神经网络在人工智能的应用精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的神经网络在人工智能的应用主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络在人工智能的应用范文

随着计算机网络、信息技术、自动化技术的进步，极大的改变了我们的生活。人工神经网络技术是一种全新的控制技术，通过互联网进行动态模拟，从而建立一种新的控制互联网的系统。经过十几年的发展，人工神经网络技术研究取得了巨大的进步，已经广泛应用在社会各个领域，使现代计算机中的难题得到了解决。本文主要从人工神经网络技术的概念出发，探讨了它在现代社会领域的具体应用。

【关键词】人工神经网络 信息技术 发展趋势

人工神经网络技术在处理实际问题主要包括两个过程，一个是学习训练过程，另外一个是记忆联想过程。近年来随着人工网络技术的发展，人工神经网络技术在信号处理、图像处理、智能识别等领域已经取得了巨大的改变，为人们研究各类科学问题提供了一种新的方法和手段，使人们在交通运输、人工智能、军事、信息领域的工作更加便捷，近年来随着AI的l展，人工神经网络技术得到了快速的发展阶段。

1 人工神经网络技术

人工神经网络技术也称ANN，是随着上个世纪八十年代人工智能发展兴起的一个研究热点，它的主要工作原理对人脑神经网络进行抽象处理，并仿造人脑神经网络建立简单的模型，按照不同的连接方式组成一个完整的网络，因此学术界也直接将它成为神经网络。神经网络其实就是一种运算模型，它是通过大量的节点――神经元连接起来的，其中不同的节点所代表的输出函数也不同，也就是所谓的激励函数；当有两个节点连接起来时称之为通过该连接信号的加权值，也称为权重，这就相当人脑神经网络记忆。人工神经网络技术是采用并行分布式系统，这种工作机理与传统的信息处理技术和人工智能技术完全不同，是一种全新的技术，它克服了传统基于逻辑符号的人工智能处理非结构信息化和直觉方面的缺陷，具有实时学习、自适应性和自组织性等特点。

2 人工神经网络技术应用分析

随着人工神经网络技术的发展，它在模式识别、知识工程、信号处理、专家系统、机器人控制等方面的应用较广。

2.1 生物信号的检测分析

目前大部分医学检测设备都是通过连续波形得到相关数据，从而根据所得数据对病情进行诊断。人工神经网络技术就是应用了这样的方式将多个神经元组合起来构成，解决了生物医学信号检测方面的难题，其适应性和独立性强，分布贮藏功能多。在生物医学领域该技术主要应用于对心电信号、听觉诱发电位信号、医学图像、肌电荷胃肠等信号的处理、识别和分析。

2.2 医学专家系统

传统的医院专家系统是直接将专家的经验、学历、临床诊断方面取得的成绩等存储在计算机中，构建独立的医学知识库，通过逻辑推理进行诊断的一种方式。进入到二十一世纪，医院需要存储的医学知识越来越多，每天产生新的病况和知识，过去的一些专家系统显然已经无法适应医院的发展需求，因此医院的效率很低。而人工神经网络技术的出现为医院专家系统的构建提出了新的发展方向，通过人工神经网络技术，系统能够自主学习、自己组织、自行推理。因此在医学专家系统中该网络技术应用面较广。麻醉医学、重症医学中生理变量分析和评估较多，目前临床上一些还没有确切证据或者尚未发现的关系与现象，通过人工神经网络便能有效地解决。

2.3 市场价格预测

在经济活动中，传统统计方法受到一些因素的制约，无法对价格变动做出准确的预测，因此难免在预测的时候出现失误的现象。人工神经网络技术能够处理那些不完整的、规律不明显、模糊不确定的数据，并作出有效地预测，因此人工神经网络技术具有传统统计方法无法比拟的优势。例如人工神经网络技术可以通过分析居民人均收入、贷款利率和城市化发展水平，从而组建一个完整的预测模型，准确预测出商品的价格变动情况。

2.4 风险评价

在从事某一项特定的活动时，由于社会上一些不确定因素，可能造成当事人经济上或者其他方面的损失。因此在进行某一项活动时，对活动进行有效的预测和评估，避免风险。人工神经网络技术可以根据风险的实际来源，构筑一套信用风险模型结构和风险评估系数，从而提出有效地解决方案。通过信用风险模型分析弥补主观预测方面的不足，从而达到避免风险的目的。

3 人工神经网络技术未来发展

人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷，因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步，AI的快速发展，AI与遗传算法、模糊系统等方面结合，形成了计算智能，很多企业和国家开始大规模研发AI，人工神经网络正在模拟人类认知的方向发展，目前市场已经有很多不少人工智能产品面世。

4 结语

通过上述研究分析，人工神经网络技术已经取得了相应的发展，但还存在很多不足：应用范围狭窄、预测精度低、通用模型缺乏创新等，因此需要我们在此基础上不断寻找新的突破点，加强对生物神经元系统的研究和探索，进一步挖掘其潜在的价值，将人工神经网络技术应用在更多领域中，为社会创造更大的财富。

参考文献

[1]周文婷，孟琪.运动员赛前心理调控的新策略――基于人工神经网络技术的比赛场地声景预测（综述）[J].哈尔滨体育学院学报，2015，33（03）：15-21.

[2]张红兰.人工神经网络技术的应用现状分析[J].中国新通信，2014（02）：76-76.

[3]张广军.人工神经网络技术在光电检测中的应用[J].北京航空航天大学学报，2001，27（05）：564-568.

第2篇：神经网络在人工智能的应用范文

中图分类号：G642

1 背 景

电子信息科学与技术是以物理和数学为基础，研究通过电学形式表达和操控信息的基本规律以及运用这些基本规律实现各种电子系统的方法。在进入电子时代和信息社会的今天，电子信息科学技术已渗透各个领域。随着电子信息技术日新月异，电子信息教学领域也面临着全新的挑战，需要培养具有全方位视野和超强能力的新一代工程师及领导者。本着这一目标，清华大学电子系自2008年开始着手进行课程改革，通过改革课程体系将原有课程重新整合，从学科范式的角度整理出电子工程本科教育的知识体系结构，从而梳理出新的本科课程体系，形成电子信息领域学科地图[1-2]。

2016年AlphaGo战胜李世石的事实，让人工智能技术再一次向世人展示了自己的潜力。人工智能无论在传统的制造加工行业，还是在新兴的互联网行业，都成为国内外各大企业争相研究开发的目标，在学术界也是如此。2016年底，Gartner全球峰会2017十大技术趋势报告[3]，预测2017年十大技术趋势：人工智能与机器学习、智能应用、智能事物、虚拟和增强现实、数字化双生、区块链和已分配分类账、对话式系统、格网应用和服务架构、数字化技术平台、自适应安全架构。Gartner预计2017年全球将有超过60%的大型企业开始采用人工智能技术。

在2016年开设的媒体与认知课程内容中，我们参考国内外诸多名校相关课程的理论及项目内容，结合电子工程系在该领域研究的基础优势和创新性成果，建设了一套媒体认知人工智能技术教学课程内容及平台，以期学生获得人工智能技术中深度学习技术的基础理论和开发能力。课程通过提供人工智能技术领域高层次专业人才必需的基本技能、专业知识及思维方式，力争培养具有国际一流科研创新能力的人工智能方向的专业技术人才。

