人工智能和神經網絡的關系范文

導語：如何才能寫好一篇人工智能和神經網絡的關系，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

隨著科學技術的快速發展，機械工程由傳統的機械工程項機械電子工程方向轉變，同時機械電子工程和人工智能的有效結合，不斷的向自動化、智能化、數字化方向發展。機械電子工程與人工智能的整合，為社會生產力的發展帶來了歷史性的變革，對于推動黨建社會的發展和進步具有非常重要的作用。因此，文章針對機械電子工程與人工智能整合思路構建的研究具有非常重要的現實意義。

2機械電子工程與人工智能的特點分析

2.1機械電子工程的特點分析

機械電子工程是指在信息技術快速發展的背景下，發展起來的以機械電子工程為核心的柔性制造系統，是以計算機技術、機械工程與電子工程為核心的綜合性學科，機械電子工程的特點主要包括以下幾個方面：（1)性能豐富，結構簡單，機械電子產品與其他產品最大的區別在于不僅性能豐富，而且結構比較簡單，傳統的機械產品雖然具有較高的性能，但是外形比較笨重，因此機械電子工程在未來具有非常好的應用前景；（2)多技術融合的設計，電子機械工程是綜合計算機技術、機械工程以及電子工程等多個相關技術融合設計的，工程師在進行機械電子工程設計的過程中，需要對各種技術、策略進行考慮，并將所有的技術、策略進行整合，以此完成相關產品的設計。

2.2人工智能的特點分析

人工智能是復雜、綜合的學科，主要包括哲學、控制論、心理學、信息論以及計算機等，人工智能在社會生產與生活中發揮了非常重要的作用，具有非常廣闊的應用前景。人工智能分為不同的發展階段：（1)初級階段，人工智能的研究方向主要集中在博弈、證明以及翻譯等方面，此階段在機器人、專家系統、自然語言理解、計算機視覺等方面獲得了非常大的成就；（2)第二發展階段，該階段主要集中在商業化產品以及知識工程的應用領域，在智能機器、計算機視覺、基礎常識、不確定推理以及分布式人工智能等方面獲得了很大的成就，第二發展階段相對平穩，但是平穩的發展階段已經從原來的單個體向分布式方向發展。在當今社會，人工智能已經成為一種復雜、系統的技術，并且在人類生產和生活中發揮了至關重要的作用，作為一門使用的技術，在推動時代的發展中占據著非常重要的地位。

3機械電子工程和人工智能的整合思路分析

3.1機械電子工程與人工智能的關系分析

機械電子工程具有一定的不穩定性，描述機械電子系統的輸入和輸出的關系相對困難，傳統的描述方式包括：學習并生成知識描述法、建設規則庫方法以及數學方程推導法三種，由于傳統的描述方法的嚴密性和精確度不高，并不能夠滿足曰益復雜系統的實際要求。人工智能在處理信息中具有很大的優勢，能夠有效解決傳統機械電子系統不確定性、不穩定性、復雜性等問題。因此，機械電子工程與人工智能的整合已經成為一種必然趨勢。機械電子工程中人工智能技術的應用存在一定的差異性，并不能夠對網絡系統進行有效的描述，并且系統資料庫創建過程中需要進行嚴密的數學分析，在分析的過程中會出現許多問題，導致網絡系統的建設存在許多問題，導致網絡系統出現崩潰的現象，這對于機械電子工程系統的發展是非常不利的。人工智能技術創新的工程方式能夠幫助機械電子工程系統創建系統資料庫，機械電子工程和人工智能之間存在的密切關系，對現代科學技術進行了強化，對于促進機械電子工程的發展具有非常重要的作用。

3.2人工智能技術在機械電子工程中的應用分析人工智能技術在機械電子工程中的應用，創建了兩大系統：其一，模糊推理系統，基于模糊集合理論的模糊推理系統，以模糊理念為設計工具，具有處理模糊信息的功能，模糊推理系統已經被廣泛的推廣和應用在數據處理、自動化控制等領域，并且獲得了良好的效果，機械電子工程中的模糊推理系統，創建了模擬人腦的功能，進行語言信號的分析，通過網絡結構接近一個連續函數，并運用域到域的映射方式規則的儲存信息，具有非常明確的物力意義，但是模糊推理系統連接不固定，并且計算量相對較小，應用范圍相對有限；其二，神經網絡系統，神經網絡系統是人工智能的重要分支，神經網絡以神經元的興奮模式將信息分布在網絡上，并進行動態的相互作用，人工神經網絡系統的特點是對信息進行分布式的儲存，并且能夠進行動態的協同處理，神經網絡系統不僅具有豐富的行為，而且結構非常簡單，神經網絡系統能夠模擬大腦的結構，對數字信號進行分析，采用點到點的映射方式聯系各個神經元，具有輸入輸出精度高，計算量大等特點，與模糊推理系統相比，神經網絡系統的應用范圍更廣泛。創建基于模糊推理系統與神經網絡系統的智能系統后，其在機械電子工程領域的應用越來越廣泛。神經網絡與模糊邏輯系統的融合通常采用以下兩種方式：功能相似的融合，利用模糊變量隸屬函數和神經網絡中神經元的非線性映射部分功能相似的融合，對神經元輸出特性進行調整，能夠實現對隸屬函數的優化與修正;利用神經網絡與模糊系統算子相似性的融合，合理的選擇算子，既能夠保證足夠的信息量，又能夠簡化運算；功能互補的融合，將神經網絡的學習能力融于模糊系統的分布式儲存規則中，能夠有效的提高模糊系統的智能;將模糊系統的邏輯推理功能融入到神經網絡系統中，能夠有效的提高神經網絡系統的邏輯推理能力。

篇2

由于人體與疾病的復雜性，不可預測性，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。

在麻醉與危重醫學相關領域的研究涉及到多生理變量的分析與預測，從臨床數據中發現一些尚未發現或尚無確切證據的關系與現象，信號處理，干擾信號的自動區分檢測，各種臨床狀況的預測，單獨或結合其他人工智能技術進行麻醉閉環控制等。

在圍術期和重癥監護與治療階段，需要獲取大量的信息，將可能在信號處理、基于動態數據驅動的輔助決策專家系統、數據挖掘、各種臨床狀況的預測、智能化床旁監護、遠程醫療與教學、醫療機器人等各方面廣泛運用到人工神經網絡技術和其他人工智能技術。

一、概述

人工神經網絡（Artificial Neural Network， ANN）是人工智能(Artificial Intelligence， AI)學科的重要分支。經過50多年的發展，已成為一門應用廣泛，涉及神經生理學、認識科學、數理科學、心理學、信息科學、計算機科學、微電子學等多學科交叉、綜合的前沿學科。

現代計算機的計算構成單元的速度為納秒級，人腦中單個神經細胞的反應時間為毫秒級，計算機的運算能力為人腦的幾百萬倍。可是，迄今為止，計算機在解決一些人可以輕而易舉完成的簡單任務時，例如視覺、聽覺、嗅覺，或如人臉識別、騎自行車、打球等涉及聯想或經驗的問題時卻十分遲鈍。也不具備人腦的記憶與聯想能力，學習與認知能力，信息的邏輯和非邏輯加工能力，信息綜合判斷能力，快速的高度復雜信息處理速度等。

造成這種問題的根本原因在于，計算機與人腦采取的信息處理機制完全不同。迄今為止的各代計算機都是基于馮*紐曼工作原理：其信息存儲與處理是分開的；處理的信息必須是形式化信息，即用二進制編碼定義；而信息處理的方式必須是串行的。這就決定了它只擅長于數值和邏輯運算。而構成腦組織的基本單元是神經元，每個神經元有數以千計的通道同其他神經元廣泛相互連接，形成復雜的生物神經網絡。生物神經網絡以神經元為基本信息處理單元， 對信息進行分布式存儲與加工， 這種信息加工與存儲相結合的群體協同工作方式使得人腦呈現出目前計算機無法模擬的神奇智能。

人工神經網絡就是在對人腦神經網絡的基本研究的基礎上，采用數理方法和信息處理的角度對人腦神經網絡進行抽象，并建立的某種簡化模型。一個人工神經網絡是由大量神經元節點互連而成的復雜網絡，用以模擬人類進行知識的表示與存儲以及利用知識進行推理的行為。一個基于人工神經網絡的智能系統是通過學習獲取知識后建立的，它通過對大量實例的反復學習，由內部自適應機制使神經網絡的互連結構及各連接權值穩定分布，這就表示了經過學習獲得的知識。

人工神經網絡是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超過某一門限值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。

近20年來，神經網絡的軟件模擬得到了廣泛研究和應用，發展速度驚人。1987年在圣地亞哥召開了首屆國際神經網絡大會，國際神經網絡聯合會(INNS)宣告成立。這標志著世界范圍內掀起神經網絡開發研究熱潮的開始。

