神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用精選(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神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文

隨著計(jì)算機(jī)網(wǎng)絡(luò)、信息技術(shù)、自動化技術(shù)的進(jìn)步，極大的改變了我們的生活。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種全新的控制技術(shù)，通過互聯(lián)網(wǎng)進(jìn)行動態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究取得了巨大的進(jìn)步，已經(jīng)廣泛應(yīng)用在社會各個(gè)領(lǐng)域，使現(xiàn)代計(jì)算機(jī)中的難題得到了解決。本文主要從人工神經(jīng)網(wǎng)絡(luò)技術(shù)的概念出發(fā)，探討了它在現(xiàn)代社會領(lǐng)域的具體應(yīng)用。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實(shí)際問題主要包括兩個(gè)過程，一個(gè)是學(xué)習(xí)訓(xùn)練過程，另外一個(gè)是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號處理、圖像處理、智能識別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學(xué)問題提供了一種新的方法和手段，使人們在交通運(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的l展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個(gè)世紀(jì)八十年代人工智能發(fā)展興起的一個(gè)研究熱點(diǎn)，它的主要工作原理對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個(gè)完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它是通過大量的節(jié)點(diǎn)――神經(jīng)元連接起來的，其中不同的節(jié)點(diǎn)所代表的輸出函數(shù)也不同，也就是所謂的激勵函數(shù)；當(dāng)有兩個(gè)節(jié)點(diǎn)連接起來時(shí)稱之為通過該連接信號的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實(shí)時(shí)學(xué)習(xí)、自適應(yīng)性和自組織性等特點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識別、知識工程、信號處理、專家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。

2.1 生物信號的檢測分析

目前大部分醫(yī)學(xué)檢測設(shè)備都是通過連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個(gè)神經(jīng)元組合起來構(gòu)成，解決了生物醫(yī)學(xué)信號檢測方面的難題，其適應(yīng)性和獨(dú)立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對心電信號、聽覺誘發(fā)電位信號、醫(yī)學(xué)圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2 醫(yī)學(xué)專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經(jīng)驗(yàn)、學(xué)歷、臨床診斷方面取得的成績等存儲在計(jì)算機(jī)中，構(gòu)建獨(dú)立的醫(yī)學(xué)知識庫，通過邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲的醫(yī)學(xué)知識越來越多，每天產(chǎn)生新的病況和知識，過去的一些專家系統(tǒng)顯然已經(jīng)無法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3 市場價(jià)格預(yù)測

在經(jīng)濟(jì)活動中，傳統(tǒng)統(tǒng)計(jì)方法受到一些因素的制約，無法對價(jià)格變動做出準(zhǔn)確的預(yù)測，因此難免在預(yù)測的時(shí)候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計(jì)方法無法比擬的優(yōu)勢。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個(gè)完整的預(yù)測模型，準(zhǔn)確預(yù)測出商品的價(jià)格變動情況。

2.4 風(fēng)險(xiǎn)評價(jià)

在從事某一項(xiàng)特定的活動時(shí)，由于社會上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項(xiàng)活動時(shí)，對活動進(jìn)行有效的預(yù)測和評估，避免風(fēng)險(xiǎn)。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險(xiǎn)的實(shí)際來源，構(gòu)筑一套信用風(fēng)險(xiǎn)模型結(jié)構(gòu)和風(fēng)險(xiǎn)評估系數(shù)，從而提出有效地解決方案。通過信用風(fēng)險(xiǎn)模型分析彌補(bǔ)主觀預(yù)測方面的不足，從而達(dá)到避免風(fēng)險(xiǎn)的目的。

3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對語言識別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識別、神經(jīng)專家系統(tǒng)、智能控制、信息處理和天氣預(yù)測等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計(jì)算智能，很多企業(yè)和國家開始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類認(rèn)知的方向發(fā)展，目前市場已經(jīng)有很多不少人工智能產(chǎn)品面世。

4 結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測精度低、通用模型缺乏創(chuàng)新等，因此需要我們在此基礎(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價(jià)值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會創(chuàng)造更大的財(cái)富。

參考文獻(xiàn)

[1]周文婷，孟琪.運(yùn)動員賽前心理調(diào)控的新策略――基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場地聲景預(yù)測（綜述）[J].哈爾濱體育學(xué)院學(xué)報(bào)，2015，33（03）：15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國新通信，2014（02）：76-76.

[3]張廣軍.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在光電檢測中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報(bào)，2001，27（05）：564-568.

第2篇：神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文

中圖分類號：G642

1 背 景

電子信息科學(xué)與技術(shù)是以物理和數(shù)學(xué)為基礎(chǔ)，研究通過電學(xué)形式表達(dá)和操控信息的基本規(guī)律以及運(yùn)用這些基本規(guī)律實(shí)現(xiàn)各種電子系統(tǒng)的方法。在進(jìn)入電子時(shí)代和信息社會的今天，電子信息科學(xué)技術(shù)已滲透各個(gè)領(lǐng)域。隨著電子信息技術(shù)日新月異，電子信息教學(xué)領(lǐng)域也面臨著全新的挑戰(zhàn)，需要培養(yǎng)具有全方位視野和超強(qiáng)能力的新一代工程師及領(lǐng)導(dǎo)者。本著這一目標(biāo)，清華大學(xué)電子系自2008年開始著手進(jìn)行課程改革，通過改革課程體系將原有課程重新整合，從學(xué)科范式的角度整理出電子工程本科教育的知識體系結(jié)構(gòu)，從而梳理出新的本科課程體系，形成電子信息領(lǐng)域?qū)W科地圖[1-2]。

2016年AlphaGo戰(zhàn)勝李世石的事實(shí)，讓人工智能技術(shù)再一次向世人展示了自己的潛力。人工智能無論在傳統(tǒng)的制造加工行業(yè)，還是在新興的互聯(lián)網(wǎng)行業(yè)，都成為國內(nèi)外各大企業(yè)爭相研究開發(fā)的目標(biāo)，在學(xué)術(shù)界也是如此。2016年底，Gartner全球峰會2017十大技術(shù)趨勢報(bào)告[3]，預(yù)測2017年十大技術(shù)趨勢：人工智能與機(jī)器學(xué)習(xí)、智能應(yīng)用、智能事物、虛擬和增強(qiáng)現(xiàn)實(shí)、數(shù)字化雙生、區(qū)塊鏈和已分配分類賬、對話式系統(tǒng)、格網(wǎng)應(yīng)用和服務(wù)架構(gòu)、數(shù)字化技術(shù)平臺、自適應(yīng)安全架構(gòu)。Gartner預(yù)計(jì)2017年全球?qū)⒂谐^60%的大型企業(yè)開始采用人工智能技術(shù)。

在2016年開設(shè)的媒體與認(rèn)知課程內(nèi)容中，我們參考國內(nèi)外諸多名校相關(guān)課程的理論及項(xiàng)目內(nèi)容，結(jié)合電子工程系在該領(lǐng)域研究的基礎(chǔ)優(yōu)勢和創(chuàng)新性成果，建設(shè)了一套媒體認(rèn)知人工智能技術(shù)教學(xué)課程內(nèi)容及平臺，以期學(xué)生獲得人工智能技術(shù)中深度學(xué)習(xí)技術(shù)的基礎(chǔ)理論和開發(fā)能力。課程通過提供人工智能技術(shù)領(lǐng)域高層次專業(yè)人才必需的基本技能、專業(yè)知識及思維方式，力爭培養(yǎng)具有國際一流科研創(chuàng)新能力的人工智能方向的專業(yè)技術(shù)人才。

2 人工智能技術(shù)教學(xué)內(nèi)容

美國MIT大學(xué)的Statistical Learning Theory and Applications課程[4]，致力于從統(tǒng)計(jì)學(xué)習(xí)和正則化理論的角度介紹機(jī)器學(xué)習(xí)的基礎(chǔ)和最新進(jìn)展。除了經(jīng)典的機(jī)器學(xué)習(xí)方法，如支持向量機(jī)、流形學(xué)習(xí)、有監(jiān)督學(xué)習(xí)等之外，還重點(diǎn)介紹深度學(xué)習(xí)計(jì)算的理論框架并要求學(xué)生以項(xiàng)目形式給出基于機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)?j的解決方案。

美國CMU大學(xué)的Deep Learning課程[5]通過一系列研討會和課程實(shí)驗(yàn)介紹深度學(xué)習(xí)這一主題，涵蓋深度學(xué)習(xí)的基礎(chǔ)知識和基礎(chǔ)理論及應(yīng)用領(lǐng)域，以及大量數(shù)據(jù)學(xué)習(xí)的最新問題。通過若干實(shí)驗(yàn)題目，學(xué)生可以對深度神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用加深理解。

美國Stanford大學(xué)的Deep Learning for Natural Language Processing課程[6]深入介紹應(yīng)用于自然語言理解的深度學(xué)習(xí)前沿研究，討論包括循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶模型、遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等非常新穎的模型。通過上機(jī)實(shí)驗(yàn)，學(xué)生將學(xué)習(xí)使用神經(jīng)網(wǎng)絡(luò)工作的技巧來解決實(shí)際問題，包括實(shí)施、訓(xùn)練、調(diào)試、可視化和提出自己的神經(jīng)網(wǎng)絡(luò)模型，最終的實(shí)驗(yàn)項(xiàng)目涉及復(fù)雜的循環(huán)神經(jīng)網(wǎng)絡(luò)并將應(yīng)用于大規(guī)模自然語言理解的問題。

媒體認(rèn)知課程參考了上述著名課程的理論內(nèi)容和項(xiàng)目特色。我們結(jié)合電子工程系在人工智能領(lǐng)域研究的基礎(chǔ)、優(yōu)勢和創(chuàng)新性成果，設(shè)計(jì)開發(fā)了一套以人工智能技術(shù)為基礎(chǔ)的前沿探索型媒體認(rèn)知教學(xué)課程內(nèi)容及實(shí)驗(yàn)平臺，試圖構(gòu)建具有國際水準(zhǔn)的人工智能技術(shù)教學(xué)課程內(nèi)容。

