卷積神經網絡的核心精選(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卷積神經網絡的核心主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：卷積神經網絡的核心范文
DOIDOI：10.11907/rjdk.171863
中圖分類號：TP317.4
文獻標識碼：A 文章編號：1672-7800（2017）006-0198-04
0 引言
圖像分類一直是計算機視覺領域的一個基礎而重要的核心問題，具有大量的實際應用場景和案例。很多典型的計算機視覺問題（如物體檢測、圖像分割）都可以演化為圖像分類問題。圖像分類問題有很多難點需要解決，觀測角度、光照條件的變化、物體自身形變、部分遮擋、背景雜波影響、類內差異等問題都會導致被觀測物體的計算機表示（二維或三維數值數組）發生劇烈變化。一個良好的圖像分類模型應當對上述情況（以及不同情況的組合）不敏感。使用深度學習尤其是深度卷積神經網絡，用大量圖像數據進行訓練后可以處理十分復雜的分類問題。
卷積神經網絡是為識別二維形狀而專門設計的一個多層感知器，這種網絡結構對平移、縮放、傾斜等擾動具有高度不變性，并且具有強大的特征學習與抽象表達能力，可以通過網絡訓練獲得圖像特征，避免了復雜的特征提取與數據重建過程。通過網絡層的堆疊，集成了低、中、高層特征表示。AlexNet等網絡模型的出F，也推動了卷積網絡在海量圖像分類領域的蓬勃發展。
1 卷積神經網絡
卷積神經網絡是人工神經網絡的一種，其“局部感知”“權值共享”[1]等特性使之更類似于生物神經網絡，網絡模型復雜度大大降低，網絡訓練更容易，多層的網絡結構有更好的抽象表達能力，可以直接將圖像作為網絡輸入，通過網絡訓練自動學習圖像特征，從而避免了復雜的特征提取過程。
Yann LeCun等[2]設計的LeNet-5是當前廣泛使用的卷積網絡結構原型，它包含了卷積層、下采樣層（池化層）、全連接層以及輸出層，構成了現代卷積神經網絡的基本組件，后續復雜的模型都離不開這些基本組件。LeNet-5對手寫數字識別率較高，但在大數據量、復雜的物體圖片分類方面不足，過擬合也導致其泛化能力較弱。網絡訓練開銷大且受制于計算機性能。
2012年，在ILSVRC競賽中AlexNet模型[3]贏得冠軍，將錯誤率降低了10個百分點。擁有5層卷積結構的AlexNet模型證明了卷積神經網絡在復雜模型下的有效性，并將GPU訓練引入研究領域，使得大數據訓練時間縮短，具有里程碑意義。AlexNet還有如下創新點：①采用局部響應歸一化算法（Local Response Normalization，LRN），增強了模型的泛化能力，有效降低了分類錯誤率；②使用Dropout技術，降低了神經元復雜的互適應關系，有效避免了過擬合；③為了獲得更快的收斂速度，AlexNet使用非線性激活函數ReLU（Rectified Linear Units）來代替傳統的Sigmoid激活函數。
Karen等[4]在AlexNet的基礎上使用更小尺寸的卷積核級聯替代大卷積核，提出了VGG網絡。雖然VGG網絡層數和參數都比AlexNet多，但得益于更深的網絡和較小的卷積核尺寸，使之具有隱式規則作用，只需很少的迭代次數就能達到收斂目的。
復雜的網絡結構能表達更高維的抽象特征。然而，隨著網絡層數增加，參數量也急劇增加，導致過擬合及計算量大增，解決這兩個缺陷的根本辦法是將全連接甚至一般的卷積轉化為稀疏連接。為此，Google團隊提出了Inception結構[5]，以將稀疏矩陣聚類為較為密集的子矩陣來提高計算性能。以Inception結構構造的22層網絡GoogLeNet，用均值池化代替后端的全連接層，使得參數量只有7M，極大增強了泛化能力，并增加了兩個輔助的Softmax用于向前傳導梯度，避免梯度消失。GoogLeNet在2014年的ILSVRC競賽中以Top-5錯誤率僅6.66%的成績摘得桂冠。
網絡層數的增加并非永無止境。隨著網絡層數的增加，將導致訓練誤差增大等所謂退化問題。為此，微軟提出了一種深度殘差學習框架[6]，利用多層網絡擬合一個殘差映射，成功構造出152層的ResNet-152，并在2015年的ILSVRC分類問題競賽中取得Top-5錯誤率僅5.71%的成績。隨后，對現有的瓶頸式殘差結構進行改進，提出了一種直通結構[7]，并基于此搭建出驚人的1001層網絡，在CIFAR-10分類錯誤率僅4.92%。至此，卷積神經網絡在越來越“深”的道路上一往直前。
2 可變形的卷積神經網絡
2.1 空間變換網絡
空間變換網絡（Spatial Transformer Network，STN）[8]主要由定位網絡（Localisation net）、網格生成器（Grid generator）和可微圖像采樣（Differentiable Image Sampling）3部分構成，如圖1所示。
定位網絡將輸入的特征圖U放入一個子網絡（由卷積、全連接等構成的若干層子網絡），生成空間變換參數θ。θ的形式可以多樣，如需要實現2D仿射變換，那么θ就是一個2×3的向量。
2.3 本文模型
本文以自建的3層卷積網絡C3K5（如圖6所示）和VGG-16作為基準網絡，分別引入空間變換網絡、可變形卷積和可變形池化，構造出8個卷積神經網絡，用以驗證可變形模塊對淺層網絡和深層網絡的影響，如表1所示。
圖6中C3K5網絡模型包含3個帶有ReLU層、LRN層和池化層的卷積模塊，卷積層采用步長為1的5×5卷積核，輸出保持原大小，池化層采用步長為2核為2×2的最大值池化，即每經過一個卷積模塊，特征圖縮小為原來的一半。
3 實驗與分析
3.1 實驗設置
本文實驗環境：CPU為Intel i5-7400，8G內存，顯卡為GTX1060，采用Cuda8+CuDNN6.0加速。
實驗數據集包括公共圖像數據集mnist、cifar-10、cifar-100和自建圖像數據集pen-7。公共數據集分別有50 000張訓練樣本圖像和10 000張測試樣本圖像。自建數據集pen-7為京東商城的七類筆圖像庫，每類有600張圖片，圖像分辨率為200×200，總計訓練樣本數3 360，測試樣本數840， 圖7為其中的14個樣本。
3.2 結果與分析
分別將表1中的10個卷積網絡應用到mnist、cifar-10、cifar-100和pen-7四個數據集進行訓練，batch-size設置100，即每次傳入100張圖片進行訓練，每訓練100次測試一次（記為一次迭代），總共迭代100次，取最后10次迭代的準確率計算平均值，得各網絡應用在不同數據集的分類結果，如表2所示。
實驗結果表明，在卷積網絡中引入空間變換網絡、用可變形的卷積層和可變形的池化層替換傳統的卷積層和池化層，不管是在淺層網絡還是在深層網絡，都能獲得更高的分類準確率，這驗證了空間變換網絡和可變形卷積（池化）結構，豐富了卷積神經網絡的空間特征表達能力，提升了卷積網絡對樣本的空間多樣性變化的魯棒性。包含3種模塊的網絡獲得了最高的分類精度，使空間變換網絡、可變形卷積層和可變形池化層在更多應用場景中并駕齊驅成為可能。
4 結語
通過在現有卷積神經網絡中引入空間變換網絡、可變形的卷積層和可變形的池化層，使得卷積網絡在mnist、cifar-10、cifar-100及自建的pen-7數據集中獲得了更高的分類精度，包含3種模塊的網絡獲得了最高分類精度，證明了空間變換網絡、可變形的卷積層和可變形池化層都能豐富網絡的空間特征表達能力，協同應用于圖像分類工作，這為后續研究打下了堅實的基礎。
參考文獻：
[1]BOUVRIE J. Notes on convolutional neural networks[J].Neural Nets，2006（1）：159-164.
[2]Y LECUN，L BOTTOU，Y BENGIO，et al.Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.
[3]KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems. Curran Associates Inc，2012：1097-1105.
[4]SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. Computer Science， 2014（6）：1211-1220.
[5]SZEGEDY C， LIU W， JIA Y， et al. Going deeper with convolutions[J]. CVPR， 2015（3）：1-9.
[6]HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C]. Computer Vision and Pattern Recognition. IEEE， 2015：770-778.
[7]HE K， ZHANG X， REN S， et al. Identity mappings in deep residual networks[J]. arXiv，2016（1603）：5-27.
[8]JADERBERG M， SIMONYAN K， ZISSERMAN A， et al. Spatial transformer networks[J].Computer Science， 2015（5）：1041-1050.
[9]DAI J， QI H， XIONG Y， et al. Deformable convolutional networks[J]. arXiv： 2017（1703）：62-111.
