人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系范文

黑匣認(rèn)為，復(fù)雜神經(jīng)網(wǎng)絡(luò)、LSTMs(長(zhǎng)短期記憶網(wǎng)絡(luò))、注意力模型(Attention Models)等十大趨勢(shì)將塑造人工智能未來(lái)的技術(shù)格局。

上述判斷來(lái)自NIPS(神經(jīng)信息處理系統(tǒng)) 2015大會(huì)。NIPS始于1987年，是人工智能領(lǐng)域兩大重要學(xué)習(xí)會(huì)議之一，由于AI的爆炸式發(fā)展，近年來(lái)逐漸成為許多硅谷公司必須參加的年度會(huì)議。在蒙特利爾召開(kāi)的NIPS 2015吸引了眾多AI學(xué)界與業(yè)界的頂級(jí)專(zhuān)家，與會(huì)人數(shù)接近4000。大會(huì)總共收錄了403篇論文，其中深度學(xué)習(xí)課題約占11%。來(lái)自Dropbox的高級(jí)軟件工程師Brad Neuberg分享了他所注意到的十大技術(shù)趨勢(shì)，黑匣將對(duì)每種趨勢(shì)做了詳細(xì)分析。

1、神經(jīng)網(wǎng)絡(luò)的架構(gòu)正變得越來(lái)越復(fù)雜

感知和翻譯等大多數(shù)神經(jīng)網(wǎng)絡(luò)的架構(gòu)正變得越來(lái)越復(fù)雜，遠(yuǎn)非此前簡(jiǎn)單的前饋神經(jīng)網(wǎng)絡(luò)或卷積神經(jīng)網(wǎng)絡(luò)所能比。特別需要注意的是，神經(jīng)網(wǎng)絡(luò)正與不同的技術(shù)(如LSTMs、卷積、自定義目標(biāo)函數(shù)等)相混合。

神經(jīng)網(wǎng)絡(luò)是多數(shù)深度學(xué)習(xí)項(xiàng)目的根基。深度學(xué)習(xí)基于人腦結(jié)構(gòu)，一層層互相連接的人工模擬神經(jīng)元模仿大腦的行為，處理視覺(jué)和語(yǔ)言等復(fù)雜問(wèn)題。這些人工神經(jīng)網(wǎng)絡(luò)可以收集信息，也可以對(duì)其做出反應(yīng)。它們能對(duì)事物的外形和聲音做出解釋?zhuān)€可以自行學(xué)習(xí)與工作。未來(lái)的人工智能，最熱門(mén)的技術(shù)趨勢(shì)是什么？

(人工模擬神經(jīng)元試圖模仿大腦行為|圖片來(lái)源：Frontiers)

但這一切都需要極高的計(jì)算能力。早在80年代初期，Geoffrey Hinton和他的同事們就開(kāi)始研究深度學(xué)習(xí)。然而彼時(shí)電腦還不夠快，不足以處理有關(guān)神經(jīng)網(wǎng)絡(luò)的這些龐大的數(shù)據(jù)。當(dāng)時(shí)AI研究的普遍方向也與他們相反，人們都在尋找捷徑，直接模擬出行為而不是模仿大腦的運(yùn)作。

隨著計(jì)算能力的提升和算法的改進(jìn)，今天，神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)已經(jīng)成為人工智能領(lǐng)域最具吸引力的流派。這些神經(jīng)網(wǎng)絡(luò)還在變得更復(fù)雜，當(dāng)年“谷歌大腦”團(tuán)隊(duì)最開(kāi)始嘗試“無(wú)監(jiān)督學(xué)習(xí)”時(shí)，就動(dòng)用了1.6萬(wàn)多臺(tái)微處理器，創(chuàng)建了一個(gè)有數(shù)十億連接的神經(jīng)網(wǎng)絡(luò)，在一項(xiàng)實(shí)驗(yàn)中觀看了千萬(wàn)數(shù)量級(jí)的YouTube圖像。

2、酷的人都在用LSTMs

當(dāng)你閱讀本文時(shí)，你是在理解前面詞語(yǔ)的基礎(chǔ)上來(lái)理解每個(gè)詞語(yǔ)的。你的思想具有連續(xù)性，你不會(huì)丟棄已知信息而從頭開(kāi)始思考。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的一大缺陷便是無(wú)法做到這一點(diǎn)，而遞歸神經(jīng)網(wǎng)絡(luò)(RNN)能夠解決這一問(wèn)題。

RNN擁有循環(huán)結(jié)構(gòu)，可以持續(xù)保存信息。過(guò)去幾年里，RNN在語(yǔ)音識(shí)別和翻譯等許多問(wèn)題上取得了難以置信的成功，而成功的關(guān)鍵在于一種特殊的RNN——長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTMs)。

普通的RNN可以學(xué)會(huì)預(yù)測(cè)“the clouds are in the sky”中最后一個(gè)單詞，但難以學(xué)會(huì)預(yù)測(cè)“I grew up in France…I speak fluent French。”中最后一個(gè)詞。相關(guān)信息(clouds、France)和預(yù)測(cè)位置(sky、French)的間隔越大，神經(jīng)網(wǎng)絡(luò)就越加難以學(xué)習(xí)連接信息。這被稱(chēng)為是“長(zhǎng)期依賴(lài)關(guān)系”問(wèn)題。未來(lái)的人工智能，最熱門(mén)的技術(shù)趨勢(shì)是什么？

(長(zhǎng)期依賴(lài)問(wèn)題|圖片來(lái)源：CSDN)

LSTMs被明確設(shè)計(jì)成能克服之一問(wèn)題。LSTMs有四層神經(jīng)網(wǎng)絡(luò)層，它們以特殊的方式相互作用。這使得“能記住信息很長(zhǎng)一段時(shí)間”可以被視作LSTMs的“固有行為”，它們不需要額外學(xué)習(xí)這一點(diǎn)。對(duì)于大多數(shù)任務(wù)，LSTMs已經(jīng)取得了非常好的效果。

3、是時(shí)候注意“注意力模型(attention models)了

LSTMs是人們使用RNNs的一個(gè)飛躍。還有其他飛躍嗎？研究者共同的想法是：“還有注意力(attention)！”

“注意力”是指神經(jīng)網(wǎng)絡(luò)在執(zhí)行任務(wù)時(shí)知道把焦點(diǎn)放在何處。我們可以讓神經(jīng)網(wǎng)絡(luò)在每一步都從更大的信息集中挑選信息作為輸入。

例如，當(dāng)神經(jīng)網(wǎng)絡(luò)為一張圖片生成標(biāo)題時(shí)，它可以挑選圖像的關(guān)鍵部分作為輸入。未來(lái)的人工智能，最熱門(mén)的技術(shù)趨勢(shì)是什么？

(擁有“注意力”的RNN在圖像識(shí)別中的成功運(yùn)用|圖片來(lái)源：Github)

4、神經(jīng)圖靈機(jī)依然有趣，但還無(wú)法勝任實(shí)際工作

當(dāng)你翻譯一句話時(shí)，并不會(huì)逐個(gè)詞匯進(jìn)行，而是會(huì)從句子的整體結(jié)構(gòu)出發(fā)。機(jī)器難以做到這一點(diǎn)，這一挑戰(zhàn)被稱(chēng)為“強(qiáng)耦合輸出的整體估計(jì)”。NIPS上很多研究者展示了對(duì)跨時(shí)間、空間進(jìn)行耦合輸出的研究。

神經(jīng)圖靈機(jī)(Neural Turing Machine)就是研究者們?cè)诠杵兄噩F(xiàn)人類(lèi)大腦短期記憶的嘗試。它的背后是一種特殊類(lèi)型的神經(jīng)網(wǎng)絡(luò)，它們可以適應(yīng)與外部存儲(chǔ)器共同工作，這使得神經(jīng)網(wǎng)絡(luò)可以存儲(chǔ)記憶，還能在此后檢索記憶并執(zhí)行一些有邏輯性的任務(wù)。未來(lái)的人工智能，最熱門(mén)的技術(shù)趨勢(shì)是什么？

(模仿人類(lèi)短期工作記憶的神經(jīng)圖靈機(jī)|圖片來(lái)源：arXiv)

2014年10月，Google DeepMind公布了一臺(tái)原型電腦，它可以模仿一些人類(lèi)大腦短期工作記憶的特性。但直到NIPS2015，所有的神經(jīng)圖靈機(jī)都過(guò)于復(fù)雜，并且只能解決一些“小玩具”問(wèn)題。在未來(lái)它們或?qū)⒌玫綐O大改進(jìn)。

5、深度學(xué)習(xí)讓計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理不再是孤島

卷積神經(jīng)網(wǎng)絡(luò)(CNN)最早出現(xiàn)在計(jì)算機(jī)視覺(jué)中，但現(xiàn)在許多自然語(yǔ)言處理(NLP)系統(tǒng)也會(huì)使用。LSTMs與遞歸神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)最早出現(xiàn)在NLP中，但現(xiàn)在也被納入計(jì)算機(jī)視覺(jué)神經(jīng)網(wǎng)絡(luò)。

此外，計(jì)算機(jī)視覺(jué)與NLP的交匯仍然擁有無(wú)限前景。想象一下程序?yàn)槊绖∽詣?dòng)嵌入中文字幕的場(chǎng)景吧。

6、符號(hào)微分式越來(lái)越重要

隨著神經(jīng)網(wǎng)絡(luò)架構(gòu)及其目標(biāo)函數(shù)變得日益復(fù)雜和自定義，手動(dòng)推導(dǎo)出“反向傳播”(back propagation)的梯度(gradients)也變得更加苦難而且容易出錯(cuò)。谷歌的TensorFlow等最新的工具包已經(jīng)可以超負(fù)荷試驗(yàn)符號(hào)微分式，能夠自動(dòng)計(jì)算出正確的微分，以確保訓(xùn)練時(shí)誤差梯度可被反向傳播。

7、神經(jīng)網(wǎng)絡(luò)模型壓縮的驚人成果

多個(gè)團(tuán)隊(duì)以不同方法大幅壓縮了訓(xùn)練一個(gè)良好模型所需的素材體量，這些方法包括二值化、固定浮點(diǎn)數(shù)、迭代修剪和精細(xì)調(diào)優(yōu)步驟等。

這些技術(shù)潛在的應(yīng)用前景廣闊，可能將會(huì)適應(yīng)在移動(dòng)設(shè)備上進(jìn)行復(fù)雜模型的訓(xùn)練。例如，不需要延遲就可以得到語(yǔ)音識(shí)別結(jié)果。此外，如果運(yùn)算所需要的空間和時(shí)間極大降低，我們就可以極高幀率(如30 FPS)查詢(xún)一個(gè)模型，這樣，在移動(dòng)設(shè)備上也可以運(yùn)用復(fù)雜神經(jīng)網(wǎng)絡(luò)模型，從而近乎實(shí)時(shí)地完成計(jì)算機(jī)視覺(jué)任務(wù)。

8、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)繼續(xù)交匯

雖然NIPS 2015上沒(méi)有什么強(qiáng)化學(xué)習(xí)(reinforcement learning)的重要成果，但“深度強(qiáng)化學(xué)習(xí)”研討會(huì)還是展現(xiàn)了深度神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)相結(jié)合的前景。

在“端對(duì)端”(end-to-end)機(jī)器人等領(lǐng)域出現(xiàn)了令人激動(dòng)的進(jìn)展，現(xiàn)在機(jī)器人已經(jīng)可以一起運(yùn)用深度和強(qiáng)化學(xué)習(xí)，從而將原始感官數(shù)據(jù)直接轉(zhuǎn)化為實(shí)際動(dòng)作驅(qū)動(dòng)。我們正在超越“分類(lèi)”等簡(jiǎn)單工作，嘗試將“計(jì)劃”與“行動(dòng)”納入方程。還有大量工作需要完成，但早期的工作已經(jīng)使人感到興奮。

9、難道你還沒(méi)有使用批標(biāo)準(zhǔn)化？

批標(biāo)準(zhǔn)化(batch normalization)現(xiàn)在被視作評(píng)價(jià)一個(gè)神經(jīng)網(wǎng)絡(luò)工具包的部分標(biāo)準(zhǔn)，在NIPS 2015上被不斷提及。

第2篇：人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系范文

關(guān)鍵詞：人工神經(jīng)；網(wǎng)絡(luò)游戲程序；研究和設(shè)計(jì)；分析探究

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）01-0044-01

近年來(lái)，在網(wǎng)絡(luò)游戲發(fā)展過(guò)程中，圖像的呈現(xiàn)質(zhì)量已經(jīng)提升到了一個(gè)極高的水平，人工智能游戲已經(jīng)成為決定一款游戲成功與否的重要關(guān)鍵，并受到了游戲開(kāi)發(fā)商的廣泛關(guān)注和高度重視。網(wǎng)絡(luò)游戲作為一種目標(biāo)性、競(jìng)爭(zhēng)性、互動(dòng)性、情節(jié)性的娛樂(lè)作品，它的智能水平對(duì)游戲的質(zhì)量和可玩性具有著直接的影響作用。因此，將計(jì)算機(jī)圖形學(xué)和人工智能有機(jī)的結(jié)合起來(lái)，把人工智能中的預(yù)測(cè)、路徑規(guī)劃、搜索、學(xué)習(xí)等技術(shù)有效的應(yīng)用到網(wǎng)絡(luò)游戲的研發(fā)工作中去，不僅能夠提升游戲的質(zhì)量和可玩性，同時(shí)還有利于促進(jìn)游戲開(kāi)發(fā)企業(yè)的發(fā)展。

