人工智能研究綜述范文
時間：2023-06-01 10:54:00
導語：如何才能寫好一篇人工智能研究綜述，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。
篇1
關鍵詞：回彈-超聲-拔出綜合法；混凝土；強度；檢測
Abstract: in the theoretical analysis and test research, it established concrete rebound-ultrasound-pulled out of the synthesis detection artificial neural network model. Comparing the traditional regression algorithm, the artificial neural network model of concrete strength has higher precision.
Keywords: rebound-ultrasound-pull out the synthesis; Concrete; Strength; detection
中圖分類號： TU528 文獻標識碼：A 文章編號：
1 引言
混凝土的強度可采用無損檢測的方法進行推定，如采用回彈法、聲速法、拔出法或綜合法。綜合法由于采用多項物理參數，能較全面地反映構成混凝土強度的各種因素，并且還能夠抵消部分影響強度與物理量相關關系的因素，因而它比單一物理量的無損檢測方法具有更高的準確性和可靠性[1]。通過試驗研究和工程實踐積累的檢測數據，建立了混凝土強度回彈-超聲-拔出綜合法神經網絡模型。
2 試驗設計
2.1 試件制作
設計C15、C20、C25、C30、C35、C40六個強度等級、三個齡期的混凝土，共制作標準養護100×100×100mm立方體試件180組用于回彈法、超聲法檢測，制作標準養護200×200×200mm立方體試件180組用于拔出法檢測，同時制作相同組數的自然養護試件。試件均采用機械攪拌、機械振搗。
2.2 混凝土配合比及原材料基本性能
混凝土配合比及設計參數見表1。
表1 混凝土配合比及設計參數統計表
3 回彈-超聲-拔出綜合法人工神經網絡的設計與模型建立
3.1網絡設計與說明
3.1.1輸入和輸出層的設計
人工神經網絡的輸入、輸出層數是完全根據使用者的要求來設計，問題確定下來，輸入輸出層也就確定了。
3.1.2隱含層單元的選擇
隱含層單元個數的選擇是一個十分復雜的問題，目前尚沒有很好的解析表達式，隱含層單元的個數與問題的要求、輸入輸出單元的數量、訓練樣本的數量等都有直接關系。當隱含層單元的數量太少時會導致網絡的容錯性能降低，即訓練不出理想的結果。但隱含層單元個數太多又往往會造成網絡的訓練時間過長，且網絡的輸出誤差也不一定最小，因此目前主要依靠理論和經驗確立合適的計算網絡[2]。下面公式作為選擇隱含層單元數的參考：
式中：n1為隱含層單元數，m為輸出層單元數，n為輸入層單元數，a為1-10之間的常數。
3.1.3初始值的選取
對于系統是非線性的，初始值對于學習是否達到局部最小和是否能夠收斂的關系很大，一個重要的要求是希望初始權在輸入累加時使每個神經元的狀態接近于零，這樣可以保證開始時不落到那些平坦區域上。權一般取隨機數，而且要求比較小，這樣可以保證每個神經元一開始都在它們轉換函數變化最大的地方進行[3]。
3.1.4數據的歸一化處理
由于輸入數據的密集性，數據之間的差別太小，如超聲值；同時由于采集的各數據單位不一致，直接將數據輸入神經網絡進行訓練會引起混淆。因此，必須對輸入數據和輸出數據進行歸一化處理（Normalization Processing），使得輸入層的輸入值介于[-1,1]之間，而輸出層的輸出值介于[0,1]之間。
神經網絡訓練結束后，在神經網絡進行混凝土強度推測階段（即仿真階段），需要對數據進行反歸一化處理。
3.2網絡算法改進