二、醫學領域應用現狀與前景

由于人體與疾病的復雜性，不可預測性，在生物信號與信息的表現形式、變化規律（自身變化與醫學干預后變化），對其檢測與信號表達，獲取的數據及信息的分析、決策等諸多方面均存在大量復雜的非線性關系，非常適合人工神經網絡的應用。目前的研究幾乎涉及從基礎醫學到臨床醫學的所有方面，主要應用于生物信號的檢測與自動分析，醫學專家系統等。

1、信號處理：

在生物醫學信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別，腦電信號的分析，聽覺誘發電位信號的提取，醫學圖像的識別和數據壓縮處理等。

2、醫學專家系統

醫學專家系統就是運用專家系統的設計原理與方法， 模擬醫學專家診斷、治療疾病的思維過程編制的計算機程序， 它可以幫助醫生解決復雜的醫學問題， 作為醫生診斷、治療的輔助工具。 “傳統”的專家系統，通過把專家的經驗和知識以規則的形式存入計算機中，建立知識庫，用邏輯推理的方式進行醫療診斷。但一些疑難病癥的復雜形式使其很難用一些規則來描述，甚至難以用簡單的語言來表達；專家們常常難以精確分析自己的智能診斷過程。另一方面，基于規則的專家系統，隨著數據庫規模的增大，可能導致組合爆炸，推理效率很低。由于人工神經網絡能夠解決知識獲取途徑中出現的“瓶頸”現象、知識“組合爆炸”問題以及提高知識的推理能力和自組織、自學習能力等等， 從而加速了神經網絡在醫學專家系統中的應用和發展。

Sordo比較了采用不同網絡結構和學習算法的神經網絡在診斷胎兒唐氏綜合征(Down’s Syndrome) 上的成績。正確分類率為84 %， 超過了現今所用的統計方法的60 %～70 % 的分類率。

臺灣DEU科技（德亞科技）開發的計算機輔助檢測系統Rapid ScreenTM RS-2000為全世界最先通過美國FDA認證的早期肺癌輔助診測系統。該產品采用人工智能神經網絡ANN，自動標識數字胸片中可疑結節區。經臺灣和美國的臨床實驗，可使放射專家檢測T1期肺癌的能力明顯提高(潛在提升約15 %以上)。

DeGroff等使用電子聽診器和人工神經網絡制造了一種儀器，它可正確地區分兒童生理性和病理性雜音。用電子聽診器記錄的兒童心音，輸入能識別復雜參數的ANN，分析的敏感性和特異性均達100%。

3、其他：

生物信息學中的研究中可應用于基因組序列分析、蛋白質的結構預測和分類、網絡智能查詢等方面。

藥學領域廣泛應用于定量藥物設計、藥物分析、藥動/藥效學等方面。例如：用于預測藥物效應。Veng-Pederson用神經網絡預測阿芬太尼對兔心率的影響，對用藥后180-300分鐘的藥物效應取得了較好的預測結果（平均相對預測準確度達78%）。分析群體藥動學數據，以獲知群體藥動學特征和不同人口統計因子對藥物行為的影響，對臨床用藥具有指導意義。

4、麻醉與危重醫學相關領域的研究

手術室和ICU內是病人信息富集的地方，而且大量的信息處在動態變化中，隨著醫學技術的飛速進步，所能獲取的信息越來越多，醫護人員面臨著“信息轟炸”。神經網絡技術可以很好地幫助我們應對這些問題。例如：

1）可以用于分析多個生理變量之間的關系，幫助研究其內在的關系，或預測一些變量之間的關系：Perchiazzi在肺損傷和正常的豬容量控制機械通氣中，用ANN估計肺順應性的變化，不需要中斷呼吸，與標準方法相比誤差很小。

2）結合數據挖掘技術，可能從海量數據庫例如電子病歷系統中，發現一些尚未發現或尚無確切證據的關系與現象：Buchman 研究了神經網絡和多元線形回歸兩種方法，用病人的基本資料、藥物治療差異和生理指標的變化預測在ICU延遲（>7天）。

3）信號處理：Ortolani等利用EEG的13個參數輸入ANN，自行設計的麻醉深度指數NED0-100作為輸出，比較NED與BIS之間有很好的相關性；

4）干擾信號的自動區分檢測：Jeleazcov C等利用BP神經網絡區分麻醉中和后檢測到的EEG信號中的假信號，是傳統EEG噪音檢測方法的1.39-1.89倍。

5）各種臨床狀況的預測：Laffey用ANN預測肌肉松弛藥的殘留，發現明顯優于醫生的評估，還有用于預測propfol劑量個體差異的，預測術后惡心、嘔吐，預測全麻后PACU停留時間，預測ICU死亡率等較多的研究。

篇3

關鍵詞:電力系統;自動化控制;智能技術;應用

智能技術是伴隨著科技的進步與信息技術的發展而產生的一種高度自動化的技術手段，智能技術在電力系統自動化控制中的應用，改變了傳統的電力系統以人力管理和控制為主的運行模式，實現了電力系統的智能化發電、智能化用電、智能化交易及智能化電力調度等功能，為電力系統的高效運用管理奠定了基礎。

一、人工智能神經網絡在電力自動化控制系統中的應用

電力系統自動化控制中的人工智能神經網絡，是一個可以進行電力系統數據信息處理的數學模型，人工智能神經網絡的構造形式與人類的大腦中的神經網絡有很多的相似之處，這種神經網絡控制系統，在復雜的自動化控制系統當中可以發揮十分巨大的作用。像電力系統、通信系統、航空系統等自動化控制體系較為龐大且復雜的系統的建設，都可以將人工智能神經網絡納入到系統中來，從而實現對復雜系統的智能化管理與控制。目前，人工智能神經網絡技術在我國的發展還處于研究和初步應用的階段，在電力系統自動化控制中的人工智能神經網絡，目前已經可以實現電路故障的智能化處理和控制的能力，它利用人工智能神經網絡中的各個神經元來模擬電力系統不同的節點，通過將這些神經元進行連接，構建了完整的電力系統神經網，對各個電路在運行中產生的數據、圖像等進行自動的抓取和分析，幫助電力自動化系統優化輸電方案，降低電力損耗，提升供電能力［1］。

二、模糊控制在電力自動化控制系統中的應用

模糊控制是一種基于模糊數學理論的電力自動化控制技術，在電力自動化系統的日常運行當中，其產生的數據變大是非常巨大的，這些變量的數據給描述和管理電力自動化控制系統的運行帶來了較大的難度，造成了在重要信息獲取、故障診斷、自動監控與數據分析等方面的一系列困難。而借助模糊控制的算法，可以通過模糊數學的思想將電力自動化系統中的動態數據進行簡化，從而達到良好的控制效果。目前，模糊控制算法在電力系統化系統中的應用，有效簡化了自動化系統的設計和管理難度，其不需通過精確的數學算法對電力系統的運行進行管理，而是借助模糊控制和綜合的數據分析來計算系統中各個變量存在的相互關系，且利用模糊控制器實現良好的控制效果。

三、專家系統在電力自動化控制系統中的應用

所謂專家系統，是電力自動化控制系統中的一種智能化的計算機程序，在這個程序當中，儲存著關于電力系統相關領域的大量研究和數據，可以借助這個程序對電力系統的運行進行自動的診斷，并幫助電力企業解決提供具體的解決問題的方法。在具體程序使用當中，專家系統可以實現對電力自動化控制系統的運行狀態的自動切換、運行模式的調試、運行故障的保護和排查等工作，從而實現自動化和智能化的系統管理［2］。例如，當電力自動化控制系統在運行過程中發生突發的送電事故時，專家系統會根據報警進行具體故障位置的定位，并分析故障的具體情況和發生的原因，而后進行自動的故障隔離和處理，以提升電力系統故障排查和維護的效率。

四、集成智能控制在電力自動化控制系統中的應用

對電力自動化控制系統這種復雜而龐大的系統而言，單獨的控制系統或人工智能技術手段所能夠涉及的領域和產生的作用都是比較有限的，但是如果可以通過集成智能控制系統來將各個獨立的技術進行整合和集成化的控制，就會實現人工智能的全面應用，實現真正的智能化控制。在電力自動化控制系統當中，電力自動化、智能控制、專家系統、神經網絡系統等程序的集成，可以共同實現對電力系統的自動化控制，提升其運行管理能力，實現真正的自動化控制與管理。

五、線性控制在電力自動化控制系統中的應用

線形控制是目前比較先進的人工智能技術之一，也是電力自動化系統中正在積極研發和應用的一種新型控制系統，線形控制系統在電力自動化控制系統中的應用，在長距離輸電管理當中可以發揮十分巨大的優勢，其通過線形控制的形式實現了勵磁控制，提升了遠距離輸電的能力，同時保障了遠距離輸電的穩定性和電能的質量。

