人工智能技術的研究背景精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工智能技術的研究背景主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工智能技術的研究背景范文

【關鍵詞】大數據；人工智能；計算機網絡技術

如今計算機領域掀起了人工智能的浪潮，許多行業和技術正向著智能化方向轉型，人工智能技術也因此得到了迅猛的發展。同時大數據時代的到來也給計算機網絡技術提出了更高的挑戰，數據信息的爆炸式猛增，以及網絡環境的日益復雜，都加快了計算機網絡技術的升級轉型。基于此深入研究人工智能技術在計算機網絡中的應用對提高網絡環境的安全性以及推動計算機網絡技術的進步具有重要意義。

一、大數據時代和人工智能

1、大數據時代。所謂大數據是數據的種類和數量眾多的數據集，在大數據中，數據種類繁多，數量龐大，比較傳統的數據庫數據的真實性更高，數據的處理速度更快。在大數據時代，互聯網依靠數據信息的支撐，對于如何從眾多的信息中快速獲取有價值的數據提出了更高的要求。大數據給我們帶來了新的機遇和挑戰，深入研究大數據技術，合理地在各個領域運用，將會提高數據的應用價值，給我們的生活提供更大的便利。

2、人工智能的特點及優勢。相比于傳統模式，人工智能技術在信息處理上速度更快，準確率更高。在大數據時代這種優勢會更加明顯；人工智能具有成本消耗低的特點，人工智能技術基于專家系統創建知識庫和推理機，有效降低資源消耗的同時，還提升了效率；具有超強的自我學習能力，從基礎的機器學習到尖端的深度學習，從簡單的模式到復雜的人工神經網絡，人工智能都有著優異的表現，而且其發展速度是迅猛的，在某些領域甚至已經超越了人類。

二、人工智能在計算機網絡技術中的應用分析

1、安全管理中的數據挖掘技術。數據挖掘技術是一種深層次的數據分析方法，它按照給定的任務，對大量的數據進行挖掘和分析，揭示隱藏的規律，通過對網絡連接等技術的準確描述，完成同主機的對話，進而找到更加有效的方法。目前基于數據挖掘的技術越來越成熟，在數據化運營中的應用也越來越廣泛。數據挖掘技術極大的促進了人工智能的發展，使其在各個領域得以實現。人工智能技術結合數據挖掘技術可有效排除計算機中的安全漏洞，提高系統安全性。

2、保障網絡安全。如今計算機網絡環境日益復雜化，計算機網絡安全化管理的重要性是不言而喻的。人工智能技術的迅速發展，對計算機網絡安全的防護起著重要的作用，其中智能防火墻技術就是一個典型的例子。智能防火墻能夠自主的對網絡上的信息進行篩選，有選擇的為用戶提供信息，能夠攔截有害信息，防止病毒和垃圾信息進入計算機系統。在對垃圾信息進行處理時，人工智能的入侵檢測技術可以提前對這些信息進行預覽，使問題盡快的被發現處理。在計算機連接互聯網時，人工智能技術會對數據進行分析處理，判斷計算機網絡的安全狀態，并反饋給用戶。這些檢測機制對于提高計算機網絡的可靠性和安全性起著重要的作用。

3、人工智能管理。所說的人工智能系統是由軟件實現的，它以知識庫為基礎，通過對知識庫中數據的分析處理完成相應的任務，同時還能保證及時性。人工智能管理系統在能夠提高工作效率的同時還可以針對不同用戶提供個性化服務，在一段工作結束后，管理系統會對信息進行分析處理，有針對性的為用戶提供服務。在信息查找方面，人工智能管理技術提供了自定義設置功能，使查找數據和信息更加人性化。在日常實際的使用中，人工智能管理系統這些智能化和人性化的特點，對用戶工作效率的提高和時間的節省有著非常重要的意義。

4、網絡管理和系統評價。在網絡管理方面，由于網絡環境時時刻刻都處在動態變化之中，網絡環境的復雜性大大增加了網絡管理工作的難度。而人工智能技術能有效解決這一問題，基于人工智能技術的網絡管理將更加智能化，通過網絡內部的專家知識庫和問題求解技術，能夠建立起一個有著綜合性能的管理系統。這種智能化的管理技術不僅可以將網絡管理人員從繁重的工作中解放出來同時還能有效提高計算機網絡管理的質量和效率。人工智能技術中另外一個重要組成部分就是專家系統。所謂專家系統其實是知識庫和推理機的綜合，利用專家系統技術能夠模擬由領域專家才能解決的復雜問題，提供仿真該領域專家的幫助和指導，讓用戶花更少的時間和費用以更便捷的方式解決專業性問題。將專家系統合理的運用于網絡技術中，能有效提高網絡管理效率。

第2篇：人工智能技術的研究背景范文

關鍵詞 人工智能；電氣控制；自動化系統

中圖分類號TM92 文獻標識碼A 文章編號 1674-6708（2012）72-0083-02

電氣自動化是一門以電氣系統的運行、控制、研發為對象的實踐應用性學科。人類社會發展到當代，解放人類的雙手，最大程度實現機械運行與控制的自動化。全面應用人工智能技術的最新成就，充分推動電氣設備自動化的進一步深化發展，提高其系統運行趨于智能化的同時，人工智能技術的應用還利于強化系統工作的安全性、穩定性，有利于企業生產效率的提升以及市場競爭力的增強。

1 人工智能技術研究與應用的現實情況

近年來，大量科研單位以及專業院校都在人工智能技術的創新與研究以及其電氣設備控制系統中的應用上開展了大量工作，人工智能用于電氣設備系統的結構設計、故障診斷、預警、監控以及自動保護等方面都達到了一定的水平。

以結構設計方面為例，因電氣設備系統結構設計復雜性高，涉及到諸如電路、電磁、電機電器應用等等大量的學科專業知識，更要求工作人員有豐富的實踐經驗。目前，在數字技術空前創新發展的背景下，電氣產品及其控制系統的設計工作業已轉向了CAD，使得新產品新系統的構建周期顯著縮短。在此基礎上加入人工智能技術，系統設計的質量以及速度都可得到全面提升。

此外，人工智能技術在進行電氣設備系統故障控制與預警方面也有非常獨特的優勢。電氣控制系統出現故障之前征兆呈非線性，因此人工智能技術中的模糊邏輯、神經網絡等等部分可以充分發揮其優勢。

最后是人工智能技術在電氣自動化控制系統中的運用，主要的技術方法有、神經網絡、專家系統以及模糊控制三種，其中以最后一種控制技術最為簡便，可應用性最強。人工智能技術在電氣自動化控制系統中以AI控制器為主，其可以視為非線性函數近似器。與一般的函數估計設備相比較，AI控制系統在進行設計時不一定必須工作對象的具體模型，這就避免在設計時需要考慮控制對象模型本身的參數變等不確定性。此外，其性能提升的空間比較大，而且易于調節，一致性強，對于新的數據信息適應性良好；配置成本低而且更新簡便、抗干擾能力強。