3 深度學(xué)習(xí)技術(shù)發(fā)展概況

傳統(tǒng)的人工智能系統(tǒng)一般采用機(jī)器學(xué)習(xí)技術(shù)，這類技術(shù)在處理原始形式的自然數(shù)據(jù)的能力上受到限制，一般困難集中在如何將原始數(shù)據(jù)變換為合適的內(nèi)部表示或特征向量。深度學(xué)習(xí)（deep learning）近年來受到人工智能行業(yè)的廣泛關(guān)注，是一種表征學(xué)習(xí)（representation-learning）方法，由于擁有可以逼近任意非線性函數(shù)的特性，深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）及其衍生的各種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有能力取代傳統(tǒng)模型，在語音、圖像、文本、視頻等各種媒體的內(nèi)容識別系統(tǒng)中發(fā)揮作用。

著名的人工智能科學(xué)家Yann LeCun于2015年在Nature上發(fā)表文章[7]指出，深度學(xué)習(xí)允許多個(gè)處理層組成的計(jì)算模型學(xué)習(xí)如何表征具有多級抽象層面的數(shù)據(jù)。這些方法已經(jīng)大大提高語音識別、視覺識別、目標(biāo)檢測以及諸如藥物發(fā)現(xiàn)、基因?qū)W等許多領(lǐng)域的最新技術(shù)水平。深度學(xué)習(xí)通過使用反向傳播算法發(fā)現(xiàn)大數(shù)據(jù)集中的復(fù)雜結(jié)構(gòu)，以指示機(jī)器如何改變其內(nèi)部參數(shù)，這些內(nèi)部參數(shù)是從深度神經(jīng)網(wǎng)絡(luò)上一層的表示中計(jì)算每層中的表示。深度卷積網(wǎng)絡(luò)在處理圖像、視頻、語音和音頻方面帶來突破性的進(jìn)展，而遞歸網(wǎng)絡(luò)則對文本、語音等順序數(shù)據(jù)提供解決方案。

遞歸網(wǎng)絡(luò)可被視作較深的前饋網(wǎng)絡(luò)，其中所有層共享相同的權(quán)重。遞歸網(wǎng)絡(luò)的問題在于難以在長期的時(shí)間內(nèi)學(xué)習(xí)并存儲信息。為了解決這一問題，長短期記憶（long short-term memory，LSTM）模型網(wǎng)絡(luò)被提出，主要特點(diǎn)在于其存儲器單元在下一個(gè)加權(quán)值為1的時(shí)間段內(nèi)與自身連接，因此能夠在復(fù)制自身狀態(tài)的同時(shí)累加外部信號，此外這種自我連接被另一個(gè)單元通過學(xué)習(xí)決定何時(shí)清除此類信息。長短期記憶模型被證明在語音識別和機(jī)器翻譯應(yīng)用系統(tǒng)中比傳統(tǒng)的遞歸網(wǎng)絡(luò)更加有效。

4 基于深度學(xué)習(xí)的語音識別教學(xué)項(xiàng)目

在對上述課程及配套項(xiàng)目進(jìn)行詳細(xì)研究的基礎(chǔ)上，結(jié)合現(xiàn)有科研及平臺，我們構(gòu)建了一種基于深度學(xué)習(xí)的連續(xù)語音識別項(xiàng)目平臺，包括兩個(gè)主要項(xiàng)目：深度神經(jīng)網(wǎng)絡(luò)語音識別項(xiàng)目及長短期記憶模型遞歸神經(jīng)網(wǎng)絡(luò)語音識別項(xiàng)目。

4.1 深度神經(jīng)網(wǎng)絡(luò)語音識別項(xiàng)目

典型的深度神經(jīng)網(wǎng)絡(luò)語音識別模型[8-9]核心是對聲學(xué)特征進(jìn)行多層變換，并將特征提取和聲學(xué)建模在同一網(wǎng)絡(luò)中進(jìn)行優(yōu)化。神經(jīng)網(wǎng)絡(luò)可以通過非線性激活函數(shù)來擬合任何非線性函數(shù)，可以使用神經(jīng)網(wǎng)絡(luò)取代原有聲學(xué)模型中的高斯混合模型，用來計(jì)算每一幀的特征與每個(gè)音素的相似程度。深度神經(jīng)網(wǎng)絡(luò)原理的結(jié)構(gòu)示意圖如圖1所示。

圖1代表了一個(gè)擁有3個(gè)隱含層的深度神經(jīng)網(wǎng)絡(luò)。相鄰兩層中，每層的每一個(gè)節(jié)點(diǎn)都與另外一層的所有節(jié)點(diǎn)單向連接。數(shù)據(jù)由輸入層輸入，逐層向下一層傳播。對于節(jié)點(diǎn)間的連接權(quán)重，采用BP算法。BP算法對于給定的輸入輸出訓(xùn)練數(shù)據(jù)，首先通過正向傳播由輸入得到輸出，之后通過實(shí)際輸出與理論上的正確輸出之差得到殘差，并由輸出層向輸入層根據(jù)激活函數(shù)與連接權(quán)重反向傳播殘差，計(jì)算出每一個(gè)節(jié)點(diǎn)與理想值之間的殘差，最后根據(jù)每個(gè)節(jié)點(diǎn)的殘差修正節(jié)點(diǎn)間連接的權(quán)重，通過對權(quán)重的調(diào)整實(shí)現(xiàn)訓(xùn)練，從而更加靠近理論輸出結(jié)果。

將DNN實(shí)際利用到語音識別的聲學(xué)模型時(shí)，其結(jié)構(gòu)示意圖如圖2所示。深度神經(jīng)網(wǎng)絡(luò)的輸入層輸入從每一幀音頻中提取出的特征，通過網(wǎng)絡(luò)的正向傳播，在輸出?郵涑齙鼻爸《雜Σ煌?音素的相似程度，從而作為HMM的發(fā)射概率進(jìn)行語音識別。考慮到DNN沒有記憶特性，而語音信號即使是在音素層級上，其前后也有相當(dāng)大的聯(lián)系。為了提高DNN在處理前后高度關(guān)聯(lián)的語音信號中的表現(xiàn)，一般選擇同時(shí)將當(dāng)前幀的前后部分幀作為網(wǎng)絡(luò)的輸入，從而提高對當(dāng)前幀識別的正確率。

4.2 長短期記憶模型遞歸神經(jīng)網(wǎng)絡(luò)語音識別項(xiàng)目

長短期記憶模型應(yīng)用于語音識別中聲學(xué)模型的思路和深度神經(jīng)網(wǎng)絡(luò)類似[10-11]，取代高斯混合模型用于計(jì)算輸入幀與各音素的匹配程度。原理為首先根據(jù)輸入門判斷輸入的數(shù)據(jù)可以進(jìn)入記憶細(xì)胞的比例，同時(shí)遺忘門決定記憶細(xì)胞遺忘的比例；之后由記憶細(xì)胞殘存的記憶部分和新輸入的部分求和，作為記憶細(xì)胞的新記憶值；將新的記憶值根據(jù)輸出門的控制得到記憶細(xì)胞的輸出，并通過遞歸投影層降維，降維之后的結(jié)果一方面作為3個(gè)控制門的反饋，另一方面作為網(wǎng)絡(luò)的輸出；非遞歸投影層則僅僅作為最終輸出的補(bǔ)充，而不會影響控制門。將長短期記憶模型實(shí)際利用到語音識別的聲學(xué)模型時(shí)，其結(jié)構(gòu)示意圖如圖3所示。

與深度神經(jīng)網(wǎng)絡(luò)不同，長短期記憶模型遞歸神經(jīng)網(wǎng)絡(luò)因?yàn)橛杏洃浱匦裕圆恍枰~外的多幀輸入，只需要輸入當(dāng)前幀。然而，考慮到語音前后的關(guān)聯(lián)性，一般會將輸入的語音幀進(jìn)行時(shí)間偏移，使得對t時(shí)刻幀的特征計(jì)算得到的輸出結(jié)果是基于已知未來部分幀的特征之后進(jìn)行的，從而提高準(zhǔn)確度。

第3篇：神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文

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

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

近年來，在網(wǎng)絡(luò)游戲發(fā)展過程中，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、競爭性、互動性、情節(jié)性的娛樂作品，它的智能水平對游戲的質(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，把人工智能中的預(yù)測、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)特的方法來解決相關(guān)問題，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)過研究發(fā)現(xiàn)，人腦是由十萬種類的遺傳因子中的十萬億個(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，就會逐漸產(chǎn)生一種新的信號，并且沿著軸將信號傳輸?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)類似于人腦的各個(gè)神經(jīng)元細(xì)胞，會存在一些節(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人類大腦神經(jīng)系統(tǒng)功能進(jìn)行模擬的機(jī)器學(xué)習(xí)的一種方法，并且通過對系統(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]。總之，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)問題之后，將會使網(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，通過訓(xùn)練對問題進(jìn)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(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信息，最后將這些信息有效的存儲起來。一旦完成相關(guān)的訓(xùn)練和學(xué)習(xí)，就可以將知識有效的存儲在權(quán)值中。在游戲的開發(fā)過程中，將神經(jīng)網(wǎng)絡(luò)模型看作是人物建模的基礎(chǔ)，通過對玩家將要進(jìn)行的動作或者選擇的畫面場景進(jìn)行預(yù)測，運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行信息存儲，并且在游戲的運(yùn)行過程中要保證學(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，可以通過對這種網(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)分類的變量數(shù)，例如，籃球類型的游戲中，運(yùn)動員投籃命中、灌籃動作、球員分布、難度等級等變量數(shù)。

4 結(jié)語

總而言之，網(wǎng)絡(luò)游戲作為一種新型的娛樂方式，具有著較強(qiáng)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(yīng)該重視游戲產(chǎn)業(yè)的發(fā)展，不斷加大對網(wǎng)絡(luò)游戲的開發(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)我國游戲開發(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4篇：神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文