篇4

關鍵詞 電力系統自動化；智能技術；監控系統

中圖分類號TM7 文獻標識碼A 文章編號 1674-6708（2012）64-0160-01

電力系統分布地域廣闊，而且大部分元件具有延遲、磁滯、飽和等復雜的地理特性，要對這樣大型的系統實現有效控制是極其困難的。而且電力系統在不斷增大，人們對電力系統的控制有了越來越高的要求。智能技術是通過先進的傳感和測量技術、先進的設備、先進的控制方法，以及先進的決策支持系統，實現電力系統可靠、安全、經濟、高效和使用安全的目標。它在電力系統自動化控制中應用得越來越廣泛。本文就針對五種典型的智能技術進行了探討。

1 智能化監控系統

對于電力系統，實時監控是及時有效發現問題的重要手段。特別是隨著計算機技術、網絡技術和工控技術的不斷提高，對電力監控系統智能化的要求也越來越高。智能監控系統采用圖形化用戶界面，有數字化的監控界面，也有實時趨勢顯示、柱狀圖顯示、表盤式數據顯示、位圖動畫等直觀顯示，還有實時報警、圖形界面遙控、遙控閉鎖、置數、遙調等功能。不僅提高了工作效率，節省了人力成本，更重要的是切實提高了生產的安全可靠性，使科技手段為電力系統的安全管理提供了強有力的保障。

實施智能化監控系統，要根據實際要求定制系統結構。比如，要考慮高壓進線、母聯和饋線部分；低壓變壓器進線、聯絡回路部分；低壓的電容補償、電源切換等回路部分，饋線部分等。具體施工時可考慮采用分層分布式結構。如分為現場監控層、通訊管理層和主控層。實現的功能有監測變壓器溫度；發電機全電量的測量及轉速、油溫、油量等發電機狀況監測；采集斷路器開關量、繼電保護跳閘信號、異常報警信號和非電量等遙信量信號；諧波分析、故障錄波及事故追憶功能；自動調峰控制，電力需求的控制，設備的開合次數統計及損耗狀態的監視等。

2 在故障診斷中的人工智能技術

電力系統的故障診斷傳統上是根據某些設備和裝置在故障過程中出現的一系列數字的狀態信息進行分析，然后推理得出故障原因和故障發生的元件，并預測故障惡化的趨勢。近幾十年來，國內外將人工智能技術用于電力系統已取得了有效的實際效果。常用的人工智能技術有ES、ANN、FST、GA及Petri網絡技術等。

ES是比較成熟的一種人工智能技術，它不融合了書本相關的理論知識，還可總結專家的經驗知識來解決問題，是與知識工程研究緊密聯系在一起的。它一直在改進知識獲取和構造，使知識獲取和知識表達工作簡化，提高故障診斷的推理效率。基于ANN原理的故障診斷系統最大的特點是不需要為專業知識與專家啟發性的知識轉化、知識形成、知識表達方式和知識庫構造進行大量的工作，而只需以領域專家所提供的大量故障實例，自我學習、自我組織，形成故障診斷樣本集，在故障定位和故障類型識別等方面用處很大。FST故障診斷原理是采用模糊隸屬度來對故障與對應的動作保護裝置和斷路器狀態之間的可能性進行描述的度量。基于GA和Petri的故障診斷技術都各有優勢和存在一些問題。

3 模糊邏輯控制技術

模糊邏輯控制是模擬人的模糊思維方法，用比較簡單的數學形式直接將人的判斷、思維過程表達出來，用計算機實現與操作者相同的控制。

模糊控制技術應用于電子技術的各個方面，使人容易操作和掌握。相較于建立常規的數學模型，建立模糊關系模型非常簡易，在實踐中有巨大的優越性。模糊控制通過已經存在的控制規則和數據，對模糊輸入量進行推導，從而得到模糊控制輸出，進入實時控制。這種模擬人腦的智能技術的優勢主要體現在以下幾個方面：能有效處理具有不確定性、不精確性的問題和由于噪聲造成的問題；通過模糊知識的語言變量表達專家的經驗，與人的表達方式接近，知識的抽取和表達更容易完成。如果電力系統出現故障，通過應用模糊理論，也能夠及時進行應對并給出解決辦法。

4 人工神經網絡控制技術

人工神經網絡（Artificial Neural Networks，簡寫為ANNs）是一種模仿動物神經網絡的行為特征，進行分布式并行信息處理的算法數學模型。神經網絡由大量神經元連接而成。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系。人工神經網絡在智能電網中的優勢主要表現在3個方面：

1）具有自學習功能。通過用不同的實時運行數據輸入人工神經網絡，網絡就會通過自學習功能，慢慢學會識別電力系統的運行情況，從而為人類快速判定問題提供依據；2）具有聯想存儲功能。用人工神經網絡的反饋網絡就可以實現這種聯想；3）具有高速尋找優化解的能力。尋找一個復雜問題的優化解，往往有很大的計算量。利用一個針對某問題而設計的反饋型人工神經網絡，發揮計算機的高速運算能力，可能很快找到優化解。

5 綜合智能控制技術

綜合智能控制包含了智能控制與現代控制方法的結合，也包含各種智能控制方法之間的組合。在電力系統中研究得較多的綜合智能控制有神經網絡與專家系統的結合。

神經網絡適合處理非結構化信息，而模糊系統更適于處理結構化的知識。人工神經網絡控制主要應用于低層的計算方法，把感知器傳來的大量數據進行安排和解釋，模糊邏輯控制則提供應用和挖掘潛力的框架，用來處理非統計性的高層次的推理。所以，人工神經網絡控制和模糊邏輯控制這兩種技術正好起互補作用，相結合可以相得益彰，有良好的技術基礎。

6 結論

電力系統是一個巨維數的動態大系數，具有強非線性、時變性且參數不可確知，并含有大量未建模動態部分的特征。智能技術能有效地組織相關電力系統規劃的大量知識，進行選優運算，從而得出優化的決策，它的使用將對電力系統的智能化起到積極的促進作用，對電力系統的穩定性、安全性和經濟性起重要的作用。

參考文獻

篇5

關鍵詞 機械電子工程；人工智能；信息處理

中圖分類號TP391 文獻標識碼A 文章編號 1674-6708（2012）58-0114-02

0 引言

傳統的機械工程一般分為兩大類，包括動力和制造。制造類工程包括機械加工、毛坯制造和裝配等生產過程，而動力類工程包括各式發電機。電子工程與傳統的機械工程相比來言是較新的學科，兩者于上世紀逐漸結合在一起。最初，電子工程與機械工程是以塊與塊的分離模式或功能替代的模式相結合，隨著科學技術的不斷向前推動，傳統的機械工程與現代的電子工程通過信息技術有機的結合起來，形成了現在的機械電子工程學科。隨著人工智能技術的不斷發展，機械電子工程由傳統的能量連接、動能連接逐步發展為信息連接，使得機械電子工程具有了一定的人工智能。傳統的機械電子工程通過現代的科學技術進入到一個新的發展領域，同時，人工智能技術伴隨著機械電子工程的日益復雜，也得到了長足的發展。

1 機械電子工程

1.1 機械電子工程的發展史

20世紀是科學發展最輝煌的時期，各類學科相互滲透、相輔相成，機械電子工程學科也在這一時期應運而生，它是由機械工程與電子工程、信息工程、智能技術、管理技術相結合而成的新的理論體系和發展領域。隨著科學技術的不斷發展，機械電子工程也變的日益復雜。

機械電子工程的發展可以分為3個階段：第一階段是以手工加工為主要生產力的萌芽階段，這一時期生產力低下，人力資源的匱乏嚴重制約了生產力的發展，科學家們不得不窮極思變，引導了機械工業的發展。第二階段則是以流水線生產為標志的標準件生產階段，這種生產模式極大程度上提高了生產力，大批量的生產開始涌現，但是由于對標準件的要求較高，導致生產缺乏靈活性，不能適應不斷變化的社會需求。第三階段就是現在我們常見的現代機械電子產業階段，現代社會生活節奏快，亟需靈活性強、適應性強、轉產周期短、產品質量高的高科技生產方式，而以機械電子工程為核心的柔性制造系統正是這一階段的產物。柔性制造系統由加工、物流、信息流三大系統組合而成，可以在加工自動化的基礎之上實現物料流和信息流的自動化。

1.2 機械電子工程的特點

機械電子工程是機械工程與電子技術的有效結合，兩者之間不僅有物理上的動力連結，還有功能上的信息連結，并且還包含了能夠智能化的處理所有機械電子信息的計算機系統。機械電子工程與傳統的機械工程相比具有其獨特的特點：

1）設計上的不同。機械電子工程并非是一門獨立學科，而是一種包含有各類學科精華的綜合性學科。在設計時，以機械工程、電子工程和計算機技術為核心的機械電子工程會依據系統配置和目標的不同結合其他技術，如：管理技術、生產加工技術、制造技術等。工程師在設計時將利用自頂向下的策略使得各模塊緊密結合，以完成設計；2）產品特征不同。機械電子產品的結構相對簡單，沒有過多的運動部件或元件。它的內部結構極為復雜，但卻縮小了物理體積，拋棄了傳統的笨重型機械面貌，但卻提高了產品性能。

