人工智能和神經(jīng)網(wǎng)絡的關(guān)系精選(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和神經(jīng)網(wǎng)絡的關(guān)系主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工智能和神經(jīng)網(wǎng)絡的關(guān)系范文

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

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

1、神經(jīng)網(wǎng)絡的架構(gòu)正變得越來越復雜

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

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

(人工模擬神經(jīng)元試圖模仿大腦行為|圖片來源：Frontiers)

但這一切都需要極高的計算能力。早在80年代初期，Geoffrey Hinton和他的同事們就開始研究深度學習。然而彼時電腦還不夠快，不足以處理有關(guān)神經(jīng)網(wǎng)絡的這些龐大的數(shù)據(jù)。當時AI研究的普遍方向也與他們相反，人們都在尋找捷徑，直接模擬出行為而不是模仿大腦的運作。

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

2、酷的人都在用LSTMs

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

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

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

(長期依賴問題|圖片來源：CSDN)

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

3、是時候注意“注意力模型(attention models)了

LSTMs是人們使用RNNs的一個飛躍。還有其他飛躍嗎？研究者共同的想法是：“還有注意力(attention)！”

“注意力”是指神經(jīng)網(wǎng)絡在執(zhí)行任務時知道把焦點放在何處。我們可以讓神經(jīng)網(wǎng)絡在每一步都從更大的信息集中挑選信息作為輸入。

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

(擁有“注意力”的RNN在圖像識別中的成功運用|圖片來源：Github)

4、神經(jīng)圖靈機依然有趣，但還無法勝任實際工作

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

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

(模仿人類短期工作記憶的神經(jīng)圖靈機|圖片來源：arXiv)

2014年10月，Google DeepMind公布了一臺原型電腦，它可以模仿一些人類大腦短期工作記憶的特性。但直到NIPS2015，所有的神經(jīng)圖靈機都過于復雜，并且只能解決一些“小玩具”問題。在未來它們或?qū)⒌玫綐O大改進。

5、深度學習讓計算機視覺和自然語言處理不再是孤島

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

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

6、符號微分式越來越重要

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

7、神經(jīng)網(wǎng)絡模型壓縮的驚人成果

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

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

8、深度學習和強化學習繼續(xù)交匯

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

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

9、難道你還沒有使用批標準化？

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

第2篇：人工智能和神經(jīng)網(wǎng)絡的關(guān)系范文

關(guān)鍵詞：人工神經(jīng)；網(wǎng)絡游戲程序；研究和設計；分析探究

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

近年來，在網(wǎng)絡游戲發(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)絡游戲作為一種目標性、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，將計算機圖形學和人工智能有機的結(jié)合起來，把人工智能中的預測、路徑規(guī)劃、搜索、學習等技術(shù)有效的應用到網(wǎng)絡游戲的研發(fā)工作中去，不僅能夠提升游戲的質(zhì)量和可玩性，同時還有利于促進游戲開發(fā)企業(yè)的發(fā)展。

1 人工神經(jīng)網(wǎng)絡分析

人腦可以用一套較為獨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行學習，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細胞組合而成，人工神經(jīng)網(wǎng)絡就相當于模擬人腦功能的一個數(shù)學模型。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，通過軸將各個神經(jīng)元進行有效連接，而其他神經(jīng)元的發(fā)送的信號能夠使當前神經(jīng)元產(chǎn)生相應的反映，這一反映如果能夠達到特定的閾值，就會逐漸產(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)絡主要就是由各種節(jié)點相互連接組合形成的，節(jié)點類似于人腦的各個神經(jīng)元細胞，會存在一些節(jié)點連接外部環(huán)境，主要負責相關(guān)的信息輸出和輸入工作，被稱作是輸出點或者輸入點，而另外一些網(wǎng)絡內(nèi)部的節(jié)點，通常被稱作隱藏節(jié)點。隱藏節(jié)點的信息輸出通常是輸出節(jié)點的信息輸入，輸入節(jié)點的信息輸出通常是隱藏節(jié)點的信息輸入。

此外，人工神經(jīng)網(wǎng)絡的主要核心思想就是對人類大腦神經(jīng)系統(tǒng)功能進行模擬的機器學習的一種方法，并且通過對系統(tǒng)內(nèi)部各個神經(jīng)元的各種連接參數(shù)進行反復的調(diào)節(jié)，使得神經(jīng)網(wǎng)絡系統(tǒng)得到訓練，并且在遇到一定情況時能夠做出最佳的反映[2]?？傊?，神經(jīng)網(wǎng)絡作為一項發(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)絡游戲的智能化提升到一個全新的高度。

2 人工神經(jīng)網(wǎng)絡中的游戲?qū)W習設計分析

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

3 BP神經(jīng)網(wǎng)絡游戲開發(fā)設計分析

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

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

4 結(jié)語

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

參考文獻：

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

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

[3]f潭凱.神經(jīng)網(wǎng)絡在即時戰(zhàn)略游戲中的應用[D].福州大學，2014.

