神經網絡卷積層的作用精選(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網絡卷積層的作用主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡卷積層的作用范文

關鍵詞：卷積神經網絡；深度學習；圖像處理；訓練時間

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）33-0167-04

如今在機器學習領域中，深度學習方法已經占據了相當重要的地位，通過模仿人X學習方式構造模型，在圖像、文本、語音處理方面取得了顯著成果[1]。目前應用較為廣泛的深度學習模型包含多層感知器模型（MLP）[2]，卷積神經網絡模型和限制性玻爾茲曼機模型等[4]。多層感知器[2]網絡結構的神經節點一般分層排列，主要由輸入層，輸出層和一些隱層組成，同層之間的神經元節點無連接，相鄰的兩層神經元進行全連接，前一層的神經元的輸出作為后一層神經元的輸入，但本身此種算法存在著一些問題，那就是它的學習速度非常慢，其中一個原因就是由于層與層之間進行全連接，所以它所需要訓練的參數的規模是非常大的，所以對其進行改進，產生了卷積神經網絡模型。卷積神經網絡模型在圖像識別方面的應用十分廣泛[5，8，9]。從它的結構上來看，層與層之間的神經元節點采用局部連接模式，而并非MLP的全連接模型，這樣就降低了需要訓練的參數的規模。而在它卷積層中，它的每一個濾波器作為卷積核重復作用于整個輸入圖像中，對其進行卷積，而得出的結果作為輸入圖像的特征圖[6]，這樣就提取出了圖像的局部特征。而由于每一個卷積濾波器共享相同的參數，這樣也就大大降低了訓練參數的時間成本。而本文，以卷積神經網絡為研究對象，在其模型的基礎上通過對其結構中卷積核也就是濾波器的大小進行調整并結合卷積核個數調整和gpu加速等已有的訓練提速方法，達到降低訓練時間并且對識別結果并無太大影響的目的。

1 卷積神經網絡

卷積神經網絡在MLP的基礎上，已經對結構進行了優化，通過層與層之間的局部連接以及權值共享等方式對要訓練的參數的進行了大幅減低。

1.1局部連接

BP神經網絡中，神經元在本層中呈線性排列狀態，層與層之間進行全連接，而在卷積神經網絡中，為了減少每層之間的可訓練參數數量，對連接方式進行了修改，相對于BP神經網絡的全連接，卷積神經網絡采取了局部連接的連接方式[7]，也就是說按照某種關聯因素，本層的神經元只會與上層的部分神經元進行連接。

2.2 權值共享

在CNN中，卷積層中的卷積核也就是濾波器，重復作用在輸入圖像上，對其進行卷積，最后的輸出作為他的特征圖，由于每個濾波器共享相同的參數，所以說他們的權重矩陣以及偏置項是相同的。

我們從上圖看出，相同箭頭連線的權值是共享的，這樣在原有的局部連接的基礎上我們又降低了每層需要訓練的參數的數量。

2.3卷積過程

特征圖是通過濾波器按照特定的步長，對輸入圖像進行濾波，也就是說我們用一個線性的卷積核對輸入圖像進行卷積然后附加一個偏置項，最后對神經元進行激活。如果我們設第k層的特征圖記為[hk]，權重矩陣記為[Wk]，偏置項記為[bk]，那么卷積過程的公式如下所示（雙曲函數tanh作為神經元的激活函數）：

2.4 最大池采樣

通過了局部連接與權值共享等減少連接參數的方式卷積神經網絡中還有另外一個重要的概念那就是最大池采樣方法，它是一種非線性的采樣方法。最大池采樣法在對減少訓練參數數量的作用體現在兩個方面：

1 ）它減小了來自m-1層的計算復雜度。

2 ）池化的單元具有平移不變性，所以即使圖像在濾波后有小的位移，經過池化的特征依然會保持不變。

3卷積神經網絡整體構造以及減少訓練時間的方法

3.1使用GPU加速

本次論文實驗中，使用了theano庫在python環境下實現卷積神經網絡模型，在lenet手寫數字識別模型上進行改進，由于theano庫本身支持GPU加速，所以在訓練速度上實現了大幅度的提高。

3.2 數據集的預處理

本次實驗使用的兩個數據集是mnist手寫數字庫以及cifar_10庫

Mnist手寫數字庫具有60000張訓練集以及10000張測試集，圖片的像素都為28*28，而cifar_10庫是一個用于普適物體識別的數據集，它由60000張32*32像素的RGB彩色圖片構成，50000張圖片組成訓練集，10000張組成測試集。而對于cifar_10數據集來說，由于圖片都是RGB的，所以我們在進行實驗的時候，先把其轉換為灰度圖在進行存儲。由于實驗是在python環境下運行，theano函數庫進行算法支持，所以我們把數據集進行處理，此處我們對使用的數據集進行了格式化。格式化的文件包括三個list，分別是訓練數據，驗證數據和測試數據。而list中每個元素都是由圖像本身和它的相對應的標簽組成的。以mnist數據集為例，我們包含train_set，valid_set，test_set三個list，每個list中包含兩個元素，以訓練集為例，第一個元素為一個784*60000的二維矩陣，第二個元素為一個包含60000個元素的列向量，第一個元素的每一行代表一張圖片的每個像素，一共60000行，第二個元素就存儲了對相應的標簽。而我們取訓練樣本的10%作為驗證樣本，進行相同的格式化，而測試樣本為沒有經過訓練的10000張圖片。在以cifar_10數據集為實驗對象時，把其進行灰度化后，進行相同的格式化處理方式。

