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網絡的關系主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工智能和神經網絡的關系范文

黑匣認為，復雜神經網絡、LSTMs(長短期記憶網絡)、注意力模型(Attention Models)等十大趨勢將塑造人工智能未來的技術格局。

上述判斷來自NIPS(神經信息處理系統) 2015大會。NIPS始于1987年，是人工智能領域兩大重要學習會議之一，由于AI的爆炸式發展，近年來逐漸成為許多硅谷公司必須參加的年度會議。在蒙特利爾召開的NIPS 2015吸引了眾多AI學界與業界的頂級專家，與會人數接近4000。大會總共收錄了403篇論文，其中深度學習課題約占11%。來自Dropbox的高級軟件工程師Brad Neuberg分享了他所注意到的十大技術趨勢，黑匣將對每種趨勢做了詳細分析。

1、神經網絡的架構正變得越來越復雜

感知和翻譯等大多數神經網絡的架構正變得越來越復雜，遠非此前簡單的前饋神經網絡或卷積神經網絡所能比。特別需要注意的是，神經網絡正與不同的技術(如LSTMs、卷積、自定義目標函數等)相混合。

神經網絡是多數深度學習項目的根基。深度學習基于人腦結構，一層層互相連接的人工模擬神經元模仿大腦的行為，處理視覺和語言等復雜問題。這些人工神經網絡可以收集信息，也可以對其做出反應。它們能對事物的外形和聲音做出解釋，還可以自行學習與工作。未來的人工智能，最熱門的技術趨勢是什么？

(人工模擬神經元試圖模仿大腦行為|圖片來源：Frontiers)

但這一切都需要極高的計算能力。早在80年代初期，Geoffrey Hinton和他的同事們就開始研究深度學習。然而彼時電腦還不夠快，不足以處理有關神經網絡的這些龐大的數據。當時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作。

隨著計算能力的提升和算法的改進，今天，神經網絡和深度學習已經成為人工智能領域最具吸引力的流派。這些神經網絡還在變得更復雜，當年“谷歌大腦”團隊最開始嘗試“無監督學習”時，就動用了1.6萬多臺微處理器，創建了一個有數十億連接的神經網絡，在一項實驗中觀看了千萬數量級的YouTube圖像。

2、酷的人都在用LSTMs

當你閱讀本文時，你是在理解前面詞語的基礎上來理解每個詞語的。你的思想具有連續性，你不會丟棄已知信息而從頭開始思考。傳統神經網絡的一大缺陷便是無法做到這一點，而遞歸神經網絡(RNN)能夠解決這一問題。

RNN擁有循環結構，可以持續保存信息。過去幾年里，RNN在語音識別和翻譯等許多問題上取得了難以置信的成功，而成功的關鍵在于一種特殊的RNN——長短期記憶網絡(LSTMs)。

普通的RNN可以學會預測“the clouds are in the sky”中最后一個單詞，但難以學會預測“I grew up in France…I speak fluent French。”中最后一個詞。相關信息(clouds、France)和預測位置(sky、French)的間隔越大，神經網絡就越加難以學習連接信息。這被稱為是“長期依賴關系”問題。未來的人工智能，最熱門的技術趨勢是什么？

(長期依賴問題|圖片來源：CSDN)

LSTMs被明確設計成能克服之一問題。LSTMs有四層神經網絡層，它們以特殊的方式相互作用。這使得“能記住信息很長一段時間”可以被視作LSTMs的“固有行為”，它們不需要額外學習這一點。對于大多數任務，LSTMs已經取得了非常好的效果。

3、是時候注意“注意力模型(attention models)了

LSTMs是人們使用RNNs的一個飛躍。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”是指神經網絡在執行任務時知道把焦點放在何處。我們可以讓神經網絡在每一步都從更大的信息集中挑選信息作為輸入。

例如，當神經網絡為一張圖片生成標題時，它可以挑選圖像的關鍵部分作為輸入。未來的人工智能，最熱門的技術趨勢是什么？

(擁有“注意力”的RNN在圖像識別中的成功運用|圖片來源：Github)

4、神經圖靈機依然有趣，但還無法勝任實際工作

當你翻譯一句話時，并不會逐個詞匯進行，而是會從句子的整體結構出發。機器難以做到這一點，這一挑戰被稱為“強耦合輸出的整體估計”。NIPS上很多研究者展示了對跨時間、空間進行耦合輸出的研究。

神經圖靈機(Neural Turing Machine)就是研究者們在硅片中重現人類大腦短期記憶的嘗試。它的背后是一種特殊類型的神經網絡，它們可以適應與外部存儲器共同工作，這使得神經網絡可以存儲記憶，還能在此后檢索記憶并執行一些有邏輯性的任務。未來的人工智能，最熱門的技術趨勢是什么？

(模仿人類短期工作記憶的神經圖靈機|圖片來源：arXiv)

2014年10月，Google DeepMind公布了一臺原型電腦，它可以模仿一些人類大腦短期工作記憶的特性。但直到NIPS2015，所有的神經圖靈機都過于復雜，并且只能解決一些“小玩具”問題。在未來它們或將得到極大改進。

5、深度學習讓計算機視覺和自然語言處理不再是孤島

卷積神經網絡(CNN)最早出現在計算機視覺中，但現在許多自然語言處理(NLP)系統也會使用。LSTMs與遞歸神經網絡深度學習最早出現在NLP中，但現在也被納入計算機視覺神經網絡。

此外，計算機視覺與NLP的交匯仍然擁有無限前景。想象一下程序為美劇自動嵌入中文字幕的場景吧。

6、符號微分式越來越重要

隨著神經網絡架構及其目標函數變得日益復雜和自定義，手動推導出“反向傳播”(back propagation)的梯度(gradients)也變得更加苦難而且容易出錯。谷歌的TensorFlow等最新的工具包已經可以超負荷試驗符號微分式，能夠自動計算出正確的微分，以確保訓練時誤差梯度可被反向傳播。

7、神經網絡模型壓縮的驚人成果

多個團隊以不同方法大幅壓縮了訓練一個良好模型所需的素材體量，這些方法包括二值化、固定浮點數、迭代修剪和精細調優步驟等。

這些技術潛在的應用前景廣闊，可能將會適應在移動設備上進行復雜模型的訓練。例如，不需要延遲就可以得到語音識別結果。此外，如果運算所需要的空間和時間極大降低，我們就可以極高幀率(如30 FPS)查詢一個模型，這樣，在移動設備上也可以運用復雜神經網絡模型，從而近乎實時地完成計算機視覺任務。

8、深度學習和強化學習繼續交匯

雖然NIPS 2015上沒有什么強化學習(reinforcement learning)的重要成果，但“深度強化學習”研討會還是展現了深度神經網絡和強化學習相結合的前景。

在“端對端”(end-to-end)機器人等領域出現了令人激動的進展，現在機器人已經可以一起運用深度和強化學習，從而將原始感官數據直接轉化為實際動作驅動。我們正在超越“分類”等簡單工作，嘗試將“計劃”與“行動”納入方程。還有大量工作需要完成，但早期的工作已經使人感到興奮。

9、難道你還沒有使用批標準化？

批標準化(batch normalization)現在被視作評價一個神經網絡工具包的部分標準，在NIPS 2015上被不斷提及。

第2篇：人工智能和神經網絡的關系范文

關鍵詞：人工神經；網絡游戲程序；研究和設計；分析探究

中圖分類號：TP183 文獻標識碼：A 文章編號：1671-2064（2017）01-0044-01

近年來，在網絡游戲發展過程中，圖像的呈現質量已經提升到了一個極高的水平，人工智能游戲已經成為決定一款游戲成功與否的重要關鍵，并受到了游戲開發商的廣泛關注和高度重視。網絡游戲作為一種目標性、競爭性、互動性、情節性的娛樂作品，它的智能水平對游戲的質量和可玩性具有著直接的影響作用。因此，將計算機圖形學和人工智能有機的結合起來，把人工智能中的預測、路徑規劃、搜索、學習等技術有效的應用到網絡游戲的研發工作中去，不僅能夠提升游戲的質量和可玩性，同時還有利于促進游戲開發企業的發展。

