运算和逻辑推理结合，并利用相关的信息处理功能来解决诊断系统中的相关问题。

在这种技术中，通过学习将专家知识存储在网络中，由此进行不精确的故障诊断，可以较好的完成相关推理过程。

（四）小波分析方法

小波分析法时一种时-频分析方法。它的主要原理通过以下阐述：

小波变换及小波函数的多样性。

小波是函数空间中满足下述条件的一个函数或者信号：

式中：表示非零实数全体，是傅里叶变换，为小波母函数。

对于实数对（a，b），参数a为非零实数，函数

称为由小波母函数生成的依赖于参数对（a，b）的连续小波函数，简称小波。其中：a称为伸缩因子：b称为平移因子。

对信号f（x）的连续小波变换则定义为：

其逆变换（回复信号或重构信号）为：

信号f（x）的离散小波变换定义为：

其逆变换（恢复信一号或重构信号）为：

其中：C是一个与信号无关的常数。

由上述原理可知，小波函数具有多样性。

（五）神经网络小波分析方法

将神经网络与小波分析相结合的方法主要有两个：

1．以辅助式结合的形式组合。在这种结合中，一般是利用小波分析技术对相应的信号进行预先处理，然后，利用神经网络技术进行学习与判别。

2．以嵌套式结合的方式进行组合。这种结合中，主要是把小波分析方法融入到神经网络中，形成新的神经网络结构，即神经网络一小波分析或小波网络。这种新的网络方法具有明显的优势：具有自适应分辨功能和很好的容错性。

由上面分析可以得出，这种新的故障诊断鉴别方法是故障诊断领域的一个新方法，它不仅可以拓宽小波分析方法与神经网络技术的应用领域，而且为故障诊断技术开辟了新道路，使得故障诊断技术得到了进一步的发展。

三、结语

由于现代科技的飞速发展，模拟电路故障诊断系统将会变得越来越复杂，如何保证模拟电路系统可以运行的更加可靠是一个值得深入探讨的问题。模拟电路出现故障后，如能及时将相应的故障诊断清楚，并保证及时维修更换，无疑可以提高生产效率，提高成品的合格率，进而推动模拟电路系统向更好的方向

发展。

参考文献

[1] 朱大奇．电子设备故障诊断原理与实践[M]．北京电子工业出版社，2004．

篇9

关键词：人脸识别技术；病毒管控；人工智能；神经网络

互联网在今天的社会中发挥着举足轻重的作用。如今社会，随着许多人工智能技术、网络技术、云计算等互联网技术不断发展，像人脸识别等技术的应用越来越广泛，在控制病毒传播途径等场合发挥了巨大作用，不断地提高着社会的安全性和便利性，不仅提高了防控中病毒检测效率，也为病毒的控制提供了可靠的技术方法，能够及时发现和控制公共场所的安全隐患因素，避免对社会经济、居民生活造成破坏，。但目前的人脸识别等技术还存在许多缺陷，需要完善和革新，充满着巨大的潜力和进步空间。

1人脸识别技术研究意义

人脸识别技术是一种生物特征识别技术，最早产生于上世纪60年代，基于生理学、图像处理、人机交互及认知学等方面的一种识别技术。相比于其他人类特征像指纹识别、声纹识别、虹膜识别等技术，人脸识别虽然存在人脸识别单一性低，且区分度难度高、易受环境影响等不足。但是人脸识别技术拥有速度快、大范围群体识别及非接触、远距离可识别等优势，都是其他生物识别识别技术所不具备的，而在传播性强、感染风险大的病毒传播过程中，这些显然是必须要考虑的重要影响因素。通过将人脸识别等人工智能技术引入信息管理系统，综合集成视频监控、图像处理、深度学习和大数据等技术，结合非接触测温、定位等技术，助力病情防控，在一定程度上推动病毒病情防控信息化、智能化发展进程。可作为加强公共场所的人员的体温实时监测、地址信息定位的监控管理，规范公共场所针对病毒传播的预防行为。

