神经网络在人工智能的应用范文

导语：如何才能写好一篇神经网络在人工智能的应用，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；深度学习；教学建议

0 引言

传统的人工智能课程主要包括人工智能导论、模式分析、机器学习、数据挖掘等。这些课程由各个院校根据专业情况不同而选择，课程的内容也有较大差别，但是，基本上都涉及人工神经网络的内容。然而在人工神经网络的教学内容上，一般只讲解经典的多层感知器和反向传播算法，或再加入一些反馈网络的内容，这种教学内容设计的一个不足是忽视了人工智能领域的最新发展——深度学习，它是近几年人工智能领域最具影响力的研究主题，并在大规模语音识别、大规模图像检索等领域取得突破。

北京邮电大学计算机学院开设人工智能科学与技术的本科专业，笔者从事深度学习的研究工作，同时承担了本科生和研究生人工智能类课程的教学工作，因此产生了将深度学习内容引人人工智能类课程的想法。本文先介绍深度学习的背景，说明深度学习在人工智能发展中的地位，之后分析了将深度学习基本内容引入人工智能类课程的必要性和可行性，最后给出了一些实施建议供探讨。

1 深度学习背景

2006年，加拿大多伦多大学的GeoffreyHinton教授与Salakhutdinov博士在美国《科学》杂志发表了题为“Reducing the Dimensionality ofDatawith Neural Networks”的论文，该文提出一种学习多层神经网络的方法，并将这种具有多层结构的学习方法命名为深度学习（Deep Learning），而这成为深度学习研究的一个导火索，从此深度学习的研究与应用蓬勃发展起来。

深度学习在语音识别与生成、计算机视觉等应用领域取得了突出进展。近几年的国际机器学会（International Conference on MachineLearning，ICML）、神经信息处理大会（AnnualConference On Neural Information Processing Systems，NIPS）、计算机视觉大会（InternationalConference on Computer Vision，ICCV）、

声学语音与信号处理大会（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、计算语言学大会（Annual Meeting of the Association for Computational Linguistics.ACL）、计算机视觉与模式识别（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相关的研究论文、会议教程和小组研讨会（Workshop）。美国国防高级研究计划（DARPA）也提出了关于深层学习的研究项目。此外，2013年6月《程序员杂志》的封面故事，采访了周志华、李航、朱军3位国内的机器学习专家对于深度学习的看法，他们一致肯定了深度学习在机器学习领域的贡献。

工业界对深度学习也寄予了很高期望。2012年6月，《纽约时报》报道了斯坦福大学计算机科学家AndrewNg和谷歌公司的系统专家JeffDean共同研究深度神经网络的机器学习模型在语音识别和图像识别等领域获得的巨大成功。2012年11月，微软公司在天津公开演示了一个全自动的同声传译系统，其关键技术也是深度学习。2013年1月，百度公司首席执行官李彦宏先生宣布建立深度学习研究院（Institute of Deep Learning）。2013年3月，谷歌公司收购了由深度学习创始人Geoffrey Hinton创立的公司。

从学术界与工业界的研究态势看，深度学习已经成为机器学习与模式识别，乃至人工智能领域的研究热点。正是在这样一个背景下，人工神经网络重新回到人们的视野。此前人工神经网络的发展大致可以分为两个时期，1943年，McCulloch和Pitts提出了最早的人工神经元，这种神经元具有学习能力，这是人工神经网络的发端，也可以被认为是人工智能的发端（当时还没有人工智能这个术语）。1949年，Hebb提出了Hebbian学习算法。1957年，Rosenblatt提出了感知器的神经网络模型。1969年，Minsky和Papert分析了这种感知器神经网络模型的局限性。然而，很多研究者认为，感知器的这种局限性对于所有的神经网络模型都适用，这使人工神经网络的研究很快暗淡下来。1980年代中期，诺贝尔奖得主John Hopfield提出了Hopfield神经网络模型，这种Recurrent神经网络具有的动态性有可能用于解决复杂的问题。同时，多层前向神经网络的后传算法也被重新发现，这两个工作使人工神经网络得到重生。这时，人工神经网络已经成为人工智能的一个重要组成部分。但是，在随后的研究中，人们发现，当学习多层神经网络包含更多的隐藏层时，后传算法并不能学到有效的网络权值，这使得神经网络的研究再次陷入低潮。此次以深层神经网络为代表的深度学习重新回到研究的舞台，其中一个重要因素是Hinton提出的逐层预训练神经网络方法治愈了多层神经网络的一个致命伤。

2 必要性与可行性

深度学习的发展使得从事教学一线的教师也无法忽视这个颇具影响力的研究主题。为此，我们提出将深度学习这个主题引入到人工智能类课程中，将它作为课题教学的一部分。

2.1 必要性

将深度学习这个主题引入到人工智能类课程中的必要性主要包括如下4点。

1）深度学习是人工智能的前沿。

2006年以来，深度学习的研究席卷了整个人工智能，从机器学习、机器视觉、语音识别到语言处理，都不断涌现出新的研究工作和突破性进展。深度学习不仅在机器学习领域成为研究热点，同时在多个应用领域也成为有力工具，而且，在工业界的系统应用中，深度学习成为其中的关键解决技术。

2）深度学习是人工智能的突破。

深度学习的发端是神经网络。关于神经网络的论述，在人工智能类常见教科书中还停留在多层神经网络，即神经网络的第二阶段，它们大部分描述多层结构无法训练的现象。但是，从深度学习的角度看，深层神经网络不仅可学习，而且有必要，这与第二代神经网络的观点是完全不同的。深度学习突破了原有人工神经网络的认识，超越了人工智能神经网络教科书中的原有内容，因此，有必要将多层神经网络结构的可学习性告知学生，从新的视角纠正原有的观点。

3）深度学习是人工智能的延伸。

深度学习不仅提供了一种可以在深层神经结构下训练网络的方法，也包含了不少新的内容，是人工智能的新发展，为人工智能补充了新的内容。到目前为止，深度学习至少包括：从生物神经网络与人类认知的角度认识深层神经网络的必要性；如何构建和学习深层学习网络；如何将深层结构用于解决视觉、语音、语言的应用问题；如何看待深度学习与原有的机器学习方法，如流形学习、概率图模型、能量模型的直接关系；深度学习与其他学科的关系等。

4）深度学习是学生的潜在兴趣点。

大学生对知识有着强烈的好奇心，加之当前信息技术的发达，部分对智能感兴趣的学生可以从其他途径了解到这个学科发展的前沿。因此，顺势而为，将深度学习这个主题做具体讲解，满足学生的好奇心，培养他们对学科前沿与发展的认识，是十分必要的。对高年级的学生而言，了解深度学习的基本知识，是他们全面认识人工智能与发展前沿的一个途径，而对于研究生，较多地了解和掌握深度学习的基本知识有助于他们研究工作的开展。