1 人工神經(jīng)網(wǎng)絡(luò)分析

人腦可以用一套較為獨(dú)特的方法來(lái)解決相關(guān)問(wèn)題，并且還能夠從正反兩面的行為差異中進(jìn)行學(xué)習(xí)，經(jīng)過(guò)研究發(fā)現(xiàn)，人腦是由十萬(wàn)種類(lèi)的遺傳因子中的十萬(wàn)億個(gè)細(xì)胞組合而成，人工神經(jīng)網(wǎng)絡(luò)就相當(dāng)于模擬人腦功能的一個(gè)數(shù)學(xué)模型。其中神經(jīng)元作為人腦系統(tǒng)中處理基本信息的單元，是人體神經(jīng)器官的重要組成部分，通過(guò)軸將各個(gè)神經(jīng)元進(jìn)行有效連接，而其他神經(jīng)元的發(fā)送的信號(hào)能夠使當(dāng)前神經(jīng)元產(chǎn)生相應(yīng)的反映，這一反映如果能夠達(dá)到特定的閾值，就會(huì)逐漸產(chǎn)生一種新的信號(hào)，并且沿著軸將信號(hào)傳輸?shù)狡渌窠?jīng)元[1]。人工神經(jīng)網(wǎng)絡(luò)主要就是由各種節(jié)點(diǎn)相互連接組合形成的，節(jié)點(diǎn)類(lèi)似于人腦的各個(gè)神經(jīng)元細(xì)胞，會(huì)存在一些節(jié)點(diǎn)連接外部環(huán)境，主要負(fù)責(zé)相關(guān)的信息輸出和輸入工作，被稱(chēng)作是輸出點(diǎn)或者輸入點(diǎn)，而另外一些網(wǎng)絡(luò)內(nèi)部的節(jié)點(diǎn)，通常被稱(chēng)作隱藏節(jié)點(diǎn)。隱藏節(jié)點(diǎn)的信息輸出通常是輸出節(jié)點(diǎn)的信息輸入，輸入節(jié)點(diǎn)的信息輸出通常是隱藏節(jié)點(diǎn)的信息輸入。

此外，人工神經(jīng)網(wǎng)絡(luò)的主要核心思想就是對(duì)人類(lèi)大腦神經(jīng)系統(tǒng)功能進(jìn)行模擬的機(jī)器學(xué)習(xí)的一種方法，并且通過(guò)對(duì)系統(tǒng)內(nèi)部各個(gè)神經(jīng)元的各種連接參數(shù)進(jìn)行反復(fù)的調(diào)節(jié)，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)得到訓(xùn)練，并且在遇到一定情況時(shí)能夠做出最佳的反映[2]?？傊?，神經(jīng)網(wǎng)絡(luò)作為一項(xiàng)發(fā)展較為成熟的技術(shù)，其在解決相關(guān)問(wèn)題之后，將會(huì)使網(wǎng)絡(luò)游戲的智能化提升到一個(gè)全新的高度。

2 人工神經(jīng)網(wǎng)絡(luò)中的游戲?qū)W習(xí)設(shè)計(jì)分析

與傳統(tǒng)方法相比，神經(jīng)網(wǎng)絡(luò)解決問(wèn)題的方式有著明顯的不同，其具有著較強(qiáng)的自主學(xué)習(xí)能力，經(jīng)過(guò)不斷的學(xué)習(xí)，ANN可以從未知式中的各種復(fù)雜數(shù)據(jù)信息中發(fā)現(xiàn)規(guī)律[3]。這種神經(jīng)網(wǎng)絡(luò)方法在很大程度上克服了傳統(tǒng)方法在分析中的復(fù)雜性以及各種模型函數(shù)選擇的困難，通過(guò)訓(xùn)練對(duì)問(wèn)題進(jìn)行解答，ANN可以較為快速的建立解決問(wèn)題的非線性和線性模型。如果想要人工神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)作，首先就需要讓網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，不斷的訓(xùn)練網(wǎng)絡(luò)，幫助它獲取更多的知識(shí)信息，最后將這些信息有效的存儲(chǔ)起來(lái)。一旦完成相關(guān)的訓(xùn)練和學(xué)習(xí)，就可以將知識(shí)有效的存儲(chǔ)在權(quán)值中。在游戲的開(kāi)發(fā)過(guò)程中，將神經(jīng)網(wǎng)絡(luò)模型看作是人物建模的基礎(chǔ)，通過(guò)對(duì)玩家將要進(jìn)行的動(dòng)作或者選擇的畫(huà)面場(chǎng)景進(jìn)行預(yù)測(cè)，運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行信息存儲(chǔ)，并且在游戲的運(yùn)行過(guò)程中要保證學(xué)習(xí)元素的有效運(yùn)行，進(jìn)而讓神經(jīng)網(wǎng)絡(luò)潛移默化的學(xué)會(huì)相應(yīng)的自適應(yīng)技術(shù)，最終實(shí)現(xiàn)游戲的可玩性和趣味性，提升游戲的開(kāi)發(fā)設(shè)計(jì)質(zhì)量和效果，進(jìn)而吸引更多的游戲玩家。

3 BP神經(jīng)網(wǎng)絡(luò)游戲開(kāi)發(fā)設(shè)計(jì)分析

在神經(jīng)網(wǎng)絡(luò)的眾多模型中，BP算法是其中較為常用的一種神經(jīng)網(wǎng)絡(luò)，一般分為輸入層、輸出層、中間層等三個(gè)部分，各個(gè)層之間按順序進(jìn)行連接，因?yàn)橹虚g存在隱含層，可以從中發(fā)現(xiàn)一定的學(xué)習(xí)規(guī)律，可以通過(guò)對(duì)這種網(wǎng)絡(luò)的有效訓(xùn)練，進(jìn)而形成一種較為復(fù)雜、多樣的決策界面[4]。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)具有一個(gè)強(qiáng)大的功能，其主要就是能夠封裝一個(gè)將信息輸入映射到信息輸出的非線性函數(shù)。假如不存在隱含層，那么神經(jīng)網(wǎng)絡(luò)只能發(fā)現(xiàn)信息輸入與信息輸出之間存在的線性關(guān)系。但是，僅僅是為感知網(wǎng)絡(luò)增添一個(gè)隱含層還是遠(yuǎn)遠(yuǎn)不夠的，需要通過(guò)非線性激活函數(shù)為網(wǎng)絡(luò)連接提供相應(yīng)的非線性元素。大多數(shù)的非線性函數(shù)基本上都能夠進(jìn)行使用，但是多項(xiàng)式函數(shù)除外。

在游戲中，設(shè)置網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的基本步驟，可以將特定數(shù)據(jù)當(dāng)做輸入訓(xùn)練網(wǎng)絡(luò)，并且在游戲的具體輸入中進(jìn)行實(shí)際應(yīng)用。在游戲問(wèn)題的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中，應(yīng)該注意結(jié)構(gòu)、學(xué)習(xí)、神經(jīng)元特點(diǎn)等三個(gè)方面的因素。其中結(jié)構(gòu)主要就是指要進(jìn)行構(gòu)造的神經(jīng)網(wǎng)絡(luò)組織、連接方式以及基本類(lèi)型。而且在神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)設(shè)計(jì)要遵循相關(guān)的原則就是越少越好。神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)越多，那么神經(jīng)網(wǎng)絡(luò)搜索正確解的空間范圍就越廣闊[5]。神經(jīng)網(wǎng)絡(luò)中輸入節(jié)點(diǎn)數(shù)在一定程度上決定著模式匹配或網(wǎng)絡(luò)分類(lèi)的變量數(shù)，例如，籃球類(lèi)型的游戲中，運(yùn)動(dòng)員投籃命中、灌籃動(dòng)作、球員分布、難度等級(jí)等變量數(shù)。

4 結(jié)語(yǔ)

總而言之，網(wǎng)絡(luò)游戲作為一種新型的娛樂(lè)方式，具有著較強(qiáng)的生活模擬性和互動(dòng)性，深受廣大社會(huì)群眾的喜愛(ài)。因此，我國(guó)應(yīng)該重視游戲產(chǎn)業(yè)的發(fā)展，不斷加大對(duì)網(wǎng)絡(luò)游戲的開(kāi)發(fā)和設(shè)計(jì)，將神經(jīng)網(wǎng)絡(luò)有效的應(yīng)用到網(wǎng)絡(luò)游戲開(kāi)發(fā)的實(shí)踐中去，尤其是BP神經(jīng)網(wǎng)絡(luò)，它不僅可以預(yù)測(cè)玩家的行為，及時(shí)提供信息反饋，同時(shí)還能提高網(wǎng)絡(luò)游戲的可玩性和趣味性，提升游戲設(shè)計(jì)的整體質(zhì)量和效果，有利于促進(jìn)我國(guó)游戲開(kāi)發(fā)產(chǎn)業(yè)的發(fā)展和進(jìn)步。

參考文獻(xiàn)：

[1]余穎.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的人工智能游戲研究與應(yīng)用[D].湖南大學(xué)，2011.

[2]王淑琴.神經(jīng)網(wǎng)絡(luò)和遺傳算法在游戲設(shè)計(jì)中的應(yīng)用研究[D].東北師范大學(xué)，2014.

[3]f潭凱.神經(jīng)網(wǎng)絡(luò)在即時(shí)戰(zhàn)略游戲中的應(yīng)用[D].福州大學(xué)，2014.

第3篇：人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系范文

【關(guān)鍵詞】 機(jī)械電子 人工智能技術(shù) 結(jié)合性研究

科學(xué)技術(shù)在國(guó)民經(jīng)濟(jì)和生活中占有著非常重要的地位，而對(duì)科學(xué)技術(shù)的學(xué)術(shù)性和探討研究也逐漸的成為了國(guó)家的目前首要任務(wù)之一，擁有一個(gè)解決智能自動(dòng)調(diào)節(jié)控制問(wèn)題的機(jī)械電子系統(tǒng)非常的具有重要現(xiàn)實(shí)意義，國(guó)家對(duì)其的建設(shè)和研究采取了很大的努力，期望能夠建設(shè)一個(gè)完善的智能自動(dòng)調(diào)節(jié)控制機(jī)械電子系統(tǒng)。建設(shè)完善的機(jī)械電子智能控制系統(tǒng)，能夠有效地通過(guò)控制人員的指揮處理危險(xiǎn)故障，并且能夠在特殊區(qū)域智能工程的操作，為生產(chǎn)業(yè)的發(fā)展提供了有力的支持，令國(guó)家以及機(jī)械電子生產(chǎn)企業(yè)的服務(wù)效率和生產(chǎn)質(zhì)量進(jìn)一步的優(yōu)化。

1 機(jī)械電子工程與人工智能的關(guān)系

機(jī)械電子系統(tǒng)的內(nèi)部構(gòu)造及功能存在著一定的不穩(wěn)定因素，這就使得機(jī)械電子系統(tǒng)在輸出與輸入關(guān)系的處理上有著相當(dāng)?shù)碾y度。雖然傳統(tǒng)的機(jī)械電子工程技術(shù)在解析數(shù)學(xué)方面也同樣具有著精密性，但是，這些老舊的方法僅僅只能適用于一些相對(duì)來(lái)說(shuō)比較簡(jiǎn)單的系統(tǒng)[1]。然而，現(xiàn)代的生產(chǎn)應(yīng)用所需求的系統(tǒng)是比較復(fù)雜和繁瑣的，往往會(huì)要求一個(gè)系統(tǒng)能夠同時(shí)處理多種不同的信息類(lèi)型。人工智能系統(tǒng)在對(duì)信息進(jìn)行處理時(shí)，還存在一定的復(fù)雜性和不確定因素，所以現(xiàn)在人工智能處理方式逐漸以知識(shí)為基礎(chǔ)，正成為成為現(xiàn)代解析數(shù)學(xué)方式的替代手段。

人工智能構(gòu)建系統(tǒng)所應(yīng)用的辦法中，主要包含的是模糊推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)不僅能夠達(dá)到對(duì)人腦結(jié)構(gòu)的模擬人技術(shù)構(gòu)成，還能夠能夠?qū)?shù)字信號(hào)作出分析并且給出參考數(shù)值。與神經(jīng)網(wǎng)絡(luò)系統(tǒng)不同的是，模糊推理系統(tǒng)則是通過(guò)對(duì)人腦的功能進(jìn)行，進(jìn)而達(dá)到對(duì)語(yǔ)言信號(hào)有效分析的目的。在輸出輸入的準(zhǔn)確度上，神經(jīng)網(wǎng)絡(luò)系統(tǒng)的準(zhǔn)確度相對(duì)來(lái)說(shuō)比較高，并且且呈光滑曲面，而模糊推理系統(tǒng)的準(zhǔn)確度就比較低，而且還呈階梯狀。模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)能夠?qū)烧吖δ艿脑谝欢ǔ潭壬线M(jìn)行最大融合，這對(duì)信息的合理表現(xiàn)是非常有實(shí)際意義的，為其提供了一個(gè)比較合適的完全表達(dá)空間，令信息的有效表達(dá)得到了保證。而邏輯推理規(guī)則能夠達(dá)到節(jié)點(diǎn)函數(shù)的增強(qiáng)效果，這樣一來(lái)，就為神經(jīng)網(wǎng)絡(luò)系統(tǒng)提供了函數(shù)連結(jié)可能性，實(shí)現(xiàn)了兩者最大化的發(fā)揮了兩者的功能[2]。

2 人工智能技術(shù)在機(jī)械電子工程中的應(yīng)用

通過(guò)上文的介紹，可以看出由于機(jī)械電子工程發(fā)展具有不穩(wěn)定性，盡管通過(guò)推導(dǎo)數(shù)學(xué)方程或者采用建設(shè)規(guī)則庫(kù)的方法有效的提高數(shù)學(xué)解析的精密性，但是由于方法較為老舊和傳統(tǒng)，致使在數(shù)據(jù)輸入和輸出方面存在較大的困難程度，急切需要采用先進(jìn)智能化的技術(shù)來(lái)實(shí)現(xiàn)機(jī)械電子工程的改革。模糊推理系統(tǒng)通過(guò)采用合理規(guī)范的方式對(duì)信息進(jìn)行保存，具有非常明確的機(jī)械含義，神經(jīng)網(wǎng)絡(luò)系統(tǒng)采用分布式的方法對(duì)信息進(jìn)行保存，確保神經(jīng)部件與神經(jīng)部件之間的緊密練習(xí)，有效的提高計(jì)算量以及計(jì)算速率。通過(guò)對(duì)這兩種方式的綜合采用，能夠保障人工智能技術(shù)作用的有效發(fā)揮，實(shí)現(xiàn)人工智能技術(shù)和機(jī)械電子工程兩者的共同進(jìn)步。

