人工智能和神经网络的关系精选(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人工智能和神经网络的关系主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工智能和神经网络的关系范文

黑匣认为，复杂神经网络、LSTMs(长短期记忆网络)、注意力模型(Attention Models)等十大趋势将塑造人工智能未来的技术格局。

上述判断来自NIPS(神经信息处理系统) 2015大会。NIPS始于1987年，是人工智能领域两大重要学习会议之一，由于AI的爆炸式发展，近年来逐渐成为许多硅谷公司必须参加的年度会议。在蒙特利尔召开的NIPS 2015吸引了众多AI学界与业界的顶级专家，与会人数接近4000。大会总共收录了403篇论文，其中深度学习课题约占11%。来自Dropbox的高级软件工程师Brad Neuberg分享了他所注意到的十大技术趋势，黑匣将对每种趋势做了详细分析。

1、神经网络的架构正变得越来越复杂

感知和翻译等大多数神经网络的架构正变得越来越复杂，远非此前简单的前馈神经网络或卷积神经网络所能比。特别需要注意的是，神经网络正与不同的技术(如LSTMs、卷积、自定义目标函数等)相混合。

神经网络是多数深度学习项目的根基。深度学习基于人脑结构，一层层互相连接的人工模拟神经元模仿大脑的行为，处理视觉和语言等复杂问题。这些人工神经网络可以收集信息，也可以对其做出反应。它们能对事物的外形和声音做出解释，还可以自行学习与工作。未来的人工智能，最热门的技术趋势是什么？

(人工模拟神经元试图模仿大脑行为|图片来源：Frontiers)

但这一切都需要极高的计算能力。早在80年代初期，Geoffrey Hinton和他的同事们就开始研究深度学习。然而彼时电脑还不够快，不足以处理有关神经网络的这些庞大的数据。当时AI研究的普遍方向也与他们相反，人们都在寻找捷径，直接模拟出行为而不是模仿大脑的运作。

随着计算能力的提升和算法的改进，今天，神经网络和深度学习已经成为人工智能领域最具吸引力的流派。这些神经网络还在变得更复杂，当年“谷歌大脑”团队最开始尝试“无监督学习”时，就动用了1.6万多台微处理器，创建了一个有数十亿连接的神经网络，在一项实验中观看了千万数量级的YouTube图像。

2、酷的人都在用LSTMs

当你阅读本文时，你是在理解前面词语的基础上来理解每个词语的。你的思想具有连续性，你不会丢弃已知信息而从头开始思考。传统神经网络的一大缺陷便是无法做到这一点，而递归神经网络(RNN)能够解决这一问题。

RNN拥有循环结构，可以持续保存信息。过去几年里，RNN在语音识别和翻译等许多问题上取得了难以置信的成功，而成功的关键在于一种特殊的RNN——长短期记忆网络(LSTMs)。

普通的RNN可以学会预测“the clouds are in the sky”中最后一个单词，但难以学会预测“I grew up in France…I speak fluent French。”中最后一个词。相关信息(clouds、France)和预测位置(sky、French)的间隔越大，神经网络就越加难以学习连接信息。这被称为是“长期依赖关系”问题。未来的人工智能，最热门的技术趋势是什么？

(长期依赖问题|图片来源：CSDN)

LSTMs被明确设计成能克服之一问题。LSTMs有四层神经网络层，它们以特殊的方式相互作用。这使得“能记住信息很长一段时间”可以被视作LSTMs的“固有行为”，它们不需要额外学习这一点。对于大多数任务，LSTMs已经取得了非常好的效果。

3、是时候注意“注意力模型(attention models)了

LSTMs是人们使用RNNs的一个飞跃。还有其他飞跃吗？研究者共同的想法是：“还有注意力(attention)！”

“注意力”是指神经网络在执行任务时知道把焦点放在何处。我们可以让神经网络在每一步都从更大的信息集中挑选信息作为输入。

例如，当神经网络为一张图片生成标题时，它可以挑选图像的关键部分作为输入。未来的人工智能，最热门的技术趋势是什么？

(拥有“注意力”的RNN在图像识别中的成功运用|图片来源：Github)

4、神经图灵机依然有趣，但还无法胜任实际工作

当你翻译一句话时，并不会逐个词汇进行，而是会从句子的整体结构出发。机器难以做到这一点，这一挑战被称为“强耦合输出的整体估计”。NIPS上很多研究者展示了对跨时间、空间进行耦合输出的研究。

神经图灵机(Neural Turing Machine)就是研究者们在硅片中重现人类大脑短期记忆的尝试。它的背后是一种特殊类型的神经网络，它们可以适应与外部存储器共同工作，这使得神经网络可以存储记忆，还能在此后检索记忆并执行一些有逻辑性的任务。未来的人工智能，最热门的技术趋势是什么？

(模仿人类短期工作记忆的神经图灵机|图片来源：arXiv)

2014年10月，Google DeepMind公布了一台原型电脑，它可以模仿一些人类大脑短期工作记忆的特性。但直到NIPS2015，所有的神经图灵机都过于复杂，并且只能解决一些“小玩具”问题。在未来它们或将得到极大改进。

5、深度学习让计算机视觉和自然语言处理不再是孤岛

卷积神经网络(CNN)最早出现在计算机视觉中，但现在许多自然语言处理(NLP)系统也会使用。LSTMs与递归神经网络深度学习最早出现在NLP中，但现在也被纳入计算机视觉神经网络。

此外，计算机视觉与NLP的交汇仍然拥有无限前景。想象一下程序为美剧自动嵌入中文字幕的场景吧。

6、符号微分式越来越重要

随着神经网络架构及其目标函数变得日益复杂和自定义，手动推导出“反向传播”(back propagation)的梯度(gradients)也变得更加苦难而且容易出错。谷歌的TensorFlow等最新的工具包已经可以超负荷试验符号微分式，能够自动计算出正确的微分，以确保训练时误差梯度可被反向传播。

7、神经网络模型压缩的惊人成果

多个团队以不同方法大幅压缩了训练一个良好模型所需的素材体量，这些方法包括二值化、固定浮点数、迭代修剪和精细调优步骤等。

这些技术潜在的应用前景广阔，可能将会适应在移动设备上进行复杂模型的训练。例如，不需要延迟就可以得到语音识别结果。此外，如果运算所需要的空间和时间极大降低，我们就可以极高帧率(如30 FPS)查询一个模型，这样，在移动设备上也可以运用复杂神经网络模型，从而近乎实时地完成计算机视觉任务。

8、深度学习和强化学习继续交汇

虽然NIPS 2015上没有什么强化学习(reinforcement learning)的重要成果，但“深度强化学习”研讨会还是展现了深度神经网络和强化学习相结合的前景。

在“端对端”(end-to-end)机器人等领域出现了令人激动的进展，现在机器人已经可以一起运用深度和强化学习，从而将原始感官数据直接转化为实际动作驱动。我们正在超越“分类”等简单工作，尝试将“计划”与“行动”纳入方程。还有大量工作需要完成，但早期的工作已经使人感到兴奋。

