人工智能神經(jīng)網(wǎng)絡(luò)概念范文

時間:2023-10-24 17:39:03

導語:如何才能寫好一篇人工智能神經(jīng)網(wǎng)絡(luò)概念,這就需要搜集整理更多的資料和文獻,歡迎閱讀由公務(wù)員之家整理的十篇范文,供你借鑒。

人工智能神經(jīng)網(wǎng)絡(luò)概念

篇1

【關(guān)鍵詞】人工智能 醫(yī)學領(lǐng)域

1 引言

人工智能(AI)是上世紀50年展起來的新興學科,主要內(nèi)容包括:知識表示、自然語言理解、機器學習和知識獲取、知識處理系統(tǒng)、計算機視覺、自動推理和搜索方法、智能機器人、自動程序設(shè)計等方面。在過去的幾十年里人工智能涌現(xiàn)出了大量的方法,大致可分為兩大類:第一類是基于Newell和Simon的物理符號系統(tǒng)假說的符號處理方法。這種方法大多采用從知識階段向下到符號和實施階段的自上而下的設(shè)計方法,第二類是采用自下而上設(shè)計的“字符號”方法。

2 人工智能的發(fā)展

全球?qū)θ斯ぶ悄艿难邪l(fā)經(jīng)歷了已經(jīng)有70年的發(fā)展,從上個世紀的50年代開始一直到今天,歷經(jīng)了兩次大起大落,但伴隨著深度學習的重燃、龐大的大數(shù)據(jù)支撐以及計算能力的不斷提升和成本的不斷下降這些因素的出現(xiàn),尤其是在摩爾定律、大數(shù)據(jù)、互聯(lián)網(wǎng)和云計算、新方法這些人工智能進步的催化劑作用下,將迎來人工智能新的春天。

3 人工智能在醫(yī)學領(lǐng)域上的應(yīng)用

3.1 在神經(jīng)網(wǎng)絡(luò)中人工智能的應(yīng)用

在醫(yī)學診斷中人工智能的應(yīng)用會出現(xiàn)一些難題,例如知識獲取比較難、推理速度慢、自主學習以及自適應(yīng)變化能力弱。研究人腦連接發(fā)現(xiàn)了以人工神經(jīng)為特點可以解決在獲取知識中所出現(xiàn)的瓶頸和知識種類繁瑣問題,能夠提高對知識的推理能力,包括自主學習,自組織等方面的能力,促進了神經(jīng)網(wǎng)絡(luò)在醫(yī)學專家系統(tǒng)中的快速發(fā)展。

人工智能領(lǐng)域ANN,有不同于其他人工智能的方法,在傳統(tǒng)的結(jié)構(gòu)上,它只是AI分支中的一個,只能通過邏輯符號來模擬人腦的思維方式,進一步來實現(xiàn)人工智能,與之相比,不同的ANN是學習和訓練為一體來達到智能的。ANN具有學習的能力及特殊方法,用戶不用編寫復雜的程序來解決所遇到的問題,只用提供有效的數(shù)據(jù)就可以完成。迄今為止,醫(yī)學領(lǐng)域中對大部分的病理原因無法解釋,無法確定病理原因,加上各種疾病的表現(xiàn)種類復雜多變。在醫(yī)學的日常實踐中,疾病相應(yīng)的治療只能以經(jīng)驗為基礎(chǔ)來判斷。所以,ANN有著記憶,學習和歸納總結(jié)為一體的人工智能服務(wù),在醫(yī)學領(lǐng)域有很好的應(yīng)用發(fā)展趨勢。

3.2 在中醫(yī)學中人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

在中醫(yī)學中,所提出的“辨證論治”中的“證”具有模棚性、不確定性的特點,主觀性比較強,因此中醫(yī)的診斷方法和治療手段與醫(yī)師的經(jīng)驗水平有很大聯(lián)系。數(shù)年來在實驗研究,臨床觀察,文章整理,經(jīng)驗總結(jié)上,都有著對“證”的研究思想的深入調(diào)查。一部分“辨證”的過程可以用人工神經(jīng)網(wǎng)絡(luò)來替換使用。恰當?shù)闹嗅t(yī)癥狀可以作為基本輸入和適當人工神經(jīng)網(wǎng)絡(luò)模型,人工神經(jīng)網(wǎng)絡(luò)能夠根據(jù)以往的學習“經(jīng)驗”來進行綜合分析,從而提出中醫(yī)診斷方法。

由神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)連接模型、網(wǎng)絡(luò)學習算法等幾個要素組成了人工神經(jīng)網(wǎng)絡(luò)。具有某些智能系統(tǒng)的功能。 按照網(wǎng)絡(luò)結(jié)構(gòu)來劃分,人工神經(jīng)網(wǎng)絡(luò)有很多不同的種類,例如感知器、BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)等,目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)就是其中的BP網(wǎng)絡(luò)。這種前沿網(wǎng)絡(luò)非 BP網(wǎng)絡(luò)所屬,網(wǎng)絡(luò)的結(jié)構(gòu)與權(quán)值能夠表達復雜的非線性 I/0映射關(guān)系。憑借 BP網(wǎng)絡(luò)優(yōu)良的自主學習功能,既可以通過誤差的反向傳播方法,對照已知樣本反復進行訓練,也可以調(diào)整網(wǎng)絡(luò)的權(quán)值,直到網(wǎng)絡(luò)的 I/0關(guān)系在某一塊訓練指標下最接近樣本為止。

3.3 人工智能在臨床醫(yī)療診斷中的應(yīng)用

計算機編寫的程序主要根據(jù)專家系統(tǒng)的設(shè)計原理和方法來模擬醫(yī)生的醫(yī)學診斷,以及通常治療手段的思維過程來進行。醫(yī)療專家系統(tǒng)是臨床醫(yī)療診斷中人工智能的很好體現(xiàn),不僅能夠處理較為復雜的醫(yī)學治療問題,還能當做醫(yī)生診斷疾病的重要工具,更重要的是傳承了專家們的寶貴醫(yī)學治療經(jīng)驗。

3.4 人工智能技術(shù)在醫(yī)學影像診斷中的應(yīng)用

目前,在醫(yī)學影像中存在著的問題,比如:誤診率高、缺口大。這些問題需要通過人工智能的方法來解決。在醫(yī)學影像技術(shù)領(lǐng)域人工智能的應(yīng)用包括主要的兩個方面,分別是:第一個方面為圖像識別,第二個方面為深度學習,其中人工智能應(yīng)用最核心的部分實深度學習。這兩個部分都是基于醫(yī)學影像大數(shù)據(jù)所進行的數(shù)據(jù)上的挖掘和應(yīng)用。這兩個方面所進行的數(shù)據(jù)挖掘及其應(yīng)用都是依據(jù)醫(yī)學影像大數(shù)據(jù)來完成的。

Geoffrey Hinton教授是神經(jīng)網(wǎng)絡(luò)領(lǐng)域的大師,2006年,他與其博士生在《Science》和相關(guān)的期刊上發(fā)表了論文,第一次提出了“深度信念網(wǎng)絡(luò)”的概念。2012年,由斯坦福大學Fei-Fei Li教授舉辦的ImageNet ILSVRC大規(guī)模圖像識別評測任務(wù)是由Hinton教授的研究團隊參加的。這個任務(wù)包括了120萬張高分辨率圖片,1000個類比。Hinton教授團隊使用了全新的黑科技多層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),將圖像識別錯誤率突破性地從26.2%降低到了15.3%。 這個革命性的技術(shù),讓神經(jīng)網(wǎng)絡(luò)深度學習以迅速的速度進入了醫(yī)療和工業(yè)的領(lǐng)域范圍,隨后這一技術(shù)被陸續(xù)出現(xiàn)的醫(yī)療影像公司使用。例如:國際知名的醫(yī)學影像公司Enlitic和國內(nèi)剛剛獲得有峰瑞資本600萬天使輪融資的DeepCare。都是不斷積累大量影像數(shù)據(jù)和診斷數(shù)據(jù),繼續(xù)對神經(jīng)元網(wǎng)絡(luò)進行深度的學習訓練,從而有效的提高了醫(yī)生診斷的準確率。

人工智能不僅能使患者的健康檢查快速進行,包括X光、B超、核磁共振等。另外還能大量減少醫(yī)生的讀片時間,提升了醫(yī)生的工作效率,降低誤診率。

4 總結(jié)

人工智能軟件工作效率遠遠超過了人類大腦,不僅能夠更快速的找到數(shù)據(jù)的模式和相似性,還能有效幫助醫(yī)生和科學家提取重要的信息。隨著人工智能的發(fā)展及其在醫(yī)學領(lǐng)域的逐漸普及和應(yīng)用,兩者的互相融合在未來必定成為醫(yī)學發(fā)展的重要方向。

參考文獻

[1]馮伍,張俊蘭.人工智能在醫(yī)學上的應(yīng)用[J].電子設(shè)計工程,2010(01).

[2]楊琴,陳家榮.人工智能在醫(yī)學領(lǐng)域中的應(yīng)用[J].科技風,2012(12),100-101.

[3]王宇飛,孫欣.人工智能的研究與應(yīng)用[J].信息與電腦,2016(05).

[4]鉛筆道.人工智能與影像診斷相結(jié)合的醫(yī)生界阿爾法狗,2016(03).

篇2

糊理論、遺傳算法等人工智能技術(shù)的含義進行了介紹,并對這些技術(shù)在電力系統(tǒng)中的應(yīng)用和存在問題進行了分析。

關(guān)鍵詞:人工智能、電力系統(tǒng)、應(yīng)用

中圖分類號:TM76 文獻標識碼:A 文章編號:1007-9416(2012)03-0000-00

1、人工智能技術(shù)

人工智能技術(shù)(AI artificial intelligence)是一項將人類知識轉(zhuǎn)化為機器智能的技術(shù)。它研究的是怎樣用機器模仿人腦從事推理、規(guī)劃、設(shè)計、思考和學習等思維活動,解決需要由專家才能處理好的復雜問題。在應(yīng)用方面,以專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等最為普遍[1][2] 。

1.1 專家系統(tǒng)(ES)

專家系統(tǒng)是利用知識和推理來解決專家不能解決的問題。傳統(tǒng)程序需要固定程序和復雜算法,輸入數(shù)據(jù)并得出結(jié)果。專家系統(tǒng)集中大量的符號處理,采用啟發(fā)式方法模擬專家的推理過程,通過推理,利用知識解決問題。它具有邏輯思維和符號處理能力,能修改原來知識,適合于電力系統(tǒng)問題的分析。

1.2 人工神經(jīng)網(wǎng)絡(luò)(ANN)

人工神經(jīng)網(wǎng)絡(luò)是大量處理單元廣泛互聯(lián)而成的網(wǎng)絡(luò),是一種模擬動物神經(jīng)系統(tǒng)的技術(shù)。神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)和自學習的能力,能并行處理分布信息。電力系統(tǒng)應(yīng)用人工神經(jīng)網(wǎng)絡(luò)可以進行實時控制、狀態(tài)評估等。

1.3 遺傳算法(GA)

遺傳算法是一種進化論的數(shù)學模型,借鑒自然遺傳機制的隨機搜索算法。它的主要特征是群體搜索和群體中個體之間的信息交換。該方法適用于處理傳統(tǒng)搜索方法難以解決的非線性問題。

1.4 模糊邏輯(FL)

當輸入是離散的變量,難以建立數(shù)學模型。而模糊邏輯則成功地應(yīng)用在潮流計算、系統(tǒng)規(guī)劃、故障診斷等電力系統(tǒng)問題。

1.5 混合技術(shù)

以上各種智能控制方法各有局限性,有些甚至難以處理電力系統(tǒng)實際問題。因此需要結(jié)合各個算法的優(yōu)勢,采用人工智能混合技術(shù)。其中包括:模糊專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)等技術(shù)。

2、人工智能技術(shù)的在電力自動化的應(yīng)用

2.1在電能質(zhì)量研究中的應(yīng)用

人工智能技術(shù)可以對電壓波動、電壓不平衡、電網(wǎng)諧波等電能質(zhì)量參數(shù)進行在線監(jiān)測和分析。在檢測和識別電能質(zhì)量擾動時能克服傳統(tǒng)方法的缺陷。專家系統(tǒng)隨著經(jīng)驗的積累、擾動類型變化而不斷擴充和修改,便于用戶的掌握[3] 。

此外,專家系統(tǒng)和模糊邏輯可用于培訓變電站工作人員。智能軟件可以模擬故障情形,有利于提高運行人員的操作技能。

2.2 變壓器狀態(tài)監(jiān)測與故障診斷專家系統(tǒng)