2 人工智能技术教学内容

美国MIT大学的Statistical Learning Theory and Applications课程[4]，致力于从统计学习和正则化理论的角度介绍机器学习的基础和最新进展。除了经典的机器学习方法，如支持向量机、流形学习、有监督学习等之外，还重点介绍深度学习计算的理论框架并要求学生以项目形式给出基于机器学习和深度神经网?j的解决方案。

美国CMU大学的Deep Learning课程[5]通过一系列研讨会和课程实验介绍深度学习这一主题，涵盖深度学习的基础知识和基础理论及应用领域，以及大量数据学习的最新问题。通过若干实验题目，学生可以对深度神经网络原理及应用加深理解。

美国Stanford大学的Deep Learning for Natural Language Processing课程[6]深入介绍应用于自然语言理解的深度学习前沿研究，讨论包括循环神经网络、长短期记忆模型、递归神经网络、卷积神经网络等非常新颖的模型。通过上机实验，学生将学习使用神经网络工作的技巧来解决实际问题，包括实施、训练、调试、可视化和提出自己的神经网络模型，最终的实验项目涉及复杂的循环神经网络并将应用于大规模自然语言理解的问题。

媒体认知课程参考了上述著名课程的理论内容和项目特色。我们结合电子工程系在人工智能领域研究的基础、优势和创新性成果，设计开发了一套以人工智能技术为基础的前沿探索型媒体认知教学课程内容及实验平台，试图构建具有国际水准的人工智能技术教学课程内容。

3 深度学习技术发展概况

传统的人工智能系统一般采用机器学习技术，这类技术在处理原始形式的自然数据的能力上受到限制，一般困难集中在如何将原始数据变换为合适的内部表示或特征向量。深度学习（deep learning）近年来受到人工智能行业的广泛关注，是一种表征学习（representation-learning）方法，由于拥有可以逼近任意非线性函数的特性，深度神经网络（deep neural network，DNN）及其衍生的各种神经网络结构有能力取代传统模型，在语音、图像、文本、视频等各种媒体的内容识别系统中发挥作用。

著名的人工智能科学家Yann LeCun于2015年在Nature上发表文章[7]指出，深度学习允许多个处理层组成的计算模型学习如何表征具有多级抽象层面的数据。这些方法已经大大提高语音识别、视觉识别、目标检测以及诸如药物发现、基因学等许多领域的最新技术水平。深度学习通过使用反向传播算法发现大数据集中的复杂结构，以指示机器如何改变其内部参数，这些内部参数是从深度神经网络上一层的表示中计算每层中的表示。深度卷积网络在处理图像、视频、语音和音频方面带来突破性的进展，而递归网络则对文本、语音等顺序数据提供解决方案。

递归网络可被视作较深的前馈网络，其中所有层共享相同的权重。递归网络的问题在于难以在长期的时间内学习并存储信息。为了解决这一问题，长短期记忆（long short-term memory，LSTM）模型网络被提出，主要特点在于其存储器单元在下一个加权值为1的时间段内与自身连接，因此能够在复制自身状态的同时累加外部信号，此外这种自我连接被另一个单元通过学习决定何时清除此类信息。长短期记忆模型被证明在语音识别和机器翻译应用系统中比传统的递归网络更加有效。

4 基于深度学习的语音识别教学项目

在对上述课程及配套项目进行详细研究的基础上，结合现有科研及平台，我们构建了一种基于深度学习的连续语音识别项目平台，包括两个主要项目：深度神经网络语音识别项目及长短期记忆模型递归神经网络语音识别项目。

4.1 深度神经网络语音识别项目

典型的深度神经网络语音识别模型[8-9]核心是对声学特征进行多层变换，并将特征提取和声学建模在同一网络中进行优化。神经网络可以通过非线性激活函数来拟合任何非线性函数，可以使用神经网络取代原有声学模型中的高斯混合模型，用来计算每一帧的特征与每个音素的相似程度。深度神经网络原理的结构示意图如图1所示。

图1代表了一个拥有3个隐含层的深度神经网络。相邻两层中，每层的每一个节点都与另外一层的所有节点单向连接。数据由输入层输入，逐层向下一层传播。对于节点间的连接权重，采用BP算法。BP算法对于给定的输入输出训练数据，首先通过正向传播由输入得到输出，之后通过实际输出与理论上的正确输出之差得到残差，并由输出层向输入层根据激活函数与连接权重反向传播残差，计算出每一个节点与理想值之间的残差，最后根据每个节点的残差修正节点间连接的权重，通过对权重的调整实现训练，从而更加靠近理论输出结果。

将DNN实际利用到语音识别的声学模型时，其结构示意图如图2所示。深度神经网络的输入层输入从每一帧音频中提取出的特征，通过网络的正向传播，在输出?邮涑龅鼻爸《杂Σ煌?音素的相似程度，从而作为HMM的发射概率进行语音识别。考虑到DNN没有记忆特性，而语音信号即使是在音素层级上，其前后也有相当大的联系。为了提高DNN在处理前后高度关联的语音信号中的表现，一般选择同时将当前帧的前后部分帧作为网络的输入，从而提高对当前帧识别的正确率。

4.2 长短期记忆模型递归神经网络语音识别项目

长短期记忆模型应用于语音识别中声学模型的思路和深度神经网络类似[10-11]，取代高斯混合模型用于计算输入帧与各音素的匹配程度。原理为首先根据输入门判断输入的数据可以进入记忆细胞的比例，同时遗忘门决定记忆细胞遗忘的比例；之后由记忆细胞残存的记忆部分和新输入的部分求和，作为记忆细胞的新记忆值；将新的记忆值根据输出门的控制得到记忆细胞的输出，并通过递归投影层降维，降维之后的结果一方面作为3个控制门的反馈，另一方面作为网络的输出；非递归投影层则仅仅作为最终输出的补充，而不会影响控制门。将长短期记忆模型实际利用到语音识别的声学模型时，其结构示意图如图3所示。

与深度神经网络不同，长短期记忆模型递归神经网络因为有记忆特性，所以不需要额外的多帧输入，只需要输入当前帧。然而，考虑到语音前后的关联性，一般会将输入的语音帧进行时间偏移，使得对t时刻帧的特征计算得到的输出结果是基于已知未来部分帧的特征之后进行的，从而提高准确度。

第3篇：神经网络在人工智能的应用范文

关键词：人工神经；网络游戏程序；研究和设计；分析探究

中图分类号：TP183 文献标识码：A 文章编号：1671-2064（2017）01-0044-01

近年来，在网络游戏发展过程中，图像的呈现质量已经提升到了一个极高的水平，人工智能游戏已经成为决定一款游戏成功与否的重要关键，并受到了游戏开发商的广泛关注和高度重视。网络游戏作为一种目标性、竞争性、互动性、情节性的娱乐作品，它的智能水平对游戏的质量和可玩性具有着直接的影响作用。因此，将计算机图形学和人工智能有机的结合起来，把人工智能中的预测、路径规划、搜索、学习等技术有效的应用到网络游戏的研发工作中去，不仅能够提升游戏的质量和可玩性，同时还有利于促进游戏开发企业的发展。