9、难道你还没有使用批标准化？

批标准化(batch normalization)现在被视作评价一个神经网络工具包的部分标准，在NIPS 2015上被不断提及。

第2篇：人工智能和神经网络的关系范文

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3篇：人工智能和神经网络的关系范文

【关键词】 机械电子 人工智能技术 结合性研究

科学技术在国民经济和生活中占有着非常重要的地位，而对科学技术的学术性和探讨研究也逐渐的成为了国家的目前首要任务之一，拥有一个解决智能自动调节控制问题的机械电子系统非常的具有重要现实意义，国家对其的建设和研究采取了很大的努力，期望能够建设一个完善的智能自动调节控制机械电子系统。建设完善的机械电子智能控制系统，能够有效地通过控制人员的指挥处理危险故障，并且能够在特殊区域智能工程的操作，为生产业的发展提供了有力的支持，令国家以及机械电子生产企业的服务效率和生产质量进一步的优化。

1 机械电子工程与人工智能的关系

机械电子系统的内部构造及功能存在着一定的不稳定因素，这就使得机械电子系统在输出与输入关系的处理上有着相当的难度。虽然传统的机械电子工程技术在解析数学方面也同样具有着精密性，但是，这些老旧的方法仅仅只能适用于一些相对来说比较简单的系统[1]。然而，现代的生产应用所需求的系统是比较复杂和繁琐的，往往会要求一个系统能够同时处理多种不同的信息类型。人工智能系统在对信息进行处理时，还存在一定的复杂性和不确定因素，所以现在人工智能处理方式逐渐以知识为基础，正成为成为现代解析数学方式的替代手段。

人工智能构建系统所应用的办法中，主要包含的是模糊推理系统和神经网络系统。神经网络系统不仅能够达到对人脑结构的模拟人技术构成，还能够能够对数字信号作出分析并且给出参考数值。与神经网络系统不同的是，模糊推理系统则是通过对人脑的功能进行，进而达到对语言信号有效分析的目的。在输出输入的准确度上，神经网络系统的准确度相对来说比较高，并且且呈光滑曲面，而模糊推理系统的准确度就比较低，而且还呈阶梯状。模糊神经网络系统能够对两者功能的在一定程度上进行最大融合，这对信息的合理表现是非常有实际意义的，为其提供了一个比较合适的完全表达空间，令信息的有效表达得到了保证。而逻辑推理规则能够达到节点函数的增强效果，这样一来，就为神经网络系统提供了函数连结可能性，实现了两者最大化的发挥了两者的功能[2]。

2 人工智能技术在机械电子工程中的应用

通过上文的介绍，可以看出由于机械电子工程发展具有不稳定性，尽管通过推导数学方程或者采用建设规则库的方法有效的提高数学解析的精密性，但是由于方法较为老旧和传统，致使在数据输入和输出方面存在较大的困难程度，急切需要采用先进智能化的技术来实现机械电子工程的改革。模糊推理系统通过采用合理规范的方式对信息进行保存，具有非常明确的机械含义，神经网络系统采用分布式的方法对信息进行保存，确保神经部件与神经部件之间的紧密练习，有效的提高计算量以及计算速率。通过对这两种方式的综合采用，能够保障人工智能技术作用的有效发挥，实现人工智能技术和机械电子工程两者的共同进步。

总而言之，随着科学技术的飞速发展，每个学科间的融合和交叉点就会越来越多，这为人工智能技术和机械电子工程的发展带来了更为广阔的发展前景，所以要对二者的关系进行合理的处理，进而实现这一领域的不断进步[3]。

3 基于人工智能技术下的机械电子产品实例

本文列举了人工智能技术下的智能移动机器人的实例，对人工智能技术下的机械电子工程进行阐述：

智能控制指的就是是能够对信息进行处理、反馈以及执行控制决策的能力，是控制理论研究的另一个新的高峰，主要是取代那些传统的而且已经无法满足现实需要的控制系统，智能控制系统研究的对象具有高度非线性、复杂的任务以及不确定的数学模型等主要特点。在新时代因素的影响下，越来越多种形式的智能控制系统不断的被应用到各行各业之中，更是在目前对机器人的智能化控制研究中起了很大的作用，主要通过神经控制以及网络控制来实现机器人的自由移动等活动。

智能移动机器人的设计水平随着信息化时代的发展而不断优化，智能移动机器人的应用已经不单单局限于与单一的对象，而是需要做到多种不同方面的功能拓广，我国的智能移动机器人的研究一定要要保证跟上时代的脚步，不然就只有面对被其他国家追赶上的后果。只有使现有的智能移动机器人技术与功能满足新兴业务的发展需求，才能保障我国国民经济持续稳定的发展，并且使得我国在未来的国与国之间的竞争中具备相当的科技以及经济上的优势。

4 结语

在市场竞争白热化和经济全球化的日渐严峻国际形势下，创新能力逐渐成为了一个国家的的根本核心竞争力，而对于我国目前的情况来说，影响我国技术创新能力强弱的主要因素是我国在各项创新资源上的配置、利用和开发的水平较低。因此，建立一个更加完善的技术创新平台就显得非常具有实际意义。使其能将各种创新型资源进行整合，并且为各类创新主体提供更多更加优质的创新服务，而对人工智能技术下的机械电子技术的设计研究则正好满足了当下的这种需求。

参考文献：

[1]王孙安.机械电子工程系统设计[J].西安交通大学机械工程学院，2011（10）：15-19.

第4篇：人工智能和神经网络的关系范文

【关键词】人工智能 容性设备 绝缘监测

从2011年开始至今的5年时间，贵州电网对变电设备在线监测技术进行了大规模的推广应用。主要包括：变压器油色谱在线监测、GIS局部放电在线监测、配电开关柜温度在线监测以及容性设备绝缘在线监测四大类。其中的容性设备绝缘监测，最能反映设备绝缘状态的介质损耗因数极易受到外界干扰，增加了监测人员准确判断被监测设备状态的难度。由于很难采用一个具体的函数来表达数据和这些因数之间的关系，人工神经网络在此就可以发挥巨大的功能。其大规模并行性、集团运算性、自学容错和自适应性等强大功能，使得尽快将人工智能技术应用在容性设备绝缘监测中是很有必要的。

1 容性设备绝缘在线监测

1.1 种类

目前容性设备绝缘监测测量方法形成了硬件法和软件法两个分支，硬件法包括电桥法、三相不平衡法、过零比较法，软件法中又分为谐波分析法、正弦波参数法、高阶正弦拟合法、相关函数法。

1.2 容性设备绝缘在线监测原理

谐波分析方法最为常见，监测原理为：使用灵敏度高的微电流互感器发出电流信号，并使之对二次侧电压信号进行抽取，完成整形、放大以后将工模干扰与滤波消除，能够对程控放大信号同步与模拟，使用A/D转换为离散型数字信号，使用计算机对数字信号进行傅里叶变换处理（FFT），能够将傅里叶系数得出，得出2个基波相位差。