變壓器事故原因判斷起來十分復雜。判斷過程中,必須通過內(nèi)外部的檢測等各種方法綜合分析作出判斷。變壓器監(jiān)測和診斷專家系統(tǒng)首先對油中氣體進行分析。異常時,根據(jù)異常程度結(jié)合試驗進行分析,決定變壓器的停運檢查。若經(jīng)分析發(fā)現(xiàn)變壓器已嚴重故障,需立即退出運行,則要結(jié)合電氣試驗手段對變壓器的故障性質(zhì)及部位做出確診。

變壓器監(jiān)測和診斷專家系統(tǒng)通過診斷模塊和推理機制,能診斷出變壓器的故障并提出相應(yīng)對策,提高了變壓器內(nèi)部故障的診斷水平,實現(xiàn)了電力變壓器狀態(tài)檢修和在線監(jiān)測。

2.3 人工智能技術(shù)在低壓電器中的應(yīng)用

低壓電器的設(shè)計以實驗為基礎(chǔ),需要分析靜態(tài)模型和動態(tài)過程。人工智能技術(shù)能進行分段過程的動態(tài)設(shè)計,對變化規(guī)律進行曲線擬合并進行人工神經(jīng)網(wǎng)絡(luò)訓練,建立變化規(guī)律預測模型,降低了開發(fā)成本。

低壓電器需要通過試驗進行性能認證。而低壓電器的壽命很難進行評價。模糊識別方法,從考慮產(chǎn)品性能的角度出發(fā),將動態(tài)測得的反映性能的特性指標作為模糊識別的變量特征值,能夠建立評估電器性能的模糊識別模型[5] 。

2.4 人工智能在電力系統(tǒng)無功優(yōu)化中的應(yīng)用

無功優(yōu)化是保證電力系統(tǒng)安全,提高運行經(jīng)濟性的手段之一。通過無功優(yōu)化,可以使各個性能指標達到最優(yōu)。但是無功優(yōu)化是一個復雜的非線性問題[6] 。

人工智能算法能應(yīng)用于電力系統(tǒng)無功優(yōu)化。如改進的模擬退火算法,在求解高中壓配電網(wǎng)的無功優(yōu)化問題中,采用了記憶指導搜索方法來加快搜索速度。模式法進行局部尋優(yōu)以增加獲得全局最優(yōu)解的可能性,能夠以較大概率獲得全局最優(yōu)解,提高了收斂穩(wěn)定性。禁忌搜索方法尋優(yōu)速度較快,在跳出局部最優(yōu)解方面有較大優(yōu)勢。遺傳算法在解決多變量、非線性、離散性的問題時有極大的優(yōu)勢。要求較少的求解信息的,模型簡單,適用范圍廣。

2.5 人工智能在電力系統(tǒng)繼電保護中應(yīng)用

自適應(yīng)型繼電保護裝置能地適應(yīng)各種變化,改善保護的性能,使之適應(yīng)各種運行方式和故障類型。它能夠有效地處理各種故障信息,獲得可靠的保護。

借助于人工智能技術(shù)不但能夠提取故障信息,還能利用其自學習和自適應(yīng)能力,根據(jù)不同運行工況,自適應(yīng)地調(diào)整保護定值和動作特性。

2.6 人工智能在抑制電力系統(tǒng)低頻振蕩的應(yīng)用

大規(guī)模電網(wǎng)互聯(lián)易產(chǎn)生低頻振蕩,嚴重威脅著電力系統(tǒng)的安全。人工智能為電力系統(tǒng)低頻振蕩的控制提供了技術(shù)支持。神經(jīng)網(wǎng)絡(luò)、模糊理論、GA等人工智能技術(shù)應(yīng)用于FACTS控制器和自適應(yīng)PSS的研究,為抑制電力系統(tǒng)低頻振蕩提供了新的手段。

3、人工智能在電力系統(tǒng)中存在的前景

作為一門交叉學科,人工智能將隨著其他理論的發(fā)展而進入新的發(fā)展階段。應(yīng)用新方法解決問題,或促進各種方法的融合,保持簡單的數(shù)學模型和全局尋優(yōu)情況下,尋求到更少的運算量,提高算法效率,將是未來發(fā)展的趨勢。

隨著電力系統(tǒng)的發(fā)展,電力系統(tǒng)的復雜性不斷增加,不確定因素越來越多。隨著人工智能技術(shù)的不斷發(fā)展和提高,利用人工智能技術(shù)來解決電力系統(tǒng)的問題將會受到越來越多的重視。

4、結(jié)語

隨著我國電力系統(tǒng)的持續(xù)穩(wěn)步發(fā)展,電力系統(tǒng)數(shù)據(jù)量不斷增加,管理上復雜程度大幅度增長,市場競爭的加大,為人工智能技術(shù)在電力系統(tǒng)的應(yīng)用提供了廣闊前景。

但人工智能技術(shù)的基本理論還不成熟,只是停留在仿真和實驗階段。人工智能的開發(fā)是一個長期的過程,需要不斷改進和完善,并在實際應(yīng)用中接受檢驗。

參考文獻:

[1] 馬少平,朱小燕. 人工智能[M].北京:清華大學出版社,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.

關(guān)鍵詞: 人工智能;認知無線電;神經(jīng)網(wǎng)絡(luò)

基金項目:國家重點基礎(chǔ)研究發(fā)展規(guī)劃(“973”計劃)項目(2009CB320403);國家自然科學基金資助項目(60832008,60832006);國家科技重大專項課題(2009ZX03007-004)。

作者簡介:柴新代(1964-),男,北京人,本科,高級工程師,研究方向為通信系統(tǒng)工程;董旭(1979-),男,河北景縣人,博士研究生,講師,研究方向為認知無線電。

1 概述

無線通信技術(shù)的飛速發(fā)展,正在越來越深刻地影響著人們的生活。與此同時,無線通信技術(shù)的發(fā)展也面臨著嚴峻的考驗,一方面頻譜資源的固定分配模式和利用率不均衡制約著無線通信寬帶化的發(fā)展,另一方面多種空中接口和網(wǎng)絡(luò)協(xié)議并存的局面為無線網(wǎng)絡(luò)的融合提出了挑戰(zhàn)。1999年Mitola博士提出的“認知無線電(Cognitive Radio)”[1]為解決無線通信所面臨的問題提供了新的機遇。因此,認知無線電技術(shù)迅速成為業(yè)界研究的熱點。

認知是人類獲取運用知識解決問題的一種抽象,將認知運用到無線電技術(shù),會提高無線電系統(tǒng)的智能性,這也是認知無線電技術(shù)區(qū)別于普通軟件無線電的最大特點。認知無線電技術(shù)通過實時的獲取外部環(huán)境信息,并對這些信息進行分析、學習和判斷,得到無線電知識,然后根據(jù)這些知識智能地調(diào)整各種通信參數(shù),從而最終實現(xiàn)可靠的通信,并達到最佳的頻譜利用效率。人工智能技術(shù)為實現(xiàn)認知無線電的智能性提供了可能,本文將主要圍繞多種人工智能技術(shù)在認知無線電中的應(yīng)用進行論述,下面將首先介紹認知無線電智能化的基礎(chǔ)框架――認知環(huán)路和認知引擎,然后對幾種人工智能技術(shù)在認知無線電中的應(yīng)用進行簡要介紹,最后將詳細介紹神經(jīng)網(wǎng)絡(luò)在人工智能中的應(yīng)用,并通過仿真給出一個具體的示例。

2 相關(guān)工作

2.1 認知環(huán)路 Mitola博士在提出認知無線電概念的同時提出了OOPDAL(觀察-判斷-計劃-決策-行動-學習)認知環(huán)路[1],用以支持其認知無線電架構(gòu)。此外,學術(shù)界還提出了多種認知環(huán)路模型[2,3],比較著名的有軍事戰(zhàn)略家Boyd提出的OODA(觀察-判斷-決策-行動)環(huán)路、IBM為自主計算提出的MAPE(監(jiān)測-分析-計劃-執(zhí)行)環(huán)路、Motorola為自主網(wǎng)絡(luò)提出的FOCALE(基礎(chǔ)-觀察-比較-行動-學習-擦除)環(huán)路等等。OOPDAL環(huán)路具有完整認知功能和清晰的認知過程,是設(shè)計認知無線電最為理想的環(huán)路模型。本文對OOPDAL環(huán)路各環(huán)節(jié)進行了重新定義,豐富了環(huán)路模型的內(nèi)涵與外延,并在原環(huán)路模型基礎(chǔ)上增加“知識庫”,明確表達了知識獲取與運用的過程。

如圖1所示,經(jīng)改進的OOPDAL認知環(huán)路由外環(huán)和內(nèi)環(huán)組成,外環(huán)也稱決策環(huán)。認知無線電首先“感知”無線域、網(wǎng)絡(luò)域、用戶域、政策域中的數(shù)據(jù),并對其建模以明確自身所處態(tài)勢;“判斷”是對數(shù)據(jù)的精煉,也即對感知數(shù)據(jù)進行清理、集成和選擇,提取出其中對決策有貢獻的信息;“計劃”根據(jù)用戶需求與當前環(huán)境生成優(yōu)化目標;“決策”根據(jù)優(yōu)化目標執(zhí)行優(yōu)化;“行動”將決策結(jié)果付諸實施,使內(nèi)部狀態(tài)和外界環(huán)境發(fā)生變化,這些變化又被重新“感知”,進入下一輪循環(huán)。內(nèi)環(huán)又稱學習環(huán),用于從外環(huán)運行的歷史經(jīng)驗中提取知識,并存放入知識庫以指導決策環(huán)運行。

OOPDAL環(huán)路對知識的運用過程充分體現(xiàn)了認知無線電的智能性,其中計劃、學習、決策等環(huán)節(jié)更是智能性得以實現(xiàn)的關(guān)鍵所在,具體的實現(xiàn)方法則需要借助于人工智能技術(shù)。

2.2 認知引擎 認知引擎是實現(xiàn)認知環(huán)路功能的技術(shù)手段。但很多認知引擎的設(shè)計是針對特定方法實現(xiàn)特定任務(wù)的,本文希望設(shè)計一種通用的認知引擎架構(gòu),以適應(yīng)認知無線電所面臨的各種應(yīng)用。通用認知引擎結(jié)構(gòu)由認知核與接口部分組成。認知核提供各種豐富的工具,包括知識表示工具、各種推理機、學習機、優(yōu)化算法庫等,為完成認知循環(huán)的各環(huán)節(jié)功能提供支持。接口部分包括感知器接口與用戶接口。感知器接口收集各種感知數(shù)據(jù),并通過建模系統(tǒng)以機器可理解的方式表示;用戶接口部分允許用戶調(diào)用認知核中各種工具并對其進行流程編排和建模完成專用認知引擎的構(gòu)建。另外,可配置無線網(wǎng)絡(luò)具備動態(tài)可配置波形與協(xié)議,以執(zhí)行認知引擎的決策。

認知核是認知引擎的核心,包括多種人工智能工具,如專家系統(tǒng),案例推理,神經(jīng)網(wǎng)絡(luò),遺傳算法等,每種人工智能的工具不但可以實現(xiàn)相應(yīng)的認知功能,還可通過多種不同工具的編排組合實現(xiàn)認知無線電的各種應(yīng)用,即實現(xiàn)認知引擎的通用性。

3 人工智能技術(shù)概述

如果說認知核是認知引擎的核心,那么人工智能技術(shù)就是認知核的核心。人工智能技術(shù)已有比較成熟的理論體系[4],但將其應(yīng)用到認知無線電還處于探索階段。下面先簡要介紹幾種人工智能技術(shù)在認知無線電中的應(yīng)用。

3.1 專家系統(tǒng) 專家系統(tǒng)在人工智能技術(shù)領(lǐng)域有著非常成功的應(yīng)用[5],并能夠很好的與其他人工智能技術(shù)結(jié)合使用,如遺傳算法,人工神經(jīng)網(wǎng)絡(luò)等。專家系統(tǒng)是運用知識和推理過程來解決只有專家才能解決的復雜問題,也就是說專家系統(tǒng)是一種模擬專家決策能力的計算機系統(tǒng)。專家系統(tǒng)主要包括兩個部分:知識庫和推理機。知識庫用來存儲專家知識,推理機則依據(jù)專家知識對已有事實進行推理和決策。認知無線電可以借助專家系統(tǒng)完成推理決策功能。認知無線電可以通過主動學習或“人在環(huán)中”的方式獲取無線電知識并存儲到知識庫中,然后根據(jù)外部無線環(huán)境和用戶需求的變化,到知識庫中查詢相應(yīng)的先驗知識,并通過推理機進行決策,從而調(diào)整無線電的工作參數(shù)以適應(yīng)環(huán)境和需求的變化。CLIPS是目前比較成熟的專家系統(tǒng)工具,已有學者將基于CLIPS的專家系統(tǒng)應(yīng)用到認知無線電的研究中[6]。