2人脸识别技术

2.1人脸检测技术

人脸检测是自动人脸识别系统中的一个关键环节。早期的人脸识别研究主要针对具有较强约束条件的人脸图象（如无背景的图象），往往假设人脸位置静止或者容易获取。人脸检测分为前深度学习时期，AdaBoost框架时期以及深度学习时期。前深度学习时期，人们将传统的计算机视觉算法运用于人脸检测，使用了模板匹配技术，依赖于人工提取特征，然后用这些人工特征训练一个检测器；后来技术发展，在2001年Viola和Jones设计了一种人脸检测算法，它使用简单的Haar-like特征和级联的AdaBoost分类器构造检测器，检测速度较之前的方法有2个数量级的提高，并且保持了很好的精度，称这种方法为VJ框架。VJ框架是人脸检测历史上第一个最具有里程碑意义的一个成果，奠定了基于AdaBoost目标检测框架的基础，使用级联AdaBoost分类器进行目标检测的思想是：用多个AdaBoost分类器合作实现对候选框的分类，这些分类器组成一个流水线，对滑动窗口中的候选框图像进行判定，确定检测目标是人脸还是非人脸。Adaboost框架技术的精髓在于用简单的强分类器在初期快速排除掉大量的非人脸窗口，同时保证高的召回率，使得最终能通过所有级强分类器的样本数数量较少。在深度学习时期，开始将卷积神经网络应用于人脸检测领域。研究方向有两种：一是将适用于多任务的目标检测网络应用于人脸检测中；另一种是研究特定的的人脸检测网络。人脸检测技术具有特殊唯一性和稳定性，在现今社会对于构建居民身份识别系统，病毒传播防控系统，以及计算机视觉交互模型的构建具有广泛的应用。人脸检测技术不仅作为人脸识别的首要步骤，也在许多其他领域发挥巨大影响，如人脸关键点提取、人脸追踪、基于内容的检索、数字视频处理、视频检测、安防监控、人证比对、社交等领域都有重要的应用价值。数码相机、手机等移动端上的设备已经大量使用人脸检测技术实现成像时对人脸的对焦、图集整理分类等功能，各种虚拟美颜相机也需要人脸检测技术定位人脸。评价一个人脸检测算法好坏的指标是检测率和误报率，我们定义检测率为：算法要求在检测率和误报率之间尽量平衡，理想的情况是达到高检测率，低误报率。

2.2人脸识别技术

目前主要流行的人脸识别技术包括几何特征识别，模型识别，特征脸识别和基于深度学习/神经网络的的人脸识别技术等。人脸特征识别主要通过对人脸面部结构特征如眼睛、鼻子等五官几何特点及其相对位置分布等，生成图像，并计算各个面部特征之间的欧式距离、分布、大小等关系该方法比较简单，反应速度快，并且具有鲁棒性强等优点，但是在实际环境下使用容易受检测的环境的变化、人脸部表情变化等影响，精度通常不高，细节处理上不够完善。模型识别技术主要包括隐马尔可夫模型、主动表象模型、主动形状模型等，识别率较高，并且对表情等变化影响较小。特征脸识别来源于主成分描述人脸照片技术（PCA技术），从数学上来讲，特征脸就是人脸的图像集协方差矩阵的特征向量。该技术能有效的显示人脸信息，效率较高。基于深度学习的人脸识别是获取人脸图像特征，并将包含人脸信息的特征进行线性组合等，提取人脸图像的特征，学习人脸样本数据的内在规律和表示层次。可以采用如三层前馈BP神经网络。BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。BP网络本质上是一种能够学量的输入与输出之间的映射关系的输入到输出的映射，从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。BP神经网路输入层有n个神经元节点，输出层具有m个神经元，隐含层具有k个神经元，采用BP学习算法训练神经网络。BP算法主要包括两个阶段：向前传播阶段和向后传播阶段。在向前传播阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是在网络完成训练后正常运行时执行。将Xp作为输入向量，Yp为期望输出向量则BP神经网络向前传播阶段的运算，得到实际输出表达式为向后传播阶段主要包括两大步骤：①计算实际输出Op与对应理想输出Yp之差；②按极小化误差方法调整带权矩阵。之所以将此阶段称为向后传播阶段，是对应于输入信号的正常传播而言的，因为该阶段都需要收到精度要求进行误差处理，所以也可以称之为误差传播阶段。(1)确定训练集。由训练策略选择样本图像作为训练集。(2)规定各权值Vij，Wjk和阈值Φj，θk参数，并初始化学习率α及精度控制参数ε。(3)从训练集中取输入向量X到神经网络，并确定其目标输出向量D。(4)利用上式计算出一个中间层输出H，再用本式计算出网络的实际输出Y。(5)将输出矢量中yk与目标矢量中dk进行比较，计算输出误差项，对中间层的隐单元计算出L个误差项。(6)最后计算出各权值和阈值的调整量。所以，卷积神经网络算法是通过训练人脸特征库的方式进行学习生成，对不同环境下不同表现情况的人脸图像识别有更高的精确性。