1 人工神经网络分析

人脑可以用一套较为独特的方法来解决相关问题，并且还能够从正反两面的行为差异中进行学习，经过研究发现，人脑是由十万种类的遗传因子中的十万亿个细胞组合而成，人工神经网络就相当于模拟人脑功能的一个数学模型。其中神经元作为人脑系统中处理基本信息的单元，是人体神经器官的重要组成部分，通过轴将各个神经元进行有效连接，而其他神经元的发送的信号能够使当前神经元产生相应的反映，这一反映如果能够达到特定的阈值，就会逐渐产生一种新的信号，并且沿着轴将信号传输到其他神经元[1]。人工神经网络主要就是由各种节点相互连接组合形成的，节点类似于人脑的各个神经元细胞，会存在一些节点连接外部环境，主要负责相关的信息输出和输入工作，被称作是输出点或者输入点，而另外一些网络内部的节点，通常被称作隐藏节点。隐藏节点的信息输出通常是输出节点的信息输入，输入节点的信息输出通常是隐藏节点的信息输入。

此外，人工神经网络的主要核心思想就是对人类大脑神经系统功能进行模拟的机器学习的一种方法，并且通过对系统内部各个神经元的各种连接参数进行反复的调节，使得神经网络系统得到训练，并且在遇到一定情况时能够做出最佳的反映[2]。总之，神经网络作为一项发展较为成熟的技术，其在解决相关问题之后，将会使网络游戏的智能化提升到一个全新的高度。

2 人工神经网络中的游戏学习设计分析

与传统方法相比，神经网络解决问题的方式有着明显的不同，其具有着较强的自主学习能力，经过不断的学习，ANN可以从未知式中的各种复杂数据信息中发现规律[3]。这种神经网络方法在很大程度上克服了传统方法在分析中的复杂性以及各种模型函数选择的困难，通过训练对问题进行解答，ANN可以较为快速的建立解决问题的非线性和线性模型。如果想要人工神经网络进行运作，首先就需要让网络进行学习，不断的训练网络，帮助它获取更多的知识信息，最后将这些信息有效的存储起来。一旦完成相关的训练和学习，就可以将知识有效的存储在权值中。在游戏的开发过程中，将神经网络模型看作是人物建模的基础，通过对玩家将要进行的动作或者选择的画面场景进行预测，运用神经网络进行信息存储，并且在游戏的运行过程中要保证学习元素的有效运行，进而让神经网络潜移默化的学会相应的自适应技术，最终实现游戏的可玩性和趣味性，提升游戏的开发设计质量和效果，进而吸引更多的游戏玩家。

3 BP神经网络游戏开发设计分析

在神经网络的众多模型中，BP算法是其中较为常用的一种神经网络，一般分为输入层、输出层、中间层等三个部分，各个层之间按顺序进行连接，因为中间存在隐含层，可以从中发现一定的学习规律，可以通过对这种网络的有效训练，进而形成一种较为复杂、多样的决策界面[4]。同时，BP神经网络具有一个强大的功能，其主要就是能够封装一个将信息输入映射到信息输出的非线性函数。假如不存在隐含层，那么神经网络只能发现信息输入与信息输出之间存在的线性关系。但是，仅仅是为感知网络增添一个隐含层还是远远不够的，需要通过非线性激活函数为网络连接提供相应的非线性元素。大多数的非线性函数基本上都能够进行使用，但是多项式函数除外。

在游戏中，设置网络作为神经网络实现的基本步骤，可以将特定数据当做输入训练网络，并且在游戏的具体输入中进行实际应用。在游戏问题的神经网络设计中，应该注意结构、学习、神经元特点等三个方面的因素。其中结构主要就是指要进行构造的神经网络组织、连接方式以及基本类型。而且在神经网络中节点数设计要遵循相关的原则就是越少越好。神经网络中的节点数越多，那么神经网络搜索正确解的空间范围就越广阔[5]。神经网络中输入节点数在一定程度上决定着模式匹配或网络分类的变量数，例如，篮球类型的游戏中，运动员投篮命中、灌篮动作、球员分布、难度等级等变量数。

4 结语

总而言之，网络游戏作为一种新型的娱乐方式，具有着较强的生活模拟性和互动性，深受广大社会群众的喜爱。因此，我国应该重视游戏产业的发展，不断加大对网络游戏的开发和设计，将神经网络有效的应用到网络游戏开发的实践中去，尤其是BP神经网络，它不仅可以预测玩家的行为，及时提供信息反馈，同时还能提高网络游戏的可玩性和趣味性，提升游戏设计的整体质量和效果，有利于促进我国游戏开发产业的发展和进步。

参考文献：

[1]余颖.基于神经网络和遗传算法的人工智能游戏研究与应用[D].湖南大学，2011.

[2]王淑琴.神经网络和遗传算法在游戏设计中的应用研究[D].东北师范大学，2014.

[3]f潭凯.神经网络在即时战略游戏中的应用[D].福州大学，2014.

第4篇：神经网络在人工智能的应用范文

【关键词】电子工程 机械工程 人工智能

电子机械工程产业对于传统的机械产业来说是一个新型的产业，随着国内的不断发展，两种产业逐渐融合，随着人工智能技术水平的不断提升，机械电子工程由信息链接逐渐代替了以前的能量链接和动能链接，使机械电子工程增加了部分人工智能技术。随着机械电子技术的更新和发展，人工智能技术也得到了很快的发展。

一、 什么是人工智能技术

所谓的人工智能是一门极富有挑战性的学科，从事人工智能学科的人必须要熟练计算机、哲学及心理学的应用，人工智能包含的科学范围是十分广泛的，它由不同的领域所组成，如机器技术，计算机应用等等，总体来说，人工智能所研究的主要目的就是为了使机械能够胜任一些需要人类智能才可以完成的工作。不同的年代对于不同工作的复杂程度理解是不同的，

本来复杂的科学和计算本应是用人的大脑来计算的，经过现代的发展，如今的计算机不仅可以完成这些计算，并且比人脑的计算速度要快几万倍，并且准确度相当高，由此可见，复杂工作的定义是随着时代的变化而变化的。人工智能这门科学也随着科技的不断变化而产生了改变，一方面不断地获取着新的进展，另一方面又向更加有难度的目标奋进。除此之外，人工智能技术还涉及信息论、自动化技术、控制论、仿生论、生物论、心理学、数学、哲学、语言学、医学等诸多学科。

二、 人工智能技术与电子机械之间应用的关系

我们社会发展的最初时候，人类社会发展的重要根源是物质和信息，当时各个方面的生产力水平还很低下，人类的生存主要以物质基础为主，那时的信息传递的方式还是最原始的“结绳记事”法。随着我国经济建设的不断发展，使生产力水平也不断提高。信息传递的重要性也随着我们思想观念的转变而变得尤为重要，因而，文字信息传递法由然而生。随着时代的发展，网络信息传递方式已经被广泛地应用于全国各地，给信息传递带来了新的革命，从此人类进入到了一个全新的信息化时代。信息化时代不能脱离人工智能技术发展，不管是任何行业，不管是控制技术或是模型建成、故障诊断或是故障报警，都离不开人工智能化技术的辅助，也可以说，人工智能化技术对于电子机械工程的发展与运作，起着不可忽视的作用。