第2篇：卷積神經網絡的核心范文
關鍵詞：人工智能 機器學習 機器人情感獲得 發展綜述
中圖分類號：TP18 文獻標識碼：A 文章編號：1003-9082 （2017） 04-0234-01
引言
人類自從工業革命結束之后，就已然開始了對人工智能的探索，究其本質，實際上就是對人的思維進行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時期，那時圖靈就希望未來的智能系統能夠像人一樣思考。在20世紀五十年代，人工智能被首次確定為一個新興的學科，并吸引了大批的學者投入到該領域的研究當中。經過長時間的探索和嘗試，人工智能的許多重要基本理論已經形成，如模式識別、特征表示與推理、機器學習的相關理論和算法等等。進入二十一世紀以來，隨著深度學習與卷積神經網絡的發展，人工智能再一次成為研究熱點。人工智能技術與基因過程、納米科學并列為二十一世紀的三大尖端技術， 并且人工智能涉及的學科多，社會應用廣泛，對其原理和本質的理解也更為復雜。 一、人工智能的發展歷程
回顧人工智能的產生與發展過程 ，可以將其分為：初期形成階段，綜合發展階段和應用階段。
1.初期形成階段
人工智能這一思想最早的提出是基于對人腦神經元模型的抽象。其早期工作被認為是由美國的神經學家和控制論學者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學的研究生制造出了第一臺人工神經元計算機。而其真正作為一個新的概念被提出是在1956年舉行的達茅斯會議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒器來模擬人類智能的新興學科。1969年的國際人工智能聯合會議標志著人工智能得到了國際的認可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數學、生物、計算機、神經科學等相關學科的學者參與該領域的研究。
2.綜合發展階段
1.7 7年， 費根鮑姆在第五屆國際人工智能聯合會議上正式提出了“知識工程”這一概念。而后其對應的專家系統得到發展，許多智能系統紛紛被推出，并應用到了人類生活的方方面面。20世紀80年代以來，專家系統逐步向多技術、多方法的綜合集成與多學科、多領域的綜合應用型發展。大型專家系統開發采用了多種人工智能語言、多種知識表示方法、多種推理機制和多種控制策略相結合的方式， 并開始運用各種專家系統外殼、專家系統開發工具和專家系統開發環境等等。在專家系統的發展過程中，人工智能得到了較為系統和全面的綜合發展，并能夠在一些具體的任務中接近甚至超過人類專家的水平。
3.應用階段
進入二十一世紀以后，由于深度人工神經網絡的提出，并在圖像分類與識別的任務上遠遠超過了傳統的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學的Geoffery Hinton及其學生在《Science》雜志上發表文章，其中首次提到了深度學習這一思想，實現對數據的分級表達，降低了經典神經網絡的訓練難度。并隨后提出了如深度卷積神經網絡（Convolutional Neural Network， CNN），以及區域卷積神經網絡（Region-based Convolutional Neural Network， R-CNN），等等新的網絡訓練結構，使得訓練和測試的效率得到大幅提升，識別準確率也顯著提高。
二、人工智能核心技術
人工智能由于其涉及的領域較多，內容復雜，因此在不同的應用場景涉及到許多核心技術，這其中如專家系統、機器學習、模式識別、人工神經網絡等是最重要也是發展較為完善的幾個核心技術。
1.專家系統
專家系統是一類具有專門知識和經驗的計算機智能程序系統，通過對人類專家的問題求解能力建模，采用人工智能中的知識表示和知識推理技術來模擬通常由專家才能解決的復雜問題，達到具有與專家同等解決問題能力的水平。對專家系統的研究，是人工智能中開展得較為全面、系統且已經取得廣泛應用的技術。許多成熟而先進的專家系統已經被應用在如醫療診斷、地質勘測、文化教育等方面。
2.機器學習
機器學習是一個讓計算機在非精確編程下進行活動的科學，也就是機器自己獲取知識。起初，機器學習被大量應用在圖像識別等學習任務中，后來，機器學習不再限于識別字符、圖像中的某個目標，而是將其應用到機器人、基因數據的分析甚至是金融市場的預測中。在機器學習的發展過程中，先后誕生了如凸優化、核方法、支持向量機、Boosting算法等等一系列經典的機器學習方法和理論。機器學習也是人工智能研究中最為重要的核心方向。
3.模式識別
模式識別是研究如何使機器具有感知能力 ，主要研究圖像和語音等的識別。其經典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。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基于統計學習的識別方法。圖形識別方面例如識別各種印刷體和某些手寫體文字，識別指紋、癌細胞等技術已經進入實際應用。語音識別主要研究各種語音信號的分類，和自然語言理解等等。模式識別技術是人工智能的一大應用領域，其非常熱門的如人臉識別、手勢識別等等對人們的生活有著十分直接的影響。
4.人工神經網絡
人工神經網絡是在研究人腦的結構中得到啟發， 試圖用大量的處理單元模仿人腦神經系統工程結構和工作機理。而近年來發展的深度卷積神經網絡（Convolutional neural networks， CNNs）具有更復雜的網絡結構，與經典的機器學習算法相比在大數據的訓練下有著更強的特征學習和表達能力。含有多個隱含層的神經網絡能夠對輸入原始數據有更抽象喝更本質的表述，從而有利于解決特征可視化以及分類問題。另外，通過實現“逐層初始化”這一方法，實現對輸入數據的分級表達，可以有效降低神經網絡的訓練難度。目前的神經網絡在圖像識別任務中取得了十分明顯的進展，基于CNN的圖像識別技術也一直是學術界與工業界一致追捧的熱點。
三、機器人情感獲得
1.智能C器人現狀
目前智能機器人的研究還主要基于智能控制技術，通過預先定義好的機器人行動規則，編程實現復雜的自動控制，完成機器人的移動過程。而人類進行動作、行為的學習主要是通過模仿及與環境的交互。從這個意義上說，目前智能機器人還不具有類腦的多模態感知及基于感知信息的類腦自主決策能力。在運動機制方面，目前幾乎所有的智能機器人都不具備類人的外周神經系統，其靈活性和自適應性與人類運動系統還具有較大差距。
2.機器人情感獲得的可能性
人腦是在與外界永不停息的交互中，在高度發達的神經系統的處理下獲得情感。智能機器人在不斷的機器學習和大數據處理中，中樞處理系統不斷地自我更新、升級，便具備了獲得情感的可能性及幾率。不斷地更新、升級的過程類似于生物的進化歷程，也就是說，智能機器人有充分的可能性獲得與人類同等豐富的情感世界。
3.機器人獲得情感的利弊
機器人獲得情感在理論可行的情況下，伴之而來的利弊則眾說紛紜。一方面，擁有豐富情感世界的機器人可以帶來更多人性化的服務，人機合作也可進行地更加深入，可以為人類帶來更為逼真的體驗和享受。人類或可與智能機器人攜手共創一個和諧世界。但是另一方面，在機器人獲得情感時，機器人是否能徹底貫徹人類命令及協議的擔憂也迎面而來。
4.規避機器人情感獲得的風險
規避智能機器人獲得情感的風險應預備強制措施。首先要設計完備的智能機器人情感協議，將威脅泯滅于未然。其次，應控制智能機器人的能源獲得，以限制其自主活動的能力，杜絕其建立獨立體系的可能。最后，要掌控核心武器，必要時強行停止運行、回收、甚至銷毀智能機器人。
三、總結
本文梳理了人工智能的發展歷程與核心技術，可以毋庸置疑地說，人工智能具有極其廣闊的應用前景，但也伴隨著極大的風險?；仡櫰浒l展歷程，我們有理由充分相信，在未來人工智能的技術會不斷完善，難題會被攻克。作為世界上最熱門的領域之一，在合理有效規避其風險的同時，獲得情感的智能機器人會造福人類，并極大地幫助人們的社會生活。
參考文獻
[1]韓曄彤.人工智能技術發展及應用研究綜述[J].電子制作，2016，（12）：95.
[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計算機學報，2016，（01）：212-222.
[3]張越.人工智能綜述：讓機器像人類一樣思考
第3篇：卷積神經網絡的核心范文
關鍵詞：人機大戰；人工智能；發展前景
中圖分類號：TP391 文獻標識碼：A
0.引言
2016年3月15日，備受矚目的“人機大戰”終于落下帷幕，最終Google公司開發的“AlphaGo”以4∶1戰勝了韓國九段棋手李世h。毫無疑問，這是人工智能歷史上一個具有里程碑式的大事件。大家一致認為，人工智能已經上升到了一個新的高度。
這次勝利與1997年IBM公司的“深藍”戰勝國際象棋世界冠軍卡斯帕羅不同。主要表現在兩個方面：
（1）AlphaGo的勝利并非僅僅依賴強悍的計算能力和龐大的棋譜數據庫取勝，而是AlphaGo已經擁有了深度學習的能力，能夠學習已經對弈過的棋盤，并在練習和實戰中不斷學習和積累經驗。
（2）圍棋比國際象棋更加復雜，圍棋棋盤有361個點，其分支因子無窮無盡，19×19格圍棋的合法棋局數的所有可能性是冪為171的指數，這樣的計算量相當巨大。英國圍棋聯盟裁判托比表示：“圍棋是世界上最為復雜的智力游戲，它簡單的規則加深了棋局的復雜性”。因此，進入圍棋領域一直被認為是目前人工智能的最大挑戰。
簡而言之，AlphaGo取得勝利的一個很重要的方面就是它擁有強大的“學習”能力。深度學習是源于人工神經網絡的研究，得益于大數據和互聯網技術。本文就從人工智能的發展歷程與現狀入手，在此基礎上分析了人工智能的未來發展前景。
1.人工智能的發展歷程
AlphaGo的勝利表明，人工智能發展到今天，已經取得了很多卓越的成果。但是，其發展不是一帆風順的，人工智能是一個不斷進步，并且至今仍在取得不斷突破的學科?；仡櫲斯ぶ悄艿陌l展歷程，可大致分為孕育、形成、暗淡、知識應用和集成發展五大時期。
孕育期：1956年以前，數學、邏輯、計算機等理論和技術方面的研究為人工智能的出現奠定了基礎。德國數學家和哲學家萊布尼茨把形式邏輯符號化，奠定了數理邏輯的基礎。英國數學家圖靈在1936年創立了自動機理論（亦稱圖靈機），1950年在其著作《計算機與智能》中首次提出“機器也能思維”，被譽為“人工智能之父”?？傊?，這些人為人工智能的孕育和產生做出了巨大的貢獻。
形成期：1956年夏季，在美國達特茅斯大學舉辦了長達2個多月的研討會，熱烈地討論用機器模擬人類智能的問題。該次會議首次使用了“人工智能”這一術語。這是人類歷史上第一次人工智能研討會，標志著人工智能學科的誕生。其后的十幾年是人工智能的黃金時期。在接下來的幾年中，在眾多科學家的努力下，人工智能取得了矚目的突破，也在當時形成了廣泛的樂觀思潮。
暗淡期：20世紀70年代初，即使最杰出的AI程序也只能解決問題中最簡單的部分，發展遇到瓶頸也就是說所有的AI程序都只是“玩具”，無法解決更為復雜的問題。隨著AI遭遇批評，對AI提供資助的機構也逐漸停止了部分AI的資助。資金上的困難使得AI的研究方向縮窄，缺少了以往的自由探索。
知識應用期：在80年代，“專家系統”（Expect System）成為了人工智能中一個非常主流的分支?！皩＜蚁到y”是一種程序，為計算機提供特定領域的專門知識和經驗，計算機就能夠依據一組從專門知識中推演出的邏輯規則在某一特定領域回答或解決問題。不同領域的專家系統基本都是由知識庫、數據庫、推理機、解釋機制、知識獲取等部分組成。
集成發展期：得益于互聯網的蓬勃發展、計算機性能的突飛猛進、分布式系統的廣泛應用以及人工智能多分支的協同發展，人工智能在這一階段飛速發展。尤其是隨著深度學習和人工神經網絡研究的不斷深入，人工智能在近幾十年中取得了長足的進步，取得了令人矚目的成就。
人工智能發展到今天，出現了很多令人矚目的研究成果。AlphaGo的勝利就是基于這些研究成果的一個里程碑。當前人工智能的研究熱點主要集中在自然語言處理、機器學習、人工神經網絡等領域。
2.人工智能l展現狀與前景
人工智能當前有很多重要的研究領域和分支。目前，越來越多的AI項目依賴于分布式系統，而當前研究的普遍熱點則集中于自然語言處理、機器學習和人工神經網絡等領域。
自然語言處理：自然語言處理（Natural Language Processing，簡稱NLP），是語言學與人工智能的交叉學科，其主要功能就是實現讓機器明白人類的語言，這需要將人類的自然語言轉化為計算機能夠處理的機器語言。
自然語言處理主要包括詞法分析、句法分析和語義分析三大部分。詞法分析的核心就是分詞處理，即單詞的邊界處理。句法分析就是對自然語言中句子的結構、語法進行分析如辨別疑問句和感嘆句等。而語義分析則注重情感分析和整個段落的上下文分析，辨別一些字詞在不同的上下文定的語義和情感態度。
當前自然語言的處理主要有兩大方向。一種是基于句法-語義規則的理性主義理論，該理論認為需要為計算機制定一系列的規則，計算機在規則下進行推理與判斷。因此其技術路線是一系列的人為的語料建設與規則制定。第二種是基于統計學習的經驗主義理論，這種理論在最近受到普遍推崇。該理論讓計算機自己通過學習并進行統計推斷的方式不停地從數據中“學習”語言，試圖刻畫真實世界的語言現象，從數據中統計語言的規律。
機器學習：機器學習（Machine Learning）是近20年來興起的人工智能一大重要領域。其主要是指通過讓計算機在數據中自動分析獲得規律，從而獲取“自我學習”的能力，并利用規律對未知數據進行判斷和預測的方法。
機器學致可以分為有監督的學習和無監督的學習。有監督的學習是從給定的訓練數據集中練出一個函數和目標，當有新的數據到來時，可以由訓練得到函數預測目標。有監督的學習要求訓練集同時有輸入和輸出，也就是所謂的特征和目標。而依據預測的結果是離散的還是連續的，將有監督的學習分為兩大問題，即統計分類問題和回歸分析問題。統計分類的預測結果是離散的，如腫瘤是良性還是惡性等；而回歸分析問題目標是連續的，如天氣、股價等的預測。
無監督學習的訓練集則沒有人為標注的結果，這就需要計算機去發現數據間的聯系并用來分類等。一種常見的無監督學習是聚類分析（Cluster Analysis），它是將相似的對象通過靜態分類的方法分成不同的組別或者是特定的子集，讓同一個子集中的數據對象都有一些相似的屬性，比較常用的聚類方法是簡潔并快速的“K-均值”聚類算法。它基于K個中心并對距離這些中心最近的數據對象進行分類。
機器學習還包括如半監督學習和增強學習等類別?？偠灾?，機器學習是研究如何使用機器來模擬人類學習活動的一門學科，而其應用隨著人工智能研究領域的深入也變得越來越廣泛，如模式識別、計算機視覺、語音識別、推薦算法等領域越來越廣泛地應用到了機器學習中。
人工神經網絡：在腦神經科學領域，人們認為人類的意識及智能行為，都是通過巨大的神經網絡傳遞的，每個神經細胞通過突出與其他神經細胞連接，當通過突觸的信號強度超過某個閾值時，神經細胞便會進入激活狀態，向所連接的神經細胞一層層傳遞信號。于1943年提出的基于生物神經元的M-P模型的主要思想就是將神經元抽象為一個多輸入單輸出的信息處理單元，并通過傳遞函數f對輸入x1，x2…，xn進行處理并模擬神經細胞的激活模式。主要的傳遞函數有階躍型、線性型和S型。
在此基礎上，對神經網絡算法的研究又有諸多進展。日本的福島教授于1983年基于視覺認知模型提出了卷積神經網絡計算模型。通過學習訓練獲取到卷積運算中所使用的卷積系數，并通過不同層次與自由度的變化，可以得到較為優化的計算結果。而AlphaGo也正是采用了這種深度卷積神經網絡（DCNN）模型，提高了AlphaGo的視覺分類能力，也就是所謂的“棋感”，增強了其對全盤決策和把握的能力。
3.人工智能的發展前景
總體來看，人工智能的應用經歷了博弈、感知、決策和反饋這幾個里程碑。在以上4個領域中，既是縱向發展的過程，也是橫向不斷改進的過程。
人工智能在博弈階段，主要是實現邏輯推理等功能，隨著計算機處理能力的進步以及深度學習等算法的改進，機器擁有了越來越強的邏輯與對弈能力。在感知領域，隨著自然語言處理的進步，機器已經基本能對人類的語音與語言進行感知，并且能夠已經對現實世界進行視覺上的感知?；诖髷祿奶幚砗蜋C器學習的發展，機器已經能夠對周圍的環境進行認知，例如微軟的Kinect就能夠準確的對人的肢體動作進行判斷。該領域的主要實現還包括蘋果的Siri，谷歌大腦以及無人駕駛汽車中的各種傳感器等。在以上兩個階段的基礎上，機器擁有了一定的決策和反饋的能力。無人駕駛汽車的蓬勃發展就是這兩個里程碑很好的例證。Google的無人駕駛汽車通過各種傳感器對周圍的環境進行感知并處理人類的語言等指令，利用所收集的信息進行最后的決策，比如操作方向盤、剎車等。
人工智能已經滲透到生活中的各個領域。機器已經能識別語音、人臉以及視頻內容等，從而實現各種人際交互的場景。在醫學領域，人工智能可以實現自動讀片和輔助診斷以及個性化t療和基因排序等功能。在教育領域，機器也承擔了越來越多的輔助教育，智能交互的功能。在交通領域，一方面無人車的發展表明無人駕駛是一個可以期待的未來，另一方面人工智能能夠帶來更加通暢和智能的交通。另外人工智能在安防、金融等領域也有非常廣闊的發展前景?？傊?，人工智能在一些具有重復性的和具備簡單決策的領域已經是一種非常重要的工具，用來幫助人們解決問題，創造價值。
參考文獻
[1]阮曉東.從AlphaGo的勝利看人工智能的未來[J].新經濟導刊，2016 （6）：69-74.