3.3實驗模型結構

本次實驗是在python環境下基于theano函數庫搭建好的lenet模型進行參數的調整，以達到在實驗準確度可接受情況下減少訓練時間的目的。

上圖為實驗中的基礎模型舉例說明實驗過程，首先以mnist數據集為例，我們的輸入圖像為一個28*28像素的手寫數字圖像，在第一層中我們進行了卷積處理，四個濾波器在s1層中我們得到了四張特征圖。在這里要特別的說明一下濾波器的大小問題，濾波器的大小可根據圖像像素大小和卷積神經網絡整體結構進行設置，舉例說明，假如說我們的輸入圖像為28*28像素的圖像，我們把第一層卷積層濾波器大小設置為5*5，也就是說我們用一個大小為5*5的局部滑動窗，以步長為一對整張圖像進行滑動濾波，則滑動窗會有24個不同的位置，也就是說經過卷積處理后的C1層特征圖的大小為24*24。此處的濾波器大小可進行調整，本論文希望通過對濾波器大小的調整，已達到減少訓練時間的目的，并尋找調整的理論依據。C1層的特征圖個數與卷積過程中濾波器數量相同。S1層是C1經過降采樣處理后得到的，也就是說四點經過降采樣后變為一個點，我們使用的是最大池方法，所以取這四個點的最大值，也就是說S1層圖像大小為12*12像素，具有4張特征圖。而同理S1層經過卷積處理得到C2層，此時我們濾波器的大小和個數也可以自行設置，得到的C2層有6張特征圖，C2到S2層進行降采樣處理，最后面的層由于節點個數較少，我們就用MLP方法進行全連接。

3.4實驗參數改進分析

由此可見，我們對濾波器的大小以及個數的改變，可以直接影響到卷積訓練參數的個數，從而達到減少訓練時間的目的。

從另一種角度來看，增大濾波器的大小，實際效果應該相似于縮小輸入圖像的像素大小，所以這樣我們可以預測增大濾波器的大小會減少樣本的訓練時間，但是這樣也可能會降低訓練后的分類的準確率，而濾波器的大小是如何影響訓練時間以及分類準確率的，我們通過對兩種圖片庫的實驗來進行分析。

4 實驗結果與分析

4.1以mnist手寫數字數據集作為實驗數據

我們知道卷積層可訓練參數的數字與濾波器的大小和數字有關，所以我們通過對卷積層濾波器大小的變化來尋找較為普遍的可減少訓練參數從而達到減少訓練時間的目的。在實驗記錄中，我們表格縱列記錄兩層卷積層濾波器大小，橫列分別為對已經過訓練圖像識別和對未經過訓練的驗證圖像進行識別的錯誤率，最后記錄每種濾波器大小搭配的使用時間。我們設定每次試驗都進行100次重復訓練，每次對權重矩陣進行優化。

此處我們記錄兩層濾波器大小之和作為橫坐標，比較濾波器大小與實驗之間的關系。兩層濾波器大小相加后相同的元素我們把其對應時間做平均。

4.2以cifar_10數據集作為實驗數據

同樣是以100次循環訓練進行測試，通過改變兩層中濾波器的大小來尋找減少訓練時間的設定。

此處以同樣的方法，記錄兩層濾波器大小之和作為橫坐標，比較濾波器大小與實驗之間的關系。

4.3實驗結果分析

從兩組試驗中，在不同的數據集下，我們得到了濾波器的大小與訓練時間成反比的關系，而在減少了訓練時間的同時確實增大了訓練的錯誤率。

5 總結

通過實驗結果分析表明，增大卷積層濾波器大小的方法，在此兩種數據庫的情況下，是有效減小訓練時間的方式，而在不同的數據庫對分類準確率的影響程度不同，mnist手寫數字數據庫中圖像之間的相似度非常高，所以濾波器的增大對準確率產生的負面影響較小，而ifar_10數據集中圖像之間的相似度較小，所以增大濾波器的大小對其分類結果的準確率的負面影響較大。

參考文獻：

[1]LeCun Y， Bengio Y， Hinton G. Deep learning[J]. Nature， 2015， 521（7553）： 436-444.

[2] Ruck D W， Rogers S K， Kabrisky M. Feature selection using a multilayer perceptron[J]. ]Journal of Neural Network Computing， 1990， 2（2）： 40-48.

[3]LeCun Y， Bengio Y. Convolutional networks for images， speech， and time series[J]. The handbook of brain theory and neural networks， 1995， 3361（10）： 1995.

[4] Larochelle H， Bengio Y. Classification using discriminative restricted Boltzmann machines[C]//Proceedings of the 25th international conference on Machine learning. ACM， 2008： 536-543.

[5]Krizhevsky A， Sutskever I， Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012： 1097-1105.

[6] Zeiler M D， Fergus R. Visualizing and understanding convolutional networks[C]//European Conference on Computer Vision. Springer International Publishing， 2014： 818-833.

[7] Jarrett K， Kavukcuoglu K， Lecun Y. What is the best multi-stage architecture for object recognition？[C]//2009 IEEE 12th International Conference on Computer Vision. IEEE， 2009： 2146-2153.

第2篇：神經網絡卷積層的作用范文

關鍵詞：卷積神經網絡；反向傳播算法；仿射變換；sloth；python；theano

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2017）04-0096-02

隨著環保壓力的增大，各國已經開始利用攝像頭來監控漁船的捕撈活動，并運用機器學習技術來對漁船捕獲的魚類圖像進行自動的識別與分類從而扼制非法的捕撈。

目前計算機性能的飛速發展、圖像數據采集設備的廉價與普及促進了機器學習理論與方法的發展，數據科學家已經可以構建復雜的機器學習模型并利用從廉價的數碼攝像頭設備采集到大量的數據快速的訓練模型。吳一全等[1]采用了手動選擇特征的方法， 基于支持向量機對5種魚進行識別，各類魚的識別精度平均為83.33%。萬鵬等[2]計算魚的長軸方向各段的平均寬度與長度的比值并將其作為特征參數，利用3層BP（back propagation）神經網絡對鯽魚和鯉魚進行識別，識別精度為92.50%。但是這些方法都是基于手動選擇特征的機器學習方法，手動選擇特征的方法基于人的經驗選擇特征， 會導致遺漏重要的特征， 導致分類準確率低。深度學習中的卷積神經網絡能在訓練過程中自動學到“好”特征，避免了手動選擇特征。本次研究采用了基于VGG16的卷積神經網絡（CNN）來進行魚類分類，并運用了數據集擴增方法，dropout方法， batch normalization方法來降低模型的過擬合。但是原始數據集背景干擾很大，船上的人、物體和甲板上捕獲的魚類糅合在一起，直接采用原始數據集訓練會導致訓練出的模型穩定性不好。