电子机械系统本身就存在着不稳定的成分，于是电子机械输入系统和输出系统的描述就显得比较困难。而其传统的电子机械描述系统分为：推导数学方程的方法、学习并生成知识法和规则库建设方法这三种形式。尽管传统数学解析法精准度和严密度都很高，却并不适合复杂的机械系统运算，只能应用在那些简单机械系统运算中。复杂机械输入输出系统运算采取传统数学解析法很难给出正确的数学解析。随着社会的发展，当代社会对多样和精密的机械分析计算系统的需求越来越大，它可以处理多种多样的不同的信息数据种类。例如：电子机械运行的传感器传输的信息可以分成两大类：语言信息、数字信息，但在人工智能技术处理信息时出现了复杂性和不确定性的成分，导致以知识为基础的人工智能技术在数据传输中处理信息的时候，不知不觉的成了数学信息解析的替代手段。

电子机械运行过程构建的人工智能大体可以分为两类，即模糊推理系统和神经网络系统。

神经网络系统就像是人的大脑结构一样，先对机械系统传输的数字信号进行分析整理，然后及时分析参考数值；模糊推理系统则是人大脑功能的模拟，模拟大脑功能去分析机械传输的语言信号。而这两大输入输出数据的处理方式间的关系有相同的地方，也有不同的地方。神经网络系统与模糊推理系统的相似之处是：它们都是通过任意的精准度，用对网络结构的模拟去形成连续的函数。而两者不同点则是：神经网络系统具有不清晰的意义，模糊推理系统却具有清晰的意义；神经网络系统是从点到点的映射方式，而模糊推理系统则是整理域到域的映射方式；神经网络系统储存信息的方式是分布式的，而模糊推理系统储存信息的方式则是规则式的。主要是神经网络系统输入的每个神经元都有固定的联系，计算量相对比较大；模糊推理系统的连接有不稳定的因素，计算量相对来说比较小。而神经网络系统的信息输入输出阶段有着很高的精度，表现为光滑的曲面状态。但是模糊推理系统的信息输入输出阶段精准度很低，并且呈现出台阶的形状。

三、结语

随着社会科技水平的不断发展和进步，单纯的独立的人工智能技术已经不能满足我们和当代社会的要求了，因此，我们要秉承不断发展与进步的思想理念，在工人智能开发技术上进行不断的研究与探索，使人工智能技术能够与电子机械工程完美地结合在一起，实现电子机械工程与人工智能的共同发展目标。

参考文献：

[1]傅丽凌、杨平，机械专业综合型试验平台的建设[J].电子科技大学学报社科版，2005，7（增刊）.

第5篇：神经网络在人工智能的应用范文

关键词：人工智能 科学方法 创新

中图分类号：TP18 文献标识码：A 文章编号：1007-9416（2015）03-0093-01

人工智能是一门涉及较广的边沿学科，它涉及哲学、数学、心理学、计算机科学等学科，其本身的性质也就需要从事这项工作的人必须要对人工智能所涉及的学科有一定的了解。近几年，我国在人工智能的理论和技术方面都有所突破，但是时代在快速发展着，这就需要人工智能研究不能一直保持原有的状态，还要有所创新，以顺应时代的变迁。

1 人工智能的发展历程

人工智能（Artificial Intelligence）一词最早是在1956年DARTMOUTH学会上提出的，这也就标志着人工智能的诞生。在1969年召开了第一届人工智能联合会议，以后每两年召开一次。1970年出现了《人工智能》国际杂志，推动了人工智能的学术研究及发展，从此以后，人工智能的研究形成热潮，不同人工智能学派的争论非常激烈，这使得人工智能得以进一步发展。而我国的人工智能研究开始的比较晚，在1978年“智能模拟”正式纳入国家计划开展研究。而且现在我国从事人工智能研究工作的除了科技人员还有很多的大学师生，从人工智能的发展前景来看，人工智能定会为我国的现代化建设做出重大贡献。

2 人工智能的突破及科学方法

2.1 对人工智能采用分散式的研究

由于人工智能的研究是很复杂的，很难进行整体性的研究，所以只能把它分成几个层面再各个击破。人类认为结构、功能、行为是系统能力的三个基本要素，所以对于人工智能的研究也可以分为结构模拟、功能模拟、行为模拟三种模拟方式。下面对人工智能的三种模拟方式进行举例分析[1]：

关于结构模拟就以人工神经网络的研究为例。根据结构模式的思想，人工智能的研究人员尝试建造人工的神经网络模拟人类的思维能力。20世纪50年代，出现了感知机，它是用人工神经元电路构造的，这也说明了人工神经网络的智能性。后期也出现人类利用少数神经元的网络设计模拟高等动物反射能力的实例，展现了人工神经网络的发展前景。但是，在人工神经网络的研究中如果想有效的模拟人类的思维能力就需要有接近人类大脑新皮层的人工神经网络，在制造技术上存在很大的困难；如果降低人工神经网络的复杂程度，那它的智能化就会退化。基于功能模式的物理符号系统研究实例。基于功能模拟的物理符号系统的研究也取得了很多的成果，比如：通过图灵测试的血液感染疾病诊断专家系统和战胜过国际象棋世界冠军的“深兰”专家系统。但是专家系统需要拥有专业的高水平知识，但是这种知识的获取是很困难的，不仅如此，就现在的逻辑理论而言，就算获得了必要的知识，也不能支持知识的推理与表达。

2.2 发现了智能生成的核心机制和知识的生态学结构在本能知识下的知识转换

人工智能的定义是非常复杂的，简单来说，人工智能是为了实现人类改善生存与发展条件的目的，面对具体环境时，根据现有的知识去发现问题、确定解决问题的目标；再针对问题和已定的目标获得必要的信息，进而利用所获得的信息和现有的知识想出解决问题的智能方法，并实施这个方法，以达到解决问题的目的。人工智能实际上模拟的是人类智能“确定解决问题的目标、获得信息、找出解决办法”的能力。也就是说可以说，人工智能工作前提是“给出有待解决的问题、知识和明确的目标”，工作内容是“获得必要的信息，进而利用所获得的信息和现有的知识想出解决问题的智能方法”，因为找到解决问题的方法是智能的表现，所以可以理解为，人工智能的核心就是在给定条件的制约下信息知识的智能转换。在这种方法的引导下就可以建立人工智能新的机制模拟方法了。

我们已经发现人工智能的核心机制是：信息知识的智能转换，也就是说，信息和知识在人工智能的研究中发挥着很重要的作用。研究发现，知识并不是固定不变的，它具有自己的生态学结构。在本能和外界信息的刺激下，人类不断的学习并不成熟的经验知识，然后根据自己本身的理解和思考把经验知识变成规范知识最后成为常识性知识。发现知识的生态学结构不只是可以加深对知识的理解，还拓展了人工智能的研究视野，对人工智能的研究有着很重要的意义[2]。

2.3 把智能生成的机制与知识的生态学结构相结合

把智能生成的核心机制与知识的生态学结构相结合建立新的模拟方法，就会发现一直处在独立发展的结构模拟、功能模拟、行为模拟都是机制模拟方法的特例。比如：结构模拟可以说是，信息与经验知识的经验型智能转换；功能模拟就是把信息与规范知识的规范型智能转换；行为模拟是信息与常识性知识的智能转换，而且经验知识、规范知识、常识知识之间在机制模拟中是相继环节，所以结构模拟、功能模拟、行为模拟也应是机制模拟中的相继环节[3]。在“以信息观、系统观、机制观为主要标志的系统科学方法论”的观念下，原来看似无关的人工智能的三种模拟方式，竟然有着相互的关系，把原来看不到的本质给展示出来，就是科学方法的厉害之处。

3 结语

通过研究发现，在人工智能的模拟研究中一直处在独立发展的结构模拟、功能模拟、行为模拟都是机制模拟方法的特例。这也就说明智能生成的机制与知识的生态学结构的结合是人工智能研究的统一理论和方法。这一结果为人工智能的发展开辟了一条新的道路，人工智能的研究的这一突破主要依靠科学方法的创新。所以，在今后的人工智能研究方面应注重科学方法的研究、应用和创新，以使人工智能研究事业在未来的发展道路上越走越远。

参考文献

[1]钟义信.人工智能的突破与科学方法的创新[J].模式识别与人工智能，2012（3）：456-461.