2.3人脸识别软件实现方式

(1)采集人脸数据集，然后对数据集进行标注，对数据进行预处理变成训练格式。(2)部署训练模型，根据训练算法所需依赖部署电脑环境。(3)训练过程，下载预训练模型，将人脸数据集分批次作为输入开始训练，最终输出为训练好的模型。(4)部署训练好的模型，捕获画面即可对画面中的人脸进行实时检测。

3人脸识别在病毒传播防控中的应用

通过人脸识别技术，可以实现无接触、高效率的对流动人员进行信息的收集、身份识别、定位地址信息等操作，大大减少了传染的可能性，切断了病毒传播途径，大大提高了工作效率。通过提前收录人脸信息，采用深度学习对人脸特征模型的训练学习，即可获取人脸识别特征模型，再次验证时即可实现人脸识别和个人信息快速匹配。AI人工智能帮助人们更好的解放双手，为人们的生活和工作提供了重要的帮助。本文还提出了在人脸识别的系统基础上，可以加入定位系统、测温系统等，依托物联网技术和云计算大数据，更加优化管控系统的效率。病毒传播防控中人脸识别系统流程可以概括为图2。

4结语

本文研究了一种人脸识别技术在病毒传播管控系统中的应用，并分析设计了人脸识别实时监测及病毒管控系统的流程，大大提高了信息管理的效率，减弱了传播风险。作为一门新兴技术，目前的人脸识别技术还存在着诸多不足之处，像存在环境光的影响、人脸表情变化、妆容变化、佩戴口罩等都会影响到系统识别精度；另外安全问题也引人深思：现今人脸支付方式迅猛发展，录入的人脸模型信息数据库存在有一定的安全风险，一旦被不法分子盗取信息后果不堪设想，所以模型数据库安全、网络安全，也是系统开发中必须重视的问题。人脸识别为代表的人工智能技术的研究，在病毒传播管控作出重大贡献，依托我国领先的计算机网络技术和5G等技术，加强人工智能技术与5G通信技术的结合，优势互补，以此来加快大数据、人工智能和物联网技术发展进程，对我国社会进步，促进城市建设和管理朝着高效、秩序、和谐稳定的方向不断发展，增强我国的经济实力有着重大价值和研究意义。

参考文献

[1]王彦秋,冯英伟.基于大数据的人脸识别方法[J].现代电子技术,2021,44(7):87-90.

[2]李刚,高政.人脸自动识别方法综述[J].计算机应用研究,2003,20(8):4-9,40.

[3]马玉琨,徐姚文.ReviewofPresentationAttackDetectioninFaceRecognitionSystem[J].计算机科学与探索,2021,7(15):1195-1206.

[4]余璀璨,李慧斌.基于深度学习的人脸识别方法综述[J].工程数学学报,2021,38.

[5]王红星,胡永阳,邓超.基于LBP和ELM的人脸识别算法研究与实现[J].河南理工大学学报(自然科学版),2005.

[6]钟陈,王思翔,王文峰.面向疫情防控的人脸识别系统与标准研究[J].信息技术与标准化,2020,6,11-13,1671-539X.

[6]彭骏,吉纲,张艳红,占涛.精准人脸识别及测温技术在疫情防控中的应用[J].软件导刊,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.

关键词： 财务管理；神经网络；决策支持系统；专家系统

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

中图分类号：F275 文献标识码：A 文章编号：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速发展起来的新型计算机科学。它是一个有着广泛应用背景的十分热门的交叉科学。神经网络是一个具有高度非线性的超大规模连续时间的动力系统。结合神经网络的智能决策支持系统是目前研究的前沿之一，它极具理论和使用价值。

财务管理的信息化、数字化是财务规范和科学管理的趋势。与DSS的结合将更加有利于数据标准的统一，有利于数据采集的模块化，有利于决策支持的科学化，有利于财务公开的透明化。

1 财务管理决策支持系统的研究现状

决策支持系统经过二十多年的发展，形成了如图1所示公认的体系结构。它把模型并入信息系统软件中，依靠管理信息系统和运筹学这两个基础逐步发展起来。它为解决非结构化决策问题提供了相应的有用信息，给各级管理决策人员的工作带来了便利。

从图1可以看出决策支持系统体系结构可划分为三级，即语言系统（LS）级、问题处理系统（PPS）级和知识系统（KS）级。其中问题处理系统级包括推理机系统（RS）、模型库管理系统（MBMS）、知识库管理系统（KBMS）及数据库管理系统（DBMS）。知识系统级包括模型库（MB）、知识库（KB）及数据库（DB）。