基于上述分析，本文從原始數據出發，設計了一種目標檢測方法，即在原始訓練數據已經有魚類類別標簽的基礎上，再標注上一層表示魚類在圖片中坐標位置的標簽，然后利用這些二次標注過的數據訓練模型，就可得到一個既能預測魚在圖片中的坐標位置又能預測魚的分類的糅合模型。因為這兩種預測網絡在卷積層共同訓練一套濾波器，所以在訓練濾波器預測魚的坐標位置時，訓練完成的濾波器便能在另一方面輔助預測魚的分類，使特征提取只專注于魚的坐標區域，這樣就有效的排除了背景干擾。實驗結果顯示此模型具有很高的識別精度和魯棒性，能在背景干擾很強的圖片數據集上準確的完成魚類的識別和分類。

1 模型構建

實驗數據來源于某組織舉辦的圖像識別競賽。數據通過固定在漁船某個位置的攝像頭采集，通過采集甲板上捕獲的魚類照片，共采集到3777張共8個分類的照片作為訓練樣本，分別為長鰭金槍魚、大眼金槍魚、黃鰭金槍魚、鰍魚、月魚、鯊魚、其他、無魚類（表示沒有魚出現在照片里）。按一定比例做分層采樣，其中2984張用作訓練集，394張用作驗證集，399張用作測試集。訓練集用經過錯切幅度值為0.15的仿射變換作數據集擴增來降低過擬合，因為在從原始數據集上分層采樣得來的小樣本數據集上驗證顯示當錯切幅度值等于0.15時，模型在測試集上的分類精度最高。

在訓練集上采用sloth@款圖片標注工具手動標注魚類在圖片中的位置，并把這些標注結果和已有的魚類分類標注結果當做輸入數據和圖片數據一起傳給模型訓練。

本次研究的神經網絡模型結構如圖1所示。卷積層采用了被廣泛使用在圖像分類任務中的VGG模型的卷積濾波器的權重[3]，并在其模型上作微調來實現本次研究的目標。

輸入層將不同尺寸的圖片統一轉換成244*244大小。

匯合層（max pooling）是指取一小塊像素區域的像素最大值，作用是可減少數據量，控制過擬合。

全連接層的權重采用反向傳播算法（back propagation）訓練，參數尋優采用隨機梯度下降方法。動態學習率設定方法采用了 Adam方法，可根據損失函數在迭代訓練中產生的信息自動調整學習率。

激活層函數采用RELU方法，公式為。最后一層預測魚類分類的激活曾需要把對應于各個分類的分數值轉換成總和為1的對應于各個分類的概率值，所以激活函數采用Softmax方法，公式如下

由于卷積神經網絡網絡強大的表示能力，為了降低模型的過擬合以及加快模型的訓練速度，本次工作在激活曾后面再依次加入一層dropout層和batch normalization層。dropout層是指隨機的舍棄一部分激活曾神經元的值，并將其置為0[4]。batch normalization層是指規范化每層激活層的輸出，并加入4個規范化參數來抑制模型訓練過程中的反規范化現象[5]。

2 程序實現

具體的軟件實現采用python編程語言和keras框架平臺。keras底層采用輕量易用的theano框架，并依賴計算機的顯卡來進行更快速的訓練工作。整個圖像分類的軟件框架主要由4部分組成，分別是輸入圖像數據處理、模型各個網絡層的實現及拼接、模型編譯、模型訓練及預測。下面按數據在模型中流動的順序具體的闡述各個部分的程序實現。

2.1 輸入圖像數據處理

第3篇：神經網絡卷積層的作用范文

人工智能、大數據、光纖網絡等技術的發展和改進，人類社會已經進入到了“互聯網+”時代，有力的促進了信息化系統的普及和使用，比如證券交易所開發了結算交易系統，政府機關開發了電子政務系統，旅游景區開發了旅游住宿管理系統等，提高了行業智能化、自動化和共享化水平。互聯網雖然為人們帶來了極大的方便，提高了各行業的信息化水平，但是其也面臨著海量的安全攻擊威脅，比如數以萬計的病毒或木馬，都給互聯網的應用帶來了極大的障礙。目前，網絡中流行的攻擊包括病毒木馬、DDOS攻擊等，這些病毒木馬常常發生各類型的變異，比如2018年初爆發的勒索病毒，攻擊了很多政企單位的服務器，導致終端操作系統無法登錄和訪問，傳統的防火墻、殺毒軟件等網絡安全防御軟件已經無法滿足需求，需要引入大數據技術，以便能夠將被動防御技術改進為主動防御技術，及時的查處網絡中的病毒或木馬，從而可以提高互聯網防御水平。