第6篇：神经网络在人工智能的应用范文

关键词：人工智能；电气自动化

中图分类号：F470.6 文献标识码：A

一、对人工智能理论的具体分析

人工智能研究了自然科学和社会科学，所涉及的知识面非常广，不仅包括哲学、计算机科学、数学，除此之外，还包括控制学、心理学和不定性论等。我们由此可以看出，对于这种技术的研究，内容是较为复杂的。但是这种主要在遗传编程、智能控制和机器人学等领域中有所运用。而在电气自动化控制中的应用则没有很好地开展。因而我们要进行持续的探索，让这门技术在电气领域得到广泛应用，促进电气领域的发展。

二、人工智能控制器的特点

在以往的电气自动化实践中中，我们应用大多数是人工智能控制器，其中主要利用的是是非线性函数近似器，如：神经算法、模糊理论、模糊神经算法和遗传算法等。目前较先进的是采用AI函数近似器拥有比常规函数估计器更多优良的特点，例如：

1．在进行人工智能电气设计时不需要得到实际控制对象精确的动态模型，也不需要知道参数变化、非线性等具体因素；

2．人工智能控制器拥有良好的一致性，即使在输入新的未知数据时也能得到很好的预测结果；

3．人工智能控制器可以应用语言和响应时间进行设计，且调节更容易，对数据和信息的适应性更好，易于扩展和修改，抗干扰性能好，并且便于实现。

三、人工智能在电气自动化中的应用

1．人工智能在电气设备设计中的应用。

在实践中我们都知道，电气设备的设计是一个复杂过程，其中会涉及到电气自动化专业中电路、电机、变压器、电力电子技术、电磁场等多门学科内容；对设计者的实际工作经验要求很高，需要大量的人力、物力和财力。而借助于人工智能技术，可以解决很多人脑难以快速解决的繁琐计算和模拟过程，大大地提高了设计中的工作效率和精度。电气设备设计中应该注意不同的算法使用与不同的实际情况，要进行高效率、高质量的设计工作，要求工作人员具有高水平的人工智能软件应用能力和丰富的工作经验。

2．人工智能在电气控制中的应用。

在我们的生产生活中，提高自动化水平，就能够减少人力、物力、财力投入，提高系统的运作效率和质量。人工智能技术在电气设备控制中的应用主要包括模糊控制、专家系统控制和神经网络控制。在实际应用中，用得最多的是模糊控制。下面以人工智能控制在电气传动控制中的应用为例进行介绍。

在电气传动控制中，模糊控制的应用主要分为在直流传动和交流传动中的应用。直流传动控制中模糊逻辑控制主要应用于模糊控制器中，包括Mamdani和Sugeno。Mamdani用于调速控制，其规则库是一个if－then模糊规则集；而Sugeno控制器实际上是Mamdani控制器的特例，其典型的规则是：如果x隶属于A，且y隶属于B，则Z＝f（x，y）。

这里，A和B是两个模糊集。在交流传动控制中模糊控制器主要用于取代常规的PI或者PID控制器，另外最新研究中，还将模糊神经控制器用于各种全数字的高动态性能传动系统中，得到了一些新的研究成果。

3．人工智能在电力系统中的应用。

在实际生产中，人工智能技术在电力系统中的应用主要有4个方面——其中包括了专家系统、神经网络、模糊集理论和启发式搜索。专家系统ES是一个集大量规则、经验和专业知识于一身的复杂程序系统，该系统主要是依靠某个特定领域的专家的经验和知识，进行推理判断，并模拟专家的决策过程，对各种需要专家进行决策的难题进行处理。专家系统由6个部分组成，即知识库、数据库、推理机、咨询解释、知识获取和人机接口。

除此之外，现有许多种神经网络和训练算法在电力系统中得到广泛应用。神经网络具有灵活的学习方式和完全分布式的存储方式，在大规模信息处理中得到广泛应用；并且其识别能力和复杂状态分类能力都很强大。在电力系统的短期负荷预测中，BP神经网路能够在足够的驯良样本中，对模型急怒攻心合理分类，对输入进行选择，构建不同季节的周预测和日预测模型；将元件关联分析和人工神经网络相结合进行复杂电力系统故障诊断，采用ANN面向元件的模型，可以对每类元件进行故障报警和定位操作，还可以对同一跳闸区域中的不同故障进行识别。模糊理论在电力系统的潮流计算、系统规划和模糊控制等方面的应用得到了飞速发展，因为模糊逻辑能够完成高难度的数学近似计算，对负荷变化和电力生产等不确定因素建立隶属函数，以构建电力系统的最优化潮流模型。

4．人工智能在故障诊断中的应用。

人工智能技术中的模糊理论、专家系统和神经网络在电气设备故障诊断中应用较广泛，特别是在变压器故障诊断、发电机和电动机故障诊断中。传统的故障诊断方法无法针对设备故障的不确定性、非线性和复杂性等特点进行诊断，诊断效率较低。而人工智能方法的应用提高了诊断准确率。人工智能技术主要使用模糊逻辑、神经网络和专家系统三种故障诊断方法。如在电动机和发动机的故障诊断中使用人工智能化的故障诊断技术，结合了神经网络和模糊理论，实现了故障诊断知识模糊性与较强的神经网络共同的诊断，相对提高了故障的针对准确率。

5．人工智能对日常操作的影响。

电力系统不仅影响着电力系统建设的自动化水平，对日常的管理工作的影响也十分重大。人工智能技术应用于日常操作中，可以帮助实现以家用电脑操作进行系统操作，简化电流调整、设备操作界面，并且可自动进行日志生成和储存、报表自动生成等功能。电气系统日常操作中引进人工智能技术，不仅能够简化各种操作、规范各种文件样式和规格，并且能够实现操作的简便性和可视性。人工智能化技术在电气自动化控制中的应用，大大提高了工作效率和工作准确率。它已经成为我国未来电气自动化的主要发展方向，是我国电气产业的一大改革和进步

四、总结：

从目前的科技发展水平看来，以前需要通过人控制机器去完成的重大任务，到现在位置完全可以交由人工智能来完成。人工只能通过计算机来模拟人类智能活动的方式，不但是理论研究上的突破，还能够极大地节省人力、物力、财力，获得很高的经济效益和社会效益。总之，人工智能在电气自动化方面具有极大地潜力，我们应当不断地推动其完善和前进。

参考文献：

[1]王瑛,王宇.自动化控制系统网络的发展[J].科技信息(科学教研).2008(18).

[2]毛毅.人工智能研究热点及其发展方向[J].技术与市场.2008(03).