2 電氣自動化控制系統中人工智能技術的具體應用

電氣自動化控制系統當中，人工智能技術的應用有兩種，一是直流傳動控制；另一種是效流傳動控制。

在直流傳動控制中，人工智能技術的應用有模糊邏輯控制技術為主，有Mamdani與兩種可用于調速控制系統。它們均具備規則庫部分，規則庫實質上是一個if-them的模糊規則集合。以后者為例，它最主要的規則就是“if x=A,且y=B,則z=f（x，y）z則z”。其中的都是模糊集。模糊控制設備以推理機為核心部分，它負責模仿人腦的智能化決策以及模糊控制命令的推理。除此以外還有模糊化部分、知識庫部分以及反模糊化部分，第一個部分是通過多種不同形式的函數對所輸入的變量做出測量，并將其量化、模糊化；第二部分就是由數據規則以及語言控制庫構成所構成的知識庫，本庫設計時就是應用專家的知識與經驗對電氣設備進行控制，在建立設備模型時，模型操作設備依據人工神經網絡系統的推理機制進行模型建設；最后是以模型參數量化與中間平均技術等模糊化技術的應用。

除了模糊邏輯控制技術以外，還有人工神經網絡控制技術。這種技術主要用于不同模式的識別以及各種信號的處理，可以在電氣傳動控制工作中發揮有效作用。這種技術以并行結構為主，適用范圍比較廣，可以大大提升條件監控、診斷系統的準確性；該控制技術最常用的學習策略是誤差反向傳播，也就是說在網絡具備充足的隱藏層、結點和恰當的激勵函數的情況下，多層人工神經網絡只要利用反向傳播就可以計算出對應的非線性函數近似參數，大大提高網絡運行速度。

在交流傳動控制中，人工智能技術的應用也同樣有模糊邏輯與神經網絡兩種具體運用。

就模糊邏輯而言，到目前為止均以模糊控制器直接代替原有的普通速度控制設備為主，不過西方某大學研發了一種高性能的帶有多個模糊控制器的全數字化傳動控制體系，該體系所帶有的模糊控制器即可以用來代替普通的速度控制設備，又可以用于執行它控制任務。

就人工神經網絡控制技術而言，實踐研究中以其對交流電氣設備及其驅動環境參數監測及診斷為主。人工神經網絡用作步進電動機控制時，可采用一般的反向轉波計算方法，就是通過實驗數據的應用，通過電機負載轉矩以及電機的初始速度最終確定智能監控系統可監測的最大速度增加值。這種設計方案的實現，要求神經網絡具備識別三維圖形映射的能力，以便達到比常規梯形控制計算模式強的控制成效。在此模式下，人工神經網絡可以大大縮減電氣自動化系統定位所需要的時間，并且強化對于負載轉矩以及非初始速度變化范圍的控制工作。人工神經網絡的結構以多層前饋型為主，具體可分為兩個系統：系統一是在辨識電氣動態參數的基礎上對通過定子的電流進行自動調節與控制，系統二是在辨識機電系統的運行參數基礎上對轉子速度進行自動調節與控制。

3 結論

電氣自動化控制系統作為提高電氣設備的生產能力、流通交換速度的重要環節，脫離了人力操作控制，最大程度實現智能化，不僅可以為企業節約人力成本，而且有利于生產效率的增加。人工智能技術是專門研究人類智能模擬的科學，其應用范圍以問題求解、邏輯推理、語言理解、以及專業知識數據庫和自動性強的機器人等多個方面，最大的特征就是自動化。即以推動機械向人類行為意識能力靠攏，從這個意義上來說，人工智能技術在電氣自動化控制系統中的應用前景非常廣闊，在數字控制理念的指導下，傳統上使用的控制器設計技術將逐漸會為控制效果更好的人工智能軟件技術所取代，因此有關單位與部門須加強這方面的技術研究力度。

參考文獻

第3篇：人工智能技術的研究背景范文

關鍵詞：人工智能 技術 機器學習

中圖分類號：TP181 文獻標識碼：A 文章編號：1007-9416（2016）11-0089-01人工智能技術，是一門誕生于在二十世紀中期的技術，對于社會和經濟發展都有著長遠的意義。人工智能這一科學，包含的學科領域比較廣，主要包含計算機科學、信息科學、數學科學、工程技術以及哲學心理學等知識體系，其研究的核心問題主要在于能夠令及其具備基本的學習、交流、輸入和輸出的能力，最終目的是實現機器和人類相似的認識世界和獨立思考的能力，人工令機器具備更加“聰明”的屬性，這也是能夠令計算機具有智能性能的基本方式。

1 機器學習概述

1.1 機器學習定義

機器學習，主要就是指通過系統或者知識的識別，對于機械的學習能力進行提升，使其能夠獲得新技能或者新知識。與人類的學習方式類似，如果不進行系統的學習或者沒能掌握合適的學習方式，那么機器學習的效果也會大打折扣，難以進行新知識、新作品的創造，機器學習也是相同的道理，只有通過學習掌握了分析問題、解決問題的方式，才能夠獲取創新能力。機器學習在人工智能發展領域是一個熱門的研究領域，其研究的目的簡而言之就是推動機器能夠像人類一樣不斷獲取新的知識，獲得分析問題和解決問題的能力，建立起相關的知識體系，并且將這些能力運用在具體的實踐問題解決中[1]。

1.2 機器學習研究目的

機器學習研究的主要研究目標有三個，首先，需要進行人類學習整體過程的模擬，在此基礎上進行學習認知模型的建立，目標的實現對于科學知識的認知和發展存在著很強的相關性；其次，需要推動機器進行相關理論的學習與研究，探索多種學習方法，并且根據機器本身的特質進行特定的程序設計，體會其相似和區別性；最后，設定關于機器學習的相關程序，主要研究內容就是獲取知識的工具以及相關系統，在機器發函系統建立的過程中建立起相關數據庫，進行知識和經驗的累積。不斷進行自身知識的累計，提升能力掌握的水平，提升機器智能化的能力，令機器能夠接近人類的學習能力。

1.3 機器學習方式方法

機器學習方式方法主要就是基于人類的學習方式，需要將機器和人類學習的方式進行綜合學習，掌握更科學的學習方式方法，在人類思考方式和學習方式的基礎上進行機械性能的擴展，能夠實現快速、大內存、高復制性的工作，得到適合的機器學習方式方法。當前，機械學習的具體學習方式方法有兩種思路，一種是演繹學習系統，從一般到特殊的學習方式方法，能夠通過公理的推斷得出相應的結論和目的；另一種屬于歸納學習系統，主要思路就與演繹方法相反，特殊到一般的思維方式，其主要包含傳統歸納和創新歸納兩種模式，也可以包含完全和不完全歸納這兩種模式，其中傳統的歸納關系是根據事實思考方式，歸納出其中的共性，得到科學的機器學習方式方法。

2 基于人工智能的機器學習研究

2.1 環境適應性機器學習研究

機器與人類的很大一點不同在于，對于環境的適應性有所不同，機器對于環境的適應性研究也就成為人工智能技術研究的重要問題之一，環境能夠位系統提供的質量高低對于機器學習的質量有著深遠的影響，同時，機器內部體系存放的原則往往都是通過環境適應性的原則建立起來的，然而，外界環境通常都具有復雜性，學習過程中必須通過大量的數據進行支持，對于多余環節進行刪減，在此基礎上進行總結推廣，設定成為系統的動作指導一般性準則，這樣可能會導致機器學習過程繁雜，這對于整個系統長遠發展是不利的[2]。