3.2 案例推理 案例推理作為一種人工智能技術(shù)致力于從以往的經(jīng)歷或者案例當中得到新問題的解決方案?;诎咐南到y(tǒng)通過在案例庫查找與需要解決的問題相似度最大的案例來找到問題的解決的方法,并將找到的案例與當前的場景進行匹配,這種匹配實際上就是一種最優(yōu)化的過程。而最初找到的案例是為了節(jié)省優(yōu)化的時間,通過優(yōu)化的新的解決方案,將被作為新的案例存儲到案例庫中。認知無線電可以根據(jù)無線環(huán)境的變化調(diào)整工作參數(shù),不同的環(huán)境和工作參數(shù)可以作為案例存儲到案例庫中[7]。當環(huán)境發(fā)生變化,認知無線電可以在案例庫中查找與當前環(huán)境最為相似的一個案例,然后用該案例與當前環(huán)境進行匹配,優(yōu)化工作的參數(shù),并把當前環(huán)境和優(yōu)化的參數(shù)作為新的案例存儲到案例庫中。Soar作為一種人工智能系統(tǒng)的開發(fā)工具,可以實現(xiàn)案例推理功能,并可以基于案例進行學習,國內(nèi)已有學者基于Soar和GUN Radio軟件無線電平臺開發(fā)出認知無線電原型系統(tǒng)。

3.3 遺傳算法 遺傳算法借鑒生物進化和遺傳的生物學原理,可用于解決目標優(yōu)化問題,即找到一組參數(shù)(基因)使得目標函數(shù)最大化。其基本原理是根據(jù)求解問題的目標構(gòu)造適值函數(shù),使初始種群通過雜交和變異不斷選擇好的適值進行繁殖,并最終得到最優(yōu)解。遺傳算法同樣可以作為認知無線電的決策方法[6,8]:可以把無線電類比為一個生物系統(tǒng),將無線電的特征定義為一個染色體,染色體的每個基因?qū)?yīng)無線電一個可變的參量,比如發(fā)射功率、頻率、帶寬、糾錯編碼方法、調(diào)制算法和幀結(jié)構(gòu)等等,這樣就可以通過遺傳算法的進化來得到滿足用戶需求和適應(yīng)環(huán)境變化的系統(tǒng)配置參數(shù)。

4 神經(jīng)網(wǎng)絡(luò)在認知無線電中的應(yīng)用

對于人工神經(jīng)網(wǎng)絡(luò)的研究源于對人類大腦思維過程的模擬,在很多領(lǐng)域,神經(jīng)網(wǎng)絡(luò)已經(jīng)有了廣泛的應(yīng)用。下面將詳細介紹神經(jīng)網(wǎng)絡(luò)在認知無線電中的應(yīng)用。

4.1 神經(jīng)網(wǎng)絡(luò)簡介 1943年神經(jīng)物理學家W.McCulloch和邏輯學家W.Pits在對人腦的研究中提出了人工神經(jīng)網(wǎng)絡(luò)。目前人工神經(jīng)網(wǎng)絡(luò)作為一種人工智能技術(shù)主要基于統(tǒng)計評估、優(yōu)化和控制理論。人工神經(jīng)網(wǎng)絡(luò)由用以模擬生物神經(jīng)元的大量相連的人工神經(jīng)元組成,主要用于解決人工智能領(lǐng)域的一些復雜問題,比如機器學習。根據(jù)網(wǎng)絡(luò)結(jié)果和訓練方法的不同,人工神經(jīng)網(wǎng)絡(luò)可以分為多種類型,以適應(yīng)多種的應(yīng)用需求[7]。多層線性感知器網(wǎng)絡(luò)(MLPN):MLPN由多層神經(jīng)元構(gòu)成,每一個神經(jīng)元都是上一層神經(jīng)元輸出的線性組合。一般這種線性組合的權(quán)值在訓練前是隨機生成的,并且可以隨著訓練不斷的更新。更新的方法有多種,如后向傳播(BP)、遺傳算法等。其訓練方法的性能將由其網(wǎng)絡(luò)規(guī)模和應(yīng)用場景決定。非線性感知器網(wǎng)絡(luò)(NPN):NPN是利用對每個神經(jīng)元的輸入平方或兩兩相乘的方法將非線性引入神經(jīng)網(wǎng)絡(luò)使其可以對動態(tài)變化的訓練數(shù)據(jù)進行更好的擬合。但NPN的網(wǎng)絡(luò)結(jié)構(gòu)需要根據(jù)訓練數(shù)據(jù)進行調(diào)整,另外如果采用BP方法進行訓練會使網(wǎng)絡(luò)收斂緩慢而導致處理時間過長。徑向基函數(shù)網(wǎng)絡(luò)(RBFN):RBFN和NPN類似,不同的只是其非線性的引入是在隱含層利用徑向基函數(shù)實現(xiàn)非線性映射,這可以防止網(wǎng)絡(luò)收斂到局部最小值。

4.2 應(yīng)用舉例 由于神經(jīng)網(wǎng)絡(luò)可以動態(tài)的自適應(yīng)和實時的訓練,因此可以對系統(tǒng)的各種模式、參數(shù)、屬性等進行“學習”,并“記住”這些事實,當系統(tǒng)有了新的輸入和輸出時,可以進行實時的訓練來記憶新的事實。這正符合了認知無線電認知功能的需求,因此神經(jīng)網(wǎng)絡(luò)在認知無線電中有著廣泛的應(yīng)用前景。下面就列舉一些神經(jīng)網(wǎng)絡(luò)在認知無線電中的應(yīng)用[9-12]。神經(jīng)網(wǎng)絡(luò)可以用于認知無線電的頻譜感知,例如利用基于神經(jīng)網(wǎng)絡(luò)的分類器可以根據(jù)信號的循環(huán)平穩(wěn)特性或者頻譜特性等對信號進行分類。神經(jīng)網(wǎng)絡(luò)還可用于無線電參數(shù)的自適應(yīng)決策和調(diào)整,神經(jīng)網(wǎng)絡(luò)可以根據(jù)當前信道質(zhì)量和用戶需求等所確定的優(yōu)化目標選擇無線電參數(shù)。另外神經(jīng)網(wǎng)絡(luò)還可以對無線電系統(tǒng)的各種性能進行預測,神經(jīng)網(wǎng)絡(luò)可以記憶不同無線環(huán)境不同無線參數(shù)所達到的系統(tǒng)性能,比如誤碼率、吞吐量、時延等等,從而對未來可能產(chǎn)生的系統(tǒng)性能進行預測,進而對各種無線參數(shù)進行優(yōu)化。

5 仿真及分析

由于無線環(huán)境的開放性,無線系統(tǒng)大都是非線性系統(tǒng),因此神經(jīng)網(wǎng)絡(luò)用于認知無線電也應(yīng)采用非線性模型。非線性感知器網(wǎng)絡(luò)(NPN)可以完成認知無線電的學習功能,從而對各種系統(tǒng)性能進行預測,下面就通過一個具體例子來仿真基于NPN的誤碼率性能預測。

5.1 仿真模型 NPN由三層節(jié)點構(gòu)成:輸入層、隱含層和輸出層。隱含層通常只有一層神經(jīng)元,本文在此基礎(chǔ)上擴展了隱含層的層數(shù),從而擴大了神經(jīng)網(wǎng)絡(luò)的規(guī)模,使其具有更好的學習效果。具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,每個節(jié)點都與下一層的所有節(jié)點唯一相連,除了輸入層節(jié)點,其他各層節(jié)點稱為神經(jīng)元,具有一個非線性的激活函數(shù),以實現(xiàn)對非線性系統(tǒng)的擬合。本文將采用最為常用的非線性激活函數(shù)――S函數(shù),即:f

神經(jīng)網(wǎng)絡(luò)的訓練將采用BP方法,具體算法如下:

③根據(jù)RMS誤差決定是否調(diào)整權(quán)值,直到RMS誤差或者迭代次數(shù)達到停止要求。

5.2 仿真場景 仿真場景的設(shè)置將根據(jù)上面提出通用認知引擎架構(gòu)進行編排。首先認知引擎要收集各種數(shù)據(jù)。WiMax可以根據(jù)信道質(zhì)量調(diào)整其調(diào)制編碼模式等無線電參數(shù),因此將作為通用認知引擎架構(gòu)中的可重配置的無線電平臺將系統(tǒng)的誤碼率性能實時上報給認知引擎;信噪比作為無線環(huán)境的表征可通過感知器進行收集;編碼速率作為用戶對業(yè)務(wù)的需求可通過用戶接口上報給認知引擎。然后認知引擎內(nèi)基于NPN的學習機就可以對這些數(shù)據(jù)進行訓練了,訓練的方法如上節(jié)所述。最后訓練好的神經(jīng)網(wǎng)絡(luò)就可以根據(jù)無線環(huán)境和用戶需求對系統(tǒng)的誤碼率進行實時的預測,從而調(diào)整認知無線電的各種操作參數(shù)。

5.3 仿真結(jié)果及分析 由于對神經(jīng)網(wǎng)絡(luò)模型的隱含層進行了擴展,首先驗證一下改進的模型性能是否有所提升。仿真結(jié)果如圖3所示,分別仿真了具有2層、3層和4層神經(jīng)元的NPN的收斂性能。其中2層模型是沒有經(jīng)過改進的,其收斂速度最快,但RMS誤差較三層模型差;3層模型雖然收斂速度稍慢,但收斂的RMS誤差最低;4層模型的網(wǎng)絡(luò)規(guī)模最大,因此收斂速度最慢,但其RMS誤差收斂的并不是最低,這是由于神經(jīng)網(wǎng)絡(luò)的規(guī)模應(yīng)該與訓練數(shù)據(jù)的規(guī)模相適應(yīng),過大的網(wǎng)絡(luò)規(guī)模反而不會得到很好的收斂性能。折中考慮,在后續(xù)誤碼率預測仿真中,將采用3層神經(jīng)元模型的NPN對數(shù)據(jù)進行訓練。

如圖4所示,利用3層神經(jīng)元模型分別對WiMax場景下的64QAM、16QAM、QPSK和BPSK的誤碼率性能進行了預測。從預測結(jié)果和實際的仿真結(jié)果的比較可以顯示,隨著調(diào)制模式的升高,預測的性能將越來越好。

6 結(jié)束語

本文主要介紹了人工智能技術(shù)在認知無線電中的應(yīng)用,并通過人工神經(jīng)網(wǎng)絡(luò)進行舉例,從仿真的結(jié)果可以看出神經(jīng)網(wǎng)絡(luò)在認知無線電中應(yīng)用的可能性。人工智能技術(shù)在認知無線電領(lǐng)域的應(yīng)用還有著廣闊的研究前景,應(yīng)該積極探索更多的人工智能技術(shù)在認知無線電中應(yīng)用。但也并非所有的人工智能技術(shù)都適用于認知無線電的開發(fā)和應(yīng)用,應(yīng)在研究中有所選擇把握方向。不同的應(yīng)用場景也對人工智能技術(shù)提出了不同的需求,找到適用于相應(yīng)場景的人工智能技術(shù)也很重要。未來的工作應(yīng)更多的考慮一些實際的應(yīng)用,讓無線通信系統(tǒng)可以真正的像人一樣思考。

參考文獻:

[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

關(guān)鍵詞:自主導航;人工智能;模糊神經(jīng)網(wǎng)絡(luò);避障;BP神經(jīng)網(wǎng)絡(luò)

中圖分類號:TP79文獻標識碼:A文章編號:1005-3824(2014)03-0083-03

0引言

2013年12月14日21時11分,嫦娥三號探測器在月球表面預選著陸區(qū)域成功著陸,裝著紅外成像光譜儀、避障相機、機械臂和激光點陣器等設(shè)備的月球車“玉兔”驅(qū)動著6個輪子在月球表面留下了歷史的痕跡。這標志著我國已成為世界上第3個實現(xiàn)地外天體軟著陸的國家,也展現(xiàn)出了智能控制系統(tǒng)[1]在航天事業(yè)上的卓越應(yīng)用。在如今的社會生活中,隨處體現(xiàn)著智能技術(shù)的存在,人們已經(jīng)離不開智能技術(shù),智能機器人的發(fā)展也飛速前進,從兒童的玩具機器人到太空探索的機器人,可以預見智能機器人的應(yīng)用將更加廣泛。近年來,非線性動態(tài)系統(tǒng)的自適應(yīng)控制在我國引起了廣泛的研究,模糊神經(jīng)網(wǎng)絡(luò)控制是一個重要的自適應(yīng)方法,因此得到了很多專家學者的青睞。