第3篇：人工智能和神經(jīng)網(wǎng)絡的關(guān)系范文

【關(guān)鍵詞】 機械電子 人工智能技術(shù) 結(jié)合性研究

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

1 機械電子工程與人工智能的關(guān)系

機械電子系統(tǒng)的內(nèi)部構(gòu)造及功能存在著一定的不穩(wěn)定因素，這就使得機械電子系統(tǒng)在輸出與輸入關(guān)系的處理上有著相當?shù)碾y度。雖然傳統(tǒng)的機械電子工程技術(shù)在解析數(shù)學方面也同樣具有著精密性，但是，這些老舊的方法僅僅只能適用于一些相對來說比較簡單的系統(tǒng)[1]。然而，現(xiàn)代的生產(chǎn)應用所需求的系統(tǒng)是比較復雜和繁瑣的，往往會要求一個系統(tǒng)能夠同時處理多種不同的信息類型。人工智能系統(tǒng)在對信息進行處理時，還存在一定的復雜性和不確定因素，所以現(xiàn)在人工智能處理方式逐漸以知識為基礎(chǔ)，正成為成為現(xiàn)代解析數(shù)學方式的替代手段。

人工智能構(gòu)建系統(tǒng)所應用的辦法中，主要包含的是模糊推理系統(tǒng)和神經(jīng)網(wǎng)絡系統(tǒng)。神經(jīng)網(wǎng)絡系統(tǒng)不僅能夠達到對人腦結(jié)構(gòu)的模擬人技術(shù)構(gòu)成，還能夠能夠?qū)?shù)字信號作出分析并且給出參考數(shù)值。與神經(jīng)網(wǎng)絡系統(tǒng)不同的是，模糊推理系統(tǒng)則是通過對人腦的功能進行，進而達到對語言信號有效分析的目的。在輸出輸入的準確度上，神經(jīng)網(wǎng)絡系統(tǒng)的準確度相對來說比較高，并且且呈光滑曲面，而模糊推理系統(tǒng)的準確度就比較低，而且還呈階梯狀。模糊神經(jīng)網(wǎng)絡系統(tǒng)能夠?qū)烧吖δ艿脑谝欢ǔ潭壬线M行最大融合，這對信息的合理表現(xiàn)是非常有實際意義的，為其提供了一個比較合適的完全表達空間，令信息的有效表達得到了保證。而邏輯推理規(guī)則能夠達到節(jié)點函數(shù)的增強效果，這樣一來，就為神經(jīng)網(wǎng)絡系統(tǒng)提供了函數(shù)連結(jié)可能性，實現(xiàn)了兩者最大化的發(fā)揮了兩者的功能[2]。

2 人工智能技術(shù)在機械電子工程中的應用

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

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

3 基于人工智能技術(shù)下的機械電子產(chǎn)品實例

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

智能控制指的就是是能夠?qū)π畔⑦M行處理、反饋以及執(zhí)行控制決策的能力，是控制理論研究的另一個新的高峰，主要是取代那些傳統(tǒng)的而且已經(jīng)無法滿足現(xiàn)實需要的控制系統(tǒng)，智能控制系統(tǒng)研究的對象具有高度非線性、復雜的任務以及不確定的數(shù)學模型等主要特點。在新時代因素的影響下，越來越多種形式的智能控制系統(tǒng)不斷的被應用到各行各業(yè)之中，更是在目前對機器人的智能化控制研究中起了很大的作用，主要通過神經(jīng)控制以及網(wǎng)絡控制來實現(xiàn)機器人的自由移動等活動。

智能移動機器人的設計水平隨著信息化時代的發(fā)展而不斷優(yōu)化，智能移動機器人的應用已經(jīng)不單單局限于與單一的對象，而是需要做到多種不同方面的功能拓廣，我國的智能移動機器人的研究一定要要保證跟上時代的腳步，不然就只有面對被其他國家追趕上的后果。只有使現(xiàn)有的智能移動機器人技術(shù)與功能滿足新興業(yè)務的發(fā)展需求，才能保障我國國民經(jīng)濟持續(xù)穩(wěn)定的發(fā)展，并且使得我國在未來的國與國之間的競爭中具備相當?shù)目萍家约敖?jīng)濟上的優(yōu)勢。