1.網絡安全防御現狀研究

網絡安全防御經過多年的研究，已經吸引了很多的學者和企業開發先進的防御技術，比如360安全衛士、訪問控制列表、防火墻等，同時還提出了一些更加先進的深度包過濾和自治網絡等防御技術，這些技術均由許多的網絡安全防御學者、專家和企業進行研究提出，已經在網絡中部署喝應用，一定程度上提高了網絡防御水平。（1）防火墻防火墻是一種部署于因特網和局域網之間防御工具，其類似一個過濾器，可以不熟一些過濾規則，從而可以讓正常的數據通過防火墻，也可以阻止攜帶病毒或木馬的數據通過防火墻，防火墻經過多年的部署，已經誕生了數據庫防火墻、網絡防火墻、服務器防火墻等，使用枚舉規則禁止查看每一個協議是否正常，能夠防御一定的病毒或木馬。（2）殺毒軟件殺毒軟件也是一個非常關鍵的程序代碼，可以在殺毒軟件系統的服務器中保存檢測出的病毒或木馬基因特征片段，將這些片段可以與網絡中的數據信息進行匹配，從而可以查找網絡中的病毒或木馬，及時的將其從網絡中清除。殺毒軟件為了能夠準確的識別病毒，目前引入了許多的先進技術，這些技術包括脫殼技術、自我保護技術等，同時目前也吸引了更多的網絡安全防御公司研究殺毒軟件，最為著名的軟件廠商包括360、瑞星、江民、卡巴斯基等，同時騰訊公司、搜狗公司也開發了自己的安全管理技術，大大的提高網絡防御能力。（3）訪問控制列表訪問控制列表是一個易于配置、安裝簡單和管理容易的網絡安全防御工具，設置了黑白兩個關鍵名單，白名單收錄了安全數據源IP地址，黑名單收錄了非法的數據源IP地址。訪問控制列表已經可以在四個層次配置防御策略，分別是目錄及控制級、入網訪問控制級、屬性控制級和權限控制級。訪問控制列表級別越高訪問性能越好，但是工作效率非常慢，不能夠實時升級訪問控制列表，因此應用的場所比較簡單，一般都是不重要的中小學實驗室等，許多大型政企單位都不用這個防御措施。（4）深度包過濾深度包過濾能夠嵌入到硬件中形成一個固件，這樣就可以快速的采集網絡中的數據，然后利用深度包過濾的枚舉檢查規則，不僅檢查數據包的頭部IP地址、目的IP地址，還檢查數據包中的內容，以便能夠深入到數據包內部檢查是否存在病毒或木馬，一旦發現就可以啟動防御軟件。深度包過濾可以實施穿透式檢查規則，分析每一個協議字段，深入到內部檢查的更加詳細和全面，從而避免病毒或木馬隱藏在數據包內部，因此深度包過濾已經在很多領域得到應用，比如阿里云、騰訊云、百度云等都采用了這些技術，許多的政企單位也采用了深度包過濾技術，進一步提高了數據防御水平。（5）自治網絡自治網絡作為一種先進的互聯網安全防御技術，其采用了自動愈合的建設理念，在網絡中構建了一個冗余策略，一旦網絡受到病毒或木馬的攻擊，此時自治網絡就可以將這些一部分網絡設備隔離，同時形成一個新傳輸通道為網絡設備提供連接，知道數據修復完畢之后才能夠將這些網絡拓撲結構納入到網絡中。自治網絡可以實現自我防御，也可以調動網絡信息安全的許多的資源，將網絡病毒導入備用服務器，此時就可以殺滅這些病毒。

2.基于大數據的網絡安全防御系統設計

網絡安全防御系統集成了很多先進的技術，尤其是快速的數據采集和大數據分析技術，能夠將傳統的被動網絡安全防御模式轉變為主動，提高網絡安全防御性能。本文結合傳統的網絡安全防御功能及引入的大數據技術，給出了網絡安全防御系統的主要功能，這些功能包括四個關鍵方面，分別是數據采集功能、大數據圖1基于大數據的網絡安全防御系統功能分析功能、網絡安全防御功能和防御效果評估功能。（1）網絡數據采集功能目前，人們已經進入到了“互聯網+”時代，網絡部署的軟硬件資源非常多，訪問的用戶頻次數以億計，因此網絡安全防御首先需要構建一個強大的數據采集功能，可以及時的采集網絡中的軟硬件數據資源，將這些網絡數據發送給大數據分析功能。網絡數據采集過程中可以引入深度包過濾功能，利用這個深度包過濾可以快速的采集網絡數據，提高網絡數據采集速度。（2）大數據分析和處理功能網絡數據采集完畢之后，系統將數據發送給大數據分析和處理模塊，該模塊中包含了很多的病毒基因片段或特征，可以針對網絡數據進行智能分析，將預處理后的網絡數據與學習到的特征進行對比，以便能夠發現這些數據信息中是否潛藏著木馬或病毒，發現之后及時的將其發送給安全防御模塊。（3）網絡安全防御功能網絡安全防御與傳統的防御技術一致，采用木馬或病毒查殺軟件，因此一旦發現網絡中存在病毒或木馬，此時就可以啟動網絡安全防御工具，及時的將網絡中的病毒或木馬殺滅，并且可以跟蹤病毒或木馬來源，從而可以鎖定源頭服務器，將源頭清除掉。如果源頭涉及到犯罪就可以獲取這些證據，同時將這些證據發送給公安機關進行偵破。（4）防御效果評估功能網絡安全防御功能完成之后，系統可以針對處理效果進行評估，從而可以獲取網絡系統中的殺毒信息，將這些網絡病毒消滅，避免網絡中的病毒或木馬復發。網絡安全防御效果評估之后，還可以跟蹤大數據分析的準確度，一旦準確度降低就可以及時進行學習，從而提高網絡安全防御性能。大數據是一種非常關鍵的數據處理和分析技術，可以利用多種算法，比如BP神經網絡算法、支持向量機、深度學習、K-means算法等挖掘數據中潛在的知識，這些知識對人們是有價值的，能夠幫助人們進行決策。本文為了能夠更好的展示互聯網應用性能，重點描述了深度學習算法分析互聯網安全數據過程。深度學習算法是一種多層次的卷積神經網絡，包括兩個非常關鍵的層次結構，一個是卷積層稱為病毒數據特征提取層，一個卷積層為病毒數據特征映射層，可以識別病毒數據中的特征數據，同時將池化層進行處理，壓縮和處理池化層數據信息，比如進行預處理、二值化等，刪除病毒數據中的一些明顯的噪聲特征。池化層可以將海量的病毒數據進行壓縮，減少卷積神經網絡分析時設置的參數，解決卷積神經網絡學習和訓練時容易產生的過度擬合問題，避免病毒識別模型陷入到一個過度擬合狀態，避免無法提高病毒識別能力，還會提升病毒識別處理開銷。全連接層就是一個關鍵分類器，可以將學習到的病毒知識標記到一個特征空間，這樣就可以提高病毒識別結果的可解釋性。卷積神經網絡通過學習和訓練之后，其可以形成一個動態優化的網絡結構，這個結構可以在一定時期內保持不變，能夠實現病毒特征的識別、分析，為病毒識別提供一個準確的結果。