3.2.1附加沖量(動量)法
附加沖量法修正網絡參數時，不僅考慮誤差函數的梯度下降，而且考慮誤差曲面的變化趨勢。沒有附加沖量作用時，網絡可能陷入局部極小或進入誤差曲面平坦區，而附加沖量則有可能使網絡跳出局部極小或滑過平坦區[4]。
3.2.2自適應學習速率
正確選擇學習速率不是一件容易的事情，通常對訓練初期合適的學習速率，隨著訓練的進行會變得不合適，因為誤差曲面是非常復雜的。為了解決這一問題，設法讓網絡具有這樣一種功能，根據自身的訓練情況自動調整學習速率，即采用自適應學習速率[5]。
3.2.3 S型函數輸出限幅算法
網絡的連接權和閥值的調節量都與中間層輸出b有關，當bj=0或b=l時，vji=0或wji=0或θj=0，即當bj=0或bj=1時，不能對網絡的權值和閥值進行調整。
3.3 網絡訓練和模型的建立
混凝土強度回彈-超聲-拔出綜合法神經
網絡訓練如圖1示。經過訓練，網絡模型如
圖2所示。
建立的神經網絡的訓練函數為Trainlm。
輸入層數是3，即回彈值、超聲值、拔出力；
輸出層數是1，即混凝土立方體抗壓強度。
隱含層是1層，單元數是5。初始學習速率
0.05，沖量系數0.9，允許學習次數3000，
學習樣本數168，計算樣本數15，初始權值和閾值為[-0.01，0.01]區間的隨機數，輸入層的輸入值介于[-1，1]之間，輸出層的輸出值介于[0，1]之間。網絡檢測樣本見表2所示。
4 人工神經網絡與回歸算法推測混凝土強度對比
4.1回歸模型選擇
根據試驗數據情況擬選三種回歸公式，通過回歸指標綜合評價這三種回歸公式，然后選取既能反映混凝土實際工作狀況又較為簡單的回歸公式作為綜合法的測強公式 。
擬選用以下幾種回歸公式模型[6，7]：
冪函數方程 ：
線性方程：
指數方程：
式中；—混凝土強度計算值(MPa)；F—拔出力(kN)；N—回彈值；V—超聲速度(km/s)；A、B、C、D—回歸系數
4.2 綜合法檢測回歸公式及試驗結果分析
本次試驗通過對576組150×150×150mm試塊和90根750×200×200mm小梁180組進行拔出、回彈、超聲檢測。對試驗數據利用Matlab進行回歸分析，得到如下回歸方程和相應的回歸指標，見表3。
表3幾種回歸方程比較
篇2
【關鍵詞】互聯網信息時代 人工智能 應用研究
當前，世界已全面進入以大數據共享、信息爆炸為特點的互聯網信息時代。富有智能化和人性化的計算機網絡技術服務成為了人們青睞和關注的焦點。人工智能作為互聯網信息時代凝聚高端技術的超值網絡服務，在增強互聯網安全性、提高網絡操作自動化等方面意義重大。現階段，已有更多行業領域的用戶在應用人工智能，體驗這一技術所帶來的新生活。
1 人工智能簡述
人工智能，即Artificial Intelligence，是現代社會特有的綜合類前沿學科，交叉云集了計算機、網絡技術、控制方法論、信息論、神經生物學、語言學等多學科知識，主要用來研究機器在思考、學習、規劃等行為的擬人態進化，使之解決問題的能力大幅提升。人工智能發展至今已有超過60載歲月，其成就在整個歷程中熠熠生輝，代表著人類文明的不斷發展與超越。人工智能經歷了三個階段的發展變革：第一階段是以人工智能驅動機器設備，代替或輔助人類思考并解答難題；第二階段是研發智能機器人，處理不同系統及環境信息的交互工作，如不確定性信息的處理工作；第三階段的代表成果就是數據挖掘系統，可實現海量模糊信息采集與分析，可視化技術發展迅猛，計算機具有自主學習能力。
2 人工智能的應用領域代表成就
任何一項技術的創新與發展，都源于人類開展生產生活的實際需求，人工智能技術的研究也不例外，發展至今已經為解決不同領域的實際需求提供了眾多技術應用。目前，人工智能在下列應用領域中取得了代表性成就：
2.1 專家系統
專家系統，其實是由龐大的程序組編寫完成的數據系統，廣泛積累不同專業的知識經驗，這些知識均可事先歸納分析，可按具體模式表示，從而幫助用戶憑借領域專家的固有知識進行推理解決問題。專家系統可系統化分析輸入信息并結合已有知識體系進行全面推理，提出建O性的決策建議，相當于發揮行業專家的作用。