[3]石磊,李国栋.电气自动化控制系统及设计[J].黑龙江科技信息.2011(20).

[4]彭启琮．DSP技术[M]．北京：电子科技大学出版社，2007．

[5]张培铭．展望21世纪电器发展方向一人工智能电器[J]．电工技术杂志．2006（4）．

[6]陈洪峰．国内电气自动化发展状况与趋势[J]．科技创新导报，2009，1：12．

[7]陆伟民．人工智能技术及应用[M]．上海：同济大学出版社，1998（6）．

[8]彭启琮．DSP技术成都[M]：电子科技大学出版社，1997（2）．

[9]张培铭．展望21世纪电器发展方向一人工智能电器[j]，电工技术，2006（11）．

[10]陈洪峰．国内电气自动化发展状况与趋势[J]．科技创新导报，2009（5）．

[11]刘玉然．谈谈人工智能在企业管理中的应用[J]．价值工程，2003（12）．

第7篇：神经网络在人工智能的应用范文

关键词：物联网；LS-SVM；数据模型

中图分类号：TP393

文献标识码：A

文章编号：1009-3044（2017）10-0145-02

1.引言

前神经网络（feedforwardneuralnetwork），简称前馈网络，是人工神经网络的一种。

2.概念相关概述

2.1前馈人工神经网络现实基础模型

首先，生物神经元模型。人的大脑中有众多神经元，而神经元之间需要神经突触连接，进而构成了复杂有序的神经网络。而神经元主要由树突、轴突和细胞体组成。一个神经元有一个细胞体和轴突，但是却有很多树突。树突是神经元的输入端，用于接受信息，并向细胞体财团对信息。而细胞体是神经元的信息处理中心，能够对信号进行处理。轴突相当于信息输出端口，负责向下一个神经元传递信息；其次，人工神经元。人工神经元的信息处理能力十分有限，但是，由众多人工神经元构成的神经网络系统庞大，具有巨大的潜力，能够解决复杂问题。人工神经网络与生物神经网络具有相似之处，人工神经网络能够从环境中获取知识，并存储信息。前馈人工神经网络主要包括隐含层、输入层和输出层。在前馈人工神经网络中，神经元将信号进行非线性转换之后，将信号传递给下一层，信息传播是单向的。并且，前馈人工神经网络是人们应用最多的网络模型，常见的有BP神经网络、单层感知器、RBF神经网络等模型。

2.2 LS-SVM相关概述

支撑向量机是一种基于统计学习理论的机器学习方法，能够根据样本信息进行非现象映射，解回归问题的高度非现象问题。并且，支撑向量机在解决非线性、局部极小点方问题上有很大的优势。LS-SVM也叫最小二乘支撑向量机，是支撑向量机的一种，遵循支撑向量机算法的结构风险最小化的原则，能够将支撑向量机算法中的不等式约束改为等式约束，进而将二次问题转换为线性方程问题，大大降低了计算的复杂性。并且，LS-SVM在运算速度上远远高于支持向量机。但是，LS-SVM也存在一定的缺点，在计算的过程中，LS-SVM的忽视了全局最优，只能实现局部最优。并且，LS-SVM在处理噪声污染严重的样本时，会将所有的干扰信息都拟合到模型系统中，导致模型的鲁棒性降低。另外，LS-SVM的在线建模算法、特征提取方法以及LS-SVM的支持向量稀疏性都有待改进。

2.3物联网下人工神经网络前馈LS-SVM研究的意义

物联网是互联网技术的发展趋势，为前馈人工神经网络的发展与LS-SVM研究提供了技术保障，在物联网背景下，研究人工神经网络前馈LS-SVM不仅能够创新人工神经网络的计算方法，完善人工神经网络在现实生活中的应用，而且对人们生活的自动化和智能化发展有着重要意义。另外，物联网为人们对LS-SVM的研究提供了条件，在物联网环境下，人们能够运用信息技术深化最小二乘支撑向量机研究，不断提高LS-SVM回归模型的鲁棒性，改进LS-SVM的特征提取方法和在线建模算法，完善计算机学习方法，提升计算机的运算速度。3基于LS―SVM的丢包数据模型

在选择的参数的基础上，运用IS-SVM方法，建立评估模型。本文选用LS-SVM回归方法的原因，SVM优于神经网络的方法主要是以下几点：

首先，了解数据挖掘，数据挖掘前景广阔，SVM是数据挖掘中的新方法。其次，选择合适的数据分析方法根据数据集的大小和特征。小样本训练适合SVM，样本大情况的训练适宜神经网络，这里用SVM。

然后，就是文献使用SVM和PCA建立跨层的评估QOE，实验结果表明主观MOS评分和此评价结果具有很好的一致性。

最后，本文采用SVM基础上的进一步拔高，LS-SVM，比SVM运行快，精确度高。srcl3_hrcl_525.yuv实验素材的特征是具有高清性质。525序列60HZ，帧大小为1440x486字节/帧，625序列50HZ，大小同上。YUV格式是422格式即4：2：2格式的。

时域复杂度的模型如下，视频的时域复杂度σ；编码量化参数是Q；编码速率为R；待定模型的参数为a和b。σ=Q（aR+b）。通过大量的实验和理论分析，得到模型的参数：a=l 260，b=0.003。其中，编码速率和帧率可以看作是视频的固有属性。高清视频编码速率R是512kb/s，最大帧速率为30000/1001=29.97幅，秒。量化参数是根据实验的具体情况确定的。计算σ的值如下所示：当量化参数为31时，σ=19998720.1，当量化参数为10时，σ=6451200.03，当量化参数为5时，σ=3225600.02，当量化参数为62时，σ=39997440.2，当量化参数为100时，σ=64512000.3，当量化参数为200时，σ=129024001，当量化参数为255时，σ=164505601。

对于srcl3网络环境建立考虑网络丢包的视频质量无参评估模型使用LS-SVM方法。

（1）输入x的值。XI是量化参数，X2封包遗失率，X3单工链路速度，X4双工链路速度，X5视频的时域复杂度。等权的参数。

LS-SVM要求调用的参数只有两个gam和sig2并且他们是LS-SVM的参数，其中决定适应误差的最小化和平滑程度的正则化参数是gam，RBF函数的参数是sig2。Type有两种类型，一种是elassfieation用于分类的，一种是function estimation用于函数回归的。

4.机器学习和物联网的结合

物联网中也用到人工智能，人工智能中有机器学习，机器学习中有神经网络。机器学习是人工智能研究的核心问题之一，也是当前人工智能研究的一个热门方向。

第8篇：神经网络在人工智能的应用范文

关键词：神经网络控制系统；故障诊断；技术分析

现代经济的发展和科技的进步促进了计算机技术的应用和进步，信息技术和网络控制系统为工业生产和科学研究带来巨大便利。现阶段，神经网络控制系统应用趋向于规模化、集中化和专业化，网络控制技术进步的同时，生产应用率提高，超负荷工作下，容易出现系统故障或瘫痪，造成企业经济损失，因而需要积极制定有效策略、运用先进技术和手段对神经网络控制系统故障问题予以集中解决。[1]