1 人工神經網絡分析

人腦可以用一套較為獨特的方法來解決相關問題，并且還能夠從正反兩面的行為差異中進行學習，經過研究發現，人腦是由十萬種類的遺傳因子中的十萬億個細胞組合而成，人工神經網絡就相當于模擬人腦功能的一個數學模型。其中神經元作為人腦系統中處理基本信息的單元，是人體神經器官的重要組成部分，通過軸將各個神經元進行有效連接，而其他神經元的發送的信號能夠使當前神經元產生相應的反映，這一反映如果能夠達到特定的閾值，就會逐漸產生一種新的信號，并且沿著軸將信號傳輸到其他神經元[1]。人工神經網絡主要就是由各種節點相互連接組合形成的，節點類似于人腦的各個神經元細胞，會存在一些節點連接外部環境，主要負責相關的信息輸出和輸入工作，被稱作是輸出點或者輸入點，而另外一些網絡內部的節點，通常被稱作隱藏節點。隱藏節點的信息輸出通常是輸出節點的信息輸入，輸入節點的信息輸出通常是隱藏節點的信息輸入。

此外，人工神經網絡的主要核心思想就是對人類大腦神經系統功能進行模擬的機器學習的一種方法，并且通過對系統內部各個神經元的各種連接參數進行反復的調節，使得神經網絡系統得到訓練，并且在遇到一定情況時能夠做出最佳的反映[2]。總之，神經網絡作為一項發展較為成熟的技術，其在解決相關問題之后，將會使網絡游戲的智能化提升到一個全新的高度。

2 人工神經網絡中的游戲學習設計分析

與傳統方法相比，神經網絡解決問題的方式有著明顯的不同，其具有著較強的自主學習能力，經過不斷的學習，ANN可以從未知式中的各種復雜數據信息中發現規律[3]。這種神經網絡方法在很大程度上克服了傳統方法在分析中的復雜性以及各種模型函數選擇的困難，通過訓練對問題進行解答，ANN可以較為快速的建立解決問題的非線性和線性模型。如果想要人工神經網絡進行運作，首先就需要讓網絡進行學習，不斷的訓練網絡，幫助它獲取更多的知識信息，最后將這些信息有效的存儲起來。一旦完成相關的訓練和學習，就可以將知識有效的存儲在權值中。在游戲的開發過程中，將神經網絡模型看作是人物建模的基礎，通過對玩家將要進行的動作或者選擇的畫面場景進行預測，運用神經網絡進行信息存儲，并且在游戲的運行過程中要保證學習元素的有效運行，進而讓神經網絡潛移默化的學會相應的自適應技術，最終實現游戲的可玩性和趣味性，提升游戲的開發設計質量和效果，進而吸引更多的游戲玩家。

3 BP神經網絡游戲開發設計分析

在神經網絡的眾多模型中，BP算法是其中較為常用的一種神經網絡，一般分為輸入層、輸出層、中間層等三個部分，各個層之間按順序進行連接，因為中間存在隱含層，可以從中發現一定的學習規律，可以通過對這種網絡的有效訓練，進而形成一種較為復雜、多樣的決策界面[4]。同時，BP神經網絡具有一個強大的功能，其主要就是能夠封裝一個將信息輸入映射到信息輸出的非線性函數。假如不存在隱含層，那么神經網絡只能發現信息輸入與信息輸出之間存在的線性關系。但是，僅僅是為感知網絡增添一個隱含層還是遠遠不夠的，需要通過非線性激活函數為網絡連接提供相應的非線性元素。大多數的非線性函數基本上都能夠進行使用，但是多項式函數除外。

在游戲中，設置網絡作為神經網絡實現的基本步驟，可以將特定數據當做輸入訓練網絡，并且在游戲的具體輸入中進行實際應用。在游戲問題的神經網絡設計中，應該注意結構、學習、神經元特點等三個方面的因素。其中結構主要就是指要進行構造的神經網絡組織、連接方式以及基本類型。而且在神經網絡中節點數設計要遵循相關的原則就是越少越好。神經網絡中的節點數越多，那么神經網絡搜索正確解的空間范圍就越廣闊[5]。神經網絡中輸入節點數在一定程度上決定著模式匹配或網絡分類的變量數，例如，籃球類型的游戲中，運動員投籃命中、灌籃動作、球員分布、難度等級等變量數。

4 結語

總而言之，網絡游戲作為一種新型的娛樂方式，具有著較強的生活模擬性和互動性，深受廣大社會群眾的喜愛。因此，我國應該重視游戲產業的發展，不斷加大對網絡游戲的開發和設計，將神經網絡有效的應用到網絡游戲開發的實踐中去，尤其是BP神經網絡，它不僅可以預測玩家的行為，及時提供信息反饋，同時還能提高網絡游戲的可玩性和趣味性，提升游戲設計的整體質量和效果，有利于促進我國游戲開發產業的發展和進步。

參考文獻：

[1]余穎.基于神經網絡和遺傳算法的人工智能游戲研究與應用[D].湖南大學，2011.

[2]王淑琴.神經網絡和遺傳算法在游戲設計中的應用研究[D].東北師范大學，2014.

[3]f潭凱.神經網絡在即時戰略游戲中的應用[D].福州大學，2014.

第3篇：人工智能和神經網絡的關系范文

【關鍵詞】 機械電子 人工智能技術 結合性研究

科學技術在國民經濟和生活中占有著非常重要的地位，而對科學技術的學術性和探討研究也逐漸的成為了國家的目前首要任務之一，擁有一個解決智能自動調節控制問題的機械電子系統非常的具有重要現實意義，國家對其的建設和研究采取了很大的努力，期望能夠建設一個完善的智能自動調節控制機械電子系統。建設完善的機械電子智能控制系統，能夠有效地通過控制人員的指揮處理危險故障，并且能夠在特殊區域智能工程的操作，為生產業的發展提供了有力的支持，令國家以及機械電子生產企業的服務效率和生產質量進一步的優化。

1 機械電子工程與人工智能的關系

機械電子系統的內部構造及功能存在著一定的不穩定因素，這就使得機械電子系統在輸出與輸入關系的處理上有著相當的難度。雖然傳統的機械電子工程技術在解析數學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來說比較簡單的系統[1]。然而，現代的生產應用所需求的系統是比較復雜和繁瑣的，往往會要求一個系統能夠同時處理多種不同的信息類型。人工智能系統在對信息進行處理時，還存在一定的復雜性和不確定因素，所以現在人工智能處理方式逐漸以知識為基礎，正成為成為現代解析數學方式的替代手段。

人工智能構建系統所應用的辦法中，主要包含的是模糊推理系統和神經網絡系統。神經網絡系統不僅能夠達到對人腦結構的模擬人技術構成，還能夠能夠對數字信號作出分析并且給出參考數值。與神經網絡系統不同的是，模糊推理系統則是通過對人腦的功能進行，進而達到對語言信號有效分析的目的。在輸出輸入的準確度上，神經網絡系統的準確度相對來說比較高，并且且呈光滑曲面，而模糊推理系統的準確度就比較低，而且還呈階梯狀。模糊神經網絡系統能夠對兩者功能的在一定程度上進行最大融合，這對信息的合理表現是非常有實際意義的，為其提供了一個比較合適的完全表達空間，令信息的有效表達得到了保證。而邏輯推理規則能夠達到節點函數的增強效果，這樣一來，就為神經網絡系統提供了函數連結可能性，實現了兩者最大化的發揮了兩者的功能[2]。