基于以上几点，笔者认为，将深度学习这个主题引入到人工智能类课程中非常有必要。深度学习作为人工智能的前沿，既是对人工智能原有理论和技术的一个突破和补充。

2.2 可行性

将深度学习引入到人工智能类课程中的可行性主要包括如下3点。

1）深度学习与现有人工智能联系密切。

深度学习并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理论与技术。深度学习是以神经网络为出发点，这正是深度学习教与学的切入点。比如，可以通过对多层感知器隐藏层的增加和后传算法的失效来讲解深度学习是如何解决这个问题的。再者，深度学习的一个核心构建“受限波尔兹曼机（Restricted Boltzmann Machine）”，可以被认为是一种能量模型，而这种模型与Hopfield网络都可以从物理学的能量模型角度分析，RBM可以认为是Hopfield网络的随机扩展。总之，深度学习与现有人工智能的联系，使学习深度学习变得容易。

2）深度学习的基本内容并不深。

深度学习有个很好的名字，这个名字恰当地描述了特定的学习结构。比如，深度学习的核心部件受限于波尔兹曼机RBM，其结构非常简单。从神经网络的角度，受限波尔兹曼机是一种随机的双向连接神经网络，信号可以从可见层传递到隐藏层，也可以从隐藏层传递到可见层。网络中每个节点是具有特定结构的神经元，其中的神经元具有典型的包含自身偏置的Logistic函数的随机单元，能够依Logistic函数计算得到的概率输出0状态或1状态。概括地说，深度学习的基本内容在高年级阶段较易掌握。

3）深度学习的资料容易获得。

当前的信息资讯非常发达，有相当多的资料可以通过互联网等多种途径获得，这使学习深度学习成为可能。近期，中国计算机学会主办了多个技术讲座均涉及深度学习的部分；深度学习的创始人Hinton教授的主页也有很多资料；Coursera网站有免费的Hinton教授的神经网络课程；斯坦福大学的Ng教授提供了很多的在线教程；蒙特利尔大学Bengio教授发表的题为“Learning Deep Architectures for AI”的论文也是这领域的优质资料。

3 实施建议

在具体的教学过程中，笔者建议适当安排深度学习的最基本内容，内容不宜过多，也不宜占用过多的学时，可以根据教学对象的不同进行调整。比如，本科生的高年级专业课可以安排1学时的教学量，介绍层次训练的基本算法；也可以在高年级前沿讲座中安排2学时，内容覆盖面尽可能广泛。在研究生的教学中，可以根据教学的课程主题安排内容与学时。比如，神经网络主题的课程可以安排4-6学时的教学内容，包括波尔兹曼机及学习算法、深层信念网络与学习算法、深层波尔兹曼机与学习算法卷、积神经网络、自动编码器等。结合应用，课程还可以包含MNIST数字识别的应用、人脸识别的应用、图像检索的应用、语音识别中的应用等。另外，深度学习是一个实践性很强的研究，随机性：大规模（意味着数据不宜可视化，程序运行时间长）等多种因素混合，使深度学习在学习中不容易理解。为此，可以在条件允许的前提下，增加小规模的实验，辅助理解。最后，课件可以通过对优质资料做修改得到。

篇2

【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3

关键词：电力系统；人工智能；模糊控制；神经网络

引言

伴随着社会的不断进步，用户对电能的要求也在不断提高:安全、可靠、优质、环保。电力系统在实际工作中也确实存在一些技术难题：首先，电力系统是一种复杂大系统，系统参数包含着诸多的不确定因素，并且具有很强的非线性；其次，电力系统应当具有较强的鲁棒性能，以克服系统中的扰动，而且系统对多目标寻优的控制方法要求也较高；最后，复杂系统是由多个子系统相互影响、关联组成，电力系统需要将多个局部的控制系统相互连接，综合控制。因此，这一系列尖端的技术难题需要应用更为先进的自动化控制技术即智能控制技术。

1智能控制技术

控制理论的不断发展，为人类带来了更加先进的自动化技术，使得人们设计的控制系统稳定、可靠、智能、高效。典型的智能控制技术包括：模糊控制、人工神经网络、专家系统、遗传算法等。

1.1模糊控制。模糊控制是基于模糊数学理论的一种控制方法。传统的控制理论能够解决模型明朗、确定的系统的控制问题。但当面对类似于电力系统的复杂、模型不确定、因素多的大系统传统的控制方法就无法高效地解决控制问题。为了克服上述问题，科研人员提出了用模糊数学的理论来解决一些复杂系统的控制问题。模糊控制是一种非线性的控制理论。它采用的是理论与实际相结合的方法解决实际的问题。一般模糊控制技术包含如下几个部分：定义变量、模糊化、知识库、逻辑判断及反模糊化。而其中的逻辑判断部分运用模糊逻辑、模糊推论方法进行分析，得到最优的模糊控制输出。

1.2人工神经网络。人工神经网络（ArtificialNeuralNetworks，简写为ANNs）也简称为神经网络（NNs），此类数学模型模仿动物神经网络的组成，进行分布式信息处理。通过调整系统内部的各个节点之间的联系，最终达到控制系统的目的。强鲁棒性、非线性特性、自组织自学习的能力和并行处理能力是人工神经网络基本特性，受到了人们的普遍关注。人工神经网络在工作前先对控制准则学习，减少系统工作过程中发生错误动作的概率。控制的准确性可以经过学习之后逐渐完善，提高系统正确动作的权值。

1.3专家系统。专家系统实际上是一个包含着某个专业领域内的大量人类专家知识的一种智能计算机程序系统。该系统通过程序模拟人类专家应用其丰富的知识经验进行分析、解决问题的过程，最终解决复杂的控制系统的问题。专家系统中的知识库是反映系统性能的主要部分，系统在解决问题时是通过模拟专家的思维来实现的。用户在使用过程中可以通过不断完善专家库来提高专家系统的性能。专家系统通过反复比对系统的输入信息，与专家系统中的知识库的规则进行匹配，最终找到能使数据库的内容与实际的目标的规则。在改善动态品质和提高远距离输电线路能力的问题上，卢强等人提出了利用最优励磁控制手段，研究成果指出：利用最优励磁控制方式，可以使大型机组取代古典励磁方式。

2智能控制技术在电力系统的应用

2.1模糊控制技术在继电保护领域的应用。电力系统中的继电保护装置具有这重要的意义，继电保护装置的可靠工作能使电力系统稳定、可靠、安全的运行。对继电保护装置的故障识别与诊断越来越严苛，电力系统中庞大复杂的故障现象，普通的识别系统无法准确及时地解决问题。因此，采用先进的人工智能技术进行电力系统的继电保护装置的故障识别与诊断的工作更加迫切。应用模糊控制技术监视电力系统中变压器的工作状态，根据变压器的参数的变化，结合已知的输入输出，利用模糊控制技术进行变压器的故障诊断。利用最小二乘法的原理将变压器的一些参数，例如电介质的损耗、泄漏电流、绝缘电阻、变压器的吸收比等参数作为模糊控制的输入。将这些输入参数通过一定的规则进行量化，作为模糊输入的矩阵，再将变压器的状态分为合格、不合格、故障等按照规则量化得到输出的模糊矩阵。参考其他一些实际经验中的数据作为扩展出来的输入输出矩阵，应用最小二乘法的迭代运算得到输入与输出的关系矩阵。应用得出的输入输出的关系矩阵就可以对一些变压器的试验信息进行分析，诊断。