總而言之，隨著科學(xué)技術(shù)的飛速發(fā)展，每個(gè)學(xué)科間的融合和交叉點(diǎn)就會(huì)越來(lái)越多，這為人工智能技術(shù)和機(jī)械電子工程的發(fā)展帶來(lái)了更為廣闊的發(fā)展前景，所以要對(duì)二者的關(guān)系進(jìn)行合理的處理，進(jìn)而實(shí)現(xiàn)這一領(lǐng)域的不斷進(jìn)步[3]。

3 基于人工智能技術(shù)下的機(jī)械電子產(chǎn)品實(shí)例

本文列舉了人工智能技術(shù)下的智能移動(dòng)機(jī)器人的實(shí)例，對(duì)人工智能技術(shù)下的機(jī)械電子工程進(jìn)行闡述：

智能控制指的就是是能夠?qū)π畔⑦M(jìn)行處理、反饋以及執(zhí)行控制決策的能力，是控制理論研究的另一個(gè)新的高峰，主要是取代那些傳統(tǒng)的而且已經(jīng)無(wú)法滿足現(xiàn)實(shí)需要的控制系統(tǒng)，智能控制系統(tǒng)研究的對(duì)象具有高度非線性、復(fù)雜的任務(wù)以及不確定的數(shù)學(xué)模型等主要特點(diǎn)。在新時(shí)代因素的影響下，越來(lái)越多種形式的智能控制系統(tǒng)不斷的被應(yīng)用到各行各業(yè)之中，更是在目前對(duì)機(jī)器人的智能化控制研究中起了很大的作用，主要通過(guò)神經(jīng)控制以及網(wǎng)絡(luò)控制來(lái)實(shí)現(xiàn)機(jī)器人的自由移動(dòng)等活動(dòng)。

智能移動(dòng)機(jī)器人的設(shè)計(jì)水平隨著信息化時(shí)代的發(fā)展而不斷優(yōu)化，智能移動(dòng)機(jī)器人的應(yīng)用已經(jīng)不單單局限于與單一的對(duì)象，而是需要做到多種不同方面的功能拓廣，我國(guó)的智能移動(dòng)機(jī)器人的研究一定要要保證跟上時(shí)代的腳步，不然就只有面對(duì)被其他國(guó)家追趕上的后果。只有使現(xiàn)有的智能移動(dòng)機(jī)器人技術(shù)與功能滿足新興業(yè)務(wù)的發(fā)展需求，才能保障我國(guó)國(guó)民經(jīng)濟(jì)持續(xù)穩(wěn)定的發(fā)展，并且使得我國(guó)在未來(lái)的國(guó)與國(guó)之間的競(jìng)爭(zhēng)中具備相當(dāng)?shù)目萍家约敖?jīng)濟(jì)上的優(yōu)勢(shì)。

4 結(jié)語(yǔ)

在市場(chǎng)競(jìng)爭(zhēng)白熱化和經(jīng)濟(jì)全球化的日漸嚴(yán)峻國(guó)際形勢(shì)下，創(chuàng)新能力逐漸成為了一個(gè)國(guó)家的的根本核心競(jìng)爭(zhēng)力，而對(duì)于我國(guó)目前的情況來(lái)說(shuō)，影響我國(guó)技術(shù)創(chuàng)新能力強(qiáng)弱的主要因素是我國(guó)在各項(xiàng)創(chuàng)新資源上的配置、利用和開(kāi)發(fā)的水平較低。因此，建立一個(gè)更加完善的技術(shù)創(chuàng)新平臺(tái)就顯得非常具有實(shí)際意義。使其能將各種創(chuàng)新型資源進(jìn)行整合，并且為各類(lèi)創(chuàng)新主體提供更多更加優(yōu)質(zhì)的創(chuàng)新服務(wù)，而對(duì)人工智能技術(shù)下的機(jī)械電子技術(shù)的設(shè)計(jì)研究則正好滿足了當(dāng)下的這種需求。

參考文獻(xiàn)：

[1]王孫安.機(jī)械電子工程系統(tǒng)設(shè)計(jì)[J].西安交通大學(xué)機(jī)械工程學(xué)院，2011（10）：15-19.

第4篇：人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系范文

【關(guān)鍵詞】人工智能 容性設(shè)備 絕緣監(jiān)測(cè)

從2011年開(kāi)始至今的5年時(shí)間，貴州電網(wǎng)對(duì)變電設(shè)備在線監(jiān)測(cè)技術(shù)進(jìn)行了大規(guī)模的推廣應(yīng)用。主要包括：變壓器油色譜在線監(jiān)測(cè)、GIS局部放電在線監(jiān)測(cè)、配電開(kāi)關(guān)柜溫度在線監(jiān)測(cè)以及容性設(shè)備絕緣在線監(jiān)測(cè)四大類(lèi)。其中的容性設(shè)備絕緣監(jiān)測(cè)，最能反映設(shè)備絕緣狀態(tài)的介質(zhì)損耗因數(shù)極易受到外界干擾，增加了監(jiān)測(cè)人員準(zhǔn)確判斷被監(jiān)測(cè)設(shè)備狀態(tài)的難度。由于很難采用一個(gè)具體的函數(shù)來(lái)表達(dá)數(shù)據(jù)和這些因數(shù)之間的關(guān)系，人工神經(jīng)網(wǎng)絡(luò)在此就可以發(fā)揮巨大的功能。其大規(guī)模并行性、集團(tuán)運(yùn)算性、自學(xué)容錯(cuò)和自適應(yīng)性等強(qiáng)大功能，使得盡快將人工智能技術(shù)應(yīng)用在容性設(shè)備絕緣監(jiān)測(cè)中是很有必要的。

1 容性設(shè)備絕緣在線監(jiān)測(cè)

1.1 種類(lèi)

目前容性設(shè)備絕緣監(jiān)測(cè)測(cè)量方法形成了硬件法和軟件法兩個(gè)分支，硬件法包括電橋法、三相不平衡法、過(guò)零比較法，軟件法中又分為諧波分析法、正弦波參數(shù)法、高階正弦擬合法、相關(guān)函數(shù)法。

1.2 容性設(shè)備絕緣在線監(jiān)測(cè)原理

諧波分析方法最為常見(jiàn)，監(jiān)測(cè)原理為：使用靈敏度高的微電流互感器發(fā)出電流信號(hào)，并使之對(duì)二次側(cè)電壓信號(hào)進(jìn)行抽取，完成整形、放大以后將工模干擾與濾波消除，能夠?qū)Τ炭胤糯笮盘?hào)同步與模擬，使用A/D轉(zhuǎn)換為離散型數(shù)字信號(hào)，使用計(jì)算機(jī)對(duì)數(shù)字信號(hào)進(jìn)行傅里葉變換處理（FFT），能夠?qū)⒏道锶~系數(shù)得出，得出2個(gè)基波相位差。

1.3 誤差分析

三相系統(tǒng)是電力系統(tǒng)的主要表現(xiàn)形式，并且以耦合形式存在，由此，在對(duì)三相高壓電容器測(cè)試時(shí)會(huì)出現(xiàn)干擾，造成介質(zhì)損耗A角變大，不變的是B相，C相變化較小?，F(xiàn)場(chǎng)數(shù)據(jù)分析發(fā)現(xiàn)母線介質(zhì)變化曲線同一側(cè)位置相同，而不相同介質(zhì)損耗曲線差異較大。

2 絕緣監(jiān)測(cè)人工智能模型構(gòu)建

2.1 ANN人工神經(jīng)網(wǎng)絡(luò)

通常，神經(jīng)網(wǎng)絡(luò)與經(jīng)典計(jì)算存在較大差異，神經(jīng)網(wǎng)絡(luò)優(yōu)越性更加明顯，數(shù)學(xué)模型表示不出來(lái)的都可以使用神經(jīng)網(wǎng)絡(luò)表示，比如，診斷故障、預(yù)測(cè)、非線性系統(tǒng)預(yù)控等。鑒于介質(zhì)損耗較多，不能使用基本函數(shù)表示數(shù)據(jù)之間的關(guān)系，由此，利用神經(jīng)網(wǎng)絡(luò)比擬一個(gè)函數(shù)，能夠?qū)⒔橘|(zhì)損耗預(yù)測(cè)，比較實(shí)際測(cè)得的數(shù)據(jù)，進(jìn)而了解設(shè)備絕緣情況。

2.2 前饋型人工神經(jīng)網(wǎng)絡(luò)（BP網(wǎng)）結(jié)構(gòu)與算法

三層人工神經(jīng)網(wǎng)絡(luò)是三層前饋網(wǎng)絡(luò)最為基本的構(gòu)成，網(wǎng)絡(luò)誤差能夠在連接中出現(xiàn)“過(guò)錯(cuò)”，然后將輸出層單元誤差“分?jǐn)偂钡较旅婷恳粚訂卧校?/p>

得到每一個(gè)層面的參考誤差，獲得對(duì)應(yīng)的連接權(quán)限。

在k個(gè)模式中，模擬值模式AK=（alk，...，ank），CK=（cik，...，cqk）。誤差修正梯度下能夠?qū)颖緮?shù)據(jù)學(xué)習(xí)，使用離散方式，完成學(xué)習(xí)以后，人工神經(jīng)網(wǎng)絡(luò)會(huì)按照存儲(chǔ)連接權(quán)做出反應(yīng)。算法如下：

首先是順序傳播過(guò)程，使用賦予初值學(xué)習(xí)樣本數(shù)據(jù)；然后賦初值輸入層LA、LB連接權(quán)，將LB輸出層的Lc與連接，再與LB層閾值連接，賦予Vj在[-1，+1]區(qū)間上隨機(jī)值；學(xué)習(xí)模式（AK，CK），在LA層單元中使用AK值，激活LA層的ak，與矩陣γ連接，輸送到LB單元內(nèi)，刺激隱含層。

2.3 BP網(wǎng)絡(luò)構(gòu)建

Nnbox會(huì)提供神經(jīng)網(wǎng)絡(luò)專(zhuān)用函數(shù)，用Newff（）表示。此函數(shù)格式如下：

Net=newff（A，l，TrainFun），在上述格式中，net表示的是網(wǎng)絡(luò)屬性與參數(shù)值，4個(gè)輸入變量如下：R*2矩陣――A，表示每一個(gè)要素輸入向量與最大、最小值；行向量――l，表示每一個(gè)層神經(jīng)元數(shù)量；字符串向量――c，表示神經(jīng)元傳輸函數(shù)；TrainFun――字符串變量，表示訓(xùn)練函數(shù)域名。

3 人工智能在容性設(shè)備絕緣監(jiān)測(cè)的應(yīng)用實(shí)例驗(yàn)證及分析

首先構(gòu)建出模型實(shí)例，對(duì)時(shí)間序列折現(xiàn)圖進(jìn)行觀察，然后建立預(yù)測(cè)模型，將每一個(gè)結(jié)構(gòu)隱藏神經(jīng)元數(shù)目確定下來(lái)，最后將預(yù)測(cè)數(shù)據(jù)輸出。構(gòu)建神經(jīng)網(wǎng)絡(luò)，設(shè)t-1，lose表示t時(shí)刻，使用U、C對(duì)t+1時(shí)刻介質(zhì)損耗預(yù)測(cè)。選取2350個(gè)數(shù)據(jù)，對(duì)其中54%的數(shù)據(jù)驗(yàn)證，分為2組對(duì)介質(zhì)損耗因素值預(yù)測(cè)，再按照相關(guān)函數(shù)與偏相關(guān)函數(shù)構(gòu)建MA、AR、ARMA模型，在Matlab中調(diào)用autocorr（）、parcorr（）函數(shù)，對(duì)不同時(shí)間段相關(guān)性考量。

構(gòu)建神經(jīng)網(wǎng)絡(luò)以后，具有靈敏反應(yīng)，并且精準(zhǔn)度能夠達(dá)到診斷指標(biāo)。使用人工神經(jīng)網(wǎng)絡(luò)對(duì)容性設(shè)備介質(zhì)損耗預(yù)測(cè)時(shí)，需要結(jié)合實(shí)際預(yù)測(cè)數(shù)據(jù)，充分收集歷史數(shù)據(jù)，明確相關(guān)變量關(guān)系才能將預(yù)測(cè)精度提升。

4 結(jié)語(yǔ)

隨著變電站無(wú)人值班越來(lái)越普遍，人工智能檢測(cè)設(shè)備狀態(tài)顯得尤為重要，通過(guò)本文論述與分析了解在線檢測(cè)裝置是一個(gè)有的監(jiān)測(cè)手段，能減少外界環(huán)境對(duì)裝置的影響，真實(shí)反映出設(shè)備絕緣狀態(tài)。

參考文獻(xiàn)

[1]南寅，王雪楠，樊樹(shù)根等.能夠防止一點(diǎn)接地導(dǎo)致繼電保護(hù)誤動(dòng)的安全型直流絕緣監(jiān)測(cè)系統(tǒng)[J].電力系統(tǒng)保護(hù)與控制，2014（7）：134-139.

[2]龍望成，高炎輝，關(guān)根志等.交叉互聯(lián)接線的交聯(lián)聚乙烯（XLPE）電力電纜絕緣在線監(jiān)測(cè)理論分析[J].電力自動(dòng)化設(shè)備，2011，28（3）：59-63.

[3]王新超，蘇秀蘋(píng)，張麗麗等.短暫擾動(dòng)注入法對(duì)于小電流接地系統(tǒng)線路狀態(tài)在線監(jiān)測(cè)的探討[J].電力系統(tǒng)保護(hù)與控制，2010，38（6）：141-145.

[4]趙立進(jìn)，曾華榮，黃良等.變電設(shè)備在線監(jiān)測(cè)技術(shù)工程應(yīng)用[M].北京：中國(guó)電力出版社，2015：ISBN：9787512368644.