2 人工智能技術在機械電子工程中的應用

通過上文的介紹，可以看出由于機械電子工程發展具有不穩定性，盡管通過推導數學方程或者采用建設規則庫的方法有效的提高數學解析的精密性，但是由于方法較為老舊和傳統，致使在數據輸入和輸出方面存在較大的困難程度，急切需要采用先進智能化的技術來實現機械電子工程的改革。模糊推理系統通過采用合理規范的方式對信息進行保存，具有非常明確的機械含義，神經網絡系統采用分布式的方法對信息進行保存，確保神經部件與神經部件之間的緊密練習，有效的提高計算量以及計算速率。通過對這兩種方式的綜合采用，能夠保障人工智能技術作用的有效發揮，實現人工智能技術和機械電子工程兩者的共同進步。

總而言之，隨著科學技術的飛速發展，每個學科間的融合和交叉點就會越來越多，這為人工智能技術和機械電子工程的發展帶來了更為廣闊的發展前景，所以要對二者的關系進行合理的處理，進而實現這一領域的不斷進步[3]。

3 基于人工智能技術下的機械電子產品實例

本文列舉了人工智能技術下的智能移動機器人的實例，對人工智能技術下的機械電子工程進行闡述：

智能控制指的就是是能夠對信息進行處理、反饋以及執行控制決策的能力，是控制理論研究的另一個新的高峰，主要是取代那些傳統的而且已經無法滿足現實需要的控制系統，智能控制系統研究的對象具有高度非線性、復雜的任務以及不確定的數學模型等主要特點。在新時代因素的影響下，越來越多種形式的智能控制系統不斷的被應用到各行各業之中，更是在目前對機器人的智能化控制研究中起了很大的作用，主要通過神經控制以及網絡控制來實現機器人的自由移動等活動。

智能移動機器人的設計水平隨著信息化時代的發展而不斷優化，智能移動機器人的應用已經不單單局限于與單一的對象，而是需要做到多種不同方面的功能拓廣，我國的智能移動機器人的研究一定要要保證跟上時代的腳步，不然就只有面對被其他國家追趕上的后果。只有使現有的智能移動機器人技術與功能滿足新興業務的發展需求，才能保障我國國民經濟持續穩定的發展，并且使得我國在未來的國與國之間的競爭中具備相當的科技以及經濟上的優勢。

4 結語

在市場競爭白熱化和經濟全球化的日漸嚴峻國際形勢下，創新能力逐漸成為了一個國家的的根本核心競爭力，而對于我國目前的情況來說，影響我國技術創新能力強弱的主要因素是我國在各項創新資源上的配置、利用和開發的水平較低。因此，建立一個更加完善的技術創新平臺就顯得非常具有實際意義。使其能將各種創新型資源進行整合，并且為各類創新主體提供更多更加優質的創新服務，而對人工智能技術下的機械電子技術的設計研究則正好滿足了當下的這種需求。

參考文獻：

[1]王孫安.機械電子工程系統設計[J].西安交通大學機械工程學院，2011（10）：15-19.

第4篇：人工智能和神經網絡的關系范文

【關鍵詞】人工智能 容性設備 絕緣監測

從2011年開始至今的5年時間，貴州電網對變電設備在線監測技術進行了大規模的推廣應用。主要包括：變壓器油色譜在線監測、GIS局部放電在線監測、配電開關柜溫度在線監測以及容性設備絕緣在線監測四大類。其中的容性設備絕緣監測，最能反映設備絕緣狀態的介質損耗因數極易受到外界干擾，增加了監測人員準確判斷被監測設備狀態的難度。由于很難采用一個具體的函數來表達數據和這些因數之間的關系，人工神經網絡在此就可以發揮巨大的功能。其大規模并行性、集團運算性、自學容錯和自適應性等強大功能，使得盡快將人工智能技術應用在容性設備絕緣監測中是很有必要的。

1 容性設備絕緣在線監測

1.1 種類

目前容性設備絕緣監測測量方法形成了硬件法和軟件法兩個分支，硬件法包括電橋法、三相不平衡法、過零比較法，軟件法中又分為諧波分析法、正弦波參數法、高階正弦擬合法、相關函數法。

1.2 容性設備絕緣在線監測原理

諧波分析方法最為常見，監測原理為：使用靈敏度高的微電流互感器發出電流信號，并使之對二次側電壓信號進行抽取，完成整形、放大以后將工模干擾與濾波消除，能夠對程控放大信號同步與模擬，使用A/D轉換為離散型數字信號，使用計算機對數字信號進行傅里葉變換處理（FFT），能夠將傅里葉系數得出，得出2個基波相位差。

1.3 誤差分析

三相系統是電力系統的主要表現形式，并且以耦合形式存在，由此，在對三相高壓電容器測試時會出現干擾，造成介質損耗A角變大，不變的是B相，C相變化較小。現場數據分析發現母線介質變化曲線同一側位置相同，而不相同介質損耗曲線差異較大。

2 絕緣監測人工智能模型構建

2.1 ANN人工神經網絡

通常，神經網絡與經典計算存在較大差異，神經網絡優越性更加明顯，數學模型表示不出來的都可以使用神經網絡表示，比如，診斷故障、預測、非線性系統預控等。鑒于介質損耗較多，不能使用基本函數表示數據之間的關系，由此，利用神經網絡比擬一個函數，能夠將介質損耗預測，比較實際測得的數據，進而了解設備絕緣情況。

2.2 前饋型人工神經網絡（BP網）結構與算法

三層人工神經網絡是三層前饋網絡最為基本的構成，網絡誤差能夠在連接中出現“過錯”，然后將輸出層單元誤差“分攤”到下面每一層單元中，

得到每一個層面的參考誤差，獲得對應的連接權限。

在k個模式中，模擬值模式AK=（alk，...，ank），CK=（cik，...，cqk）。誤差修正梯度下能夠對樣本數據學習，使用離散方式，完成學習以后，人工神經網絡會按照存儲連接權做出反應。算法如下：

首先是順序傳播過程，使用賦予初值學習樣本數據；然后賦初值輸入層LA、LB連接權，將LB輸出層的Lc與連接，再與LB層閾值連接，賦予Vj在[-1，+1]區間上隨機值；學習模式（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，刺激隱含層。

2.3 BP網絡構建

Nnbox會提供神經網絡專用函數，用Newff（）表示。此函數格式如下：

Net=newff（A，l，TrainFun），在上述格式中，net表示的是網絡屬性與參數值，4個輸入變量如下：R*2矩陣――A，表示每一個要素輸入向量與最大、最小值；行向量――l，表示每一個層神經元數量；字符串向量――c，表示神經元傳輸函數；TrainFun――字符串變量，表示訓練函數域名。

3 人工智能在容性設備絕緣監測的應用實例驗證及分析

首先構建出模型實例，對時間序列折現圖進行觀察，然后建立預測模型，將每一個結構隱藏神經元數目確定下來，最后將預測數據輸出。構建神經網絡，設t-1，lose表示t時刻，使用U、C對t+1時刻介質損耗預測。選取2350個數據，對其中54%的數據驗證，分為2組對介質損耗因素值預測，再按照相關函數與偏相關函數構建MA、AR、ARMA模型，在Matlab中調用autocorr（）、parcorr（）函數，對不同時間段相關性考量。

構建神經網絡以后，具有靈敏反應，并且精準度能夠達到診斷指標。使用人工神經網絡對容性設備介質損耗預測時，需要結合實際預測數據，充分收集歷史數據，明確相關變量關系才能將預測精度提升。

4 結語

隨著變電站無人值班越來越普遍，人工智能檢測設備狀態顯得尤為重要，通過本文論述與分析了解在線檢測裝置是一個有的監測手段，能減少外界環境對裝置的影響，真實反映出設備絕緣狀態。

參考文獻

[1]南寅，王雪楠，樊樹根等.能夠防止一點接地導致繼電保護誤動的安全型直流絕緣監測系統[J].電力系統保護與控制，2014（7）：134-139.

[2]龍望成，高炎輝，關根志等.交叉互聯接線的交聯聚乙烯（XLPE）電力電纜絕緣在線監測理論分析[J].電力自動化設備，2011，28（3）：59-63.