第4篇：神經網絡卷積層的作用范文

關鍵詞：視覺注意；自頂向下；顯著性；對象信息；卷積神經網

中圖分類號：TP391.41

文獻標志碼：A

文章編號：1001-9081（2016）11-3217-05

0 引言

視覺注意機制的研究是探索人眼視覺感知的重要一環。在過去幾十年中，如何用計算模型模擬人眼視覺注意過程一直是核心問題。盡管取得了很大的進步，但是快速準確地在自然場景中預測人眼視覺注意區域仍然具有很高的挑戰性。顯著性是視覺注意的一項重要研究內容，它反映了區域受關注的程度。本文的研究著眼于顯著性計算模型，更多模型對比和模型分類可以參考Borji等[1]的文章。視覺注意存在兩種機制：自底向上（Bottom-up）和自頂向下（Top-down）。過去的研究中，大多數的計算模型是基于自底向上的信息，即直接從圖像像素獲取特征。

自底向上顯著性計算模型開創性工作源自于文獻[2]的Itti模型，該模型是很多其他模型的基礎和對照基準，它通過整合多種低層次特征，如顏色、亮度、方向等，給出一個顯著度的概率分布圖。Harel等[3]在Itti模型的基礎上引入圖算法，通過計算節點間特征值相似性和空間位置距離進行差異性度量獲取顯著圖。近年來隨著深度學習技術在目標識別領域的成功應用[4]，研究者們對特征學習產生了更多的興趣。Borji等[5]通過稀疏編碼方法獲取特征，使用圖像塊的稀疏表示結合局部和全局統計特性計算圖像塊的稀有性（rarity），稀有性反映了當前圖像塊中心位置的顯著性。Vig等[6]通過訓練多個神經網絡獲取層次特征，然后自動優化特征組合。特征提取的過程可以看作是一種隱式空間映射，在映射空間中使用簡單的線性模型進行顯著或非顯著的分類。以上學習方法獲得的特征都是一些低層次特征，對圖像中的邊緣和特定紋理結構敏感。此外，部分研究人員希望從數學統計和信號處理的角度來度量顯著性。Bruce等[7]根據最大化信息采樣的原則構建顯著性模型。Li等[8]總結了多種基于頻域的視覺注意研究工作，提出了一種基于超復數傅里葉變換（Hypercomplex Fourier Transform）的視覺注意模型，并展示了其他多種基于頻域的模型在某種程度上都是此模型的特例。

以上模型均為數據驅動的顯著性模型，模擬人眼視覺注意過程中自底向上的機制。由于人眼視覺注意過程中不可避免地受到知識、任務、經驗、情感等因素的影響，因而整合自底向上和自頂向下信息的視覺注意研究受到更多的關注。現有模型整合的自頂向下信息可以分為三類：任務需求、場景上下文和對象特征。

Borji等[9]提出了一種構建任務驅動的視覺注意模型的聯合貝葉斯方法。Zhang等[10]提出了一種使用貝葉斯框架整合自底向上和自頂向下顯著性信息的方法。Siagian等[11]利用多種低層次特征對場景主旨進行建模，使用場景主旨引導視覺注意的轉移。考慮到任務需求和場景上下文建模的復雜性，研究人員將對象特征視為一種高層次的知識表示形式引入視覺注意模型中。Judd等[12]和Zhao等[13]通過將低層次特征和對象特征整合在一個學習框架下來獲得特征整合過程中每張特征圖的疊加權重，但是模型使用的對象特征只有人臉、行人、車輛等有限的幾種。Borji等[14]遵循了同樣的方法，但是在整合過程中添加了更多特征并且結合了其他顯著性模型的結果，最后用回歸、支撐向量機（Support Vector Machine， SVM）、 AdaBoost等多種機器學習算法結合眼動跟蹤數據進行訓練。實驗結果表明對象特征引入較大地提高了模型性能。Xu等[15]將特征劃分為像素級、對象級和語義級三個層次，并重點探索對象信息和語義屬性對視覺注意的作用；然而，模型中的對象級和語義級特征是手工標定的，因而不是一種完全意義上的計算模型。

總的來看，雖然部分模型已經使用對象特征作為自頂向下的引導信息，但是在對象特征的獲取和整合上仍有很大的局限性。首先，對不包含特定對象的場景適應性較差；其次，對象特征描述困難，通常是通過特定目標檢測方法獲取對象特征，計算效率低下；此外，對象特征的簡單整合方式不符合人眼的視覺感知機制。本文提出了一種結合深度學習獲取對象特征的視覺注意計算模型，重點研究了對象級特征的獲取和整合方法。算法結構如1所示，其中像素級突出圖獲取采用現有視覺注意模型的方法，對象級突出圖獲取采用本文提出的基于卷積神經網（Convolutional Neural Network， CNN）的特征學習和基于線性回歸的特征整合方法。實驗結果表明，對象級特征的引入可以明顯提高顯著性預測精度，預測結果更符合人類視覺注意效果。

1 對象信息獲取

1.1 對象特征

大量實驗證據表明對象特征引導視覺注意的轉移。視覺注意中引入對象特征是為了獲得圖像中對象位置等信息，目的與計算機視覺中的目標檢測類似。因而，已有的視覺注意計算模型的對象特征通常是通過特定目標檢測方法獲得。其中，Viola&Jones人臉檢測和Felzenszwalb車輛行人檢測是最常用的方法。文獻[12-14]均使用此類方法引入對象特征。由于這一類特征針對特定對象樣本進行設計和訓練，因而推廣能力不強。

li=fixations（obji）area（obji）（3）

其中： fixations（）表示落入當前對象區域的正樣本的數目；area（）表示對象區域面積。li衡量當前對象單位面積受關注的程度，對象單位面積受關注程度越高，其在對象整合過程中的權重應越高，因而li與疊加權重成正比。