2.2 數據庫智能檢索
人工智能想要做到全面模擬人類思維和動作，需要建設強大的數據庫資源，便于及時開展智能檢索。數據庫基于計算機軟件開展，存儲了海量專業學科知識，也稱之為知識庫系統，一旦有用戶需要查閱解決該學科的專業問題，都可通過智能檢索功能實現快速精準地檢索。
2.3 程序自動設計
自動化的程序設計就是借助更高規格高標準的程序設計系統來完成指定功能的程序設計，該系統需要用戶輸入所設計程序的需求目標，并對整個流程和架構有更為高級的描述，系統就能自動組織對應程序完成設計。高度自動化的程序設計編寫方式，也展現了人工智能系統的思考、學習、修正自身缺陷的擬人態功能。
2.4 目標模式識別
模式識別，顧名思義正是為識別不同物體的特征是否匹配目標對象而具備的功能?，F代計算機加強了模式識別系統功能，能夠提高機器對外界信息的感知能力，不斷接受外界信息，對所處環境的特征進行識別，加強概念理解。當前，目標模式識別已由二維向三維層面升級，為研究智能機器人提供了堅實的基礎。
當然，人工智能的應用領域遠不止上述這些，還在機器學習、機器視覺圖像處理（machine vision）、自然語言理解（Natural Language Understanding）、自然信息博弈論等方面發揮著重要的作用。
3 不同行業的人工智能技術應用實例
目前，眾多企業為求發展，與內部運營管理中加強了人工智能的應用，聚力解決各項問題，為企業贏得了經濟效益，推動著社會發展。
3.1 企業管理應用
將人工智能應用于企業管理中，需要人的智能和人工智能之間的辯證關系，靈活運用工智能應用平臺加強對企業內部各項管理智能軟件的開發工作，借助靈活的人工智能技術幫助企業實施科學決策。
3.2 水利管理應用
人工智能能夠在水情控制與洪災預報中發揮作用。如可使用人工神經網絡和遺傳算法等技術，模擬汛期的最大洪峰與洪水總量，研究更有針對性的抗洪模型，提高了洪災預報精度和汛期準度，有效發揮防洪降災、攔洪儲水的重要作用。同時，人工智能還能夠分析大江大河的復雜地質與環境系統，對治理河流起到良好的輔助作用。
3.3 建筑行業應用
目前，建筑行業的用地規劃、給排水工程、暖通空調工程、施工管理等內容都在應用人工智能。已有企業基于神經網絡算法發明了結構節點探傷法，可查探建筑結構損傷度；也可在市政工程建設中不斷強化正反向混合推理的理論思想，查明城市污水處理管網故障；可構建用于分析建筑工程性能效益的系統，加強建設項目性能效益預測和實際效益分析。
3.4 機械行業應用
人工智能同樣成為互聯網時代下的機械行業技術中的重頭戲。如：人們利用人工神經網絡算法，設計出土方工程的機械調度的優化方案；多個工程都可搭建含多目標的尋優函數模型。許多大型機械裝置，都配置了人工智能操作平臺，可提高安全風險監控水平，增強機械操作自動化，進一步優化生產效率。
3.5 商品銷售預測應用
人工智能的各種函數模型或優化算法，可在商品銷售金額的預測中發揮巨大作用。如：在計算機中輸入不同商品某一時間段的銷售額，形成非線性系統進行分析，評估各種影響因素。采用人工神經網絡，不斷放大自分布處理、自組織學習、自適應與自容錯等特性，體現強大的預測功能。
當然，人工智能還廣泛應用到電子網絡技術應用、企業財務管理、航班信息查詢、教學服務、心理咨詢公路建設、焊接制造、等眾多方面，為更多企業帶來可觀的經濟效益。
4 結束語
互聯網信息時代的人工智能應用，將會隨著科技力量的不斷壯大而實現更多的應用。人們應該高度重視人工智能理論與技術的探究，從而更好地為全人類服務。
參考文獻
[1]何承.計算機網絡技術中人工智能的應用探討[J].信息通信，2016（03）：180-181.
[2]韓曄彤.人工智能技術發展及應用研究綜述[J].電子制作，2016（12）：95-95.
[3]王宇飛，孫欣.人工智能的研究與應用[J].信息與電腦，2016（05）：115-117.