2.2 機器知識庫的擴展延伸

機器知識庫的設置對于機器學習的發展而言也意義重大，需要保障機器知識庫種類豐富、表現形式多樣化，其中需要包含基本的特征向量、規則化語言以及網絡化關聯等等，因此在進行機器知識庫的設計中，需要做到知識庫適當的擴展延伸，實現提升機器學習能力的目的，主要可以從三個角度入手，首先，要求邏輯簡單、表意明確的機器表達模式，其次要求做到推理過程簡單易懂，能夠降低機械計算成本，這就要求機器學習的系統進行簡單的推理過程，最后，要求實現知識的充分擴展和眼神，人工智能技術背景下的機器系統的學習不僅僅要求基礎知識的掌握，更要求知識的表達方式以及表達效率的提升，甚至一個知識要求需要不同的表達模式，對于系統的構筑要求也有所不同。

2.3 機器學習反饋評價體系

基于人工智能技術的機器學習，需要建立起相應的反饋和評價體系，針對機器學習反饋評價體系而言，其反饋主要包含三重內容，其一是根據簡單基礎的規則進行基礎反饋評價，其二是進行設計多個概念的復雜型評價反饋體系，最后就是設計小型的策略分析評價體系，分步根據實際任務進行機器學習反饋評價體系的建立。在此基礎上，應當提升學習反饋評價機制的透明度，要求執行的過程和結果通過簡明的方式表現出來，對于已有的知識庫進行合理評價，在表達模式當中采取元級表述的方式進行反饋評價，這樣的反饋評價體系有利于人工智能技術在機器發展中的應用，擴展機器學習范疇的同時提升其執行能力。

3 結語

綜上所述，在人工智能的背景下，進行機器學習的研究勢在必行，需要通過多種方式在研究機器學習定義、目的和方式方法的基礎上，對于人工智能在機器學習中的認知進行深入思考和完善，通過環境適應性機器學習研究、機器知識庫的擴展延伸和機器學習反饋評價體系的建立這三種方式進行人工智能的機器學習發展，推動人工智能技術在機器學習領域的深入發展，推動社會經濟的發展。

參考文獻

第4篇：人工智能技術的研究背景范文

關鍵詞：人工智能；Python程序設計教學；項目驅動混合教學模式

人工智能技術在教育領域的應用已經非常深入，它可呈現深度學習、跨學科融合、人機協同、群智開放、自主操控等諸多內容，并在教學中引發鏈式突破、推動教學內容的數字化、網絡化與智能化躍升式快速發展。所以說在教育領域中，人工智能如魚得水，它獲得了更大的自我技術展現空間，也為學生學習新知識內容帶來諸多福音。

一、高職院校Python程序設計教學引入人工智能技術的必要性

人工智能本身離不開算法，而算法的實現則需要語言做支撐，像目前高職院校的Python程序編程設計教學就可引入人工智能技術，Python作為AI時代的頭牌語言其融合性教學也成為了培養AI人才的重要關鍵。目前國內許多高職院校都在全面推行人工智能技術背景下的Python教學，將其作為是數據分析、網絡攻防的第一語言以及編程入門教學的第一語言。

換個角度講，高職院校在Python程序設計教學中引入人工智能是非常必要的，因為它關系到高職生未來的就業生存、崗位專業能力創新與事業發展，考慮到人工智能領域的知識理論性偏強，且對學生的數學基礎能力要求較高，整體學科學習難度較大，所以許多高職院校也在思考如何將人工智能技術內容合理融入到Python程序設計教學體系當中，為學校相關專業領域拓展教育新路，培養對路人才[1]。

二、高職院校人工智能背景下的Python程序設計教學方法應用研究

（一）教學應用概述與教學目標明確

Python語言作為高職院校守門程序設計課程教學語言，相比于其它傳統計算機語言具有簡單易學、程序可讀性、可遷入性、可擴展性、邏輯結構縝密等特點。同時該編程語言采用了開放開源設計，擁有12萬以上的第三方庫，可有效避免編程重復問題，提高教學中的語言編程教學效率。另外Python是一種解釋型語言，它的跨平臺與可移植性相當之強，可在任何系統中拷貝運行，對環境配置要求不高。

為了確保某些沒有編程基礎知識能力的高職生也能學好Python語言程序設計課程，教師專門在教學中加入了人工智能技術內容，圍繞該技術融合可開展的Python編程語言課程就包括了Python安裝、Python輸入輸出、Python特性、人工智能編程等等知識內容。在教學中希望明確3點教學目標：

第一，要求學生初步具有利用Python初步編寫基本程序的能力。

第二，要求學生掌握Python編程語言的基本特性。

第三，要求學生深入了解某些常用Python庫，特別是了解人工智能的基本思想與編程方式，能夠利用人工智能和Python編寫出某些復雜的處理程序。

（二）創新教法設計應用

為切實達到Python程序設計教學目標，凸顯學生在課堂教學中的主體地位，教師可采用任務驅動配合項目驅動的混合教學模式展開一系列的教學設計活動，引導學生循序漸進的完成各項教學任務內容，不斷提升自身的Python語言程序設計水平。

具體到教學方案設計中，教師專門圍繞學生中心、任務載體將教學內容相對巧妙的隱藏于具體的教學任務中，再通過Python編程語言新知識內容與新教學技能驅動學生深入學習展開基礎章節任務，結合任務結果評價評價學生對知識點的掌握情況。這一教法的提出與運用希望解決傳統程序設計教學中理論與實踐相互分離的不利教學局面，希望將課堂中的所有理論內容全部轉移到實踐任務中，凸顯教學中理論與實踐過程的相互和諧統一。如下：

教師為學生設計教學任務，設計Python程序示例任務，將fileA和fileB兩個文件各存放于不同的兩行字母中，然后將兩個文件中的信息數據內容完全合并，按照字母順序排列并再次輸出一個新文件fileC，以下給出該任務教學中的程序設計編寫代碼：

fp1=open(‘fileA.txt’)

data1=fp1.read()

fp1.close()

fp2=open(‘fileB.txt’)

data2=fp2.read()

fp2.close()

fp3=open(‘fileC.txt’，w)

data_all=list（data1+data2）

fp3.write（data_unite）

fp3.close()

采用上述項目任務驅動項目混合教學法可為學生構建一個相對完整的人工智能Python程序設計教學獨立項目，將項目完全交由學生獨立處理完成，教師負責設計教學方案，而由學生收集信息，實施項目并最后再由教師給出學生項目完成評價。它全面考驗了學生對于Python基本庫與第三方庫的學習了解與運用程度，同時在融入大量人工智能編程思路后顛覆學生的語言編程學習認知思維，讓學生了不但能夠練習獨立編程，也能共同學習協作編程，全面提高自己的的Python語言編程能力[2]。

總結：

綜上所述，在高職院校中采用人工智能技術配合Python語言編程設計可有效拓展教學思路，而本文中所采用的的任務驅動項目混合教學模式則能有效激發學生的學習熱情，促進他們合理運用所學習知識解決實際問題，徹底擺脫復雜語法及算法所帶來的學習困擾，更好學習Python編程語言知識。

參考文獻

第5篇：人工智能技術的研究背景范文

工作中存在的不足網絡輿情監測工作是指網絡信息工作的部門或人員在特定時期或者在特定的事件中對公眾在互聯網上發表的言論和意見進行監視、收集、分析、整理及預測的行為，這些言論被稱為網絡輿情。

當前的網絡輿情監測工作平臺主要是基于信息采集、整合技術和智能處理技術，通過對互聯網海量信息的自動抓取、自動分類聚類、主題檢測、專題聚焦，實現對用戶的網絡輿情監測，并由相關部門形成輿情工作報告、輿情信息簡報等，為輿論引導提供可靠的分析依據。