[3]王新超，蘇秀蘋，張麗麗等.短暫擾動注入法對于小電流接地系統線路狀態在線監測的探討[J].電力系統保護與控制，2010，38（6）：141-145.

[4]趙立進，曾華榮，黃良等.變電設備在線監測技術工程應用[M].北京：中國電力出版社，2015：ISBN：9787512368644.

作者簡介

黎緒杰（1986-），男，土家族，貴州省凱里市人。工學學士學位。現為貴州省凱里供電局繼電保護高級工、調度自動化廠站端調試檢修高級工。研究方向為繼保自動化、智能電網、在線監測。

第5篇：人工智能和神經網絡的關系范文

關鍵詞 液壓系統;故障診斷;智能診斷技術

中圖分類號 TH137,TP18文獻標識碼 A 文章編號 1674-6708(2010)16-0008-02

0 引言

現代工程機械液壓系統向著高性能、高精度和復雜的方向發展,液壓系統的可靠性成了一個十分突出的問題,除對液壓系統進行可靠性設計外,液壓系統故障檢測和診斷技術越來越受到重視,成為液壓技術發展的一個重要方向。

1 機械液壓系統故障診斷方法

故障診斷是對液壓元件與系統產生故障的原因做出分析與判斷,以便找出解決問題的方法。目前,液壓傳動系統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單的診斷儀器,憑借領域專家的實踐經驗,判斷故障的部位和原因,并提出相應的排除方法。這種方法又被稱為簡易診斷方法,它是設備維修部門普遍采用的方法,可以通過看、聽、摸、聞、閱、問等方式,簡單定性地判斷液壓系統工作的實際狀況是否出現異常。基于人的主觀診斷法主要包括系統分析法、參數測量法、方框圖分析法、魚刺圖分析法等。

基于人的主觀診斷法只能對簡單液壓設備故障進行定性判斷與決策,對于復雜液壓設備,僅僅依靠個別專家的經驗和知識是無法對故障進行準確定位與判斷的。

2)基于數學模型與信息處理的診斷法

這種診斷方法是用一定的數學手段描述系統某些可測量特征量在幅值、相位、頻率及相關性上與故障源之間的聯系,然后通過測量、分析、處理這些信號來判斷故障源所在。基于數學模型與信息處理的故障診斷方法通常有狀態估計方法、參數估計方法、頻譜分析法、小波分析法等。

基于數學模型與信息處理的故障診斷方法需要提取系統特征參數或對系統建模,而液壓系統由于元件工作在封閉油路中,影響液壓系統特性的因素多種多樣且相互影響,不易得到能準確反映故障的特征參數。液壓系統一般都是由機、電、液耦合而成,存在著非線性時變環節,對系統建模也顯得相當困難。所以此故障診斷法在液壓系統故障診斷應用中受到了一定的限制,有待于進一步改進。

3)基于智能技術的診斷法

液壓故障的多樣性、突發性、成因的復雜性和進行故障診斷所需要的知識對領域專家實踐經驗和診斷策略的依賴,使研制智能化的液壓故障診斷系統成為當前的趨勢。計算機技術的發展與故障診斷技術相結合,人工智能 (artificial intelligence)診斷技術應運而生。其本質特點是模擬人腦的機能,有效地獲取、傳遞、處理、再生和利用故障信息, 運用大量獨特的專家經驗和診斷策略,成功地識別和預測診斷對象態。智能診斷技術在知識層次上實現了辨證邏輯與數理邏輯的集成、符號邏輯與數值處理的統一、推理過程與算法過程的統一、知識庫與數據庫的交互等功能,為構建智能化的液壓故障診斷系統提供了堅實的基礎。

目前,基于智能技術的故障診斷法主要有:基于神經網絡的診斷法、基于專家系統的診斷法、基于模糊邏輯的診斷法等。

2 人工智能及智能診斷

當前,人工智能的研究是與具體領域相結合進行的。基本上有如下領域:1)專家系統,是依靠人類專家已有的知識建立起來的知識系統,它應用人工智能技術、模擬人類專家解決問題時的思維過程,來求解領域內的各種問題,達到或接近專家的水平;2)模式識別。模式識別是研究如何使機器具有感知能力,主要研究視覺模式和聽覺模式的識別。近年來,迅速發展起來應用模糊數學模式、人工神經網絡模式的方法逐漸取代傳統的用統計模式和結構模式的識別方法。特別是神經網絡方法在模式識別中取得較大進展;3)人工神經網絡。人工神經網絡是在研究人腦的奧秘中得到啟發,試圖用大量的處理單元(人工神經元、處理元件、電子元件等)模仿人腦神經系統工程結構和工作機理。在人工神經網絡中,信息的處理是由神經元之間的相互作用來實現的,知識與信息的存儲表現為網絡元件互連間分布式的物理聯系,網絡的學習和識別取決于和神經元連接權值的動態演化過程。人工神經網絡已經成為人工智能中極其重要的一個研究領域。

3 液壓故障的智能診斷技術

目前的研究主要從兩方面展開,即基于專家系統的液壓系統故障智能診斷技術和基于神經網絡的液壓系統故障智能診斷技術。

3.1 液壓故障診斷專家系統

故障診斷專家系統(ES)是研究最多、應用最廣的一類智能診斷系統。主要用于沒有精確數學模型或很難建立數學模型的復雜系統。液壓系統故障診斷專家系統是在采用先進傳感技術與信號處理技術的基礎上研制開發的。用專家系統診斷液壓系統故障的一般過程是通過用戶接口將故障現象輸入計算機,由計算機根據輸入的故障現象及知識庫中的知識,按推理機中存放的推理方法,推理出故障原因,提出維修和預防措施。

3.1.1 知識庫

知識庫是故障診斷專家系統的基礎, 如何建立有效的知識庫是診斷系統的重要環節,知識庫的模型不僅要符合專家診斷推理的思維,同時還要具備不斷自我充實的能力,以提高專家系統的性能。知識庫中存放各種故障現象、引起故障的原因及原因和現象間的關系,知識包括領域專家的啟發性知識和液壓系統的結構原理性知識。前者源于領域專家在長期實踐中的知識積累,后者來自于對液壓系統結構、原理和性能的深層次研究。通過對液壓系統結構、功能和故障機理特征的分析可將其各部分的隸屬關系描述成一種樹狀結構,如系統級、子系統級、部件級和元件級等若干層次。

3.1.2 推理機

推理機是專家系統的核心,實際上是計算機的控制模塊,根據輸入的設備癥狀,利用知識庫中存貯的專家知識,按一定的推理策略解決診斷問題。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;常用的知識表達方式有產生式規則、框架、謂詞邏輯等。

在液壓故障模糊推理診斷過程中,一般堅持以下原則:分層分段診斷, 逐步深入原則、假設與驗證相結合原則、綜合評判原則、獲取信息原則、通過對外在性能的考證來判斷系統內部結構的劣化原則,對比判別確定原則,找出最嚴重的故障點原則等。

3.1.3 專家系統的實現

根據知識庫模型和知識推斷處理方法,專家系統的實現主要由圖1所示的幾個模塊組成。

圖1 液壓系統故障診斷專家系統結構圖

3.2 液壓故障診斷神經網絡系統

第6篇：人工智能和神經網絡的關系范文

關鍵詞 徑向基神經網絡；大壩變形；監控模型；預測預報；白石水庫

中圖分類號 TV135.3 文獻標識碼 A 文章編號 1007-5739（2013）06-0191-01

變形監控是了解大壩工作狀態，實施安全管理的重要內容之一。變形觀測方法簡便易行，其成果直觀可靠，能夠真實反映大壩的工作性態，既是大壩安全監測的主要監測量，又是大壩安全監控的重要指標。

早期人們通過繪制過程線、相關圖，直觀地了解大壩變形測值的變化大小和規律，并運用比較法、特征值統計法，檢查變形在數量變化大小、規律、趨勢等方面是否具有一致性和合理性，對大壩變形進行定性分析。隨著各種分析理論的產生，模糊數學、突變理論、灰色系統理論、神經網絡等理論方法被相繼引入大壩變形監控領域。