模糊邏輯控制在宏觀上模仿人的思維,處理語言和思維中的模糊性概念,它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的一種計算機數(shù)字控制技術(shù);神經(jīng)網(wǎng)絡(luò)是從微觀上模仿人的智能行為,進行分布式并行信息處理算法的數(shù)學模型,它是根據(jù)人腦的生理結(jié)構(gòu)和信息處理過程創(chuàng)造的[2]。模糊控制與神經(jīng)網(wǎng)絡(luò)各自都有一定的應(yīng)用局限,因此,人們早在20世紀80―90年代就把它們相結(jié)合,組成更為完善的控制方法。模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合有多種方式,根據(jù)研究角度和應(yīng)用領(lǐng)域的變化而不同。1模糊控制與神經(jīng)網(wǎng)絡(luò)的介紹

1.1模糊邏輯控制系統(tǒng)

模糊邏輯控制系統(tǒng)主要包含輸入變量、模糊控制器、被控對象和偏差。模糊邏輯控制系統(tǒng)結(jié)構(gòu)如圖1所示。

知識庫:是模糊控制器的核心。由數(shù)據(jù)庫和規(guī)則庫組成,數(shù)據(jù)庫中存著有關(guān)模糊化、模糊推理、解模糊的一切知識,規(guī)則庫是由若干模糊規(guī)則組成的。

模糊推理機:根據(jù)模糊邏輯法則把邏輯規(guī)則庫中的模糊“if-then”轉(zhuǎn)換成某種映射。

反模糊化:反模糊化的方法一般有最大隸屬度平均法、最大中點法、面積等分法、重心法和加權(quán)平均法等。

模糊控制的優(yōu)點:可以在預先不知道被控對象的精確數(shù)學模型;規(guī)則一般是由有經(jīng)驗的操作人員或者專家的經(jīng)驗總結(jié)出來并且以條件語句表示的,便于學習和理解;控制是由人的語言形式表示,有利于人機對話和系統(tǒng)知識的處理等。不足之處:精度不夠高;自適應(yīng)能力有限;模糊規(guī)則庫非常龐大,難以進行更改優(yōu)化[3]。

1.2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能的運算模型,由大量的節(jié)點,即神經(jīng)元及相互之間連接構(gòu)成的,它是人工方式構(gòu)造的一種網(wǎng)絡(luò)系統(tǒng)。神經(jīng)元結(jié)構(gòu)模型如圖3所示。

傳遞函數(shù)f又稱轉(zhuǎn)移函數(shù)或激活函數(shù),是單調(diào)上升的有界函數(shù),常用的轉(zhuǎn)移函數(shù)有線性函數(shù)、斜坡函數(shù)、階躍函數(shù)及單雙極S型函數(shù)等。但是最常用的還是單極S型函數(shù):

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式也有幾種,例如,全互連型結(jié)構(gòu)、層次型結(jié)構(gòu)和網(wǎng)孔型結(jié)構(gòu)等[4]。前饋型網(wǎng)絡(luò)是一類單方向?qū)哟涡途W(wǎng)絡(luò)模塊,其最基本的單層神經(jīng)元網(wǎng)絡(luò)如圖4所示。

圖4單層神經(jīng)元網(wǎng)絡(luò)3層BP神經(jīng)網(wǎng)絡(luò)是比較常用的結(jié)構(gòu),圖5是它的基本結(jié)構(gòu)。

圖5BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)至少有3層,圖5中,第Ⅰ層是輸入層,第Ⅱ?qū)訛殡[藏層,第Ⅲ層為輸出層。由于3層的BP神經(jīng)網(wǎng)絡(luò)就具有了模糊系統(tǒng)中萬能逼近的能力[5],為了不使系統(tǒng)變得更復雜,本文就只用了3層的BP神經(jīng)網(wǎng)絡(luò),當然,也可以根據(jù)自身的實際應(yīng)用情況增加隱層的層數(shù),但并不是層數(shù)越多,精度就越高,相對的系統(tǒng)的反應(yīng)時間就會增加,時延也會增長。

神經(jīng)網(wǎng)絡(luò)的優(yōu)點:能夠通過學習和訓練獲取用數(shù)據(jù)表達的知識,不僅可以記憶一直獲得的信息,還具有較強的概括及聯(lián)想記憶能力,它的應(yīng)用已經(jīng)延伸到各個領(lǐng)域,在各方面取得很好的進展等。不足之處:缺乏統(tǒng)一的方法處理非線性系統(tǒng);網(wǎng)絡(luò)的權(quán)值是隨機選取的;學習的時間長;無法利用系統(tǒng)信息和專家經(jīng)驗等語言信息;難以理解建立的模型等[6]。

所以,綜合以上模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)各自的優(yōu)缺點,就提出了一種它們的結(jié)合方法,即模糊神經(jīng)網(wǎng)絡(luò)控制方法。

2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)合方式

模糊神經(jīng)網(wǎng)絡(luò)大致分為3種形式:邏輯模糊神經(jīng)網(wǎng)絡(luò)、算術(shù)模糊神經(jīng)網(wǎng)絡(luò)和混合模糊神經(jīng)網(wǎng)絡(luò)。

在這3種形式的系統(tǒng)中,模糊神經(jīng)混合系統(tǒng)是根據(jù)模糊控制系統(tǒng)和神經(jīng)網(wǎng)絡(luò)各自不同的功能、用途集成在一個系統(tǒng)里面的[7]。在這類系統(tǒng)中,我們可以將神經(jīng)網(wǎng)絡(luò)用于輸入信號處理,模糊邏輯系統(tǒng)用于行為決策[8](如圖6),或者把模糊邏輯系統(tǒng)作為輸入信號處理,神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為輸出行為決策,再或者是將神經(jīng)網(wǎng)絡(luò)去代替模糊控制器的一部分,還可以將基于神經(jīng)元網(wǎng)絡(luò)的模糊系統(tǒng)或者神經(jīng)元網(wǎng)絡(luò)用在模糊神經(jīng)混合系統(tǒng)中。

在本文的應(yīng)用中,使用的是輪式智能小車,它一共安裝了3個超聲波傳感器、3個紅外傳感器和1個角度傳感器,紅外傳感器除了應(yīng)用在小車循跡外,還用來增加控制系統(tǒng)測量的精確性和彌補超聲波測距的盲區(qū)。例如,在某一路或者幾路超聲波受到了外界的干擾時,紅外線就可以測量出系統(tǒng)所需要的數(shù)量值。超聲波與紅外線用來測量小車到左、前、右障礙物的距離Ll,Lf,Lr;模糊神經(jīng)系統(tǒng)中控制器的輸入包括: Ll,Lf,Lr,小車與障礙物的夾角tg;輸出為小車的轉(zhuǎn)角sa和小車的加速度va。將Ll,Lf,Lr的模糊變量設(shè)為{near ,far},論域為(0―2 m);tg的模糊變量為{LB,LM,ZO,RM,RB}表示{左大,左小,零,右小,右大},論域為(-1800,1800);距離和夾角的隸屬度函數(shù)如圖7和圖8所示。輸出變量的隸屬度函數(shù)在這里就不再贅述了。

在系統(tǒng)解模糊化時,是將一個模糊量轉(zhuǎn)換成確定量,常用的解模糊化的方法有最大隸屬度函數(shù)法、重心法、加權(quán)平均法。在本文中用的是重心法。

智能小車避障的控制系統(tǒng)如圖9所示。

篇5

關(guān)鍵詞:人工智能;應(yīng)用;識別

中圖分類號:TU855

人工智能及其識別技術(shù)在不斷地發(fā)展,在很多領(lǐng)域,各種技術(shù)的發(fā)展越來越離不開人工智能。在機器人中的應(yīng)用,在語音識別技術(shù)領(lǐng)域的應(yīng)用、在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用等都取得了一定的進步。但是在發(fā)展的過程中由于發(fā)展的限制,人工智能及其識別技術(shù)也進入了發(fā)展瓶頸期,如何突破瓶頸將是此技術(shù)進一步發(fā)展的重要內(nèi)容。

1 人工智能及識別技術(shù)的概念提出

人工智能技術(shù)是研究人類智能和通過計算機技術(shù)使某些設(shè)備或儀器具有人的智能行為的科學通過利用計算機模擬人的思維、語言、記憶、推理、感知、學習等智能能力,以及延伸人的感覺和大腦功能。綜上這些模擬都反映人工智能及其識別技術(shù)最重要的思想和內(nèi)容,也就是說人工智能及其識別技術(shù)學科是用來研究人類智能活動的規(guī)律的學科。

1.1 計算機技術(shù)的普及

隨著計算機技術(shù)的普及以及大眾對計算機進行商務(wù)、學習、工作等的需求的增長,計算機已經(jīng)成為人們工作和學習不可缺少的高科技產(chǎn)品之一?,F(xiàn)在,計算機已經(jīng)進入實用階段,越來越多的人掌握了計算機知識,同時也希望掌握計算機技術(shù)以減少工作量,而人工智能及識別技術(shù)就是其應(yīng)用的最重要的方面。

1.2 自動化辦公的需求

眾所周知,信息技術(shù)的發(fā)展推動了社會信息化的進程。尤其是人工智能的發(fā)展,使得傳統(tǒng)辦公方式發(fā)生了改變。具體而言,這種轉(zhuǎn)變包括在辦公操作技能方面和辦公系統(tǒng)方面的改革。

日本人工智能專家指出,凡是能夠清楚地設(shè)定其指標的業(yè)務(wù)屬于工場型的事務(wù),將來應(yīng)有辦公室機器人來處理。這樣,人的精力將只能用于創(chuàng)造性的智能工作,辦公自動化將對智能型業(yè)務(wù)提供強有力的支持,辦公室將真正成為智力活動的場所。

2 人工智能及識別技術(shù)的應(yīng)用領(lǐng)域研究

60年代以來,隨著計算機技術(shù)的發(fā)展,許多技術(shù)新方法和技術(shù)進入工程化產(chǎn)品化階段,顯著促進了工業(yè)技術(shù)的進步。人工智能及識別技術(shù)也得到了巨大的發(fā)展,其中以在機器人中的應(yīng)用、在語音識別技術(shù)領(lǐng)域的應(yīng)用以及在視覺識別技術(shù)領(lǐng)域的應(yīng)用顯得尤為突出。

2.1 在機器人中的應(yīng)用

20世紀70年代,機器人技術(shù)發(fā)展越來越多地受到關(guān)注并逐漸發(fā)展成為一個專門的學科。智能機器人已經(jīng)在各個領(lǐng)域得到了實際應(yīng)用,并已經(jīng)取得了巨大的效益。例如:現(xiàn)在很多外科醫(yī)生在顯微外科手術(shù)中使用機器人助手。

人工智能及識別技術(shù)在機器人中的應(yīng)用變得越來越流行,同時也帶動了相關(guān)行業(yè)在智能識別方面的發(fā)展。智能機器人的應(yīng)用一方面可以縮減企業(yè)以及國家的相關(guān)開支,另一方面也加大了應(yīng)用的風險。因此,人工智能及其識別技術(shù)在機器人中的應(yīng)用還不是很成熟。國家應(yīng)該加大對智能機器人技術(shù)的支持力度,進一步開發(fā)人工智能技術(shù)。

2.2 在語音識別技術(shù)領(lǐng)域的應(yīng)用

語音識別技術(shù)的根本任務(wù)就是來解決能夠使機器聽懂得人類語言,其作為人工智能研究的主要方向和人機語音交互的關(guān)鍵技術(shù),語音識別技術(shù)一直都受到各國人工智能領(lǐng)域的廣泛關(guān)注。同時,以語音識別技術(shù)開發(fā)出的產(chǎn)品應(yīng)用領(lǐng)域非常廣泛,顯示出了極大的優(yōu)勢,如聲控電話交換、語音通信系統(tǒng)等,其應(yīng)用幾乎深入到社會的每個方面和每個行業(yè)。

隨著人工智能電子產(chǎn)品的普及,進入21世紀,嵌入式語音處理及其識別技術(shù)也得到了迅猛地發(fā)展,基于語音識別芯片業(yè)越來越多。但是如何更好地將芯片結(jié)合人工智能技術(shù)來發(fā)展語音識別技術(shù)是本世紀最重要的內(nèi)容。