作者簡(jiǎn)介

黎緒杰（1986-），男，土家族，貴州省凱里市人。工學(xué)學(xué)士學(xué)位?，F(xiàn)為貴州省凱里供電局繼電保護(hù)高級(jí)工、調(diào)度自動(dòng)化廠站端調(diào)試檢修高級(jí)工。研究方向?yàn)槔^保自動(dòng)化、智能電網(wǎng)、在線監(jiān)測(cè)。

第5篇：人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系范文

關(guān)鍵詞 液壓系統(tǒng);故障診斷;智能診斷技術(shù)

中圖分類(lèi)號(hào) TH137,TP18文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708(2010)16-0008-02

0 引言

現(xiàn)代工程機(jī)械液壓系統(tǒng)向著高性能、高精度和復(fù)雜的方向發(fā)展,液壓系統(tǒng)的可靠性成了一個(gè)十分突出的問(wèn)題,除對(duì)液壓系統(tǒng)進(jìn)行可靠性設(shè)計(jì)外,液壓系統(tǒng)故障檢測(cè)和診斷技術(shù)越來(lái)越受到重視,成為液壓技術(shù)發(fā)展的一個(gè)重要方向。

1 機(jī)械液壓系統(tǒng)故障診斷方法

故障診斷是對(duì)液壓元件與系統(tǒng)產(chǎn)生故障的原因做出分析與判斷,以便找出解決問(wèn)題的方法。目前,液壓傳動(dòng)系統(tǒng)中的故障診斷主要有:

1)基于人的主觀診斷法

基于人的主觀診斷法主要是依靠簡(jiǎn)單的診斷儀器,憑借領(lǐng)域?qū)＜业膶?shí)踐經(jīng)驗(yàn),判斷故障的部位和原因,并提出相應(yīng)的排除方法。這種方法又被稱(chēng)為簡(jiǎn)易診斷方法,它是設(shè)備維修部門(mén)普遍采用的方法,可以通過(guò)看、聽(tīng)、摸、聞、閱、問(wèn)等方式,簡(jiǎn)單定性地判斷液壓系統(tǒng)工作的實(shí)際狀況是否出現(xiàn)異常?；谌说闹饔^診斷法主要包括系統(tǒng)分析法、參數(shù)測(cè)量法、方框圖分析法、魚(yú)刺圖分析法等。

基于人的主觀診斷法只能對(duì)簡(jiǎn)單液壓設(shè)備故障進(jìn)行定性判斷與決策,對(duì)于復(fù)雜液壓設(shè)備,僅僅依靠個(gè)別專(zhuān)家的經(jīng)驗(yàn)和知識(shí)是無(wú)法對(duì)故障進(jìn)行準(zhǔn)確定位與判斷的。

2)基于數(shù)學(xué)模型與信息處理的診斷法

這種診斷方法是用一定的數(shù)學(xué)手段描述系統(tǒng)某些可測(cè)量特征量在幅值、相位、頻率及相關(guān)性上與故障源之間的聯(lián)系,然后通過(guò)測(cè)量、分析、處理這些信號(hào)來(lái)判斷故障源所在?；跀?shù)學(xué)模型與信息處理的故障診斷方法通常有狀態(tài)估計(jì)方法、參數(shù)估計(jì)方法、頻譜分析法、小波分析法等。

基于數(shù)學(xué)模型與信息處理的故障診斷方法需要提取系統(tǒng)特征參數(shù)或?qū)ο到y(tǒng)建模,而液壓系統(tǒng)由于元件工作在封閉油路中,影響液壓系統(tǒng)特性的因素多種多樣且相互影響,不易得到能準(zhǔn)確反映故障的特征參數(shù)。液壓系統(tǒng)一般都是由機(jī)、電、液耦合而成,存在著非線性時(shí)變環(huán)節(jié),對(duì)系統(tǒng)建模也顯得相當(dāng)困難。所以此故障診斷法在液壓系統(tǒng)故障診斷應(yīng)用中受到了一定的限制,有待于進(jìn)一步改進(jìn)。

3)基于智能技術(shù)的診斷法

液壓故障的多樣性、突發(fā)性、成因的復(fù)雜性和進(jìn)行故障診斷所需要的知識(shí)對(duì)領(lǐng)域?qū)＜覍?shí)踐經(jīng)驗(yàn)和診斷策略的依賴(lài),使研制智能化的液壓故障診斷系統(tǒng)成為當(dāng)前的趨勢(shì)。計(jì)算機(jī)技術(shù)的發(fā)展與故障診斷技術(shù)相結(jié)合,人工智能 (artificial intelligence)診斷技術(shù)應(yīng)運(yùn)而生。其本質(zhì)特點(diǎn)是模擬人腦的機(jī)能,有效地獲取、傳遞、處理、再生和利用故障信息, 運(yùn)用大量獨(dú)特的專(zhuān)家經(jīng)驗(yàn)和診斷策略,成功地識(shí)別和預(yù)測(cè)診斷對(duì)象態(tài)。智能診斷技術(shù)在知識(shí)層次上實(shí)現(xiàn)了辨證邏輯與數(shù)理邏輯的集成、符號(hào)邏輯與數(shù)值處理的統(tǒng)一、推理過(guò)程與算法過(guò)程的統(tǒng)一、知識(shí)庫(kù)與數(shù)據(jù)庫(kù)的交互等功能,為構(gòu)建智能化的液壓故障診斷系統(tǒng)提供了堅(jiān)實(shí)的基礎(chǔ)。

目前,基于智能技術(shù)的故障診斷法主要有:基于神經(jīng)網(wǎng)絡(luò)的診斷法、基于專(zhuān)家系統(tǒng)的診斷法、基于模糊邏輯的診斷法等。

2 人工智能及智能診斷

當(dāng)前,人工智能的研究是與具體領(lǐng)域相結(jié)合進(jìn)行的?；旧嫌腥缦骂I(lǐng)域:1)專(zhuān)家系統(tǒng),是依靠人類(lèi)專(zhuān)家已有的知識(shí)建立起來(lái)的知識(shí)系統(tǒng),它應(yīng)用人工智能技術(shù)、模擬人類(lèi)專(zhuān)家解決問(wèn)題時(shí)的思維過(guò)程,來(lái)求解領(lǐng)域內(nèi)的各種問(wèn)題,達(dá)到或接近專(zhuān)家的水平;2)模式識(shí)別。模式識(shí)別是研究如何使機(jī)器具有感知能力,主要研究視覺(jué)模式和聽(tīng)覺(jué)模式的識(shí)別。近年來(lái),迅速發(fā)展起來(lái)應(yīng)用模糊數(shù)學(xué)模式、人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代傳統(tǒng)的用統(tǒng)計(jì)模式和結(jié)構(gòu)模式的識(shí)別方法。特別是神經(jīng)網(wǎng)絡(luò)方法在模式識(shí)別中取得較大進(jìn)展;3)人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的奧秘中得到啟發(fā),試圖用大量的處理單元(人工神經(jīng)元、處理元件、電子元件等)模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機(jī)理。在人工神經(jīng)網(wǎng)絡(luò)中,信息的處理是由神經(jīng)元之間的相互作用來(lái)實(shí)現(xiàn)的,知識(shí)與信息的存儲(chǔ)表現(xiàn)為網(wǎng)絡(luò)元件互連間分布式的物理聯(lián)系,網(wǎng)絡(luò)的學(xué)習(xí)和識(shí)別取決于和神經(jīng)元連接權(quán)值的動(dòng)態(tài)演化過(guò)程。人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能中極其重要的一個(gè)研究領(lǐng)域。

3 液壓故障的智能診斷技術(shù)

目前的研究主要從兩方面展開(kāi),即基于專(zhuān)家系統(tǒng)的液壓系統(tǒng)故障智能診斷技術(shù)和基于神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)故障智能診斷技術(shù)。

3.1 液壓故障診斷專(zhuān)家系統(tǒng)

故障診斷專(zhuān)家系統(tǒng)(ES)是研究最多、應(yīng)用最廣的一類(lèi)智能診斷系統(tǒng)。主要用于沒(méi)有精確數(shù)學(xué)模型或很難建立數(shù)學(xué)模型的復(fù)雜系統(tǒng)。液壓系統(tǒng)故障診斷專(zhuān)家系統(tǒng)是在采用先進(jìn)傳感技術(shù)與信號(hào)處理技術(shù)的基礎(chǔ)上研制開(kāi)發(fā)的。用專(zhuān)家系統(tǒng)診斷液壓系統(tǒng)故障的一般過(guò)程是通過(guò)用戶接口將故障現(xiàn)象輸入計(jì)算機(jī),由計(jì)算機(jī)根據(jù)輸入的故障現(xiàn)象及知識(shí)庫(kù)中的知識(shí),按推理機(jī)中存放的推理方法,推理出故障原因,提出維修和預(yù)防措施。

3.1.1 知識(shí)庫(kù)

知識(shí)庫(kù)是故障診斷專(zhuān)家系統(tǒng)的基礎(chǔ), 如何建立有效的知識(shí)庫(kù)是診斷系統(tǒng)的重要環(huán)節(jié),知識(shí)庫(kù)的模型不僅要符合專(zhuān)家診斷推理的思維,同時(shí)還要具備不斷自我充實(shí)的能力,以提高專(zhuān)家系統(tǒng)的性能。知識(shí)庫(kù)中存放各種故障現(xiàn)象、引起故障的原因及原因和現(xiàn)象間的關(guān)系,知識(shí)包括領(lǐng)域?qū)＜业膯l(fā)性知識(shí)和液壓系統(tǒng)的結(jié)構(gòu)原理性知識(shí)。前者源于領(lǐng)域?qū)＜以陂L(zhǎng)期實(shí)踐中的知識(shí)積累,后者來(lái)自于對(duì)液壓系統(tǒng)結(jié)構(gòu)、原理和性能的深層次研究。通過(guò)對(duì)液壓系統(tǒng)結(jié)構(gòu)、功能和故障機(jī)理特征的分析可將其各部分的隸屬關(guān)系描述成一種樹(shù)狀結(jié)構(gòu),如系統(tǒng)級(jí)、子系統(tǒng)級(jí)、部件級(jí)和元件級(jí)等若干層次。

3.1.2 推理機(jī)

推理機(jī)是專(zhuān)家系統(tǒng)的核心,實(shí)際上是計(jì)算機(jī)的控制模塊,根據(jù)輸入的設(shè)備癥狀,利用知識(shí)庫(kù)中存貯的專(zhuān)家知識(shí),按一定的推理策略解決診斷問(wèn)題。通常采用的推理策略有正向推理、反向推理、正反向混合推理;常用的知識(shí)表達(dá)方式有產(chǎn)生式規(guī)則、框架、謂詞邏輯等。

在液壓故障模糊推理診斷過(guò)程中,一般堅(jiān)持以下原則:分層分段診斷, 逐步深入原則、假設(shè)與驗(yàn)證相結(jié)合原則、綜合評(píng)判原則、獲取信息原則、通過(guò)對(duì)外在性能的考證來(lái)判斷系統(tǒng)內(nèi)部結(jié)構(gòu)的劣化原則,對(duì)比判別確定原則,找出最嚴(yán)重的故障點(diǎn)原則等。

3.1.3 專(zhuān)家系統(tǒng)的實(shí)現(xiàn)

根據(jù)知識(shí)庫(kù)模型和知識(shí)推斷處理方法,專(zhuān)家系統(tǒng)的實(shí)現(xiàn)主要由圖1所示的幾個(gè)模塊組成。

圖1 液壓系統(tǒng)故障診斷專(zhuān)家系統(tǒng)結(jié)構(gòu)圖

3.2 液壓故障診斷神經(jīng)網(wǎng)絡(luò)系統(tǒng)

第6篇：人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系范文

關(guān)鍵詞 徑向基神經(jīng)網(wǎng)絡(luò)；大壩變形；監(jiān)控模型；預(yù)測(cè)預(yù)報(bào)；白石水庫(kù)

中圖分類(lèi)號(hào) TV135.3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-5739（2013）06-0191-01

變形監(jiān)控是了解大壩工作狀態(tài)，實(shí)施安全管理的重要內(nèi)容之一。變形觀測(cè)方法簡(jiǎn)便易行，其成果直觀可靠，能夠真實(shí)反映大壩的工作性態(tài)，既是大壩安全監(jiān)測(cè)的主要監(jiān)測(cè)量，又是大壩安全監(jiān)控的重要指標(biāo)。

早期人們通過(guò)繪制過(guò)程線、相關(guān)圖，直觀地了解大壩變形測(cè)值的變化大小和規(guī)律，并運(yùn)用比較法、特征值統(tǒng)計(jì)法，檢查變形在數(shù)量變化大小、規(guī)律、趨勢(shì)等方面是否具有一致性和合理性，對(duì)大壩變形進(jìn)行定性分析。隨著各種分析理論的產(chǎn)生，模糊數(shù)學(xué)、突變理論、灰色系統(tǒng)理論、神經(jīng)網(wǎng)絡(luò)等理論方法被相繼引入大壩變形監(jiān)控領(lǐng)域。

1 徑向基神經(jīng)網(wǎng)絡(luò)

1.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是人工智能控制技術(shù)的主要分支之一，具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)等智能特點(diǎn)，能夠?qū)崿F(xiàn)聯(lián)想記憶、非線性映射、分類(lèi)識(shí)別等功能[1]。應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近能力，構(gòu)建大壩監(jiān)控模型，能夠?qū)崿F(xiàn)對(duì)大壩變形的實(shí)時(shí)、有效監(jiān)控，其預(yù)報(bào)效果和精度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的逐步回歸統(tǒng)計(jì)模型[2]。

基于BP算法的多層前饋神經(jīng)網(wǎng)絡(luò)應(yīng)用較為廣泛，但是存在建模難度較大，訓(xùn)練時(shí)間較長(zhǎng)，容易陷入局部極小點(diǎn)，不易找到理想模型等固有的缺陷。徑向基神經(jīng)網(wǎng)絡(luò)解決非線性影射（曲線擬合）問(wèn)題，是通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，在高維空間中尋找一個(gè)統(tǒng)計(jì)意義上能夠最佳擬合樣本數(shù)據(jù)的曲面，泛化（預(yù)測(cè)預(yù)報(bào)）等價(jià)于利用這個(gè)多維曲面對(duì)樣本進(jìn)行插值[3]。它采用局部逼近的方法，學(xué)習(xí)速度快，能夠更好地解決有實(shí)時(shí)性要求的在線分析問(wèn)題。