【關(guān)鍵詞】電子工程 機(jī)械工程 人工智能

電子機(jī)械工程產(chǎn)業(yè)對于傳統(tǒng)的機(jī)械產(chǎn)業(yè)來說是一個(gè)新型的產(chǎn)業(yè)，隨著國內(nèi)的不斷發(fā)展，兩種產(chǎn)業(yè)逐漸融合，隨著人工智能技術(shù)水平的不斷提升，機(jī)械電子工程由信息鏈接逐漸代替了以前的能量鏈接和動能鏈接，使機(jī)械電子工程增加了部分人工智能技術(shù)。隨著機(jī)械電子技術(shù)的更新和發(fā)展，人工智能技術(shù)也得到了很快的發(fā)展。

一、 什么是人工智能技術(shù)

所謂的人工智能是一門極富有挑戰(zhàn)性的學(xué)科，從事人工智能學(xué)科的人必須要熟練計(jì)算機(jī)、哲學(xué)及心理學(xué)的應(yīng)用，人工智能包含的科學(xué)范圍是十分廣泛的，它由不同的領(lǐng)域所組成，如機(jī)器技術(shù)，計(jì)算機(jī)應(yīng)用等等，總體來說，人工智能所研究的主要目的就是為了使機(jī)械能夠勝任一些需要人類智能才可以完成的工作。不同的年代對于不同工作的復(fù)雜程度理解是不同的，

本來復(fù)雜的科學(xué)和計(jì)算本應(yīng)是用人的大腦來計(jì)算的，經(jīng)過現(xiàn)代的發(fā)展，如今的計(jì)算機(jī)不僅可以完成這些計(jì)算，并且比人腦的計(jì)算速度要快幾萬倍，并且準(zhǔn)確度相當(dāng)高，由此可見，復(fù)雜工作的定義是隨著時(shí)代的變化而變化的。人工智能這門科學(xué)也隨著科技的不斷變化而產(chǎn)生了改變，一方面不斷地獲取著新的進(jìn)展，另一方面又向更加有難度的目標(biāo)奮進(jìn)。除此之外，人工智能技術(shù)還涉及信息論、自動化技術(shù)、控制論、仿生論、生物論、心理學(xué)、數(shù)學(xué)、哲學(xué)、語言學(xué)、醫(yī)學(xué)等諸多學(xué)科。

二、 人工智能技術(shù)與電子機(jī)械之間應(yīng)用的關(guān)系

我們社會發(fā)展的最初時(shí)候，人類社會發(fā)展的重要根源是物質(zhì)和信息，當(dāng)時(shí)各個(gè)方面的生產(chǎn)力水平還很低下，人類的生存主要以物質(zhì)基礎(chǔ)為主，那時(shí)的信息傳遞的方式還是最原始的“結(jié)繩記事”法。隨著我國經(jīng)濟(jì)建設(shè)的不斷發(fā)展，使生產(chǎn)力水平也不斷提高。信息傳遞的重要性也隨著我們思想觀念的轉(zhuǎn)變而變得尤為重要，因而，文字信息傳遞法由然而生。隨著時(shí)代的發(fā)展，網(wǎng)絡(luò)信息傳遞方式已經(jīng)被廣泛地應(yīng)用于全國各地，給信息傳遞帶來了新的革命，從此人類進(jìn)入到了一個(gè)全新的信息化時(shí)代。信息化時(shí)代不能脫離人工智能技術(shù)發(fā)展，不管是任何行業(yè)，不管是控制技術(shù)或是模型建成、故障診斷或是故障報(bào)警，都離不開人工智能化技術(shù)的輔助，也可以說，人工智能化技術(shù)對于電子機(jī)械工程的發(fā)展與運(yùn)作，起著不可忽視的作用。

電子機(jī)械系統(tǒng)本身就存在著不穩(wěn)定的成分，于是電子機(jī)械輸入系統(tǒng)和輸出系統(tǒng)的描述就顯得比較困難。而其傳統(tǒng)的電子機(jī)械描述系統(tǒng)分為：推導(dǎo)數(shù)學(xué)方程的方法、學(xué)習(xí)并生成知識法和規(guī)則庫建設(shè)方法這三種形式。盡管傳統(tǒng)數(shù)學(xué)解析法精準(zhǔn)度和嚴(yán)密度都很高，卻并不適合復(fù)雜的機(jī)械系統(tǒng)運(yùn)算，只能應(yīng)用在那些簡單機(jī)械系統(tǒng)運(yùn)算中。復(fù)雜機(jī)械輸入輸出系統(tǒng)運(yùn)算采取傳統(tǒng)數(shù)學(xué)解析法很難給出正確的數(shù)學(xué)解析。隨著社會的發(fā)展，當(dāng)代社會對多樣和精密的機(jī)械分析計(jì)算系統(tǒng)的需求越來越大，它可以處理多種多樣的不同的信息數(shù)據(jù)種類。例如：電子機(jī)械運(yùn)行的傳感器傳輸?shù)男畔⒖梢苑殖蓛纱箢悾赫Z言信息、數(shù)字信息，但在人工智能技術(shù)處理信息時(shí)出現(xiàn)了復(fù)雜性和不確定性的成分，導(dǎo)致以知識為基礎(chǔ)的人工智能技術(shù)在數(shù)據(jù)傳輸中處理信息的時(shí)候，不知不覺的成了數(shù)學(xué)信息解析的替代手段。

電子機(jī)械運(yùn)行過程構(gòu)建的人工智能大體可以分為兩類，即模糊推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)。

神經(jīng)網(wǎng)絡(luò)系統(tǒng)就像是人的大腦結(jié)構(gòu)一樣，先對機(jī)械系統(tǒng)傳輸?shù)臄?shù)字信號進(jìn)行分析整理，然后及時(shí)分析參考數(shù)值；模糊推理系統(tǒng)則是人大腦功能的模擬，模擬大腦功能去分析機(jī)械傳輸?shù)恼Z言信號。而這兩大輸入輸出數(shù)據(jù)的處理方式間的關(guān)系有相同的地方，也有不同的地方。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與模糊推理系統(tǒng)的相似之處是：它們都是通過任意的精準(zhǔn)度，用對網(wǎng)絡(luò)結(jié)構(gòu)的模擬去形成連續(xù)的函數(shù)。而兩者不同點(diǎn)則是：神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有不清晰的意義，模糊推理系統(tǒng)卻具有清晰的意義；神經(jīng)網(wǎng)絡(luò)系統(tǒng)是從點(diǎn)到點(diǎn)的映射方式，而模糊推理系統(tǒng)則是整理域到域的映射方式；神經(jīng)網(wǎng)絡(luò)系統(tǒng)儲存信息的方式是分布式的，而模糊推理系統(tǒng)儲存信息的方式則是規(guī)則式的。主要是神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入的每個(gè)神經(jīng)元都有固定的聯(lián)系，計(jì)算量相對比較大；模糊推理系統(tǒng)的連接有不穩(wěn)定的因素，計(jì)算量相對來說比較小。而神經(jīng)網(wǎng)絡(luò)系統(tǒng)的信息輸入輸出階段有著很高的精度，表現(xiàn)為光滑的曲面狀態(tài)。但是模糊推理系統(tǒng)的信息輸入輸出階段精準(zhǔn)度很低，并且呈現(xiàn)出臺階的形狀。

三、結(jié)語

隨著社會科技水平的不斷發(fā)展和進(jìn)步，單純的獨(dú)立的人工智能技術(shù)已經(jīng)不能滿足我們和當(dāng)代社會的要求了，因此，我們要秉承不斷發(fā)展與進(jìn)步的思想理念，在工人智能開發(fā)技術(shù)上進(jìn)行不斷的研究與探索，使人工智能技術(shù)能夠與電子機(jī)械工程完美地結(jié)合在一起，實(shí)現(xiàn)電子機(jī)械工程與人工智能的共同發(fā)展目標(biāo)。

參考文獻(xiàn)：

[1]傅麗凌、楊平，機(jī)械專業(yè)綜合型試驗(yàn)平臺的建設(shè)[J].電子科技大學(xué)學(xué)報(bào)社科版，2005，7（增刊）.

第5篇：神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文

關(guān)鍵詞：人工智能 科學(xué)方法 創(chuàng)新

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2015）03-0093-01

人工智能是一門涉及較廣的邊沿學(xué)科，它涉及哲學(xué)、數(shù)學(xué)、心理學(xué)、計(jì)算機(jī)科學(xué)等學(xué)科，其本身的性質(zhì)也就需要從事這項(xiàng)工作的人必須要對人工智能所涉及的學(xué)科有一定的了解。近幾年，我國在人工智能的理論和技術(shù)方面都有所突破，但是時(shí)代在快速發(fā)展著，這就需要人工智能研究不能一直保持原有的狀態(tài)，還要有所創(chuàng)新，以順應(yīng)時(shí)代的變遷。

1 人工智能的發(fā)展歷程

人工智能（Artificial Intelligence）一詞最早是在1956年DARTMOUTH學(xué)會上提出的，這也就標(biāo)志著人工智能的誕生。在1969年召開了第一屆人工智能聯(lián)合會議，以后每兩年召開一次。1970年出現(xiàn)了《人工智能》國際雜志，推動了人工智能的學(xué)術(shù)研究及發(fā)展，從此以后，人工智能的研究形成熱潮，不同人工智能學(xué)派的爭論非常激烈，這使得人工智能得以進(jìn)一步發(fā)展。而我國的人工智能研究開始的比較晚，在1978年“智能模擬”正式納入國家計(jì)劃開展研究。而且現(xiàn)在我國從事人工智能研究工作的除了科技人員還有很多的大學(xué)師生，從人工智能的發(fā)展前景來看，人工智能定會為我國的現(xiàn)代化建設(shè)做出重大貢獻(xiàn)。