1 徑向基神經網絡

1.1 人工神經網絡概述

人工神經網絡是人工智能控制技術的主要分支之一，具有自適應、自組織和實時學習等智能特點，能夠實現聯想記憶、非線性映射、分類識別等功能[1]。應用人工神經網絡的非線性函數逼近能力，構建大壩監控模型，能夠實現對大壩變形的實時、有效監控，其預報效果和精度遠遠高于傳統的逐步回歸統計模型[2]。

基于BP算法的多層前饋神經網絡應用較為廣泛，但是存在建模難度較大，訓練時間較長，容易陷入局部極小點，不易找到理想模型等固有的缺陷。徑向基神經網絡解決非線性影射（曲線擬合）問題，是通過網絡的學習訓練，在高維空間中尋找一個統計意義上能夠最佳擬合樣本數據的曲面，泛化（預測預報）等價于利用這個多維曲面對樣本進行插值[3]。它采用局部逼近的方法，學習速度快，能夠更好地解決有實時性要求的在線分析問題。

1.2 徑向基函數神經網絡

徑向基函數神經網絡一般由3層組成，輸入層只傳遞輸入信號到隱層，隱層節點由類高斯函數的輻射狀基函數構成，輸出層節點通常是簡單的線性函數。

基函數對輸入信號在局部產生響應，當輸入信號靠近基函數中央位置，即歐幾里得距離（歐氏距離）較近時，隱層節點將產生較大的輸出。神經元根據各輸入向量與每個神經元權值的距離產生輸出，只有那些與神經元權值相差較小，距離較近的輸入向量才能激活，產生響應。這種局部響應，使得徑向基網絡具有良好局部逼近能力。

一般對于一個n維輸入、m維隱層節點的徑向基網絡，其輸入向量表示為：

X=（x1，x2，…，xi，…，xn）T（1）

那么，網絡輸出Y為：

Y=■wiφi（||X-vi||）（2）

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

1.3 徑向基神經網絡和基于BP算法的多層前饋神經網絡比較

徑向基網絡和基于BP算法的多層前饋神經網絡一樣，都屬于有導師學習方式的前饋型反向傳播網絡，都能解決非線性函數的擬合、逼近問題，但是他們之間也存在差異。

（1）網絡結構不同。徑向基網絡只有一個隱層，而多層前饋神經網絡的隱層可以是多層的，也可以是單層的。

（2）神經元模型不同。徑向基網絡的隱層和輸出層激勵函數，分別是基函數和線性函數。而多層前饋神經網絡的隱層激勵函數一般為非線性函數，輸出層激勵函數可以是非線性函數，也可以是線性函數。

（3）隱層激勵函數計算方法不同。徑向基網絡基函數計算的是輸入向量與函數中心的歐氏距離，而多層前饋神經網絡隱層激勵函數計算的是輸入向量與其連接權值向量的內積。

（4）非線性映射的特性不同。由于它們所采用的隱層激勵函數以及激勵函數的計算方法不同，使得這2種網絡的權值、閾值修正方式也不同。在徑向基網絡訓練過程中，只有被激活的神經元才能修正權值和閾值，這種以指數衰減形式映射的局部特性被稱為函數的局部逼近。多層前饋神經網絡的訓練過程，也是所有權值和閾值的調整過程，屬于全局尋優模式。

2 白石水庫大壩變形徑向基神經網絡模型

2.1 白石水庫工程概況

白石水庫位于遼寧省北票市上園鎮附近的大凌河干流上，總庫容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。最大壩高49.3 m，壩頂長513 m，分為32個壩段。水庫1996年9月正式開工，1999年9月下閘蓄水。

2.2 大壩變形徑向基神經網絡模型

一般情況下，大壩變形數學模型分為3個分量，即水壓變形分量（δH）、溫度變形分量（δT）和時效變形分量（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、三次冪呈線性關系；溫度變形分量采用1、15、30、60、90 d的庫區日常平均氣溫；時效變形分量選用對數函數和線性函數2種。根據公式（3），設計網絡輸入為11個節點，輸出為1個節點的3層大壩變形徑向基神經網絡。

2.3 神經網絡模型預測、預報效果分析

為比較徑向基神經網絡的擬合和預報效果，以白石水庫6#壩段壩頂變形為例，分別建立傳統的逐步回歸統計模型、BP神經網絡與徑向基神經網絡模型3種模型，特征值見表1，預報曲線見圖1。可以看出：①徑向基神經網絡模型、BP神經網絡模型、統計回歸模型的復相關系數均高于0.9，說明3種模型擬合程度良好，3種模型均可以作為變形監控模型；②從殘差平方和、平均相對誤差、殘差變幅等方面比較，廣義回歸徑向基神經網絡監控模型的擬合效果最佳，其次是BP神經網絡模型，統計回歸模型最差；③基于LM算法的BP神經網絡監控模型的殘差平方和、殘差最小值，分別為10.15和-0.90 mm，相比之下預報精度最高；廣義回歸徑向基神經網絡監控模型次之，殘差平方和、殘差最小值分別為50.22和-2.38 mm；統計回歸模型最差，殘差平方和、殘差最小值分別為110.89和-2.70 mm。

3 結論

應用人工神經網絡，建立大壩變形的人工智能監控模型，能夠實現對大壩變形的實時、有效監控，其預報效果和精度遠遠高于傳統的逐步回歸統計模型。BP網絡的預報精度最高，但它存在建模難度較大，訓練時間較長，容易陷入局部極小點，不易找到理想模型等缺點。徑向基神經網絡模型，雖然在預報精度上略遜于BP神經網絡，但是在不過于苛求預報精度的前提下，從建模容易程度、訓練速度和預報精度等方面綜合考慮，遠遠好于BP神經網絡。

4 參考文獻

[1] 韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.

[2] 韓衛.基于神經網絡的大壩變形智能監控模型研究[D].大連：大連理工大學，2009.

第7篇：人工智能和神經網絡的關系范文

1計算機神經網絡體系

人們為了因對計算機迅猛發展帶來的危機在上世紀40年代就提出了神經網絡體的設想,并對此加以研究實驗。自80年代后已經成為人們評價計算機網絡安全的重要標準。大量簡單的神經元通過相互連接形成更復雜的神經結構,神經結構之間相互連接最終形成神經網絡體系。神經網絡體系具有十分強的的信息處理工能,可以存儲分布、處理分布,有包容性和學習能力,能夠處理非線性的復雜關系,是一個成長型的系統。神經網絡系統通過調節自身節點之間的關系,來完成對信息的分析處理,模仿人的大腦對信息的處理方式。其具有很強的靈活性和針對性,可以進行初步的理性分析,優化其自身的信息資料庫,找尋最優的解決方案。計算機神經網絡系統是人類邁向人工智能化時代的一大創舉,隨著人工智能技術的不斷進步,更加智能的機器人將隨之產生。

2計算機網絡安全的評估標準

計算機的使用者們根據當前計算機的使用狀態制定了一系列的計算機網絡安全現行標準。

2.1網絡安全的定義

網絡安全指的就是人們在運用互聯網時信息的安全保密不被竊取和惡意破壞,系統、軟件設備、硬件設備都處在良好的狀態中。在計算機系統運行時不會受到木馬病毒、惡意插件的攻擊。信息安全、密碼安全、通信安全等領域的安全都處在網絡安全的范疇之中。計算機網絡安全有四大原則:可控性原則,即計算機網絡信息的傳播控制在一定的范圍內,網絡上流傳的信息要在法律允許的范圍之內,網絡管理者可以通過網絡對其進行有力的控制。完整性原則,即網絡數據信息未經過官方和其發行者的授權不可以私人篡改,保持網絡數據的完整性就是保證網絡信息的可用性。可用性原則,即網絡使用者當前是否能夠使用網絡中的信息。保密性原則,即對計算機網絡數據進行訪問時,不得隨意泄露信息給未獲得網絡授權的用戶。在這個信息全球化的時代,網絡安全是人們生活安全中至關重要的一項。