機械電子工程的未來屬于那些懂得運用各種先進的科學技術優化機械工程與電子技術之間聯系的人，在實際應用當中，優化兩者之間的聯系代表了生產力的革新，人工智能的發展使得這一想法變成可能。

2 人工智能

2.1 人工智能的定義

人工智能是一門綜合了控制論、信息論、計算機科學、神經生理學、心理學、語言學、哲學等多門學科的交叉學科，是21世紀最偉大的三大學科之一。尼爾遜教授將人工智能定義為：人工智能是關于怎樣表示知識和怎樣獲得知識并使用知識的科學。溫斯頓教授則認為：人工智能就是研究如何使計算機去做過去只有人才能做的智能工作。至今為止，人工智能仍沒有一個統一的定義，筆者認為，人工智能是研究通過計算機延伸、擴展、模擬人的智能的一門科學技術。

2.2 人工智能的發展史

2.2.1 萌芽階段

17世紀的法國科學家B.Pascal發明了世界上第一部能進行機械加法的計算器轟動世界，從此之后，世界各國的科學家們開始熱衷于完善這一計算器，直到馮諾依曼發明第一臺計算機。人工智能在這一時期發展緩慢，但是卻積累了豐富的實踐經驗，為下一階段的發展奠定了堅實的基礎。

2.2.2 第一個發展階段

在1956年舉辦的“侃談會”上，美國人第一次使用了“人工智能”這一術語，從而引領了人工智能第一個興旺發展時期。這一階段的人工智能主要以翻譯、證明、博弈等為主要研究任務，取得了一系列的科技成就，LISP語言就是這一階段的佼佼者。人工智能在這一階段的飛速發展使人們相信只要通過科學研究就可以總結人類的邏輯思維方式并創造一個萬能的機器進行模仿。

2.2.3 挫折階段

60年代中至70年代初期，當人們深入研究人工智能的工作機理后卻發現，用機器模仿人類的思維是一件非常困難的事，許多科學發現并未逃離出簡單映射的方法，更無邏輯思維可言。但是，仍有許多科學家前赴后繼的進行著科學創新，在自然語言理解、計算機視覺、機器人、專家系統等方面取得了卓爾有效的成就。1972年，法國科學家發現了Prolog語言，成為繼LISP語言之后的最主要的人工智能語言。

2.2.4 第二個發展階段

以1977年第五屆國際人工智能聯合會議為轉折點，人工智能進入到以知識為基礎的發展階段，知識工程很快滲透于人工智能的各個領域，并促使人工智能走向實際應用。不久之后，人工智能在商業化道路上取得了卓越的成就，展示出了頑強的生命力與廣闊的應用前景，在不確定推理、分布式人工智能、常識性知識表示方式等關鍵性技術問題和專家系統、計算機視覺、自然語言理解、智能機器人等實際應用問題上取得了長足的發展。

2.2.5 平穩發展階段

由于國際互聯網技術的普及，人工智能逐漸由單個主體向分布式主體方向發展，直到今天，人工智能已經演變的復雜而實用，可以面向多個智能主體的多個目標進行求解。

3 人工智能在機械電子工程中的應用

物質和信息是人類社會發展的最根源的兩大因素，在人類社會初期，由于生產力水平低，人類社會以物質為首要基礎，僅靠“結繩記事”的方法傳遞信息，但隨著社會生產力的不斷發展，信息的重要性不斷被人們發現，文字成為傳遞信息最理想的途徑，最近五十年間，網絡的普及給信息傳遞帶來了新的生命，人類進入到了信息社會，而信息社會的發展離不開人工智能技術的發展。不論是模型的建立與控制，還是故障診斷，人工智能在機械電子工程當中都起著處理信息的作用。

由于機械電子系統與生俱來的不穩定性，描述機械電子系統的輸入與輸出關系就變得困難重重，傳統上的描述方法有以下幾種：1）推導數學方程的方法；2）建設規則庫的方法；3）學習并生成知識的方法。傳統的解析數學的方法嚴密、精確，但是只能適用于相對簡單的系統，如線性定常系統，對于那些復雜的系統由于無法給出數學解析式，就只能通過操作來完成。現代社會所需求的系統日益復雜，經常會同時處理幾種不同類型的信息，如傳感器所傳遞的數字信息和專家的語言信息。由于人工智能處理信息時的不確定性、復雜性，以知識為基礎的人工智能信息處理方式成為解析數學方式的替代手段。

通過人工智能建立的系統一般使用兩類方法：神經網絡系統和模糊推理系統。神經網絡系統可以模擬人腦的結構，分析數字信號并給出參考數值；而模糊推理系統是通過模擬人腦的功能來分析語言信號。兩者在處理輸入輸出的關系上有相同之處也有不同之處，相同之處是：兩者都通過網絡結構的形式以任意精度逼近一個連續函數；不同之處是：神經網絡系統物理意義不明確，而模糊推理系統有明確的物理意義；神經網絡系統運用點到點的映射方式，而模糊推理系統運用域到域的映射方式；神經網絡系統以分布式的方式儲存信息，而模糊推理系統則以規則的方式儲存信息；神經網絡系統輸入時由于每個神經元之間都有固定聯系，計算量大，而模糊推理系統由于連接不固定，計算量較小；神經網絡系統輸入輸出時精度較高，呈光滑曲面，而模糊推理系統精度較低，呈臺階狀。

隨著社會的不斷發展，單純的一種人工智能方法已經不能滿足日益增長的社會需要，許多科學家開始研究綜合性的人工智能系統。綜合性的人工智能系統采用神經網絡系統與模糊推理系統相結合的方法，取長補短，以獲得更全面的描述方式，模糊神經網絡系統便是一成功范例。模糊神經網絡系統做到了兩者功能的最大融合，使信息在網絡各層當中找到一個最適合的完全表達空間。邏輯推理規則能夠對增強節點函數，為神經網絡系統提供函數連結，使兩者的功能達到最大化。

4 結論

科學的不斷發展帶來的不僅是學科的高度細化、深化，而且是學科間的高度融合。人工智能就是各學科交叉與綜合之后的結果，秉承這一天性，人工智能與機械電子工程自然的進行了完美融合，這一全新領域的發展必將引領世界潮流，促進生產力的飛速發展。

參考文獻

[1]傅麗凌.楊平.機械專業綜合型試驗平臺的建設[J].電子科技大學學報社科版，2005，7（增刊）.

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

[3]史忠植.高級人工智能[M].科學出版社，2006.

篇6

關鍵詞：智能化；信息處理技術；人工智能；神經網絡

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2016）31-0254-02

近年來，智能信息處理技術獲得了突飛猛進的發展，該技術有機融合了控制技術、電子技術、計算機技術等多種先進技術，能夠高效實現信息的采集和處理任務。開展信息的智能化處理技術研究具有非常重要的意義，能夠全方位的了解和掌握智能信息處理技術的發展及運用狀況，并發揮該技術的優勢和作用，為今后的研究提供依據。

1 信息的智能化處理技術的產生與發展

1.1信息的智能化處理技術的產生

早在1930年就產生了信息的智能化處理技術，然而因為運算功能強大的工具，致使智能化信息處理技術的功能無法得到全面體現，這在一定程度上限制了信息的智能化處理技術的發展和成熟。計算機技術的廣泛應用為信息的智能化處理技術的進一步發展提供了堅實的基礎保障，研發出多種智能信息處理產品，在人們的工作和生活中得到了大規模的應用，為人們提供了極大的便利，同時也產生了較大的社會及經濟效益。針對當前醫學領域中的GT機而言，該機器充分運用了智能化信息處理技術的優勢[1]；同時美國科學家J. W.Coolev領導多位研究人員共同研制出先進的FFT算法，極大地推動了科學研究領域的創新發展。隨后硬件電路就借助FFT算法對智能監測儀器進行開發研究，推出多種自動化和智能化程度較高的檢測設施，獲得了很大的成功[2]。科學技術的實時發展使信息的智能化處理技術也不斷更新，科技水平逐步提升，智能化信息處理技術在信息處理系統中發揮的作用越發重要。

1.2信息的智能化處理技術的發展

信息處理技術順應著通信技術、計算機技術的發展潮流，已經進入到一個全新的發展階段，不僅更新了傳統的發展理論及方式，在研究領域方面也獲得了進一步的拓展，構建出全新的研究理論及方法。在信息處理技術最初發展階段，線性、最小相位及因果等系統是幾大關鍵研究內容，在不斷的發展過程中已經逐漸轉向非最小相位、非因果和非線性等研究領域，能夠結合信息的變化開展針對性的處理工作。能夠處理可靠性和穩定性較差的信息是智能化信息處理技術最顯著的特征，能夠使其轉變為可靠和確定的信息。在智能化信息處理技術的支撐下，能夠在確定性較差的信息內獲取相對精確的結果，能夠對信息進行有效、充分的利用，顯著改善了信息的整體利用率。