式（4）通過一個線性回歸模型對已有樣本數據進行訓練，獲得對象整合疊加權重W：

L=WF（4）

其中：F={F1，F2，…，FN}為訓練樣本數據集合；L={l1，l2，…，lN}為訓練樣本標簽集合。

測試時根據式（5）～（6）獲得對象級突出圖：

3 顯著圖生成

視覺注意是自底向上和自頂向下兩種機制作用的結果。完全使用自頂向下的對象特征進行顯著區域預測有一定缺陷，主要表現在以下幾個方面：首先，知識是對訓練樣本數據的抽象表示，由于神經網絡的規模和訓練樣本中對象種類的限制，場景中部分對象對應的特征沒有被抽象在網絡結構中；其次，部分不具有明確語義的區域被錯誤地認為是對象，對視覺注意形成錯誤的引導；另外，人眼視覺注意轉移的生理學機制并不清楚，興趣區可能落在不具有對象特征區域中。因此，使用像素級特征給出低層次顯著性信息是必要的。

視覺注意模型中常用的像素級特征有顏色、亮度、方向等[2-3，12]。本文直接使用GBVS（Graph-Based Visual Saliency）算法[4]整合多種像素級特征獲取像素級突出圖Spixel。式（7）給出了整合的方法：

其中：S（i， j）為最終給出的視覺注意顯著圖；N（）為歸一化操作；λ控制對象級突出圖與像素級突出圖的相對權重，通過實驗分析可知λ=0.4時效果較好。當圖像中不存在顯著物體或無法獲得高置信度的對象信息時，圖像任意位置Sobj（i， j）=0，此時完全由像素級特征驅動的視覺注意引導。

4 實驗結果及分析

本次實驗是以Visual Studio 2012為實驗平臺，選取OSIE和MIT數據集作為實驗數據。OSIE數據集包含700張含有一個或多個明顯語義對象的圖片以及15名受試者的眼動跟蹤數據，此外該數據集還提供了語義對象統計及人工標注的精確對象區域。MIT數據集包含1003張自然場景圖片以及15名受試者的眼動跟蹤數據。這兩個數據集是當前視覺注意研究領域中較大的數據集。為了驗證本文方法的準確率，將本文算法與GBVS[4]、 Itti[2]、 Judd[3]、 AIM[10]、LG[8]等視覺注意方法進行對比。

對比實驗中使用的評價指標為ROC（Receiver Operating Characteristic）曲線，實現方法與文獻[12，15]相同。圖6～8為實驗對比結果，顯著區域百分比是通過對歸一化顯著圖作閾值處理獲得，真正率（True Positive Rate）反映當前落入顯著區域的樣本占所有樣本的比例。通過變化顯著區域百分比獲得ROC曲線。為了更直觀比較算法效果，實驗結果圖中標注了每種算法的AUC（Area Under Curve）值，AUC值通過計算ROC曲線下的面積獲得。AUC值越大表示該方法給出的顯著性預測結果越準確。

圖6為利用對象級突出圖作為顯著圖在OSIE數據集上的實驗結果。相對于RCNN算法， fasterRCNN算法使用了更深層次的網絡結構和更多對象類別的訓練樣本，具有較高的對象位置預測準確率和對象檢出率。實驗分析可以看出，使用fasterRCNN算法生成對象級突出圖可以更好進行顯著性預測。同時，人臉特征（FACE）的引入進一步提升了預測準確性，從一個側面說明了對象性信息對視覺注意的轉移具有引導作用。

圖7是多種視覺注意算法在OSIE數據集上的ROC曲線，可以看出本文方法實驗效果明顯好于其他算法。僅次于本文算法的是GBVS和Judd，Itti的準確率較差。圖中對象級特征曲線為使用fasterRCNN結合人臉特征生成對象級突出圖獲得，由于該方法完全使用自頂向下的對象特征，顯著性預測準確率明顯弱于其他方法，因而證明了引入像素級特征必要性。圖8為MIT數據集上的實驗結果，本文方法和Judd算法為最好的兩種方法，實驗結果相差不大。AIM和LG方法效果較差。本文方法和Judd方法均使用了對象特征，可以看出整合了對象特征的方法相對于完全自底向上模型有明顯優勢。

圖9中給出了多種算法顯著圖的直觀對比。與其他方法強調對象邊緣不同，本文結合了對象信息的方法可以有效突出圖像中的完整對象區域。

5 結語

本文提出一種結合對象信息的視覺注意方法。與傳統的視覺注意整合對象方法相比，該方法利用卷積神經網學到的對象特征，獲取圖像中對象位置等信息；然后通過一個線性回歸模型將同一幅圖像的多個對象加權整合，獲得對象級突出圖；最后，根據視覺注意的層次整合機制，將低層次特征和對象特征進行融合形成最終的顯著圖。本文方法在不同數據集上的準確率要高于現有模型。針對包含明顯對象的圖像，本文方法克服了部分現有模型由于邊緣強化效果導致的顯著區域預測不準的問題。本文方法仍然存在一定局限性，未來的工作將嘗試非線性對象整合以及增大訓練樣本數量和網絡規模以獲取更多種對象特征。

參考文獻：

第5篇：神經網絡卷積層的作用范文

關鍵詞：人工智能；科技情報；自動感知

中圖分類號：TP18文獻標志碼：A文章編號：2095-2945（2020）32-0057-02

Abstract：Fromtheperspectiveofartificialintelligence，peoplerequireasignificantimprovementintheaccuracyofscientificandtechnologicalinformationservices，sothatitsvaluecontinuestorise，bringingchallengesandopportunitiesforintelligencework.Bysummarizingthecontentsofartificialintelligenceandscientificandtechnologicalinformation，combinedwithartificialintelligencetechnology，thispaperstudiestheautomaticperceptionofscientificandtechnologicalinformationneedsconcerningthekeypoints，contentperceptionandotheraspects，highlightingthewisdom，intelligenceandefficiencyofscientificandtechnologicalinformationwork，andoptimizingtheautomaticperceptionscheme.