2.2網絡安全評估標準

當今社會人們對網絡信息的要求逐步提高,相應的產生了一套大家公認的評估標準。這套標準是依據現有的計算機網絡技術,全面的、合理的、客觀的、科學的,考慮計算機網絡運用的方方面面制定出來的。堅持評估標準與實際生活相結合,便于檢測和操作的可行性原則;堅持條理清晰、層次分明,有代表性的簡明性原則;堅持真實準確,避免環節重復,避免節點之間相互影響的獨立性原則;堅持運用完整的、全面的、準確可靠的完備性原則為信息全評價標準;堅持聯系實際以現行的計算機技術水平為評價指標的準確性原則。按照以上的網絡安全標準一定要與當前所在的區域網相結合,做到具體問題具體分析。

2.3網絡安全體系的設定

根據計算機網絡安全檢查建立不同的計算機網絡安全等級,大致可分為四個層次:很危險、危險、有風險、安全。很危險可用紅色表示,計算機網絡系統存在高危漏洞,需要緊急查殺木馬病毒和惡意插件,關機后再重新啟動。危險可用橙色表示,表示網絡系統中有安全隱患需要處理,網絡的安全等級有限,需要及時的進行殺毒處理。有風險可用黃色表示,這種情況表示計算機中有風險項,需要對計算機網絡進行檢測處理。安全表示當前的計算機網絡狀態良好無任何風險項,可用綠色表示。這種設計可以給計算機的應用者最直觀的感受來判斷計算機的狀態。

3神經網絡系統在計算機網絡安全中的應用

計算機網絡的主要作用是傳遞信息,其廣泛的應用于電子商務,信息處理,電子辦公等方方面面。網絡黑客通過木馬病毒盜取用戶信息,倒賣客戶資料,竊取他人財產,對網絡的和諧安全產生了及其惡劣的影響。神經網絡系統在計算機網絡信息的傳播當中起到了橋梁和過濾器的作用。信息在網絡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神經網絡的神經元來完成的。計算機神經網絡有三個層次組成,分別是輸出層、隱藏層、輸入層,通過這三個部分對信息進行加工處理。其中的隱藏層起到了傳輸中樞的作用,輸入的信息輸出時需要先輸入到隱藏層中,再由隱藏層對其進行處理,最后傳輸到輸出層中輸出。在此時系統發現信息有誤將會回溯至上一階段對信息進行核對,信息精確后會再次傳輸回來發送至輸出層。通過神經網絡系統的應用能夠大量準確的對信息進行合理的處理,方便了人們的生活,提高了人們的工作效率。

4神經網絡系統對計算機網絡安全的影響

神經網絡系統作為廣泛應用于人們生活中的技術,其即存在著優點,也存在著不足。神經網絡技術具有良好的靈活性包容性,與傳統的曲線擬合體系相比其對缺失信息和噪音反應不靈敏。一個節點只能反應一個問題,一個節點中發現的問題在整個神經網絡體系的表現中將產生嚴重影響。其具有良好的延展性,可以把個體中的多數樣本引入部分當中,將部分當中的多數樣本引入到整體當中。神經網絡系統具有強大的學習適應能力,可以自行總結系統處理的信息中的規律,自我調整輸出模式,減少系統的誤差。神經網絡有線應用潛力,有線應用潛力是神經網絡系統自身的基本能力,神經網絡是由一個又一個節點連接而成的,兩點之間的直線距離最短,處理信息的速度最快。神經網絡系統具有自動處理信息關系的能力。其已經具有初步的人工智能化能力,可以自主分析較為簡單的問題。雖然神經網絡系統功能十分強大,但是也存在著一些不足之處。神經網絡系統的結構多樣化,在信息處理的過程中也會出現多種組合。因此只能出現最精確的處理結果,無法得出最準確的處理結果。神經網絡系統自身的結構決定了其對局部極小問題的忽視,這種特性會影響其處理問題的準確性。對于非常復雜的數據問題其處理效果會減慢。隨著計算機的應用大量的信息被記載入數據庫,信息量過于龐大會影響到信息處理的效率。神經網絡系統并不是真正的人腦只達到了出步的人工智能程度,其處理問題存在一定的機械性。這種問題只有通過科學家的不斷研究才能得到改善。

第8篇：人工智能和神經網絡的關系范文

摘要：隨著電力工業的發展，人工神經元網絡(ANN)在電力系統中獲得了廣泛的應用。本文概述了人工神經元網絡的特點、基本結構以及發展過程，并對ANN在電力系統中的具體應用做了詳細的話述。最后，對人工神經元網絡的發展趨勢和在電力系統中的應用前景進行了展望。

關鍵詞：人工神經元網絡(ANN)　電力系統　應用前景　展望

人工神經網絡，是一種模范動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入一輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果。人工神經網絡具有四個基本特征：非線性、非局限性、非定性、非凸性。人工神經網絡理論，作為人工智能的一個最活躍的分支，其模擬人腦的工作方式，為解決復雜的非線性、不確定性、不確知性系統的問題開創了一個嶄新的途徑，因而在電力系統應用研究中受到了廣泛的關注。

1.ANN發展過程

1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts建立了神經網絡和數學模型，稱為MP模型。他們通過MP模型提出了神經元的形式化數學描述和網絡結構方法，證明了單個神經元能執行邏輯功能，從而開創了人工神經網絡研究的時代。60年代，人工神經網絡得到了進一步發展，更完善的神經網絡模型被提出，其中包括感知器和自適應線性元件等。1982年，美國加州工學院物理學家J.J.Hopfield提出了Hopfield神經網格模型，引入了“計算能量”概念，給出了網絡穩定性判斷。1984年，他又提出了連續時間Hopfield神經網絡模型，為神經計算機的研究做了開拓性的工作，開創了神經網絡用于聯想記憶和優化計算的新途徑，有力地推動了神經網絡的研究。人工神經網絡的研究受到了各個發達國家的重視，美國國會通過決議將1990年1月5日開始的十年定為“腦的十年”，國際研究組織號召它的成員國將“腦的十年”變為全球行為。

2.ANN的特點與結構

人工神經網絡的研究與發展及神經生理科學、數理科學、信息科和計算機科學等眾多領域，是一種新的信息處理理論。它所特有的信息處理機制，與傳統的數字計算機有著本質的不同。ANN網絡由大量模擬人腦的神經元互連組成，無獨立的用于存儲的信息空間，更沒有單一執行指令的CPU，每個神經元的結構都十分簡單，信息處理與存儲合二為一，通過調整連接權值，由整體狀態來給出響應信息。ANN是一種非線性映射系統，具有強大的模式識別能力，可以對任意復雜狀態或過程進行分類和識別。

3.ANN在電力系統中的應用

目前，ANN已用于負荷預測，警報處理，控制等方面，它已經從研究階段轉為實際應用。

3.1智能控制

在電力系統中利用ANN實現智能控制，就是利用其估計和聯想的能力，實現系統狀態與參數的識別和控制，這已在多種控制結構中如自校正控制、模型跟蹤控制、預測控制等控制中得到應用。Y M Park等采用2個BP網絡構成電力系統穩定器(PSS)的模型，其中1個在系統功率擺動中估計發電機的輸出功率。另一個用于判斷并給出控制決策。范澍等應用4層BP網絡對發電機運行方式和系統干擾進行精確在線識別，并以此為基礎設計了一種最優勵磁調節器模型，計算與仿真結果表明，這種調節器比固定點線性勵磁方式具有更強的穩定性能和動態品質，在系統運行方式較大的變化范圍內都能提供很好的控制性能，在大小擾動下均表現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進行電力系統的實時切負荷控制，選用的是多輸入單輸出的單層前向神經網絡，選取185個樣例進行網絡訓練后，在西北電網模擬某線路故障顯示了較好的控制特性。