構建具有良好判斷能力、理解能力和學習能力的人工智能系統是開展智能化信息技術研究的根本目標，信息的智能化處理技術主要借助不同算法對信息進行采集和利用，最終達到智能化管控的效果。由此得知，信息的智能化處理技術主要研究內容為：1）環境、機器同人的彼此智能化交互協作。該技術能夠對語音或文字開展自動識別研究，并嘗試理解自然語言，對圖像、視覺信息進行自主化的加工和處理，確保環境、機器同人三者能夠實現信息的互動溝通、交流[3]；2）將有價值、有效信息從數據庫內進行提取，并總結基本規律。智能化信息處理技術的根本研究內容為機器學習及簡約數據，需要借助已經掌握的模式識別理論、知識，針對數據信息進行簡化處理，通過可閱讀的方式將信息呈獻給決策人員，便于制定出科學的決策。也能夠自動化的學習多種數據，進而進行數據的評價和分類處理工作，對結果進行準確的預測；3）合理規劃和優化智能系統，發揮系統的協作、決策功能。應對計算機決策系統、輔助規劃系統進行構建，參考優化指標改善社會及經濟效益。還應對系統建模內容進行探究，對智能決策、規劃、體系協作的基礎理論和方式進行進一步的優化。

2 信息的智能化處理技術理論及方法

信息的智能化處理技術涵蓋多個研究領域，融合了通信技術、控制技術和計算機技術等先進技術，涉及多個信息科學技術學科。綜合當前的研究及發展情況，可以將信息的智能化處理技術歸為以下幾類：

2.1模糊理論

若需要對無法確定對現象進行探究和分析，就必須要借助模糊理論來實現。由于事物本身擁有不確定的特性，同數學理論下的二元性原則沒有直接關系，屬于對象差異的中間過渡狀態，無法進行準確的劃分，從而不能明確對象類型。模糊系統具有模糊性特征，能夠結合模糊理論發揮模糊信息處理功能，是一種動態化的模型。一般在模糊系統內，輸入、輸出彼此對應，能夠將其視為連續函數的通用逼近器，主要包括模糊推理機、反模糊化器、模糊產生器及模糊規則庫[4]。建立在神經網絡、模糊系統之上的模糊神經網絡，有效整合了模糊系統機理、神經網絡，將二者的優勢進行了整合，同時也融合了多種理論，包括動力學、邏輯計算、處理方式及語言等。模糊神經網絡不僅具有較強的聯想能力、識別能力和學習能力，同時還擁有良好的模糊信息處理性能。在普通神經網絡內，對模糊輸入信號、權值進行添加是模糊神經網絡的核心所在，在優勢互補的原理下，能夠使神經網絡、模糊系統的優勢和功能充分展示出來，同時也彌補了二者各自的弊端和不足。構建的模糊神經網絡使信息的智能化處理技術發展邁向一個全新的發展層面，具有非常重要的意義。

篇7

【關鍵詞】神經網絡；塑性加工

1.引言

神經網絡技術屬于人工智能領域，最早在上世紀五十年代開始出現一些相關理論性的研究，由于受到當時軟、硬件環境的約束，因此該技術的發展一直處于停滯狀態，直到九十年代才得到足夠的重視，并由于其在控制過程中獨特的優勢而受到廣泛的關注和青睞，成為最熱門的研究領域之一。人工神經網絡的特點主要有大規模并行計算能力突出、數據存儲的分布性好、超強的自學習和自適應能力等，甚至基于神經網絡衍伸出的一些優化算法還可以具備相當程度的聯想、識別和記憶功能，這大大強化了神經網絡的適用范圍。目前該技術已廣泛的應用在生產控制、模式識別、網絡控制、信號處理、醫學工程以及其他需要智能優化處理服務的自動化控制場合。

2.人工神經網絡概述

人工神經網絡技術模擬人腦中由大量的神經元連接組成的復雜網絡，在求解過程中充分的調動神經元之間的相互作用，從而實現對數據的感知、記憶和處理功能。雖然神經元個體相對簡單且功能有限，但通過大量不同神經元的組合，便可使生成的網絡系統具有多樣化的功能。在人工神經網絡中，神經元由三部分構成，分別是包含網絡中每條連接權值的權集；用以存儲某條組合連接中各個單位連接權值之和的求和單元；對加權和進行非線性映射并約束其強度的非線性激勵函數。由這三部分組成的單個神經元可與其他多個神經元相連接，組成各種類型的神經網絡。

神經網絡的另一個優勢在于其獨特的分布式數據存儲方式上，由于將采集到的大量數據分布存儲在各個神經元之間的連接強度上，可大大增強數據的生存性和安全性，即使出現了局部數據的損毀，也不會對最終的計算結果造成太大的影響。從計算機技術方面分析，神經網絡中的神經元實質上是一個非線性運算器，可同時接受多路輸入數據參與運算，而計算結果則是唯一的單個輸出。從數學建模的角度來看，通常使用三個函數來描述神經網絡，分別是階躍函數、分段線性函數和Sigmoid函數，如下所示：

在塑性加工領域，應用最多的是前饋型神經網絡，在該類神經網絡中，包括輸入層、隱層和輸出層三層結構。在這三層之間，內部節點相互獨立，減少干擾，其實現的輸入和輸出之間的關聯受到多種因素的影響，如節點數、層數、連接權值等等，若要實現該網絡輸出盡可能的逼近預設值，就必須采用誤差函數來對各個連接強度進行動態調整，最常使用的是二乘誤差，如下所示：

3.人工神經網絡在塑性加工中的應用分析

3.1 工藝設計專家系統

工藝設計是塑性加工工序的開始，通過科學的工藝設計，可以將整個加工流程進行合理的安排，預設合適的參數組合，以使得生產出的產品合乎標準，在這一階段，首先要完成的就是大量資料的收集，隨后是數據提煉，計算量相當龐大。而利用人工神經網絡來建立專家系統時可以實現大規模的數據并行處理，且不需要循序漸進的推理，直接通過大量的訓練來得到最優的解集，這是其他智能算法所不具備的突出優勢。而且在神經網絡中，推理過程和計算過程是同步完成的，且相關信息分布存儲在網絡節點間的連接強度上，通過對樣本不斷的學習和更新來完成對存儲知識的不斷優化。

3.2 無損探傷及缺陷預測

在超聲探傷、磁粉探傷等無損探傷中，由于得到的信息較為有限，因此傳統的監測系統很難準確判斷構件內部缺陷的具體情況，更談不上精確定位了，且這種困難隨著北側物件體積的增大而直線上升。而神經網絡所具有的非線性識別及映射能力則能很好的解決這一問題，通過反復的訓練優化，最終定位出最有可能的缺陷位置和缺陷尺寸。若某平板內具有圓形缺陷，可先用有限元法模擬在一定載荷下圓孔的位置、尺寸變化對某些點的位移、應變的影響，將所得到的數據用來訓練神經網絡。一旦訓練成功，就可以利用它確定同類試件內部的缺陷及其尺寸位置。

3.3 預測材料性能及參數識別

在塑性加工理論研究中，材料塑性變形行為的表述能否準確反映材料在外載作用下的響應，直接影響到理論結果的準確性。在利用傳統方法建立本構模型時要引入許多假定的前提條件，還要通過大量的實踐經驗和實驗驗證來選擇合適的參數組合，通過在不同環境下的仿真實驗，并對結果進行對比分析，不斷修正乃至最終確定本構模型，這一過程顯然占用了過多的時間和資源。而利用神經網絡卻可以實現應力―應變的直接映射，直接從實驗數據“學習”應力―應變關系，從而避免了大量的數學推導過程和驗證―修改的不斷反復過程。網絡實現對應力―應變關系模擬就是在“訓練”過程中不斷改變自身各神經元間的連接強度，訓練完成后，網絡將應力―應變關系（某種材料）“記憶”在其連接強度上即可。

4.結束語

雖然神經網絡已經被廣泛的應用到各種工業控制場合并表現出強大的學習和自適應能力，但其算法的收斂性和魯棒性仍有待加強，相信人工智能領域的不斷突破，人工神經網絡比價發揮出更大的作用。

參考文獻

[1]時慧焯.基于人工神經網絡的注塑成型翹曲優化方法[D].大連：大連理工大學，2012

[2]付子義.基于BP神經網絡優化的PID控制器研究[J].軟件導刊，2015，（12）：45-48

篇8

關鍵詞：模擬電路；智能故障診斷；神經網絡

中圖分類號：TN710 文獻標識碼：A 文章編號：1009-2374（2012）04-0118-02

上世紀70年代開始，模擬電路故障診斷理論第一次被提出來，如今已發展成為一門系統的學科。但是，雖然模擬電路的使用時間已經有一段歷史，其模擬電路故障診斷技術卻發展一直比較緩慢。以下筆者就從模擬電路智能故障的特點入手，對模擬電路智能故障診斷技術的發展現狀進行詳細探討。