進入大數據時代，網絡輿論呈現的新特點，促使網絡輿情監測工作暴露出諸多不足之處，這為網絡輿情監測工作帶來了諸多挑戰。

網絡輿論信息格局發生變化，輿情分析質量亟待提高。據人民網權威的《2016年中國互聯網輿情分析報告》顯示，在2016年，伴隨著移動互聯網應用不斷向社會各層面滲透，網絡輿論的格局發生了很大變化，如網民結構與社會人口結構趨同，網民產生代際更新導致網絡流行議題和文化熱點發生轉換，微博、微信平臺化，專業自媒體步入興盛等。在這樣的變局下，網絡輿情監測工作面臨著新的挑戰。然而，有些部門的輿情信息收集工作仍然停留在報刊、門戶網站、BBS、微博等開源信息的收集階段，并未將新聞客戶端、微信、直播等平臺打通，難以保證輿情信息分析的全面性以及輿情熱度指標的準確性。《2016年中國互聯網輿情分析報告》還對近五年來參與當年最具網絡關注度的20個輿情熱點事件討論的320萬微博用戶樣本進行了分析，發現關注新聞事件和聚焦熱點話題的網民發生了代際交替，在性別方面，女性的比例明顯上升；在地域上，三、四線城市用戶增長迅猛。受眾層面發生的這些變化，也將在輿情監測工作中體現出來。然而在目前的輿情監測工作中，相關信息部門的輿情信息報送在內容上只是就事論事、停留在現象層面，對受眾的成分、熱點事件的社會背景以及事件背后所反映出來的社會問題沒有進行細致深入的研究分析；在形式上，網絡輿情監測工作的報送還停留在工作動態報告或者事件日志等形式的報送上。這樣就造成了網絡輿情信息的價值作用降低、服務能力減弱的問題。

熱點事件話語體系不可控，輿情預警能力亟待增強。縱觀近年來發生的熱點公共突發事件，可以發現，在以大數據為基礎的社交平臺上，公眾的話語體系呈現出了一些全新特征，如輿論主體的匿名性、參與渠道的多元化、生成議題的自發性、交流觀點的無界性、匯集意見的實時性、發展趨勢的不確定性等。這些特征與輿論話語體系在傳統媒體的呈現完全不同，網絡輿論熱點事件話語體系的不可控性大大增強。

在社交媒體平臺上，自媒體呈現出來的話語體系最為龐雜。許多輿情信息不僅包含結構化數據，還涉及大量非結構化數據，若對其準確性、真實性逐一核查，既耗費人力又耗費時間。就內容而言，較多負面、虛假輿情具有較強的隱蔽性，單純以關鍵詞或主題詞進行搜索容易產生誤判、遺漏。話語體系的不可控性增加了輿情監測工作的難度，這要求工作人員必須具備過硬的專業敏感性以及較強的網絡操作技能。但是目前大多數輿情監測工作部門的信息工作人員缺乏專業化的訓練，輿情信息工作水平參差不齊。就輿情監測平臺系統來說，對于輿情信息的跟蹤分析靈敏度較低，在有些熱點事件的處理上沒有按照公共突發事件的分類標準進行準確的分級，從而導致網絡輿情信息的分析判斷力體現不出其應有的情報價值，預警能力也隨之削弱。

輿情監測的技術體系落后，人機不協調問題亟待解決。網絡輿論的實時性及其發展的不確定性要求網絡輿情監測必須迅速、及時，但很多單位部門的輿情監測平臺的方法技術體系滯后，部分單位采用了網絡監控系統、有害信息過濾系統等方式進行網絡輿情監測，而有些單位為了節省輿情監測設備的成本，甚至將網絡輿情監測工作依托于人工網頁搜索及瀏覽的“人工盯梢”方式上，這成為監測工作的一大阻礙，監測工作出現疏忽錯判也在所難免。排除資金、人力等客觀因素，現階段的網絡輿情監測工作中技術方法體系的不足主要歸因于“人機不協調”。機器與人工的協同分工模式不成熟、機器的輔助力量不夠，導致人工智能技術在預測監測體系中分析情感、預測走勢、檢查效果等方面應用還稍顯粗淺、機械，而在需要人工進行的高級維度分析、提出應對策略等層面，機器的應用又顯得粗糙以及同質化。

人工智能為網絡輿情監測帶來的三大變革

網絡輿情監測要適應大數據時代人工智能的要求，就必須順勢而為，積極進行變革，主要包括網絡輿情監測技術體系的變革、網絡輿情監測研究范式的變革以及網絡輿情監測管理思維的變革三個方面。

網絡輿情監測技術體系的變革。將人工智能技術應用于網絡輿情是為了更好地對輿情進行分析研判，通過直觀、簡明的方式描述網絡輿情信息的產生，進一步推導信息傳播主體的態度傾向性、情緒感染性以及初衷、意圖等，從而預測網絡輿情信息的發展趨勢。

如果說在“小數據”環境下，網絡輿情監測工作還可以依托于“人工盯梢”的方式來完成，那么在“大數據”環境下，當數據的量級達到了EB甚至ZB級別后，以人工監測來把握輿情脈絡已成為不可能完成的任務。而那些隱含在網絡輿情信息中的觀點、態度及情緒的表達，更難以從泛濫成災的信息碎片中被真正發掘出來。加之海量信息的不共享所帶來的“信息盲區”，更使得輿情信息分析不夠嚴謹，易偏離實際，而這些問題都需要依托搭建智能化的網絡輿情監管平臺來解決。在平臺上可以通過三種人工智能技術實現數據分析與人工智能研判相結合，再借助如眼動儀、腦電儀等受眾檢驗儀器對網絡輿情信息進行綜合化分析。三種主要的人工智能技術主要包括：一是Web挖掘技術，該技術把互聯網與數據挖掘技術結合起來，對網絡上結構化數據如文字言論，以及非結構化的數據如視音頻、圖像等信息進行采集，完成信息前期處理的第一步；二是語義識別技術，該技術是利用采集到的信息，通過對語句中的關鍵詞進行詞義推斷處理以及句子語法結構的分析，從而將復雜信息簡單化，這是對采集的信息數據做進一步識別推斷的過程；三是TFDF信息聚類技術，該技術主要提升數據信息的分析和分類速度，使網絡輿情監測工作的處理更加及時，反應更加靈敏，提高采取措施的時效性。

人工智能技術的介入將有利于對信息進行挖掘、采集、分類、整理，從而找尋出最核心的關鍵性數據。在此基礎上，還可以運用人工神經網絡預測模型，對網絡輿情的性質、發展趨勢進行正確描述，并提出相應的對策。

網絡輿情監測研究范式的變革。人工智能和大數據對網絡輿情監測工作及其研究產生了頗為深刻的影響，輿情監測的研究范式從多角度發生了轉向。

第一，輿情監測工作視角的轉向：從單一化到多元化。在社交媒體平臺上，受眾的角色首先發生了轉向，由信息的被動接收者轉變為信息的參與者和傳播者。這一轉向給網絡輿情監測工作帶來了新的挑戰，當受眾是單純的信息接收方時，網絡信息的可控性強，輿情監測工作形式單一，把關相對容易。而受眾角色發生變化以后，網絡信息傳播的不可控性大大增加，信息傳播速度加快，信息傳播呈現多元化特征，把關難度增加，網絡輿情監測工作也從單一轉向多元化，還需要對信息進行疏導、研判處理。