3.2優化計算

由于ANN能夠建立任意非線性的模型，并適于解決時間序列預報問題，尤其是隨機平穩過程的預報，因此電力系統短期負荷預報是其應用研究的一個重要方面，歐建平等以3個ANN構成負荷與天氣變化量的周、日、時3個預報分析系統，氣象參數和預測周、日、時前某段歷史負荷參數作為網絡的訓練輸入參數，各自產生獨立的預報，再綜合產生最終的預報。姜齊榮等則用ANN建立發電機、勵磁系統和調速系統的詳細模型，把這三部分的模型連接起來并與電力系統網絡接口，形成一個ANN模型與電力系統網絡混聯的系統，這種混聯系統的暫態穩定計算結果與用常規機理模型的計算結果幾乎相同。為實現ANN并行、快速、在線處理電力系統實時計算提供新途徑。

3.3故障診斷

要保證電力系統的安全運行和實現電力設備由定期檢修轉變為狀態檢修，如何準確地進行電力設備的故障診斷，一直是受關注的焦點之一。而這類故障的征兆錯綜復雜，往往呈現出非線性和不確定性，很難用某一確定的邏輯或算法進行識別。而這種識別恰好是ANN所擅長的。ANN在電機狀態監測與診斷上也獲得了成功的應用。何雨儐等提出一種聯想記憶神經網絡，取零序電流、定子不對稱電流及其變化率等電測參數為故障征兆，通過網絡的聯想能力快速準確地進行電機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題。并且容錯性好，能有效抑制現場噪聲干擾，使診斷系統具有良好的魯棒性。電網故障診斷中，用全局逼近的BP算法完成故障的快速定位，便于控制人員及時處理故障。

3.4繼電保護

繼電保護是電力系統安全運行的重要保障之一，隨著電力系統的發展，常規的繼電保護技術已經不能完全適應需要。黨德玉提到一種基于小波變換和ANN的保護模型，其輸入特征量經過小波變換，也選用了3個三層的BP網絡用于判斷故障種類，故障性質和故障定位。故障種類和故障性質的判斷正確率可達100％，對線性短路故障的位置判斷正確率為94％，非線性故障(如經非線性過渡電阻接地)的判斷正確率為96％。張海峰等使用3層前向網絡構成變壓器保護模型，取變壓器2端的電流和其他故障特征量進行綜合判斷。經大量樣本訓練后，可準確判斷變壓器的勵磁涌流和各種故障。張津春等介紹了ANN構成的自適應自動重合閘模型，能較好地判別各種情況下瞬時性故障與永久性故障。

為了解決用電路方法進行巨量神經元連接無法實現的問題，采用光電集成技術制作的光神經元、光互連器件、光神經芯片也已出現，并成功地應用于模式識別、聯想記憶等方面。此外，ANN在輸電容量限制條件下經濟調度、基于同步相量測量的電壓安全監控、電廠控制、HVDC的電流控制器等方面也得到了研究與應用。

4.ANN在電力系統中的發展趨勢

ANN在電力系統中應用已做了大量的研究，一但是總體上來說仍停留在理論分析和仿真實驗上，因此必須加強理論研究與實際工程應用的結合，例如可在狀態檢修、在線監測等電力系統有較迫切需求的領域中，尋找實際應用的突破口。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信號進行局部化分析的缺點。同時具有很強的特征值提取功能，特別適用于故障信號的分析，經小波變換處理后的信號作為神經網絡的輸入，可使網絡大大提高抗干擾性并加速收斂。所以小波分析與ANN的結合將在電力系統控制、保護、故障診斷等方而發揮更大的作用。ANN與專家系統和模糊控制的綜合對電力系統這樣一個復雜的動態大系統來說，應用潛力更大。ANN的形象思維能力，專家系統的邏輯思維能力和模糊邏輯這三者的結合，可體現出各自的優勢，互相彌補各自的不足。

人工神經網絡特有的非線性適應性信息處理能力，克服了傳統人工智能方法對于直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。人工神經網絡與其它傳統方法相結合，將推動人丁智能和信息處理技術不斷發展。近年來，人工神經網絡正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳算法、進化機制等結合，形成計算智能，成為人工智能的一個重要方向，將在實際應用中得到發展。將信息幾何應用于人工神經網絡的研究，為人工神經網絡的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網絡的發展提供了良好條件。

第9篇：人工智能和神經網絡的關系范文

關鍵詞:故障診斷;故障定位;專家系統;神經網絡;貝葉斯網絡

中圖分類號:TP393文獻標識碼:A文章編號: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

隨著計算機和網絡應用的深入,計算機網絡已經成為現代社會必不可少的基礎設施。然而,計算機網絡是一個復雜的綜合系統,網絡故障不可避免,這就需要行之有效的網絡故障診斷技術,來實現對網絡故障的檢測、定位并排除,確保網絡的穩定和暢通。

傳統的網絡故障診斷主要是依據發生故障時的網絡故障信息,通過專門的網絡分析儀和網絡操作系統中的故障診斷工具以及網絡的輪循與告警等方法獲取故障信息,然后根據故障信息,網絡專家分析和判斷來找出產生故障的原因。網絡的故障診斷是一個典型的多層多類分類問題,通常采用分層診斷的方法[1],沿著OSI七層模型從物理層開始向上進行逐層診斷,直到網絡恢復正常工作為止。

然而,隨著網絡規模的急劇擴大和結構的日趨復雜,傳統的依靠網絡專家以人工方式進行的故障診斷已經不能滿足需要了。研究開發出一套具備準確的診斷以及分析處理復雜、不確定問題能力的智能故障診斷技術已成為當務之急,這也是現在網絡故障管理領域研究的熱點[2]。

1 網絡故障診斷概述

通常網絡故障診斷過程包括三個階段[3]:

1) 故障檢測。故障檢測是對網絡系統的不正常信號進行處理的過程,這些不正常信號來源于網絡組件的故障或功能失調。故障檢測是用來確定故障源的一個重要手段。

2) 故障定位,也稱為故障隔離,或事件/告警關聯。根據觀察到的故障癥狀推理出故障所在的精確位置的過程,故障定位的核心部件是事件關聯,即把與同一個源故障相關的告警進行分組。

3) 故障測試,也稱為故障確認。故障定位得到了系統失效的故障假設之后,需要進行進一步的測試來確認故障,然后進行恢復操作,如重啟軟件系統或更換失效的硬件組件等。

當前網絡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,這是網絡故障診斷的關鍵技術,也是網絡故障診斷的難點所在[2-4]。

網絡故障定位的核心技術是事件關聯技術。其基本思想是通過關聯多個事件為某單一概念事例來過濾不必要的或不相關的事件,為網絡管理員提供事件信息更精簡的視圖,以準確、快速的識別故障源。

由于故障具有傳播性,單個故障會產生大量的網絡告警,在多個故障同時發生時,情況變得更加復雜。故障定位就是要在故障產生時,把告警事件進行關聯,分離并推斷出故障源的準確位置。但是網絡故障定位的主要困難卻是來自于得到的告警信息太多而不是信息的缺少。而且網絡的不可靠性和不確定性,使故障定位變得更加復雜而困難。其主要表現在[4]:

1) 故障證據可能是模糊的、不一致的和不完整的;

2) 得到的系統知識可能包含不確定信息;

3) 多個不相關的故障可能同時發生產生重疊的告警消息;

4) 存在多個不同的故障假設能夠解釋觀察到的故障癥狀;

5) 在大型系統中,利用單個管理應用程序對系統進行故障定位以及對可用知識庫進行維護在計算上通常是不可行的;

6) 事件之間不僅存在因果關系,通常還存在時間相關性。

針對上述難點,主要的解決方法是引入人工智能技術,進行自動故障定位,以實現智能化的故障診斷。目前用于網絡故障定位的人工智能技術主要有:專家系統、神經網絡和貝葉斯網絡等。