一、模擬電路智能故障的特點分析

現將模擬電路故障的特點分析如下：

（一）模擬電路信號與數字信號的區別

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

（二）模擬電路元器件的特性

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

（三）模擬電路中存在的問題

在模擬電路中，存在反饋電路和非線性問題，增加了計算和測試的復雜性。

（四）模擬電路的使用范圍

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

（五）模擬電路的故障問題

由于現在電路中，可測試的節點數一般都比較少（電路通常是封裝或者多層的緣故），導致判斷故障信息的數量不夠多、信息不夠充分，加大了故障判斷的難度。

二、模擬電路故障診斷技術現狀分析

近幾年，電子技術得到了飛速發展，隨著電子技術的飛速發展，電子技術運用而成，并隨著集成度的不斷增大，電路的復雜程度日益提高。

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

本文根據故障診斷的角度出發，對現行電路故障診斷的方法進行了分類。以下就現代模擬電路故障診斷的方法進行具體探討。

（一）專家系統故障診斷分析

專家系統在人工智能技術中，屬于應用比較廣泛和活躍的故障診斷技術之一。專家系統故障診斷的工作過程可以描述為以下幾個步驟：首先，應該具備故障診斷專家系統的知識庫，這個知識庫的內容主要是將相關診斷經驗與技術，使用一定的規則組合起來而形成，以備以后程序使用；然后，當出現故障時故障診斷系統將由報警系統得到相關信息，應用知識庫對其進行推理，由此得出出現的故障的原因。

以上診斷過程可以理解為：專家系統故障診斷技術是模擬行業專家進行診斷及決策的過程，主要可以解決一些比較復雜的故障問題。

但是，由于這些技術存在一定的缺陷，在一定程度上限制了其推廣使用。

（二）人工神經網絡技術分析

人工智能技術的另一個重要分支是人工神經網絡技術。

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

人工神經網絡由于其獨特的優勢，越來越受到人們的廣泛重視。

人工神經網絡的優點主要體現在以下幾個方面：（1）它以利用網絡的拓撲結構和權值分布實現非線性的映射，以分布的方式存儲信息；（2）它可以實現非線性信息變化問題，這個主要是通過全局并行處理來實現的信息變化。其可以有效的解決故障診斷中故障知識獲取這個“瓶頸”問題，以及“組合爆炸”等問題；（3）人工神經網絡技術還具有聯想記憶、并行分布處理以及自適應性強等特點。

以上的這些優點為智能故障診斷的研究開辟了一條新途徑。基于以上的分析，將神經網絡與專家系統相結合，使其相互補充，各自揚長避短，是故障診斷領域的一個熱點話題。

（三）神經網絡專家系統

從邏輯方面來講，神經網絡專家系統和傳統專家系統是完全不同的。神經網絡專家系統是一類新的知識表達體系，神經網絡專家系統中的信息處理是由大量簡單處理元件之間進行相互作用，從而進行信息處理的，屬于低層數值模型。神經網絡專家系統可以將數值運算和邏輯推理結合，并利用相關的信息處理功能來解決診斷系統中的相關問題。

在這種技術中，通過學習將專家知識存儲在網絡中，由此進行不精確的故障診斷，可以較好的完成相關推理過程。

（四）小波分析方法

小波分析法時一種時-頻分析方法。它的主要原理通過以下闡述：

小波變換及小波函數的多樣性。

小波是函數空間中滿足下述條件的一個函數或者信號：

式中：表示非零實數全體，是傅里葉變換，為小波母函數。

對于實數對（a，b），參數a為非零實數，函數

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

對信號f（x）的連續小波變換則定義為：

其逆變換（回復信號或重構信號）為：

信號f（x）的離散小波變換定義為：

其逆變換（恢復信一號或重構信號）為：

其中：C是一個與信號無關的常數。

由上述原理可知，小波函數具有多樣性。

（五）神經網絡小波分析方法

將神經網絡與小波分析相結合的方法主要有兩個：

1．以輔助式結合的形式組合。在這種結合中，一般是利用小波分析技術對相應的信號進行預先處理，然后，利用神經網絡技術進行學習與判別。

2．以嵌套式結合的方式進行組合。這種結合中，主要是把小波分析方法融入到神經網絡中，形成新的神經網絡結構，即神經網絡一小波分析或小波網絡。這種新的網絡方法具有明顯的優勢：具有自適應分辨功能和很好的容錯性。

由上面分析可以得出，這種新的故障診斷鑒別方法是故障診斷領域的一個新方法，它不僅可以拓寬小波分析方法與神經網絡技術的應用領域，而且為故障診斷技術開辟了新道路，使得故障診斷技術得到了進一步的發展。

三、結語

由于現代科技的飛速發展，模擬電路故障診斷系統將會變得越來越復雜，如何保證模擬電路系統可以運行的更加可靠是一個值得深入探討的問題。模擬電路出現故障后，如能及時將相應的故障診斷清楚，并保證及時維修更換，無疑可以提高生產效率，提高成品的合格率，進而推動模擬電路系統向更好的方向

發展。

參考文獻

[1] 朱大奇．電子設備故障診斷原理與實踐[M]．北京電子工業出版社，2004．

篇9

關鍵詞：人臉識別技術；病毒管控；人工智能；神經網絡

互聯網在今天的社會中發揮著舉足輕重的作用。如今社會，隨著許多人工智能技術、網絡技術、云計算等互聯網技術不斷發展，像人臉識別等技術的應用越來越廣泛，在控制病毒傳播途徑等場合發揮了巨大作用，不斷地提高著社會的安全性和便利性，不僅提高了防控中病毒檢測效率，也為病毒的控制提供了可靠的技術方法，能夠及時發現和控制公共場所的安全隱患因素，避免對社會經濟、居民生活造成破壞，。但目前的人臉識別等技術還存在許多缺陷，需要完善和革新，充滿著巨大的潛力和進步空間。

1人臉識別技術研究意義

人臉識別技術是一種生物特征識別技術，最早產生于上世紀60年代，基于生理學、圖像處理、人機交互及認知學等方面的一種識別技術。相比于其他人類特征像指紋識別、聲紋識別、虹膜識別等技術，人臉識別雖然存在人臉識別單一性低，且區分度難度高、易受環境影響等不足。但是人臉識別技術擁有速度快、大范圍群體識別及非接觸、遠距離可識別等優勢，都是其他生物識別識別技術所不具備的，而在傳播性強、感染風險大的病毒傳播過程中，這些顯然是必須要考慮的重要影響因素。通過將人臉識別等人工智能技術引入信息管理系統，綜合集成視頻監控、圖像處理、深度學習和大數據等技術，結合非接觸測溫、定位等技術，助力病情防控，在一定程度上推動病毒病情防控信息化、智能化發展進程。可作為加強公共場所的人員的體溫實時監測、地址信息定位的監控管理，規范公共場所針對病毒傳播的預防行為。

2人臉識別技術

2.1人臉檢測技術

人臉檢測是自動人臉識別系統中的一個關鍵環節。早期的人臉識別研究主要針對具有較強約束條件的人臉圖象（如無背景的圖象），往往假設人臉位置靜止或者容易獲取。人臉檢測分為前深度學習時期，AdaBoost框架時期以及深度學習時期。前深度學習時期，人們將傳統的計算機視覺算法運用于人臉檢測，使用了模板匹配技術，依賴于人工提取特征，然后用這些人工特征訓練一個檢測器；后來技術發展，在2001年Viola和Jones設計了一種人臉檢測算法，它使用簡單的Haar-like特征和級聯的AdaBoost分類器構造檢測器，檢測速度較之前的方法有2個數量級的提高，并且保持了很好的精度，稱這種方法為VJ框架。VJ框架是人臉檢測歷史上第一個最具有里程碑意義的一個成果，奠定了基于AdaBoost目標檢測框架的基礎，使用級聯AdaBoost分類器進行目標檢測的思想是：用多個AdaBoost分類器合作實現對候選框的分類，這些分類器組成一個流水線，對滑動窗口中的候選框圖像進行判定，確定檢測目標是人臉還是非人臉。Adaboost框架技術的精髓在于用簡單的強分類器在初期快速排除掉大量的非人臉窗口，同時保證高的召回率，使得最終能通過所有級強分類器的樣本數數量較少。在深度學習時期，開始將卷積神經網絡應用于人臉檢測領域。研究方向有兩種：一是將適用于多任務的目標檢測網絡應用于人臉檢測中；另一種是研究特定的的人臉檢測網絡。人臉檢測技術具有特殊唯一性和穩定性，在現今社會對于構建居民身份識別系統，病毒傳播防控系統，以及計算機視覺交互模型的構建具有廣泛的應用。人臉檢測技術不僅作為人臉識別的首要步驟，也在許多其他領域發揮巨大影響，如人臉關鍵點提取、人臉追蹤、基于內容的檢索、數字視頻處理、視頻檢測、安防監控、人證比對、社交等領域都有重要的應用價值。數碼相機、手機等移動端上的設備已經大量使用人臉檢測技術實現成像時對人臉的對焦、圖集整理分類等功能，各種虛擬美顏相機也需要人臉檢測技術定位人臉。評價一個人臉檢測算法好壞的指標是檢測率和誤報率，我們定義檢測率為：算法要求在檢測率和誤報率之間盡量平衡，理想的情況是達到高檢測率，低誤報率。