2 人工智能的突破及科學(xué)方法

2.1 對人工智能采用分散式的研究

由于人工智能的研究是很復(fù)雜的，很難進(jìn)行整體性的研究，所以只能把它分成幾個(gè)層面再各個(gè)擊破。人類認(rèn)為結(jié)構(gòu)、功能、行為是系統(tǒng)能力的三個(gè)基本要素，所以對于人工智能的研究也可以分為結(jié)構(gòu)模擬、功能模擬、行為模擬三種模擬方式。下面對人工智能的三種模擬方式進(jìn)行舉例分析[1]：

關(guān)于結(jié)構(gòu)模擬就以人工神經(jīng)網(wǎng)絡(luò)的研究為例。根據(jù)結(jié)構(gòu)模式的思想，人工智能的研究人員嘗試建造人工的神經(jīng)網(wǎng)絡(luò)模擬人類的思維能力。20世紀(jì)50年代，出現(xiàn)了感知機(jī)，它是用人工神經(jīng)元電路構(gòu)造的，這也說明了人工神經(jīng)網(wǎng)絡(luò)的智能性。后期也出現(xiàn)人類利用少數(shù)神經(jīng)元的網(wǎng)絡(luò)設(shè)計(jì)模擬高等動物反射能力的實(shí)例，展現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展前景。但是，在人工神經(jīng)網(wǎng)絡(luò)的研究中如果想有效的模擬人類的思維能力就需要有接近人類大腦新皮層的人工神經(jīng)網(wǎng)絡(luò)，在制造技術(shù)上存在很大的困難；如果降低人工神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度，那它的智能化就會退化。基于功能模式的物理符號系統(tǒng)研究實(shí)例。基于功能模擬的物理符號系統(tǒng)的研究也取得了很多的成果，比如：通過圖靈測試的血液感染疾病診斷專家系統(tǒng)和戰(zhàn)勝過國際象棋世界冠軍的“深蘭”專家系統(tǒng)。但是專家系統(tǒng)需要擁有專業(yè)的高水平知識，但是這種知識的獲取是很困難的，不僅如此，就現(xiàn)在的邏輯理論而言，就算獲得了必要的知識，也不能支持知識的推理與表達(dá)。

2.2 發(fā)現(xiàn)了智能生成的核心機(jī)制和知識的生態(tài)學(xué)結(jié)構(gòu)在本能知識下的知識轉(zhuǎn)換

人工智能的定義是非常復(fù)雜的，簡單來說，人工智能是為了實(shí)現(xiàn)人類改善生存與發(fā)展條件的目的，面對具體環(huán)境時(shí)，根據(jù)現(xiàn)有的知識去發(fā)現(xiàn)問題、確定解決問題的目標(biāo)；再針對問題和已定的目標(biāo)獲得必要的信息，進(jìn)而利用所獲得的信息和現(xiàn)有的知識想出解決問題的智能方法，并實(shí)施這個(gè)方法，以達(dá)到解決問題的目的。人工智能實(shí)際上模擬的是人類智能“確定解決問題的目標(biāo)、獲得信息、找出解決辦法”的能力。也就是說可以說，人工智能工作前提是“給出有待解決的問題、知識和明確的目標(biāo)”，工作內(nèi)容是“獲得必要的信息，進(jìn)而利用所獲得的信息和現(xiàn)有的知識想出解決問題的智能方法”，因?yàn)檎业浇鉀Q問題的方法是智能的表現(xiàn)，所以可以理解為，人工智能的核心就是在給定條件的制約下信息知識的智能轉(zhuǎn)換。在這種方法的引導(dǎo)下就可以建立人工智能新的機(jī)制模擬方法了。

我們已經(jīng)發(fā)現(xiàn)人工智能的核心機(jī)制是：信息知識的智能轉(zhuǎn)換，也就是說，信息和知識在人工智能的研究中發(fā)揮著很重要的作用。研究發(fā)現(xiàn)，知識并不是固定不變的，它具有自己的生態(tài)學(xué)結(jié)構(gòu)。在本能和外界信息的刺激下，人類不斷的學(xué)習(xí)并不成熟的經(jīng)驗(yàn)知識，然后根據(jù)自己本身的理解和思考把經(jīng)驗(yàn)知識變成規(guī)范知識最后成為常識性知識。發(fā)現(xiàn)知識的生態(tài)學(xué)結(jié)構(gòu)不只是可以加深對知識的理解，還拓展了人工智能的研究視野，對人工智能的研究有著很重要的意義[2]。

2.3 把智能生成的機(jī)制與知識的生態(tài)學(xué)結(jié)構(gòu)相結(jié)合

把智能生成的核心機(jī)制與知識的生態(tài)學(xué)結(jié)構(gòu)相結(jié)合建立新的模擬方法，就會發(fā)現(xiàn)一直處在獨(dú)立發(fā)展的結(jié)構(gòu)模擬、功能模擬、行為模擬都是機(jī)制模擬方法的特例。比如：結(jié)構(gòu)模擬可以說是，信息與經(jīng)驗(yàn)知識的經(jīng)驗(yàn)型智能轉(zhuǎn)換；功能模擬就是把信息與規(guī)范知識的規(guī)范型智能轉(zhuǎn)換；行為模擬是信息與常識性知識的智能轉(zhuǎn)換，而且經(jīng)驗(yàn)知識、規(guī)范知識、常識知識之間在機(jī)制模擬中是相繼環(huán)節(jié)，所以結(jié)構(gòu)模擬、功能模擬、行為模擬也應(yīng)是機(jī)制模擬中的相繼環(huán)節(jié)[3]。在“以信息觀、系統(tǒng)觀、機(jī)制觀為主要標(biāo)志的系統(tǒng)科學(xué)方法論”的觀念下，原來看似無關(guān)的人工智能的三種模擬方式，竟然有著相互的關(guān)系，把原來看不到的本質(zhì)給展示出來，就是科學(xué)方法的厲害之處。

3 結(jié)語

通過研究發(fā)現(xiàn)，在人工智能的模擬研究中一直處在獨(dú)立發(fā)展的結(jié)構(gòu)模擬、功能模擬、行為模擬都是機(jī)制模擬方法的特例。這也就說明智能生成的機(jī)制與知識的生態(tài)學(xué)結(jié)構(gòu)的結(jié)合是人工智能研究的統(tǒng)一理論和方法。這一結(jié)果為人工智能的發(fā)展開辟了一條新的道路，人工智能的研究的這一突破主要依靠科學(xué)方法的創(chuàng)新。所以，在今后的人工智能研究方面應(yīng)注重科學(xué)方法的研究、應(yīng)用和創(chuàng)新，以使人工智能研究事業(yè)在未來的發(fā)展道路上越走越遠(yuǎn)。

參考文獻(xiàn)

[1]鐘義信.人工智能的突破與科學(xué)方法的創(chuàng)新[J].模式識別與人工智能，2012（3）：456-461.

第6篇：神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文

關(guān)鍵詞：人工智能；電氣自動化

中圖分類號：F470.6 文獻(xiàn)標(biāo)識碼：A

一、對人工智能理論的具體分析

人工智能研究了自然科學(xué)和社會科學(xué)，所涉及的知識面非常廣，不僅包括哲學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)，除此之外，還包括控制學(xué)、心理學(xué)和不定性論等。我們由此可以看出，對于這種技術(shù)的研究，內(nèi)容是較為復(fù)雜的。但是這種主要在遺傳編程、智能控制和機(jī)器人學(xué)等領(lǐng)域中有所運(yùn)用。而在電氣自動化控制中的應(yīng)用則沒有很好地開展。因而我們要進(jìn)行持續(xù)的探索，讓這門技術(shù)在電氣領(lǐng)域得到廣泛應(yīng)用，促進(jìn)電氣領(lǐng)域的發(fā)展。

二、人工智能控制器的特點(diǎn)

在以往的電氣自動化實(shí)踐中中，我們應(yīng)用大多數(shù)是人工智能控制器，其中主要利用的是是非線性函數(shù)近似器，如：神經(jīng)算法、模糊理論、模糊神經(jīng)算法和遺傳算法等。目前較先進(jìn)的是采用AI函數(shù)近似器擁有比常規(guī)函數(shù)估計(jì)器更多優(yōu)良的特點(diǎn)，例如：

1．在進(jìn)行人工智能電氣設(shè)計(jì)時(shí)不需要得到實(shí)際控制對象精確的動態(tài)模型，也不需要知道參數(shù)變化、非線性等具體因素；

2．人工智能控制器擁有良好的一致性，即使在輸入新的未知數(shù)據(jù)時(shí)也能得到很好的預(yù)測結(jié)果；

3．人工智能控制器可以應(yīng)用語言和響應(yīng)時(shí)間進(jìn)行設(shè)計(jì)，且調(diào)節(jié)更容易，對數(shù)據(jù)和信息的適應(yīng)性更好，易于擴(kuò)展和修改，抗干擾性能好，并且便于實(shí)現(xiàn)。

三、人工智能在電氣自動化中的應(yīng)用

1．人工智能在電氣設(shè)備設(shè)計(jì)中的應(yīng)用。

在實(shí)踐中我們都知道，電氣設(shè)備的設(shè)計(jì)是一個(gè)復(fù)雜過程，其中會涉及到電氣自動化專業(yè)中電路、電機(jī)、變壓器、電力電子技術(shù)、電磁場等多門學(xué)科內(nèi)容；對設(shè)計(jì)者的實(shí)際工作經(jīng)驗(yàn)要求很高，需要大量的人力、物力和財(cái)力。而借助于人工智能技術(shù)，可以解決很多人腦難以快速解決的繁瑣計(jì)算和模擬過程，大大地提高了設(shè)計(jì)中的工作效率和精度。電氣設(shè)備設(shè)計(jì)中應(yīng)該注意不同的算法使用與不同的實(shí)際情況，要進(jìn)行高效率、高質(zhì)量的設(shè)計(jì)工作，要求工作人員具有高水平的人工智能軟件應(yīng)用能力和豐富的工作經(jīng)驗(yàn)。