第二，研究視角的轉向：從內容研究轉向“內容+關系”研究。傳統的網絡輿情信息研究最重視的是受眾借助網絡進行的話語表達，其研究視角主要集中在內容層面。隨著人工智能技術的介入，這一單向視角將發生轉變，潛藏在內容層面背后的網絡受眾心理、行為、動機、訴求等多方面因素都將被關注到。借助人工智能技術及大數據分析技術，網絡輿情信息的研究視角將透過內容層面深入到關系層面，轉向對網絡受眾社會心理描繪、社會關系呈現、社會話語表達等多維度的研究。

第三，研究重點的轉向：由輿情監測轉向輿情預測。當前的網絡輿情監測工作主要通過對當下網絡輿情的動態信息進行隨機采樣來收集、整理、分析，更多的是關注已經發生的事件在過去及當下的動向，對未來的發展預測難以兼顧。而借助人工神經網絡預測模型，通過自然語言處理、模式識別及機器學習等人工智能技術，可以對網絡輿情的性質、發展趨勢進行正確描述，再結合大數據分析處理整群數據來實現預測功能。比如，著名的搜索引擎公司谷歌通過關注用戶搜索中的“流感”關鍵詞來預測實際流感發生的時間，往往可以提前兩三個周對流感的爆發進行預報及預防。

網絡輿情監測管理思維的變革。在以人工智能技術為支撐的網絡輿情監測平臺出現之前，相關輿情監測部門的管理者往往由一人或幾人的小團隊組成，在監測信息數據量級不大的情況下，這種小作坊式單打獨斗、面面俱到的輿情監控管理思維可以基本滿足需求。但是隨著人工智能技術的發展及大數據時代的到來，這種小作坊式的輿情監測體系面臨瓦解。當前，商業化運營的軟件監測團隊多達幾百家，這些監測軟件服務商通過開發相應的輿情監測軟件為政府部門、企業主體以及科研院所提供服務，進行簡單的輿情信息數據采集及分類處理工作。在數據開源的情況下，這些軟件服務商的競爭逐漸由粗放型、低層次化向數據處理的優化、人機互動、機器算法的精進等層面轉變。

在以上變化的基礎上，輿情監測的管理思維也必須轉向，組建一支人員分工明確、高度聚合集約的輿情分析團隊勢在必行。輿情管理的思維變革依托于人工智能監控系統改變團隊的組織結構及管理方式，通過智能化的輿情監測系統代替低效的人工操作，其專業性要求頗高，而最佳處理模式就是專業化團隊加人工智能技術。按照這樣的管理思維，未來輿情監測團隊的分工將更加明確，行業內部集約聚合程度將進一步提高，行業有機化程度也將逐步增強。

第6篇：人工智能技術的研究背景范文

電氣信息化技術分為三個層次：第一，信息基礎技術，包括光子、微電子等相關元器件的制作技術等，為集成電路、計算機等技術的應用提供了前提與基礎。第二，信息系統技術，指的是獲取、處理、傳輸與控制信息的系統或者設備在實現的過程中所需的技術，其中信息獲取技術包括遙感技術、傳感技術等，信息處理技術包括優化與仿真技術、數據庫技術等，信息傳輸技術包括多媒體技術、網絡通信技術等，信息控制技術包括人工智能等。第三，信息應用技術。信息技術在社會的各個領域中都有著廣泛的應用，例如工程控制技術、信息管理系統等。

2電氣工程信息化應用系統的優勢

2.1確保電氣工程各個環節的一致性

在電力系統的運行過程中，檢測、監控、管理等各個環節之間的相互協調與配合是電力系統有序運行的前提與基礎。通過電器工程信息化應用系統，能夠實現電力運行系統檢測水平與控制水平的提高，進而實現電力系統運行效率與質量的提高，更好地改善運行系統的服務效率。

2.2實現電氣工程監測模型的簡化

實現電氣工程信息化，能夠對傳統的電電氣工程信息化應用系統的設計要點分析文/苑少軍在信息時代背景下，電氣信息化技術在電氣工程中得到了廣泛的應用。本文首先對電氣信息化技術進行了分析，在此基礎上提出了電器工程信息化應用系統中的信息技術及其設計要點，為實現電氣工程信息化奠定堅實的基礎。摘要器工程檢測模型進行有效的簡化，更好地確保電氣工程控制的時效性。利用控制器進行控制的過程中，如果被控制對象比較復雜，將導致無法對其進行準確的把握，出現無法估量、無法預測等情況。因此，在電力系統的管理與控制的過程中，會由于電氣工程出現的問題而面臨困境。

3電氣工程信息化應用系統的設計要點

3.1優化與仿真系統的設計要點

首先，計算機輔助電機電器優化設計。CAD在飛機制造、汽車制造與電機電器工業中最早得到應用，主要依靠的是計算機非常強大的計算功能，將傳統經驗轉變成為計算機軟件，從而實現了工作效率與質量的有效提高。其次，電力系統的優化與仿真。計算機在電力系統的可靠性、安全性等仿真系統中得到了廣泛的應用。當前，優化與仿真技術主要在計算機輔助電力系統潮流計算、網絡規劃、可靠性分析、系統計劃分析等方面得到了充分的利用。隨著電力工業中模擬技術的應用，計算機的圖形處理功能與邏輯分析功能得到了廣泛的應用。在計算機屏幕上實現了實際電網的再現。無圖板設計標志著電力工程計算機輔助設計發展到了新的階段。

3.2人工智能技術的設計要點

3.2.1人工智能技術在電力系統中的設計

在電力系統的規劃、監視、控制、分析等領域中，人工智能技術已經得到了廣泛的應用。人工智能系統應用較為成功的包括電力調動操作管理系統、短期電力負荷智能預報系統、分布式電力網絡故障模擬分析系統等。

3.2.2人工智能技術在電機中的設計

人工智能技術在各個領域得到了廣泛的應用，電機控制領域的專家學者也開始關注與重視人工智能思想與方法，開始在控制系統的研究與應用中引入人工智能技術，解決各種傳統控制方法無法解決的問題，完成各種傳統控制技術無法勝任的任務。如電機智能控制器，水力發電機微機采樣多參數新型控制裝置，異步電動機微機矢量控制智能調速系統，轉矩控制和電流跟蹤的高性能智能變頻高速系統，異步電動機矢量控制調速系統以及應用自適應神經元控制技術的電機PWM調速系統。

3.3網絡技術的應用與設計

3.3.1管理信息系統

電力專用通信網在建設與管理方面都取得了一定的發展與成就，實現了電力調度系統計算機網絡規劃大綱的制定與完善。當前，已經逐步形成了包含多種通信方式的通信網絡，一方面更好地滿足了電力生產調度的需求，另一方面為全國電力信息網絡的建立奠定了物質基礎。

3.3.2過程控制自動化

在過程控制自動化指的是通過計算機監控系統實現自動化控制。很多電廠還建立了以計算機為基礎的機爐協調控制系統、鍋爐爐膛安全監視系統、汽輪機數字電液調節系統及各種輔助控制系統。并在單元機組分布控制的基礎上，建立了值長系統、生產管理系統，實現了機組計算機監控實時信息進入管理信息系統網絡，大大提高了機組的安全和經濟運行。

3.4故障診斷技術的應用

電力設備在電氣系統運行的過程中常常會出邊各種故障。電氣設備出現故障之前都存在一定的預兆，依據故障預兆能夠對設備故障進行判斷。隨著信息化及時的不斷發展與完善，利用信息化技術能夠更好地對故障預兆進行判斷，從而確保系統能夠正常的運行。研究人員針對電氣工程信息化系統中的變壓器進行了科學、合理的維護，實現這一重要電力設備壽命的延長，但是并不能夠對設備故障的出現實現完全的避免。