九十年代中期，兴起了三个辅助决策技术：数据仓库（DW）、联机分析处理（OLAP）和数据挖掘（DM）。联机分析处理是以客户/服务器的方式完成多维数据分析。数据仓库是根据决策主题的需要汇集大量的数据库，通过综合和分析得到辅助决策的信息。数据挖掘顾名思义，是为了获得有用的数据，在大量的数据库中进行筛选。人工智能技术建立一个智能的DSS人机界面，可进行图、文、声、像、形等多模式交互，人机交互此时变得更为自然和谐，人们能沉浸其中，进行合作式、目标向导式的交互方法。

从目前情况来看，财务决策支持系统的研究还处于初级发展阶段，财务数据的保密性、特殊性决定了财务决策不能全部公开化、透明化，但随着中央及国务院相关部门财务预决算数据的公开，财务决策系统及其支持系统和过程也将随之公开，这就要求决策者充分利用财务知识和决策支持系统的知识“聪明”决策、合理决策、科学决策、规范决策。

2 财务管理神经网络智能决策支持系统总体研究框架

2.1 神经网络运行机制 神经网络的着眼点是采纳生物体中神经细胞网络中某些可利用的部分，来弥补计算机的不足之处，而不是单单用物理的器件去完整地复制。

第一，神经网络中的链接的结构和链接权都可以通过学习而得到，具有十分强大的学习功能；第二，神经网络所记忆的信息是一种分布式的储存方式，大多储存在神经元之间的权中；第三，神经网络部分的或局部的神经元被破坏后，仍可以继续进行其他活动，不影响全局的活动，因此说，神经网络的这种特性被称作容错性；第四，神经网络是由大量简单的神经元组成的，每个神经元虽然结构简单，但是它们组合到一起并行活动时，却能爆发出较快较强的速度来。

我们可以利用神经网络的上述特点，将之应用于模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统中。

2.2 财务管理神经网络集成智能财务DSS的必然性 在企业经营管理、政府机构财务活动中，人们时常面临着财务决策。人们往往需要根据有关的理论及经验制定出一系列的衡量标准。这种评价是一个非常复杂的非结构化决策过程，一般都是由内行专家根据一定的专业理论凭经验和直觉在收集大量不完全、不确定信息基础上建立起多级指标体系。但在这种指标体系中，各种指标之间的关系很难明确，而且还受评价者的效用标准和主观偏好所左右。因此，很难在指标体系和评价目标间建立起准确的定量或定性模型。因此，我们需要采用一种可处理不确定性、不完全性信息的评价方法以支持决策。自然，利用人工神经网络构造系统模式来支持这类评价决策问题是目前财务管理智能决策支持系统的一种发展趋势和必然趋势[4]。

2.3 财务管理神经网络集成智能DSS系统框架 神经网络智能决策支持系统主要以知识、数据和模型为主体，结合神经网络进行推理与数据开采。图2给出了神经网络智能决策支持系统研究框架[2]。研究中有两个重点，即神经网络推理系统和神经网络数据开采系统。

2.3.1 神经网络数据开采系统 神经网络数据开采时利用神经网络技术协助从数据中抽取模式。数据开采有五项基本任务：相关分析、聚类、概念描述、偏差监测、预测。

常用的前馈式神经网络，如BP网络，可用于进行概念描述及预测。对向传播（Counter Propagation，简称CP）神经网路可用来进行统计分析和聚类。

CP网络是美国神经计算专家Robert Hecht-Nielsen提出的一种新型特征映射网络，其网络结构分输入、竞争、输出三层。该网络吸取了无教师示教型网络分类录活、算法简练的优点，又采纳了有教师示教型网络分类精细、准确的好处，使两者有机地结合起来。由竞争层至输出层，网络按基本竞争型网络学习规则得到各输出神经元的实际输出值，并按有教师示教的误差校正方法调整由竞争层至输出层的链接权。经过这样反复地学习，可以将任意输入模式映射为输出模式。

2.3.2 财务管理神经网络推理系统 财务管理神经网络推理系统主要利用神经网络的并行处理机制来解决传统推理方法中存在的“组合爆炸”、“无穷递归”，等问题。在神经网络系统中，计算与存储时完全合二为一的，即信息的存储体现在神经元互连的分布上，并以大规模并行方式处理。流动的过程就是从部分信息找到全部信息的过程，这就是联想记忆的基本原理。若视动力系统的稳定吸引子为系统计算能量函数的极小点，系统最终会流向期望的最小点，计算也就在运动过程中悄悄地完成了。因而，可用双向联想记忆（BAM）网络或CP网络实现并行推理。CP网络具有特殊的联想推理映射功能。将输入学习模式和期望输出模式取为同一模式，且将之分为X和Y两部分。网络通过提供的样本对进行充分的学习后，就可用来进行模式间的联想推理。