2．人工智能在電氣控制中的應(yīng)用。

在我們的生產(chǎn)生活中，提高自動化水平，就能夠減少人力、物力、財(cái)力投入，提高系統(tǒng)的運(yùn)作效率和質(zhì)量。人工智能技術(shù)在電氣設(shè)備控制中的應(yīng)用主要包括模糊控制、專家系統(tǒng)控制和神經(jīng)網(wǎng)絡(luò)控制。在實(shí)際應(yīng)用中，用得最多的是模糊控制。下面以人工智能控制在電氣傳動控制中的應(yīng)用為例進(jìn)行介紹。

在電氣傳動控制中，模糊控制的應(yīng)用主要分為在直流傳動和交流傳動中的應(yīng)用。直流傳動控制中模糊邏輯控制主要應(yīng)用于模糊控制器中，包括Mamdani和Sugeno。Mamdani用于調(diào)速控制，其規(guī)則庫是一個(gè)if－then模糊規(guī)則集；而Sugeno控制器實(shí)際上是Mamdani控制器的特例，其典型的規(guī)則是：如果x隸屬于A，且y隸屬于B，則Z＝f（x，y）。

這里，A和B是兩個(gè)模糊集。在交流傳動控制中模糊控制器主要用于取代常規(guī)的PI或者PID控制器，另外最新研究中，還將模糊神經(jīng)控制器用于各種全數(shù)字的高動態(tài)性能傳動系統(tǒng)中，得到了一些新的研究成果。

3．人工智能在電力系統(tǒng)中的應(yīng)用。

在實(shí)際生產(chǎn)中，人工智能技術(shù)在電力系統(tǒng)中的應(yīng)用主要有4個(gè)方面——其中包括了專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊集理論和啟發(fā)式搜索。專家系統(tǒng)ES是一個(gè)集大量規(guī)則、經(jīng)驗(yàn)和專業(yè)知識于一身的復(fù)雜程序系統(tǒng)，該系統(tǒng)主要是依靠某個(gè)特定領(lǐng)域的專家的經(jīng)驗(yàn)和知識，進(jìn)行推理判斷，并模擬專家的決策過程，對各種需要專家進(jìn)行決策的難題進(jìn)行處理。專家系統(tǒng)由6個(gè)部分組成，即知識庫、數(shù)據(jù)庫、推理機(jī)、咨詢解釋、知識獲取和人機(jī)接口。

除此之外，現(xiàn)有許多種神經(jīng)網(wǎng)絡(luò)和訓(xùn)練算法在電力系統(tǒng)中得到廣泛應(yīng)用。神經(jīng)網(wǎng)絡(luò)具有靈活的學(xué)習(xí)方式和完全分布式的存儲方式，在大規(guī)模信息處理中得到廣泛應(yīng)用；并且其識別能力和復(fù)雜狀態(tài)分類能力都很強(qiáng)大。在電力系統(tǒng)的短期負(fù)荷預(yù)測中，BP神經(jīng)網(wǎng)路能夠在足夠的馴良樣本中，對模型急怒攻心合理分類，對輸入進(jìn)行選擇，構(gòu)建不同季節(jié)的周預(yù)測和日預(yù)測模型；將元件關(guān)聯(lián)分析和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行復(fù)雜電力系統(tǒng)故障診斷，采用ANN面向元件的模型，可以對每類元件進(jìn)行故障報(bào)警和定位操作，還可以對同一跳閘區(qū)域中的不同故障進(jìn)行識別。模糊理論在電力系統(tǒng)的潮流計(jì)算、系統(tǒng)規(guī)劃和模糊控制等方面的應(yīng)用得到了飛速發(fā)展，因?yàn)槟：壿嬆軌蛲瓿筛唠y度的數(shù)學(xué)近似計(jì)算，對負(fù)荷變化和電力生產(chǎn)等不確定因素建立隸屬函數(shù)，以構(gòu)建電力系統(tǒng)的最優(yōu)化潮流模型。

4．人工智能在故障診斷中的應(yīng)用。

人工智能技術(shù)中的模糊理論、專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在電氣設(shè)備故障診斷中應(yīng)用較廣泛，特別是在變壓器故障診斷、發(fā)電機(jī)和電動機(jī)故障診斷中。傳統(tǒng)的故障診斷方法無法針對設(shè)備故障的不確定性、非線性和復(fù)雜性等特點(diǎn)進(jìn)行診斷，診斷效率較低。而人工智能方法的應(yīng)用提高了診斷準(zhǔn)確率。人工智能技術(shù)主要使用模糊邏輯、神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)三種故障診斷方法。如在電動機(jī)和發(fā)動機(jī)的故障診斷中使用人工智能化的故障診斷技術(shù)，結(jié)合了神經(jīng)網(wǎng)絡(luò)和模糊理論，實(shí)現(xiàn)了故障診斷知識模糊性與較強(qiáng)的神經(jīng)網(wǎng)絡(luò)共同的診斷，相對提高了故障的針對準(zhǔn)確率。

5．人工智能對日常操作的影響。

電力系統(tǒng)不僅影響著電力系統(tǒng)建設(shè)的自動化水平，對日常的管理工作的影響也十分重大。人工智能技術(shù)應(yīng)用于日常操作中，可以幫助實(shí)現(xiàn)以家用電腦操作進(jìn)行系統(tǒng)操作，簡化電流調(diào)整、設(shè)備操作界面，并且可自動進(jìn)行日志生成和儲存、報(bào)表自動生成等功能。電氣系統(tǒng)日常操作中引進(jìn)人工智能技術(shù)，不僅能夠簡化各種操作、規(guī)范各種文件樣式和規(guī)格，并且能夠?qū)崿F(xiàn)操作的簡便性和可視性。人工智能化技術(shù)在電氣自動化控制中的應(yīng)用，大大提高了工作效率和工作準(zhǔn)確率。它已經(jīng)成為我國未來電氣自動化的主要發(fā)展方向，是我國電氣產(chǎn)業(yè)的一大改革和進(jìn)步

四、總結(jié)：

從目前的科技發(fā)展水平看來，以前需要通過人控制機(jī)器去完成的重大任務(wù)，到現(xiàn)在位置完全可以交由人工智能來完成。人工只能通過計(jì)算機(jī)來模擬人類智能活動的方式，不但是理論研究上的突破，還能夠極大地節(jié)省人力、物力、財(cái)力，獲得很高的經(jīng)濟(jì)效益和社會效益。總之，人工智能在電氣自動化方面具有極大地潛力，我們應(yīng)當(dāng)不斷地推動其完善和前進(jìn)。

參考文獻(xiàn)：

[1]王瑛,王宇.自動化控制系統(tǒng)網(wǎng)絡(luò)的發(fā)展[J].科技信息(科學(xué)教研).2008(18).

[2]毛毅.人工智能研究熱點(diǎn)及其發(fā)展方向[J].技術(shù)與市場.2008(03).

[3]石磊,李國棟.電氣自動化控制系統(tǒng)及設(shè)計(jì)[J].黑龍江科技信息.2011(20).

[4]彭啟琮．DSP技術(shù)[M]．北京：電子科技大學(xué)出版社，2007．

[5]張培銘．展望21世紀(jì)電器發(fā)展方向一人工智能電器[J]．電工技術(shù)雜志．2006（4）．

[6]陳洪峰．國內(nèi)電氣自動化發(fā)展?fàn)顩r與趨勢[J]．科技創(chuàng)新導(dǎo)報(bào)，2009，1：12．

[7]陸偉民．人工智能技術(shù)及應(yīng)用[M]．上海：同濟(jì)大學(xué)出版社，1998（6）．

[8]彭啟琮．DSP技術(shù)成都[M]：電子科技大學(xué)出版社，1997（2）．

[9]張培銘．展望21世紀(jì)電器發(fā)展方向一人工智能電器[j]，電工技術(shù)，2006（11）．

[10]陳洪峰．國內(nèi)電氣自動化發(fā)展?fàn)顩r與趨勢[J]．科技創(chuàng)新導(dǎo)報(bào)，2009（5）．

[11]劉玉然．談?wù)勅斯ぶ悄茉谄髽I(yè)管理中的應(yīng)用[J]．價(jià)值工程，2003（12）．

第7篇：神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文

關(guān)鍵詞：物聯(lián)網(wǎng)；LS-SVM；數(shù)據(jù)模型

中圖分類號：TP393

文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2017）10-0145-02

1.引言

前神經(jīng)網(wǎng)絡(luò)（feedforwardneuralnetwork），簡稱前饋網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)的一種。

2.概念相關(guān)概述

2.1前饋人工神經(jīng)網(wǎng)絡(luò)現(xiàn)實(shí)基礎(chǔ)模型

首先，生物神經(jīng)元模型。人的大腦中有眾多神經(jīng)元，而神經(jīng)元之間需要神經(jīng)突觸連接，進(jìn)而構(gòu)成了復(fù)雜有序的神經(jīng)網(wǎng)絡(luò)。而神經(jīng)元主要由樹突、軸突和細(xì)胞體組成。一個(gè)神經(jīng)元有一個(gè)細(xì)胞體和軸突，但是卻有很多樹突。樹突是神經(jīng)元的輸入端，用于接受信息，并向細(xì)胞體財(cái)團(tuán)對信息。而細(xì)胞體是神經(jīng)元的信息處理中心，能夠?qū)π盘栠M(jìn)行處理。軸突相當(dāng)于信息輸出端口，負(fù)責(zé)向下一個(gè)神經(jīng)元傳遞信息；其次，人工神經(jīng)元。人工神經(jīng)元的信息處理能力十分有限，但是，由眾多人工神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)系統(tǒng)龐大，具有巨大的潛力，能夠解決復(fù)雜問題。人工神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)具有相似之處，人工神經(jīng)網(wǎng)絡(luò)能夠從環(huán)境中獲取知識，并存儲信息。前饋人工神經(jīng)網(wǎng)絡(luò)主要包括隱含層、輸入層和輸出層。在前饋人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元將信號進(jìn)行非線性轉(zhuǎn)換之后，將信號傳遞給下一層，信息傳播是單向的。并且，前饋人工神經(jīng)網(wǎng)絡(luò)是人們應(yīng)用最多的網(wǎng)絡(luò)模型，常見的有BP神經(jīng)網(wǎng)絡(luò)、單層感知器、RBF神經(jīng)網(wǎng)絡(luò)等模型。