4總結

第7篇：人工智能技術的研究背景范文

[關鍵詞]人工智能，工程技術應用

中圖分類號：TP 文獻標識碼：A 文章編號：1009-914X（2014）31-0221-01

首先，介紹下人工智能（Artificial Intelligence，AI）是一門綜合了計算機科學、生理學、哲學的交叉學科。人工智能的研究課題涵蓋面很廣，從機器視覺到專家系統，包括了許多不同的領域。 其點是讓機器學會“思考”

人工智能學科是計算機科學中涉及研究、設計和應用智能機器的一個分支。

1.20世紀80年代，專家系統技術的逐漸成熟及計算機技術的迅速發展，使得智能控制和決策的研究也取得了較大進展。計算智能是一種仿生計算方法，它從生物底層對智能行為進行模擬和研究，拓展了傳統的計算模式，為復雜問題的求解提供了新的解決辦法。為了提高計算智能的應用效率，本文分析了二進制遺傳算法中早熟收斂的成因，指出了傳統的變異算子在防止早熟收斂方面的不足，提出了一種能有效預防早熟現象的二元變異算子，并在此基礎上提出了一種便于用常規邏輯門電路實現的遺傳算法。鑒于參數選擇對于遺傳算法求解效率的影響。

2.人工智能在工程技術各行各業的應用

（1）工業過程中的智能控制。生產過程的智能控制主要包括兩個方面：局部級和全局級。

（2）機械制造中的智能控制。在現代先進制造系統中，需要依賴那些不夠完備和不夠精確的數據來解決難以或無法預測的情況，人工智能技術為解決這一難題提供了有效的解決方案。

（3）電力電子學研究領域中的智能控制。電力系統中發電機、變壓器、電動機等電機電器設備的設計、生產、運行、控制是一個復雜的過程，國內外的電氣工作者將人工智能技術引入到電氣設備的優化設計、故障診斷及控制中，取得了良好的控制效果 。

（4）人工智能在水利工程中應用。大壩安全監測自動化系統結構和大壩安全智能決策支持系統（DSIDSS）。

1）針對大壩安全監測系統的可靠性問題，將現場總線監測網絡結構和基于現場總線的通信網絡模型應用于大壩安全監測系統中，提高了系統的可靠性和系統組網的靈活性，使大壩安全監測自動化系統可根據現場條件靈活組網，增加了系統的實用性。重點研究了監控網絡的系統結構、網絡通訊模式和功能分布。

2）針對自動化監控系統的數據真實性和合理性檢驗問題，研究了大壩安全監測數據的預處理方法，應用灰色系統理論和過程突變理論建立了監測數據的在線檢驗模型，有效地解決了自動化系統監測數據的合理性和真實性的在線檢驗問題。

3）應用人工神經網絡技術研究了大壩監測數據的分析方法，建立了基于自學習神經元的自學習即網絡監控模型，為大壩安全監控模型的建立和預測提供了新的思路和方法。

4）針對合理處理DSIDSS中的不確定因素問題，采用模糊測度和模糊積分理論的基本思想和方法進行了處理。結合模糊集和可能性理論，提出了大壩安全等級劃分和安全判據的表示方法。應用模糊測度和模糊積分理論，較好地解決了大壩安全綜合評價中不確定性因素的計算機表示和處理方法。

5）探討了DSIDSS中的知識表示和推理技術，應用知識的語義網絡和模糊產生式規則表示方法，建立了大壩安全智能決策支持系統的知識庫。所采用的模糊推理方法克服了傳統Bayes推理方法的部分缺陷，在實際應用中表明是合理有效的一種推理模式。

人工智能的過程及在工程技術轉化的順序包含：

1.機器學習

機器學習（Machine Learning）是研究計算機怎樣模擬或實現人類的學習行為，以獲取新

的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹機器學習的研究是根據生理學、認知科學等對人類學習機理的了解，建立人類學習過程的計算模型或認識模型，發展各種學習理論和學習方法，研究通用的學習算法并進行理論上的分析，建立面向任務的具有特定應用的學習系統。這些研究目標相互影響相互促進。

2.模式識別

1）. 模式識別概述

模式識別（Pattern Recognition）是人類的一項基本智能，在日常生活中，人們經常在進行“模式識別”。隨著20世紀40年代計算機的出現以及50年代人工智能的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。（計算機）模式識別在20世紀60年代初迅速發展并成為一門新學科。

模式識別（Pattern Recognition）是指對表征事物或現象的各種形式的（數值的、文字的和邏輯關系的）信息進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程，是信息科學和人工智能的重要組成部分。應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。這些對象與數字形式的信息相區別，稱為模式信息。

2）.模式識別的應用（1）文字識別（2）語音識別（3）圖像識別（4）醫學診斷

3.專家系統

1）.專家系統概述

專家系統是一個智能計算機程序系統，其內部含有大量的某個領域專家水平的知識與經驗，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。

2）.發展歷史

專家系統的發展已經歷了3個階段，正向第四代過渡和發展。

第一代專家系統（dendral、macsyma等）以高度專業化、求解專門問題的能力強為特點。但在體系結構的完整性、可移植性等方面存在缺陷，求解問題的能力弱。

第二代專家系統（mycin、casnet、prospector、hearsay等）屬單學科專業型、應用型系統

第三代專家系統屬多學科綜合型系統，采用多種人工智能語言，綜合采用各種知識表示方法和多種推理機制及控制策略

3. 專家系統的基本結構

專家系統的基本結構如圖所示，其中箭頭方向為數據流動的方向。專家系統通常由人機交互界面、知識庫、推理機、解釋器、綜合數據庫、知識獲取等6個部分構成。知識庫用來存放專家提供的知識。專家系統的問題求解過程是通過知識庫中的知識來模擬專家的思維方式的，因此，知識庫是專家系統質量是否優越的關鍵所在，即知識庫中知識的質量和數量決定著專家系統的質量水平。

人工智能在物聯網的應用

物聯網智能是利用人工智能技術服務于物聯網絡的技術是將人工智能的理論方法和技術通過具有智能處理功能的軟件部署在網絡服務器中去服務于接入物聯網的物品設備和人。

1.智能物聯網

1）智能物聯網概念

智能物聯網就是對接入物聯網的物品設備產生的信息能夠實現自動識別和處理判斷，并能將處理結果反饋給接入的物品設備，同時能根據處理結果對物品設備進行某種操作指令的下達使接入的物品設備作出某種動作響應.而整個處理過程無需人類的參與。

2）智能物聯網的實現途徑

要實現物聯網智能化就必須讓人工智能成為物聯知終端、傳輸網絡、具有人工智能的數據處理服務器。

2.物聯網需要的人工智能技術

1）物聯網中需要來自人工智能技術的研究成果.如問題求解、邏輯推理證明、專家系統、數據挖掘、模式識別、自動推理、機器學習、智能控制等技術。

2）物聯網的智能控制

在物聯網的應用中.控制將是物聯網的主要環節.如何在物聯網中實現智能控制將是物聯網發展的關鍵。

3.物聯網智能模型

基于對人工智能技術的認識和研究.依據人工智能模型.推演出了智能物聯網智能化模型。智能物聯網被分為五個層次機器感知交互層、通信層、數據層、智能處理層、人機交互層，共五層。