第4篇：卷積神經網絡的核心范文
當今世界，無線通信技術發展迅速，無線通信進入第五代（5G）時代需實現上千倍容量，毫秒延遲和大量的連接[1-2]。為了滿足上述要求，一些關鍵技術，如大規模多輸入多輸出（Mul-tiple-InputMultiple-Output，MIMO），毫米波（MillimeterWave,mmWave）等已被提出。這些技術在工程應用中均表現出相同的特點，即具有處理大型無線數據的能力。對于無線通信，其對移動速度和通信質量具有較高的要求，然而在滿足大數據和高速復雜場景中的通信需求中，傳統的通信技術存在以下固有的局限性：（1）復雜場景中信道建模困難：通信的設計系統在很大程度上依賴于現實的信道條件。而在實際應用中，這些模型的建模在復雜的場景中變得十分困難[3]。例如，在大規模MIMO系統中天線數量的增加改變了信道屬性[4]，相應的信道模型存在未知的因素。很多情況下，信道不能用嚴格的數學模型來描述。因此，設計適合信道模型的算法必不可少。（2）魯棒的信號處理算法的需求：使用低成本硬件，例如低功耗、低分辨率模數轉換器[5]引入了額外的信號非線性失真，這需要使用高魯棒的接收處理算法，例如，信道估計和檢測的算法。然而,使用這些算法可能會增加計算的復雜度。在這種情況下，具有實時大數據處理能力且更有效和高魯棒的信號處理算法是必需的。（3）塊結構通信受限系統：傳統的通信系統由幾個處理模塊，如信道編碼、調制和信號檢測，盡管研究人員多年來嘗試優化每個算法的處理模塊并在實踐中取得成功，但并不能使得整個通信系統能得到最優的性能，因為通信的根本問題取決于接收端可靠的消息恢復[6]。因此，如果對每個模塊進行的子優化替換為端到端的優化，就有希望進一步改進系統性能。深度學習（DeepLearning,DL）近年來因成功應用在計算機視覺、自動語音識別和自然語言處理等領域而獲得廣泛關注，是典型的大數據依賴的學習框架。同時，研究人員也把DL廣泛應用到了無線通信的物理層[7-11]。與傳統的機器學習算法[12-14]相比，DL顯著增強了特征提取和結構靈活性。特別是基于DL的系統通過端到端優化靈活地調整參數來自動調整模型結構，這可以代替手動從原始數據中提取特征?；贒L的通信系統具有良好的應用復雜場景主要有如下原因：首先，DL是一種數據驅動的方法，其模型是在大型訓練數據集上優化得到的，基于DL的通信系統不需要建立數學模型。其次，能夠處理大數據也是DL重要的特點，DL采用分布式并行計算體系結構，保證了計算速度和計算速度處理能力。DL系統由于其擁有快速開發并行處理體系結構，如圖形處理單元，在處理大數據上具有巨大的潛力。最后，基于DL的通信系統可實現整個系統性能的改進，因為模型經過端到端的訓練優化了整體的性能，而對單個模塊結構沒有要求。本文旨在對近年來在基于大數據的DL在無線通信物理層的研究作出綜述，本文的組織結構如下：第二節簡要概述無線通信物理層的系統框圖。第三節介紹了幾個DL應用到通信物理層的示例。第四節討論了未來研究的領域和挑戰。第五節是全文總結。
1通信系統模型
它是一個模塊結構，包括信道編碼、調制、信道估計、信道均衡、信道譯碼和信道狀態信息（ChannelStateInformation，CSI）反饋等模塊。通信算法是在長期的研究中發展起來的，以優化通信系統其中的模塊。之前有研究試圖利用傳統的機器學習方法，作為特定模塊的替代算法。DL架構最近被引入到幾個處理模塊中以適應新興的復雜通信場景，以期達到更優的性能。
2幾個典型的DL應用到物理層的案例
本節給出了一些DL應用在通信物理層的典型例子，包括聯合信道估計和信號檢測、聯合均衡和信號譯碼、大規模MIMOCSI壓縮反饋和mmWave大規模MIMO混合預編碼。下面分別進行介紹。
2.1聯合信道估計和信號檢測
一般信道估計和信號檢測是接收機的兩個獨立過程。首先，CSI通過導頻來估計，然后利用估計的CSI在接收端恢復發送符號。文獻[7]提出了一種聯合信道估計和信號檢測方法。具體地說，一個帶有五層全連接層的深度神經網絡（DeepNeuralNetwork,DNN）用于聯合信道估計和檢測，這里將信道看作一個黑盒子。在離線訓練中，發送數據和導頻形成幀，然后這些幀經過一個時變信道。該網絡把接收信號作為輸入，通過訓練網絡來重構發送數據。當導頻不足、去掉循環前綴和非線性失真幾種情況下，基于DNN的信道估計和檢測方法都優于最小均方誤差方法。
2.2聯合均衡和信號譯碼
文獻[15]提出了一種聯合均衡和信號譯碼的方法，該方法中在不知道CSI情況下，基于神經網絡的聯合均衡器和解碼器可以實現均衡和譯碼。這里使用兩個神經網絡，首先,卷積神經網絡（ConvolutionalNeuralNetworks，CNN）用于恢復失真的發送數據，然后DNN解碼器對CNN網絡均衡后的信號進行解碼。實驗結果表明，在各種信道條件下，該方法的性能優于其他基于機器學習方法。其中分別表示比特流符號，發送符號，接收符號，均衡后的符號和譯碼后的符號。
2.3大規模MIMOCSI壓縮反饋
在頻分雙工網絡中，大規模MIMO依賴于CSI反饋來實現基站端天線的性能增益。然而，大量天線導致過多的反饋開銷。已經大量工作通過利用CSI的空間和時間的相關性來減少CSI反饋開銷。利用CSI的稀疏特性，壓縮感知（Compressedsensing，CS）已被應用于CSI壓縮反饋中。然而，傳統的CS算法面臨挑戰，因為現實世界的數據并不完全稀疏，現有信號恢復算法的收斂速度很慢，這限制了CS的適用場景。CsiNet[16]被提出來模擬CS信道壓縮反饋的過程。取角延遲域的信道矩陣作為輸入，編碼器的第一層是生成兩個特征圖的卷積層。然后將卷積后的數據重新排列為N×1大小的適量，再利用全連接層生成M×1大小的壓縮數據(MN)。由于不需要CS測量矩陣，減少了反饋開銷。在解碼器上，利用一個全連接層、兩個殘差層和一個卷積層對壓縮的CSI進行重構。結果表明，CsiNet算法在不同壓縮比和復雜度上的性能明顯優于基于CS的方法。
2.4基于DL的mmWave大規模MIMO混合預編碼
mmWave一直被認為是一種5G的重要方案，其中混合模擬和數字預編碼是一種重要的可以減少硬件復雜性和能耗的方法。然而，現有的混合預編碼方案受限于高計算復雜度，且不能充分利用空間信息。為了克服這些局限性，文獻[17]提出了一個基于DL的mmWave大規模MIMO混合預編碼框架，其中每個預編器的選擇被視為一種DNN的映射關系。具體地說,通過訓練DNN選擇混合預編碼器來優化mmWave大規模MIMO的預編碼過程。實驗結果表明，基于DNN的混合預編碼方法能降低mmWave大規模MIMO的誤碼率和增強頻譜效率，在保證更優的性能的同時，能大大減少所需的計算復雜度。
3挑戰
DL在無線通信系統物理層中的應用是一個新的研究領域，雖然已有的研究表現出了較好的結果，但是在未來的研究中一些挑戰值得進一步探討。（1）模型的選擇在基于DL的通信框架下，神經網絡的設計是核心挑戰。許多基于DL的技術都是按照通用模型開發的。例如，計算機視覺總是使用CNN，而LSTM則通常用于自然語言處理領域。然而，我們想知道是否有基于DL的無線通信模型，我們認為，通用模型將有助于在實踐中得到實現。在工程項目中，不僅通用模型提高了優化通信框架的便利性，也可以減少模型選擇的成本和時間。在可以得到通用的模型之前，這個問題還需要廣泛的探索。（2）系統性能與訓練效率的權衡現有的工作表明了基于DL的數據驅動模型在物理層通信中的強大功能。然而，即使DL可以通過端到端學習來優化通信系統性能，當所有通信模塊被融合在一起時，訓練過程將花費很長時間。為了提高訓練效率，達到良好的系統性能，可以保留部分通信模塊，以實現訓練效率和系統性能兩者之間的權衡。（3）嚴謹的數學證明和基本的理論總的來說，基于深度學習的通信框架的性能已經在信道估計、均衡、CSI反饋等場景得到了證明，然而，我們還沒有推導出嚴謹的數學證明和基本的理論來進一步驗證其框架的性能。推導出基本的理論也會有所幫助我們了解通信框架，這將是改進網絡和開發更高效的通信框架的基礎。同時，訓練所需的訓練集大小也是不一定的，基于DL的通信框架是否能得到最優的性能仍然存在不確定性。（4）真實數據集的獲得近年來DL技術應用于各種領域，并且得到飛速發展，這很大程度上歸功于能夠獲得真實的開源數據集。訓練和測試數據集的質量和數量對基于DL框架的性能有很大的影響。在計算機科學領域，隨著自然語言處理，計算機視覺和自動駕駛的飛速發展，已經提供了許多公開的的數據集，如ImageNet和MNIST。然而，在基于DL的無線通信領域，雖然有一些數據集可以應用于某些領域，但目前存在的可用數據集很少。為了便于研究，未來還需要有一些可靠的數據集。
第5篇：卷積神經網絡的核心范文
關鍵詞： 機器人視覺； 定位跟蹤系統； 系統設計； 控制模塊
中圖分類號： TN802.4?34； TP242 文獻標識碼： A 文章編號： 1004?373X（2016）14?0080?04
Design and implementation of robot vision locating and tracking system
CAO Qingmei1， WANG Xuelian2， MA Zhanfei3
（1. Vocational and Technical College of Inner Mongolia Agricultural University， Baotou 014100， China；
2. College of Public Administration， Inner Mongolia Normal University， Hohhot 010000， China；
3. School of Information Science and Technology， Normal College of Inner Mongolia University of Science and Technology， Baotou 014030， China）
Abstract： In view of the problems existing the design of the traditional robot locating and tracking system， such as incomplete tracking region acquired by image preprocessing module and incomplete noise elimination， a tracking system location according to robot vision was designed and implemented. In the system， the tracking region is acquired with the image preprocessing module， various modules of the whole system are coordinated and controlled with the control module to acquire the image of the target in the region， and then the acquired information is sent to the image processing module to complete the information exchange among the system modules. In the process of software design， the system locating program code is given while image processing to realize the robot visual positioning and tracking. The experimental results show that the designed system has the high feasibility and practicability.