4 結(jié)語

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

參考文獻：

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

第4篇：人工智能和神經(jīng)網(wǎng)絡的關(guān)系范文

【關(guān)鍵詞】人工智能 容性設備 絕緣監(jiān)測

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

1 容性設備絕緣在線監(jiān)測

1.1 種類

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

1.2 容性設備絕緣在線監(jiān)測原理

諧波分析方法最為常見，監(jiān)測原理為：使用靈敏度高的微電流互感器發(fā)出電流信號，并使之對二次側(cè)電壓信號進行抽取，完成整形、放大以后將工模干擾與濾波消除，能夠?qū)Τ炭胤糯笮盘柾脚c模擬，使用A/D轉(zhuǎn)換為離散型數(shù)字信號，使用計算機對數(shù)字信號進行傅里葉變換處理（FFT），能夠?qū)⒏道锶~系數(shù)得出，得出2個基波相位差。

1.3 誤差分析

三相系統(tǒng)是電力系統(tǒng)的主要表現(xiàn)形式，并且以耦合形式存在，由此，在對三相高壓電容器測試時會出現(xiàn)干擾，造成介質(zhì)損耗A角變大，不變的是B相，C相變化較小。現(xiàn)場數(shù)據(jù)分析發(fā)現(xiàn)母線介質(zhì)變化曲線同一側(cè)位置相同，而不相同介質(zhì)損耗曲線差異較大。

2 絕緣監(jiān)測人工智能模型構(gòu)建

2.1 ANN人工神經(jīng)網(wǎng)絡

通常，神經(jīng)網(wǎng)絡與經(jīng)典計算存在較大差異，神經(jīng)網(wǎng)絡優(yōu)越性更加明顯，數(shù)學模型表示不出來的都可以使用神經(jīng)網(wǎng)絡表示，比如，診斷故障、預測、非線性系統(tǒng)預控等。鑒于介質(zhì)損耗較多，不能使用基本函數(shù)表示數(shù)據(jù)之間的關(guān)系，由此，利用神經(jīng)網(wǎng)絡比擬一個函數(shù)，能夠?qū)⒔橘|(zhì)損耗預測，比較實際測得的數(shù)據(jù)，進而了解設備絕緣情況。

2.2 前饋型人工神經(jīng)網(wǎng)絡（BP網(wǎng)）結(jié)構(gòu)與算法

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

得到每一個層面的參考誤差，獲得對應的連接權(quán)限。

在k個模式中，模擬值模式AK=（alk，...，ank），CK=（cik，...，cqk）。誤差修正梯度下能夠?qū)颖緮?shù)據(jù)學習，使用離散方式，完成學習以后，人工神經(jīng)網(wǎng)絡會按照存儲連接權(quán)做出反應。算法如下：

首先是順序傳播過程，使用賦予初值學習樣本數(shù)據(jù)；然后賦初值輸入層LA、LB連接權(quán)，將LB輸出層的Lc與連接，再與LB層閾值連接，賦予Vj在[-1，+1]區(qū)間上隨機值；學習模式（AK，CK），在LA層單元中使用AK值，激活LA層的ak，與矩陣γ連接，輸送到LB單元內(nèi)，刺激隱含層。

2.3 BP網(wǎng)絡構(gòu)建

Nnbox會提供神經(jīng)網(wǎng)絡專用函數(shù)，用Newff（）表示。此函數(shù)格式如下：

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

3 人工智能在容性設備絕緣監(jiān)測的應用實例驗證及分析

首先構(gòu)建出模型實例，對時間序列折現(xiàn)圖進行觀察，然后建立預測模型，將每一個結(jié)構(gòu)隱藏神經(jīng)元數(shù)目確定下來，最后將預測數(shù)據(jù)輸出。構(gòu)建神經(jīng)網(wǎng)絡，設t-1，lose表示t時刻，使用U、C對t+1時刻介質(zhì)損耗預測。選取2350個數(shù)據(jù)，對其中54%的數(shù)據(jù)驗證，分為2組對介質(zhì)損耗因素值預測，再按照相關(guān)函數(shù)與偏相關(guān)函數(shù)構(gòu)建MA、AR、ARMA模型，在Matlab中調(diào)用autocorr（）、parcorr（）函數(shù)，對不同時間段相關(guān)性考量。

構(gòu)建神經(jīng)網(wǎng)絡以后，具有靈敏反應，并且精準度能夠達到診斷指標。使用人工神經(jīng)網(wǎng)絡對容性設備介質(zhì)損耗預測時，需要結(jié)合實際預測數(shù)據(jù)，充分收集歷史數(shù)據(jù)，明確相關(guān)變量關(guān)系才能將預測精度提升。

4 結(jié)語

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

參考文獻

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

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

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

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

作者簡介

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

第5篇：人工智能和神經(jīng)網(wǎng)絡的關(guān)系范文

關(guān)鍵詞 液壓系統(tǒng);故障診斷;智能診斷技術(shù)