2.3 在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)也稱作神經(jīng)網(wǎng)絡(luò),是指有大量的簡單處理單元經(jīng)廣泛并行互連形成的一種網(wǎng)絡(luò)系統(tǒng)。它是對人腦系統(tǒng)的簡單化、抽象和模擬,具有人腦功能的許多基本特征。其工作機理是指通過模仿人腦神經(jīng)系統(tǒng)的組織構(gòu)造及其工作機理從而從研究人腦工作機理中得到啟發(fā),試圖利用人工神經(jīng)網(wǎng)絡(luò)來處理大量的單元,比如,人工神經(jīng)元、處理元件、電子元件。

在人工神經(jīng)網(wǎng)絡(luò)中,信息的處理是通過神經(jīng)元之間的相互作用和反應(yīng)來實現(xiàn)的,相關(guān)的知識與信息的存儲與讀取表現(xiàn)為各個網(wǎng)絡(luò)元件之間其分布式的物理聯(lián)系,網(wǎng)絡(luò)的學習和識別取決于和神經(jīng)元連接權(quán)值的動態(tài)演化過程。人工神經(jīng)網(wǎng)絡(luò)的存在有其弊端,也許永遠也無法代替人腦,但是他能幫助人類擴展對外部世界的認識和智能控制。

3 人工智能及識別技術(shù)陷入瓶頸期

人工智能學科自從誕生至今就致力于研究解釋和模擬人類智能行為及其規(guī)律,人工智能在其領(lǐng)域已經(jīng)邁出了較大的一步,并且在某些領(lǐng)域已取得了相當大的進展。但是從人工智能發(fā)展的整個過程來看,其發(fā)展也是一波三折,而且在很多領(lǐng)域還面臨著不少的難題,主要表現(xiàn)在以下幾個方面:

3.1 人工智能研究方法不足

由于人工智能學科發(fā)展的局限性,許多專家和學者對人腦結(jié)構(gòu)和工作模式的認識還不夠全面、不夠深入。由此決定了現(xiàn)階段科學界無法對神經(jīng)網(wǎng)絡(luò)模型作出對人腦作出真正地模擬,人腦是人類長期勞動實踐的產(chǎn)物,其中包含了人類很多思考的過程,僅僅依靠在簡單的電子器件以及線路的組合是完全不可能實現(xiàn)模擬的。

3.2 人工智能機器翻譯存在困難

目前,機器翻譯使我們很多人所喜愛的,但是其所面臨的主要問題仍然是如何通過單詞來構(gòu)造句子以及單詞存在歧義性的問題。歧義問題一直是所有語言理解和運用中的一大難關(guān),想要消除歧義就必須對原文的每一個句子及其上下文進行透徹地分析理解,但是由于機器非人腦,它不能像人腦一樣獨立地進行思考以尋找導致歧義的詞和詞組在原文中的準確意義,而是孤立地將句子作為一個單位來理解,因此造成的失誤使得人工智能翻譯缺乏應(yīng)有的理解力。

3.3 人工智能模式識別存在困惑

人工智能識別的應(yīng)用非常廣泛,比較典型的有文字識別、前面提到的語音識別以及指紋識別等。雖然人工智能模式識別的研究與開發(fā)已取得巨大的成果,但是還存在這本質(zhì)的缺陷,人工智能及其識別技術(shù)的理論和方法與人的感官識別機制是完全不同的。因此人腦的識別手段、形象思維能力,是任何最先進的計算機識別系統(tǒng)望塵莫及的。

4 結(jié)束語

人工智能及其識別技術(shù)始終處于計算機應(yīng)用這門學科的最前沿,它的誕生與發(fā)展是21世紀最偉大的科學成就之一。其研究的理論和成果在很大程度上決定著計算機技術(shù)未來的發(fā)展方向?,F(xiàn)如今,已經(jīng)有許多人工智能的研究成果已經(jīng)被廣泛地應(yīng)用于人們的日常生活、工業(yè)生產(chǎn)、國防建設(shè)等各個領(lǐng)域。在信息網(wǎng)絡(luò)和經(jīng)濟迅速發(fā)展的時代,人工智能技術(shù)的發(fā)展也必越來越受到關(guān)注,必將推動科技和產(chǎn)業(yè)的進一步發(fā)展,從而會給人們的工作、生活和教育等帶來長遠得深刻的影響。

參考文獻:

[1]蔡自興.人工智能基礎(chǔ)[M].北京:高等教育出版社,2005.

[2]胡勤.人工智能概述[J].電腦知識與技術(shù),2010(13):3507-3509.

[3]鄒蕾,張先鋒.人工智能及其發(fā)展應(yīng)用[J].信息網(wǎng)絡(luò)安全,2012(02).

篇6

關(guān)鍵詞:人工智能技術(shù) 在智能建筑應(yīng)用

中圖分類號:TU74 文獻標識碼:A 文章編號:

前言

智能建筑由具備樓宇設(shè)備自動化系統(tǒng)(BAS)、通信自動化系統(tǒng)(CAS)、辦公自動化(OAS)系統(tǒng)發(fā)展到系統(tǒng)智能集成,隨著智能建筑的發(fā)展,智能建筑對各種先進自動化系統(tǒng)、通訊手段和高質(zhì)量管理、服務(wù)的需求也越來越高。

一、智能建筑的發(fā)展及存在問題

經(jīng)過十幾年的迅猛發(fā)展,智能建筑已經(jīng)由具備樓宇設(shè)備自動化系統(tǒng)(BAS)、通信自動化系統(tǒng)(CAS)、辦公自動化(OAS)系統(tǒng)發(fā)展到系統(tǒng)智能集成。隨著智能建筑的發(fā)展,智能建筑對各種先進自動化系統(tǒng)、通訊手段和高質(zhì)量管理、服務(wù)的需求也越來越高。但是目前智能建筑的發(fā)展也正處于一個重要的十字路口。

1目前建筑智能化系統(tǒng)還夾雜著許多泡沫, 即使目前比較成熟的樓宇自動化系統(tǒng)(BAS)還只能稱之為具有順序邏輯判斷能力的自動控制系統(tǒng),無法進行思維邏輯判斷或自學習,一旦工作環(huán)境或工作參數(shù)發(fā)生變化,將必須人工重新調(diào)整或編寫控制程序,系統(tǒng)維護復雜、檢修不便,離智能還相去甚遠。

2 由于技術(shù)與市場等各種原因, 目前許多智能建筑的各個子系統(tǒng)的還是分立運行,形成了一些相互脫節(jié)的獨立系統(tǒng),無法實現(xiàn)大廈的綜合優(yōu)化控制。各個系統(tǒng)之間不僅硬件設(shè)備大量重復冗余,而且往往各系統(tǒng)都沒有提供相互通信與控制的接口,操作和管理人員需要熟悉和掌握各個不同系統(tǒng)及對象的技術(shù),造成系統(tǒng)建設(shè)、技術(shù)培訓及維修費用的增高和系統(tǒng)效率低下。

因此,只有采用統(tǒng)一的模塊化硬件和軟件結(jié)構(gòu)并引入人工智能技術(shù),才能使各子系統(tǒng)成為一個整體,提高控制和管理系統(tǒng)的容錯性和可靠性,并具有智能成份,這是智能建筑所追求的目標。

人工智能技術(shù)在智能建筑中的應(yīng)用研究

二、人工智能新發(fā)展對智能建筑的影響

進入新世紀以來,知識庫專家系統(tǒng)和知識工程成為人工智能領(lǐng)域最有實踐意義的成果,已開始大量商品化。

1專家系統(tǒng)是一種基于知識的系統(tǒng), 其實質(zhì)是使系統(tǒng)的構(gòu)造和運行,都基于控制對象和控制規(guī)律的各種專家知識。 這種人工智能的計算機程序系統(tǒng),具有相當于某個專門領(lǐng)域的專家的知識和經(jīng)驗水平,以及解決專門問題的能力,或者說專家系統(tǒng)是指相當于(領(lǐng)域)專家處理知識和解決問題能力的計算機智能軟件系統(tǒng)。 根據(jù)一個或多個專家提供的特殊領(lǐng)域知識、經(jīng)驗進行推理的判斷,模擬專家決策的過程來解決那些需要專家決定的復雜問題。

這樣一來, 就可以引入基于控制專家的專業(yè)知識和實踐經(jīng)驗的專家控制系統(tǒng)。 采用知識表達技術(shù),建立知識模型和知識庫,利用知識推理,制訂控制決策。為智能建筑的樓宇設(shè)備自動化系統(tǒng)(BAS)( 包括強電設(shè)備控制自動化(EA)、安全防范自動化(SA)、消防自動化(FA)等) 提供最優(yōu)控制、決策支持等。 專家控制系統(tǒng)的設(shè)計,改變了過去傳統(tǒng)的控制系統(tǒng)設(shè)計中單純依靠數(shù)學模型的局面,使知識模型與數(shù)學模型相結(jié)合,知識信息處理技術(shù)與控制技術(shù)相結(jié)合。另一方面,專家系統(tǒng)也可以應(yīng)用于智能建筑的物業(yè)管理與服務(wù)之中,通過設(shè)置用戶管理知識庫和數(shù)據(jù)庫,對人員出入、自動繳費、業(yè)務(wù)咨詢等管理與服務(wù)提供智能支持。

2人工神經(jīng)網(wǎng)絡(luò)在建筑系統(tǒng)建模、學習控制、優(yōu)化等方面取得了成功。已應(yīng)用于語音識別、模式識別、最優(yōu)計算、信息智能處理、復雜控制、圖像處理等領(lǐng)域。隨著智能建筑功能的不斷增強,在現(xiàn)代智能建筑物內(nèi)安裝的電氣設(shè)備愈來愈多,設(shè)備能耗也越來越大。要管理好一幢現(xiàn)代化大廈,使安裝的成千上萬臺的設(shè)備能可靠、安全、協(xié)調(diào)、經(jīng)濟地運行,這就對建筑設(shè)備自動控制水平、控制設(shè)備功能、 快速響應(yīng)的能力和運行管理水平提出了更高的要求。而具有學習與自適應(yīng)能力的人工神經(jīng)網(wǎng)絡(luò)在控制方面所能提供的監(jiān)督與非監(jiān)督訓練( 前者包括訓練輸出輸入集合和神經(jīng)元加權(quán)系數(shù)的調(diào)節(jié),后者包括分類與自組織) 為這些復雜控制提供了可能。 這樣一來,智能建筑中的設(shè)備控制器就能以不同的原理進行操作。 可以學習建筑物的特性,得出簡單精確的建筑物模型,可以自動調(diào)節(jié)其參數(shù),適應(yīng)建筑物特征參數(shù)或不同的建筑。 因此可將其用于建筑智能化設(shè)備的實時信號檢測、控制、保護(如故障診斷)、調(diào)節(jié),從而研制具有自學習、自適應(yīng)、自組織功能的新概念的智能建筑設(shè)備自動化控制系統(tǒng)。

3智能建筑控制需要精確建筑仿真模型和精確、靈敏、具有適應(yīng)性的系統(tǒng)。 由于傳統(tǒng)模式的復雜性,控制器不能在建筑仿真模型中在線運行。 而新的神經(jīng)網(wǎng)絡(luò)學習模型采用動態(tài)學習方法建模, 降低了模型的復雜性以及對計算資源與硬件的要求,控制硬件費用降低,可以采用硬件方式實現(xiàn)。新的神經(jīng)網(wǎng)絡(luò)學習已經(jīng)在微型芯片上實現(xiàn), 即所謂的神經(jīng)網(wǎng)絡(luò)芯片。 因此,這種模式很可能在不久的將來適合于小規(guī)模的智能建筑和民用建筑。 同時,智能建筑需要學習模式的出現(xiàn)改變了傳統(tǒng)模式響應(yīng)速度與精度, 對計算機設(shè)備要求更加簡單。 建筑學習模式的開發(fā)將帶來低成本建筑智能控制的革命。

盡管目前的建筑神經(jīng)網(wǎng)絡(luò)模型存在實時性等技術(shù)問題, 但隨著計算機速度的提高與神經(jīng)網(wǎng)絡(luò)實時算法的改進, 建筑神經(jīng)網(wǎng)絡(luò)控制將更加完善。 神經(jīng)網(wǎng)絡(luò)學習控制將采用大規(guī)模集成電路而不是計算機芯片形式實現(xiàn),也不僅限于建筑能量控制與管理,還可以完成建筑物監(jiān)控、保安、照明、娛樂等任務(wù)。 相信在不遠的將來, 基于芯片的簡單裝置將取代今天的微處理器,使大量建筑物真正擁有智能成為可能。 較低的造價可以使智能設(shè)備進入普通市民家庭。