作者簡介
李君，男，江西省上饒市人。上海財經大學浙江學院，主要從事教學軟件管理類工作。
篇3
關鍵詞：人工智能；異化；規范；生態文明觀
中圖分類號：TP18
文獻標識碼：A
一、人工智能技術的發展及其影響
人工智能技術研究開始于20世紀50年代中期，距今僅有60年的發展歷程，但是其迅猛的發展速度，廣泛的研究領域以及對人類產生的深遠影響等令人驚嘆。調查顯示，77.45%的人認為現實生活中人工智能技術的影響較大，并且86.27%的人認為人工智能技術的發展對人類的影響利大于弊；認為人工智能技術對人類生活影響很小且弊大于利的人權占很小一部分。人工智能技術的發展和應用直接關系到人類社會生活，并且發揮著重要的作用。人工智能技術的發展方向和領域等由人類掌控著，所以人類應該盡可能地把人工智能技術的弊處降到最低以便更好地為人類造福。2016年3月份，圍棋人工智能AlphaGo與韓國棋手李世h對弈，最終比分4∶1，人類慘敗。4月份，中國科學技術大學正式了一款名為“佳佳”的機器人，據了解，機器人“佳佳”初步具備了人機對話理解、面部微表情、口型及軀體動作匹配、大范圍動態環境自主定位導航和云服務等功能。而在這次正式亮相之前，“佳佳”就擔綱主持了2016“首屆全球華人機器人春晚”和“誰是棋王”半Q賽。人工智能技術確實給人類帶來了諸多的便利，給人類生產生活帶來便利；但是，人工智能技術的快速發展超乎人類的預測，引起了人類的恐慌和擔憂。百度CEO李彥宏稱，人工智能是“披著羊皮的狼”。毋庸置疑，科學技術是一把雙刃劍，當人類醉心于科學技術所帶來的福利中時，更應當注意其帶來的負面作用。人類發明和創造科學技術最終是為了造福人類，而非受到科技的異化。
隨著科技的發展，人工智能技術越來越成熟，在此整體趨勢之下，不同的人群對人工智能技術的不斷成熟與應用有著不同的看法。調查結果顯示，在關于機器人會不會擁有人類的思維甚至超過人類的問題方面，27.45%的人認為機器人會擁有人類的思維和超過人類；而56.86%的人認為機器人不會擁有人類的思維和超過人類，小部分人對此不是很清楚。由于受到人工智能技術迅猛發展的沖擊，如機器人保姆、AlphaGo圍棋等智能產品對人類發展帶來的威脅，一部分人仍然對人工智能技術的發展擔憂甚至認為終有一天機器人將代替人類、征服人類、控制人類。但是，大部分的人在機器人是否能夠超過人類方面，保持樂觀積極的態度，認為機器人永遠不會擁有人類的思維并且超越人類，因為人類是技術的主導者，人類掌握著技術的發展方向，技術終究是為了人類服務。這一看法肯定了人類的無止境的創新，然而，在人類醉心于技術創新的同時，應意識到某些創新確實超出了人類的預料，如AlphaGo與李世h圍棋人機大戰就是人類在技術面前失敗的慘痛教訓。因此，面對科技對人類的異化，人類要時刻保持警惕，適時地總結“技術異化”的緣由和解決對策。
二、人工智能技術發展面臨的問題及其原因
隨著技術的革新，人工智能技術的應用越來越廣泛，與人們的日常生活聯系也愈加密切。從智能手機的普及到自動駕駛汽車的研制成功，再到生產、建設、醫療等領域人工智能技術的應用，都表明了人工智能技術正悄無聲息地改變著我們生活方式。誠然，人工智能技術使我們的生活更加豐富多彩，給我們帶來了極大便利，但與此同時，人工智能技術也給社會帶來了一系列不可忽視的問題：人工智能技術在社會生產領域的應用對勞動市場造成沖擊；人工智能系統在收集、統計用戶數據過程中個人隱私及信息安全方面的隱患；人類對人工智能產品的依賴引發的身心健康問題；人工智能引起的責任認定問題等。斯蒂芬?霍金在接受BBC采訪時表示，“制造能夠思考的機器無疑是對人類自身存在的巨大威脅。當人工智能發展完全，就是人類的末日。”表示同樣擔憂的還有特斯拉的創始人馬斯克，他曾直言，“借助人工智能，我們將召喚出惡魔。在所有的故事里出現的拿著五芒星和圣水的家伙都確信他能夠控制住惡魔，但事實上根本不行?！辈豢煞裾J，人工智能技術是把雙刃劍，有利亦有弊，爭議從來就沒有停止過，而最不容忽視的莫過于人工智能技術引發的一系列倫理困境，關于人工智能的倫理問題成了重中之重。