Keywords： robot vision； locating and tracking system； system design； control module
0 引 言
近年來，機器人視覺被廣泛應用在工業、圖像處理等眾多領域，而在定位跟蹤領域的使用是最好的，也是最突出的[1?2]。隨著科學技術的發展，設計并實現了很多定位跟蹤系統，如基于人臉特征設計的定位跟蹤系統，通過體型特征設計的定位跟蹤系統，通過DNA檢測設計的定位跟蹤系統以及通過機器人視覺設計的定位跟蹤系統。其中，最常用、效果最好的就是通過機器人視覺設計的定位跟蹤系統[3?5]，相比其他的定位跟蹤系統，該系統應用前景廣泛，跟蹤效果好，已經成為很多學者研究的重點課題，受到越來越廣泛的關注，是相關領域的前沿方向[6?9]。
本文設計并實現了一種通過機器人視覺進行定位的跟蹤系統，通過機器人視覺進行區域目標信息的采集及分析，為視覺監控等領域提供有效依據。
1 機器人視覺定位跟蹤系統總體設計
設計的機器人視覺定位跟蹤系統主要由控制模塊、圖像預處理模塊、信號采集模塊、通信模塊和視覺定位模塊構成。首先通過圖像預處理模塊將需要的區域圖像中的噪聲進行干擾去除，經過控制模塊對整個系統各個模塊進行協調和控制，將區域圖像信息進行采集及存儲，并通過通信模塊進行信息的傳輸，最后通過機器人視覺進行定位，最終根據定位完成跟蹤。其中，圖像預處理的好壞，直接影響后面機器人視覺定位的準確度，定位出現誤差，跟蹤效率就會降低，因此圖像預處理模塊是整個機器人視覺定位跟蹤系統的基礎。詳細的機器人視覺定位跟蹤系統結構如圖1所示。
2 機器人視覺定位跟蹤系統硬件設計
2.1 控制模塊
控制模塊是本文設計系統的核心，主要用來協調和控制整個機器人視覺定位跟蹤系統各個模塊，其主要由C8051F206單片機、UART和SPI串行接口、片內FLASH存儲器等構成。選擇C8051F206單片機為系統的核心芯片，它是集成的MCU芯片，具有12位多通道ADC，依據系統整體設計的需求，選用UART和SPI的串行接口，該串行接口共有32個通用I/O引腳，部分引腳用于數字外設接口。所有端口引腳均能夠被配置ADC模擬輸入，片內還集成有VDD監視器、硬件看門狗定時器以及時鐘振蕩器。片內FLASH存儲器還可用于部分數據存儲。通過設計的這個控制模板可以及時有效地對其余各個模塊進行調控并獲取區域圖像，為定位跟蹤提供了先決條件。
2.2 圖像預處理模塊
獲取區域圖像之后，需要進一步對圖像進行預處理，圖像預處理模塊主要負責獲取相對比較完整的、最大程度的不含陰影與噪聲的區域圖像。其中，圖像信息主要通過LT1959CS8、視頻解碼芯片、SRAM進行預處理。SRAM需采用精度和穩定性較高的雙電源供電，以消除機器人視覺定位跟蹤系統各模塊存在的電磁噪聲，因此，本文選用兩片Linear公司生產的LT1959CS8進行供電。視頻解碼芯片選用Trident Microsystem公司生產的SAA7113H芯片。圖像存儲選擇兩片IDT71V424異步SRAM芯片實現，其芯片容量是512 KB。這樣通過圖像預處理模板，可以去除噪聲對定位跟蹤產生的干擾，為信息采集模塊提供最“純凈”的信息。
2.3 信息采集模塊
信息采集模塊主要用于對經過處理后的目標圖像信息進行采集，同時將采集的信息發送至通信模塊進行處理。信息采集模塊主要包括MMA7260QT芯片、信息調理、單極低通濾波器以及溫度補償單元等。設計該模塊時，將MMA7260QT芯片作為核心，對處理后的圖像信息進行采集。該模塊不但需達到信息采集的功能要求，同時體積需盡可能的小，以節省資源。MMA7260QT是美國Freescale公司生產的一款低成本的單芯片，該芯片融合了信息調理、單極低通濾波器以及溫度補償技術，同時可提供四種采集范圍，具有噪音低、靈敏度高的優點。因此，該模塊使用MMA7260QT芯片可達到更好、更全面的圖像信息。
2.4 通信模塊
通信模塊主要用于整個系統模塊之間的信息交換，是整個系統設計成敗的關鍵樞紐，因此，本文選擇CAN總線進行通信。和其他總線相比，CAN總線具有節點間不分主次，通信速率高的特點。除此之外，該模塊還采用Microchip公司的MCP2515控制器和TJA1040驅動器輔助實現，不僅能夠達到系統所需的要求，還能節約成本。
2.5 機器人視覺定位模塊
機器人視覺定位模塊是整個系統的關鍵模塊，采集到的信息通過預處理去除噪聲干擾，再經過通信模塊傳輸到視覺定位模塊，在此模塊經過圖像智能化定位處理，使得要跟蹤的信息更加清楚、明了，增加了跟蹤的精度。
3 機器人視覺定位跟蹤軟件算法的設計
3.1 算法的設計思路
在上述機器人視覺定位跟蹤系統各個模塊的設計的基礎上，設計軟件算法，具體步驟如下：
（1） 獲取定位圖像特征，為動態估計提供依據。假如，區域圖像信息集為[φkζ]，[k=1，2，…，M]，則第[k]個圖像的特征可通過下式求出：
式中：[Fkx；pk]用于描述圖像信息的動態變化；[vkx；pk]用于描述圖像不確定項；[pk]用于描述各參數向量。
（2） 動態估計值的計算，為獲取定位誤差值提供有利條件。通過利用RBF神經網絡對一般動態信息圖像特征[φkx；pk=Fkx；pk+vkx；pk]進行局部分類，同時將獲取的信息用常值神經網絡[WkTSx]權值的形式進行保存，并獲取[M]階的動態估計值：
式中：[k=1，2，…，M]用于描述第[k]個參數；[χk=χ1k，χ2k，…，χnkT]用于描述圖像信息個數；[B=diagb1，b2，…，bn]用于描述對角矩陣。
（3） 定位誤差值的計算及誤差范數的獲取。在測試過程中，通過式（2）獲取的動態估計值，即可獲取定位誤差值，計算公式如下：
式中，[χki=χki-xi]用于描述狀態估計誤差。
通過式（4）求出誤差[χkit]的[L1]范數：
式中，[TC]用于描述圖像信息獲取周期。
（4） 完成機器人視覺定位，其基本思想為：若信息動態模式為[s]（[s∈1，2，…，k]），則動態模式[s]中常值RBF的神經網絡[WkTiSix]值，可通過定位誤差值獲取。所以，相應的誤差[χsit1]在全部誤差[χsit1]中最小。依據最小誤差原則，實現快速定位。
依據上述定位過程給出系統用于定位的主流程圖，如圖2所示。
（5） 在定位的基礎上完成跟蹤，則具體的跟蹤結果如下：
式中：[Ii，j]代表目標圖像邊緣上的像素點；[S]代表圖像邊緣梯度向量；[t]代表目標濾波值。
3.2 源代碼設計
本文設計的機器人視覺定位跟蹤系統軟件，是在Windows XP環境下，通過Visual C++ 6.0實現的，其關鍵跟蹤部分的源代碼如下：
4 仿真實驗分析
為了驗證本文設計的機器人視覺定位跟蹤系統的有效性，需要進行相關的實驗分析。實驗將基于確定學習的跟蹤系統作為對比進行分析，本文實驗在Windows XP環境下，LabVIEW構建系統平臺上完成。分別采用本文系統和基于確定學習的跟蹤系統對測試區域目標進行跟蹤，測試區域目標圖像如圖3所示，兩種系統測試得到的結果分別如圖4、圖5所示。
由圖4、圖5可知，改進算法進行多人視覺定位中的防丟失效果要優于傳統算法，這主要是因為本文設計的跟蹤系統，通過控制模塊對整個系統的各個模塊進行協調和控制，再經過圖像預處理模塊對目標區域圖像進行處理，并對區域目標圖像信息進行采集，將采集的信息發送至圖像預處理模塊進行處理，完成整個系統模塊之間的信息交換，最終達到跟蹤的目的。采用本文系統對區域目標圖像進行跟蹤，從側面視角的角度，對本文系統和基于確定學習的跟蹤系統的跟蹤準確率進行比較，得到的結果如表1所示。分析表1可以看出，本文系統的準確率一直高于基于確定學習的跟蹤系統，且準確率一直在90%以上，說明本文系統具有很高的跟蹤性能。
5 結 論
本文設計并實現了一種機器人視覺定位跟蹤系統。控制模塊作為系統的核心，主要負責整個系統各個模塊的協調和控制，通過圖像預處理模塊進行處理，再用信息采集模塊對目標圖像信息進行采集；并通過通信模塊在整個系統模塊之間進行信息的交換。在軟件設計過程中，在圖像處理的同時給出定位跟蹤程序代碼，實現目標的定位跟蹤。仿真實驗結果表明，本文設計的系統具有很高的可行性和實用性。
參考文獻
[1] 梁棟，高瑋瑋，張艷，等.基于足底壓力圖像的靜態觸覺步態識別[J].華中科技大學學報（自然科學版），2013，41（10）：25?29.
[2] 王欣，唐俊，王年.基于雙層卷積神經網絡的步態識別算法[J].安徽大學學報（自然科學版），2015（1）：32?36.
[3] 賁燁，張鵬，潘婷婷，等.線性插值框架下矩陣步態識別的性能分析[J].智能系統學報，2013（5）：415?425.