2.2人臉識別技術

目前主要流行的人臉識別技術包括幾何特征識別，模型識別，特征臉識別和基于深度學習/神經網絡的的人臉識別技術等。人臉特征識別主要通過對人臉面部結構特征如眼睛、鼻子等五官幾何特點及其相對位置分布等，生成圖像，并計算各個面部特征之間的歐式距離、分布、大小等關系該方法比較簡單，反應速度快，并且具有魯棒性強等優點，但是在實際環境下使用容易受檢測的環境的變化、人臉部表情變化等影響，精度通常不高，細節處理上不夠完善。模型識別技術主要包括隱馬爾可夫模型、主動表象模型、主動形狀模型等，識別率較高，并且對表情等變化影響較小。特征臉識別來源于主成分描述人臉照片技術（PCA技術），從數學上來講，特征臉就是人臉的圖像集協方差矩陣的特征向量。該技術能有效的顯示人臉信息，效率較高。基于深度學習的人臉識別是獲取人臉圖像特征，并將包含人臉信息的特征進行線性組合等，提取人臉圖像的特征，學習人臉樣本數據的內在規律和表示層次。可以采用如三層前饋BP神經網絡。BP神經網絡是1986年由Rumelhart和McClelland為首的科學家提出的概念，是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是應用最廣泛的神經網絡模型之一。BP網絡本質上是一種能夠學量的輸入與輸出之間的映射關系的輸入到輸出的映射，從結構上講，BP網絡具有輸入層、隱藏層和輸出層；從本質上講，BP算法就是以網絡誤差平方為目標函數、采用梯度下降法來計算目標函數的最小值。BP神經網路輸入層有n個神經元節點，輸出層具有m個神經元，隱含層具有k個神經元，采用BP學習算法訓練神經網絡。BP算法主要包括兩個階段：向前傳播階段和向后傳播階段。在向前傳播階段，信息從輸入層經過逐級的變換，傳送到輸出層。這個過程也是在網絡完成訓練后正常運行時執行。將Xp作為輸入向量，Yp為期望輸出向量則BP神經網絡向前傳播階段的運算，得到實際輸出表達式為向后傳播階段主要包括兩大步驟：①計算實際輸出Op與對應理想輸出Yp之差；②按極小化誤差方法調整帶權矩陣。之所以將此階段稱為向后傳播階段，是對應于輸入信號的正常傳播而言的，因為該階段都需要收到精度要求進行誤差處理，所以也可以稱之為誤差傳播階段。(1)確定訓練集。由訓練策略選擇樣本圖像作為訓練集。(2)規定各權值Vij，Wjk和閾值Φj，θk參數，并初始化學習率α及精度控制參數ε。(3)從訓練集中取輸入向量X到神經網絡，并確定其目標輸出向量D。(4)利用上式計算出一個中間層輸出H，再用本式計算出網絡的實際輸出Y。(5)將輸出矢量中yk與目標矢量中dk進行比較，計算輸出誤差項，對中間層的隱單元計算出L個誤差項。(6)最后計算出各權值和閾值的調整量。所以，卷積神經網絡算法是通過訓練人臉特征庫的方式進行學習生成，對不同環境下不同表現情況的人臉圖像識別有更高的精確性。

2.3人臉識別軟件實現方式

(1)采集人臉數據集，然后對數據集進行標注，對數據進行預處理變成訓練格式。(2)部署訓練模型，根據訓練算法所需依賴部署電腦環境。(3)訓練過程，下載預訓練模型，將人臉數據集分批次作為輸入開始訓練，最終輸出為訓練好的模型。(4)部署訓練好的模型，捕獲畫面即可對畫面中的人臉進行實時檢測。

3人臉識別在病毒傳播防控中的應用

通過人臉識別技術，可以實現無接觸、高效率的對流動人員進行信息的收集、身份識別、定位地址信息等操作，大大減少了傳染的可能性，切斷了病毒傳播途徑，大大提高了工作效率。通過提前收錄人臉信息，采用深度學習對人臉特征模型的訓練學習，即可獲取人臉識別特征模型，再次驗證時即可實現人臉識別和個人信息快速匹配。AI人工智能幫助人們更好的解放雙手，為人們的生活和工作提供了重要的幫助。本文還提出了在人臉識別的系統基礎上，可以加入定位系統、測溫系統等，依托物聯網技術和云計算大數據，更加優化管控系統的效率。病毒傳播防控中人臉識別系統流程可以概括為圖2。

4結語

本文研究了一種人臉識別技術在病毒傳播管控系統中的應用，并分析設計了人臉識別實時監測及病毒管控系統的流程，大大提高了信息管理的效率，減弱了傳播風險。作為一門新興技術，目前的人臉識別技術還存在著諸多不足之處，像存在環境光的影響、人臉表情變化、妝容變化、佩戴口罩等都會影響到系統識別精度；另外安全問題也引人深思：現今人臉支付方式迅猛發展，錄入的人臉模型信息數據庫存在有一定的安全風險，一旦被不法分子盜取信息后果不堪設想，所以模型數據庫安全、網絡安全，也是系統開發中必須重視的問題。人臉識別為代表的人工智能技術的研究，在病毒傳播管控作出重大貢獻，依托我國領先的計算機網絡技術和5G等技術，加強人工智能技術與5G通信技術的結合，優勢互補，以此來加快大數據、人工智能和物聯網技術發展進程，對我國社會進步，促進城市建設和管理朝著高效、秩序、和諧穩定的方向不斷發展，增強我國的經濟實力有著重大價值和研究意義。

參考文獻

[1]王彥秋,馮英偉.基于大數據的人臉識別方法[J].現代電子技術,2021,44(7):87-90.

[2]李剛,高政.人臉自動識別方法綜述[J].計算機應用研究,2003,20(8):4-9,40.

[3]馬玉琨,徐姚文.ReviewofPresentationAttackDetectioninFaceRecognitionSystem[J].計算機科學與探索,2021,7(15):1195-1206.

[4]余璀璨,李慧斌.基于深度學習的人臉識別方法綜述[J].工程數學學報,2021,38.

[5]王紅星,胡永陽,鄧超.基于LBP和ELM的人臉識別算法研究與實現[J].河南理工大學學報(自然科學版),2005.

[6]鐘陳,王思翔,王文峰.面向疫情防控的人臉識別系統與標準研究[J].信息技術與標準化,2020,6,11-13,1671-539X.

[6]彭駿,吉綱,張艷紅,占濤.精準人臉識別及測溫技術在疫情防控中的應用[J].軟件導刊,2020,10,1672-7800.

篇10

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

關鍵詞： 財務管理；神經網絡；決策支持系統；專家系統

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

中圖分類號：F275 文獻標識碼：A 文章編號：1006-4311（2012）03-0126-02

0 引言

DSS是80年代迅速發展起來的新型計算機科學。它是一個有著廣泛應用背景的十分熱門的交叉科學。神經網絡是一個具有高度非線性的超大規模連續時間的動力系統。結合神經網絡的智能決策支持系統是目前研究的前沿之一，它極具理論和使用價值。

財務管理的信息化、數字化是財務規范和科學管理的趨勢。與DSS的結合將更加有利于數據標準的統一，有利于數據采集的模塊化，有利于決策支持的科學化，有利于財務公開的透明化。

1 財務管理決策支持系統的研究現狀

決策支持系統經過二十多年的發展，形成了如圖1所示公認的體系結構。它把模型并入信息系統軟件中，依靠管理信息系統和運籌學這兩個基礎逐步發展起來。它為解決非結構化決策問題提供了相應的有用信息，給各級管理決策人員的工作帶來了便利。

從圖1可以看出決策支持系統體系結構可劃分為三級，即語言系統（LS）級、問題處理系統（PPS）級和知識系統（KS）級。其中問題處理系統級包括推理機系統（RS）、模型庫管理系統（MBMS）、知識庫管理系統（KBMS）及數據庫管理系統（DBMS）。知識系統級包括模型庫（MB）、知識庫（KB）及數據庫（DB）。