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

0 引言

現(xiàn)代工程機械液壓系統(tǒng)向著高性能、高精度和復雜的方向發(fā)展,液壓系統(tǒng)的可靠性成了一個十分突出的問題,除對液壓系統(tǒng)進行可靠性設計外,液壓系統(tǒng)故障檢測和診斷技術(shù)越來越受到重視,成為液壓技術(shù)發(fā)展的一個重要方向。

1 機械液壓系統(tǒng)故障診斷方法

故障診斷是對液壓元件與系統(tǒng)產(chǎn)生故障的原因做出分析與判斷,以便找出解決問題的方法。目前,液壓傳動系統(tǒng)中的故障診斷主要有:

1)基于人的主觀診斷法

基于人的主觀診斷法主要是依靠簡單的診斷儀器,憑借領(lǐng)域?qū)＜业膶嵺`經(jīng)驗,判斷故障的部位和原因,并提出相應的排除方法。這種方法又被稱為簡易診斷方法,它是設備維修部門普遍采用的方法,可以通過看、聽、摸、聞、閱、問等方式,簡單定性地判斷液壓系統(tǒng)工作的實際狀況是否出現(xiàn)異常?；谌说闹饔^診斷法主要包括系統(tǒng)分析法、參數(shù)測量法、方框圖分析法、魚刺圖分析法等。

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

2)基于數(shù)學模型與信息處理的診斷法

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

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

3)基于智能技術(shù)的診斷法

液壓故障的多樣性、突發(fā)性、成因的復雜性和進行故障診斷所需要的知識對領(lǐng)域?qū)＜覍嵺`經(jīng)驗和診斷策略的依賴,使研制智能化的液壓故障診斷系統(tǒng)成為當前的趨勢。計算機技術(shù)的發(fā)展與故障診斷技術(shù)相結(jié)合,人工智能 (artificial intelligence)診斷技術(shù)應運而生。其本質(zhì)特點是模擬人腦的機能,有效地獲取、傳遞、處理、再生和利用故障信息, 運用大量獨特的專家經(jīng)驗和診斷策略,成功地識別和預測診斷對象態(tài)。智能診斷技術(shù)在知識層次上實現(xiàn)了辨證邏輯與數(shù)理邏輯的集成、符號邏輯與數(shù)值處理的統(tǒng)一、推理過程與算法過程的統(tǒng)一、知識庫與數(shù)據(jù)庫的交互等功能,為構(gòu)建智能化的液壓故障診斷系統(tǒng)提供了堅實的基礎(chǔ)。

目前,基于智能技術(shù)的故障診斷法主要有:基于神經(jīng)網(wǎng)絡的診斷法、基于專家系統(tǒng)的診斷法、基于模糊邏輯的診斷法等。

2 人工智能及智能診斷

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

3 液壓故障的智能診斷技術(shù)

目前的研究主要從兩方面展開,即基于專家系統(tǒng)的液壓系統(tǒng)故障智能診斷技術(shù)和基于神經(jīng)網(wǎng)絡的液壓系統(tǒng)故障智能診斷技術(shù)。

3.1 液壓故障診斷專家系統(tǒng)

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

3.1.1 知識庫

知識庫是故障診斷專家系統(tǒng)的基礎(chǔ), 如何建立有效的知識庫是診斷系統(tǒng)的重要環(huán)節(jié),知識庫的模型不僅要符合專家診斷推理的思維,同時還要具備不斷自我充實的能力,以提高專家系統(tǒng)的性能。知識庫中存放各種故障現(xiàn)象、引起故障的原因及原因和現(xiàn)象間的關(guān)系,知識包括領(lǐng)域?qū)＜业膯l(fā)性知識和液壓系統(tǒng)的結(jié)構(gòu)原理性知識。前者源于領(lǐng)域?qū)＜以陂L期實踐中的知識積累,后者來自于對液壓系統(tǒng)結(jié)構(gòu)、原理和性能的深層次研究。通過對液壓系統(tǒng)結(jié)構(gòu)、功能和故障機理特征的分析可將其各部分的隸屬關(guān)系描述成一種樹狀結(jié)構(gòu),如系統(tǒng)級、子系統(tǒng)級、部件級和元件級等若干層次。

3.1.2 推理機

推理機是專家系統(tǒng)的核心,實際上是計算機的控制模塊,根據(jù)輸入的設備癥狀,利用知識庫中存貯的專家知識,按一定的推理策略解決診斷問題。通常采用的推理策略有正向推理、反向推理、正反向混合推理;常用的知識表達方式有產(chǎn)生式規(guī)則、框架、謂詞邏輯等。

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

3.1.3 專家系統(tǒng)的實現(xiàn)

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

圖1 液壓系統(tǒng)故障診斷專家系統(tǒng)結(jié)構(gòu)圖

3.2 液壓故障診斷神經(jīng)網(wǎng)絡系統(tǒng)