1 神经网络控制系统故障诊断技术发展

1.1 智能化

神经网络控制系统出现故障，一般需要专业工程师对系统的故障信号进行检测、搜集和分析，在了解系统故障的发生位置后即可分析研究故障原因。现代网络信息技术和智能技术的广泛应用提高了神经网络控制系统故障的诊断速率。神经网络控制系统在工业生产等领域应用广泛，关于系统故障的诊断技术也不断提高，逐步向智能化和数字化发展。神经网络控制系统在不同行业应用，但是产生的故障原因不同，采用的诊断方法也不同。一般系统在产生故障时会自动发出警报声，可第一时间确定系统的故障位置，这种属于系统故障智能定位。系统控制工作复杂，从应用企业的应用成本考虑，需要使用合理的神经网络控制系统，同时增加对神经网络控制系统故障研究成本的投入。

1.2 灵活性

神经网络控制系统产生故障大多是人工应用不当导致的，因而在故障诊断中由于人的主观意识，导致系统故障诊断过于单一，且人工判别技术有限，具有较大随机性和盲目性，对系统故障位置及成因分析判断的准确度不够，影响神经网络控制系统故障修理。然而采取智能技术对神经网络控制系统故障进行排查和定位具有较强灵活性，可以在假设的基础上建立数学模型，以数据分析的形式对系统故障部分予以诊断。神经网络控制系统研发和应用的复杂度不断提高，不同类型控制系统产生的故障原因也越来越复杂，采用数学建模的方法获取、分析故障系统数据，能够增强神经网络控制系统故障诊断的灵活性和针对性。[2]

2 神经网络控制系统故障诊断技术应用的内容和要点

2.1 数据建模，隔离故障源

神经网络控制系统出现故障后无法正常运行，系统某些功能也无法实现，最终导致系统瘫痪、影响工作。针对这种情况需要充分利用人工智能手段诊断系统故障原因，可以利用软硬件监控系统，在确定故障点后予以隔离，通过数据了解系统产生故障的人工原因和机能原因。技术人员一般需要根据系统工作参数输出，利用数据建模，以数学表示形式将系统故障信息进行验证和输出，作为故障诊断评价的理论依据。对于神经网络控制系统故障原因诊断后还要进行原因分类，检测系统变量是否存在异常，若异常则启动报警装置，以此排除不合理故障原因。神经网络控制系统故障发生需要在判断出原因后根据信息源位置隔离故障部分，对于神经网络控制系统不同的故障原因和故障程度均要进行量化评估，并采取有效措施解决故障问题。

2.2 BP神经网络和遗传算法

神经网络控制系统主要部分是执行器和传感器，执行器和传感器在运行中主要容易出现恒偏差、卡死和恒增益等不同类型的故障。因而在故障诊断中需要利用仿真建模的办法，将仿真人设定为故障类型，并以此获得系统变化信息。在神经网络控制系y故障中一般会应用BP算法，但这种算法单独使用效率不高，可结合遗传算法，利用遗传算法优化BP神经网络的权值阈值，最后在系统故障归一化处理后用作训练数据。遗传算法的主要特点是全局搜索能力强且运行高效、便捷。传统的BP算法在受到遗传算法数据优化后，能够提高神经网络控制系统故障诊断的有效率，诊断数据误差比对后可提高运算速率。[3]

2.3 残差序列和模型解析

神经网络控制系统动态模型建立能够有效提高系统故障诊断与检修准确率，一般是利用滤波器或观测器重构控制系统的参数或状态，并形成残差序列，对于残差序列中所包含的故障信息可以采取必要手段进行信息增强，对模型中的非故障信息需要抑制，正常情况下统计分析残差序列可直接检测出系统故障发生的位置和原因。系统故障正常值与估计值的偏差分析是研究系统故障程度的关键，在参数估计中相对简单实用的是最小二乘法，鲁棒性较强，因而是参数估计的首选方法。系统运行状态可由被控过程状态反映，被控过程状态在重构中形成残差数列，数列中也包含了不同的故障信息，利用模型统计检验出故障，最后用尔曼滤波器进行状态估计。关于模型等价空间的诊断一般使用无阀值的方法，这种方法是在1984年由willsky和Chow提出，主要是对测量信息进行分类，得到一致的冗余数据子集后，估计系统状态，并对不同的冗余数据进行识别，完成模型解析。

3 结束语

神经网络控制系统的应用广泛，属于人工智能研究领域的重要部分，要提高系统运行的安全性和稳定性，就要在系统出现故障后采用科学的诊断方法，以建立数学模型的形式对系统故障数据进行检测和分析。神经网络控制系统的故障诊断技术研究需要不断深入，根据系统不同的故障类型采取针对性的解决办法分析故障原因、定位故障源，并进行隔离排障。[4]

参考文献

[1]徐岩，秦波.LM-BP神经网络的叉车液压系统故障诊断技术研究[J].内蒙古科技与经济，2016（22）：90-91+93.

[2]祁涛，张彦斌，姚人前.神经网络技术在智能BIT故障诊断系统中的应用[J].火力与指挥控制，2016（06）：125-128.

[3]黄志强.基于BP神经网络技术开发港口设备故障诊断专家系统[J].软件导刊，2012（02）：77-79.

[4]樊立萍，石月，高士宏.基于模糊神经网络的感应电机控制系统的故障诊断[J].信息系统工程，2010（01）：26-28.

第9篇：神经网络在人工智能的应用范文

【关键词】气体识别;自组织神经网络

1.引言

气体识别在环境保护、化工控制、家用报警、食品保鲜、温室环境控制、航空航天等领域有着广泛的应用。应用气体传感器进行多组份气体的定性定量研究，可以极大的降低测量成本，减小测量周期，并可实现在线的实时测量。但由于当前气体传感器普遍存在着交叉敏感和选择性差等缺点，使用单一传感器很难实现多组份气体的检测分析。为解决以上问题，一方面可以采用新材料、新工艺来改善传感器本身的性能;另一方面可以将现有的气体传感器构成阵列，并与自组织神经网络技术相结合。本文采用后者的原理，即通过多个敏感程度不同的气体传感器组成传感器阵列，结合神经网络模式识别算法进行气体识别分析。

人工神经网络（Artificial Neuron Networks，ANN）人工神经网络（Artificial Neutral Networks，ANN）是一个由大量简单处理单元广泛连

接而成的复合网络系统。神经元结构是受到生物神经元的启发而得来的。目前应用的神经网络类型有很多，其中应用最广的是BP神经网络，神经网络需要学习的过程，即利用外部条件作用于神经网络，使其能重新对外界做出反应。将气体传感器阵列与采用BP算法进行训练的人工神经网络模式识别技术相结合形成的气体识别系统，是利用传感器阵列对混合气体的高维响应模式来实现对混合气体的定量检测。其中传感器阵列的选取、传感器信号的预处理方法、BP神经网络的结构和参数以及测量环境是影响系统性能的可能因素。

2.人工嗅觉系统

人工嗅觉系统是一种化学分析系统，它由一个具有部分专一性的电子化学传感器阵列和一个合适的模式识别系统组成。由于人工嗅觉系统主要模仿的是生物的嗅觉系统，所以人工嗅觉系统也可被称为“电子鼻”或者电子嗅觉系统。

2.1 电子鼻简介

电子鼻这个术语开始出现于二十世纪八十年代晚期，当时它被用于1987年的一个学术会议。较为科学的电子鼻的概念出现于1994年英国Warwick大学的J.W.Gardner发表的文章中，并且J.W.Gardner综述了世界各国人工嗅觉系统的发展概况。