2.2神经网络在电力系统故障诊断中的应用。在电力系统故障诊断的过程中，神经网络将系统的故障报警信息作为神经网络的输入量。神经网络的输出是电力系统故障诊断的结论。应先让神经网络进行学习，对其输入特定的故障报警，建立一个全面的故障报警样本库。通过样本库不断对神经网络系统进行训练，使得系统对不同的故障报警输入产生相应的权重，最终能够输出准确的故障诊断的结果。神经网络故障诊断技术不仅可以应用在电网的故障诊断方面，还可以用于电力设备的故障诊断、电力系统中的变压器的故障诊断等。神经网络的算法多种多样较为常用的有BP神经网络算法，迭代步长算法，以及变步长法等。在辐射型配电系统中采用BP神经网络，用ANN模拟各个地区不同电弧电阻下的故障情况，测量阻抗量应用BP神经网络判断电力系统出现的问题。该方法能够有效解决由于电弧引起的测量阻抗不准确，导致保护系统不能正常工作的问题。专家系统在电力变压器其的故障诊断的应用电力系统中已经有多个部分在控制过程中建立出了数学模型，但是依然存在一些复杂的、规律性不明显的系统无法抽象出具体的数学模型。这就需要专家系统解决相应的问题。专家控制系统在电力系统中多用于分辨系统的故障报警的状态，进行分析，提出故障的应急解决方案以及系统的恢复控制方案。专家系统中的知识库用于提供解决问题的知识，应用推理机使用该专家的知识库。知识库可以根据变压器的不同故障分为多个子系统，例如油位、负荷、温度等。推理机调用程序根据当前的状态，按照规定的规则调用系统的特定知识。推理机调用知识库中的数据时可以采用正向推理、反向推理、混合推理。经过反复的匹配直到找出故障的原因，故障原因可能是多个，将找出的多个原因组合为一个相互关联的矩阵。最终实现了经过专家系统做出的故障诊断分析。

3总结

人工智能技术是一项新颖先进的技术。在电力系统中应用人工智能技术是电力自动化发展的必然趋势。针对类似于电力系统的具有非线性、多参数、不确定因素多的复杂大系统，人工智能技术拥有更加优越的控制性能。模糊控制、神经网络、专家系统等控制理论已经渐渐的成熟，在生产生活的多个方面已经有了越来越多的应用。经过人工智能技术的不断完善，电力系统自动化的不断深入，人工智能对电力系统的控制会使电力系统运行更稳定、更经济，鲁棒性能更优越。

参考文献

[1]朱亮亮,王艳.基于人工智能的电力系统自动化控制[J].科技致富向导,2014,09:300.

[2]丘智蔚.基于人工智能的方法对智能电网进行安全改进[D].华南理工大学,2014.

[3]冯宗英.配电网状态估计及量测系统的鲁棒性配置研究[D].山东大学,2014.

篇4

人工神经网络是近年来迅猛发展的前沿课题，它对突破现有科学技术的瓶颈起到重大的作用。本文剖析了人工神经网络的特征、模型结构以及未来的发展趋势。

【关键词】人工神经网络 神经元 矩阵

1 人工神经网络概述

人工神经网络（ANN）是一种用计算机网络系统模拟生物神经网络的智能神经系统，它是在现代神经生物学研究成果的基础上发展起来的，模拟人脑信息处理机制的一种网络系统，它不但具有处理数值数据的计算能力，而且还具有处理知识的学习、联想和记忆能力。

人工神经网络模拟了大脑神经元的组织方式，反映了人脑的一些基本功能，为研究人工智能开辟了新的途径。它具有以下基本特征：

1.1 并行分布性

因为人工神经网络中的神经元排列并不是杂乱无章的，往往是以一种有规律的序列排列，这种结构非常适合并行计算。同时如果将每一个神经元看作是一个基本的处理单元，则整个系统可以是一个分布式处理系统，使得计算快速。

1.2 可学习性和自适应性

一个相对很小的人工神经网络可存储大量的专家知识，并能根据学习算法，或利用指导系统模拟现实环境（称为有教师学习），或对输入进行自适应学习（称为无教师学习），可以处理不确定或不知道的事情，不断主动学习，不断完善知识的存储。

（3）鲁棒性和容错性

由于采用大量的神经元及其相互连接，具有联想映射与联想记忆能力，容错性保证网络将不完整的、畸变的输入样本恢复成完整的原型，鲁棒性使得网络中的神经元或突触遭到破坏时网络仍然具有学习和记忆能力，不会对整体系统带来严重的影响。

1.3 泛化能力

人工神经网络是大规模的非线性系统，提供了系统协同和自组织的潜力，它能充分逼近任意复杂的非线性关系。如果输入发生较小变化，则输出能够保持相当小的差距。

1.4 信息综合能力

任何知识规则都可以通过对范例的学习存储于同一个神经网络的各连接权值中，能同时处理定量和定性的信息，适用于处理复杂非线性和不确定对象。

2 人工神经网络模型

神经网络是在对人脑思维方式研究的基础上，将其抽象模拟反映人脑基本功能的一种并行处理连接网络。神经元是神经网络的基本处理单元。

在神经网络的发展过程中，从不同角度对神经网络进行了不同层次的描述和模拟，提出了各种各样的神经网络模型，其中最具有代表性的神经网络模型有：感知器、线性神经网络、BP网络、自组织网络、径向基函数网络、反馈神经网络等等。

3 神经元矩阵

神经元矩阵是神经网络模型的一种新构想，是专门为神经网络打造的一个矩阵，它符合神经元的一切特征。

神经元矩阵采用矩阵形式，它可为n维向量组成。引入向量触头和信使粒的概念，向量触头可生长，即长度可变，方向可变，信使粒可“游荡”在矩阵中，建立各种联系。如图1即是神经元矩阵模型

（1）容器可产生一种无形的约束力，使系统得以形成，容器不是全封闭的，从而保证系统与外界的沟通和交互；各向量间可用相互作用的力来联系，而各个信使粒则受控于容器、中空向量以及其它的信使粒。各神经元之间自主交互，神经元矩阵是一种多层次的管理，即一层管理一层。系统具有明显的层级制和分块制，每层每块均独立且协同工作，即每层每块均含组织和自组织因素。

（2）向量触头是中空的，信使粒可以通过向量或存储于向量中，所以又称为中空向量。向量存储了信使粒后，可以吸引更多的信使粒在附近，或使邻近向量转向、伸长，进而形成相对稳定的信息通路。

（3）当两条或更多的信息通路汇集时，可能伴随着通路的增强、合并，以及信使粒的聚集、交换，这是神经元矩阵运算的一种主要形式。通路的形成过程，也就是是神经元矩阵分块、分层、形成联接的过程，也为矩阵系统宏观管理、层级控制的实现奠定了基础。