1.3 误差分析

三相系统是电力系统的主要表现形式，并且以耦合形式存在，由此，在对三相高压电容器测试时会出现干扰，造成介质损耗A角变大，不变的是B相，C相变化较小。现场数据分析发现母线介质变化曲线同一侧位置相同，而不相同介质损耗曲线差异较大。

2 绝缘监测人工智能模型构建

2.1 ANN人工神经网络

通常，神经网络与经典计算存在较大差异，神经网络优越性更加明显，数学模型表示不出来的都可以使用神经网络表示，比如，诊断故障、预测、非线性系统预控等。鉴于介质损耗较多，不能使用基本函数表示数据之间的关系，由此，利用神经网络比拟一个函数，能够将介质损耗预测，比较实际测得的数据，进而了解设备绝缘情况。

2.2 前馈型人工神经网络（BP网）结构与算法

三层人工神经网络是三层前馈网络最为基本的构成，网络误差能够在连接中出现“过错”，然后将输出层单元误差“分摊”到下面每一层单元中，

得到每一个层面的参考误差，获得对应的连接权限。

在k个模式中，模拟值模式AK=（alk，...，ank），CK=（cik，...，cqk）。误差修正梯度下能够对样本数据学习，使用离散方式，完成学习以后，人工神经网络会按照存储连接权做出反应。算法如下：

首先是顺序传播过程，使用赋予初值学习样本数据；然后赋初值输入层LA、LB连接权，将LB输出层的Lc与连接，再与LB层阈值连接，赋予Vj在[-1，+1]区间上随机值；学习模式（AK，CK），在LA层单元中使用AK值，激活LA层的ak，与矩阵γ连接，输送到LB单元内，刺激隐含层。

2.3 BP网络构建

Nnbox会提供神经网络专用函数，用Newff（）表示。此函数格式如下：

Net=newff（A，l，TrainFun），在上述格式中，net表示的是网络属性与参数值，4个输入变量如下：R*2矩阵――A，表示每一个要素输入向量与最大、最小值；行向量――l，表示每一个层神经元数量；字符串向量――c，表示神经元传输函数；TrainFun――字符串变量，表示训练函数域名。

3 人工智能在容性设备绝缘监测的应用实例验证及分析

首先构建出模型实例，对时间序列折现图进行观察，然后建立预测模型，将每一个结构隐藏神经元数目确定下来，最后将预测数据输出。构建神经网络，设t-1，lose表示t时刻，使用U、C对t+1时刻介质损耗预测。选取2350个数据，对其中54%的数据验证，分为2组对介质损耗因素值预测，再按照相关函数与偏相关函数构建MA、AR、ARMA模型，在Matlab中调用autocorr（）、parcorr（）函数，对不同时间段相关性考量。

构建神经网络以后，具有灵敏反应，并且精准度能够达到诊断指标。使用人工神经网络对容性设备介质损耗预测时，需要结合实际预测数据，充分收集历史数据，明确相关变量关系才能将预测精度提升。

4 结语

随着变电站无人值班越来越普遍，人工智能检测设备状态显得尤为重要，通过本文论述与分析了解在线检测装置是一个有的监测手段，能减少外界环境对装置的影响，真实反映出设备绝缘状态。

参考文献

[1]南寅，王雪楠，樊树根等.能够防止一点接地导致继电保护误动的安全型直流绝缘监测系统[J].电力系统保护与控制，2014（7）：134-139.

[2]龙望成，高炎辉，关根志等.交叉互联接线的交联聚乙烯（XLPE）电力电缆绝缘在线监测理论分析[J].电力自动化设备，2011，28（3）：59-63.

[3]王新超，苏秀苹，张丽丽等.短暂扰动注入法对于小电流接地系统线路状态在线监测的探讨[J].电力系统保护与控制，2010，38（6）：141-145.

[4]赵立进，曾华荣，黄良等.变电设备在线监测技术工程应用[M].北京：中国电力出版社，2015：ISBN：9787512368644.

作者简介

黎绪杰（1986-），男，土家族，贵州省凯里市人。工学学士学位。现为贵州省凯里供电局继电保护高级工、调度自动化厂站端调试检修高级工。研究方向为继保自动化、智能电网、在线监测。

第5篇：人工智能和神经网络的关系范文

关键词 液压系统;故障诊断;智能诊断技术

中图分类号 TH137,TP18文献标识码 A 文章编号 1674-6708(2010)16-0008-02

0 引言

现代工程机械液压系统向着高性能、高精度和复杂的方向发展,液压系统的可靠性成了一个十分突出的问题,除对液压系统进行可靠性设计外,液压系统故障检测和诊断技术越来越受到重视,成为液压技术发展的一个重要方向。

1 机械液压系统故障诊断方法

故障诊断是对液压元件与系统产生故障的原因做出分析与判断,以便找出解决问题的方法。目前,液压传动系统中的故障诊断主要有:

1)基于人的主观诊断法

基于人的主观诊断法主要是依靠简单的诊断仪器,凭借领域专家的实践经验,判断故障的部位和原因,并提出相应的排除方法。这种方法又被称为简易诊断方法,它是设备维修部门普遍采用的方法,可以通过看、听、摸、闻、阅、问等方式,简单定性地判断液压系统工作的实际状况是否出现异常。基于人的主观诊断法主要包括系统分析法、参数测量法、方框图分析法、鱼刺图分析法等。

基于人的主观诊断法只能对简单液压设备故障进行定性判断与决策,对于复杂液压设备,仅仅依靠个别专家的经验和知识是无法对故障进行准确定位与判断的。

2)基于数学模型与信息处理的诊断法

这种诊断方法是用一定的数学手段描述系统某些可测量特征量在幅值、相位、频率及相关性上与故障源之间的联系,然后通过测量、分析、处理这些信号来判断故障源所在。基于数学模型与信息处理的故障诊断方法通常有状态估计方法、参数估计方法、频谱分析法、小波分析法等。

基于数学模型与信息处理的故障诊断方法需要提取系统特征参数或对系统建模,而液压系统由于元件工作在封闭油路中,影响液压系统特性的因素多种多样且相互影响,不易得到能准确反映故障的特征参数。液压系统一般都是由机、电、液耦合而成,存在着非线性时变环节,对系统建模也显得相当困难。所以此故障诊断法在液压系统故障诊断应用中受到了一定的限制,有待于进一步改进。

3)基于智能技术的诊断法

液压故障的多样性、突发性、成因的复杂性和进行故障诊断所需要的知识对领域专家实践经验和诊断策略的依赖,使研制智能化的液压故障诊断系统成为当前的趋势。计算机技术的发展与故障诊断技术相结合,人工智能 (artificial intelligence)诊断技术应运而生。其本质特点是模拟人脑的机能,有效地获取、传递、处理、再生和利用故障信息, 运用大量独特的专家经验和诊断策略,成功地识别和预测诊断对象态。智能诊断技术在知识层次上实现了辨证逻辑与数理逻辑的集成、符号逻辑与数值处理的统一、推理过程与算法过程的统一、知识库与数据库的交互等功能,为构建智能化的液压故障诊断系统提供了坚实的基础。