Keywords：artificialintelligence；scientificandtechnologicalinformation；automaticperception

前言

當前科技情報服務對象不僅局限于特定的行業和領域，已經逐漸滲透至某一技術和個人，情報機構只有提升情報分析和反應能力才可以滿足新需求。因此，機構有必要加強對用戶需求的感知度，依托人工智能技術構建科技情報的感知框架，提升感知工作的合理性和高效性，進而挖掘科技情報感知領域的價值。

1人工智能及科技情報感知概述

1.1人工智能分析

人工智能又稱AI，伴隨著計算速度、核心算法的優化，該技術已經在神經網絡、自然語言、機器學習等方面趨于成熟。當前人工智能技術可以定制個性化任務，結合不同的環境響應個體需求，制定解決方案[1]。因此，人工智能技術能夠快速處理海量數據，若人類智力水平已無法滿足嚴苛工作要求，可以借助人工智能技術處理復雜工作。同時，科技情報感知模塊屬于綜合預測過程，因此有必要結合人工智能技術制定科技情報感知方案，實現情報工作向智慧化、個性化、精準化方向發展。

1.2情報感知分析

科技情報感知主要是工作人員針對采集到的數據完成處理、分析，進而滿足受眾對于情報的需求，并對今后其發展過程進行預測。學者劉記曾指出，依托科技情報感知工作可以為實現國家治理體系和治理能力現代化提供支持，加快情報刻畫、情報感知以及情報響應能力的建設進程。其中，情境感知的研究具有一定復雜度，G.Chen通過調查情境信息、情境類型、情境傳播等模型和系統，分析情境感知的應用程序，得出情境感知是領域普適學習的關鍵。例如，借助情境感知可以為用戶提供體溫、運動路徑、溫度等方面的服務。

因此，科技情報感知工作對于我國情報治理、預先感知等方面影響較大，結合人工智能技術創新科技情報感知模塊已是大勢所趨。當前大數據時代科技情報已經不僅停留于文獻領域，正逐漸向多種數據源模式發展，要求科技情報軟硬件不斷升級優化，數據存儲和處理水平逐漸升級，進而滿足社會對情報數據的需求。

2人工智能視域下科技情報需求自動感知研究

2.1融合關鍵點

（1）創新驅動。當前科技情報需求逐漸向科技創新領域發展，依托我國創新驅動的發展戰略，基于科學技術完成升級和發展。將科學技術和科技情報相結合后，情報工作的創新性較強，具有數字化和智慧化優勢，并突出情報工作的個性化和精準性。因此，依托人工智能技術完成科技情報的自動感知十分關鍵，是當前科技發展的必經之路。

（2）前瞻性定位。新時期資源的網絡化和數字化發展為科技情報研究工作提供大數據支持，可以在海量數據的收集、分析、處理方面發揮優勢。傳統的數據研究方式很難在大量數據的基礎上提升情報研究質量，同時會增加研究人員的任務量。且每位工作人員自身的專業知識、情報敏感度、知識狀態存在差異性，導致最終得出的情報結果不同甚至差異化較大。應用人工智能技術完成科技情報的自動感知十分重要，可以突出工作的準確性、高效性和穩定性。因此，將新興人工智能技術和傳統情報服務工作相融合是現代情報領域的關鍵，如自動獲取和加工情報、高速處理文本信息、人工智能決策平臺、依托語義內容的科研成果評價等[2]。

2.2內容感知

（1）感知系統分析。大數據背景下，科技情報預測和傳播功能受到重視和應用，屬于科技領域的研究熱點，可以對競爭、合作、研究方面進行正確的價值判斷。科技情報感知主要依托可靠、豐富的數據，借助“互聯網+大數據”模式獲取信息，在多種資料中得到關鍵的信息和數據，進而完成科技情報的感知工作。同時，數據源具有冗余度高、形式多樣、存儲量大的優勢，因此能夠落實科技情報感知工作，篩選數據源、除去冗余數據、分析剩余有效信息。借助數據集模式與知識儲備庫、感知數據庫一同為感知過程提供信息支持。內容感知系統內的數據源并非固定不變，且信息的更新速度較快、技術淘汰時間較短，因此內容感知是實時更新、持續變化的數據系統。基于相關輔助項目，幫助用戶了解工作內容。例如，借助“科技情報產品報告”為感知系統研究和應用提供支持，該報告可以幫助用戶了解系統，提前評估系統實際能力，便于用戶針對性提出情報需求。

（2）系統實現模式。a.數據源存儲。若想發揮科技情報的自動感知作用，系統內需要具備大容量數據集合，進而為感知產品提供分析支持。同時，數據處理過程中對于信息查詢、存儲挑戰較大。因此，本課題結合Neo4j數據庫、互聯網技術提升數據處理和存儲效率，提高系統適應水平，保證其良好的查詢效率。Neo4j數據庫主要劃分為兩類應用模式：服務器模式、內嵌模式。本課題利用內嵌模式，借助Java-API，將Neo4j數據庫和圖模型相互整合。由于API的特點是數據結構靈活，因此可以通過直接編碼的模式和圖數據庫完成交互操作。b.數據源分類。若想對數據源完成自動分類，建議識別數據源的結構功能。例如，利用機器學習、詞匯特征等方式劃分數據源的功能及結構。依托數據源要素、類型詞匯特點、詞匯分布特征等方面，依托神經網絡內分類器訓練模式，圍繞領域技術、專題、情報報告、組織數據庫等方面對數據源進行分類[3]。c.構建任務抽取模型。結合用戶需求抽取目標任務可以充分發揮科技情報的自動感知優勢，優化RNN模塊。在研究階段利用Bi-LSTM-CRF、卷積網絡模型抽取數據源，并借助長短時雙向記憶模型化解RNN梯度爆炸、消失情況。抽取模型內的輸入數據是卷積，包含知識元素、句子、詞等特征向量，而輸出數據則依托（Conditionalrandomfield）條件隨機得到結果完成預測。此模型借助多元組的方式展示數據源抽取結果，圍繞數據源性質、事項、主體、依據、對象等要素進行連接。