2.2 LS-SVM相關(guān)概述

支撐向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，能夠根據(jù)樣本信息進(jìn)行非現(xiàn)象映射，解回歸問題的高度非現(xiàn)象問題。并且，支撐向量機(jī)在解決非線性、局部極小點(diǎn)方問題上有很大的優(yōu)勢。LS-SVM也叫最小二乘支撐向量機(jī)，是支撐向量機(jī)的一種，遵循支撐向量機(jī)算法的結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則，能夠?qū)⒅蜗蛄繖C(jī)算法中的不等式約束改為等式約束，進(jìn)而將二次問題轉(zhuǎn)換為線性方程問題，大大降低了計(jì)算的復(fù)雜性。并且，LS-SVM在運(yùn)算速度上遠(yuǎn)遠(yuǎn)高于支持向量機(jī)。但是，LS-SVM也存在一定的缺點(diǎn)，在計(jì)算的過程中，LS-SVM的忽視了全局最優(yōu)，只能實(shí)現(xiàn)局部最優(yōu)。并且，LS-SVM在處理噪聲污染嚴(yán)重的樣本時(shí)，會將所有的干擾信息都擬合到模型系統(tǒng)中，導(dǎo)致模型的魯棒性降低。另外，LS-SVM的在線建模算法、特征提取方法以及LS-SVM的支持向量稀疏性都有待改進(jìn)。

2.3物聯(lián)網(wǎng)下人工神經(jīng)網(wǎng)絡(luò)前饋LS-SVM研究的意義

物聯(lián)網(wǎng)是互聯(lián)網(wǎng)技術(shù)的發(fā)展趨勢，為前饋人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與LS-SVM研究提供了技術(shù)保障，在物聯(lián)網(wǎng)背景下，研究人工神經(jīng)網(wǎng)絡(luò)前饋LS-SVM不僅能夠創(chuàng)新人工神經(jīng)網(wǎng)絡(luò)的計(jì)算方法，完善人工神經(jīng)網(wǎng)絡(luò)在現(xiàn)實(shí)生活中的應(yīng)用，而且對人們生活的自動化和智能化發(fā)展有著重要意義。另外，物聯(lián)網(wǎng)為人們對LS-SVM的研究提供了條件，在物聯(lián)網(wǎng)環(huán)境下，人們能夠運(yùn)用信息技術(shù)深化最小二乘支撐向量機(jī)研究，不斷提高LS-SVM回歸模型的魯棒性，改進(jìn)LS-SVM的特征提取方法和在線建模算法，完善計(jì)算機(jī)學(xué)習(xí)方法，提升計(jì)算機(jī)的運(yùn)算速度。3基于LS―SVM的丟包數(shù)據(jù)模型

在選擇的參數(shù)的基礎(chǔ)上，運(yùn)用IS-SVM方法，建立評估模型。本文選用LS-SVM回歸方法的原因，SVM優(yōu)于神經(jīng)網(wǎng)絡(luò)的方法主要是以下幾點(diǎn)：

首先，了解數(shù)據(jù)挖掘，數(shù)據(jù)挖掘前景廣闊，SVM是數(shù)據(jù)挖掘中的新方法。其次，選擇合適的數(shù)據(jù)分析方法根據(jù)數(shù)據(jù)集的大小和特征。小樣本訓(xùn)練適合SVM，樣本大情況的訓(xùn)練適宜神經(jīng)網(wǎng)絡(luò)，這里用SVM。

然后，就是文獻(xiàn)使用SVM和PCA建立跨層的評估QOE，實(shí)驗(yàn)結(jié)果表明主觀MOS評分和此評價(jià)結(jié)果具有很好的一致性。

最后，本文采用SVM基礎(chǔ)上的進(jìn)一步拔高，LS-SVM，比SVM運(yùn)行快，精確度高。srcl3_hrcl_525.yuv實(shí)驗(yàn)素材的特征是具有高清性質(zhì)。525序列60HZ，幀大小為1440x486字節(jié)/幀，625序列50HZ，大小同上。YUV格式是422格式即4：2：2格式的。

時(shí)域復(fù)雜度的模型如下，視頻的時(shí)域復(fù)雜度σ；編碼量化參數(shù)是Q；編碼速率為R；待定模型的參數(shù)為a和b。σ=Q（aR+b）。通過大量的實(shí)驗(yàn)和理論分析，得到模型的參數(shù)：a=l 260，b=0.003。其中，編碼速率和幀率可以看作是視頻的固有屬性。高清視頻編碼速率R是512kb/s，最大幀速率為30000/1001=29.97幅，秒。量化參數(shù)是根據(jù)實(shí)驗(yàn)的具體情況確定的。計(jì)算σ的值如下所示：當(dāng)量化參數(shù)為31時(shí)，σ=19998720.1，當(dāng)量化參數(shù)為10時(shí)，σ=6451200.03，當(dāng)量化參數(shù)為5時(shí)，σ=3225600.02，當(dāng)量化參數(shù)為62時(shí)，σ=39997440.2，當(dāng)量化參數(shù)為100時(shí)，σ=64512000.3，當(dāng)量化參數(shù)為200時(shí)，σ=129024001，當(dāng)量化參數(shù)為255時(shí)，σ=164505601。

對于srcl3網(wǎng)絡(luò)環(huán)境建立考慮網(wǎng)絡(luò)丟包的視頻質(zhì)量無參評估模型使用LS-SVM方法。

（1）輸入x的值。XI是量化參數(shù)，X2封包遺失率，X3單工鏈路速度，X4雙工鏈路速度，X5視頻的時(shí)域復(fù)雜度。等權(quán)的參數(shù)。

LS-SVM要求調(diào)用的參數(shù)只有兩個(gè)gam和sig2并且他們是LS-SVM的參數(shù)，其中決定適應(yīng)誤差的最小化和平滑程度的正則化參數(shù)是gam，RBF函數(shù)的參數(shù)是sig2。Type有兩種類型，一種是elassfieation用于分類的，一種是function estimation用于函數(shù)回歸的。

4.機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)的結(jié)合

物聯(lián)網(wǎng)中也用到人工智能，人工智能中有機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)中有神經(jīng)網(wǎng)絡(luò)。機(jī)器學(xué)習(xí)是人工智能研究的核心問題之一，也是當(dāng)前人工智能研究的一個(gè)熱門方向。

第8篇：神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)；故障診斷；技術(shù)分析

現(xiàn)代經(jīng)濟(jì)的發(fā)展和科技的進(jìn)步促進(jìn)了計(jì)算機(jī)技術(shù)的應(yīng)用和進(jìn)步，信息技術(shù)和網(wǎng)絡(luò)控制系統(tǒng)為工業(yè)生產(chǎn)和科學(xué)研究帶來巨大便利。現(xiàn)階段，神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)應(yīng)用趨向于規(guī)模化、集中化和專業(yè)化，網(wǎng)絡(luò)控制技術(shù)進(jìn)步的同時(shí)，生產(chǎn)應(yīng)用率提高，超負(fù)荷工作下，容易出現(xiàn)系統(tǒng)故障或癱瘓，造成企業(yè)經(jīng)濟(jì)損失，因而需要積極制定有效策略、運(yùn)用先進(jìn)技術(shù)和手段對神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障問題予以集中解決。[1]

1 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障診斷技術(shù)發(fā)展

1.1 智能化

神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)出現(xiàn)故障，一般需要專業(yè)工程師對系統(tǒng)的故障信號進(jìn)行檢測、搜集和分析，在了解系統(tǒng)故障的發(fā)生位置后即可分析研究故障原因。現(xiàn)代網(wǎng)絡(luò)信息技術(shù)和智能技術(shù)的廣泛應(yīng)用提高了神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障的診斷速率。神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)在工業(yè)生產(chǎn)等領(lǐng)域應(yīng)用廣泛，關(guān)于系統(tǒng)故障的診斷技術(shù)也不斷提高，逐步向智能化和數(shù)字化發(fā)展。神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)在不同行業(yè)應(yīng)用，但是產(chǎn)生的故障原因不同，采用的診斷方法也不同。一般系統(tǒng)在產(chǎn)生故障時(shí)會自動發(fā)出警報(bào)聲，可第一時(shí)間確定系統(tǒng)的故障位置，這種屬于系統(tǒng)故障智能定位。系統(tǒng)控制工作復(fù)雜，從應(yīng)用企業(yè)的應(yīng)用成本考慮，需要使用合理的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，同時(shí)增加對神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障研究成本的投入。

1.2 靈活性

神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)產(chǎn)生故障大多是人工應(yīng)用不當(dāng)導(dǎo)致的，因而在故障診斷中由于人的主觀意識，導(dǎo)致系統(tǒng)故障診斷過于單一，且人工判別技術(shù)有限，具有較大隨機(jī)性和盲目性，對系統(tǒng)故障位置及成因分析判斷的準(zhǔn)確度不夠，影響神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障修理。然而采取智能技術(shù)對神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障進(jìn)行排查和定位具有較強(qiáng)靈活性，可以在假設(shè)的基礎(chǔ)上建立數(shù)學(xué)模型，以數(shù)據(jù)分析的形式對系統(tǒng)故障部分予以診斷。神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)研發(fā)和應(yīng)用的復(fù)雜度不斷提高，不同類型控制系統(tǒng)產(chǎn)生的故障原因也越來越復(fù)雜，采用數(shù)學(xué)建模的方法獲取、分析故障系統(tǒng)數(shù)據(jù)，能夠增強(qiáng)神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障診斷的靈活性和針對性。[2]

2 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障診斷技術(shù)應(yīng)用的內(nèi)容和要點(diǎn)