4隨著數(shù)據(jù)庫技術(shù)、網(wǎng)絡(luò)技術(shù)以及計算機運算能力的快速發(fā)展,基于數(shù)據(jù)庫的控制已成為可能,特別是隨著分布式數(shù)據(jù)庫和數(shù)據(jù)倉庫技術(shù)的日益成熟, 在建筑智能化系統(tǒng)集成時引入智能決策系統(tǒng),可使智能建筑真正實現(xiàn)智能化。

智能決策支持系統(tǒng)是近年來計算機技術(shù)、人工智能技術(shù)和管理科學相結(jié)合的一種新的管理信息技術(shù)。 它是以管理科學、運籌學、控制論行為科學為基礎(chǔ),以計算機技術(shù)、信息技術(shù)為手段,面對半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策問題,幫助中、高層決策者進行決策活動,為決策者提供決策所需要的數(shù)據(jù)、信息和資料,幫助決策者明確決策目標和對問題的認識,建立和修改決策模型,提供各種備選方案,并對各種方案進行優(yōu)化、分析、比較和判斷,幫助決策者提高決策能力、決策水平、決策質(zhì)量和決策效益,以達到取得最大經(jīng)濟效益和社會效益。

5建筑智能系統(tǒng)集成是滿足建筑物的現(xiàn)代化管理的需要而出現(xiàn)的。 建筑智能化是從自動控制向信息管理發(fā)展的產(chǎn)物。 通過系統(tǒng)集成采用統(tǒng)一的模塊化硬件和軟件結(jié)構(gòu),就能使管理人員方便地掌握操作技術(shù)和維修管理技術(shù), 這是所有獨立子系統(tǒng)都無法做到的。因而,從綠色建筑和可持續(xù)發(fā)展的角度,把控制和管理相結(jié)合,擴大建筑物管理的范圍,擴展智能化系統(tǒng)的內(nèi)容和內(nèi)涵,是建筑智能化的發(fā)展方向。

因而建筑智能系統(tǒng)集成的一個核心內(nèi)容就是應(yīng)用智能決策支持系統(tǒng)的技術(shù)設(shè)置“智能建筑管理系統(tǒng)(IBMS)” ,以提高整個建筑物的監(jiān)控管理效率, 提高建筑物投資的產(chǎn)出投入比。

結(jié)束語

近年來,人工智能技術(shù)出現(xiàn)了新的發(fā)展,專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、決策支持系統(tǒng)和多Agent 技術(shù)的應(yīng)用給智能建筑的發(fā)展注入了活力,在智能建筑的控制子系統(tǒng),如BAS 系統(tǒng)中引入專家系統(tǒng),在終端電器,在智能樓宇控制中引入多Agent 技術(shù),就可以大大降低建筑智能化系統(tǒng)的運行、維護成本,實現(xiàn)總體最優(yōu)控制和節(jié)能,并將為人類創(chuàng)造更美好的工作、生活環(huán)境帶來質(zhì)的飛躍。

參考文獻

[1] 王永忠.人工智能技術(shù)在智能建筑中的應(yīng)用研究[J]. 科技信息. 2009(03)

[2] 吳選忠,倪子偉.人工智能新技術(shù)在智能建筑中的應(yīng)用研究[J]. 福建建設(shè)科技. 2005(02)

篇7

[關(guān)鍵詞] 機器學習 遺傳算法 人工神經(jīng)網(wǎng)絡(luò) 支持向量機

當前人工智能研究的主要障礙和發(fā)展方向之一就是機器學習。包括學習的計算理論和構(gòu)造學習系統(tǒng)。機器學習與計算機科學、心理學、認知科學等都有著密切的聯(lián)系,涉獵的面比較廣,有許多理論及技術(shù)上的問題尚處于研究之中。

一、什么是機器學習

機器學習就是要使計算機能模擬人的學習行為,自動地通過學習獲取知識和技能,重新組織已有的知識結(jié)構(gòu),不斷改善自身的性能,實現(xiàn)自我完善。即機器學習研究的就是如何使機器通過識別和利用現(xiàn)有知識來獲取新知識和新技能。它是人工智能的核心,是使計算機具有智能的根本途徑。該門科學起源于心理學、生理學、生物學、醫(yī)學等科學,研究發(fā)展過程中涉及到數(shù)學、物理學、計算機科學等領(lǐng)域。機器學習主要圍繞學習機理、學習方法、面向任務(wù)這三個方面進行研究,其應(yīng)用幾乎遍及自然科學的各個領(lǐng)域。其中最多的是模式識別、通訊、控制、信號處理等方面。

二、機器學習系統(tǒng)

學習是建立理論、形成假設(shè)和進行歸納推理的過程。為使計算機系統(tǒng)具有某種程度的學習能力,使它能夠通過學習獲取新知識,以改善性能,提高智能水平,需要建立相應(yīng)的學習系統(tǒng)。學習系統(tǒng)一般由環(huán)境、學習環(huán)節(jié)、知識庫、執(zhí)行與評價組成,整個過程包括信息的存儲、知識的處理兩大部分。機器學習系統(tǒng)模型如圖1所示。

圖1 機器學習模型

框架圖中的箭頭表示知識的流向;環(huán)境是指外部信息源;學習環(huán)節(jié)是指系統(tǒng)通過對環(huán)境的搜索獲取外部信息,然后經(jīng)過分析、綜合、類比、歸納等思維過程獲得知識并將獲得知識存入知識庫;知識庫用于存儲由學習得到的知識,在存儲時要進行適當?shù)慕M織,使它既便于應(yīng)用又便于維護;執(zhí)行部分用于處理系統(tǒng)面臨的現(xiàn)實問題,即應(yīng)用學習到的知識求解問題。另外從執(zhí)行到學習必須有反饋信息,學習將根據(jù)反饋信息決定是否要進一步從環(huán)境中搜索信息進行學習,以修改、完善知識庫中的知識。這是機器學習系統(tǒng)的一個重要特征。機器學習系統(tǒng)是對現(xiàn)有知識的擴展和改進。

三、機器學習的主要策略

學習是一項復雜的智能活動,學習過程與推理過程緊密相連。按照學習中使用的推理的多少,機器學習所采用的策略主要可分為機械學習、通過傳授學習、類比學習和通過實例學習等。學習中所用的推理越多,系統(tǒng)的能力越強。本文主要介紹以下三種機器學習方法,即遺傳算法、人工神經(jīng)網(wǎng)絡(luò)模型及支持向量機。

1、遺傳算法

遺傳算法是一類借鑒生物界的進化規(guī)律(適者生存,優(yōu)勝劣汰遺傳機制)演化而來的隨機化搜索方法。其主要特點是直接對結(jié)構(gòu)對象進行操作,不存在求導和函數(shù)連續(xù)性的限定;具有隱并行性和更好的全局尋優(yōu)能力;采用概率化的尋優(yōu)方法,能自動獲取和指導優(yōu)化的搜索空間,自適應(yīng)的調(diào)整搜索方向,不需要確定的規(guī)則。

由于遺傳算法的整體搜索策略和優(yōu)化搜索方法,在計算時是不依賴于梯度信息和其他輔助信息,而只需要影響搜索方向的目標函數(shù)和相應(yīng)的適應(yīng)度函數(shù),所以遺傳算法提供了一種求解復雜問題的通用框架,它不依賴于問題的具體領(lǐng)域,對問題的種類有很強的魯棒性,所以廣泛應(yīng)用于自動控制、計算科學、工程設(shè)計、智能故障診斷、管理科學和社會科學等領(lǐng)域,適用于解決復雜的非線性和多維空間尋優(yōu)問題。

2、人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)基本模型是在現(xiàn)代神經(jīng)科學的基礎(chǔ)上提出和發(fā)展起來的,旨在反映人腦結(jié)構(gòu)及功能的一種抽象數(shù)學模型(見圖3)。

圖3 神經(jīng)網(wǎng)絡(luò)基本模型

一個人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元節(jié)點經(jīng)廣泛互連而組成的復雜網(wǎng)絡(luò)拓撲,用于人類進行知識和信息表示、存儲和計算行為。神經(jīng)元模型如圖4所示。

每一個細胞處于兩種狀態(tài)。突觸聯(lián)接有強度。多輸入單輸出。實質(zhì)上傳播的是脈沖信號,信號的強弱與脈沖頻率成正比。

在神經(jīng)網(wǎng)絡(luò)中,大量神經(jīng)元的互連結(jié)構(gòu)及各連接權(quán)值的分布就表示了學習所得到的特定要領(lǐng)和知識。在網(wǎng)絡(luò)的使用過程中,對于特定的輸入模式,神經(jīng)網(wǎng)絡(luò)通過向前計算,產(chǎn)生一個輸出模式,并得到節(jié)點代表的邏輯概念, 通過對輸出信號的比較與分析可以得到特定解。神經(jīng)元之間具有一定的冗余性,并且允許輸入模式偏離學習樣本,因此神經(jīng)網(wǎng)絡(luò)的計算行為具有良好的并行分布、容錯和抗噪能力。

神經(jīng)網(wǎng)絡(luò)模型包括前饋型網(wǎng)絡(luò)、反饋型網(wǎng)絡(luò)、自組織競爭人工神經(jīng)網(wǎng)絡(luò)等。

圖4神經(jīng)元模型

(1)前饋型網(wǎng)絡(luò)(BP)

前饋型網(wǎng)絡(luò),最初稱之為感知器(包括單層感知器和多層感知器),是應(yīng)用最廣泛的一種人工神經(jīng)網(wǎng)絡(luò)模型。前饋網(wǎng)絡(luò)結(jié)構(gòu)是分層的,信息只能從下一層單元傳遞到相應(yīng)的上一層單元,上層單元與下層所有單元相聯(lián)接。轉(zhuǎn)移函數(shù)可以是線性閾值的。多層感知器也被稱為BP網(wǎng)絡(luò)。多層感知器的輸入輸出關(guān)系與單層感知器完全相同。前一層的輸出是下一層的輸入。

(2)反饋型網(wǎng)絡(luò)(Hopfield)

反饋型網(wǎng)絡(luò),它是一種動態(tài)反饋系統(tǒng),所有計算單元之間都有聯(lián)接。比前饋網(wǎng)絡(luò)具有更強的計算能力。

(3)自組織競爭人工神經(jīng)網(wǎng)絡(luò)

在實際的神經(jīng)網(wǎng)絡(luò)中,存在一種側(cè)抑制的現(xiàn)象。即一個細胞興奮后,通過它的分支會對周圍其他神經(jīng)細胞產(chǎn)生抑制。這種側(cè)抑制在脊髓和海馬中存在,在人眼的視網(wǎng)膜中也存在。

自組織映射模型是由Kohonen提出來的。模型是以實際神經(jīng)細胞中的一種特征敏感的細胞為模型的。各個細胞分別對各種輸入敏感,可以代表各種輸入,反映各種輸入樣本的特征。如果在二維空間上描述這些細胞,則,功能相近的細胞聚在一起,靠得比較近。功能不同的離得比較遠。開始是無序的,當輸入樣本出現(xiàn)后各個細胞反映不同,強者依照“勝者為王”的原則,加強自己的同時對周圍細胞進行壓抑。使其對該種樣本更加敏感,也同時對其他種類的樣本更加不敏感。此過程的反復過程中,各種不同輸入樣本將會分別映射到不同的細胞上。

人工神經(jīng)網(wǎng)絡(luò)以其具有自學習、自組織、較好的容錯性和優(yōu)良的非線性逼近能力,受到眾多領(lǐng)域?qū)W者的關(guān)注。在實際應(yīng)用中,80%~90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型(簡稱BP網(wǎng)絡(luò)),目前主要應(yīng)用于函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘。 但不適合高精度計算;學習問題沒有根本解決,慢;目前沒有完整的設(shè)計方法,經(jīng)驗參數(shù)太多。

3、支持向量機(SVM)

支持向量機是一種基于統(tǒng)計的學習方法,它是對結(jié)構(gòu)風險最小化歸納原則的近似。它的理論基礎(chǔ)是Vapnik創(chuàng)建的統(tǒng)計學習理論。

SVM就是首先通過用內(nèi)積函數(shù)K(xi,xj)定義的非線性變換將輸入空間變換到一個高維空間,在這個空間中求(廣義)最優(yōu)分類面。SVM分類函數(shù)形式上類似于一個神經(jīng)網(wǎng)絡(luò),輸出是中間節(jié)點的線性組合,每個中間節(jié)點對應(yīng)一個支持向量。

由于統(tǒng)計學習理論和支持向量建立了一套較好的有限樣本下機器學習的理論框架和通用方法,既有嚴格的理論基礎(chǔ),又能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題,因此成為20世紀90年代末發(fā)展最快的研究方向之一,其核心思想就是學習機器要與有限的訓練本相適應(yīng)。

學習是人類智能的主要標志和獲得智慧的基本手段,機器學習的研究就是希望計算機能像人類那樣具有從現(xiàn)實世界獲取知識的能力,同時進一步發(fā)現(xiàn)人類學習的機理和揭示人腦的奧秘。機器學習涉及到連接理論、認知理論、行為科學、神經(jīng)科學等多門科學。因此,對于機器學習的研究,只有采用計算機科學、控制論、人工智能、認知科學、神經(jīng)科學、心理學等多學科交叉的方法,才可望取得機器學習研究的更大進展。

機器學習是一個十分活躍、充滿生命力的研究領(lǐng)域,同時也是一個比較困難、爭議頗多的研究領(lǐng)域,雖然取得了一些令人矚目的成就,但還存在許多尚未解決的問題。目前人工智能研究的主要障礙和發(fā)展方向之一就是機器學習,因此,機器學習有著廣闊的研究前景。

參考文獻:

[1] 張景繪,動力學系統(tǒng)建模[M].北京:國防工業(yè)出版社,2000.