神经元矩阵亦是一种具有生物网络特征的数学模型，综合了数学上矩阵和向量等重要概念，是一种立体的矩阵结构。尤其是将矩阵的分块特性和向量的指向特征结合起来，更好的体现了神经网络的整体性和单元独立性，系统的组织和自组织特征也更为凸显。信使粒以“点”的数学概念，增强了系统的信息特征，尤其是增强了矩阵的存储和运算功能。

4 人工神经网络的发展趋势

人工神经网络是边缘叉科学，它涉及计算机、人工智能、自动化、生理学等多个学科领域，研究它的发展具有非常重要意义。针对神经网络的社会需求以及存在的问题，今后神经网络的研究趋势主要侧重以下几个方面。

4.1 增强对智能和机器关系问题的认识

人脑是一个结构异常复杂的信息系统，我们所知道的唯一智能系统，随着信息论、控制论、计算机科学、生命科学的发展，人们越来越惊异于大脑的奇妙。对人脑智能化实现的研究，是神经网络研究今后的需要增强的地发展方向。

4.2 发展神经计算和进化计算的理论及应用

利用神经科学理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能，使离散符号计算、神经计算和进化计算相互促进，开发新的网络数理理论。

4.3 扩大神经元芯片和神经网络结构的作用

神经网络结构体现了结构和算法的统一，是硬件和软件的混合体，神经元矩阵即是如此。人工神经网络既可以用传统计算机来模拟，也可以用集成电路芯片组成神经计算机，甚至还可以生物芯片方式实现，因此研制电子神经网络计算机潜力巨大。如何让传统的计算机、人工智能技术和神经网络计算机相融合也是前沿课题，具有十分诱人的前景。

4.4 促进信息科学和生命科学的相互融合

信息科学与生命科学的相互交叉、相互促进、相互渗透是现代科学的一个显著特点。神经网络与各种智能处理方法有机结合具有很大的发展前景，如与专家系统、模糊逻辑、遗传算法、小波分析等相结合，取长补短，可以获得更好的应用效果。

参考文献

[1]钟珞.饶文碧.邹承明著.人工神经网络及其融合应用技术.科学出版社.

篇5

（浙江省丽水市丽水学院，浙江丽水323000）

摘要：在电力系统中加入人工智能控制技术的应用，能够有效解决非线性问题。本文描述了模糊技术、神经网络、专家系统这三种智能控制技术的特点，并就其在电力系统中的应用现状进行分析，阐述了智能控制对于电力系统无功电压控制、切负荷、继电保护等方面的作用。

关键词：电力系统；智能控制；模糊技术；神经网络；专家系统

中图分类号：TM76 文献标识码：A文章编号：1007-9599 (2011) 09-0000-01

The Analysis the Power System of the Intelligent Control Technology

Zhang Yuming,Feng Jianlin

(Zhejiang Lishui University,Lishui323000,China)

Abstract:The addition of artificial intelligence in power system control technology,can effectively solve the nonlinear problem.This paper describes the fuzzy technology,neural network,expert system technology that features three intelligent control and its application in power system analysis of the status,describes the intelligent control for reactive power voltage control,load shedding,relay protection role.

Keywords:Power system;Intelligent control;Fuzzy technology;Neural network;Expert system

作为非线性动态系统，电力系统涉及到发电机、变压器、输配电网络和终端设备等一系列复杂单元。在电气自动化水平日益提高的背景下，电力系统实现智能控制已成为大势所趋。随着信息技术、电子计算机技术、微电子技术和人工智能等现代学科的最新进展，面对电力系统逐渐扩大的规模和日趋复杂的体系架构，其智能控制手段逐渐归纳成为三种较为有效的渠道，也就是模糊技术、神经网络、专家系统这三种控制技术。

一、模糊技术在电力系统中的应用及分析

模糊控制技术是基于模糊理论（FT），模拟人类大脑逻辑进行模糊推演归纳行为的人工智能控制方法，在问题具有非线性、非确定性、非精确性或者受到噪声污染时，模糊技术能够凭借其完整的推理体系体现出更强的优势。模糊控制技术接近人的理性思维，对有效信息的提取和分析更为精确，具有较强的鲁棒性，不易受到被控对象非线性因素和参数变化的影响，对电力系统控制的诸多复杂问题都具有较强的适用性。

举例来说，电力系统中的无功电压控制就具备了可应用模糊技术加以控制的特点。在实际运行中，系统电压和无功控制具有非线性特征，很难用标准数学模型或者常规控制手段加以描述。因此针对无功电压越限容许度这个问题，可以采用模糊线性规划，将电压的限值进行模糊处理，最终确定能够维持电压的无功功率最低值。电力系统中有的节点对故障点的控制性较强，这些节点能够组成一个无功电压的局部控制区域，针对这个要求，可将控制的力度模糊化理解，使用模糊语言隶属度而非硬性指标来划分强弱表征系数，然后使用模糊数学中的聚类分析方法，区分不同的控制属性，对无功电压进行紧急状态下的局部控制。这种办法较普通线性规划法来说，提高了实用性，使无功电压控制获得了传统上不具备的智能特性。

二、神经网络在电力系统中的应用及分析

人类的神经网络是通过彼此连接的神经元来相互传递并处理信息，实现大脑思维工作的。人工神经网络（ANN）智能控制技术也就是基于这种原理，仿制若干神经元单位，通过一定的联系方式实现非线性组合，来模拟控制系统的非线性属性。神经网络的信息隐藏在大量的神经元以及它们之间的有向连接权值中，通过算法的调整变化，这些信息能够实现多维空间内部的复杂映射，并具备较强的自我组织能力和容错能力，适用于多种信息控制需求。神经元的控制较为简单，其相互独立的属性也降低了并行处理的难度，提高了运行效率。神经网络控制技术的优点主要在于强大的自学能力和鲁棒性，它还具备类似人脑的非线性拟合和联想记忆的功能，在动静态交叉模型的参数变化情况下仍能保持高精度的稳定控制，并可自行调和两种状态之间的矛盾，抗干扰能力极强，在电力系统维持稳定运行和处理大量非线性信息的要求下具有较为广阔的应用空间。

神经网络控制技术可以用在电力系统切负荷离散控制中，切负荷是指当电力系统的某一节点出现故障突然停止工作，系统容量会发生突变，如果负荷超出了系统的供应容量，就需要对超载负荷进行处理，避免出现较大区域的断电问题。此时，可以将负荷需求以及系统故障视为某种非线性数学映射，将系统的暂态稳定行为分析视为对这种映射函数的分析和处理，实现对继电器的控制，保证动作稳态实施。基于人工神经网络技术能够通过特征量的选取来获取函数样本的功能，以及其对函数的并行处理和逼近能力，利用这种智能控制技术来获得对电力系统的切负荷控制，具有一定的实效性。