調查發現，47.55%的人認為人工智能所引發的倫理問題是因為人性的思考，占比較大；而22.55%的人認為是由于人們價值觀念的改變；29.9%的人認為是利益分化與失衡以及一些其他的原因導致的。由此可以看出導致人工智能倫理困境的原因是多方面的。主要總結為以下幾個方面。
第一，從技術層面來看，人工智能技術在現階段仍然有很大的局限性。人工智能是對人腦的模仿，但人腦和機器還是存在本質區別的，人腦勝于人工智能的地方，就是具有邏輯思維、概念的抽象、辯證思維和形象思維。人工智能雖能進行大量的模仿，但由于不具備形象思維和邏輯思維，僅能放大人的悟性活動中的演繹方法，不可能真正具有智能，這決定了機器不能進行學習、思維、創造。此外，智能機器人也不具備情感智能，它們根本無法去判斷自己行為的對錯，也無法自動停止自己的某項行為，所以如果人工智能技術一旦被不法分子利用，后果不堪設想?？梢?，由于人工智能自身技術上的局限性導致的倫理問題已經影響到其未來發展。
第二，從規制層面來看，倫理規制的缺失和監督管理制度的不完善是導致倫理問題產生的重要原因?？萍嫉陌l展目標是為人類謀求幸福，但我們必須認識到，無論是在科技的應用還是發展過程中總是存在一些難以控制的因素，倘若沒有相應的倫理原則和倫理規制加以約束，后果難以想象。在目前人工智能領域，缺乏一套成體系的關于人工智能技術產品的從設計、研究、驗收到投入使用的監督管理方案，也沒有一個國際公認的權威性的規范及引導人工智能技術的發展及運用的組織或機構?，F有的監督體制遠遠滯后于人工智能技術的發展速度，無法匹配技術發展的需要。缺乏相關監管制度的約束，人工智能技術就不可避免會被濫用，從而危害社會。
第三，從社會層面來看，公眾對人工智能技術的誤解也是原因之一。人工智能作為一門發展迅猛的新興學科，屬于人類研究領域的前沿。公眾對人工智能技術的了解十分有限，調查顯示，對人工智能技術只是了解水平較低的人較多，占62.75%，以致部分人在對人工智能技術沒有真實了解的情況下，在接觸到人工智能技術的負面新聞后就夸大其詞，人云亦云，最終導致群眾的恐慌心理，從而使得更多不了解人工智能技術的人開始害怕甚至排斥人工智能技術。我們必須清楚，人工智能是人腦的產物，雖然機器在某些領域會戰勝人，但它們不具備主觀能動性和創造思維，也不具備面對未知環境的反應能力，綜合能力上，人工智能是無法超越人腦智能的。在李世h對弈AlphaGo的曠世之戰中，盡管人工智能贏了棋，但人類贏得了未來。
三、人工智能技術的發展轉向
人工智能技術的發展已經深入到人類社會生活的方方面面，其最終發展目標是為人類服務。但是，科學技術是把雙刃劍，它在造福人類的同時，不可避免地會給人類帶來災難，因此，人類應該趨利避害，使人工智能和科學技術最大化地為人類服務。這就要求人類必須從主客體兩個角度出發，為人工智能技術的健康發展找出路。
1.技術層面
（1）加強各個國家人工智能的對話交流與合作。人工智能自20世紀50年代被提出以來，尤其是近六十年來發展迅速，取得了許多豐碩的成果。如Deep Blue在國際象棋中擊敗了Garry Kasparov； Watson 戰勝了Jeopardy的常勝冠軍；AlphaGo 打敗了頂尖圍棋棋手李世h。從表面上看，人工智能取得了很大的進步，但深究這些人工智能戰勝人類的案例，我們發現這些成功都是有限的，這些機器人的智能范圍狹窄。造成這一現象的很大一部分原因就在于國際間人工智能技術的對話交流與合作還不夠積極，所以加強各個國家人工智能的對話和交流迫在眉睫，同時也勢在必行。
（2）跨學科交流，擺脫單一學科的局限性。從事人工智能這項工作的人必須懂得計算機知識、心理學和哲學。歷史的經驗告訴我們，一項科學要想走得長遠就必須有正確的意識形態領域的指導思想的介入。在人工智能這項技術中，有些科學家們可能只關注經濟利益而沒有引進相應的倫理評價體系，最終使得技術預測不到位，沒有哲學的介入，等真正出現問題時就晚了。所以要加強科學家與哲學家的溝通交流，令科學家能更多地思考倫理問題，提高哲學素養，在人工智能技術中融入更多的哲學思想，保證人工智能技術能朝著正確、健康方向發展。