第6篇：人工智能和神經(jīng)網(wǎng)絡的關(guān)系范文

關(guān)鍵詞 徑向基神經(jīng)網(wǎng)絡；大壩變形；監(jiān)控模型；預測預報；白石水庫

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

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

早期人們通過繪制過程線、相關(guān)圖，直觀地了解大壩變形測值的變化大小和規(guī)律，并運用比較法、特征值統(tǒng)計法，檢查變形在數(shù)量變化大小、規(guī)律、趨勢等方面是否具有一致性和合理性，對大壩變形進行定性分析。隨著各種分析理論的產(chǎn)生，模糊數(shù)學、突變理論、灰色系統(tǒng)理論、神經(jīng)網(wǎng)絡等理論方法被相繼引入大壩變形監(jiān)控領(lǐng)域。

1 徑向基神經(jīng)網(wǎng)絡

1.1 人工神經(jīng)網(wǎng)絡概述

人工神經(jīng)網(wǎng)絡是人工智能控制技術(shù)的主要分支之一，具有自適應、自組織和實時學習等智能特點，能夠?qū)崿F(xiàn)聯(lián)想記憶、非線性映射、分類識別等功能[1]。應用人工神經(jīng)網(wǎng)絡的非線性函數(shù)逼近能力，構(gòu)建大壩監(jiān)控模型，能夠?qū)崿F(xiàn)對大壩變形的實時、有效監(jiān)控，其預報效果和精度遠遠高于傳統(tǒng)的逐步回歸統(tǒng)計模型[2]。

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

1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡

徑向基函數(shù)神經(jīng)網(wǎng)絡一般由3層組成，輸入層只傳遞輸入信號到隱層，隱層節(jié)點由類高斯函數(shù)的輻射狀基函數(shù)構(gòu)成，輸出層節(jié)點通常是簡單的線性函數(shù)。

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

一般對于一個n維輸入、m維隱層節(jié)點的徑向基網(wǎng)絡，其輸入向量表示為：

X=（x1，x2，…，xi，…，xn）T（1）

那么，網(wǎng)絡輸出Y為：

Y=■wiφi（||X-vi||）（2）

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

1.3 徑向基神經(jīng)網(wǎng)絡和基于BP算法的多層前饋神經(jīng)網(wǎng)絡比較

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

（1）網(wǎng)絡結(jié)構(gòu)不同。徑向基網(wǎng)絡只有一個隱層，而多層前饋神經(jīng)網(wǎng)絡的隱層可以是多層的，也可以是單層的。

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

（3）隱層激勵函數(shù)計算方法不同。徑向基網(wǎng)絡基函數(shù)計算的是輸入向量與函數(shù)中心的歐氏距離，而多層前饋神經(jīng)網(wǎng)絡隱層激勵函數(shù)計算的是輸入向量與其連接權(quán)值向量的內(nèi)積。

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

2 白石水庫大壩變形徑向基神經(jīng)網(wǎng)絡模型

2.1 白石水庫工程概況

白石水庫位于遼寧省北票市上園鎮(zhèn)附近的大凌河干流上，總庫容16.45億m3，是干流上唯一的大（I）型控制性骨干工程。大壩為混凝土重力壩，部分采用RCD碾壓混凝土技術(shù)。最大壩高49.3 m，壩頂長513 m，分為32個壩段。水庫1996年9月正式開工，1999年9月下閘蓄水。

2.2 大壩變形徑向基神經(jīng)網(wǎng)絡模型

一般情況下，大壩變形數(shù)學模型分為3個分量，即水壓變形分量（δH）、溫度變形分量（δT）和時效變形分量（δt），模型可以表示為[4]：

δ=δH+δT+δt（3）

該文水壓變形分量采用壩前水深（H）的一次冪、二次冪、三次冪呈線性關(guān)系；溫度變形分量采用1、15、30、60、90 d的庫區(qū)日常平均氣溫；時效變形分量選用對數(shù)函數(shù)和線性函數(shù)2種。根據(jù)公式（3），設計網(wǎng)絡輸入為11個節(jié)點，輸出為1個節(jié)點的3層大壩變形徑向基神經(jīng)網(wǎng)絡。

2.3 神經(jīng)網(wǎng)絡模型預測、預報效果分析

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

3 結(jié)論

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

4 參考文獻

[1] 韓力群.人工神經(jīng)網(wǎng)絡教程[M].北京：北京郵電大學出版社，2006.

[2] 韓衛(wèi).基于神經(jīng)網(wǎng)絡的大壩變形智能監(jiān)控模型研究[D].大連：大連理工大學，2009.