作者簡介

第8篇：人工智能技術的研究背景范文

機器人桑尼反問：你能嗎？

如果你看過電影《機器公敵》，一定記得這個對白，并對電影中那個擁有自我思考能力、擁有人類情感的機器人桑尼記憶猶新。

讓機器擁有學習能力，甚至能夠像人類一樣去思考、工作，這就是人工智能，這個概念自從1956年被提出之后一直都是科幻小說最火爆的主題之一。如今，人工智能已不是幻想。

作為人工智能實現方法之一，人工神經網絡目前已在全世界范圍內悄然誕生，而由谷歌XLab團隊斥巨資打造的谷歌大腦（Google Brain）無疑是首屈一指的。谷歌大腦的締造者名叫吳恩達（Andrew Ng），他是一位華裔，現任斯坦福人工智能實驗室主任，真正的“X教授”。

重拾人工智能夢想

如果是對7年前的吳恩達提人工智能，他一定會用各種理由說服你放棄這個瘋狂的想法。

吳恩達對人工智能技術的否定，源于當時的一種主流觀點：人類智慧是由無數個負責簡單功能的區域協同工作形成的，而這個過程如果用計算機的方式來完成就必須建立成千上萬個獨立的計算機模塊，每個模塊模仿一種功能，比如說話、味覺。

按照這個理論推演開去，實現人工智能所需的工作量是巨大的。因此，人工智能技術在發展了40多年之后還是處于初級階段。

當時的神經學家們始終認為，人工智能屬于大腦研究的范疇，他們不大愿意和其他領域的科學家進行合作。這樣的結果就是，工程師們在對神經科學毫不了解的情況下，開始開發不完全模仿人類大腦運行的智能系統，最終的產品就是類似“Roomba”這樣的吸塵機器，這種吸塵機器人在工作的時候可以自動繞過障礙物，并沿著墻角路線轉彎，在如今的家電大賣場均有銷售。Roomba只有按照程序躲避障礙的能力，并不能像人一樣學習。在吳恩達看來，這是“偽人工智能”。

發明能像人類一樣學習、思考的機器，是吳恩達從小到大的夢想，但是當他進入大學開始真正接觸到人工智能技術的時候，卻深受上述觀念的毒害而放棄了研究。

直到有一天，吳恩達偶然接觸到了一種嶄新的理論，這種理論認為，“人類的智慧源于單一的算法”，人類的大腦在發育的初期，每一部分的職責分工并不是明確的，可以通過后期的調試執行特定的任務。提出這個假說的杰夫?霍金斯（Jeff Hawkins）是全球最大掌上電腦制造商Palm的創始人，也是一名有著神經科學研究背景的人工智能領域的企業家。

這個理論改變了吳恩達的人生軌跡，他重新拾起了兒時的夢想。“我有生以來，第一次感到自己有可能在人工智能的研究領域取得一點兒進展。”

谷歌大腦的締造者

2010年，時任斯坦福大學教授的吳恩達加入谷歌開發團隊XLab――這個團隊已經先后為谷歌開發了無人駕駛汽車和谷歌眼鏡兩個知名項目。身為人工智能領域的權威，吳恩達的使命就是“以史無前例的規模，通過谷歌龐大的數據中心來打造人工智能系統。”

隨后，吳恩達與谷歌頂級工程師開始合作建立全球最大的“神經網絡”，這個神經網絡能夠以與人類大腦學習新事物相同的方式來學習現實生活。谷歌將這個項目命名為“谷歌大腦”。

吳恩達表示：“在我加入谷歌的時候，學術界最大的神經網絡大約有100萬個參量，而當時在谷歌，我們能夠建造比這個規模大1000倍的神經網絡。”

身處大數據時代，谷歌每年在超級計算機數據中心領域的投資達十億美元，像吳恩達這樣的大學教授，也只有在像谷歌這樣的公司里才能完成這種研究。

谷歌大腦能夠將所看到的圖像或圖片分解成10億多個不同的參量，然后通過自主學習，學會如何將這些零碎的參量組合到一起。比如看到很多種花，再告訴機器這些是花，久而久之，機器就會將這類有顏色、有花瓣、有花蕊的物體自動和花這個單詞聯系到一起，從而從千萬張圖片中識別出花。這個過程好像教嬰兒認卡片一樣，神經網絡學界將這個過程叫做“深度學習”。

去年6月，吳恩達所開發的人工神經網絡通過觀看一周YouTube視頻，自主學會了識別哪些是關于貓的視頻。這個案例為人工智能領域翻開了嶄新的一頁。吳恩達表示，未來將會在谷歌無人駕駛汽車上使用該項技術，來識別車前面的動物或者小孩，從而及時躲避。

為了利用谷歌的神經網絡模型改善谷歌的語音識別軟件，去年夏天，吳恩達為谷歌請來了杰弗里?辛頓（Geoffrey Hinton）――來自多倫多大學的“神經網絡領域的教父”。杰弗里在谷歌花了數月時間對谷歌算法進行改進。當安卓Jelly Bean 4.2G版本軟件去年底時，這些算法已經將其語音識別的出錯率降低了25%。

今年3月，谷歌收購了杰弗里的公司DNN research，DNN是深度神經網絡的英文縮寫。

加入谷歌的杰弗里希望構建比其去年開發的10億參量的神經網絡更大的神經網絡，杰弗里透露：如果能夠建立比10億參量神經網絡大1000倍的神經網絡，將會有機會教機器理解一些事物，甚至情感。

人工智能才剛剛開始

和人腦的靈活性及準確性相比，吳恩達的深度學習算法還相差十萬八千里，但是吳恩達說，那一天會到來的。

吳恩達如此自信是有原因的，如今越來越多的科學家和科技公司開始意識到深度學習對于計算機科學發展的重大意義，他不是一個人在戰斗。

在美國，隨著奧巴馬政府宣布將支持籌建一項跨學科的科研項目“基于神經科學技術創新的人腦研究”，許多類似的項目正如雨后春筍般涌現。

在谷歌發力神經網絡的同時，IBM、微軟、蘋果、百度這些公司也競相開始了對神經網絡技術的探索。

第9篇：人工智能技術的研究背景范文

關鍵詞：智能制造；智能科學與技術；人工智能技術；機器人；實驗平臺建設

智能制造是基于新一代信息技術，貫穿設計、生產、管理、服務等制造活動各個環節。具有信息深度自感知、智慧優化自決策、精準控制自執行等功能的先進制造過程、系統與模式的總稱。是信息技術和智能技術在裝備制造過程技術的深度融合與集成。加快推進智能制造，是我國在全球新一輪產業變革競爭背景下出臺的《中國制造2025》的主攻方向。廣東省作為國內制造大省和全球重要制造基地，也對接印發了《廣東省智能制造發展規劃（2015-2025年）》。針對廣東省制造業的創新能力、產業結構、信息化水平的缺乏競爭力的問題，大力實施創新驅動發展戰略，推動智能制造核心技術攻關和關鍵零部件研發，推進制造過程智能化升級改造，實現“制造大省”向“制造強省”轉變。創新驅動，智能化升級改造需要國際領先水平人才的引進和高等院校實戰型工程技術人才培養。我院智能科學與技術專業就是面向廣東智能產業的深度融合設置的。其專業實驗平臺的建設需要針對廣東省高端裝備、制造過程、工業產品智能化等領域的薄弱環節，以“機器智能”為方向，完善實驗教學體系、整合實驗教學資源，開設綜合性、創新性的實驗項目，培養學生實踐能力和創新意識。緊密聯系企業，針對智能制造關鍵技術協同創新。培養具有智能系統開發與設計、智能裝備的應用與工程管理能力；能在智能裝備、智能機器人、智能家居等領域從事智能系統的是開發與設計、應用于維護、運營與管理的“厚基礎、強應用、能創新”的高素質工程應用型人才。