[2] 楊義勇等,機械系統(tǒng)動力學[M].北京:清華大學出版社,2009.

篇8

關(guān)鍵詞:人工智能 機器 學習 情感識別

中圖分類號:TP18 文獻標識碼:A 文章編號:1674-098X(2016)06(a)-0077-02

人工智能是一門涵蓋多學科知識,而又被當今社會廣泛應(yīng)用于多領(lǐng)域,給人帶來便捷、高效的同時,又讓業(yè)界為其擔心的交叉學科知識的綜合產(chǎn)物。隨著各種智能機器人開始服務(wù)于各大領(lǐng)域,有超強力量的機械手臂,高效解決問題的專家系統(tǒng),公眾日??山佑|到的可穿戴智能設(shè)備,從智能手機到各類功能的3D打印技術(shù),從谷歌眼鏡到全息投影,各類機器設(shè)備如雨后春筍不斷涌出。

1 人工智能的發(fā)展

“人工智能”簡稱AI,是集心理認知,機器學習,情感識別,人機交互以及數(shù)據(jù)保存、決策等于一身的多學科技術(shù)。其最早被提出是由McCarthy在20世紀中葉的達特茅斯會議上,這也成為人工智能正式誕生的標志。在人工智能經(jīng)歷兩個低谷后的最近一個階段,從1993年開始,人工智能其實取得了一些里程碑似的成果。比如在1997年,國際象棋冠軍卡斯帕羅夫被深藍戰(zhàn)勝;英國皇家學會舉行的“2014圖靈測試”中“尤金?古斯特曼”第一次“通過”圖靈測試,而這一天恰為計算機科學之父阿蘭?圖靈(Alan Turing)逝世60周年紀念日。2015年以來,“人工智能”開始成為諸多業(yè)界人士關(guān)注的焦點之一。2016年3月AlphaGo在首爾以4∶1戰(zhàn)勝圍棋世界冠軍李世石,繼而引發(fā)了人工智能將如何改變?nèi)祟惿鐣乃伎肌?/p>

2 從AlphaGo看人工智能的“情感機制”與人類的關(guān)系

機器學習算法的本質(zhì)是選擇一個萬能函數(shù)建立預測模型[1]。首先用戶輸入大量訓練樣本數(shù)據(jù),機器對模型進行訓練,選擇可以使預測的模型達到最優(yōu)的參數(shù)集,從而使模型能夠更好地擬合訓練樣本數(shù)據(jù)的空間分布[2]。谷歌公司在訓練AlphaGo時,收集了20萬職業(yè)圍棋高手的對局,在經(jīng)過不同版本AlphaGo之間的自我對弈,生成了3 000多萬個對局,包含了人類圍棋領(lǐng)域所積累的所有豐富和全面的知識與經(jīng)驗。相比IBM“深藍”戰(zhàn)勝國際象棋卡斯帕羅夫,其依靠了強大的運算能力取得了勝利,AlphaGo的最大進步是從“計算加記憶”進化到“擬合加記憶”法則[2]。智能設(shè)備具有了海量數(shù)據(jù)存儲和高速的計算本領(lǐng),人機交互(human-computer interaction)系統(tǒng)研發(fā)過程遇到的瓶頸仍是識別和表達情感方面。

情感在人際交往中扮演著重要的角色,情緒的識別主要是識別人類傳遞情緒的信號。既可以通過語言直接傳遞,也可以通過語調(diào)、面目表情、姿勢等進行表達。機器具有智能,“情感”是十分重要的一環(huán)。這要求機器具有對認知的解釋與建構(gòu),而認知的關(guān)鍵問題則是自主和情感意識。

對人工智能的威脅霍金總結(jié)說:“人工智能在短時間內(nèi)發(fā)展取決于應(yīng)用它的人,長遠來看到底其能否被控制是我們需要關(guān)注的內(nèi)容。”針對人類對于“人工智能終將超越人類”的擔憂可以概括為以下兩點:(1)蠹生于木,而反食于木。恰如部分美國科幻片中所展現(xiàn)的場景,人類創(chuàng)造的機器因被賦予人類情感智力而脫離人類控制。(2)機器因其具有人類交互的情感且很少產(chǎn)生人工失誤而逐漸取代人類的勞動,致使人類無用武之地而待業(yè)失業(yè)。從技術(shù)飛速發(fā)展過程來看,智能設(shè)備的應(yīng)用往往只是其在某一功能極大化的使用,如,專家系統(tǒng)其解決的只是某一領(lǐng)域內(nèi)復雜問題解決方案的決策提供;虛擬現(xiàn)實技術(shù)是生活場景的實體化展現(xiàn),以方便用戶更好地體驗現(xiàn)實場景;服務(wù)領(lǐng)域的機器人,提供的只是某一行業(yè)的服務(wù),恰如汽車提供的只是快速的代步工具而不能與人交流一樣,智能機器只是發(fā)揮其某一單方面的優(yōu)勢,從而更好地輔助人類完成特定的工作。在未來社會,那些簡單重復性的勞動將被機器所取代;此外,還有一些通過大量數(shù)據(jù)進行判別決策類的輸出,從而更好地為人類提供建議;同時對社會生活中重大、復雜工業(yè)系統(tǒng)中的故障處理,這些存在危險的領(lǐng)域中有智能設(shè)備的存在其實質(zhì)是對人類安全及人類價值的禮遇;而對于那些與人交流密切的服務(wù)領(lǐng)域內(nèi),則更需要人與人的溝通,才能更好地服務(wù)于人。這些機器的存在解放了人的身體,進而可以使人類投入更多精力在科研領(lǐng)域。而人工智能與人類之間的關(guān)系,可以用“共存”一詞進行概括,即按勞分配,取長補短[2]。

3 機器學習理論

目前最受社會關(guān)注的智能算法,當屬日本學者福島教授基于Hubel Wiese的視覺認知模型提出的卷積神經(jīng)網(wǎng)絡(luò)模型(Convolution Neural Network,CNN),是一種深度監(jiān)督學習下的機器學習模型。深度學習的概念來源于人工神經(jīng)網(wǎng)絡(luò),常見的深度學習算法包括:受限波爾茲曼機(Restricted Boltzmann Machine,RBN),Deep Belief Networks(DBN),卷積網(wǎng)絡(luò)(Convolutional Network),堆棧式自動編碼器(Stacked Auto-encoders)。該算法的提出是為解決起初基于1943年,美國心理學家W.S.McCulloch和數(shù)學家W.A.Pitts生物神經(jīng)元計算模型(M-P)[2]的早期人工神經(jīng)網(wǎng)絡(luò)中,網(wǎng)絡(luò)層超過4層后,用傳統(tǒng)反向傳遞算法訓練而無法收斂的問題而提出。含多隱層的多層感知器就是一種深度學習結(jié)構(gòu)。深度學習通過組合低層特征形成高層屬性類別或特征,從而發(fā)現(xiàn)數(shù)據(jù)的分布特征。重要的人工神經(jīng)網(wǎng)絡(luò)算法包括:感知器神經(jīng)網(wǎng)絡(luò)(Perceptron Neural Network),反向傳遞(Back Propagation),Hopfield網(wǎng)絡(luò),自組織映射(Self-Organizing Map,SOM),學習矢量量化(Learning Vector Quantization,LVQ)。

簡單介紹一下神經(jīng)網(wǎng)絡(luò):

對應(yīng)公式為,通過不同權(quán)重的多輸入,得到輸出,該單元也被稱為邏輯回歸模型。當多個單元相互關(guān)聯(lián),并進行分層后即形成了神經(jīng)網(wǎng)絡(luò)模型。

4 人工智能的未來

當前,人才輩出的社會促進技術(shù)手段的不斷創(chuàng)新,大數(shù)據(jù),物聯(lián)網(wǎng),虛擬現(xiàn)實、云計算等技術(shù)發(fā)展與機器人人工智能領(lǐng)域不斷融合發(fā)展,這無疑將推動產(chǎn)業(yè)方式發(fā)生改變。

而針對人工智能,李開復老師針對機器越發(fā)智能化而帶給人類的危機表示:人工智能的真實危機在于未來機器將養(yǎng)活無所事事的人。這也在激勵著人類,機器的智能,在代替人類部分勞動后,需要我們潛心于高科技的發(fā)展,進而不被社會所淘汰。斯特羅斯說“人工智能之于人類,最需要擔心的是其自發(fā)意識。無人機并不能殺人,指導無人機的坐標并投射地獄火導彈的人才能殺人?!边@一說法表明其認為人類已經(jīng)生活在后人工智能世界了,但人們還沒有意識到人工智能都是我們的人。這足以表明,人工智能產(chǎn)品的設(shè)計,一方面是為人類帶來了更加綠色,智能,方便的生活方式,而另一方面其法律規(guī)范意識,以及人才價值觀及道德的培養(yǎng)更值得社會關(guān)注。

參考文獻

[1] 于玲,吳鐵軍.LS-Ensem:一種用于回歸的集成算法[J].計算機學報,2006(5):719-726.

篇9

【關(guān)鍵詞】機械;智能診斷;設(shè)備故障

近幾年來,為了適應(yīng)更加高要求的運作,機械設(shè)備的功能變得非常強大,與此同時,其結(jié)構(gòu)也更加的復雜。機械的不同部分之間聯(lián)系更加緊密,只要一個部分出現(xiàn)問題,整個機器都將停止運作,甚至會發(fā)生破壞性更大的連鎖反應(yīng)。而使用常規(guī)的診斷方法需要較長的時間,甚至都無處下手或造成人員傷亡。所以現(xiàn)在人們都在追求人工智能診斷方法,利用軟件和計算機技術(shù),將診斷的過程系統(tǒng)化,從而達到診斷的快速性和準確性。本文就根據(jù)目前已有的一些人工智能方法簡要做些分析,并探討智能診斷方法的發(fā)展前景。

1.主要智能診斷方法

1.1人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)法是根據(jù)生物神經(jīng)學方面的研究成果而提出的一個人工智能方面的概念,其主要含義是對人腦中神經(jīng)結(jié)構(gòu)和行為進行類似模擬[1]。因為該法是高度并行的,所以在對故障的處理中速度極快,并且能夠根據(jù)環(huán)境自動辨識,以線性的方法處理問題。

其基本原理為機發(fā)生故障的機器通過震動發(fā)出不同狀態(tài)的信號,然后該信號被神經(jīng)網(wǎng)絡(luò)識別,通過對應(yīng)特征的選擇以及公式模型的套用,找出對于故障中反映最強烈最敏感的信號,然后將其作為一個輸入向量,在神經(jīng)網(wǎng)絡(luò)中建立故障模式樣本,對網(wǎng)絡(luò)進行長期訓練,排除其中影響準確性的因素;在確定訓練結(jié)束后,將每一個重新輸入的信息進行分類整理,網(wǎng)絡(luò)會根據(jù)所輸入的信息迅速判斷,并給出分類的結(jié)果,最后進行自我診斷。

人工神經(jīng)網(wǎng)絡(luò)法的主要優(yōu)點在于其具有自動學習、聯(lián)想、記憶和推測的功能;該方法是分布處理的,同時有并行處理復雜問題的強大功能;其非線性的映射很強,可以處理多故障的問題;其有能夠進行多種因素預報的能力且其預測準確度非常高。