目前,基于智能技术的故障诊断法主要有:基于神经网络的诊断法、基于专家系统的诊断法、基于模糊逻辑的诊断法等。

2 人工智能及智能诊断

当前,人工智能的研究是与具体领域相结合进行的。基本上有如下领域:1)专家系统,是依靠人类专家已有的知识建立起来的知识系统,它应用人工智能技术、模拟人类专家解决问题时的思维过程,来求解领域内的各种问题,达到或接近专家的水平;2)模式识别。模式识别是研究如何使机器具有感知能力,主要研究视觉模式和听觉模式的识别。近年来,迅速发展起来应用模糊数学模式、人工神经网络模式的方法逐渐取代传统的用统计模式和结构模式的识别方法。特别是神经网络方法在模式识别中取得较大进展;3)人工神经网络。人工神经网络是在研究人脑的奥秘中得到启发,试图用大量的处理单元(人工神经元、处理元件、电子元件等)模仿人脑神经系统工程结构和工作机理。在人工神经网络中,信息的处理是由神经元之间的相互作用来实现的,知识与信息的存储表现为网络元件互连间分布式的物理联系,网络的学习和识别取决于和神经元连接权值的动态演化过程。人工神经网络已经成为人工智能中极其重要的一个研究领域。

3 液压故障的智能诊断技术

目前的研究主要从两方面展开,即基于专家系统的液压系统故障智能诊断技术和基于神经网络的液压系统故障智能诊断技术。

3.1 液压故障诊断专家系统

故障诊断专家系统(ES)是研究最多、应用最广的一类智能诊断系统。主要用于没有精确数学模型或很难建立数学模型的复杂系统。液压系统故障诊断专家系统是在采用先进传感技术与信号处理技术的基础上研制开发的。用专家系统诊断液压系统故障的一般过程是通过用户接口将故障现象输入计算机,由计算机根据输入的故障现象及知识库中的知识,按推理机中存放的推理方法,推理出故障原因,提出维修和预防措施。

3.1.1 知识库

知识库是故障诊断专家系统的基础, 如何建立有效的知识库是诊断系统的重要环节,知识库的模型不仅要符合专家诊断推理的思维,同时还要具备不断自我充实的能力,以提高专家系统的性能。知识库中存放各种故障现象、引起故障的原因及原因和现象间的关系,知识包括领域专家的启发性知识和液压系统的结构原理性知识。前者源于领域专家在长期实践中的知识积累,后者来自于对液压系统结构、原理和性能的深层次研究。通过对液压系统结构、功能和故障机理特征的分析可将其各部分的隶属关系描述成一种树状结构,如系统级、子系统级、部件级和元件级等若干层次。

3.1.2 推理机

推理机是专家系统的核心,实际上是计算机的控制模块,根据输入的设备症状,利用知识库中存贮的专家知识,按一定的推理策略解决诊断问题。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;常用的知识表达方式有产生式规则、框架、谓词逻辑等。

在液压故障模糊推理诊断过程中,一般坚持以下原则:分层分段诊断, 逐步深入原则、假设与验证相结合原则、综合评判原则、获取信息原则、通过对外在性能的考证来判断系统内部结构的劣化原则,对比判别确定原则,找出最严重的故障点原则等。

3.1.3 专家系统的实现

根据知识库模型和知识推断处理方法,专家系统的实现主要由图1所示的几个模块组成。

图1 液压系统故障诊断专家系统结构图

3.2 液压故障诊断神经网络系统

第6篇：人工智能和神经网络的关系范文

关键词 径向基神经网络；大坝变形；监控模型；预测预报；白石水库

中图分类号 TV135.3 文献标识码 A 文章编号 1007-5739（2013）06-0191-01

变形监控是了解大坝工作状态，实施安全管理的重要内容之一。变形观测方法简便易行，其成果直观可靠，能够真实反映大坝的工作性态，既是大坝安全监测的主要监测量，又是大坝安全监控的重要指标。

早期人们通过绘制过程线、相关图，直观地了解大坝变形测值的变化大小和规律，并运用比较法、特征值统计法，检查变形在数量变化大小、规律、趋势等方面是否具有一致性和合理性，对大坝变形进行定性分析。随着各种分析理论的产生，模糊数学、突变理论、灰色系统理论、神经网络等理论方法被相继引入大坝变形监控领域。

1 径向基神经网络

1.1 人工神经网络概述

人工神经网络是人工智能控制技术的主要分支之一，具有自适应、自组织和实时学习等智能特点，能够实现联想记忆、非线性映射、分类识别等功能[1]。应用人工神经网络的非线性函数逼近能力，构建大坝监控模型，能够实现对大坝变形的实时、有效监控，其预报效果和精度远远高于传统的逐步回归统计模型[2]。

基于BP算法的多层前馈神经网络应用较为广泛，但是存在建模难度较大，训练时间较长，容易陷入局部极小点，不易找到理想模型等固有的缺陷。径向基神经网络解决非线性影射（曲线拟合）问题，是通过网络的学习训练，在高维空间中寻找一个统计意义上能够最佳拟合样本数据的曲面，泛化（预测预报）等价于利用这个多维曲面对样本进行插值[3]。它采用局部逼近的方法，学习速度快，能够更好地解决有实时性要求的在线分析问题。

1.2 径向基函数神经网络

径向基函数神经网络一般由3层组成，输入层只传递输入信号到隐层，隐层节点由类高斯函数的辐射状基函数构成，输出层节点通常是简单的线性函数。

基函数对输入信号在局部产生响应，当输入信号靠近基函数中央位置，即欧几里得距离（欧氏距离）较近时，隐层节点将产生较大的输出。神经元根据各输入向量与每个神经元权值的距离产生输出，只有那些与神经元权值相差较小，距离较近的输入向量才能激活，产生响应。这种局部响应，使得径向基网络具有良好局部逼近能力。

一般对于一个n维输入、m维隐层节点的径向基网络，其输入向量表示为：

X=（x1，x2，…，xi，…，xn）T（1）

那么，网络输出Y为：

Y=■wiφi（||X-vi||）（2）

式中，φi（||X-vi||）为径向基函数；||X-vi||为欧氏距离（范数）；vi为第i个径向基函数中心，一个与X同维数的向量；wi为阈值。

1.3 径向基神经网络和基于BP算法的多层前馈神经网络比较

径向基网络和基于BP算法的多层前馈神经网络一样，都属于有导师学习方式的前馈型反向传播网络，都能解决非线性函数的拟合、逼近问题，但是他们之间也存在差异。

（1）网络结构不同。径向基网络只有一个隐层，而多层前馈神经网络的隐层可以是多层的，也可以是单层的。

（2）神经元模型不同。径向基网络的隐层和输出层激励函数，分别是基函数和线性函数。而多层前馈神经网络的隐层激励函数一般为非线性函数，输出层激励函数可以是非线性函数，也可以是线性函数。