[4] 范玉紅，梁棟，鮑文霞.改進的譜特征和足底邊緣距離的步態識別[J].安徽大學學報（自然科學版），2014（6）：37?43.
[5] 李一波，李昆.雙視角下多特征信息融合的步態識別[J].智能系統學報，2013，8（1）：74?79.
[6] 王蒙，孫運強，姚愛琴.基于PCA和BP神經網絡的步態識別系統研究[J].電子質量，2014（3）：83?85.
[7] 鄭偉南，曲娜，程鳳芹，等.基于步態識別技術的熱釋電紅外安防預警系統研究[J].中國新通信，2014（23）：96?97.
第6篇：卷積神經網絡的核心范文
不是新技術 聊聊圖像美化那些事
說到圖像美化，就不得不提到Photoshop。很多朋友都知道，借助PS可以化腐朽為神奇，將人物P得美輪美奐。不過PS操作畢竟繁瑣，而隨著移動設備的普及，越來越多類似PS的APP就逐漸在手機上流行起來，比如美圖秀秀、百變魔圖等。一些手機更是將美容功能融合到手機系統中，如美圖手機可以通過調用系統APIL問相機，然后將采集到的畫面進行美顏處理（圖1）。
隨著網絡直播的興起，APP美容技術也在不斷發展，它已經不再局限于對靜態照片的美容，越來越多直播平臺可以使用APP對主播的動態圖像進行實時美化，比如將主播的小眼睛變大，把圓臉變成瓜子臉，幾乎實現了現實生活中的“整容”效果。
變美的背后――認識APP美化原理
對于普通用戶來說，在手機上進行美顏操作都非常簡單，比如美圖秀秀磨皮祛痘操作，只要在功能面板上選擇相應的菜單，然后簡單點擊選擇即可實現快速美容（圖2）。
不過這看似簡單的操作背后卻是強大的圖片處理技術在支撐著。以簡單的去痘操作為例。大家知道很多朋友臉上都有痘痘，這樣拍攝出來的照片，痘痘就會在你的臉上形成一個灰度值的變化。而如果一張照片上相臨的兩個區域灰度值相差比較大，在照片上就會形成噪點。因此祛痘操作實際上就是圖片處理上常用的“降噪”。降噪主要是通過一定的算法實現，比如濾波算法，它可以對周圍的點取均值來替代原先的值，使得圖片上的噪點看上去不那么明顯，反映在照片上就是人臉的痘痘消失了，看上去皮膚更為光滑。
因此當我們在美化APP中輕松點選去痘操作后，手機APP實際上在后臺先進行噪點的判定（通過一個點的亮度和周圍點的亮度的差值進行比較找到噪點），然后調用一定的算法進行降噪，最后還要將經過處理的圖片與原圖進行混合（因為如果只是使用處理后的照片很容易丟失細節，使得處理后的照片看上去失真），并通過調整兩張圖片的混合權重，使得處理后的照片看起來既有美化效果，又不會給人“太假”的感覺。這也是一般美化APP處理圖片的常見流程（圖3）。
對于網絡主播的動態美容則更為復雜，它首先要實現“人臉識別”。APP只有準確識別到人臉才能進行美容，人臉識別的核心技術則是深度學習技術。這種技術借助互聯網上海量的圖像數據進行學習訓練，抓取到核心的特征，然后生成一種算法。這樣美顏APP就可以利用這些算法實現對主播們的動態美容。比如對于主播膚色的調整，深度學習技術首先會抓取原圖和美膚處理后的圖片進行比較，然后分析其中的差異，這樣經過大量的學習后，它就可以在抓取到當前主播原圖后使用特定的算法快速完成對主播的膚色處理，使得“美容”后的效果更為逼真、有效（圖4）。
同樣的，對于整容成瓜子臉、將小眼睛變大之類的美容效果，也都是使用類似的方式完成美化。這樣在直播時，從相機采集到每一幀的畫面，深度學習技術都會進行人臉識別，再標示出關鍵點的位置，然后結合圖像技術得到最終的美容效果。舉個簡單的例子，現在網上流行的網紅臉，通過深度學習的人臉識別技術可以在抓取到當前主播臉部數據后和網紅臉進行比較，然后通過特定的算法進行優化，可以將主播整容為最受網友喜愛的臉型和膚色，這樣我們在直播平臺看到的就是各種靚妹和帥哥，實際上功勞卻是后臺的人臉識別技術整容的結果。
寫在最好美化APP更讓人值得期待
第7篇：卷積神經網絡的核心范文
關鍵詞：圖形圖像搜索 以圖搜圖 移動電子商務
中圖分類號：G350 文獻標識碼：A 文章編號：1674-098X（2016）04（a）-0090-04
1 基于移動電子商務的圖形圖像搜索
移動電子商務，移動設備輕便易攜、碎片化、娛樂化特征明顯，可隨時隨地滿足用戶的即時性消費需求，由此，移動終端日漸成為用戶網上購物的重要選擇。同時，移動購物和生活場景相互交融，偶發性和沖動型消費快速滋長，電商情境化趨勢日益彰顯；另一方面，智能移動終端對音頻、視頻、圖像等各類信息采集方便，以圖片為例，其中適合圖像搜索的圖片為20%，假設0.5%人次成功轉移，1%平均購買轉化率，平均購物單價為200元，如，按平均10%的傭金計算，那么一年產業規模也超過220億元。加上其他收入，比如：廣告、手機搜索等，總體市場規模不低于600億元。
隨著移動電子商務日益興起，圖形圖像搜索已能為客戶帶來全新的用戶體驗。在購物領域，非常典型的就是服裝服飾等非標類產品，占到整個電子商務的55%市場份額。淘寶用戶只要看到了目標商品，就可以使用圖片搜索功能對比同款產品的市場價格，也能找到更多相似款。這是移動電子商務能帶來的極致便捷體驗。圖形圖像搜索技術一直受到巨頭們的青睞，百度為深入研究“深度學習”算法，特地設立了IDL（Institute of Deep Learning）研究院。谷歌更是在短短幾年內，陸續收購了七八家涉足圖像識別的技術公司，并試圖以谷歌眼鏡搶占智能移動終端的場景入口。圖圖搜利用微信公眾號，以微信拍照購物搜索功能，率先成為第一家接入微信的圖像搜索引擎網站。谷歌、騰訊、百度等大公司也都在圖片搜索領域有資源投入，為圖片購物搜索發展帶來了壓力的同時，更為市場帶來了各大圖像技術競相追逐的動力。
2 典型應用舉例
2.1 手機購物網站相似商品搜索
可以是用戶上傳圖片搜索，也可以是站內圖片點擊搜索。（如圖1所示）
2.2 移動拍照購物
隨手拍照―― 準確搜到相關商品。（如圖2所示）
2.3 區域搜索
給定一張時尚或明星圖片，根據自主的圖片選定區域，能夠識別與圖片選定區域內容相似的其他商品圖片，然后根據相似度排序。（如圖3所示）
3 關鍵技術總結
3.1 圖像搜索系統結構
基于移動電子商務的圖形圖像搜索技術，通常的做法包括IEEE的標準，都是用圖像特征值來實現的。搜索引擎將目標圖片進行特征提取，形成一組特征描述或特征向量。當用戶搜索時，將查詢圖像的特征描述與數據庫中其他圖像的特征描述進行自動匹配，并返回匹配結果。（如圖4所示）
3.2 核心技術
上述圖像搜索系統的技術核心就是對圖像特征的提取，特征提取是計算機視覺和圖像處理中的一個概念。它指的是使用計算機提取圖像信息，決定每個圖像的點是否屬于一個圖像特征。特征被檢測后它可以從圖像中被抽取出來，這個過程可能需要許多圖像處理的計算機，其結果被稱為特征描述或者特征向量。
常用的圖像特征有顏色（Color）、紋理（Texture）、形狀（Shape）、空間（Space）關系等。
（1）顏色特征：顏色特征是一種全局特征，描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特征是基于像素點的特征，此時所有屬于圖像或圖像區域的像素都有各自的貢獻。顏色直方圖是最常用的表達顏色特征的方法，其優點是不受圖像旋轉和平移變化的影響，進一步借助歸一化還可不受圖像尺度變化的影響，其缺點是沒有表達出顏色空間分布的信息。此外，顏色特征提取還有顏色集、顏色矩、顏色聚合向量、顏色相關圖等方法。
（2）紋理特征：紋理特征也是一種全局特征，它與顏色特征不同，紋理特征不是基于像素點的特征，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特征具有較大的優越性，不會由于局部的偏差而無法匹配成功。在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特征是一種有效的方法。常用的紋理特征提取與匹配方法有灰度共生矩陣、Voronio棋盤格特征法和結構法、隨機場模型法、Tamura紋理特征、自回歸紋理模型、小波變換等。
（3）形狀特征：各種基于形狀特征的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索。通常情況下，形狀特征有兩類表示方法：一類是輪廓特征；另一類是區域特征。圖像的輪廓特征主要針對物體的外邊界，而圖像的區域特征則關系到整個形狀區域。典型的形狀特征描述方法有傅里葉形狀描述符法、Hough變換檢測平行直線方法、有限元法（Finite Element Method或FEM）、旋轉函數（Turning）和小波描述符（Wavelet Deor）等方法。
（4）空間關系特征：所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等，空間關系特征的使用可加強對圖像內容的描述區分能力。提取圖像空間關系特征可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然后根據這些區域提取圖像特征；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然后對每個圖像子塊提取特征。
自從Hinton在2012年將深度卷積神經網絡（CNN）帶入到圖像分類領域后，深度學習在圖像處理相關領域的研究一下子變得異常火熱起來?；谏疃葘W習原理的圖像檢索，更多的是從一種圖像理解的角度來進行的，得到的是一種更加抽象的描述，也可以理解為“語義”，它更多的是在解釋這個圖像描繪的是什么物體或者什么場景之類的。這種仿照人腦的識別過程而設計的深度神經網絡能夠自動提取圖片中的語義信息，彌補了其他傳統算法在這方面的不足。（如圖5所示）
3.3 應用集成設計
應用集成設計如圖6所示。
3.4 系統關鍵技術指標
（1）該平臺表現出良好的用戶服務支持能力。經系統實際運行測試，目前平臺已入駐企業近萬家，平臺運行平穩，響應速度快，具有良好的用戶體驗。（2）項目自上線以來，該平臺運行平穩，在高性能單服務器上支持并發搜索5 000以上。（3）擁有的圖像算法，搜索結果效率高，核心算法庫搜索響應速度
4 產業機遇與面臨問題
圖像搜索，可以簡單地認為是“以圖搜圖”，但又不只是圖像識別這么簡單。如果把圖像搜索等同于圖片識別，它并不算什么高超的技術，不同領域的圖像識別技術已經趨于成熟。識別只是圖像搜索的第一步，第二步是理解，第三步是檢索，每一步都存在著技術難點。在移動互聯網時代，圖片已逐漸替代文字成為了移動終端的主要信息載體，圖形圖像搜索以圖搜圖的產品特點，天然貫通了移動終端到電子商務平臺圖片信息傳遞的過程，利用圖像搜索服務來引導移動電子商務消費已成為趨勢。
5 圖形圖像搜索的發展方向
在移動電子商務領域內，對比其他搜索產品，將對以下三點技術指標進行重點研究和提升：（1）實現“所見即所得”，讓圖像搜索由被動到主動；（2）實現動態圖像搜索，手機網絡視頻購物；（3）實現移動場景下對“線下實體”的搜索，成為用戶的第三只眼。
參考文獻
[1]余飛.基于HTML5的圖形圖像協同處理技術研究與實現[D].長江大學，2015.
[2]陳微微.基于顏色特征提取的圖像搜索引擎研究[D].重慶理工大學，2012.