1專業實驗平臺建設思路

面向智能制造專業實驗平臺的建設，依據《廣東省智能制造發展規劃（2015-2025年）》中發展智能裝備與系統，工業產品、制造流程智能化升級改造的任務，從智能科學與技術知識體系中提取專業發展方向的課程，建立完善專業實踐教學體系。以“機器智能”為方向建設人工智能與機器人實驗室為核心，以項目、科技競賽、緊密對接企業協同創新為手段，培養學生能夠運用工程基礎知識和專業理論知識設計工程實驗，分析實際問題的能力，培養學生查詢檢索資料文獻獲取知識的能力，培養學生能夠綜合運用自然科學知識、專業理論知識和技術手段設計系統和過程解決實際問題的能力。通過科技競賽等活動，培養學生在團隊里具有工程組織管理能力、表達能力和人際交往能力。通過與企業的合作，掌握基本創新方法，并讓學生具有追求創新的態度和意識，以培養學生的綜合素質和能力為重點。立足華軟學院電子系電子信息工程嵌入式專業、自動化專業、通信工程專業現有的平臺優勢，按照“整合、集成、共享、提升”的基本思路，完善支撐體系，優化驗教學資源配置，建設一個能夠與廣東智能產業深度融合的階梯形層次化實驗平臺。

2實驗平臺建設內容

智能科學與技術專業實驗實踐平臺的建設要依據實驗教學體系的構建，突出面向智能制造工程實踐為特色，按照學生的成長需要，建立階段化、層次化、模塊化的實驗教學體系。

2.1專業實踐課程體系建設

面向智能制造的智能科學與技術專業定位是以工程應用型人才培養為目標的，是在通識教育基礎上的特色專業教育。專業課程體系的建設首先還是以培養學生具有扎實自然科學基礎知識，人文社會科學知識和外語應用能力為基礎，其次是智能科學與技術專業技術基礎課程，如數字系統與邏輯設計、數字信號處理基礎、信號與系統、電路分析與電子電路；c語言程序設計與算法分析、數據結構、數據庫與操作系統、微機原理與接口、傳感器與檢測技術等。最后是專業方向類課程，也是專業的核心課程，如制造業基礎軟件中的嵌入式軟件、工業控制系統軟件，工業機器人中人工智能技術應用和智能控制技術。主要有知識獲取模式識別；數據通信與網絡；嵌入式系統移植和驅動開發；嵌入式應用開發；人工智能與神經網絡；智能控制技術；機器人學等課程。培養學生具備計算機技術、自動控制技術、智能系統方法、傳感信息處理等技術，完成系統集成，并配合專業實踐課程體系如圖1，完成電子工藝實習、技術基礎課程、核心課程的課程設計和綜合項目實驗，并在工程應用中實施的能力。

2.2實踐教學體系建設

依據專業實踐課程體系，構建主要包括計算機基礎、電路基礎、信息與控制基礎、嵌入式技術、機器智能系統五大模塊開展不同學習階段層次化的實驗教學體系。主要包括基礎類、專業實訓類、綜合創新類。

1）基礎類實驗注重開設與課堂教學中基本理論相結合的精品實驗項目，并逐步提升基礎實驗課時的比例。從實踐中啟發引導學生牢固掌握基礎理論知識。除此之外，還要注重工作方法和學習方法的能力培養，如收集信息查找資料、制定工作計劃步驟、從基礎理論到解決實際問題的思路以及獨立學習新技術的方法和評估工作結果的方法。培養學生厚實的專業基礎知識和能力。

2）專業實訓類實驗主要以項目教學、案例教學、情景教學方式培養學生利用專業知識及方法獨立解決行業領域內的任務和問題并能夠評價結果的能力。如智能傳感應用項目，人工智能技術實驗項目，知識表示與推理項目，計算智能項目，專家系統，多智能體系統；機器人項目，如最小機電系統組成，如何完成對電機的控制；利用單軸或雙軸控制平臺實現基本搬運裝配作業。

3）綜合創新類實驗注重培養學生從理解問題域開始，獲取數據和知識、開發原型智能系統、開發完整智能系統、評估并修訂智能系統、到整合和維護智能系統六個階段構建智能系統。如開展人工智能技術在智能制造中的應用包括產品設計加工、智能生產調度、智能工藝規劃、智能機器人、智能測量等；直角坐標機器人實現碼垛搬運、多關節串聯機器人、弧焊機器人實訓等。

4）科技競賽、與企業協同創新，通過觀察記錄待智能化升級的工廠生產過程，發現定義問題、提出假設、搜集證據檢驗假設、發表結果、建構理論等實驗過程設計的能力。培養學生掌握基本創新的方法，團隊協作管理能力、表達溝通能力等。如嵌入式設計大賽、機器人大賽等科技競賽；以及針對自動化生產線的嵌入式工業控制系統設計；針對原材料制造企業的集散控制、制造絳屑成應用；針對裝備制造企業的敏捷制造、虛擬制造應用；工業機器人在汽車、電子電氣、機械加工、船舶制造、食品加工、紡織制造、輕工家電、醫藥制造等行業的應用。

2實驗教學保障

智能科學與技術實驗平臺建設以人工智能與機器人實驗室建設為核心，結合目前學院嵌入式系統實驗室、自動控制實驗室、傳感器技術實驗室、通信原理實驗室資源，儀器設備共享共建的原則，系統化籌備購置。人工智能機器人實驗室主要針對智能系統設計開發和機器人應用，基于計算機系統的人工智能技術學習應用包括人工智能技術在智能制造應用和工業機器人仿真軟件ABB Robot Studio。基于“探索者”機器人系統控制實訓箱Rino-MRZ02（包含履帶機器人、雙輪自平衡機器人、5自由度機械臂、6自由度機械臂等）

可以開展的項目有：利用啟發式算法、遺傳算法、蟻群算法等模糊數學理論對工業產品設計進行性能模擬、運動分析、功能仿真與評價；利用人工神經網絡自學習、自組織構造產品加工過程新能參數預測模型。利用模式識別、機器學習、專家系統、多智能體系統進行感知、并對環境的改變進行解讀、動作進行規劃和決策；利用專家系統、遺傳算法、模糊邏輯集中式解決生產調度多目標性、不確定性和高度復雜性的問題，尋求最優規則，提高調度的速度；利用蟻群算法、遺傳算法分布式多智能體系統進行問題分解、彼此協商、任務指派、解決沖突。

履帶機器人可開展電機控制實驗；運動控制實驗；HD軌跡控制實驗；無線通信實驗。雙輪自平衡機器人呢可開展自平衡模塊實驗；倒立擺算法實驗；雙輪載具運動實驗。6自由度雙足機器人可開展雙足運動控制實驗；步態規劃實驗；雙足平衡實驗；機構改裝實驗。5自由度機械臂可開展機械臂運動控制實驗；顏色分揀實驗。可擴展為8自由度雙足機器人、輪腿式機器人等技能提高類課程設計。

通過ABB公司的機器人仿真軟件RobotStudio進行工業機器人的基本操作、功能設置、二次開發、在線監控與編程、方案設計和驗證的學習。