（3）隐层激励函数计算方法不同。径向基网络基函数计算的是输入向量与函数中心的欧氏距离，而多层前馈神经网络隐层激励函数计算的是输入向量与其连接权值向量的内积。

（4）非线性映射的特性不同。由于它们所采用的隐层激励函数以及激励函数的计算方法不同，使得这2种网络的权值、阈值修正方式也不同。在径向基网络训练过程中，只有被激活的神经元才能修正权值和阈值，这种以指数衰减形式映射的局部特性被称为函数的局部逼近。多层前馈神经网络的训练过程，也是所有权值和阈值的调整过程，属于全局寻优模式。

2 白石水库大坝变形径向基神经网络模型

2.1 白石水库工程概况

白石水库位于辽宁省北票市上园镇附近的大凌河干流上，总库容16.45亿m3，是干流上唯一的大（I）型控制性骨干工程。大坝为混凝土重力坝，部分采用RCD碾压混凝土技术。最大坝高49.3 m，坝顶长513 m，分为32个坝段。水库1996年9月正式开工，1999年9月下闸蓄水。

2.2 大坝变形径向基神经网络模型

一般情况下，大坝变形数学模型分为3个分量，即水压变形分量（δH）、温度变形分量（δT）和时效变形分量（δt），模型可以表示为[4]：

δ=δH+δT+δt（3）

该文水压变形分量采用坝前水深（H）的一次幂、二次幂、三次幂呈线性关系；温度变形分量采用1、15、30、60、90 d的库区日常平均气温；时效变形分量选用对数函数和线性函数2种。根据公式（3），设计网络输入为11个节点，输出为1个节点的3层大坝变形径向基神经网络。

2.3 神经网络模型预测、预报效果分析

为比较径向基神经网络的拟合和预报效果，以白石水库6#坝段坝顶变形为例，分别建立传统的逐步回归统计模型、BP神经网络与径向基神经网络模型3种模型，特征值见表1，预报曲线见图1。可以看出：①径向基神经网络模型、BP神经网络模型、统计回归模型的复相关系数均高于0.9，说明3种模型拟合程度良好，3种模型均可以作为变形监控模型；②从残差平方和、平均相对误差、残差变幅等方面比较，广义回归径向基神经网络监控模型的拟合效果最佳，其次是BP神经网络模型，统计回归模型最差；③基于LM算法的BP神经网络监控模型的残差平方和、残差最小值，分别为10.15和-0.90 mm，相比之下预报精度最高；广义回归径向基神经网络监控模型次之，残差平方和、残差最小值分别为50.22和-2.38 mm；统计回归模型最差，残差平方和、残差最小值分别为110.89和-2.70 mm。

3 结论

应用人工神经网络，建立大坝变形的人工智能监控模型，能够实现对大坝变形的实时、有效监控，其预报效果和精度远远高于传统的逐步回归统计模型。BP网络的预报精度最高，但它存在建模难度较大，训练时间较长，容易陷入局部极小点，不易找到理想模型等缺点。径向基神经网络模型，虽然在预报精度上略逊于BP神经网络，但是在不过于苛求预报精度的前提下，从建模容易程度、训练速度和预报精度等方面综合考虑，远远好于BP神经网络。

4 参考文献

[1] 韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.

[2] 韩卫.基于神经网络的大坝变形智能监控模型研究[D].大连：大连理工大学，2009.

第7篇：人工智能和神经网络的关系范文

1计算机神经网络体系

人们为了因对计算机迅猛发展带来的危机在上世纪40年代就提出了神经网络体的设想,并对此加以研究实验。自80年代后已经成为人们评价计算机网络安全的重要标准。大量简单的神经元通过相互连接形成更复杂的神经结构,神经结构之间相互连接最终形成神经网络体系。神经网络体系具有十分强的的信息处理工能,可以存储分布、处理分布,有包容性和学习能力,能够处理非线性的复杂关系,是一个成长型的系统。神经网络系统通过调节自身节点之间的关系,来完成对信息的分析处理,模仿人的大脑对信息的处理方式。其具有很强的灵活性和针对性,可以进行初步的理性分析,优化其自身的信息资料库,找寻最优的解决方案。计算机神经网络系统是人类迈向人工智能化时代的一大创举,随着人工智能技术的不断进步,更加智能的机器人将随之产生。

2计算机网络安全的评估标准

计算机的使用者们根据当前计算机的使用状态制定了一系列的计算机网络安全现行标准。

2.1网络安全的定义

网络安全指的就是人们在运用互联网时信息的安全保密不被窃取和恶意破坏,系统、软件设备、硬件设备都处在良好的状态中。在计算机系统运行时不会受到木马病毒、恶意插件的攻击。信息安全、密码安全、通信安全等领域的安全都处在网络安全的范畴之中。计算机网络安全有四大原则:可控性原则,即计算机网络信息的传播控制在一定的范围内,网络上流传的信息要在法律允许的范围之内,网络管理者可以通过网络对其进行有力的控制。完整性原则,即网络数据信息未经过官方和其发行者的授权不可以私人篡改,保持网络数据的完整性就是保证网络信息的可用性。可用性原则,即网络使用者当前是否能够使用网络中的信息。保密性原则,即对计算机网络数据进行访问时,不得随意泄露信息给未获得网络授权的用户。在这个信息全球化的时代,网络安全是人们生活安全中至关重要的一项。

2.2网络安全评估标准

当今社会人们对网络信息的要求逐步提高,相应的产生了一套大家公认的评估标准。这套标准是依据现有的计算机网络技术,全面的、合理的、客观的、科学的,考虑计算机网络运用的方方面面制定出来的。坚持评估标准与实际生活相结合,便于检测和操作的可行性原则;坚持条理清晰、层次分明,有代表性的简明性原则;坚持真实准确,避免环节重复,避免节点之间相互影响的独立性原则;坚持运用完整的、全面的、准确可靠的完备性原则为信息全评价标准;坚持联系实际以现行的计算机技术水平为评价指标的准确性原则。按照以上的网络安全标准一定要与当前所在的区域网相结合,做到具体问题具体分析。

2.3网络安全体系的设定

根据计算机网络安全检查建立不同的计算机网络安全等级,大致可分为四个层次:很危险、危险、有风险、安全。很危险可用红色表示,计算机网络系统存在高危漏洞,需要紧急查杀木马病毒和恶意插件,关机后再重新启动。危险可用橙色表示,表示网络系统中有安全隐患需要处理,网络的安全等级有限,需要及时的进行杀毒处理。有风险可用黄色表示,这种情况表示计算机中有风险项,需要对计算机网络进行检测处理。安全表示当前的计算机网络状态良好无任何风险项,可用绿色表示。这种设计可以给计算机的应用者最直观的感受来判断计算机的状态。