人工神經(jīng)網(wǎng)絡(luò)法的主要缺點為:算法相當復雜,需要預測的模型有一部分是無法用公式表達出來的;在訓練的過程中需要樣本數(shù)量較大,并且當樣本不足時,診斷的效果會大打折扣;應(yīng)用之前所需訓練的時間過長。

1.2專家系統(tǒng)診斷法

當機械系統(tǒng)比較難以用數(shù)學模型來建立或者沒有較為精確的數(shù)學模型時,我們可以使用專家系統(tǒng)診斷法。該種診斷的方法主要有三個不同的階段,從第一代中基于淺知識的智能診斷到第二代中基于深知識的專家診斷,以及最近的將二者結(jié)合起來的復合式故障診斷系統(tǒng)[2]。

1.2.1基于淺知識

淺知識主要是指經(jīng)驗知識,不是系統(tǒng)結(jié)構(gòu)或者在行為過程中產(chǎn)生的知識。該種診斷法以專家的經(jīng)驗知識為基礎(chǔ),在演繹推理后得出診斷的最終結(jié)果,為故障原因得出一個最佳的解釋?;跍\知識的專家診斷系統(tǒng)主要運用到兩類知識,其一為機械設(shè)備故障導致各種征兆的因果知識;其二為能夠反映因果關(guān)系的可能性數(shù)值知識。主要的缺點就是診斷對象數(shù)量以及復雜性逐漸增多時,基于淺知識的故障智能專家系統(tǒng)會出現(xiàn)知識不太完備以及依賴性太強。

1.2.2基于深知識

深知識主要是指一些模型的知識包括機械系統(tǒng)中存在的結(jié)構(gòu)、功能、過程或者是因果關(guān)系的模型。該種方法主要通過診斷對實際輸出和預計輸出之間的偏差值用第一定律知識以及一定的算法過程找出潛在的故障源。該種方法獲取數(shù)據(jù)較為方便,且形成的知識庫會比較一致和完備;但是該法所需搜索的空間過大,且推理的過程不是非常簡便和快速。

1.2.3復合式

復合式的診斷專家系統(tǒng)就是將淺知識和深知識兩者有效的結(jié)合起來。前一部分運用淺知識診斷法,推理出產(chǎn)生故障的可能原因和位置,其后再運用深知識診斷系統(tǒng)去做進一步的確認和解釋。兩種方法之間的銜接我們采用一種相互照應(yīng)的方式,將淺知識中的假設(shè)對象和深知識中推理點一一對應(yīng)起來。所以該種方法將故障的解決過程更加優(yōu)化,也使得解決的方法更加快速和方便。它適合人類的思維,且修改較為方便;但是其缺點在于建立知識庫比較麻煩,缺少主動學習的能力。

1.3遠程分布式智能診斷法

遠程分布式法主要是將故障的診斷和目前的網(wǎng)絡(luò)即時通訊結(jié)合在一起[3]。主要有兩種診斷系統(tǒng)運行的方式,其一為實時監(jiān)控的診斷,另一種為電子信函的會診。第一種就是將機械故障的實際情況通過視頻等通訊工具傳給并不在現(xiàn)場的專家們,讓他們根據(jù)自己的經(jīng)驗將采集到的信號進行相關(guān)專業(yè)的處理,并通過通訊工具和其他專家進行相互的交流與探討,形成一種網(wǎng)絡(luò)狀態(tài)下的會議形式,共同研究出一個最優(yōu)的處理方案。其主要缺點在于,信號的采集可能會有些偏差,并且要協(xié)調(diào)好各位專家同時在線的時間也是比較麻煩的。第二種就是通過現(xiàn)場檢測人員將數(shù)據(jù)進行采集與整理,然后把所有的相關(guān)數(shù)據(jù)全部以信函的方式傳給有關(guān)專家,當專家做好分析之后,再用電子信函的方式傳回給現(xiàn)場,現(xiàn)場進行下一步的處理。這一種方法把系統(tǒng)中的資源與實際專家的經(jīng)驗有效的利用起來,為設(shè)備的故障處理與維護提供了方便有效的遠程服務(wù),對生產(chǎn)系統(tǒng)的可靠性有了極大的保證。

2.智能診斷方法前景分析

由于目前設(shè)備故障診斷的技術(shù)已經(jīng)和非線性原理、傳感技術(shù)、信號處理技術(shù)相融合,智能診斷的方法正在不斷的完善和科技化。其發(fā)展的趨勢大概如下[4]:多種知識以及各種方法相結(jié)合;相關(guān)原理知識與實際的經(jīng)驗知識更加緊密融合;診斷系統(tǒng)的能力越來越接近人類專家;專家系統(tǒng)診斷法會與神經(jīng)網(wǎng)絡(luò)診斷法在診斷過程中融合;大量的虛擬技術(shù)將會得到重用;數(shù)據(jù)庫的技術(shù)和人工智能技術(shù)會相互結(jié)合……

總之,智能診斷機械設(shè)備故障的趨勢就是將各種不同的智能技術(shù)進行有效的結(jié)合起來,形成一種功能強大的混合診斷系統(tǒng)。但是在智能化處理的趨勢下,仍然有一些問題是需要我們迫切去解決和研究的,所以在以后,我們要不斷的新的技術(shù),前沿的學科方法運用到機械故障解決中去,用新的思維和新的方法從實際的應(yīng)用提出新的問題,并加以解決和完善,將智能話診斷機械設(shè)備提升到理論方法一致的高度之上。

【參考文獻】

[1]王宇杰,龐兵.機械故障智能診斷方法研究[J].黑龍江科技信息,2011,6(6):42.

[2]楊光.機械設(shè)備故障的智能診斷及預測維修系統(tǒng)的研究[J].科學之友,2011,2(20):41-42.

篇10

一、規(guī)模

按規(guī)模大小FMS可分為如下4類:

1.柔性制造單元(FMC)

FMC的問世并在生產(chǎn)中使用約比FMS晚6~8年,它是由1~2臺加工中心、工業(yè)機器人、數(shù)控機床及物料運送存貯設(shè)備構(gòu)成,具有適應(yīng)加工多品種產(chǎn)品的靈活性。FMC可視為一個規(guī)模最小的FMS,是FMS向廉價化及小型化方向發(fā)展和一種產(chǎn)物,其特點是實現(xiàn)單機柔性化及自動化,迄今已進入普及應(yīng)用階段。

2.柔性制造系統(tǒng)(FMS)

通常包括4臺或更多臺全自動數(shù)控機床(加工中心與車削中心等),由集中的控制系統(tǒng)及物料搬運系統(tǒng)連接起來,可在不停機的情況下實現(xiàn)多品種、中小批量的加工及管理。

3.柔性制造線(FML)

它是處于單一或少品種大批量非柔性自動線與中小批量多品種FMS之間的生產(chǎn)線。其加工設(shè)備可以是通用的加工中心、CNC機床;亦可采用專用機床或NC專用機床,對物料搬運系統(tǒng)柔性的要求低于FMS,但生產(chǎn)率更高。它是以離散型生產(chǎn)中的柔性制造系統(tǒng)和連續(xù)生產(chǎn)過程中的分散型控制系統(tǒng)(DCS)為代表,其特點是實現(xiàn)生產(chǎn)線柔性化及自動化,其技術(shù)已日臻成熟,迄今已進入實用化階段。

4.柔性制造工廠(FMF)

FMF是將多條FMS連接起來,配以自動化立體倉庫,用計算機系統(tǒng)進行聯(lián)系,采用從訂貨、設(shè)計、加工、裝配、檢驗、運送至發(fā)貨的完整FMS。它包括了CAD/CAM,并使計算機集成制造系統(tǒng)(CIMS)投入實際,實現(xiàn)生產(chǎn)系統(tǒng)柔性化及自動化,進而實現(xiàn)全廠范圍的生產(chǎn)管理、產(chǎn)品加工及物料貯運進程的全盤化。FMF是自動化生產(chǎn)的最高水平,反映出世界上最先進的自動化應(yīng)用技術(shù)。它是將制造、產(chǎn)品開發(fā)及經(jīng)營管理的自動化連成一個整體,以信息流控制物質(zhì)流的智能制造系統(tǒng)(IMS)為代表,其特點是實現(xiàn)工廠柔性化及自動化。

二、關(guān)鍵技術(shù)

1.計算機輔助設(shè)計

未來CAD技術(shù)發(fā)展將會引入專家系統(tǒng),使之具有智能化,可處理各種復雜的問題。當前設(shè)計技術(shù)最新的一個突破是光敏立體成形技術(shù),該項新技術(shù)是直接利用CAD數(shù)據(jù),通過計算機控制的激光掃描系統(tǒng),將三維數(shù)字模型分成若干層二維片狀圖形,并按二維片狀圖形對池內(nèi)的光敏樹脂液面進行光學掃描,被掃描到的液面則變成固化塑料,如此循環(huán)操作,逐層掃描成形,并自動地將分層成形的各片狀固化塑料粘合在一起,僅需確定數(shù)據(jù),數(shù)小時內(nèi)便可制出精確的原型。它有助于加快開發(fā)新產(chǎn)品和研制新結(jié)構(gòu)的速度。

2.模糊控制技術(shù)

模糊數(shù)學的實際應(yīng)用是模糊控制器。最近開發(fā)出的高性能模糊控制器具有自學習功能,可在控制過程中不斷獲取新的信息并自動地對控制量作調(diào)整,使系統(tǒng)性能大為改善,其中尤其以基于人工神經(jīng)網(wǎng)絡(luò)的自學方法更引起人們極大的關(guān)注。3.人工智能、專家系統(tǒng)及智能傳感器技術(shù)

迄今,F(xiàn)MS中所采用的人工智能大多指基于規(guī)則的專家系統(tǒng)。專家系統(tǒng)利用專家知識和推理規(guī)則進行推理,求解各類問題(如解釋、預測、診斷、查找故障、設(shè)計、計劃、監(jiān)視、修復、命令及控制等)。由于專家系統(tǒng)能簡便地將各種事實及經(jīng)驗證過的理論與通過經(jīng)驗獲得的知識相結(jié)合,因而專家系統(tǒng)為FMS的諸方面工作增強了柔性。展望未來,以知識密集為特征,以知識處理為手段的人工智能(包括專家系統(tǒng))技術(shù)必將在FMS(尤其智能型)中起著關(guān)鍵性的作用。人工智能在未來FMS中將發(fā)揮日趨重要的作用。目前用于FMS中的各種技術(shù),預計最有發(fā)展前途的仍是人工智能。預計到21世紀初,人工智能在FMS中的應(yīng)用規(guī)模將要比目前大4倍。智能制造技術(shù)(IMT)旨在將人工智能融入制造過程的各個環(huán)節(jié),借助模擬專家的智能活動,取代或延伸制造環(huán)境中人的部分腦力勞動。在制造過程,系統(tǒng)能自動監(jiān)測其運行狀態(tài),在受到外界或內(nèi)部激勵時能自動調(diào)節(jié)其參數(shù),以達到最佳工作狀態(tài),具備自組織能力。故IMT被稱為未來21世紀的制造技術(shù)。對未來智能化FMS具有重要意義的一個正在急速發(fā)展的領(lǐng)域是智能傳感器技術(shù)。該項技術(shù)是伴隨計算機應(yīng)用技術(shù)和人工智能而產(chǎn)生的,它使傳感器具有內(nèi)在的“決策”功能。

4.人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)(ANN)是模擬智能生物的神經(jīng)網(wǎng)絡(luò)對信息進行并行處理的一種方法。故人工神經(jīng)網(wǎng)絡(luò)也就是一種人工智能工具。在自動控制領(lǐng)域,神經(jīng)網(wǎng)絡(luò)不久將并列于專家系統(tǒng)和模糊控制系統(tǒng),成為現(xiàn)代自支化系統(tǒng)中的一個組成部分。

三、發(fā)展趨勢

1.FMC將成為發(fā)展和應(yīng)用的熱門技術(shù)

這是因為FMC的投資比FMS少得多而經(jīng)濟效益相接近,更適用于財力有限的中小型企業(yè)。目前國外眾多廠家將FMC列為發(fā)展之重。

2.發(fā)展效率更高的FML

多品種大批量的生產(chǎn)企業(yè)如汽車及拖拉機等工廠對FML的需求引起了FMS制造廠的極大關(guān)注。采用價格低廉的專用數(shù)控機床替代通用的加工中心將是FML的發(fā)展趨勢。

3.朝多功能方向發(fā)展