三、专家系统在电力系统中的应用及分析

专家系统（ES）是人工智能中发展最早也是最成熟的控制技术之一，其系统知识库中贮存了大量专业领域的信息源，并通过此类特殊领域的知识体系来组建专家级的决策，提供高水平的问题解答。专家系统的工作性能取决于知识库的完整和充实，并分别在信息获取、库存、推理、解释这些环节加以展现。当前电力系统的正常运行和控制亟需具备专业经验和高端理论知识的人员调度和自动化智能控制技术所结合的体系，而专家系统正符合这两方面的要求。电力系统需要专家系统有效启用知识积累式的演绎推理来突破传统数值分析的瓶颈，另一方面其复杂性还能反过来丰富知识库中的数学模型和状态量。当前，国内外对组织大型专家系统进入电力控制应用技术抱有很大的兴趣，也取得了一些突破性的成果。

比较典型的应用如在电力系统继电保护装置中。继电保护控制的难度在于缺乏故障检测手段、故障定位困难、后备保护时间长、保护值的限定跟不上动态变化等一系列问题。专家系统与人工神经网络技术的结合成为这一领域实现智能控制的趋势，前者的专业推理能力和后者的自动学习功能加以叠加，能够有效地实现对故障与暂态稳定之系统微分方程的解析。

四、结语

综上所述，模糊技术、神经网络、专家系统等人工智能控制技术，究其原理都是对电力系统的非线性因素进行解析，进而实现对其参数变化的控制。但每种控制技术都具有其优势和不足，需要辩证地理解和应用。要实现高效稳定的电力系统运行，就要善于从不同角度借助人工智能控制技术的力量，多方面提高系统性能，并通过技术的改进与发展，结合不同控制技术的优点，规避各自的不足，使其在电力系统应用中发挥最大效力。

参考文献：

[1]贾斌,吴东华,胡伟.智能技术在电力系统自动化中的应用探讨[J].科技资讯,2010,33）

[2]王平洋.电力系统自动化与智能技术[J].电力系统自动化,2008,1

[3]肖成刚.浅论电力系统控制方法[J].内蒙古石油化工,2005,7

篇6

关键词：智能技术；电力系统；自动化；控制

中图分类号：F407.61 文献标识码：A 文章编号：

1 人工智能定义概述

“人工智能”被认定为一门前沿科学技术是始于上世纪的五十年代的1956年，由Dartmouth学会向科学领域所提出的。但在1936年，它的模糊概念就已经被阿兰.麦席森.图灵（AlanMathison Turing）所提出，所以后世不少人仍然记得这位曾为人工智能科学研究做出巨大贡献的“人工智能之父”。从现代来看，人工智能是一项综合学科，研究的是各类机械器具、相关操作系统程序、设备模拟作业、以及研究完善现有人工智能技术的一项综合学科技术。而向计算机技术、自动化控制技术等的研究深入，仅是人工智能体系技术探究的一个分支。也就是说，这些技术的推广与应用能够渗透到当前各组织领域，相互之间也存在着紧密的关联性与互补性。

电气自动化控制系统中渗透了人工智能技术，能够使专业电气工程的功能逐步分解到各自动化板块系统中，进而也就强化了设备运行时的处理能力，实现精准、高效处理，降低人力资源消耗成本。此外，人工智能技术在应用到电气控制系统中时，也能够抑制一些不稳定、不确定的因素发生，也就是当前电气自动化系统应用时所普遍强调的模糊动态控制。也就是说，凭借系统中的特定程序设置及参数设定、变量控制等可显著增强控制系统的应用功能，使电气设备在运营阶段时的操作、自动化控制功能发挥更加高效。如，将人工智能应用于电气自动化中的报表生成及打印环节中，可以极大的提高各类报表的制表计算速度及准确性。

2 智能技术在电力自动化控制系统中的应用研究

电力自动化控制系统中引入智能技术在目前看来其应用前景非常广，并且技术运用成果相对突出，其中本文以几种最为常见的典型技术对其进行了研究。

2.1 模糊理论应用

模糊理论别名也称为集合理论，它主要利用语言变量和推理逻辑理论作为电力智能设施的实践基础。此外，运用模糊理论的电力自动化控制系统，能够具备体系完整的推理逻辑性，以及能够模拟人为决策等形式的模糊推理过程。而决定这一推理、逻辑过程的是其技术的数据规则控制。也就是说，应用模糊理论可以直观对模糊输入量进行推理，进而按照其程序的控制原则实现应有的模糊控制输出，而具体的输出成果则是模糊化、推理过程、推理判决。所以，电力自动化控制系统中如果通过模糊理论下的模糊量输出，能够将语言变量进行充分表达，进而实现类似于人的逻辑性能。此外，其鲁棒性也很强，能够使控制系统具备一定的自学、容错能力，即使系统内部出现因网络拓扑或者环境变量改变而引起的系统问题，凭借模糊理论的应用成果，也能够及时寻求出最为合理的解决途径。

2.2 专家系统应用

智能技术体系中的专家系统应用范畴较为广阔，尤其是应用在电力系统自动化中所体现的成果也相当强大。如电力系统的预警状态辨识、系统紧急处理、系统控制性能恢复、系统状态切换、故障点排查及隔离、系统短期负荷提示、以及电压无功控制等方面都会存在智能技术中专家系统的影子。由此可见，专家系统在电力自动化控制系统中的广泛程度非常明显，并在各方面的应用实践取得了一定成果。但值得指出的是，专家系统同样具备约束性。如难以模仿电力专家的创造性；仅采用了浅层知识而缺乏功能理解的深层适应；缺乏有效的学习机构，对情况的处理解决能力非常有限，知识库的验证困难；对复杂的问题缺少好的分析和组织工具等。因此，在开发专家系统方面应注意专家系统的效益分析方法问题，专家系统软件的应用成果及试验性能问题，知识获取问题，专家系统与其他常规工具或系统相结合的协调等问题。

2.3 神经网络的应用

神经网络是人工智能技术体系中的一部分，通过近七十年来的不懈努力与致力钻研，其在模型构造、模型计算及算法等相关方面着实取得了不小研究成果。而神经网络技术自兴起直至被人们接受与高度重视以来，之所以取得不少成就必然与人为的努力研究有直接关系，同时还与其理论的实践性强大有重要关系。即其本质具备非线性特性、系统能力及鲁棒性体现明显、以及自发学习能力功能等非常显著等，都决定了其理论与实践技术应用的开拓程度。当然，其具体作用形式是以大量信息为准；主要通过神经网络将大批量、大规模的信息隐含在连接权值上，并结合与之配套的算法去调节权值，进而能够将神经网络实现一种复杂非线性映射，即神经网络由m维的空间向n维空间的复杂非线性映射，进而更加利于神经网路模型的深入研究。

2.4 综合智能系统应用

综合智能控制系统主要指智能控制性能的综合体现，即集结了现代智能控制技术方法、以及不同智能控制方法的融合和交叉，是种具备综合性能的智能系统。而这种综合性能系统对电力自动化控制系统而言，无疑更具发展潜力与增值空间。也就是说，当前电力市场中具备很多的神经网络和专家系统相结合的系统产物；同理，包括专家系统和模糊理论结合、神经网络和模糊理论相结合等的综合产物。此外，综合性能系统也是根据主要智能技术的性能效果去加以区分、谋划而生成的一种智能技术。如，神经网络的使用范畴往往针对于非结构化知识，但模糊理论则更加适用于一些结构化信息的处理。因此，这两种技术的融合正好能够形成技能互补、低高层计算的逻辑处理等，进而使以低层计算方法为主的神经网络能够与以具备高度推理逻辑的模糊逻辑实现有机结合与协调，为神经网络系统下的大量信息、数据处理的解释和处理提供了有利实施基础。