1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)一般由3層組成，輸入層只傳遞輸入信號(hào)到隱層，隱層節(jié)點(diǎn)由類(lèi)高斯函數(shù)的輻射狀基函數(shù)構(gòu)成，輸出層節(jié)點(diǎn)通常是簡(jiǎn)單的線性函數(shù)。

基函數(shù)對(duì)輸入信號(hào)在局部產(chǎn)生響應(yīng)，當(dāng)輸入信號(hào)靠近基函數(shù)中央位置，即歐幾里得距離（歐氏距離）較近時(shí)，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出。神經(jīng)元根據(jù)各輸入向量與每個(gè)神經(jīng)元權(quán)值的距離產(chǎn)生輸出，只有那些與神經(jīng)元權(quán)值相差較小，距離較近的輸入向量才能激活，產(chǎn)生響應(yīng)。這種局部響應(yīng)，使得徑向基網(wǎng)絡(luò)具有良好局部逼近能力。

一般對(duì)于一個(gè)n維輸入、m維隱層節(jié)點(diǎn)的徑向基網(wǎng)絡(luò)，其輸入向量表示為：

X=（x1，x2，…，xi，…，xn）T（1）

那么，網(wǎng)絡(luò)輸出Y為：

Y=■wiφi（||X-vi||）（2）

式中，φi（||X-vi||）為徑向基函數(shù)；||X-vi||為歐氏距離（范數(shù)）；vi為第i個(gè)徑向基函數(shù)中心，一個(gè)與X同維數(shù)的向量；wi為閾值。

1.3 徑向基神經(jīng)網(wǎng)絡(luò)和基于BP算法的多層前饋神經(jīng)網(wǎng)絡(luò)比較

徑向基網(wǎng)絡(luò)和基于BP算法的多層前饋神經(jīng)網(wǎng)絡(luò)一樣，都屬于有導(dǎo)師學(xué)習(xí)方式的前饋型反向傳播網(wǎng)絡(luò)，都能解決非線性函數(shù)的擬合、逼近問(wèn)題，但是他們之間也存在差異。

（1）網(wǎng)絡(luò)結(jié)構(gòu)不同。徑向基網(wǎng)絡(luò)只有一個(gè)隱層，而多層前饋神經(jīng)網(wǎng)絡(luò)的隱層可以是多層的，也可以是單層的。

（2）神經(jīng)元模型不同。徑向基網(wǎng)絡(luò)的隱層和輸出層激勵(lì)函數(shù)，分別是基函數(shù)和線性函數(shù)。而多層前饋神經(jīng)網(wǎng)絡(luò)的隱層激勵(lì)函數(shù)一般為非線性函數(shù)，輸出層激勵(lì)函數(shù)可以是非線性函數(shù)，也可以是線性函數(shù)。

（3）隱層激勵(lì)函數(shù)計(jì)算方法不同。徑向基網(wǎng)絡(luò)基函數(shù)計(jì)算的是輸入向量與函數(shù)中心的歐氏距離，而多層前饋神經(jīng)網(wǎng)絡(luò)隱層激勵(lì)函數(shù)計(jì)算的是輸入向量與其連接權(quán)值向量的內(nèi)積。

（4）非線性映射的特性不同。由于它們所采用的隱層激勵(lì)函數(shù)以及激勵(lì)函數(shù)的計(jì)算方法不同，使得這2種網(wǎng)絡(luò)的權(quán)值、閾值修正方式也不同。在徑向基網(wǎng)絡(luò)訓(xùn)練過(guò)程中，只有被激活的神經(jīng)元才能修正權(quán)值和閾值，這種以指數(shù)衰減形式映射的局部特性被稱(chēng)為函數(shù)的局部逼近。多層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，也是所有權(quán)值和閾值的調(diào)整過(guò)程，屬于全局尋優(yōu)模式。

2 白石水庫(kù)大壩變形徑向基神經(jīng)網(wǎng)絡(luò)模型

2.1 白石水庫(kù)工程概況

白石水庫(kù)位于遼寧省北票市上園鎮(zhèn)附近的大凌河干流上，總庫(kù)容16.45億m3，是干流上唯一的大（I）型控制性骨干工程。大壩為混凝土重力壩，部分采用RCD碾壓混凝土技術(shù)。最大壩高49.3 m，壩頂長(zhǎng)513 m，分為32個(gè)壩段。水庫(kù)1996年9月正式開(kāi)工，1999年9月下閘蓄水。

2.2 大壩變形徑向基神經(jīng)網(wǎng)絡(luò)模型

一般情況下，大壩變形數(shù)學(xué)模型分為3個(gè)分量，即水壓變形分量（δH）、溫度變形分量（δT）和時(shí)效變形分量（δt），模型可以表示為[4]：

δ=δH+δT+δt（3）

該文水壓變形分量采用壩前水深（H）的一次冪、二次冪、三次冪呈線性關(guān)系；溫度變形分量采用1、15、30、60、90 d的庫(kù)區(qū)日常平均氣溫；時(shí)效變形分量選用對(duì)數(shù)函數(shù)和線性函數(shù)2種。根據(jù)公式（3），設(shè)計(jì)網(wǎng)絡(luò)輸入為11個(gè)節(jié)點(diǎn)，輸出為1個(gè)節(jié)點(diǎn)的3層大壩變形徑向基神經(jīng)網(wǎng)絡(luò)。

2.3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)、預(yù)報(bào)效果分析

為比較徑向基神經(jīng)網(wǎng)絡(luò)的擬合和預(yù)報(bào)效果，以白石水庫(kù)6#壩段壩頂變形為例，分別建立傳統(tǒng)的逐步回歸統(tǒng)計(jì)模型、BP神經(jīng)網(wǎng)絡(luò)與徑向基神經(jīng)網(wǎng)絡(luò)模型3種模型，特征值見(jiàn)表1，預(yù)報(bào)曲線見(jiàn)圖1?？梢钥闯觯孩?gòu)较蚧窠?jīng)網(wǎng)絡(luò)模型、BP神經(jīng)網(wǎng)絡(luò)模型、統(tǒng)計(jì)回歸模型的復(fù)相關(guān)系數(shù)均高于0.9，說(shuō)明3種模型擬合程度良好，3種模型均可以作為變形監(jiān)控模型；②從殘差平方和、平均相對(duì)誤差、殘差變幅等方面比較，廣義回歸徑向基神經(jīng)網(wǎng)絡(luò)監(jiān)控模型的擬合效果最佳，其次是BP神經(jīng)網(wǎng)絡(luò)模型，統(tǒng)計(jì)回歸模型最差；③基于LM算法的BP神經(jīng)網(wǎng)絡(luò)監(jiān)控模型的殘差平方和、殘差最小值，分別為10.15和-0.90 mm，相比之下預(yù)報(bào)精度最高；廣義回歸徑向基神經(jīng)網(wǎng)絡(luò)監(jiān)控模型次之，殘差平方和、殘差最小值分別為50.22和-2.38 mm；統(tǒng)計(jì)回歸模型最差，殘差平方和、殘差最小值分別為110.89和-2.70 mm。

3 結(jié)論

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)，建立大壩變形的人工智能監(jiān)控模型，能夠?qū)崿F(xiàn)對(duì)大壩變形的實(shí)時(shí)、有效監(jiān)控，其預(yù)報(bào)效果和精度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的逐步回歸統(tǒng)計(jì)模型。BP網(wǎng)絡(luò)的預(yù)報(bào)精度最高，但它存在建模難度較大，訓(xùn)練時(shí)間較長(zhǎng)，容易陷入局部極小點(diǎn)，不易找到理想模型等缺點(diǎn)。徑向基神經(jīng)網(wǎng)絡(luò)模型，雖然在預(yù)報(bào)精度上略遜于BP神經(jīng)網(wǎng)絡(luò)，但是在不過(guò)于苛求預(yù)報(bào)精度的前提下，從建模容易程度、訓(xùn)練速度和預(yù)報(bào)精度等方面綜合考慮，遠(yuǎn)遠(yuǎn)好于BP神經(jīng)網(wǎng)絡(luò)。

4 參考文獻(xiàn)

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[2] 韓衛(wèi).基于神經(jīng)網(wǎng)絡(luò)的大壩變形智能監(jiān)控模型研究[D].大連：大連理工大學(xué)，2009.

第7篇：人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系范文

1計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)體系

人們?yōu)榱艘驅(qū)τ?jì)算機(jī)迅猛發(fā)展帶來(lái)的危機(jī)在上世紀(jì)40年代就提出了神經(jīng)網(wǎng)絡(luò)體的設(shè)想,并對(duì)此加以研究實(shí)驗(yàn)。自80年代后已經(jīng)成為人們?cè)u(píng)價(jià)計(jì)算機(jī)網(wǎng)絡(luò)安全的重要標(biāo)準(zhǔn)。大量簡(jiǎn)單的神經(jīng)元通過(guò)相互連接形成更復(fù)雜的神經(jīng)結(jié)構(gòu),神經(jīng)結(jié)構(gòu)之間相互連接最終形成神經(jīng)網(wǎng)絡(luò)體系。神經(jīng)網(wǎng)絡(luò)體系具有十分強(qiáng)的的信息處理工能,可以存儲(chǔ)分布、處理分布,有包容性和學(xué)習(xí)能力,能夠處理非線性的復(fù)雜關(guān)系,是一個(gè)成長(zhǎng)型的系統(tǒng)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)通過(guò)調(diào)節(jié)自身節(jié)點(diǎn)之間的關(guān)系,來(lái)完成對(duì)信息的分析處理,模仿人的大腦對(duì)信息的處理方式。其具有很強(qiáng)的靈活性和針對(duì)性,可以進(jìn)行初步的理性分析,優(yōu)化其自身的信息資料庫(kù),找尋最優(yōu)的解決方案。計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)系統(tǒng)是人類(lèi)邁向人工智能化時(shí)代的一大創(chuàng)舉,隨著人工智能技術(shù)的不斷進(jìn)步,更加智能的機(jī)器人將隨之產(chǎn)生。

2計(jì)算機(jī)網(wǎng)絡(luò)安全的評(píng)估標(biāo)準(zhǔn)

計(jì)算機(jī)的使用者們根據(jù)當(dāng)前計(jì)算機(jī)的使用狀態(tài)制定了一系列的計(jì)算機(jī)網(wǎng)絡(luò)安全現(xiàn)行標(biāo)準(zhǔn)。

2.1網(wǎng)絡(luò)安全的定義

網(wǎng)絡(luò)安全指的就是人們?cè)谶\(yùn)用互聯(lián)網(wǎng)時(shí)信息的安全保密不被竊取和惡意破壞,系統(tǒng)、軟件設(shè)備、硬件設(shè)備都處在良好的狀態(tài)中。在計(jì)算機(jī)系統(tǒng)運(yùn)行時(shí)不會(huì)受到木馬病毒、惡意插件的攻擊。信息安全、密碼安全、通信安全等領(lǐng)域的安全都處在網(wǎng)絡(luò)安全的范疇之中。計(jì)算機(jī)網(wǎng)絡(luò)安全有四大原則:可控性原則,即計(jì)算機(jī)網(wǎng)絡(luò)信息的傳播控制在一定的范圍內(nèi),網(wǎng)絡(luò)上流傳的信息要在法律允許的范圍之內(nèi),網(wǎng)絡(luò)管理者可以通過(guò)網(wǎng)絡(luò)對(duì)其進(jìn)行有力的控制。完整性原則,即網(wǎng)絡(luò)數(shù)據(jù)信息未經(jīng)過(guò)官方和其發(fā)行者的授權(quán)不可以私人篡改,保持網(wǎng)絡(luò)數(shù)據(jù)的完整性就是保證網(wǎng)絡(luò)信息的可用性?？捎眯栽瓌t,即網(wǎng)絡(luò)使用者當(dāng)前是否能夠使用網(wǎng)絡(luò)中的信息。保密性原則,即對(duì)計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行訪問(wèn)時(shí),不得隨意泄露信息給未獲得網(wǎng)絡(luò)授權(quán)的用戶。在這個(gè)信息全球化的時(shí)代,網(wǎng)絡(luò)安全是人們生活安全中至關(guān)重要的一項(xiàng)。

2.2網(wǎng)絡(luò)安全評(píng)估標(biāo)準(zhǔn)

當(dāng)今社會(huì)人們對(duì)網(wǎng)絡(luò)信息的要求逐步提高,相應(yīng)的產(chǎn)生了一套大家公認(rèn)的評(píng)估標(biāo)準(zhǔn)。這套標(biāo)準(zhǔn)是依據(jù)現(xiàn)有的計(jì)算機(jī)網(wǎng)絡(luò)技術(shù),全面的、合理的、客觀的、科學(xué)的,考慮計(jì)算機(jī)網(wǎng)絡(luò)運(yùn)用的方方面面制定出來(lái)的。堅(jiān)持評(píng)估標(biāo)準(zhǔn)與實(shí)際生活相結(jié)合,便于檢測(cè)和操作的可行性原則;堅(jiān)持條理清晰、層次分明,有代表性的簡(jiǎn)明性原則;堅(jiān)持真實(shí)準(zhǔn)確,避免環(huán)節(jié)重復(fù),避免節(jié)點(diǎn)之間相互影響的獨(dú)立性原則;堅(jiān)持運(yùn)用完整的、全面的、準(zhǔn)確可靠的完備性原則為信息全評(píng)價(jià)標(biāo)準(zhǔn);堅(jiān)持聯(lián)系實(shí)際以現(xiàn)行的計(jì)算機(jī)技術(shù)水平為評(píng)價(jià)指標(biāo)的準(zhǔn)確性原則。按照以上的網(wǎng)絡(luò)安全標(biāo)準(zhǔn)一定要與當(dāng)前所在的區(qū)域網(wǎng)相結(jié)合,做到具體問(wèn)題具體分析。