第8篇：卷積神經網絡的核心范文
【關鍵詞】智能終端 續航 快速充電
1 引言
電池續航是目前智能終端體驗的最大瓶頸，這是普通消費者與專業人士的共識。過去幾年，智能手機市場被硬件軍備競賽所籠罩，手機在硬件配置上遵循摩爾定律，但不包括電池技術，續航體驗問題的日益突出本質上是手機電池需求過快增長與電池續航技術更新緩慢之間矛盾惡化的結果。除了智能手機，智能可穿戴設備、物聯網IoT等新興智能終端領域，也面臨著同樣的問題。
體驗痛點意味著市場機遇，在終端硬件競爭進入平穩期后，電池續航能力成為一個重要的焦點，終端產業鏈上下游各方競相研發低功耗新技術與新方案。本文從產業鏈視角，剖析智能手機、可穿戴及IoT終端產業鏈的關鍵環節為解決續航問題正在或者即將開始應用的新技術與新方案。
2 智能手機續航解決方案
從耗電角度，芯片、顯示屏是智能手機的耗電主體，也是未來器件研發的關注焦點。電池新材質、新技術的應用是續航困境解決的根本。軟硬一體的節電優化、快充則是終端廠商競爭的焦點。
2.1 芯片低功耗設計
作為智能手機計算處理的耗電大戶，如何降低手機采用的各種芯片的功耗是降低整機功耗的基礎環節。芯片產業鏈一直在研究提升性能的同時降低功耗，如何在性能與功耗之間取得平衡是未來芯片技術發展的焦點之一。
（1）芯片指令集精簡與架構優化
ARM公司處于智能終端芯片生態鏈的頂端，在成立之初就致力于低功耗設計，為智能手機設計了ARM精簡指令集（相對復雜指令集）。2011年11月，ARMARM V8指令集，將手機芯片帶入64位時代。2013年，蘋果首次采用A7處理器，高通、聯發科等廠商也于2014年開始應用。目前采用ARM精簡指令集和內核的芯片已經成為手機及其它智能設備的主流配置。
為解決手機芯片“核戰”帶來的功耗問題，ARM公司推出big LITTLE（大小核）架構[1]，將重效能的“大”核與低功耗的“小”核搭配使用，在滿足手機高性能需求的同時兼顧低功耗?！按蟆焙薈ortex-A57重效能，設計主要源自Cortex-A15，但基于ARM所作的優化（如數據預取及增加Registers等），Cortex-A57處理32bit軟件比Cortex-A15快20%至30%。在實際使用中A57的功耗問題較為突出，不少采用A57內核的芯片出現發熱問題，例如高通驍龍810等。為此，ARM在2015年初優化后的Cortex-A72內核，若采用16nm工藝，相比上一代的28工藝下的Cortex-A15，性能達到3.5倍，而功耗可降低75%?！靶 焙薈ortex-A53則在提供足夠的性能下，盡量縮小芯片面積及功耗，沒有采用Cortex-A57較耗電的亂序執行管線設計，而改用簡單按序執行管線設計。Cortex-A53提供與上一代采用ARM v7指令集的Cortex-A9等級的效能，但芯片面積更小，可在同制程下比Cortex-A9縮小40%。如果使用20nm制程的話，面積僅為32nm Cortex-A9的1/4，有助于在降低成本同時降低功耗。
（2）通過制程工藝提升降低功耗
相比較指令集和芯片架構設計，芯片工藝制程的升級對功耗的降低更加立竿見影，這也是近年來工藝制程升級迭代升級加快的重要推動力。
英特爾、三星和臺積電三巨頭處于芯片制造領域的第一方陣。三星的14nm FinFET（Fin Field-Effect Transistor，鰭式場效晶體管）工藝已經量產出貨（三星Exynos 7420芯片），臺積電16nm FinFET也將規模量產；蘋果最新的A9處理將分別采用這兩家最先進的工藝制程。
同時，半導體制程從14nm/16nm開始進入3D時代，相比較之前的2D晶體管，3D FinFET具有低功耗、面積小的優點。
（3）射頻低功耗方案
在降低功耗層面，智能手機射頻芯片不如主芯片受關注，但降低功耗也一直是主流趨勢。
4G射頻面臨的核心挑戰是解決服務需求和網絡容量爆炸式增長所需的更多蜂窩頻段（目前全球頻段總數已達到40個）。多家公司推出成套的射頻解決方案，包括集成模塊、多模多頻器件、包絡功率追蹤等，高通公司的RF360解決方案[2]是其中的代表。在功率放大器PA中集成天線開關、支持各種模式和頻段（從GSM之后的所有主要蜂窩制式和目前3GPP協議中的全部頻段）的組合，支持全球漫游。包絡功率追蹤器（ET）根據信號的瞬態需求來調整功率放大器（PA）電源，是傳統平均功率追蹤器（APT）的升級，APT根據功率水平分組而不是瞬時信號需求來調整功率放大器的供電量。包絡功率追蹤器與終端調制解調器交互工作，調整傳輸功率以滿足被傳輸內容的瞬時需求，而不是在恒定功率下的長時間間隔后調整，功耗降低最高達20%，發熱降低近30%（基于高通公司的測試和分析）。這延長了電池續航時間，減少了智能手機超薄機身內部的發熱。
（4）智能芯片軟硬一體化優化
隨著芯片硬件設計和工藝制程的提升，智能芯片平臺應運而生。智能芯片平臺是硬件與軟件一體化方案，將人工智能、卷積神經網絡、大數據等技術應用到手機芯片平臺，將進一步降低芯片功耗。高通最新的驍龍820（明年初上市）即是這樣的有益嘗試。
2.2 顯示屏
智能手機進入大屏時代（主流尺寸5寸、5.5寸），屏幕成為手機耗電比例最大的模塊。大屏、PPI不斷升級帶來的后果是功耗的顯著提升。
改進屏幕材質是降低屏幕功耗的有效解決方案之一。OLED有機電激發光二極管自發光、無需背光源，可有效降低功耗。IGZO將以往難度極高的銦、鎵、鋅與氧結晶化，實現了全新的原子排列的結晶構造，基于這一獨特的細致的排列方式，IGZO顯示屏具備極強的穩定性。同時，IGZO具有極高的電子遷移率，遷移率越高，電阻率越小，通過相同電流時，功耗也就越小。
對于傳統的LCD顯示屏，采用增加面板開口率、降低驅動電壓、提高背照燈光源―白色LED的發光效率，以及提高光學材料性能等方式，通過對輸入影像信號及周圍亮度的伽瑪校正以及畫面亮度控制等圖像處理，來降低顯示面板功耗。
另外，可通過軟件降低屏幕分辨率、灰度顯示等方式來降低功耗，增加續航能力。
2.3 電池
解決續航問題的根本手段是開源方式，即增加電池容量及發展新型高效電池技術。但近年來電池技術尚無突破性進展，太陽能電池、鎂離子電池、超級電容等電池新材的商用進展并不樂觀，對比而言，鋰離子電池的改進技術仍是業界的重心和最為現實的解決方案。
當下電池的主流是聚合物鋰電池芯，以石墨作為負極，石墨碳負極電池的能量密度，達到600Wh/L差不多已到極限，而引入硅負極材料來提升電池能量密度已是業界公認的方向之一，即以硅碳代替石墨，將石墨負極電池變成硅基負極電池。
目前一般手機廠商的電池能量密度大都在560～
580Wh/L，熱門機型中，小米note電池容量為3 000mAh，
能量密度為676.5Wh/L；華為榮耀6 Plus為3 600mAh，電池能量密度為595Wh/L。據悉，業界多家手機廠家在新的手機方案中測試650～720Wh/L的高密度硅負極電池，如采用純硅負極材料能量密度有望達到900Wh/L。2015年，基于硅負極材料的700Wh/L高能量密度電池產品將實現規模商用。特別需要關注的是，除了能量密度外，安全、膨脹、循環等性能指標也是高能量密度電池要重點解決的問題。
另外，4.35V高壓電池技術、硅碳陽極技術、納米陶瓷涂層覆膜技術等也是鋰離子電池改進的方向。
2.4 快速充電
發展節電技術的同時，快速充電正成為一項可快速大規模應用和普及的折中方案。從原理上來看，快充的實現主要通過增加電壓或電流或兩者同時增加來實現。
主流的芯片供應商高通和聯發科均已快充解決方案，并集成到芯片平臺中。在芯片廠商解決方案中，高通的Quick Charge快充方案[3]生態系統最為成熟，已經發展到QuickCharge 2.0，有兩種規格：Class A（5V/9V/12V）與ClassB（5V/9V/12V/20V）；芯片方面，高通全系列芯片支持。聯發科Pump Express[4]允許充電器根據電流決定充電所需的初始電壓，由PMIC發出脈沖電流指令，通過USB的Vbus傳送給充電器，充電器依照這個指令調整輸出電壓，電壓逐漸增加至5V 達到最大充電電流。
快充產業鏈包括協議、適配器（充電IC）、電源管理芯片、芯片平臺等。除前述的高通、聯發科外，還有TI的Max Charge、Fairchild的ACCP（Adaptive Charger Communication Protocol）等快充協議及方案?？斐鋮f議之間目前還不互通，主流的電源IC廠商產品均開始支持多種快充協議。
終端廠商中，OPPO的VOOC閃充[5]最具代表性，現已發展到2.0版。VOOC采用降低電壓增大電流的充電方式（5V/4.5A），將充電控制電路從手機側移到適配器側，同時需要一系列專門定制的配件，包括適配器（新增充電控制電路+智能MCU控制）、電池（定制8觸點）、數據線、電路、接口（7pin）等。
從成本角度看，相比普通的充電方案，快充在充電IC、保護電路、電池等方面需要增加成本。VOOC專屬方案成本最高，高通Quick Charge方案次之，聯發科Pump Express則相對比較經濟。
在快速充電體驗方面，終端廠商目前的期望基本上是10分鐘完成30%充電，30分鐘完成70%充電。
2.5 軟硬一體節電技術方案
對智能手機而言，單個維度或器件的節電遠遠不夠，基于網絡、用戶使用行為等方面的軟硬一體節電方案是產業鏈的重點研究對象。業內正在進行優化方向包括操作系統層面的資源調度優化、情景感知節電、基站黑名單管理優化等。
操作系統層面的調度優化主要是基于APP應用行為優化調度Android系統資源，基于應用層的性能需求進行CPU處理能力（大小核）的智能調度、動態電源調度管理以及軟硬一體調度優化等。
基于情景感知的節電方案能夠有效識別用戶走路、跑步、駕駛、睡覺等狀態，以便提供針對性省電措施。垂直整合軟件系統，通過調頻管理、LCD背光管理、協議優化、后臺應用管理、運行進程管控、外設開關管理等，有效降低整機功耗。根據用戶所處情景，配合動態調頻、動態降幀、進程冷卻等，可降低整機功耗。情景感知技術需要基于大數據積累進行迭代優化。
基站黑名單管理優化能夠自動偵測網絡環境，減少乒乓切換，降低待機功耗。網絡信號的小范圍波動容易引發手機乒乓選網，大量消耗手機電量。通過大量的外場數據為基礎進行建模，建立和優化干擾小區的識別算法，形成黑名單功耗優化技術。
3 可穿戴及IoT終端續航解決方案分析
如果說智能手機的續航問題影響的僅僅是用戶體驗，對于手環、智能手表、智能眼鏡等新興的可穿戴及IoT（Internet of Things，物聯網）終端而言，續航問題則是生存問題，在一定程度上決定了該品類的市場前景和空間。