2.5 线性最优控制

线性最优控制是目前诸多现代控制理论中应用最多，最成熟的一个分支。相关学术界人士曾提出了利用最优励磁控制手段提高远距离输电线路输电能力和改善动态品质的问题，取得了一系列重要的研究成果。该研究指出了在大型机组方面应直接利用最优励磁控制方式代替古典励磁方式。电力系统线性最优控制器目前已在电力生产中获得了广泛的应用，发挥着重要的作用，尤其是局部线性模型的设计及分析，效果比较理想。

结语：

总体而言，目前国内大量电气自动化设备的运行系统已经广泛应用到了人工智能先进技术，最基本的系统控制方法也主要以模糊控制、专家系统、神经网络控制等的应用为主，进而有效推动了电力系统自动化发展的历史进程，并且随着未来产业技术的不断革新，它们的技术关系在未来也势必会加紧密，故而为智能技术应用在电力系统自动化中提供了有利保障，使相关技术应用范畴会更加广泛。

参考文献

[1] 张梓奇,苏健祥. 人工智能技术在电力系统中的应用探讨[J]. 科技资讯, 2007,(21) .

[2] 毕轶慧,尹琳娟. 人工智能在电力系统无功优化中的应用探讨[J]. 中国科技信息, 2008,(20) .

[3] 王艳. 浅谈人工智能在电气自动化控制中应用[J]. 科技致富向导, 2010,(26) .

篇7

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8

人工智能的概念已提出60年，从原来的理论框架体系的搭建，到实验室关键技术的准备，如今已开始进入全新的发展阶段――产业化。

目前，从基本的算法到脑科学研究，人工智能都还没有突破性进展的可能性。但是，以深度神经网络为代表的人工智能，结合日新月异的大数据、云计算和移动互联网，就可以在未来5到10年改变我们的世界。

人工智能+时代的两大机遇

人工智能不仅将替代简单重复的劳动，还将替代越来越多的复杂的高级脑力活动，创造一个个新的机会。可以说，任何一个行业、企业或今天的创业者，如果不用人工智能改变今天的生产和生活方式，5年后一定会出局。

第一个趋势是以语音为主导、以键盘和触摸为辅助的人机交互时代正在到来。如今越来越多的设备不再需要屏幕，越来越多的场景我们不用直接碰触。比如，想把灯光调亮，想打开五米之外的设备，我们的手没法直接触碰。再如，开车时不方便用手、用眼做其他事情。这时，语音就成为最主要的一个交互方式。

第二个趋势是人工智能正在全球范围内掀起一股浪潮，“人工智能+”的时代到来，而且会比我们想象的还要快。为什么呢？麦肯锡分析认为，当前45%的工作可以被技术自动化，不只是简单重复性的工作，CEO20%的工作也可以被机器取代。《科学》杂志预测，2045年人工智能会颠覆全球50%、中国77%的就业。也就是说，今天的我们3/4的工作30年后会被人工智能取代。埃森哲认为，到2035年人工智能会让12个发达国家经济增长率翻一倍。我国的增长率只有比这还高，才对得起今天的时代机遇。

从科大讯飞的情况可以看出，人工智能将迎来两大产业机遇。

第一，未来3到5年，万物互联的时代到来，以语音为主、键盘触摸为辅的人机交互将广泛应用。第二，未来5到10年，人工智能会像水和电一样进入各行各业，深刻改变我们的生活。

认知智能是最大技术瓶颈

人工智能技术有两种分类方法。一种分为强人工智能和弱人工智能；另一种是讯飞研究院提出的、跟技术演进路径相关的分类，分成计算智能、感知智能和认知智能。

计算智能就是机器能存会算。就像当年IBM的深蓝电脑下象棋超过卡斯帕罗夫，典型的就是因为运算能力强，提前算到了所有的结果。

感知智能，比如语音合成技术，能够让机器开口说话。再如语音识别技术，就像今天的演讲，后台系统把它变成文字，准确率可达95%。

认知智能是让机器具备能理解、会思考的能力。这是最大的挑战，也是大家最热切期待的技术突破。工业革命让我们从繁重的体力劳动中解放出来，未来的认知智能会让人从今天很多复杂的脑力劳动中解放出来。

科大讯飞选择以语音为入口解决认知难题，进行认知革命。以人机交互为入口的目的，就是为了解决自然语言理解的技术难题。这个入口可以把人类的智慧最便捷地汇聚到后台，供机器学习和训练，也可以使后台人工智能的成果最简单直接地输出，从社会不断取得它学习需要的反馈信息，在此基础上实现知识管理和推理学习。

科大讯飞承担的科技部第一个人工智能重大专项――高考机器人。目标是为了“考大学”，但其核心技术正是语言理解、知识表达、联想推理和自主学习。

人工智能技术正走向产业化

目前，科大讯飞的人工智能研究已经取得了阶段性成果。

在教育行业，科大讯飞的机器人通过构建学生全过程的学习数据和老师上课的数据，提升了课堂效率，原来45分钟的课堂，现在15分钟就搞定。因为大量的内容学生都是知道的，老师只需向个别没掌握的学生单独讲授。这样，老师就有时间把课堂的重点放在大家都不了解的知识上，学生可以用大量时间进行启发式学习。借助这些手段，学生的重复性训练可以降低50%以上。

在医疗行业，科大讯飞利用语音解决门诊电子病历，利用人工智能辅助诊疗。学习最顶尖医疗专家知识后的人工智能产品，可以超过一线全科医生的水平。当前，医疗行业一线最缺的是全科医生和儿科医生，引入人工智能技术就可以缓解医疗资源短缺压力。

科大讯飞的人工智能技术还应用在汽车领域。在宝马汽车去年的国际测试中，科大讯飞以86%的准确率名列第一。

在客服领域，机器已经替代掉了30%的人工服务。目前，安徽移动呼叫中心有75%的服务内容已被机器替代。

机器人还将从服务后台走向前端。今年第四季度末或明年，服务机器人将开始在银行和电信营业厅上岗工作，它们不仅好玩、有趣，吸引人气，还能帮客户解决实际问题。

篇9

关键词：建筑管理人工神经网络 模仿人脑人工智能

人工神经网络(Application of Neural Network)与人工智能（Artificial Intelligence）处于总分结构。人工神经网络从属于人工智能系统，是其中一个分支领域。它作为一款对非线性问题处理十分简便的工具，拥有极强的非线性映射能力与良好的适应能力及纠错能力。在传统的语音与图像识别等领域外，人工神经网络在经济管理、专业工程等诸多领域都崭露了头脚，并获得广泛的认可。我国首篇将人工神经网络应用与土木工程领域的文献始发于上世纪八十年代末期，随后即在建筑工程项目的管理当中逐渐为人们所广泛认知，下面，就几点对人工神经网络在建筑管理当中的应用作进一步分析。