2.3網(wǎng)絡(luò)安全體系的設(shè)定

根據(jù)計(jì)算機(jī)網(wǎng)絡(luò)安全檢查建立不同的計(jì)算機(jī)網(wǎng)絡(luò)安全等級(jí),大致可分為四個(gè)層次:很危險(xiǎn)、危險(xiǎn)、有風(fēng)險(xiǎn)、安全。很危險(xiǎn)可用紅色表示,計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)存在高危漏洞,需要緊急查殺木馬病毒和惡意插件,關(guān)機(jī)后再重新啟動(dòng)。危險(xiǎn)可用橙色表示,表示網(wǎng)絡(luò)系統(tǒng)中有安全隱患需要處理,網(wǎng)絡(luò)的安全等級(jí)有限,需要及時(shí)的進(jìn)行殺毒處理。有風(fēng)險(xiǎn)可用黃色表示,這種情況表示計(jì)算機(jī)中有風(fēng)險(xiǎn)項(xiàng),需要對(duì)計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行檢測(cè)處理。安全表示當(dāng)前的計(jì)算機(jī)網(wǎng)絡(luò)狀態(tài)良好無(wú)任何風(fēng)險(xiǎn)項(xiàng),可用綠色表示。這種設(shè)計(jì)可以給計(jì)算機(jī)的應(yīng)用者最直觀的感受來(lái)判斷計(jì)算機(jī)的狀態(tài)。

3神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計(jì)算機(jī)網(wǎng)絡(luò)安全中的應(yīng)用

計(jì)算機(jī)網(wǎng)絡(luò)的主要作用是傳遞信息,其廣泛的應(yīng)用于電子商務(wù),信息處理,電子辦公等方方面面。網(wǎng)絡(luò)黑客通過(guò)木馬病毒盜取用戶信息,倒賣(mài)客戶資料,竊取他人財(cái)產(chǎn),對(duì)網(wǎng)絡(luò)的和諧安全產(chǎn)生了及其惡劣的影響。神經(jīng)網(wǎng)絡(luò)系統(tǒng)在計(jì)算機(jī)網(wǎng)絡(luò)信息的傳播當(dāng)中起到了橋梁和過(guò)濾器的作用。信息在網(wǎng)絡(luò)中傳播不是單向的而是雙向的,信息的輸入和輸出都是通過(guò)神經(jīng)網(wǎng)絡(luò)的神經(jīng)元來(lái)完成的。計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)有三個(gè)層次組成,分別是輸出層、隱藏層、輸入層,通過(guò)這三個(gè)部分對(duì)信息進(jìn)行加工處理。其中的隱藏層起到了傳輸中樞的作用,輸入的信息輸出時(shí)需要先輸入到隱藏層中,再由隱藏層對(duì)其進(jìn)行處理,最后傳輸?shù)捷敵鰧又休敵?。在此時(shí)系統(tǒng)發(fā)現(xiàn)信息有誤將會(huì)回溯至上一階段對(duì)信息進(jìn)行核對(duì),信息精確后會(huì)再次傳輸回來(lái)發(fā)送至輸出層。通過(guò)神經(jīng)網(wǎng)絡(luò)系統(tǒng)的應(yīng)用能夠大量準(zhǔn)確的對(duì)信息進(jìn)行合理的處理,方便了人們的生活,提高了人們的工作效率。

4神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全的影響

神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為廣泛應(yīng)用于人們生活中的技術(shù),其即存在著優(yōu)點(diǎn),也存在著不足。神經(jīng)網(wǎng)絡(luò)技術(shù)具有良好的靈活性包容性,與傳統(tǒng)的曲線擬合體系相比其對(duì)缺失信息和噪音反應(yīng)不靈敏。一個(gè)節(jié)點(diǎn)只能反應(yīng)一個(gè)問(wèn)題,一個(gè)節(jié)點(diǎn)中發(fā)現(xiàn)的問(wèn)題在整個(gè)神經(jīng)網(wǎng)絡(luò)體系的表現(xiàn)中將產(chǎn)生嚴(yán)重影響。其具有良好的延展性,可以把個(gè)體中的多數(shù)樣本引入部分當(dāng)中,將部分當(dāng)中的多數(shù)樣本引入到整體當(dāng)中。神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有強(qiáng)大的學(xué)習(xí)適應(yīng)能力,可以自行總結(jié)系統(tǒng)處理的信息中的規(guī)律,自我調(diào)整輸出模式,減少系統(tǒng)的誤差。神經(jīng)網(wǎng)絡(luò)有線應(yīng)用潛力,有線應(yīng)用潛力是神經(jīng)網(wǎng)絡(luò)系統(tǒng)自身的基本能力,神經(jīng)網(wǎng)絡(luò)是由一個(gè)又一個(gè)節(jié)點(diǎn)連接而成的,兩點(diǎn)之間的直線距離最短,處理信息的速度最快。神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有自動(dòng)處理信息關(guān)系的能力。其已經(jīng)具有初步的人工智能化能力,可以自主分析較為簡(jiǎn)單的問(wèn)題。雖然神經(jīng)網(wǎng)絡(luò)系統(tǒng)功能十分強(qiáng)大,但是也存在著一些不足之處。神經(jīng)網(wǎng)絡(luò)系統(tǒng)的結(jié)構(gòu)多樣化,在信息處理的過(guò)程中也會(huì)出現(xiàn)多種組合。因此只能出現(xiàn)最精確的處理結(jié)果,無(wú)法得出最準(zhǔn)確的處理結(jié)果。神經(jīng)網(wǎng)絡(luò)系統(tǒng)自身的結(jié)構(gòu)決定了其對(duì)局部極小問(wèn)題的忽視,這種特性會(huì)影響其處理問(wèn)題的準(zhǔn)確性。對(duì)于非常復(fù)雜的數(shù)據(jù)問(wèn)題其處理效果會(huì)減慢。隨著計(jì)算機(jī)的應(yīng)用大量的信息被記載入數(shù)據(jù)庫(kù),信息量過(guò)于龐大會(huì)影響到信息處理的效率。神經(jīng)網(wǎng)絡(luò)系統(tǒng)并不是真正的人腦只達(dá)到了出步的人工智能程度,其處理問(wèn)題存在一定的機(jī)械性。這種問(wèn)題只有通過(guò)科學(xué)家的不斷研究才能得到改善。

第8篇：人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系范文

摘要：隨著電力工業(yè)的發(fā)展，人工神經(jīng)元網(wǎng)絡(luò)(ANN)在電力系統(tǒng)中獲得了廣泛的應(yīng)用。本文概述了人工神經(jīng)元網(wǎng)絡(luò)的特點(diǎn)、基本結(jié)構(gòu)以及發(fā)展過(guò)程，并對(duì)ANN在電力系統(tǒng)中的具體應(yīng)用做了詳細(xì)的話述。最后，對(duì)人工神經(jīng)元網(wǎng)絡(luò)的發(fā)展趨勢(shì)和在電力系統(tǒng)中的應(yīng)用前景進(jìn)行了展望。

關(guān)鍵詞：人工神經(jīng)元網(wǎng)絡(luò)(ANN)　電力系統(tǒng)　應(yīng)用前景　展望

人工神經(jīng)網(wǎng)絡(luò)，是一種模范動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過(guò)預(yù)先提供的一批相互對(duì)應(yīng)的輸入一輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來(lái)推算輸出結(jié)果。人工神經(jīng)網(wǎng)絡(luò)具有四個(gè)基本特征：非線性、非局限性、非定性、非凸性。人工神經(jīng)網(wǎng)絡(luò)理論，作為人工智能的一個(gè)最活躍的分支，其模擬人腦的工作方式，為解決復(fù)雜的非線性、不確定性、不確知性系統(tǒng)的問(wèn)題開(kāi)創(chuàng)了一個(gè)嶄新的途徑，因而在電力系統(tǒng)應(yīng)用研究中受到了廣泛的關(guān)注。

1.ANN發(fā)展過(guò)程

1943年，心理學(xué)家W.S.McCulloch和數(shù)理邏輯學(xué)家W.Pitts建立了神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型，稱(chēng)為MP模型。他們通過(guò)MP模型提出了神經(jīng)元的形式化數(shù)學(xué)描述和網(wǎng)絡(luò)結(jié)構(gòu)方法，證明了單個(gè)神經(jīng)元能執(zhí)行邏輯功能，從而開(kāi)創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)研究的時(shí)代。60年代，人工神經(jīng)網(wǎng)絡(luò)得到了進(jìn)一步發(fā)展，更完善的神經(jīng)網(wǎng)絡(luò)模型被提出，其中包括感知器和自適應(yīng)線性元件等。1982年，美國(guó)加州工學(xué)院物理學(xué)家J.J.Hopfield提出了Hopfield神經(jīng)網(wǎng)格模型，引入了“計(jì)算能量”概念，給出了網(wǎng)絡(luò)穩(wěn)定性判斷。1984年，他又提出了連續(xù)時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò)模型，為神經(jīng)計(jì)算機(jī)的研究做了開(kāi)拓性的工作，開(kāi)創(chuàng)了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計(jì)算的新途徑，有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)的研究。人工神經(jīng)網(wǎng)絡(luò)的研究受到了各個(gè)發(fā)達(dá)國(guó)家的重視，美國(guó)國(guó)會(huì)通過(guò)決議將1990年1月5日開(kāi)始的十年定為“腦的十年”，國(guó)際研究組織號(hào)召它的成員國(guó)將“腦的十年”變?yōu)槿蛐袨椤?/p>

2.ANN的特點(diǎn)與結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)的研究與發(fā)展及神經(jīng)生理科學(xué)、數(shù)理科學(xué)、信息科和計(jì)算機(jī)科學(xué)等眾多領(lǐng)域，是一種新的信息處理理論。它所特有的信息處理機(jī)制，與傳統(tǒng)的數(shù)字計(jì)算機(jī)有著本質(zhì)的不同。ANN網(wǎng)絡(luò)由大量模擬人腦的神經(jīng)元互連組成，無(wú)獨(dú)立的用于存儲(chǔ)的信息空間，更沒(méi)有單一執(zhí)行指令的CPU，每個(gè)神經(jīng)元的結(jié)構(gòu)都十分簡(jiǎn)單，信息處理與存儲(chǔ)合二為一，通過(guò)調(diào)整連接權(quán)值，由整體狀態(tài)來(lái)給出響應(yīng)信息。ANN是一種非線性映射系統(tǒng)，具有強(qiáng)大的模式識(shí)別能力，可以對(duì)任意復(fù)雜狀態(tài)或過(guò)程進(jìn)行分類(lèi)和識(shí)別。

3.ANN在電力系統(tǒng)中的應(yīng)用

目前，ANN已用于負(fù)荷預(yù)測(cè)，警報(bào)處理，控制等方面，它已經(jīng)從研究階段轉(zhuǎn)為實(shí)際應(yīng)用。

3.1智能控制

在電力系統(tǒng)中利用ANN實(shí)現(xiàn)智能控制，就是利用其估計(jì)和聯(lián)想的能力，實(shí)現(xiàn)系統(tǒng)狀態(tài)與參數(shù)的識(shí)別和控制，這已在多種控制結(jié)構(gòu)中如自校正控制、模型跟蹤控制、預(yù)測(cè)控制等控制中得到應(yīng)用。Y M Park等采用2個(gè)BP網(wǎng)絡(luò)構(gòu)成電力系統(tǒng)穩(wěn)定器(PSS)的模型，其中1個(gè)在系統(tǒng)功率擺動(dòng)中估計(jì)發(fā)電機(jī)的輸出功率。另一個(gè)用于判斷并給出控制決策。范澍等應(yīng)用4層BP網(wǎng)絡(luò)對(duì)發(fā)電機(jī)運(yùn)行方式和系統(tǒng)干擾進(jìn)行精確在線識(shí)別，并以此為基礎(chǔ)設(shè)計(jì)了一種最優(yōu)勵(lì)磁調(diào)節(jié)器模型，計(jì)算與仿真結(jié)果表明，這種調(diào)節(jié)器比固定點(diǎn)線性勵(lì)磁方式具有更強(qiáng)的穩(wěn)定性能和動(dòng)態(tài)品質(zhì)，在系統(tǒng)運(yùn)行方式較大的變化范圍內(nèi)都能提供很好的控制性能，在大小擾動(dòng)下均表現(xiàn)出很好的阻尼特性和良好的電壓性能。袁宇春等提出了用ANN進(jìn)行電力系統(tǒng)的實(shí)時(shí)切負(fù)荷控制，選用的是多輸入單輸出的單層前向神經(jīng)網(wǎng)絡(luò)，選取185個(gè)樣例進(jìn)行網(wǎng)絡(luò)訓(xùn)練后，在西北電網(wǎng)模擬某線路故障顯示了較好的控制特性。

3.2優(yōu)化計(jì)算

由于ANN能夠建立任意非線性的模型，并適于解決時(shí)間序列預(yù)報(bào)問(wèn)題，尤其是隨機(jī)平穩(wěn)過(guò)程的預(yù)報(bào)，因此電力系統(tǒng)短期負(fù)荷預(yù)報(bào)是其應(yīng)用研究的一個(gè)重要方面，歐建平等以3個(gè)ANN構(gòu)成負(fù)荷與天氣變化量的周、日、時(shí)3個(gè)預(yù)報(bào)分析系統(tǒng)，氣象參數(shù)和預(yù)測(cè)周、日、時(shí)前某段歷史負(fù)荷參數(shù)作為網(wǎng)絡(luò)的訓(xùn)練輸入?yún)?shù)，各自產(chǎn)生獨(dú)立的預(yù)報(bào)，再綜合產(chǎn)生最終的預(yù)報(bào)。姜齊榮等則用ANN建立發(fā)電機(jī)、勵(lì)磁系統(tǒng)和調(diào)速系統(tǒng)的詳細(xì)模型，把這三部分的模型連接起來(lái)并與電力系統(tǒng)網(wǎng)絡(luò)接口，形成一個(gè)ANN模型與電力系統(tǒng)網(wǎng)絡(luò)混聯(lián)的系統(tǒng)，這種混聯(lián)系統(tǒng)的暫態(tài)穩(wěn)定計(jì)算結(jié)果與用常規(guī)機(jī)理模型的計(jì)算結(jié)果幾乎相同。為實(shí)現(xiàn)ANN并行、快速、在線處理電力系統(tǒng)實(shí)時(shí)計(jì)算提供新途徑。