第7篇：人工智能和神經(jīng)網(wǎng)絡的關(guān)系范文

1計算機神經(jīng)網(wǎng)絡體系

人們?yōu)榱艘驅(qū)τ嬎銠C迅猛發(fā)展帶來的危機在上世紀40年代就提出了神經(jīng)網(wǎng)絡體的設想,并對此加以研究實驗。自80年代后已經(jīng)成為人們評價計算機網(wǎng)絡安全的重要標準。大量簡單的神經(jīng)元通過相互連接形成更復雜的神經(jīng)結(jié)構(gòu),神經(jīng)結(jié)構(gòu)之間相互連接最終形成神經(jīng)網(wǎng)絡體系。神經(jīng)網(wǎng)絡體系具有十分強的的信息處理工能,可以存儲分布、處理分布,有包容性和學習能力,能夠處理非線性的復雜關(guān)系,是一個成長型的系統(tǒng)。神經(jīng)網(wǎng)絡系統(tǒng)通過調(diào)節(jié)自身節(jié)點之間的關(guān)系,來完成對信息的分析處理,模仿人的大腦對信息的處理方式。其具有很強的靈活性和針對性,可以進行初步的理性分析,優(yōu)化其自身的信息資料庫,找尋最優(yōu)的解決方案。計算機神經(jīng)網(wǎng)絡系統(tǒng)是人類邁向人工智能化時代的一大創(chuàng)舉,隨著人工智能技術(shù)的不斷進步,更加智能的機器人將隨之產(chǎn)生。

2計算機網(wǎng)絡安全的評估標準

計算機的使用者們根據(jù)當前計算機的使用狀態(tài)制定了一系列的計算機網(wǎng)絡安全現(xiàn)行標準。

2.1網(wǎng)絡安全的定義

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

2.2網(wǎng)絡安全評估標準

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

2.3網(wǎng)絡安全體系的設定

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

3神經(jīng)網(wǎng)絡系統(tǒng)在計算機網(wǎng)絡安全中的應用

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

4神經(jīng)網(wǎng)絡系統(tǒng)對計算機網(wǎng)絡安全的影響

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

第8篇：人工智能和神經(jīng)網(wǎng)絡的關(guān)系范文

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

關(guān)鍵詞：人工神經(jīng)元網(wǎng)絡(ANN)　電力系統(tǒng)　應用前景　展望

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

1.ANN發(fā)展過程

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

2.ANN的特點與結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡的研究與發(fā)展及神經(jīng)生理科學、數(shù)理科學、信息科和計算機科學等眾多領(lǐng)域，是一種新的信息處理理論。它所特有的信息處理機制，與傳統(tǒng)的數(shù)字計算機有著本質(zhì)的不同。ANN網(wǎng)絡由大量模擬人腦的神經(jīng)元互連組成，無獨立的用于存儲的信息空間，更沒有單一執(zhí)行指令的CPU，每個神經(jīng)元的結(jié)構(gòu)都十分簡單，信息處理與存儲合二為一，通過調(diào)整連接權(quán)值，由整體狀態(tài)來給出響應信息。ANN是一種非線性映射系統(tǒng)，具有強大的模式識別能力，可以對任意復雜狀態(tài)或過程進行分類和識別。

3.ANN在電力系統(tǒng)中的應用

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

3.1智能控制

在電力系統(tǒng)中利用ANN實現(xiàn)智能控制，就是利用其估計和聯(lián)想的能力，實現(xiàn)系統(tǒng)狀態(tài)與參數(shù)的識別和控制，這已在多種控制結(jié)構(gòu)中如自校正控制、模型跟蹤控制、預測控制等控制中得到應用。Y M Park等采用2個BP網(wǎng)絡構(gòu)成電力系統(tǒng)穩(wěn)定器(PSS)的模型，其中1個在系統(tǒng)功率擺動中估計發(fā)電機的輸出功率。另一個用于判斷并給出控制決策。范澍等應用4層BP網(wǎng)絡對發(fā)電機運行方式和系統(tǒng)干擾進行精確在線識別，并以此為基礎(chǔ)設計了一種最優(yōu)勵磁調(diào)節(jié)器模型，計算與仿真結(jié)果表明，這種調(diào)節(jié)器比固定點線性勵磁方式具有更強的穩(wěn)定性能和動態(tài)品質(zhì)，在系統(tǒng)運行方式較大的變化范圍內(nèi)都能提供很好的控制性能，在大小擾動下均表現(xiàn)出很好的阻尼特性和良好的電壓性能。袁宇春等提出了用ANN進行電力系統(tǒng)的實時切負荷控制，選用的是多輸入單輸出的單層前向神經(jīng)網(wǎng)絡，選取185個樣例進行網(wǎng)絡訓練后，在西北電網(wǎng)模擬某線路故障顯示了較好的控制特性。