3神经网络系统在计算机网络安全中的应用

计算机网络的主要作用是传递信息,其广泛的应用于电子商务,信息处理,电子办公等方方面面。网络黑客通过木马病毒盗取用户信息,倒卖客户资料,窃取他人财产,对网络的和谐安全产生了及其恶劣的影响。神经网络系统在计算机网络信息的传播当中起到了桥梁和过滤器的作用。信息在网络中传播不是单向的而是双向的,信息的输入和输出都是通过神经网络的神经元来完成的。计算机神经网络有三个层次组成,分别是输出层、隐藏层、输入层,通过这三个部分对信息进行加工处理。其中的隐藏层起到了传输中枢的作用,输入的信息输出时需要先输入到隐藏层中,再由隐藏层对其进行处理,最后传输到输出层中输出。在此时系统发现信息有误将会回溯至上一阶段对信息进行核对,信息精确后会再次传输回来发送至输出层。通过神经网络系统的应用能够大量准确的对信息进行合理的处理,方便了人们的生活,提高了人们的工作效率。

4神经网络系统对计算机网络安全的影响

神经网络系统作为广泛应用于人们生活中的技术,其即存在着优点,也存在着不足。神经网络技术具有良好的灵活性包容性,与传统的曲线拟合体系相比其对缺失信息和噪音反应不灵敏。一个节点只能反应一个问题,一个节点中发现的问题在整个神经网络体系的表现中将产生严重影响。其具有良好的延展性,可以把个体中的多数样本引入部分当中,将部分当中的多数样本引入到整体当中。神经网络系统具有强大的学习适应能力,可以自行总结系统处理的信息中的规律,自我调整输出模式,减少系统的误差。神经网络有线应用潜力,有线应用潜力是神经网络系统自身的基本能力,神经网络是由一个又一个节点连接而成的,两点之间的直线距离最短,处理信息的速度最快。神经网络系统具有自动处理信息关系的能力。其已经具有初步的人工智能化能力,可以自主分析较为简单的问题。虽然神经网络系统功能十分强大,但是也存在着一些不足之处。神经网络系统的结构多样化,在信息处理的过程中也会出现多种组合。因此只能出现最精确的处理结果,无法得出最准确的处理结果。神经网络系统自身的结构决定了其对局部极小问题的忽视,这种特性会影响其处理问题的准确性。对于非常复杂的数据问题其处理效果会减慢。随着计算机的应用大量的信息被记载入数据库,信息量过于庞大会影响到信息处理的效率。神经网络系统并不是真正的人脑只达到了出步的人工智能程度,其处理问题存在一定的机械性。这种问题只有通过科学家的不断研究才能得到改善。

第8篇：人工智能和神经网络的关系范文

摘要：随着电力工业的发展，人工神经元网络(ANN)在电力系统中获得了广泛的应用。本文概述了人工神经元网络的特点、基本结构以及发展过程，并对ANN在电力系统中的具体应用做了详细的话述。最后，对人工神经元网络的发展趋势和在电力系统中的应用前景进行了展望。

关键词：人工神经元网络(ANN)　电力系统　应用前景　展望

人工神经网络，是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入一输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。人工神经网络具有四个基本特征：非线性、非局限性、非定性、非凸性。人工神经网络理论，作为人工智能的一个最活跃的分支，其模拟人脑的工作方式，为解决复杂的非线性、不确定性、不确知性系统的问题开创了一个崭新的途径，因而在电力系统应用研究中受到了广泛的关注。

1.ANN发展过程

1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。60年代，人工神经网络得到了进一步发展，更完善的神经网络模型被提出，其中包括感知器和自适应线性元件等。1982年，美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究。人工神经网络的研究受到了各个发达国家的重视，美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为全球行为。

2.ANN的特点与结构

人工神经网络的研究与发展及神经生理科学、数理科学、信息科和计算机科学等众多领域，是一种新的信息处理理论。它所特有的信息处理机制，与传统的数字计算机有着本质的不同。ANN网络由大量模拟人脑的神经元互连组成，无独立的用于存储的信息空间，更没有单一执行指令的CPU，每个神经元的结构都十分简单，信息处理与存储合二为一，通过调整连接权值，由整体状态来给出响应信息。ANN是一种非线性映射系统，具有强大的模式识别能力，可以对任意复杂状态或过程进行分类和识别。

3.ANN在电力系统中的应用

目前，ANN已用于负荷预测，警报处理，控制等方面，它已经从研究阶段转为实际应用。

3.1智能控制

在电力系统中利用ANN实现智能控制，就是利用其估计和联想的能力，实现系统状态与参数的识别和控制，这已在多种控制结构中如自校正控制、模型跟踪控制、预测控制等控制中得到应用。Y M Park等采用2个BP网络构成电力系统稳定器(PSS)的模型，其中1个在系统功率摆动中估计发电机的输出功率。另一个用于判断并给出控制决策。范澍等应用4层BP网络对发电机运行方式和系统干扰进行精确在线识别，并以此为基础设计了一种最优励磁调节器模型，计算与仿真结果表明，这种调节器比固定点线性励磁方式具有更强的稳定性能和动态品质，在系统运行方式较大的变化范围内都能提供很好的控制性能，在大小扰动下均表现出很好的阻尼特性和良好的电压性能。袁宇春等提出了用ANN进行电力系统的实时切负荷控制，选用的是多输入单输出的单层前向神经网络，选取185个样例进行网络训练后，在西北电网模拟某线路故障显示了较好的控制特性。

3.2优化计算

由于ANN能够建立任意非线性的模型，并适于解决时间序列预报问题，尤其是随机平稳过程的预报，因此电力系统短期负荷预报是其应用研究的一个重要方面，欧建平等以3个ANN构成负荷与天气变化量的周、日、时3个预报分析系统，气象参数和预测周、日、时前某段历史负荷参数作为网络的训练输入参数，各自产生独立的预报，再综合产生最终的预报。姜齐荣等则用ANN建立发电机、励磁系统和调速系统的详细模型，把这三部分的模型连接起来并与电力系统网络接口，形成一个ANN模型与电力系统网络混联的系统，这种混联系统的暂态稳定计算结果与用常规机理模型的计算结果几乎相同。为实现ANN并行、快速、在线处理电力系统实时计算提供新途径。

3.3故障诊断

要保证电力系统的安全运行和实现电力设备由定期检修转变为状态检修，如何准确地进行电力设备的故障诊断，一直是受关注的焦点之一。而这类故障的征兆错综复杂，往往呈现出非线性和不确定性，很难用某一确定的逻辑或算法进行识别。而这种识别恰好是ANN所擅长的。ANN在电机状态监测与诊断上也获得了成功的应用。何雨傧等提出一种联想记忆神经网络，取零序电流、定子不对称电流及其变化率等电测参数为故障征兆，通过网络的联想能力快速准确地进行电机早期故障的双向诊断，能有效地处理各种模式并存的故障诊断问题。并且容错性好，能有效抑制现场噪声干扰，使诊断系统具有良好的鲁棒性。电网故障诊断中，用全局逼近的BP算法完成故障的快速定位，便于控制人员及时处理故障。