3.3故障診斷

要保證電力系統(tǒng)的安全運(yùn)行和實(shí)現(xiàn)電力設(shè)備由定期檢修轉(zhuǎn)變?yōu)闋顟B(tài)檢修，如何準(zhǔn)確地進(jìn)行電力設(shè)備的故障診斷，一直是受關(guān)注的焦點(diǎn)之一。而這類(lèi)故障的征兆錯(cuò)綜復(fù)雜，往往呈現(xiàn)出非線性和不確定性，很難用某一確定的邏輯或算法進(jìn)行識(shí)別。而這種識(shí)別恰好是ANN所擅長(zhǎng)的。ANN在電機(jī)狀態(tài)監(jiān)測(cè)與診斷上也獲得了成功的應(yīng)用。何雨儐等提出一種聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)，取零序電流、定子不對(duì)稱(chēng)電流及其變化率等電測(cè)參數(shù)為故障征兆，通過(guò)網(wǎng)絡(luò)的聯(lián)想能力快速準(zhǔn)確地進(jìn)行電機(jī)早期故障的雙向診斷，能有效地處理各種模式并存的故障診斷問(wèn)題。并且容錯(cuò)性好，能有效抑制現(xiàn)場(chǎng)噪聲干擾，使診斷系統(tǒng)具有良好的魯棒性。電網(wǎng)故障診斷中，用全局逼近的BP算法完成故障的快速定位，便于控制人員及時(shí)處理故障。

3.4繼電保護(hù)

繼電保護(hù)是電力系統(tǒng)安全運(yùn)行的重要保障之一，隨著電力系統(tǒng)的發(fā)展，常規(guī)的繼電保護(hù)技術(shù)已經(jīng)不能完全適應(yīng)需要。黨德玉提到一種基于小波變換和ANN的保護(hù)模型，其輸入特征量經(jīng)過(guò)小波變換，也選用了3個(gè)三層的BP網(wǎng)絡(luò)用于判斷故障種類(lèi)，故障性質(zhì)和故障定位。故障種類(lèi)和故障性質(zhì)的判斷正確率可達(dá)100％，對(duì)線性短路故障的位置判斷正確率為94％，非線性故障(如經(jīng)非線性過(guò)渡電阻接地)的判斷正確率為96％。張海峰等使用3層前向網(wǎng)絡(luò)構(gòu)成變壓器保護(hù)模型，取變壓器2端的電流和其他故障特征量進(jìn)行綜合判斷。經(jīng)大量樣本訓(xùn)練后，可準(zhǔn)確判斷變壓器的勵(lì)磁涌流和各種故障。張津春等介紹了ANN構(gòu)成的自適應(yīng)自動(dòng)重合閘模型，能較好地判別各種情況下瞬時(shí)性故障與永久性故障。

為了解決用電路方法進(jìn)行巨量神經(jīng)元連接無(wú)法實(shí)現(xiàn)的問(wèn)題，采用光電集成技術(shù)制作的光神經(jīng)元、光互連器件、光神經(jīng)芯片也已出現(xiàn)，并成功地應(yīng)用于模式識(shí)別、聯(lián)想記憶等方面。此外，ANN在輸電容量限制條件下經(jīng)濟(jì)調(diào)度、基于同步相量測(cè)量的電壓安全監(jiān)控、電廠控制、HVDC的電流控制器等方面也得到了研究與應(yīng)用。

4.ANN在電力系統(tǒng)中的發(fā)展趨勢(shì)

ANN在電力系統(tǒng)中應(yīng)用已做了大量的研究，一但是總體上來(lái)說(shuō)仍停留在理論分析和仿真實(shí)驗(yàn)上，因此必須加強(qiáng)理論研究與實(shí)際工程應(yīng)用的結(jié)合，例如可在狀態(tài)檢修、在線監(jiān)測(cè)等電力系統(tǒng)有較迫切需求的領(lǐng)域中，尋找實(shí)際應(yīng)用的突破口。近幾年興起的小波變換方法，由于其克服了傅里葉變換不能對(duì)信號(hào)進(jìn)行局部化分析的缺點(diǎn)。同時(shí)具有很強(qiáng)的特征值提取功能，特別適用于故障信號(hào)的分析，經(jīng)小波變換處理后的信號(hào)作為神經(jīng)網(wǎng)絡(luò)的輸入，可使網(wǎng)絡(luò)大大提高抗干擾性并加速收斂。所以小波分析與ANN的結(jié)合將在電力系統(tǒng)控制、保護(hù)、故障診斷等方而發(fā)揮更大的作用。ANN與專(zhuān)家系統(tǒng)和模糊控制的綜合對(duì)電力系統(tǒng)這樣一個(gè)復(fù)雜的動(dòng)態(tài)大系統(tǒng)來(lái)說(shuō)，應(yīng)用潛力更大。ANN的形象思維能力，專(zhuān)家系統(tǒng)的邏輯思維能力和模糊邏輯這三者的結(jié)合，可體現(xiàn)出各自的優(yōu)勢(shì)，互相彌補(bǔ)各自的不足。

人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對(duì)于直覺(jué)，如模式、語(yǔ)音識(shí)別、非結(jié)構(gòu)化信息處理方面的缺陷，使之在神經(jīng)專(zhuān)家系統(tǒng)、模式識(shí)別、智能控制、組合優(yōu)化、預(yù)測(cè)等領(lǐng)域得到成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法相結(jié)合，將推動(dòng)人丁智能和信息處理技術(shù)不斷發(fā)展。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)正向模擬人類(lèi)認(rèn)知的道路上更加深入發(fā)展，與模糊系統(tǒng)、遺傳算法、進(jìn)化機(jī)制等結(jié)合，形成計(jì)算智能，成為人工智能的一個(gè)重要方向，將在實(shí)際應(yīng)用中得到發(fā)展。將信息幾何應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究，為人工神經(jīng)網(wǎng)絡(luò)的理論研究開(kāi)辟了新的途徑。神經(jīng)計(jì)算機(jī)的研究發(fā)展很快，已有產(chǎn)品進(jìn)入市場(chǎng)。光電結(jié)合的神經(jīng)計(jì)算機(jī)為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了良好條件。

第9篇：人工智能和神經(jīng)網(wǎng)絡(luò)的關(guān)系范文

關(guān)鍵詞:故障診斷;故障定位;專(zhuān)家系統(tǒng);神經(jīng)網(wǎng)絡(luò);貝葉斯網(wǎng)絡(luò)

中圖分類(lèi)號(hào):TP393文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2009)31-pppp-0c

Summary on Network Fault Diagnosis Key Technologies

ZHANG Yan

(Suzhou Vocational University, Suzhou 215104, China)

Abstract: As the network failure is inevitable, which requires to manage the network. However, network fault information is usually shown by the complexity and uncertainty of the characteristics, it is necessary for accurate fault detection and location is very difficult, especially the fault location. Focus on the analysis of the fault location based on the principle, introduced artificial intelligence technology such as expert systems, neural networks and Bayesian networks, and the symptoms of failure to carry out the causal link between the reasoning of the fault location technology.

Key words: fault diagnosis; fault localization; expert system; neural network; bayesian network

隨著計(jì)算機(jī)和網(wǎng)絡(luò)應(yīng)用的深入,計(jì)算機(jī)網(wǎng)絡(luò)已經(jīng)成為現(xiàn)代社會(huì)必不可少的基礎(chǔ)設(shè)施。然而,計(jì)算機(jī)網(wǎng)絡(luò)是一個(gè)復(fù)雜的綜合系統(tǒng),網(wǎng)絡(luò)故障不可避免,這就需要行之有效的網(wǎng)絡(luò)故障診斷技術(shù),來(lái)實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)故障的檢測(cè)、定位并排除,確保網(wǎng)絡(luò)的穩(wěn)定和暢通。

傳統(tǒng)的網(wǎng)絡(luò)故障診斷主要是依據(jù)發(fā)生故障時(shí)的網(wǎng)絡(luò)故障信息,通過(guò)專(zhuān)門(mén)的網(wǎng)絡(luò)分析儀和網(wǎng)絡(luò)操作系統(tǒng)中的故障診斷工具以及網(wǎng)絡(luò)的輪循與告警等方法獲取故障信息,然后根據(jù)故障信息,網(wǎng)絡(luò)專(zhuān)家分析和判斷來(lái)找出產(chǎn)生故障的原因。網(wǎng)絡(luò)的故障診斷是一個(gè)典型的多層多類(lèi)分類(lèi)問(wèn)題,通常采用分層診斷的方法[1],沿著OSI七層模型從物理層開(kāi)始向上進(jìn)行逐層診斷,直到網(wǎng)絡(luò)恢復(fù)正常工作為止。

然而,隨著網(wǎng)絡(luò)規(guī)模的急劇擴(kuò)大和結(jié)構(gòu)的日趨復(fù)雜,傳統(tǒng)的依靠網(wǎng)絡(luò)專(zhuān)家以人工方式進(jìn)行的故障診斷已經(jīng)不能滿足需要了。研究開(kāi)發(fā)出一套具備準(zhǔn)確的診斷以及分析處理復(fù)雜、不確定問(wèn)題能力的智能故障診斷技術(shù)已成為當(dāng)務(wù)之急,這也是現(xiàn)在網(wǎng)絡(luò)故障管理領(lǐng)域研究的熱點(diǎn)[2]。

1 網(wǎng)絡(luò)故障診斷概述

通常網(wǎng)絡(luò)故障診斷過(guò)程包括三個(gè)階段[3]:

1) 故障檢測(cè)。故障檢測(cè)是對(duì)網(wǎng)絡(luò)系統(tǒng)的不正常信號(hào)進(jìn)行處理的過(guò)程,這些不正常信號(hào)來(lái)源于網(wǎng)絡(luò)組件的故障或功能失調(diào)。故障檢測(cè)是用來(lái)確定故障源的一個(gè)重要手段。

2) 故障定位,也稱(chēng)為故障隔離,或事件/告警關(guān)聯(lián)。根據(jù)觀察到的故障癥狀推理出故障所在的精確位置的過(guò)程,故障定位的核心部件是事件關(guān)聯(lián),即把與同一個(gè)源故障相關(guān)的告警進(jìn)行分組。

3) 故障測(cè)試,也稱(chēng)為故障確認(rèn)。故障定位得到了系統(tǒng)失效的故障假設(shè)之后,需要進(jìn)行進(jìn)一步的測(cè)試來(lái)確認(rèn)故障,然后進(jìn)行恢復(fù)操作,如重啟軟件系統(tǒng)或更換失效的硬件組件等。

當(dāng)前網(wǎng)絡(luò)故障診斷的研究主要集中在故障診斷的第二階段――故障定位,這是網(wǎng)絡(luò)故障診斷的關(guān)鍵技術(shù),也是網(wǎng)絡(luò)故障診斷的難點(diǎn)所在[2-4]。

網(wǎng)絡(luò)故障定位的核心技術(shù)是事件關(guān)聯(lián)技術(shù)。其基本思想是通過(guò)關(guān)聯(lián)多個(gè)事件為某單一概念事例來(lái)過(guò)濾不必要的或不相關(guān)的事件,為網(wǎng)絡(luò)管理員提供事件信息更精簡(jiǎn)的視圖,以準(zhǔn)確、快速的識(shí)別故障源。

由于故障具有傳播性,單個(gè)故障會(huì)產(chǎn)生大量的網(wǎng)絡(luò)告警,在多個(gè)故障同時(shí)發(fā)生時(shí),情況變得更加復(fù)雜。故障定位就是要在故障產(chǎn)生時(shí),把告警事件進(jìn)行關(guān)聯(lián),分離并推斷出故障源的準(zhǔn)確位置。但是網(wǎng)絡(luò)故障定位的主要困難卻是來(lái)自于得到的告警信息太多而不是信息的缺少。而且網(wǎng)絡(luò)的不可靠性和不確定性,使故障定位變得更加復(fù)雜而困難。其主要表現(xiàn)在[4]:

1) 故障證據(jù)可能是模糊的、不一致的和不完整的;

2) 得到的系統(tǒng)知識(shí)可能包含不確定信息;

3) 多個(gè)不相關(guān)的故障可能同時(shí)發(fā)生產(chǎn)生重疊的告警消息;

4) 存在多個(gè)不同的故障假設(shè)能夠解釋觀察到的故障癥狀;

5) 在大型系統(tǒng)中,利用單個(gè)管理應(yīng)用程序?qū)ο到y(tǒng)進(jìn)行故障定位以及對(duì)可用知識(shí)庫(kù)進(jìn)行維護(hù)在計(jì)算上通常是不可行的;

6) 事件之間不僅存在因果關(guān)系,通常還存在時(shí)間相關(guān)性。

針對(duì)上述難點(diǎn),主要的解決方法是引入人工智能技術(shù),進(jìn)行自動(dòng)故障定位,以實(shí)現(xiàn)智能化的故障診斷。目前用于網(wǎng)絡(luò)故障定位的人工智能技術(shù)主要有:專(zhuān)家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)等。

2 故障定位技術(shù)

2.1 基于專(zhuān)家系統(tǒng)的故障定位技術(shù)

故障診斷中應(yīng)用最廣泛的人工智能技術(shù)是專(zhuān)家系統(tǒng),專(zhuān)家系統(tǒng)通過(guò)模仿人類(lèi)專(zhuān)家在解決特定領(lǐng)域時(shí)的行為來(lái)解決問(wèn)題?；趯?zhuān)家系統(tǒng)的故障定位技術(shù)根據(jù)故障診斷領(lǐng)域的專(zhuān)家知識(shí)和經(jīng)驗(yàn),通過(guò)模擬人類(lèi)專(zhuān)家做出決策的過(guò)程,達(dá)到解決復(fù)雜系統(tǒng)故障診斷的目的。