2.3情境感知

（1）情境感知系統。情境感知系統內部因素種類較多，且科技情報感知階段需要依據情境完成，并對感知結果造成影響。因此，在開展科技情報感知工作時，建議對特定用戶完成重新評估。同時，情境感知在情報感知工作中十分關鍵，若忽視結果會對外部情境產生較大影響，使預測工作喪失精準度。因此，應基于外部情境條件定位事物發展方向，得到精準感知結果，發揮情報前瞻性優勢。其中在獲取情境數據時應關注“小數據”，即初始結構化數據，此類資源雖數量較小，但是內部包含價值信息，可以獲取歷史情境信息。此外，問題情境應圍繞橫向和縱向兩個層面分析，橫向維度是梳理本層實際情況，針對性選擇研究方法和處理方式；縱向維度則依托時間節點理清情境信息。

（2）系統執行方案。情境感知系統建設主要內容是借助科技手段獲取某一情境內的數據并完成融合。因此，情境感知技術實際上是借助人工智能中傳感器等技術，依托計算機感知當前情境，完成感知應用、智能識別、決策支持，具有無干擾的優勢。情境感知包含情境獲取、處理、應用三個階段。其中，情境獲取主要依靠傳感器終端獲取設備關聯、用戶關聯、資源關聯、環境關聯情境，并將上述情境信息轉變為數字信號，利用嵌入系統完成判斷和處理；情境處理過程則借助建模的方式控制情境信息，構建信息數據庫。整合情境感知信息并協調對應的組合，控制資源分布并將其嵌入至感知數據庫內；服務應用階段相當于人工智能處理模塊，可以結合用戶需求提供合理服務。

2.4需求-反饋機制

（1）工作過程。需求-反饋機制實際上可以體現用戶和人工智能間的關聯性，屬于科技情報感知的關鍵環節，包含自動感知信息、數據、產品模塊。依托人工智能技術，通過AI方式減輕工作人員任務量。其中，AI能夠智能化處理多領域工作，如醫療、教育、駕駛、金融、安防等。在科技情報感知領域引入人工智能技術可以準確、高效、及時地開展情報工作，提升工作效率、減少決策偶然性、加快數據分析處理速度。同時，科技情報感知工作的主體是用戶，首先需要將其對產品的需求發送至AI處，其次借助人工智能模塊分析、整合內外感知數據庫信息，最后向用戶反饋情報產品和相關結果。

（2）情報感知產品。情報感知產品主要結合用戶產品需求，依據感知數據庫內的條件因素預測今后用戶對于情報產品的需求，進而在后續工作中有針對性地向用戶推送產品信息，為科技情報工作的可持續發展提供支持。因此，人工智能和科技情報感知工作相結合可以充分發揮自動感知優勢，降低對工作人員決策的依賴性。專業人員依據多種數據源進行分析與評估，最終得出精準的感知結果。同時，人工智能技術的應用可以自動形成情報感知產品，并向用戶推送反饋數據，由主動感知向自動感知發展，契合新時期情報3.0的發展趨勢，加快國家科技決策和科技創新發展進程。

第6篇：神經網絡卷積層的作用范文

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。

1.1 DCS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。

1.1.1 DCS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（如浙江玉環電廠1000MW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。可以說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

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。

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，如浙江華能玉環電廠4×1000MW機組、臺州電廠2×300MW機組和安徽鳳臺電廠4×600MW機組均全廠采用西屋Ovation系統，國華浙能寧海電廠4×600MW機組全廠采用西門子公司的T-XP系統，大唐烏沙山電廠4×600MW機組全廠采用I/A系統，浙江樂清電廠4×600MW機組全廠采用ABB公司的SYMPHONY系統等。

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。

1.1.3 DCS結構變化，應用技術得到快速發展

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。

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

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。為了提高外圍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外圍輔助系統，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，實現外圍控制少人值班或無人值班。

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，其中浙江省第一家完成改造的是嘉興發電廠2×300MW機組，取得較好效果。

1.3 變頻技術的普及應用與發展

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。

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

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。

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： 國華浙能寧海電廠，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。

華能玉環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。控制系統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。現場設備層之間采用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

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。

如寧海發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。

圖1 機組汽溫控制原理示意圖

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。

1.6 SIS系統的應用發展

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。

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。

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

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，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。

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。

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。

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

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。

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。轉貼于

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，在確保火電廠安全、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

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Contr01．Net、ProfiBus等本身就是由PLC的主要生產供貨商支持開發。

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（浙江寧海電廠已達到10000點），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，如浙江省國華浙能寧海發電廠（獲國家金獎），一期工程四臺機組一個控制室集中監控，單元機組電子室集中，提高了機組運行管理水平。

2.6 APS技術應用

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。

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

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。

電廠機組容量的不斷增大，熱工自動化系統所依賴的測量儀表也大量增加。在現場總線和智能儀表未全面使用的情況下，這些儀表還需定期校驗。為提高測量儀表校驗工作的效率，實現測量儀表從校驗、基礎數據臺帳的建立、設備校驗計劃和日常維護工作的產生、執行、校驗、數據輸入、終結及統計分析，周期調整等的全過程自動管理代替人工管理，將是電廠儀表管理發展的趨勢，因此全自動儀表校驗裝置和自動管理軟件的需求量將會迅速增加。