3.2優(yōu)化計算

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

3.3故障診斷

要保證電力系統(tǒng)的安全運行和實現(xiàn)電力設備由定期檢修轉(zhuǎn)變?yōu)闋顟B(tài)檢修，如何準確地進行電力設備的故障診斷，一直是受關(guān)注的焦點之一。而這類故障的征兆錯綜復雜，往往呈現(xiàn)出非線性和不確定性，很難用某一確定的邏輯或算法進行識別。而這種識別恰好是ANN所擅長的。ANN在電機狀態(tài)監(jiān)測與診斷上也獲得了成功的應用。何雨儐等提出一種聯(lián)想記憶神經(jīng)網(wǎng)絡，取零序電流、定子不對稱電流及其變化率等電測參數(shù)為故障征兆，通過網(wǎng)絡的聯(lián)想能力快速準確地進行電機早期故障的雙向診斷，能有效地處理各種模式并存的故障診斷問題。并且容錯性好，能有效抑制現(xiàn)場噪聲干擾，使診斷系統(tǒng)具有良好的魯棒性。電網(wǎng)故障診斷中，用全局逼近的BP算法完成故障的快速定位，便于控制人員及時處理故障。

3.4繼電保護

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

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

4.ANN在電力系統(tǒng)中的發(fā)展趨勢

ANN在電力系統(tǒng)中應用已做了大量的研究，一但是總體上來說仍停留在理論分析和仿真實驗上，因此必須加強理論研究與實際工程應用的結(jié)合，例如可在狀態(tài)檢修、在線監(jiān)測等電力系統(tǒng)有較迫切需求的領(lǐng)域中，尋找實際應用的突破口。近幾年興起的小波變換方法，由于其克服了傅里葉變換不能對信號進行局部化分析的缺點。同時具有很強的特征值提取功能，特別適用于故障信號的分析，經(jīng)小波變換處理后的信號作為神經(jīng)網(wǎng)絡的輸入，可使網(wǎng)絡大大提高抗干擾性并加速收斂。所以小波分析與ANN的結(jié)合將在電力系統(tǒng)控制、保護、故障診斷等方而發(fā)揮更大的作用。ANN與專家系統(tǒng)和模糊控制的綜合對電力系統(tǒng)這樣一個復雜的動態(tài)大系統(tǒng)來說，應用潛力更大。ANN的形象思維能力，專家系統(tǒng)的邏輯思維能力和模糊邏輯這三者的結(jié)合，可體現(xiàn)出各自的優(yōu)勢，互相彌補各自的不足。

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

第9篇：人工智能和神經(jīng)網(wǎng)絡的關(guān)系范文

關(guān)鍵詞:故障診斷;故障定位;專家系統(tǒng);神經(jīng)網(wǎng)絡;貝葉斯網(wǎng)絡

中圖分類號:TP393文獻標識碼:A文章編號:1009-3044(2009)31-pppp-0c

Summary on Network Fault Diagnosis Key Technologies

ZHANG Yan

(Suzhou Vocational University, Suzhou 215104, China)

Abstract: As the network failure is inevitable, which requires to manage the network. However, network fault information is usually shown by the complexity and uncertainty of the characteristics, it is necessary for accurate fault detection and location is very difficult, especially the fault location. Focus on the analysis of the fault location based on the principle, introduced artificial intelligence technology such as expert systems, neural networks and Bayesian networks, and the symptoms of failure to carry out the causal link between the reasoning of the fault location technology.

Key words: fault diagnosis; fault localization; expert system; neural network; bayesian network

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

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

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

1 網(wǎng)絡故障診斷概述

通常網(wǎng)絡故障診斷過程包括三個階段[3]:

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

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

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

當前網(wǎng)絡故障診斷的研究主要集中在故障診斷的第二階段――故障定位,這是網(wǎng)絡故障診斷的關(guān)鍵技術(shù),也是網(wǎng)絡故障診斷的難點所在[2-4]。

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

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

1) 故障證據(jù)可能是模糊的、不一致的和不完整的;

2) 得到的系統(tǒng)知識可能包含不確定信息;

3) 多個不相關(guān)的故障可能同時發(fā)生產(chǎn)生重疊的告警消息;

4) 存在多個不同的故障假設能夠解釋觀察到的故障癥狀;

5) 在大型系統(tǒng)中,利用單個管理應用程序?qū)ο到y(tǒng)進行故障定位以及對可用知識庫進行維護在計算上通常是不可行的;

6) 事件之間不僅存在因果關(guān)系,通常還存在時間相關(guān)性。

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

2 故障定位技術(shù)

2.1 基于專家系統(tǒng)的故障定位技術(shù)

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

專家系統(tǒng)由知識庫、推理機、知識獲取、解釋界面等四部組成,其中知識庫用來存放相關(guān)領(lǐng)域?qū)＜姨峁┑膶ｉT知識。在故障檢測診斷專家系統(tǒng)的知識庫中,存儲了某個對象的故障征兆、故障模式、故障成因、故障排除意見等內(nèi)容,這些知識是診斷的基礎(chǔ)。專家系統(tǒng)知識庫的知識,可以是從經(jīng)驗中獲得的表面知識,也可以是通過理解系統(tǒng)行為的工作原理而得到的深層知識。推理機的功能是根據(jù)一定的推理策略從知識庫中選取有關(guān)的知識,對用戶提供的證據(jù)進行推理,直到得出相應的結(jié)論為止。