可穿戴及IoT終端最大的瓶頸是設備尺寸與電池材料的限制，電池容量難以支撐用戶的體驗需求。智能手機需要處理比較復雜多媒體運算，而可穿戴及IoT終端的功能則一般相對簡單，業界從一開始就采用低功耗技術。
3.1 芯片及傳感器低功耗方案
第9篇：卷積神經網絡的核心范文
【關鍵詞】電力行業；熱工自動化；發展前景
1. 當前電力行業熱工自動化技術的發展
隨著世界高科技的飛速發展和我國機組容量的快速提高，電廠熱工自動化技術不斷地從相關學科中吸取最新成果而迅速發展和完善，近幾年更是日新月異，一方面作為機組主要控制系統的DCS，已在控制結構和控制范圍上發生了巨大的變化；另一方面隨著廠級監控和管理信息系統（SIS）、現場總線技術和基于現代控制理論的控制技術的應用，給熱工自動化系統注入了新的活力。
1.1DCS的應用與發展。
火電廠熱工自動化系統的發展變化，在二十世紀給人耳目一新的是DCS的應用，而當今則是DCS的應用范圍和功能的迅速擴展。
1.1.1DCS應用范圍的迅速擴展。
20世紀末，DCS在國內燃煤機組上應用時，其監控功能覆蓋范圍還僅限DAS、MCS、FSSS和SCS四項。即使在2004年的Q/DG1-K401-2004《火力發電廠分散控制系統（DCS）技術規范書》中，DCS應用的主要功能子系統仍然還是以上四項，但實際上近幾年DCS的應用范圍迅速擴展，除了一大批高參數、大容量、不同控制結構的燃煤火電機組的各個控制子系統全面應用外，脫硫系統、脫硝系統、空冷系統、大型循環流化床（CFB）鍋爐等新工藝上都成功應用?？梢哉f只要工藝上能夠實現的系統，DCS都能實現對其進行可靠控制。
1.1.2單元機組控制系統一體化的崛起。
（1）隨著一些電廠將電氣發變組和廠用電系統的控制（ECS）功能納入DCS的SCS控制功能范圍，ETS控制功能改由DCS模件構成，DEH與DCS的軟硬件合二為一，以及一些機組的煙氣濕法脫硫控制直接進入單元機組DCS控制的成功運行，標志著控制系統一體化，在DCS技術的發展推動下而走向成熟。
（2）由于一體化減少了信號間的連接接口以及因接口及線路異常帶來的傳遞過程故障，減少了備品備件的品種和數量，降低了維護的工作量及費用，所以近幾年一體化控制系統在不同容量的新建機組中逐漸得到應用。
（3）控制系統一體化的實現，是電力行業DCS應用功能快速發展的體現。排除人為因素外，控制系統一體化將為越來越多的電廠所采用。
1.1.3DCS結構變化，應用技術得到快速發展。
（1）隨著電子技術的發展，近年來DCS系統在結構上發生變化。過去強調的是控制功能盡可能分散，由此帶來的是使用過多的控制器和接口間連接。但過多的控制器和接口間連接，不一定能提高系統運行可靠性，相反到有可能導致故障停機的概率增加。何況單元機組各個控制系統間的信號聯系千絲萬縷，互相牽連，一對控制器故障就可能導致機組停機，即使沒有直接導致停機，也會影響其它控制器因失去正確的信號而不能正常工作。因此隨著控制器功能與容量的成倍增加、更多安全措施（包括采用安全性控制器）、冗余技術的采用（有的DCS的核心部件CPU，采用2×2冗余方式）以及速度與可靠性的提高，目前DCS正在轉向適度集中，將相互聯系密切的多個控制系統和非常復雜的控制功能集中在一對控制器中，以及上述所說的單元機組采用一體化控制系統，正成為DCS應用技術發展的新方向，這不但減少了故障環節，還因內部信息交換方便和信息傳遞途徑的減少而提高了可靠性。
（2）此外，隨著近幾年DCS應用技術的發展，如采用通用化的硬件平臺，獨立的應用軟件體系，標準化的通訊協議，PLC控制器的融入，FCS功能的實現，一鍵啟動技術的成功應用等，都為DCS增添了新的活力，功能進一步提高，應用范圍更加寬廣。
1.2全廠輔控系統走向集中監控。
（1）一個火電廠有10多個輔助車間，國內過去通常都是由PLC和上位機構成各自的網絡，在各車間控制室內單獨控制，因此得配備大量的運行人員。為了提高設備控制水平和勞動生產率，達到減員增效的目的，隨著DCS技術和網絡通訊功能的提高，目前各個輔助車間的控制已趨向適度集中，整合成一個輔控網（簡稱BOP 即Balance Of Plant的縮寫）方向發展，即將相互獨立的各個輔助系統，利用計算機及網絡技術進行集成，在全廠IT系統上進行運行狀況監控，實現控制少人值班或無人值班。
（2）近幾年新建工程迅速向這個方向發展。如國華浙能寧海電廠一期工程（4×600MW）燃煤機組BOP覆蓋了水、煤、灰等共13個輔助車間子系統的監控，下設水、煤、灰三個監控點，集中監控點設在四機一控室里，打破了傳統的全廠輔助車間運行管理模式，不但比常規減員30%，還提升了全廠運行管理水平。整個輔控網的硬件和軟件的統一，減少了庫存備品備件及日常管理維護費用[1]。由于取消了多個就地控制室，使得基建費用和今后的維護費用都減少。一些老廠的輔助車間也在進行BOP改造。
1.3變頻技術的普及應用與發展。
（1）變頻器作為控制系統的一個重要功率變換部件，以提供高性能變壓變頻可控的交流電源的特點，前些年在火電廠小型電機（如給粉機、凝泵）等控制上的應用，得到了迅猛的發展。由于變頻調速不但在調速范圍和精度，動態響應速度，低速轉動力矩，工作效率，方便使用方面表現出優越性，更重要的是節能效果在經濟及社會效益上產生的顯著效應，因此繼一些中小型電機上普遍應用后，近年來交流變頻調速技術，擴展到一些高壓電機的控制上試用，如送、引風機和給水泵電機轉速的控制等。
（2）因為蘊藏著巨大的節能潛力，可以預見隨著高壓變頻器可靠性的提高、一次性投資降低和對電網的諧波干擾減少，更多機組的風機、水泵上的大電機會走向變頻調速控制，在一段時間內，變頻技術將繼續在火電廠節能工作中，扮演重要角色。
1.4局部系統應用現場總線。
（1）自動化技術的發展，帶來新型自動化儀表的涌現，現場總線系統（FCS）是其中一種，它和DCS緊密結合，是提高控制信號傳輸的準確性、實時性、快速性和機組運行的安全可靠性，解決現場設備的現代化管理，以及降低工程投資等的一項先進的和有效的組合。目前在西方發達國家，現場總線已應用到各個行業，其中電力行業最典型的是德國尼德豪森電廠2×950MW機組的控制系統，采用的就是PROFIBUS現場總線。
（2）我國政府從“九五”起，開始投資支持現場總線的開發，取得階段性成果，HART儀表、FF儀表開始生產。但電廠控制由于其高可靠性的要求，目前缺乏大型示范工程，缺乏現場總線對電廠的設計、安裝、調試、生產和管理等方面影響的研究，因此現場總線在電廠的應用仍處于探討摸索階段，近二年我國有十多個工程應用了現場總線，但都是在局部系統上，其中： 某電廠，在單元機組的開、閉式水系統中的電動門控制采用Profibus DP總線技術，電動執行機構采用原裝進口德國歐瑪公司的一體化智能型產品Puma Matic，帶有雙通道Profibus-DP冗余總線接口作為DP從站掛在總線上。為了提高安全性可靠性，總線光纖、作為總線上的第一類DP主站的AP和相應的光電轉換裝置都采用了冗余結構，這是國內首家在過程控制中采用現場總線技術的火力發電廠。
（3）某電廠的補給水處理系統和廢水系統[2]，采用了二層通訊網絡結構的現場總線控制系統，其鏈路設備和主站級網絡采用冗余配置?？刂葡到y人機終端與主控制器之間采用工業以太網通訊，以太網交換機采用ITP形式接口，四臺交換機構成光纖高速路網?，F場設備層之間采用Profibus-DP現場總線通訊。主環網采用光纜，分支現場總線通訊選用總線電纜。配置二套冗余的主控制器，分別用于鍋爐補給水系統和廢水系統，且各自有兩條由光電耦合器組成的現場總線環形光纜網構成冗余配置，所有現場儀表和氣動閥門定位器（均采用帶PA總線接口），通過DP/PA耦合器連接到現場總線上。中低壓電器設備（MCC）采用具有現場總線通信接口功能的智能電機控制器。加藥泵的電動機采用帶總線的變頻器。鍋爐補給水的陰陽離子床氣動隔膜閥的電磁控制閥，采用具有總線接口的閥島來控制，閥島與現場總線連接。這是國內在局部過程控制中全面采用現場總線技術的首個火電廠，其應用實踐表明，輔控網全面采用現場總線技術已成熟。
1.5熱工控制優化技術的應用發展。
（1）隨著過程生產領域對控制系統要求的不斷提高，傳統控制方法越來越難以滿足火電廠熱力流程對系統穩定性和性能最優化方面的要求，汽溫超標已經成為制約機組負荷變化響應能力和安全穩定運行的主要障礙之一（燃燒優化主要是鍋爐專業在進行，本文不作討論）。由此基于現代控制理論的一些現代控制系統逐步在火電廠過程控制領域中得到應用。如基于過程模型并在線動態求解優化問題的模型預測控制（簡稱MPC）法、讓自動裝置模擬人工操作的經驗和規律來實現復雜被控對象自動控制的模糊控制法、利用熟練操作員手動成功操作的經驗數據，在常規的串級PID調節系統的基礎上建立基于神經網絡技術的前饋控制作用等，在提高熱工控制系統（尤其是汽溫控制系統）品質過程中取得較好效果。
（2）如某電廠使用的西門子公司PROFI系統，充分使用了基于模型的現代控制理論，其中汽溫控制原理示意圖如圖1所示。
（3） 圖1中，用基于狀態空間算法的狀態觀測器解決汽溫這種大滯后對象的延遲造成的控制滯后，焓值變增益控制器解決蒸汽壓力的變化對溫度控制的影響，基于模型的Smith預估器對導前溫度的變化進行提前控制；通過自學習功能塊實時補償減溫水閥門特性的變化；而對再熱汽溫控制，盡量以煙道擋板作為調節手段，不采用或少采用減溫水作為控制手段，以提高機組效率；在機組協調控制模塊中，采用非最小化形式描述的離散卷積和模型，提高系統的魯棒性；根據控制品質的二次型性能指標連續對預測輸出進行優化計算，實時對模型失配、時變和干擾等引起的不確定性因素進行補償，提高系統的控制效果；PROFI投入后，AGC狀態下以2% Pe /min負荷率變化時的響應時間為57秒，壓力最大偏差0.208MPa，汽包水位變化最高和最低之差為-38.86mm，爐膛負壓變化曲線最高值和最低值差-145Pa，主蒸汽溫度偏差穩態基本控制在2℃以內，動態基本控制在5℃以內。
1.6SIS系統的應用發展。
（1）SIS系統是實現電廠管理信息系統與各種分散控制系統之間數據交換、實時信息共享的橋梁，其功能包括廠級實時數據采集與監視，廠級性能計算與分析。在電網明確調度方式有非直調方式且應用軟件成熟的前提下，可以設置負荷調度分配功能。設備故障診斷功能、壽命管理功能、系統優化功能以及其它功能（根據電廠實際情況確定是否設置）[3]。自從國家電力公司電力規劃總院在2000年提出這一概念和規劃后，至今估計有200家多電廠建立了SIS系統，可謂發展相當迅速。