电子鼻模仿人的鼻子的功能，以电讯号的方式予以表达，可以工作在恶劣或有毒的环境下，在食品、化工、环保、医疗诊断、检验等方面有很重要的应用，其关键技术就是气体传感器阵列。

2.2 人工嗅觉系统的原理及基本组成部分

人工嗅觉系统主要是受生物的嗅觉系统启发和影响，以下是该系统中的关键因素：

（1）对微量、痕量气体分子瞬时敏感的监测器，以得到与气体化学成分相对应的信号;

（2）对检测到的信号进行识别与分类的数据处理器，将有用的信号与噪声加以分离;

（3）将测量数据转换为感官评定指标的智能解释器，得到合理的感官结果。

2.3 气体传感器

气体传感器是一种将气体的成分、浓度等信息转换为可以被人员、仪器仪表、计算机等利用的信息的装置。

2.3.1 半导体气体传感器

半导体气体传感器在气体传感器中约占60%，根据其机理分为电导型和非电导型，电导型中又分为表面型和容积控制性。

2.3.2 表面敏感型传感器元件

表面敏感型传感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可检测气体为CO、NO2和氟利昂等，传感材料Pt-SnO2的气体传感器可检测气体为可燃性气体如H2、CO、CH4等。

2.3.3 容积控制型传感材料

容积控制型传感材料有TiO2、CoO-MgO-SnO2等，其半导体气体传感器可检测气体为液化石油气、酒精和燃烧炉气尾气等。

3.神经网络

人工神经网络（Artificial Neuron Networks，ANN）是近年来人工智能的一个重要科学分支。二十世纪五十年代末人工神经网络系统开始作为人工智能的一种重要计算工具逐渐受到重视。进入二十世纪八十年代后期，人工神经网络的研究进入了一个新的。主要原因是：一方面经过几十年迅速发展起来的以逻辑符号处理为主的人工智能理论和冯-诺依曼计算机在处理诸如视觉、听觉、形象思维和联想记忆等智能信息问题时遇到挫折;另一方面，具有并行分布处理模式的人工神经网络本身的研究取得了巨大的进展。

神经网络具有一些不同于其它计算方法的性质和特点以及它自身是基于人类大脑结构和功能而建立起来的，因此具有很多和人类智能类似的特点。首先，神经网络将信息存储在大量的神经元中，具有内在的知识索引功能。信息在网络中使用两种方式被保留：一种是神经元之间的连接，另一种是连接权重因子。其次，人工神经网络具有对周围环境自学习、自适应功能，也可用于处理带噪声的、不完整的数据集。在人工神经网络中，输入与输出的关系不是由单独的神经元直接负责的，相反是与神经元的输入输出有关。最后，人工神经网络模拟人类的学习过程。人类大多数的学习和求解过程都是采用尝试法，而人工神经网络可以以相同的方式运行。

神经元（neuron）即神经网络中的基本处理单元，也就是节点。一般节点由输入与输出、权重因子、内部阀值和函数形式四部分组成。

图1 神经元模型

图1给出了一个基本的神经元模型，它具有R个输入，每个输入都通过一个适当的权值wli和下一层相连，网络输出可表示为：

式中，n为该神经元（序号l）的总输入;

f（n）为神经元输入输出关系的函数，称为作用函数、响应函数或传递函数。

人工神经网络的拓扑结构是指它的处理单元是如何相互连接的，主要由输入层、隐含层和输出层组成。每一节点的输出被送到下一层的所有节点。通过将这些处理单元组成层，将其相互连接起来，并对连接进行加权，从而形成神经网络的拓扑结构，将若干个人工神经元作为有向图的节点，可连接成人工神经网络。其中每一层对于人工神经网络的成功都非常关键。可以将人工神经网络输入层、隐含层和输出层看成为一个通过输入层的所有节点输入特定信息的黑箱。人工神经网络通过节点之间的相互连接关系来处理这些信息，最后从输出层的节点给出最终结果。

4.误差反向传播网络（BP网络）

1985年，以Rumelhart和McClelland为首提出了至今仍广泛接受和使用的误差反向传播学习算法。按照这一算法进行训练的多层神经网络被直接称为BP神经网络。BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。其权值的调整采用反馈传播学习算法。

目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络及其变化形式。BP网络主要用于以下四方面：

（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络以逼近一个函数;

（2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来;

（3）分类：把输入矢量所定义的合适方式进行分类;

（4）数据压缩：减少输出矢量维数以便于传输和存储。

对于神经网络算法，使用基于误差反向传递的神经网络算法设第p个模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N为模式个数），将其视为BP网络的输入，yip为其实际输出，隐含层和输出层各单元的激活函数采用sigmoid函数，即：

一般基于BP的神经网络算法具体步骤如下：

Step1、构造网络，初始化网络的权矩阵，设置学习因子，动态因子，跌代次数和允许误差;

Step2、从一个网络开始，提供训练模式;

Step3、开始训练第k个网络;

Step4、前向传播过程，对所有训练模式，计算网络的实际输出并与目标输出相比较，如果误差超过运行误差，则进行下一步，否则训练第k+1个网络;

Step5、反向传播过程：计算隐含层和输出层各单元的误差精度，修正权值和阀值：

式中，为学习效率;

di为教师信号或希望输出;

为实际输出yi与希望输出di之差，其中yi和xj是取1或0的离散值。

Step6、继续训练第k个网络。

BP网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP网络的简单性，在人工嗅觉系统的模式识别部分占有很大的比例，许多以前和现在的一些成熟人工嗅觉系统的产品仍然使用BP神经网络进行模式识别。

BP网络的学习是通过求解一个优化问题完成的，从数学的角度看，它是通过函数逼近拟合曲面（线）的想法，并且将其转化为一个非线性优化问题而求解。BP网络是对简单的非线性函数进行复合，经过多次复合后，则可以实现复杂的函数，但存在BP学习算法收敛速度慢、不完备性和隐节点数只能凭经验选取。

由于存在上述问题，科学家们从利用线性的自适应步长加速BP算法和增加动量项来去除收敛过程中的局部最小点。模拟退火（Simulated Annealing，简称SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小点的出现，把它用在优化中是由Kirkpatrick等人提出的。组合优化问题的解空间中的每一个点都代表一个解。不同的解有着不同的目标函数值。优化过程就是在解空间中寻找目标函数的最小解。

SA算法的特点是通用性强、可达到全局最小。传统的启发式搜索算法如快速下降法，每次都是向改进解的方向搜索，往往只能找到一个局部最优解，而不是全局最优解。而SA算法在系统朝能量减少这个总趋势的过程中，允许解的搜索以一定的概率向较差的方向走，以避开局部最小，而最终稳定到全局能量最小的状态。

5.利用自组织神经网络进行气体识别

将被测气体按所需测量精度和浓度范围按成份分成不同的浓度等级，采用标准气体配置这些等级的不同成份气体的所有组合作为标准模态来训练神经网络。通过识别某一未知气体样本的模式，即可以得到未知气体的成份浓度。例如，选用N种互相参比配制混合气体样本。根据传感器的灵敏范围，将配制的气体浓度限制在a1到am以内，浓度变化间隔为l。这样每种气体有m种浓度模式，共计可得到mN个样本。采用这些样本作为原始数据训练自组织神经网络，就可以实现在这一浓度范围内的最大误差为l的气体定量测量。