專(zhuān)家系統(tǒng)由知識(shí)庫(kù)、推理機(jī)、知識(shí)獲取、解釋界面等四部組成,其中知識(shí)庫(kù)用來(lái)存放相關(guān)領(lǐng)域?qū)＜姨峁┑膶?zhuān)門(mén)知識(shí)。在故障檢測(cè)診斷專(zhuān)家系統(tǒng)的知識(shí)庫(kù)中,存儲(chǔ)了某個(gè)對(duì)象的故障征兆、故障模式、故障成因、故障排除意見(jiàn)等內(nèi)容,這些知識(shí)是診斷的基礎(chǔ)。專(zhuān)家系統(tǒng)知識(shí)庫(kù)的知識(shí),可以是從經(jīng)驗(yàn)中獲得的表面知識(shí),也可以是通過(guò)理解系統(tǒng)行為的工作原理而得到的深層知識(shí)。推理機(jī)的功能是根據(jù)一定的推理策略從知識(shí)庫(kù)中選取有關(guān)的知識(shí),對(duì)用戶提供的證據(jù)進(jìn)行推理,直到得出相應(yīng)的結(jié)論為止。

根據(jù)專(zhuān)家系統(tǒng)所使用知識(shí)結(jié)構(gòu)的不同,解決故障定位問(wèn)題的技術(shù)可分為以下幾種:

1) 基于規(guī)則的推理技術(shù)

基于規(guī)則的推理(Rule-based Reason,RBR)是最簡(jiǎn)單的關(guān)聯(lián)技術(shù),己被用于HP Open View Element Management構(gòu)架。通常,基于規(guī)則的系統(tǒng)有三個(gè)組成部分:(1) 推理引擎,包含解決問(wèn)題的策略;(2)知識(shí)庫(kù),包括與特定問(wèn)題有關(guān)的規(guī)則,規(guī)則是指出在什么情況下采取什么措施;(3) 工作存儲(chǔ)區(qū),包含需要處理的問(wèn)題數(shù)據(jù)。

在RBR的事件關(guān)聯(lián)系統(tǒng)中,知識(shí)庫(kù)的專(zhuān)家知識(shí)是網(wǎng)絡(luò)中的問(wèn)題定義。工作存儲(chǔ)區(qū)包括被監(jiān)控網(wǎng)絡(luò)的拓?fù)浜蜖顟B(tài)信息,工作存儲(chǔ)區(qū)用來(lái)識(shí)別網(wǎng)絡(luò)是否出現(xiàn)不完善的狀態(tài)。推理引擎根據(jù)知識(shí)庫(kù)的信息,將當(dāng)前的狀態(tài)與規(guī)則的左側(cè)相比較,查找出最相似的匹配,然后輸出規(guī)則的右側(cè)。

2) 基于模型的推理技術(shù)

基于模型的推理(Model-based Reason,MBR)是現(xiàn)有網(wǎng)絡(luò)故障管理系統(tǒng)中應(yīng)用最廣泛的一種技術(shù)。該方法充分利用現(xiàn)有的系統(tǒng)知識(shí),為具體的現(xiàn)實(shí)系統(tǒng)建立對(duì)應(yīng)的抽象系統(tǒng)模型,再根據(jù)系統(tǒng)模型對(duì)系統(tǒng)行為進(jìn)行預(yù)測(cè),并將預(yù)測(cè)的行為與觀察到的系統(tǒng)實(shí)際行為進(jìn)行比較,然后再對(duì)預(yù)測(cè)的行為和實(shí)際行為間的不一致進(jìn)行診斷。在基于模型的推理系統(tǒng)中,系統(tǒng)模型一般都提供網(wǎng)絡(luò)拓?fù)?、部件故障和告警之間的條件關(guān)系等信息。

3) 基于范例的推理技術(shù)

范例是指一段帶有上下文信息的知識(shí),該知識(shí)表達(dá)了推理機(jī)在達(dá)到其目標(biāo)的過(guò)程中能起到關(guān)鍵作用的經(jīng)驗(yàn)?；诜独耐评?Case-based Reason,CBR)根據(jù)過(guò)去的實(shí)際經(jīng)驗(yàn)或經(jīng)歷,對(duì)現(xiàn)有的問(wèn)題做出相應(yīng)的決策?；诜独耐评砑夹g(shù)的推理過(guò)程可以分為4個(gè)部分,分別為檢索(Retrieve)、復(fù)用(Reuse)、修正(Revise)、保存(Retain),簡(jiǎn)稱(chēng)4R過(guò)程。其中Retrieve過(guò)程從范例庫(kù)中檢索與問(wèn)題匹配度最大的范例,Reuse過(guò)程使用歷史范例來(lái)解決所提出的問(wèn)題,Revise過(guò)程在必要時(shí)修正提出的解決方案,Retain過(guò)程將新的解決方案作為一個(gè)新范例保存到范例庫(kù)中。

2.2 基于神經(jīng)網(wǎng)絡(luò)的故障定位技術(shù)

神經(jīng)網(wǎng)絡(luò)能夠處理復(fù)雜模型,具有聯(lián)想、記憶、推理和抑制噪聲能力,而且信息處理很快,能存儲(chǔ)大量的知識(shí)。神經(jīng)網(wǎng)絡(luò)能夠高效地辨識(shí)給定模式,具有自學(xué)習(xí)能力;神經(jīng)網(wǎng)絡(luò)能夠通過(guò)聯(lián)想能力處理不確定、不完整數(shù)據(jù),因此神經(jīng)網(wǎng)絡(luò)很適合于用于解決故障診斷問(wèn)題。神經(jīng)網(wǎng)絡(luò)只要輸入的模式接近于訓(xùn)練樣本,系統(tǒng)就能進(jìn)行推理。神經(jīng)網(wǎng)絡(luò)克服了專(zhuān)家系統(tǒng)中如果規(guī)則沒(méi)有完全匹配,則會(huì)退出專(zhuān)家系統(tǒng)的缺點(diǎn)。神經(jīng)網(wǎng)絡(luò)還可以運(yùn)用遺傳算法進(jìn)行優(yōu)化,提高神經(jīng)網(wǎng)絡(luò)的性能。

目前神經(jīng)網(wǎng)絡(luò)有兩種診斷模式:

1) 離線診斷:這種診斷模式將學(xué)習(xí)和系統(tǒng)運(yùn)行分開(kāi)。當(dāng)系統(tǒng)出現(xiàn)故障時(shí),把故障信息或現(xiàn)象輸入神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)通過(guò)自組織和自學(xué)習(xí),輸出故障解決方案。

2) 在線診斷:將神經(jīng)網(wǎng)絡(luò)和系統(tǒng)直接相連,讓系統(tǒng)自動(dòng)獲得故障信息和現(xiàn)象,然后由神經(jīng)網(wǎng)絡(luò)內(nèi)部進(jìn)行自組織和自學(xué)習(xí),把學(xué)習(xí)過(guò)程和運(yùn)行過(guò)程合二為一。

文獻(xiàn)[5]提出一種基于粗糙集神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)故障診斷算法,將知識(shí)系統(tǒng)技術(shù)應(yīng)用于鏈路層故障診斷中,針對(duì)故障診斷問(wèn)題的需要,構(gòu)建一個(gè)故障診斷知識(shí)庫(kù);針對(duì)知識(shí)庫(kù)中可能存在的知識(shí)規(guī)則冗余問(wèn)題,提出基于粗糙集理論的知識(shí)庫(kù)規(guī)則約簡(jiǎn)方案,降低知識(shí)規(guī)則的冗余度;由于診斷問(wèn)題的實(shí)質(zhì)是一種映射,將神經(jīng)網(wǎng)絡(luò)模型引入故障診斷系統(tǒng),用一種前饋型網(wǎng)絡(luò)來(lái)逼近這種映射關(guān)系,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本來(lái)自于知識(shí)庫(kù)中的知識(shí)規(guī)則,實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)故障的分類(lèi)。

2.3 基于貝葉斯網(wǎng)絡(luò)的故障定位技術(shù)

貝葉斯網(wǎng)絡(luò)是處理不確定性問(wèn)題的新方法,代替了人工智能和專(zhuān)家系統(tǒng)。利用貝葉斯網(wǎng)絡(luò)進(jìn)行告警關(guān)聯(lián)是當(dāng)前研究的一個(gè)熱點(diǎn)[6],貝葉斯網(wǎng)絡(luò)的一個(gè)很重要功能就是能根據(jù)概率理論在原因和結(jié)果之間進(jìn)行不確定性推理。通過(guò)貝葉斯網(wǎng)絡(luò)來(lái)分析通信網(wǎng)絡(luò)中的告警相關(guān)性,可以克服告警時(shí)間的不確定性基于貝葉斯網(wǎng)絡(luò)的故障診斷方法中,通過(guò)模擬被管理網(wǎng)絡(luò)系統(tǒng)的主要組件間的因果關(guān)系使不確定性知識(shí)模型化。

貝葉斯網(wǎng)絡(luò)可以定義為一個(gè)三元組(V,L,P),V是有向非循環(huán)圖中的結(jié)點(diǎn)集,L是結(jié)點(diǎn)之間的因果鏈集,表示它們之間的因果關(guān)系,P是概率集,即P = {p(υ|π(υ)) |υ∈V},π(υ)是υ的父結(jié)點(diǎn),表示一個(gè)變量對(duì)另一個(gè)變量的影響程度。 V由故障集F = {f1, f2, …, fm}和癥狀集S = {s1, s2, …, sn}組成。P= {p(si | fj) | si∈S, fj∈F, i=1, 2, …, n, j=1, 2, …, m}。這里,一個(gè)癥狀可能被多個(gè)故障引發(fā),一個(gè)故障可能引發(fā)多個(gè)故障。假設(shè)模型是完備的,即,若用Fsi表示所有可能引起癥狀si的故障集合,如果Fsi中的故障都沒(méi)發(fā)生,那么癥狀si一定不會(huì)出現(xiàn),反之,如果出現(xiàn)癥狀si,那么Fsi中至少有一個(gè)故障發(fā)生。(下轉(zhuǎn)第8677頁(yè))

(上接第8669頁(yè))

2.4 故障定位技術(shù)分析

基于專(zhuān)家系統(tǒng)的故障診斷方法,知識(shí)的獲取和知識(shí)庫(kù)的構(gòu)建比較困難,開(kāi)發(fā)成本比較高。每種相關(guān)性分析方法在實(shí)際中都有應(yīng)用,單純地使用某一種關(guān)聯(lián)方法構(gòu)建的告警相關(guān)性分析工具經(jīng)常會(huì)顧此失彼,最終使系統(tǒng)不是缺乏學(xué)習(xí)能力,就是邏輯推理能力不足,難以適應(yīng)網(wǎng)絡(luò)發(fā)展的需要。

基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法中,對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的工作量非常大。神經(jīng)網(wǎng)絡(luò)的適應(yīng)性也比較差,不能自動(dòng)適應(yīng)網(wǎng)絡(luò)環(huán)境的變化?；诖植诩窠?jīng)網(wǎng)絡(luò)的故障診斷方法,將模糊控制技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合,雖然結(jié)合了兩者的優(yōu)勢(shì),但實(shí)現(xiàn)起來(lái)就比較困難。

基于貝葉斯網(wǎng)絡(luò)的故障診斷方法可用來(lái)對(duì)不確定和不完整信息中的將來(lái)可能發(fā)生的故障作出推理以提供有效的預(yù)測(cè)。盡管此方法具有許多優(yōu)點(diǎn),但是在實(shí)際的環(huán)境中獲取先驗(yàn)知識(shí)比較困難,限制了其應(yīng)用。而且隨著網(wǎng)絡(luò)的復(fù)雜度增加,貝葉斯網(wǎng)絡(luò)本身的復(fù)雜度呈指數(shù)級(jí)數(shù)增加,所以其計(jì)算量非常大。基于貝葉斯網(wǎng)絡(luò)的不確定性推理技術(shù)己被證明為NP難題。因此,使用貝葉斯網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)故障定位的技術(shù)還有待于改進(jìn)。

此外,除了上述網(wǎng)絡(luò)故障定位技術(shù),還有基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)故障定位技術(shù)、基于Petri網(wǎng)的網(wǎng)絡(luò)故障定位技術(shù)和基于有限狀態(tài)機(jī)的網(wǎng)絡(luò)故障定位技術(shù)等方法。

3 小結(jié)

網(wǎng)絡(luò)故障智能診斷和精確定位相當(dāng)復(fù)雜的問(wèn)題,靠單一技術(shù)很難圓滿解決,只有多種技術(shù)的融合集成處理故障信息,才能實(shí)現(xiàn)高效而精確的網(wǎng)絡(luò)故障定位。本文在研究網(wǎng)絡(luò)故障診斷技術(shù)的基礎(chǔ)上,重點(diǎn)對(duì)網(wǎng)絡(luò)故障智能診斷核心技術(shù)――故障定位進(jìn)行了深入的研究,介紹了基于專(zhuān)家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)的故障定位技術(shù),為進(jìn)一步深入研究高效智能故障診斷技術(shù),最終實(shí)現(xiàn)網(wǎng)絡(luò)故障的主動(dòng)預(yù)防打下基礎(chǔ)。

參考文獻(xiàn):

[1] Greg Tomsho.網(wǎng)絡(luò)維護(hù)和故障診斷指南站[M].曉蘇,譯.北京:清華大學(xué)出版社,2003.

[2] Breitbart Y,Garofalakis M, Jai B.Topology discovery in heterogeneous IP networks: the net inventory system[J].IEEE/ACM Transactions on Networking,2004,12 (3):465-476.

[3] ANSI T1.215 OAM&P-Fault Management Messages for Interface between Operations Systems and Network Elements,1994.

[4] 鄭秋華.網(wǎng)絡(luò)故障智能診斷關(guān)鍵技術(shù)研究[D].杭州:浙江大學(xué),2007.