3.4继电保护

继电保护是电力系统安全运行的重要保障之一，随着电力系统的发展，常规的继电保护技术已经不能完全适应需要。党德玉提到一种基于小波变换和ANN的保护模型，其输入特征量经过小波变换，也选用了3个三层的BP网络用于判断故障种类，故障性质和故障定位。故障种类和故障性质的判断正确率可达100％，对线性短路故障的位置判断正确率为94％，非线性故障(如经非线性过渡电阻接地)的判断正确率为96％。张海峰等使用3层前向网络构成变压器保护模型，取变压器2端的电流和其他故障特征量进行综合判断。经大量样本训练后，可准确判断变压器的励磁涌流和各种故障。张津春等介绍了ANN构成的自适应自动重合闸模型，能较好地判别各种情况下瞬时性故障与永久性故障。

为了解决用电路方法进行巨量神经元连接无法实现的问题，采用光电集成技术制作的光神经元、光互连器件、光神经芯片也已出现，并成功地应用于模式识别、联想记忆等方面。此外，ANN在输电容量限制条件下经济调度、基于同步相量测量的电压安全监控、电厂控制、HVDC的电流控制器等方面也得到了研究与应用。

4.ANN在电力系统中的发展趋势

ANN在电力系统中应用已做了大量的研究，一但是总体上来说仍停留在理论分析和仿真实验上，因此必须加强理论研究与实际工程应用的结合，例如可在状态检修、在线监测等电力系统有较迫切需求的领域中，寻找实际应用的突破口。近几年兴起的小波变换方法，由于其克服了傅里叶变换不能对信号进行局部化分析的缺点。同时具有很强的特征值提取功能，特别适用于故障信号的分析，经小波变换处理后的信号作为神经网络的输入，可使网络大大提高抗干扰性并加速收敛。所以小波分析与ANN的结合将在电力系统控制、保护、故障诊断等方而发挥更大的作用。ANN与专家系统和模糊控制的综合对电力系统这样一个复杂的动态大系统来说，应用潜力更大。ANN的形象思维能力，专家系统的逻辑思维能力和模糊逻辑这三者的结合，可体现出各自的优势，互相弥补各自的不足。

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人丁智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

第9篇：人工智能和神经网络的关系范文

关键词:故障诊断;故障定位;专家系统;神经网络;贝叶斯网络

中图分类号:TP393文献标识码:A文章编号: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

随着计算机和网络应用的深入,计算机网络已经成为现代社会必不可少的基础设施。然而,计算机网络是一个复杂的综合系统,网络故障不可避免,这就需要行之有效的网络故障诊断技术,来实现对网络故障的检测、定位并排除,确保网络的稳定和畅通。

传统的网络故障诊断主要是依据发生故障时的网络故障信息,通过专门的网络分析仪和网络操作系统中的故障诊断工具以及网络的轮循与告警等方法获取故障信息,然后根据故障信息,网络专家分析和判断来找出产生故障的原因。网络的故障诊断是一个典型的多层多类分类问题,通常采用分层诊断的方法[1],沿着OSI七层模型从物理层开始向上进行逐层诊断,直到网络恢复正常工作为止。

然而,随着网络规模的急剧扩大和结构的日趋复杂,传统的依靠网络专家以人工方式进行的故障诊断已经不能满足需要了。研究开发出一套具备准确的诊断以及分析处理复杂、不确定问题能力的智能故障诊断技术已成为当务之急,这也是现在网络故障管理领域研究的热点[2]。

1 网络故障诊断概述

通常网络故障诊断过程包括三个阶段[3]:

1) 故障检测。故障检测是对网络系统的不正常信号进行处理的过程,这些不正常信号来源于网络组件的故障或功能失调。故障检测是用来确定故障源的一个重要手段。

2) 故障定位,也称为故障隔离,或事件/告警关联。根据观察到的故障症状推理出故障所在的精确位置的过程,故障定位的核心部件是事件关联,即把与同一个源故障相关的告警进行分组。

3) 故障测试,也称为故障确认。故障定位得到了系统失效的故障假设之后,需要进行进一步的测试来确认故障,然后进行恢复操作,如重启软件系统或更换失效的硬件组件等。

当前网络故障诊断的研究主要集中在故障诊断的第二阶段――故障定位,这是网络故障诊断的关键技术,也是网络故障诊断的难点所在[2-4]。

网络故障定位的核心技术是事件关联技术。其基本思想是通过关联多个事件为某单一概念事例来过滤不必要的或不相关的事件,为网络管理员提供事件信息更精简的视图,以准确、快速的识别故障源。

由于故障具有传播性,单个故障会产生大量的网络告警,在多个故障同时发生时,情况变得更加复杂。故障定位就是要在故障产生时,把告警事件进行关联,分离并推断出故障源的准确位置。但是网络故障定位的主要困难却是来自于得到的告警信息太多而不是信息的缺少。而且网络的不可靠性和不确定性,使故障定位变得更加复杂而困难。其主要表现在[4]:

1) 故障证据可能是模糊的、不一致的和不完整的;

2) 得到的系统知识可能包含不确定信息;

3) 多个不相关的故障可能同时发生产生重叠的告警消息;

4) 存在多个不同的故障假设能够解释观察到的故障症状;

5) 在大型系统中,利用单个管理应用程序对系统进行故障定位以及对可用知识库进行维护在计算上通常是不可行的;

6) 事件之间不仅存在因果关系,通常还存在时间相关性。

针对上述难点,主要的解决方法是引入人工智能技术,进行自动故障定位,以实现智能化的故障诊断。目前用于网络故障定位的人工智能技术主要有:专家系统、神经网络和贝叶斯网络等。

2 故障定位技术

2.1 基于专家系统的故障定位技术

故障诊断中应用最广泛的人工智能技术是专家系统,专家系统通过模仿人类专家在解决特定领域时的行为来解决问题。基于专家系统的故障定位技术根据故障诊断领域的专家知识和经验,通过模拟人类专家做出决策的过程,达到解决复杂系统故障诊断的目的。

专家系统由知识库、推理机、知识获取、解释界面等四部组成,其中知识库用来存放相关领域专家提供的专门知识。在故障检测诊断专家系统的知识库中,存储了某个对象的故障征兆、故障模式、故障成因、故障排除意见等内容,这些知识是诊断的基础。专家系统知识库的知识,可以是从经验中获得的表面知识,也可以是通过理解系统行为的工作原理而得到的深层知识。推理机的功能是根据一定的推理策略从知识库中选取有关的知识,对用户提供的证据进行推理,直到得出相应的结论为止。

根据专家系统所使用知识结构的不同,解决故障定位问题的技术可分为以下几种:

1) 基于规则的推理技术

基于规则的推理(Rule-based Reason,RBR)是最简单的关联技术,己被用于HP Open View Element Management构架。通常,基于规则的系统有三个组成部分:(1) 推理引擎,包含解决问题的策略;(2)知识库,包括与特定问题有关的规则,规则是指出在什么情况下采取什么措施;(3) 工作存储区,包含需要处理的问题数据。

在RBR的事件关联系统中,知识库的专家知识是网络中的问题定义。工作存储区包括被监控网络的拓扑和状态信息,工作存储区用来识别网络是否出现不完善的状态。推理引擎根据知识库的信息,将当前的状态与规则的左侧相比较,查找出最相似的匹配,然后输出规则的右侧。

2) 基于模型的推理技术

基于模型的推理(Model-based Reason,MBR)是现有网络故障管理系统中应用最广泛的一种技术。该方法充分利用现有的系统知识,为具体的现实系统建立对应的抽象系统模型,再根据系统模型对系统行为进行预测,并将预测的行为与观察到的系统实际行为进行比较,然后再对预测的行为和实际行为间的不一致进行诊断。在基于模型的推理系统中,系统模型一般都提供网络拓扑、部件故障和告警之间的条件关系等信息。

3) 基于范例的推理技术

范例是指一段带有上下文信息的知识,该知识表达了推理机在达到其目标的过程中能起到关键作用的经验。基于范例的推理(Case-based Reason,CBR)根据过去的实际经验或经历,对现有的问题做出相应的决策。基于范例的推理技术的推理过程可以分为4个部分,分别为检索(Retrieve)、复用(Reuse)、修正(Revise)、保存(Retain),简称4R过程。其中Retrieve过程从范例库中检索与问题匹配度最大的范例,Reuse过程使用历史范例来解决所提出的问题,Revise过程在必要时修正提出的解决方案,Retain过程将新的解决方案作为一个新范例保存到范例库中。

2.2 基于神经网络的故障定位技术

神经网络能够处理复杂模型,具有联想、记忆、推理和抑制噪声能力,而且信息处理很快,能存储大量的知识。神经网络能够高效地辨识给定模式,具有自学习能力;神经网络能够通过联想能力处理不确定、不完整数据,因此神经网络很适合于用于解决故障诊断问题。神经网络只要输入的模式接近于训练样本,系统就能进行推理。神经网络克服了专家系统中如果规则没有完全匹配,则会退出专家系统的缺点。神经网络还可以运用遗传算法进行优化,提高神经网络的性能。

目前神经网络有两种诊断模式:

1) 离线诊断:这种诊断模式将学习和系统运行分开。当系统出现故障时,把故障信息或现象输入神经网络,神经网络通过自组织和自学习,输出故障解决方案。

2) 在线诊断:将神经网络和系统直接相连,让系统自动获得故障信息和现象,然后由神经网络内部进行自组织和自学习,把学习过程和运行过程合二为一。

文献[5]提出一种基于粗糙集神经网络的网络故障诊断算法,将知识系统技术应用于链路层故障诊断中,针对故障诊断问题的需要,构建一个故障诊断知识库;针对知识库中可能存在的知识规则冗余问题,提出基于粗糙集理论的知识库规则约简方案,降低知识规则的冗余度;由于诊断问题的实质是一种映射,将神经网络模型引入故障诊断系统,用一种前馈型网络来逼近这种映射关系,神经网络的学习样本来自于知识库中的知识规则,实现对网络故障的分类。

2.3 基于贝叶斯网络的故障定位技术

贝叶斯网络是处理不确定性问题的新方法,代替了人工智能和专家系统。利用贝叶斯网络进行告警关联是当前研究的一个热点[6],贝叶斯网络的一个很重要功能就是能根据概率理论在原因和结果之间进行不确定性推理。通过贝叶斯网络来分析通信网络中的告警相关性,可以克服告警时间的不确定性基于贝叶斯网络的故障诊断方法中,通过模拟被管理网络系统的主要组件间的因果关系使不确定性知识模型化。

贝叶斯网络可以定义为一个三元组(V,L,P),V是有向非循环图中的结点集,L是结点之间的因果链集,表示它们之间的因果关系,P是概率集,即P = {p(υ|π(υ)) |υ∈V},π(υ)是υ的父结点,表示一个变量对另一个变量的影响程度。 V由故障集F = {f1, f2, …, fm}和症状集S = {s1, s2, …, sn}组成。P= {p(si | fj) | si∈S, fj∈F, i=1, 2, …, n, j=1, 2, …, m}。这里,一个症状可能被多个故障引发,一个故障可能引发多个故障。假设模型是完备的,即,若用Fsi表示所有可能引起症状si的故障集合,如果Fsi中的故障都没发生,那么症状si一定不会出现,反之,如果出现症状si,那么Fsi中至少有一个故障发生。(下转第8677页)

(上接第8669页)

2.4 故障定位技术分析

基于专家系统的故障诊断方法,知识的获取和知识库的构建比较困难,开发成本比较高。每种相关性分析方法在实际中都有应用,单纯地使用某一种关联方法构建的告警相关性分析工具经常会顾此失彼,最终使系统不是缺乏学习能力,就是逻辑推理能力不足,难以适应网络发展的需要。

基于神经网络的故障诊断方法中,对神经网络进行训练的工作量非常大。神经网络的适应性也比较差,不能自动适应网络环境的变化。基于粗糙集神经网络的故障诊断方法,将模糊控制技术和神经网络技术相结合,虽然结合了两者的优势,但实现起来就比较困难。

基于贝叶斯网络的故障诊断方法可用来对不确定和不完整信息中的将来可能发生的故障作出推理以提供有效的预测。尽管此方法具有许多优点,但是在实际的环境中获取先验知识比较困难,限制了其应用。而且随着网络的复杂度增加,贝叶斯网络本身的复杂度呈指数级数增加,所以其计算量非常大。基于贝叶斯网络的不确定性推理技术己被证明为NP难题。因此,使用贝叶斯网络进行网络故障定位的技术还有待于改进。

此外,除了上述网络故障定位技术,还有基于数据挖掘的网络故障定位技术、基于Petri网的网络故障定位技术和基于有限状态机的网络故障定位技术等方法。

3 小结

网络故障智能诊断和精确定位相当复杂的问题,靠单一技术很难圆满解决,只有多种技术的融合集成处理故障信息,才能实现高效而精确的网络故障定位。本文在研究网络故障诊断技术的基础上,重点对网络故障智能诊断核心技术――故障定位进行了深入的研究,介绍了基于专家系统、神经网络和贝叶斯网络的故障定位技术,为进一步深入研究高效智能故障诊断技术,最终实现网络故障的主动预防打下基础。

参考文献:

[1] Greg Tomsho.网络维护和故障诊断指南站[M].晓苏,译.北京:清华大学出版社,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] 郑秋华.网络故障智能诊断关键技术研究[D].杭州:浙江大学,2007.