一、人工神经网络在建筑管理应用中的预测作用

1.费用预测方面。人工神经网络在费用评估方面的应用，主要采用BP神经网络进行试验，通过对公路工程的样例进行试验，发现其比传统方法要更加保质保量。塔雷克•哈加西(1998年)等通过运用MS2Excel表格对人工神经网络进行模拟，并在输入层和隐含层加入了偏置神经元来促进网络学习。它的缺点是因网络学习过程中样本数据含有噪音,会对系统造成过度学习的谬误,这种问题运用规范化网络可以得到有效的解决。在我国BP神经网络研究的历史上，相关方面的研究学者对其应用于建筑工程估价的能力有较高评价，其中不仅神经网络的特征归纳作用可从海量的工程资料当中寻找出工程项目与预算费用的规律关系，还因其具有高度纠错能力，可对工程资料当中因人为因素造成的偏差进行纠正。同时因人工神经网络是通过并行处理来对数据进行梳理，所以其运算速度极快，且质量同时也能得到保证，这不仅满足了当前信息化时代快速估算的效率要求，并且事实证明它是行之有效并可以投入实际应用中的。

2.风险预测方面。建筑管理当中诸多领域都对风险分析与风险预测都有涉及，这二者涵盖了很多不可知的因素与风险因素，危及到了企业的管理经营，束缚了企业的发展脚步，长此以往即会对企业的健康长远发展造成不利影响。能够适时、到位的对企业即将面对的风险作出报告并采取针对措施，是及时规避企业风险的最佳途径。时下企业通常采用计量经济模型与编辑效应分析等方式以建立风险评估与预测系统，用来对现行企业状态进行分析。可是这些方法普遍存在着一些问题。比如经济变量的执行时间不同，使得在简单加权时出现漏报现象，以及人工制定的警戒区无法适应外部环境的变化性等。然而运用拥有非线性映射与模式分析能力的人工神经网络便可以建立相对完善的风险预警系统，从而更加适应系统的不确定性与突然性。

二、人工神经网络在建筑管理中事故诊断的作用

在建筑工程项目管理当中，受多方客观因素的制约，工程的进展常常会伴随出现林林总总的工程事故发生，甚而有些事故毫无征兆，突然间出现。在事故发生后，要找寻事故的原因也并非易事，同样要耗费大量人、财、物力资源，且并不能及时找出事故原因，错过了最佳补救时间。人工神经网络在建筑工程中对于工程事故的诊断分析，对建筑工程管理中工程质量的提高具有里程碑式的意义，其建筑专家系统存在着巨大的潜力。

建筑专家在进行对工程事故的风险评估时，第一步要运用工程事故所表现出来的一些外在特征与一系列统计数据，依照自身积累的大量经验，对事故的类型进行分类记录，在分类后便可以根据各方面特点，如事故类型、受损程度与曾用的补救措施来对工程事故进行风险评估与补救方案的制定。事故评定过程的关键在于建筑专家系统的数据规模，这种数据从大量典型事故案例中得出相关症状、事故状态与补救措施间相互关联的数据理论，传统的专家系统对建筑管理最广泛的应用使在基于规则与诊断矩阵中表示建筑专家经验知识，即统计数据的方法。这种表示方式只能对分类做出明示，却不能对事故与事故间存在的联系做出明确反映。知识工程师在某些层面上对经验知识难以进行明确的表达，这是传统工程事故专家系统所存在的缺点。基于人脑神经系统功能与结构模拟之上研制而出的人工神经网络，能通过不断对实例数据的吸纳，进行拓展学习，将知识充分融于神经网络当中进行存储，从而通过不断的对知识的接收、学习，进行自我的完善与增强。同时它的类比能力更加令人关注，它不仅能将实例间的相同处与不同处逐一筛选，从而进行归纳汇总，充实自身数据库，还能由此体现出神经网络中神经元之间连接权值调整过程。特别是它的自我逻辑能力超强，如果当下的信息并不完整，它依然会靠强大的逻辑能力进行推测，通过计算而得出让人满意的答案。

结语：

当今社会依靠传统的管理方式已经远远无法满足快节奏的经济生活，本文通过对人工神经网络在建筑管理工作当中的费用预测、事故诊断能力及事故解决方案制定等作用进行阐述分析，希望能对建筑工程行业的发展尽绵薄之力。

参考文献：

篇10

关键词：人工智能；计算机网络技术；有效应用

随着我国科学技术的发展，计算机网络技术和人工智能作为新时期的科技产物不断被应用于社会发展的各个领域，对我国的经济发展起到了积极促进作用。特别是计算机网络技术在近年来出现了飞速发展趋势，其自身具有的高效性及跨时空特点等已经深层次地渗透到人们生活、生产、学习的各个方面。计算机网络技术的不断发展和应用，其自身存在的网络安全以及管理方面存在的问题已经表现出与现代社会发展不相符的特点，人们对于该方面问题的关注度不断提升。因此，出现了人工智能应用于计算机网络技术的研究和实践，深入分析人工智能带来的应用优势，加强研究及探析应用趋势，均可有效提升人工智能在计算机网络技术中的应用效果。

1 人工智能应用在计算机网络技术中的优势分析

人工智能是计算机科学技术的分支，是由多种不同领域构成的，例如机器人、计算机视觉等。在现代社会人工智能已经被应用在计算机网络技术中，并得到了不断关注和重视，例如计算机仿真系统、人工控制系统等领域的应用。人工智能技术的应用所具有的优势主要表现在以下几方面：一是人工智能具有更加高效特点，可以将所学各领域知识进行科学合理的应用。优良的思考能力通常是高等生物的主要特征，而人工智能在现代科学的支撑下同样具有思考分析与判断能力。因此将人工智能应用到计算机网络技术中，可以使其对计算机信息数据进行更为科学精准的计算机后期分析处理工作，进而获取到更为科学完整的信息数据，同时还提升了计算机网络的计算效率；二是人工智能提升了计算机网络自身的运行速度、时效性及流畅度。人工智能的应用可以促进计算机用户实现更多时间的处理，比如在模型计算处理过程中，可以应用人工智能具有更为先进的计算能力来开展相应的分析及处理，人工智能对于不确定的信息进行处理过程中具有更高的工作质量及效率，可以应用人工智能获取更为完整和准确的网络信息数据；三是能源消耗少。人工智能的应用可以降低计算机网络技术成本，起到节能减耗的作用。人工智能对于海量数据的计算具有更快的运算速度，节省了数据处理过程中的时间，因而降低了计算机在运行过程中所消耗的能源，节省了社会资源。