2.1 數(shù)據(jù)建模，隔離故障源

神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)出現(xiàn)故障后無法正常運(yùn)行，系統(tǒng)某些功能也無法實(shí)現(xiàn)，最終導(dǎo)致系統(tǒng)癱瘓、影響工作。針對這種情況需要充分利用人工智能手段診斷系統(tǒng)故障原因，可以利用軟硬件監(jiān)控系統(tǒng)，在確定故障點(diǎn)后予以隔離，通過數(shù)據(jù)了解系統(tǒng)產(chǎn)生故障的人工原因和機(jī)能原因。技術(shù)人員一般需要根據(jù)系統(tǒng)工作參數(shù)輸出，利用數(shù)據(jù)建模，以數(shù)學(xué)表示形式將系統(tǒng)故障信息進(jìn)行驗(yàn)證和輸出，作為故障診斷評價(jià)的理論依據(jù)。對于神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障原因診斷后還要進(jìn)行原因分類，檢測系統(tǒng)變量是否存在異常，若異常則啟動報(bào)警裝置，以此排除不合理故障原因。神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障發(fā)生需要在判斷出原因后根據(jù)信息源位置隔離故障部分，對于神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)不同的故障原因和故障程度均要進(jìn)行量化評估，并采取有效措施解決故障問題。

2.2 BP神經(jīng)網(wǎng)絡(luò)和遺傳算法

神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)主要部分是執(zhí)行器和傳感器，執(zhí)行器和傳感器在運(yùn)行中主要容易出現(xiàn)恒偏差、卡死和恒增益等不同類型的故障。因而在故障診斷中需要利用仿真建模的辦法，將仿真人設(shè)定為故障類型，并以此獲得系統(tǒng)變化信息。在神經(jīng)網(wǎng)絡(luò)控制系y故障中一般會應(yīng)用BP算法，但這種算法單獨(dú)使用效率不高，可結(jié)合遺傳算法，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值，最后在系統(tǒng)故障歸一化處理后用作訓(xùn)練數(shù)據(jù)。遺傳算法的主要特點(diǎn)是全局搜索能力強(qiáng)且運(yùn)行高效、便捷。傳統(tǒng)的BP算法在受到遺傳算法數(shù)據(jù)優(yōu)化后，能夠提高神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)故障診斷的有效率，診斷數(shù)據(jù)誤差比對后可提高運(yùn)算速率。[3]

2.3 殘差序列和模型解析

神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)動態(tài)模型建立能夠有效提高系統(tǒng)故障診斷與檢修準(zhǔn)確率，一般是利用濾波器或觀測器重構(gòu)控制系統(tǒng)的參數(shù)或狀態(tài)，并形成殘差序列，對于殘差序列中所包含的故障信息可以采取必要手段進(jìn)行信息增強(qiáng)，對模型中的非故障信息需要抑制，正常情況下統(tǒng)計(jì)分析殘差序列可直接檢測出系統(tǒng)故障發(fā)生的位置和原因。系統(tǒng)故障正常值與估計(jì)值的偏差分析是研究系統(tǒng)故障程度的關(guān)鍵，在參數(shù)估計(jì)中相對簡單實(shí)用的是最小二乘法，魯棒性較強(qiáng)，因而是參數(shù)估計(jì)的首選方法。系統(tǒng)運(yùn)行狀態(tài)可由被控過程狀態(tài)反映，被控過程狀態(tài)在重構(gòu)中形成殘差數(shù)列，數(shù)列中也包含了不同的故障信息，利用模型統(tǒng)計(jì)檢驗(yàn)出故障，最后用爾曼濾波器進(jìn)行狀態(tài)估計(jì)。關(guān)于模型等價(jià)空間的診斷一般使用無閥值的方法，這種方法是在1984年由willsky和Chow提出，主要是對測量信息進(jìn)行分類，得到一致的冗余數(shù)據(jù)子集后，估計(jì)系統(tǒng)狀態(tài)，并對不同的冗余數(shù)據(jù)進(jìn)行識別，完成模型解析。

3 結(jié)束語

神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的應(yīng)用廣泛，屬于人工智能研究領(lǐng)域的重要部分，要提高系統(tǒng)運(yùn)行的安全性和穩(wěn)定性，就要在系統(tǒng)出現(xiàn)故障后采用科學(xué)的診斷方法，以建立數(shù)學(xué)模型的形式對系統(tǒng)故障數(shù)據(jù)進(jìn)行檢測和分析。神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的故障診斷技術(shù)研究需要不斷深入，根據(jù)系統(tǒng)不同的故障類型采取針對性的解決辦法分析故障原因、定位故障源，并進(jìn)行隔離排障。[4]

參考文獻(xiàn)

[1]徐巖，秦波.LM-BP神經(jīng)網(wǎng)絡(luò)的叉車液壓系統(tǒng)故障診斷技術(shù)研究[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2016（22）：90-91+93.

[2]祁濤，張彥斌，姚人前.神經(jīng)網(wǎng)絡(luò)技術(shù)在智能BIT故障診斷系統(tǒng)中的應(yīng)用[J].火力與指揮控制，2016（06）：125-128.

[3]黃志強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)開發(fā)港口設(shè)備故障診斷專家系統(tǒng)[J].軟件導(dǎo)刊，2012（02）：77-79.

[4]樊立萍，石月，高士宏.基于模糊神經(jīng)網(wǎng)絡(luò)的感應(yīng)電機(jī)控制系統(tǒng)的故障診斷[J].信息系統(tǒng)工程，2010（01）：26-28.

第9篇：神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用范文

【關(guān)鍵詞】氣體識別;自組織神經(jīng)網(wǎng)絡(luò)

1.引言

氣體識別在環(huán)境保護(hù)、化工控制、家用報(bào)警、食品保鮮、溫室環(huán)境控制、航空航天等領(lǐng)域有著廣泛的應(yīng)用。應(yīng)用氣體傳感器進(jìn)行多組份氣體的定性定量研究，可以極大的降低測量成本，減小測量周期，并可實(shí)現(xiàn)在線的實(shí)時(shí)測量。但由于當(dāng)前氣體傳感器普遍存在著交叉敏感和選擇性差等缺點(diǎn)，使用單一傳感器很難實(shí)現(xiàn)多組份氣體的檢測分析。為解決以上問題，一方面可以采用新材料、新工藝來改善傳感器本身的性能;另一方面可以將現(xiàn)有的氣體傳感器構(gòu)成陣列，并與自組織神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合。本文采用后者的原理，即通過多個(gè)敏感程度不同的氣體傳感器組成傳感器陣列，結(jié)合神經(jīng)網(wǎng)絡(luò)模式識別算法進(jìn)行氣體識別分析。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuron Networks，ANN）人工神經(jīng)網(wǎng)絡(luò)（Artificial Neutral Networks，ANN）是一個(gè)由大量簡單處理單元廣泛連

接而成的復(fù)合網(wǎng)絡(luò)系統(tǒng)。神經(jīng)元結(jié)構(gòu)是受到生物神經(jīng)元的啟發(fā)而得來的。目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)類型有很多，其中應(yīng)用最廣的是BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)的過程，即利用外部條件作用于神經(jīng)網(wǎng)絡(luò)，使其能重新對外界做出反應(yīng)。將氣體傳感器陣列與采用BP算法進(jìn)行訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)模式識別技術(shù)相結(jié)合形成的氣體識別系統(tǒng)，是利用傳感器陣列對混合氣體的高維響應(yīng)模式來實(shí)現(xiàn)對混合氣體的定量檢測。其中傳感器陣列的選取、傳感器信號的預(yù)處理方法、BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)以及測量環(huán)境是影響系統(tǒng)性能的可能因素。

2.人工嗅覺系統(tǒng)

人工嗅覺系統(tǒng)是一種化學(xué)分析系統(tǒng)，它由一個(gè)具有部分專一性的電子化學(xué)傳感器陣列和一個(gè)合適的模式識別系統(tǒng)組成。由于人工嗅覺系統(tǒng)主要模仿的是生物的嗅覺系統(tǒng)，所以人工嗅覺系統(tǒng)也可被稱為“電子鼻”或者電子嗅覺系統(tǒng)。

2.1 電子鼻簡介

電子鼻這個(gè)術(shù)語開始出現(xiàn)于二十世紀(jì)八十年代晚期，當(dāng)時(shí)它被用于1987年的一個(gè)學(xué)術(shù)會議。較為科學(xué)的電子鼻的概念出現(xiàn)于1994年英國Warwick大學(xué)的J.W.Gardner發(fā)表的文章中，并且J.W.Gardner綜述了世界各國人工嗅覺系統(tǒng)的發(fā)展概況。

電子鼻模仿人的鼻子的功能，以電訊號的方式予以表達(dá)，可以工作在惡劣或有毒的環(huán)境下，在食品、化工、環(huán)保、醫(yī)療診斷、檢驗(yàn)等方面有很重要的應(yīng)用，其關(guān)鍵技術(shù)就是氣體傳感器陣列。

2.2 人工嗅覺系統(tǒng)的原理及基本組成部分

人工嗅覺系統(tǒng)主要是受生物的嗅覺系統(tǒng)啟發(fā)和影響，以下是該系統(tǒng)中的關(guān)鍵因素：

（1）對微量、痕量氣體分子瞬時(shí)敏感的監(jiān)測器，以得到與氣體化學(xué)成分相對應(yīng)的信號;

（2）對檢測到的信號進(jìn)行識別與分類的數(shù)據(jù)處理器，將有用的信號與噪聲加以分離;

（3）將測量數(shù)據(jù)轉(zhuǎn)換為感官評定指標(biāo)的智能解釋器，得到合理的感官結(jié)果。

2.3 氣體傳感器

氣體傳感器是一種將氣體的成分、濃度等信息轉(zhuǎn)換為可以被人員、儀器儀表、計(jì)算機(jī)等利用的信息的裝置。

2.3.1 半導(dǎo)體氣體傳感器

半導(dǎo)體氣體傳感器在氣體傳感器中約占60%，根據(jù)其機(jī)理分為電導(dǎo)型和非電導(dǎo)型，電導(dǎo)型中又分為表面型和容積控制性。