（2）但是自從SIS系統投運以來，其所起的作用只是數據的采集、存儲、顯示和可打印各類生產報表，能夠真正把SIS的應用功能盡情發揮出來的很少，其面向統計/生產管理的數據分析工具，基于熱經濟性分析的運行優化，以品質經濟性為目標的控制優化，以提高可靠性為目的的設備故障診斷等功能基本多數都未能付緒實施。其原因主要有設計不夠完善，多數SIS廠家并沒有完全吃透專業性極強的后臺程序及算法，使其在生產實際中未能發揮作用，加上與現場生產脫節，因此SIS商所能做的只是利用網絡技術，邊搭建一個基本的SIS 架構邊進行摸索。此外SIS應涵蓋哪些內容沒有統一的標準也緩慢了其功能的應用。
（3）但從大的方向上看，SIS系統的建設符合技術發展的需要和中國電力市場發展的趨勢，將給發電廠特別是大型的現代化發電廠帶來良好的經濟效益。
2. 電力行業熱工自動化系統的未來發展動向及前景
隨著國家法律對環保日益嚴格的要求和計算機網絡技術的進步，未來熱工系統將圍繞 “節能增效，可持續發展”的主題，向智能化、網絡化、透明化，保護、控制、測量和數據通信一體化發展，新的測量控制原理和方法不斷得以應用，將使機組的運行操作和故障處理，象操作普通計算機一樣方便。
2.1單元機組監控智能化是熱工自動化系統發展方向。
（1）單元機組DCS的普及應用，使得機組的監控面貌煥然一新，但是它的監控智能化程度在電力行業卻沒有多大提高。雖然許多智能化的監視、控制軟件在國內化工、冶金行業中都有較好的應用并取得效益，可在我國電力行業直到近幾年才開始有所起步。隨著技術的進步，火電廠單元機組自動化系統的智能化將是一種趨勢，因此未來數年里，實現信息智能化的儀表與軟件將會在火電廠得到發展與應用。
（2）如：儀表智能管理軟件，將對現場智能傳感器進行在線遠程組態和參數設置、對因安裝位置和高靜壓造成的零位飄移進行遠程修正，精度自動進行標定，計算各類誤差， 并生成標定曲線和報告；自動跟蹤并記錄儀表運行過程中綜合的狀態變化，如掉電、高低限報警、取壓管路是否有堵或零位是否有飄移等。
（3）閥門智能管理軟件將對智能化閥門進行在線組態、調試、自動標定和開度階躍測試，判斷閥門閥桿是否卡澀， 閥芯是否有磨損等，通過閥門性能狀況的全面評估，為實現預測性維護提供決策。
（4）重要轉動設備的狀態智能管理軟件將對重要轉動設備的狀態如送風機，引風機，給水泵等，綜合采用基于可靠性的狀態監測多種技術，通過振動、油的分析以及電機診斷，快速分析（是否存在平衡不好，基礎松動， 沖擊負荷，軸承磨損）等現象和識別故障隱患， 在隱患尚未擴展之前發出報警，為停機檢修提供指導和幫助。
（5）智能化報警軟件將對報警信號進行匯類統計、分析和預測，對機組運行趨勢和狀態作出分析、判斷，用以指導運行人員的操作；故障預測、故障診斷以及狀態維修等專用軟件，將在提高機組運行的安全性，最大限度地挖掘機組潛力中發揮作用。單元機組監控智能化將帶來機組檢修方式的轉變，以往定期的、被動式維護將向預測性、主動式為主的維護方式過渡，檢修計劃將根據機組實際狀況安排。
2.2過程控制優化軟件將得到進一步應用。
（1）進一步提高模擬量控制系統的調節范圍和品質指標，是火電廠熱工自動化控制技術研究的一個方向。雖然目前有關自適應、狀態預測、模糊控制及人工神經網絡等技術，在電廠控制系統優化應用的報道有不少，但據筆者了解真正運行效果好的不多。隨著電力行業競爭的加劇，安全、經濟效益方面取得明顯效果、通用性強、安裝調試方便的優化控制專用軟件（尤其是燃燒和蒸汽溫度優化、性能分析軟件、）將會在電廠得到親睞、進一步發展與應用。
（2）目前機組的AGC均為單機方式（由調度直接把負荷指令發給投入AGC的機組）。由于電網負荷變化頻繁，使投入AGC的機組始終處于相應的變負荷狀態，鍋爐的蒸汽壓力和溫度波動幅度大，輔機、閥門、擋板等設備動作頻繁，這種方式對機組和設備的壽命都會產生一定的負面影響。隨著發電成本的提高，發電企業需從各個角度考慮如何切實降低電廠運行成本，延長機組的使用壽命。因此配置全廠負荷分配系統（即電網調度向電廠發一個全廠負荷指令，由電廠的全廠負荷分配系統，以機組的煤耗成本特性為基礎，在機組允許的變化范圍內，經濟合理地選擇安排機組的負荷或變負荷任務，使全廠發電的煤耗成本最低，降低電廠的發電成本）將是發電企業必然的要求，相信不久的將來，單機AGC方式將會向全廠負荷分配方式轉變。
（3）SIS系統將結合生產實際進行二次開發，促進自身應用技術走向成熟，在確?；痣姀S安全、環保、高效益及深化信息化技術應用中發揮作用。
2.3現場總線與DCS相互依存發展。
未來一段時間里，現場總線將與DCS、PLC相互依存發展，現場總線借助于DCS和PLC平臺發展自身的應用空間，DCS和PLC則借助于現場總線完善自身的功能。
2.3.1現場總線與DCS的關系。
現場總線作為一個完整的現場總線控制系統，目前還難以迅速應用到整個電廠中，而DCS雖然是電廠目前在線運行機組的主流控制系統，但由于其檢測和執行等現場儀表信號仍采用模擬量信號，無法滿足工程師站上對現場儀表進行診斷、維護和管理的要求，限制了控制過程視野，因此DCS通過容入通信協議國際標準化的現場總線和適合現場總線連接的智能化儀表、閥門，并將自身的輸出驅動功能分離移到現場或由現場智能驅動器代替，功能簡單且相對集中的控制系統下放到采用FCS控制和處理功能的現場智能儀表中，然后由少量的幾根同軸電纜（或光纜）和緊急停爐停機控制用電纜，通過全數字化通信與控制室連接。將有助于降低電廠造價，提高自身的可靠性，拓寬各自的功能，推動各自的發展。除新建電廠將會更多的采用現場總線的智能設備外，也會成為運行多年的機組下一步的改造計劃。
2.3.2現場總線與PLC的關系。
（1）現場總線在電廠的應用將借助于PLC，這不但因為PLC已廣泛應用于電廠輔助設備的控制，將現場總線技術和產品溶合到PLC系統中，成為PLC系統中的一部分或者成為PLC系統的延伸部分，在輔助設備的控制中將直接明顯地體現其經濟效益。還因為現場總線和PLC的制造商間關系密切，如、ProfiBus等本身就是由PLC的主要生產供貨商支持開發。
（2）由于電廠現場的環境惡劣，溫度高、灰塵多、濕度變化大，因此現場總線在電廠應用，首先要解決的是自身質量。
2.4輔助車間（系統）集控將得到全面推廣。
隨著發電廠對減員增效的要求和運行人員整體素質的提高，輔助車間（系統）通過輔控網集控將會得到進一步全面推廣。但在實施過程中，目前要解決好以下問題：
（1）輔控系統I/O點數量大，各輔助車間物理位置分散，存在遠距離通信、信號衰減和網絡干擾問題，因此監控系統主干通信網宜采用多模光纜以確保通信信號的可靠性。
（2）各輔助控制系統采用不同的控制設備，控制系統的通信接口協議不同，甚至不同的物理接口，因此須解決網絡通信協議的轉換問題，選型時應事先規定好各系統間的接口連接協議。
（3）各個輔助車間的控制系統為不同的廠商供貨，由于使用的軟件不同，其操作員站的人機界面很有可能不一致。因此選型時應注意上位機軟件，設計統一的人機界面，采用統一的風格及操作方式，以便方便各系統畫面接入BOP網絡。
輔助車間集控系統能否實現設計目標，除了自身的技術以外，很大程度上取決于輔助系統本身的自動投入情況。因此高可靠性的執行機構、動作靈活可靠的限位開關、智能化的變送器將會得到應用。
2.5單元機組監控系統的物理配置趨向集中布置。
過去一個集控室的概念，通常為一臺單元機組獨用或為二臺機組合用，電子室分成若干個小型的電子設備間，分別布置在鍋爐、汽輪機房或其它主設備附近。其優點是節省了電纜。但隨著機組容量的提高、計算機技術的發展和管理水平的深化，近幾年集控室的概念擴大，出現了全廠單元機組集中于一個控制室，單元機組的電子設備間集中，現場一般的監視信號大量采用遠程I/O柜的配置方式趨勢。
2.6APS技術應用。
（1）APS是機組級順序控制系統的代名詞。在機組啟動中，僅需按下一個啟動控制鍵，整個機組就將按照設計的先后順序、規定的時間和各控制子系統的工作情況，自動啟停過程中的相關設備，協調機爐電各系統的控制，在少量人工干預甚至完全不用人工干預的情況下，自動地完成整臺機組的啟停。但由于設備自身的可控性和可用率不滿足自動化要求，加上一些工藝和技術上還存在問題，需要深入地分析研究和改進，所以目前燃煤機組實施APS系統的還不多見。
（2）由于APS系統的實質是電廠運行規程的程序化，其優勢在于可以大大減輕運行人員的工作強度，避免人為操作中的各種不穩定因素，縮短機組啟停時間。作為提高生產效率和機組整體自動化水平，增強在電力企業的市場競爭能力行之有效的方法，將會成為未來機組控制發展的方向之一，引導設計、控制系統廠商和電廠人員更多地去深入研究，設計和完善功能，并付緒實施。
2.7無線測量技術應用。
無線測量技術能監視和控制運行過程中發生的更多情況，獲得關鍵的工藝信息，整合進入DCS。除節省大量安裝成本以外，還將推動基本過程和自動化技術的改善。如供熱、供油和煤計量，酸堿、污水區域測量等，都可能通過無線測量技術實現遠程監控。
2.8提高熱工自動化系統可靠性研究將深入。
由于熱控系統硬軟件的性能與質量、控制邏輯的完善性和合理性、保護信號的取信方式和配置、保護連鎖信號的定值和延遲時間設置，以及熱控人員的檢修和維護水平方面，都還存在一些不足之處，由此使得熱控保護系統誤動作引起機組跳閘事件還時有發生。在電力生產企業面臨安全考核風險增加和市場競爭加劇的環境下，本著電力生產“安全第一，預防為主”的方針，以及效益優先原則，從提高熱工自動化系統的可靠性著手，深入開展技術研究，是熱工自動化系統近期的一項急需進行的工作。提高熱工自動化系統的可靠性技術研究工作，包括控制軟硬件的合理配置，采集信號的可靠性、干擾信號的抑制，控制邏輯的優化、控制系統故障應急預案的完善等。隨著機組控制可靠性要求的提高，重要控制子系統的硬件配置中，將會采用安全型控制器、安全型PLC系統或者它們的整合，保護采集信號將會更多的采用三選二判斷邏輯。獨立的測量裝置需要設計干擾信號抑制功能。此外基建機組一味以最低價中標的招標模式也應得到扭轉（最低價中標，迫使廠商通過減少配置來降低投標價，導致控制系統可靠性下降）。
2.9火電廠機組檢修運行維護方式將改變。
（1）隨著電力市場的競爭，發電企業將趨向集約化經營和管理結構扁平化，為提高經濟效益，發電企業在多發電，以提高機組利用小時的同時，將會通過減少生產人員的配備，密切與外包檢修企業之間的聯系，讓專業檢修隊伍取替本廠檢修隊伍的方式來提高勞動生產率。因此檢修維修工作社會化將是一種趨勢。此外DCS的一體化及其向各功能領域滲透，提高電廠整體協調和信息化、自動化水平的同時，也將會使電廠原專業間及專業內的分工重新調整，比如熱工與電氣二次回路的專業劃分打通。為了降低成本，電廠不再保持大批的檢修維修人員，因此檢修維護方式也將因此而改變，比如讓生產廠家和公司承擔DCS和相關設備的檢修工作。