2 人工智能在计算机网络技术中的有效应用

2.1 人工智能在网络安全管理方面的应用

计算机网络技术的应用过程中，网络安全管理是每个用户最为关心和关注的问题，计算机网络技术虽然可以给人们的生活、学习、工作等带来便利，但是也会因为网络犯罪分子的存在而造成广大用户信息的泄露，造成用户自身利益被侵犯和损害，尤其是随着现代科技的发展进步，黑客技术也出现了提升，网络信息安全成为计算机网络技术中急需解决的首要问题。因此，相关技术人员不断研究人工智能技术在计算机网络安全管理中的应用方法和效果，通过实践发现人工智能的应用可以促进广大计算机用户成功拦截异常信息，从而更为有效地保证了广大计算机用户的信息安全。目前很多用户在计算机网络运行环境里安装了智能防火墙，通过该项人工智能技术的应用可以更好地做到智能识别，进而完成海量数据的分析和处理，该项技术的应用可以有效减少信息数据在匹配过程中的计算步骤，达到节能减耗的效果。智能防火墙的应用还可帮助广大计算机网络用户有效拦截网络中的各有害信息，遏制网络病毒侵入及传播，进而对广大计算机用户进行了全方位的保护，实现了计算机网络安全管理。再例如，很多计算机网络用户在日常的学习、工作过程中会使用到网络邮箱功能，为了更好地保护网络邮箱的信息安全，可以通过应用智能发垃圾系统，来进行垃圾邮件的分析和处理，保障用户邮箱的安全使用。该技术的应用可以通过对用户邮箱开展全面的信息扫描工作，通过其科学高效的信息分析和处理技术能有精准的发现用户网络邮箱中存在的相关病毒信息邮件、垃圾邮件及残存信息等，还可同时实现对有害邮件的信息分类，并通过信息提醒方式督促计算机用户进行有害邮件的定期处理，以防该类信息对计算机用户造成危害。人工智能入侵检测技术对于计算机网络安全管理起到了重要作用，可以借助其检测系统对存在安全威胁的信息进行预防和拦截。传统形式的防入侵检测技术应用过程可以分为信息采集、入侵信息判断、发出警告及控制几个阶段，该技术的应用有一定的局限性。智能防入侵技术具有规则产生式的专家系统、将神经网络作为技术基础、具有更为科学先进的数据挖掘技术，在这三种先进技术的共同应用和影响下，使得入侵威胁网络安全的有害信息得到了更为有效的检测，更好地控制了有害信息对计算机互联网造成的安全威胁。

2.2 人工智能在网络系统管理和网络评价方面的应用

计算机网络系统管理和网络评价环节的出现源于人工智能的应用，人工智能在计算机网络系统中的应用，可以运用科学使其技术具有人类的大脑思维特征，进而更为有效地帮助了广大计算机用户完成网络系统的分类、归纳及优化。计算机网络具有动态特性及顺便特点，在进行网络系统中的海量信息数据操作过程中，无法完全依赖人力去完成以及实现对计算机网络系统的优化和管理目标。人工智能则可更为高效和科学地完成网络系统的管理及评价，并且可将网络系统的自身运行状态及时向计算机用户反馈，进而提升网络系统管理效率和质量。Agent是人工智能的核心技术内容，指的是具有自主活动特征的软件或者软件主题，该技术涵盖了数据库、翻译推力器及相应的通信设备，其结构存在一定的复杂性。Agent技术应用于计算机用户进行实际问题的解决过程中，通常情况会使用一个Agent专门负责进行各种信息数据的接收，在与其他Agent之间通过沟通处理，进而在极短时间内实现指令任务的处理和完成。Agent还可以实施自定义式的个性化服务，Agent在接收到用户的指令信息之后，Agent系统则会对信息数据进行科学筛选，进而将较为精准的信息数据高效的传输给计算机用户，为计算机用户进行网络信息搜索节约了更多时间。Agent的科学应用还表现在可以帮助用户实现相应知识的深度挖掘，同时在系统中可以实现较完善的知识储备库从而为用户可以提供更先进的导航，并更具计算机用户的日常网络使用和操作特点，给计算机用户制定其所需要的个性化服务，以实现了计算机网络的智能化、便捷化、个性化发展。

3 人工智能在计算机网络技术中的应用趋势

3.1 人工神经网络发展趋势分析

人工智能是具有很大挑战特点的科学技术，从事该项技术工作的各环节工作人员不仅需要具备专业的计算机相关学科知识，还要具备心理学、语言学、生理学等多领域的知识。人工智能技术会随着人类社会的不断进步而不断发展，随着人们对于该技术要求的不断提升，为了更好地服务人类，其在未来的发展趋势中必将朝着更为科学和人性化方向发展。人工神经系统即是人工智能未来的发展趋势之一，其指的是丰富的处理单元，通过大量神经元的相互作用及联系使之成为一种神经网络。人工神经网络最主要的特点是具有更高的自学能力，可以实现自主解决多种多维非线性方面的问题，且在进行实际的解题过程和范围中可以突破传统的局限性，其不仅可以解决定量类型问题，对于定性类型的问题，人工神经网络同样可以实现有效解决。人工神经网络同时还具备和人类的大脑潜意识相仿的巨大信息储存容量，可以帮助各用户更好地解决各类问题，进而实现计算机互联网的有效管理，满足不同用户对各种信息数据的处理需求。

3.2 人工智能机器人具备学习功能

人工智能型机器人技术的开发和应用均是参照人类的大脑思维进行的，在人工智能的未来发展趋势中，实现机器人的自主学习将作为相关领域人员的研究方向。目前在我国科学技术水平支持下，人工智能具备了初级的学习功能，但是还无法与人类自身的学习能力相提并论，因此人工智能需要提升学习能力。人类的大脑神经系统要比人工智能技术中的结构复杂很多，人类可以进行感情、情绪的自由表达，而人工智能则只能通过脸部表情识别方式进行情绪的表现，使得人工智能有局限性。随着科技的进步，在未来的发展趋势中人工机器人的技术发展会越来越趋于人类大脑思维和方式。

3.3 人工智能识别功能领域的扩展

在我国目前的计算机行业中，电子设备已出现了多元化发展特点，计算机用户可选择的软件产品和种类也在日益增多，相关人员利用人类声音设计了不同的软件，还实现了人物图像及文字等的识别功能，但是缺乏外界感知功能。因此，在未来的发展趋势中人工智能会更加趋向于全面识别功能的开发和研究。

4 结束语

随着我国社会的发展和科学技术的不断进步，人工智能在计算机的网络技术中应用的范围和领域会越来越广泛。本文主要分析人工智能应用在计算机网络技术中的优势及有效应用，同时对于人工智能的未来发展趋势进行探析。通过分析与研究可以看到，人工智能在计算机网络技术中的应用目前主要体现在网络安全管理、网络系统管理及网络评价方面的应用，对于计算机网络技术起到了极大的促进作用。保障了计算机用户的信息安全，提升了管理效率和质量，提供了较为个性化的服务。还可看到人工智能在未来的发展趋势中会朝着人工神经网络、人工智能机器人具备自主学习功能及智能识别功能等领域发展，人工智能技术会随着社会的发展不断为人类提供更为科学、高效、个性化的服务。

参考文献

[1]刘哲良.浅谈大数据时代人工智能在计算机网络技术中的应用[J].数码世界，2021(1):260-261.