根據(jù)專家系統(tǒng)所使用知識結(jié)構(gòu)的不同,解決故障定位問題的技術(shù)可分為以下幾種:

1) 基于規(guī)則的推理技術(shù)

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

在RBR的事件關(guān)聯(lián)系統(tǒng)中,知識庫的專家知識是網(wǎng)絡中的問題定義。工作存儲區(qū)包括被監(jiān)控網(wǎng)絡的拓撲和狀態(tài)信息,工作存儲區(qū)用來識別網(wǎng)絡是否出現(xiàn)不完善的狀態(tài)。推理引擎根據(jù)知識庫的信息,將當前的狀態(tài)與規(guī)則的左側(cè)相比較,查找出最相似的匹配,然后輸出規(guī)則的右側(cè)。

2) 基于模型的推理技術(shù)

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

3) 基于范例的推理技術(shù)

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

2.2 基于神經(jīng)網(wǎng)絡的故障定位技術(shù)

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

目前神經(jīng)網(wǎng)絡有兩種診斷模式:

1) 離線診斷:這種診斷模式將學習和系統(tǒng)運行分開。當系統(tǒng)出現(xiàn)故障時,把故障信息或現(xiàn)象輸入神經(jīng)網(wǎng)絡,神經(jīng)網(wǎng)絡通過自組織和自學習,輸出故障解決方案。

2) 在線診斷:將神經(jīng)網(wǎng)絡和系統(tǒng)直接相連,讓系統(tǒng)自動獲得故障信息和現(xiàn)象,然后由神經(jīng)網(wǎng)絡內(nèi)部進行自組織和自學習,把學習過程和運行過程合二為一。

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

2.3 基于貝葉斯網(wǎng)絡的故障定位技術(shù)

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

貝葉斯網(wǎng)絡可以定義為一個三元組(V,L,P),V是有向非循環(huán)圖中的結(jié)點集,L是結(jié)點之間的因果鏈集,表示它們之間的因果關(guān)系,P是概率集,即P = {p(υ|π(υ)) |υ∈V},π(υ)是υ的父結(jié)點,表示一個變量對另一個變量的影響程度。 V由故障集F = {f1, f2, …, fm}和癥狀集S = {s1, s2, …, sn}組成。P= {p(si | fj) | si∈S, fj∈F, i=1, 2, …, n, j=1, 2, …, m}。這里,一個癥狀可能被多個故障引發(fā),一個故障可能引發(fā)多個故障。假設模型是完備的,即,若用Fsi表示所有可能引起癥狀si的故障集合,如果Fsi中的故障都沒發(fā)生,那么癥狀si一定不會出現(xiàn),反之,如果出現(xiàn)癥狀si,那么Fsi中至少有一個故障發(fā)生。(下轉(zhuǎn)第8677頁)

(上接第8669頁)

2.4 故障定位技術(shù)分析

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

基于神經(jīng)網(wǎng)絡的故障診斷方法中,對神經(jīng)網(wǎng)絡進行訓練的工作量非常大。神經(jīng)網(wǎng)絡的適應性也比較差,不能自動適應網(wǎng)絡環(huán)境的變化?；诖植诩窠?jīng)網(wǎng)絡的故障診斷方法,將模糊控制技術(shù)和神經(jīng)網(wǎng)絡技術(shù)相結(jié)合,雖然結(jié)合了兩者的優(yōu)勢,但實現(xiàn)起來就比較困難。

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

此外,除了上述網(wǎng)絡故障定位技術(shù),還有基于數(shù)據(jù)挖掘的網(wǎng)絡故障定位技術(shù)、基于Petri網(wǎng)的網(wǎng)絡故障定位技術(shù)和基于有限狀態(tài)機的網(wǎng)絡故障定位技術(shù)等方法。

3 小結(jié)

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

參考文獻:

[1] Greg Tomsho.網(wǎng)絡維護和故障診斷指南站[M].曉蘇,譯.北京:清華大學出版社,2003.

[2] Breitbart Y,Garofalakis M, Jai B.Topology discovery in heterogeneous IP networks: the net inventory system[J].IEEE/ACM Transactions on Networking,2004,12 (3):465-476.

[3] ANSI T1.215 OAM&P-Fault Management Messages for Interface between Operations Systems and Network Elements,1994.

[4] 鄭秋華.網(wǎng)絡故障智能診斷關(guān)鍵技術(shù)研究[D].杭州:浙江大學,2007.