3 财务管理神经网络智能DSS研究展望

当前世界上最热门的研究课题，是模仿人类的思维方式来解决实际问题。专家系统和人工神经网络是比较常用的技术，但由于自身的局限性，它们都侧重于人类思维方式的某一方面。平时解决简单的问题的时候还好，但真遇到解决复杂的问题的时候，它就显得力不从心了，所以，这个时候我们可以将两种技术结合起来解决，除了它们要自身不断发展和完善外，还要注重两者的协调配合，神经网络DSS未来的发展趋势就是依靠这两种技术不断结合，从而能帮助我们解决更多的实际问题。

3.1 财务管理神经网络支持专家系统 常见的财务管理神经网络支持专家系统主要包括几个方面：知识维护、知识表示、知识获取、推理等，我们针对各个步骤展开讨论。

3.1.1 知识维护。如果知识是通过人工神经网络来获取的，我们就可以同样利用人工神经网络，来让维护工作变得更加方便快捷，维护可以通过人工神经网络来自动完成，我们需要做的只是重新运行网络模块，或者重新训练网络模块，又或是增加新的网络模块。

3.1.2 推理。一般的专家系统只是求解专门性问题，应用的领域非常狭窄，同时由于控制策略不灵活，推理方法简单，容易出现一些这样或那样的问题，推理效率低、速度慢。人工神经网络可以解决这一问题，从根本上提升工作效率，提高工作速度，它可以拓展知识空间，不只局限在狭窄的领域。

3.1.3 知识表示。很多专家知识事实上很难用规则表示出来，但在现实工作中，我们大部分财务管理专家却都采取这种方式，无论是直接的还是间接的。其它的知识表示方法也存在着同样的问题。为了解决这一问题，我们可以采用人工神经网络系统来将知识提供给专家系统，这样做就可以避免这一问题，当专家系统需要相应知识时，就不需要用规则来表示知识，直接调用人工神经网络就可以了。

3.1.4 知识获取。人工神经网络可以帮专家系统来获取知识，知识获取是通过人机对话的形式进行的。首先，专家系统向专家提出问题，人工神经网路则负责对这些信息进行收集、处理，在人工神经网络的联结权值中已经具有通用的知识，所以这一步骤会很方便，之后再产生相应的数据结果。接着，专家系统在对这些数据进行进一步的分析。在这一过程中，专家系统只运用很少的规则就可以获得相关的知识，大大提高了工作效率。

3.2 财务管理专家系统支持神经网络 财务管理专家主要通过三种方式来对神经网络提供必要的支持：第一，提供相应的必要的解释；第二，进行预处理；第三，联合应用。

3.2.1 解释。作为专家系统的人工神经网络，它做不到同其他专家系统那样，具体详细地跟踪问题求解的过程，以获得答案的原因，它只能依靠增加一个小型的专家来解决这一问题，以获得答案的原因，这个专家系统可以反向推理，从结果到初始输入，系统提供具体的解决方法。

在这种模式中，经过训练的人工神经网络来解决问题。当用户要求解释的时候，就可以通过网络输入一个并行的专家系统。

3.2.2 预处理。对于人工神经网络来说，处理数据这项工作比较难。专家系统可以帮助人工神经做好这些工作：选择合适的收敛算法，确定训练神经网络的样本的数量，选择合适的神经网络。收集正确数据的工作，对于人工神经网络来说至关重要，事先对它们进行预处理，可以确保各项工作顺利的完成。

3.2.3 联合应用。将一个复问题分解为几个子问题，如下图3所示，再将各个子问题来逐个解决，这就是我们所常说说的联合应用方法。它可以直接采用人工神经网络、专家系统以及其种可能的方法来解决问题，指导实际应用。

我们当前计算机所要解决的主要问题，是如何解决半结构化和非结构化的决策等问题，它是人们在日常生活中所经常遇到的，在财务活动中会大量存在。如何更科学、更合理地处理这些问题是我们当前工作的主要方向。运用人工神经网络技术处理半结构化和非结构化的决策是一种智能化的求解方式。但是此种方式并不是完美无缺的，它还存在着一定程度上的缺点，我们只有改善这种技术上的不成熟，将智能化研究进行到底，才能让神经网络决策支持系统的研究出现新的进展。

参考文献：

[1]陈文伟.智能决策技术.电子工业出版社，1998年.

[2]钟义信.智能理论与技术——人工智能与神经网络.人民邮电出版社，1992年.