2 故障定位技術

2.1 基于專家系統的故障定位技術

故障診斷中應用最廣泛的人工智能技術是專家系統,專家系統通過模仿人類專家在解決特定領域時的行為來解決問題。基于專家系統的故障定位技術根據故障診斷領域的專家知識和經驗,通過模擬人類專家做出決策的過程,達到解決復雜系統故障診斷的目的。

專家系統由知識庫、推理機、知識獲取、解釋界面等四部組成,其中知識庫用來存放相關領域專家提供的專門知識。在故障檢測診斷專家系統的知識庫中,存儲了某個對象的故障征兆、故障模式、故障成因、故障排除意見等內容,這些知識是診斷的基礎。專家系統知識庫的知識,可以是從經驗中獲得的表面知識,也可以是通過理解系統行為的工作原理而得到的深層知識。推理機的功能是根據一定的推理策略從知識庫中選取有關的知識,對用戶提供的證據進行推理,直到得出相應的結論為止。

根據專家系統所使用知識結構的不同,解決故障定位問題的技術可分為以下幾種:

1) 基于規則的推理技術

基于規則的推理(Rule-based Reason,RBR)是最簡單的關聯技術,己被用于HP Open View Element Management構架。通常,基于規則的系統有三個組成部分:(1) 推理引擎,包含解決問題的策略;(2)知識庫,包括與特定問題有關的規則,規則是指出在什么情況下采取什么措施;(3) 工作存儲區,包含需要處理的問題數據。

在RBR的事件關聯系統中,知識庫的專家知識是網絡中的問題定義。工作存儲區包括被監控網絡的拓撲和狀態信息,工作存儲區用來識別網絡是否出現不完善的狀態。推理引擎根據知識庫的信息,將當前的狀態與規則的左側相比較,查找出最相似的匹配,然后輸出規則的右側。

2) 基于模型的推理技術

基于模型的推理(Model-based Reason,MBR)是現有網絡故障管理系統中應用最廣泛的一種技術。該方法充分利用現有的系統知識,為具體的現實系統建立對應的抽象系統模型,再根據系統模型對系統行為進行預測,并將預測的行為與觀察到的系統實際行為進行比較,然后再對預測的行為和實際行為間的不一致進行診斷。在基于模型的推理系統中,系統模型一般都提供網絡拓撲、部件故障和告警之間的條件關系等信息。

3) 基于范例的推理技術

范例是指一段帶有上下文信息的知識,該知識表達了推理機在達到其目標的過程中能起到關鍵作用的經驗。基于范例的推理(Case-based Reason,CBR)根據過去的實際經驗或經歷,對現有的問題做出相應的決策。基于范例的推理技術的推理過程可以分為4個部分,分別為檢索(Retrieve)、復用(Reuse)、修正(Revise)、保存(Retain),簡稱4R過程。其中Retrieve過程從范例庫中檢索與問題匹配度最大的范例,Reuse過程使用歷史范例來解決所提出的問題,Revise過程在必要時修正提出的解決方案,Retain過程將新的解決方案作為一個新范例保存到范例庫中。

2.2 基于神經網絡的故障定位技術

神經網絡能夠處理復雜模型,具有聯想、記憶、推理和抑制噪聲能力,而且信息處理很快,能存儲大量的知識。神經網絡能夠高效地辨識給定模式,具有自學習能力;神經網絡能夠通過聯想能力處理不確定、不完整數據,因此神經網絡很適合于用于解決故障診斷問題。神經網絡只要輸入的模式接近于訓練樣本,系統就能進行推理。神經網絡克服了專家系統中如果規則沒有完全匹配,則會退出專家系統的缺點。神經網絡還可以運用遺傳算法進行優化,提高神經網絡的性能。

目前神經網絡有兩種診斷模式:

1) 離線診斷:這種診斷模式將學習和系統運行分開。當系統出現故障時,把故障信息或現象輸入神經網絡,神經網絡通過自組織和自學習,輸出故障解決方案。

2) 在線診斷:將神經網絡和系統直接相連,讓系統自動獲得故障信息和現象,然后由神經網絡內部進行自組織和自學習,把學習過程和運行過程合二為一。

文獻[5]提出一種基于粗糙集神經網絡的網絡故障診斷算法,將知識系統技術應用于鏈路層故障診斷中,針對故障診斷問題的需要,構建一個故障診斷知識庫;針對知識庫中可能存在的知識規則冗余問題,提出基于粗糙集理論的知識庫規則約簡方案,降低知識規則的冗余度;由于診斷問題的實質是一種映射,將神經網絡模型引入故障診斷系統,用一種前饋型網絡來逼近這種映射關系,神經網絡的學習樣本來自于知識庫中的知識規則,實現對網絡故障的分類。

2.3 基于貝葉斯網絡的故障定位技術

貝葉斯網絡是處理不確定性問題的新方法,代替了人工智能和專家系統。利用貝葉斯網絡進行告警關聯是當前研究的一個熱點[6],貝葉斯網絡的一個很重要功能就是能根據概率理論在原因和結果之間進行不確定性推理。通過貝葉斯網絡來分析通信網絡中的告警相關性,可以克服告警時間的不確定性基于貝葉斯網絡的故障診斷方法中,通過模擬被管理網絡系統的主要組件間的因果關系使不確定性知識模型化。

貝葉斯網絡可以定義為一個三元組(V,L,P),V是有向非循環圖中的結點集,L是結點之間的因果鏈集,表示它們之間的因果關系,P是概率集,即P = {p(υ|π(υ)) |υ∈V},π(υ)是υ的父結點,表示一個變量對另一個變量的影響程度。 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,一個癥狀可能被多個故障引發,一個故障可能引發多個故障。假設模型是完備的,即,若用Fsi表示所有可能引起癥狀si的故障集合,如果Fsi中的故障都沒發生,那么癥狀si一定不會出現,反之,如果出現癥狀si,那么Fsi中至少有一個故障發生。(下轉第8677頁)

(上接第8669頁)

2.4 故障定位技術分析

基于專家系統的故障診斷方法,知識的獲取和知識庫的構建比較困難,開發成本比較高。每種相關性分析方法在實際中都有應用,單純地使用某一種關聯方法構建的告警相關性分析工具經常會顧此失彼,最終使系統不是缺乏學習能力,就是邏輯推理能力不足,難以適應網絡發展的需要。

基于神經網絡的故障診斷方法中,對神經網絡進行訓練的工作量非常大。神經網絡的適應性也比較差,不能自動適應網絡環境的變化。基于粗糙集神經網絡的故障診斷方法,將模糊控制技術和神經網絡技術相結合,雖然結合了兩者的優勢,但實現起來就比較困難。

基于貝葉斯網絡的故障診斷方法可用來對不確定和不完整信息中的將來可能發生的故障作出推理以提供有效的預測。盡管此方法具有許多優點,但是在實際的環境中獲取先驗知識比較困難,限制了其應用。而且隨著網絡的復雜度增加,貝葉斯網絡本身的復雜度呈指數級數增加,所以其計算量非常大。基于貝葉斯網絡的不確定性推理技術己被證明為NP難題。因此,使用貝葉斯網絡進行網絡故障定位的技術還有待于改進。

此外,除了上述網絡故障定位技術,還有基于數據挖掘的網絡故障定位技術、基于Petri網的網絡故障定位技術和基于有限狀態機的網絡故障定位技術等方法。

3 小結

網絡故障智能診斷和精確定位相當復雜的問題,靠單一技術很難圓滿解決,只有多種技術的融合集成處理故障信息,才能實現高效而精確的網絡故障定位。本文在研究網絡故障診斷技術的基礎上,重點對網絡故障智能診斷核心技術――故障定位進行了深入的研究,介紹了基于專家系統、神經網絡和貝葉斯網絡的故障定位技術,為進一步深入研究高效智能故障診斷技術,最終實現網絡故障的主動預防打下基礎。

參考文獻:

[1] Greg Tomsho.網絡維護和故障診斷指南站[M].曉蘇,譯.北京:清華大學出版社,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.網絡故障智能診斷關鍵技術研究[D].杭州:浙江大學,2007.