九十年代中期，興起了三個輔助決策技術：數據倉庫（DW）、聯機分析處理（OLAP）和數據挖掘（DM）。聯機分析處理是以客戶/服務器的方式完成多維數據分析。數據倉庫是根據決策主題的需要匯集大量的數據庫，通過綜合和分析得到輔助決策的信息。數據挖掘顧名思義，是為了獲得有用的數據，在大量的數據庫中進行篩選。人工智能技術建立一個智能的DSS人機界面，可進行圖、文、聲、像、形等多模式交互，人機交互此時變得更為自然和諧，人們能沉浸其中，進行合作式、目標向導式的交互方法。

從目前情況來看，財務決策支持系統的研究還處于初級發展階段，財務數據的保密性、特殊性決定了財務決策不能全部公開化、透明化，但隨著中央及國務院相關部門財務預決算數據的公開，財務決策系統及其支持系統和過程也將隨之公開，這就要求決策者充分利用財務知識和決策支持系統的知識“聰明”決策、合理決策、科學決策、規范決策。

2 財務管理神經網絡智能決策支持系統總體研究框架

2.1 神經網絡運行機制 神經網絡的著眼點是采納生物體中神經細胞網絡中某些可利用的部分，來彌補計算機的不足之處，而不是單單用物理的器件去完整地復制。

第一，神經網絡中的鏈接的結構和鏈接權都可以通過學習而得到，具有十分強大的學習功能；第二，神經網絡所記憶的信息是一種分布式的儲存方式，大多儲存在神經元之間的權中；第三，神經網絡部分的或局部的神經元被破壞后，仍可以繼續進行其他活動，不影響全局的活動，因此說，神經網絡的這種特性被稱作容錯性；第四，神經網絡是由大量簡單的神經元組成的，每個神經元雖然結構簡單，但是它們組合到一起并行活動時，卻能爆發出較快較強的速度來。

我們可以利用神經網絡的上述特點，將之應用于模式識別、自動控制、優化計算和聯想記憶、軍事應用以及決策支持系統中。

2.2 財務管理神經網絡集成智能財務DSS的必然性 在企業經營管理、政府機構財務活動中，人們時常面臨著財務決策。人們往往需要根據有關的理論及經驗制定出一系列的衡量標準。這種評價是一個非常復雜的非結構化決策過程，一般都是由內行專家根據一定的專業理論憑經驗和直覺在收集大量不完全、不確定信息基礎上建立起多級指標體系。但在這種指標體系中，各種指標之間的關系很難明確，而且還受評價者的效用標準和主觀偏好所左右。因此，很難在指標體系和評價目標間建立起準確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經網絡構造系統模式來支持這類評價決策問題是目前財務管理智能決策支持系統的一種發展趨勢和必然趨勢[4]。

2.3 財務管理神經網絡集成智能DSS系統框架 神經網絡智能決策支持系統主要以知識、數據和模型為主體，結合神經網絡進行推理與數據開采。圖2給出了神經網絡智能決策支持系統研究框架[2]。研究中有兩個重點，即神經網絡推理系統和神經網絡數據開采系統。

2.3.1 神經網絡數據開采系統 神經網絡數據開采時利用神經網絡技術協助從數據中抽取模式。數據開采有五項基本任務：相關分析、聚類、概念描述、偏差監測、預測。

常用的前饋式神經網絡，如BP網絡，可用于進行概念描述及預測。對向傳播（Counter Propagation，簡稱CP）神經網路可用來進行統計分析和聚類。

CP網絡是美國神經計算專家Robert Hecht-Nielsen提出的一種新型特征映射網絡，其網絡結構分輸入、競爭、輸出三層。該網絡吸取了無教師示教型網絡分類錄活、算法簡練的優點，又采納了有教師示教型網絡分類精細、準確的好處，使兩者有機地結合起來。由競爭層至輸出層，網絡按基本競爭型網絡學習規則得到各輸出神經元的實際輸出值，并按有教師示教的誤差校正方法調整由競爭層至輸出層的鏈接權。經過這樣反復地學習，可以將任意輸入模式映射為輸出模式。

2.3.2 財務管理神經網絡推理系統 財務管理神經網絡推理系統主要利用神經網絡的并行處理機制來解決傳統推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經網絡系統中，計算與存儲時完全合二為一的，即信息的存儲體現在神經元互連的分布上，并以大規模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯想記憶的基本原理。若視動力系統的穩定吸引子為系統計算能量函數的極小點，系統最終會流向期望的最小點，計算也就在運動過程中悄悄地完成了。因而，可用雙向聯想記憶（BAM）網絡或CP網絡實現并行推理。CP網絡具有特殊的聯想推理映射功能。將輸入學習模式和期望輸出模式取為同一模式，且將之分為X和Y兩部分。網絡通過提供的樣本對進行充分的學習后，就可用來進行模式間的聯想推理。

3 財務管理神經網絡智能DSS研究展望

當前世界上最熱門的研究課題，是模仿人類的思維方式來解決實際問題。專家系統和人工神經網絡是比較常用的技術，但由于自身的局限性，它們都側重于人類思維方式的某一方面。平時解決簡單的問題的時候還好，但真遇到解決復雜的問題的時候，它就顯得力不從心了，所以，這個時候我們可以將兩種技術結合起來解決，除了它們要自身不斷發展和完善外，還要注重兩者的協調配合，神經網絡DSS未來的發展趨勢就是依靠這兩種技術不斷結合，從而能幫助我們解決更多的實際問題。

3.1 財務管理神經網絡支持專家系統 常見的財務管理神經網絡支持專家系統主要包括幾個方面：知識維護、知識表示、知識獲取、推理等，我們針對各個步驟展開討論。

3.1.1 知識維護。如果知識是通過人工神經網絡來獲取的，我們就可以同樣利用人工神經網絡，來讓維護工作變得更加方便快捷，維護可以通過人工神經網絡來自動完成，我們需要做的只是重新運行網絡模塊，或者重新訓練網絡模塊，又或是增加新的網絡模塊。

3.1.2 推理。一般的專家系統只是求解專門性問題，應用的領域非常狹窄，同時由于控制策略不靈活，推理方法簡單，容易出現一些這樣或那樣的問題，推理效率低、速度慢。人工神經網絡可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領域。

3.1.3 知識表示。很多專家知識事實上很難用規則表示出來，但在現實工作中，我們大部分財務管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經網絡系統來將知識提供給專家系統，這樣做就可以避免這一問題，當專家系統需要相應知識時，就不需要用規則來表示知識，直接調用人工神經網絡就可以了。

3.1.4 知識獲取。人工神經網絡可以幫專家系統來獲取知識，知識獲取是通過人機對話的形式進行的。首先，專家系統向專家提出問題，人工神經網路則負責對這些信息進行收集、處理，在人工神經網絡的聯結權值中已經具有通用的知識，所以這一步驟會很方便，之后再產生相應的數據結果。接著，專家系統在對這些數據進行進一步的分析。在這一過程中，專家系統只運用很少的規則就可以獲得相關的知識，大大提高了工作效率。

3.2 財務管理專家系統支持神經網絡 財務管理專家主要通過三種方式來對神經網絡提供必要的支持：第一，提供相應的必要的解釋；第二，進行預處理；第三，聯合應用。

3.2.1 解釋。作為專家系統的人工神經網絡，它做不到同其他專家系統那樣，具體詳細地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個小型的專家來解決這一問題，以獲得答案的原因，這個專家系統可以反向推理，從結果到初始輸入，系統提供具體的解決方法。

在這種模式中，經過訓練的人工神經網絡來解決問題。當用戶要求解釋的時候，就可以通過網絡輸入一個并行的專家系統。

3.2.2 預處理。對于人工神經網絡來說，處理數據這項工作比較難。專家系統可以幫助人工神經做好這些工作：選擇合適的收斂算法，確定訓練神經網絡的樣本的數量，選擇合適的神經網絡。收集正確數據的工作，對于人工神經網絡來說至關重要，事先對它們進行預處理，可以確保各項工作順利的完成。

3.2.3 聯合應用。將一個復問題分解為幾個子問題，如下圖3所示，再將各個子問題來逐個解決，這就是我們所常說說的聯合應用方法。它可以直接采用人工神經網絡、專家系統以及其種可能的方法來解決問題，指導實際應用。

我們當前計算機所要解決的主要問題，是如何解決半結構化和非結構化的決策等問題，它是人們在日常生活中所經常遇到的，在財務活動中會大量存在。如何更科學、更合理地處理這些問題是我們當前工作的主要方向。運用人工神經網絡技術處理半結構化和非結構化的決策是一種智能化的求解方式。但是此種方式并不是完美無缺的，它還存在著一定程度上的缺點，我們只有改善這種技術上的不成熟，將智能化研究進行到底，才能讓神經網絡決策支持系統的研究出現新的進展。

參考文獻：

[1]陳文偉.智能決策技術.電子工業出版社，1998年.

[2]鐘義信.智能理論與技術——人工智能與神經網絡.人民郵電出版社，1992年.