2.3.2 表面敏感型傳感器元件

表面敏感型傳感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可檢測氣體為CO、NO2和氟利昂等，傳感材料Pt-SnO2的氣體傳感器可檢測氣體為可燃性氣體如H2、CO、CH4等。

2.3.3 容積控制型傳感材料

容積控制型傳感材料有TiO2、CoO-MgO-SnO2等，其半導(dǎo)體氣體傳感器可檢測氣體為液化石油氣、酒精和燃燒爐氣尾氣等。

3.神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuron Networks，ANN）是近年來人工智能的一個(gè)重要科學(xué)分支。二十世紀(jì)五十年代末人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)開始作為人工智能的一種重要計(jì)算工具逐漸受到重視。進(jìn)入二十世紀(jì)八十年代后期，人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了一個(gè)新的。主要原因是：一方面經(jīng)過幾十年迅速發(fā)展起來的以邏輯符號處理為主的人工智能理論和馮-諾依曼計(jì)算機(jī)在處理諸如視覺、聽覺、形象思維和聯(lián)想記憶等智能信息問題時(shí)遇到挫折;另一方面，具有并行分布處理模式的人工神經(jīng)網(wǎng)絡(luò)本身的研究取得了巨大的進(jìn)展。

神經(jīng)網(wǎng)絡(luò)具有一些不同于其它計(jì)算方法的性質(zhì)和特點(diǎn)以及它自身是基于人類大腦結(jié)構(gòu)和功能而建立起來的，因此具有很多和人類智能類似的特點(diǎn)。首先，神經(jīng)網(wǎng)絡(luò)將信息存儲在大量的神經(jīng)元中，具有內(nèi)在的知識索引功能。信息在網(wǎng)絡(luò)中使用兩種方式被保留：一種是神經(jīng)元之間的連接，另一種是連接權(quán)重因子。其次，人工神經(jīng)網(wǎng)絡(luò)具有對周圍環(huán)境自學(xué)習(xí)、自適應(yīng)功能，也可用于處理帶噪聲的、不完整的數(shù)據(jù)集。在人工神經(jīng)網(wǎng)絡(luò)中，輸入與輸出的關(guān)系不是由單獨(dú)的神經(jīng)元直接負(fù)責(zé)的，相反是與神經(jīng)元的輸入輸出有關(guān)。最后，人工神經(jīng)網(wǎng)絡(luò)模擬人類的學(xué)習(xí)過程。人類大多數(shù)的學(xué)習(xí)和求解過程都是采用嘗試法，而人工神經(jīng)網(wǎng)絡(luò)可以以相同的方式運(yùn)行。

神經(jīng)元（neuron）即神經(jīng)網(wǎng)絡(luò)中的基本處理單元，也就是節(jié)點(diǎn)。一般節(jié)點(diǎn)由輸入與輸出、權(quán)重因子、內(nèi)部閥值和函數(shù)形式四部分組成。

圖1 神經(jīng)元模型

圖1給出了一個(gè)基本的神經(jīng)元模型，它具有R個(gè)輸入，每個(gè)輸入都通過一個(gè)適當(dāng)?shù)臋?quán)值wli和下一層相連，網(wǎng)絡(luò)輸出可表示為：

式中，n為該神經(jīng)元（序號l）的總輸入;

f（n）為神經(jīng)元輸入輸出關(guān)系的函數(shù)，稱為作用函數(shù)、響應(yīng)函數(shù)或傳遞函數(shù)。

人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是指它的處理單元是如何相互連接的，主要由輸入層、隱含層和輸出層組成。每一節(jié)點(diǎn)的輸出被送到下一層的所有節(jié)點(diǎn)。通過將這些處理單元組成層，將其相互連接起來，并對連接進(jìn)行加權(quán)，從而形成神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，將若干個(gè)人工神經(jīng)元作為有向圖的節(jié)點(diǎn)，可連接成人工神經(jīng)網(wǎng)絡(luò)。其中每一層對于人工神經(jīng)網(wǎng)絡(luò)的成功都非常關(guān)鍵。可以將人工神經(jīng)網(wǎng)絡(luò)輸入層、隱含層和輸出層看成為一個(gè)通過輸入層的所有節(jié)點(diǎn)輸入特定信息的黑箱。人工神經(jīng)網(wǎng)絡(luò)通過節(jié)點(diǎn)之間的相互連接關(guān)系來處理這些信息，最后從輸出層的節(jié)點(diǎn)給出最終結(jié)果。

4.誤差反向傳播網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）

1985年，以Rumelhart和McClelland為首提出了至今仍廣泛接受和使用的誤差反向傳播學(xué)習(xí)算法。按照這一算法進(jìn)行訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)被直接稱為BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出量為0到1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。其權(quán)值的調(diào)整采用反饋傳播學(xué)習(xí)算法。

目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形式。BP網(wǎng)絡(luò)主要用于以下四方面：

（1）函數(shù)逼近：用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練一個(gè)網(wǎng)絡(luò)以逼近一個(gè)函數(shù);

（2）模式識別：用一個(gè)特定的輸出矢量將它與輸入矢量聯(lián)系起來;

（3）分類：把輸入矢量所定義的合適方式進(jìn)行分類;

（4）數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸和存儲。

對于神經(jīng)網(wǎng)絡(luò)算法，使用基于誤差反向傳遞的神經(jīng)網(wǎng)絡(luò)算法設(shè)第p個(gè)模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N為模式個(gè)數(shù)），將其視為BP網(wǎng)絡(luò)的輸入，yip為其實(shí)際輸出，隱含層和輸出層各單元的激活函數(shù)采用sigmoid函數(shù)，即：

一般基于BP的神經(jīng)網(wǎng)絡(luò)算法具體步驟如下：

Step1、構(gòu)造網(wǎng)絡(luò)，初始化網(wǎng)絡(luò)的權(quán)矩陣，設(shè)置學(xué)習(xí)因子，動態(tài)因子，跌代次數(shù)和允許誤差;

Step2、從一個(gè)網(wǎng)絡(luò)開始，提供訓(xùn)練模式;

Step3、開始訓(xùn)練第k個(gè)網(wǎng)絡(luò);

Step4、前向傳播過程，對所有訓(xùn)練模式，計(jì)算網(wǎng)絡(luò)的實(shí)際輸出并與目標(biāo)輸出相比較，如果誤差超過運(yùn)行誤差，則進(jìn)行下一步，否則訓(xùn)練第k+1個(gè)網(wǎng)絡(luò);

Step5、反向傳播過程：計(jì)算隱含層和輸出層各單元的誤差精度，修正權(quán)值和閥值：

式中，為學(xué)習(xí)效率;

di為教師信號或希望輸出;

為實(shí)際輸出yi與希望輸出di之差，其中yi和xj是取1或0的離散值。

Step6、繼續(xù)訓(xùn)練第k個(gè)網(wǎng)絡(luò)。

BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP網(wǎng)絡(luò)的簡單性，在人工嗅覺系統(tǒng)的模式識別部分占有很大的比例，許多以前和現(xiàn)在的一些成熟人工嗅覺系統(tǒng)的產(chǎn)品仍然使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別。

BP網(wǎng)絡(luò)的學(xué)習(xí)是通過求解一個(gè)優(yōu)化問題完成的，從數(shù)學(xué)的角度看，它是通過函數(shù)逼近擬合曲面（線）的想法，并且將其轉(zhuǎn)化為一個(gè)非線性優(yōu)化問題而求解。BP網(wǎng)絡(luò)是對簡單的非線性函數(shù)進(jìn)行復(fù)合，經(jīng)過多次復(fù)合后，則可以實(shí)現(xiàn)復(fù)雜的函數(shù)，但存在BP學(xué)習(xí)算法收斂速度慢、不完備性和隱節(jié)點(diǎn)數(shù)只能憑經(jīng)驗(yàn)選取。

由于存在上述問題，科學(xué)家們從利用線性的自適應(yīng)步長加速BP算法和增加動量項(xiàng)來去除收斂過程中的局部最小點(diǎn)。模擬退火（Simulated Annealing，簡稱SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小點(diǎn)的出現(xiàn)，把它用在優(yōu)化中是由Kirkpatrick等人提出的。組合優(yōu)化問題的解空間中的每一個(gè)點(diǎn)都代表一個(gè)解。不同的解有著不同的目標(biāo)函數(shù)值。優(yōu)化過程就是在解空間中尋找目標(biāo)函數(shù)的最小解。

SA算法的特點(diǎn)是通用性強(qiáng)、可達(dá)到全局最小。傳統(tǒng)的啟發(fā)式搜索算法如快速下降法，每次都是向改進(jìn)解的方向搜索，往往只能找到一個(gè)局部最優(yōu)解，而不是全局最優(yōu)解。而SA算法在系統(tǒng)朝能量減少這個(gè)總趨勢的過程中，允許解的搜索以一定的概率向較差的方向走，以避開局部最小，而最終穩(wěn)定到全局能量最小的狀態(tài)。

5.利用自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行氣體識別

將被測氣體按所需測量精度和濃度范圍按成份分成不同的濃度等級，采用標(biāo)準(zhǔn)氣體配置這些等級的不同成份氣體的所有組合作為標(biāo)準(zhǔn)模態(tài)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。通過識別某一未知?dú)怏w樣本的模式，即可以得到未知?dú)怏w的成份濃度。例如，選用N種互相參比配制混合氣體樣本。根據(jù)傳感器的靈敏范圍，將配制的氣體濃度限制在a1到am以內(nèi)，濃度變化間隔為l。這樣每種氣體有m種濃度模式，共計(jì)可得到mN個(gè)樣本。采用這些樣本作為原始數(shù)據(jù)訓(xùn)練自組織神經(jīng)網(wǎng)絡(luò)，就可以實(shí)現(xiàn)在這一濃度范圍內(nèi)的最大誤差為l的氣體定量測量。