（3）人工智能技術的發展，要與生態文明觀相結合。在人工智能技術發展中，要注入更多的生態思想，這關系人民福祉、關乎民族未來的長遠大計。在人工智能發展中，若是產生資源過度消耗、環境破壞、生態污染等全球性的環境問題時，人類必須制止并進行調整。人工智能技術要想發展得更好，前景更加明亮，前途更為平坦，就必須保持與生態文明觀一致，與人類自身利益一致，為人類造福。
2.人類自身層面
（1）增強科學家道德責任感?？茖W技術本身并沒有善惡性，而研發的科學家或是使用者有善惡性。人工智能將向何處發展，往往與研發人工智能的科學家息息相關?？茖W家應打破“個體化原理”，要融入社會中去，關注社會道德倫理問題，承擔起道德責任，為自己、他人、社會負責，多去思考自己研發的技術可能帶來的后果，并盡可能去避免，多多進行思考，嚴格履行科學家的道德責任。
（2）提高公眾文化素養。調查發現，對人工智能技術了解水平較低的人較多，占62.75%；而非常了解的人較少，占4.41%；另外，對人工智能技術了解的人占21.08%，不了解的人占11.76%。由此可以看出，大部分的人對人工智能技術都能有所了解，但都不是很深入，而且仍有部分人對人工智能技術絲毫不了解，所以，人工智能技術對于個體的影響是比較微小的，其發展還沒有深入到個人的日常生活中。特別是在一些關于人工智能的科幻電影的渲染，可能使那些對于人工智能技術并不了解或是一知半解的人產生偏見。在日常生活中，人工智能給人類帶來了極大的便利。通過提高公眾的文化素養，使公眾正確認識人工智能技術，將是緩解甚至是解決人工智能技術某些倫理問題的重要途徑之一。
（3）加大監督力度。人類需要通過建立一個完善的監督系統引導人工智能技術的發展。對于每項新的人工智能技術產品從產生到使用的各個環節，都要做好監督工作，以此來減少人工智能技術的負面影響，緩解甚至減少人工智能技術的倫理問題。
3.道德法律用
（1）通過立法規范人工智能技術的發展。調查發現，90.69%的人認為有必要對人工智能技術所引發的科技倫理問題實行法治，由此可以看出，要想保證科技的良好健康發展，必須要建立健全相關法律條例。然而我國在這一方面的法律還存在很大的漏洞，相關法律條文滯后于人工智能的發展，并未頒布一套完整的關于人工智能的法律體系。沒有規矩不成方圓，在人工智能領域亦是如此。我們都無法預測將來人工智能將發展到何種地步，這時就需要人類預先加以適當的限制，利用法律法規加以正確引導，使其朝安全、為人類造福的方向發展。
（2）構建人工智能技術倫理準則并確立最高發展原則。要構建以為人類造福為最終目的的倫理準則。人工智能技術的倫理問題已經給人類造成了很多負面影響，而要防止其帶來更多負面影響，構建合適的人工智能技術倫理準則勢在必行。
此外，要確立以人為本的最高發展原則 。一切科學技術的發展都應把人的發展作為出發點。人工智能的發展也是如此，要將以人為本、為人類服務為出發點，并作為最高發展原則。
四、結語
科學技術是把雙刃劍，人類只有消除人工智能技術的潛在威脅，發揮人工智能技術最大化效用，避免倫理困境重演，才能實現人機交互的良性發展，實現人工智能與人類的良性互動。
參考文獻：
[1]王文杰，葉世偉.人工智能原理與應用[M].北京：人民郵電出版社，2004.
[2]甘紹平.人權倫理學[M].北京：中國發展出版社，2009.
[3]楊懷中.現代科技倫理學概論：高科技倫理研究[M].武漢：湖北人民出版社，2004.
[4]王志良.人工情感[M].北京：機械工業出版社，2009.
[5]鄒 蕾，張先鋒.人工智能及其發展應用[J].信息網絡安全，2012（2）.
[6]王 毅.基于仿人機器人的人機交互與合作研究[D].北京：北京科技大學，2015.
[7]田金萍.人工智能發展綜述[J].科技廣場，2007（1）.
[8]郝勇勝.對人工智能研究的哲學反思[D].太原：太原科技大學，2012.
[9]龔 園.關于人工智能的哲學思考[D].武漢：武漢科技大學，2010.
篇4
【關鍵詞】人工智能 圖像識別 深度學習
1 概述
圖像識別技術是人工智能研究的一個重要分支，其是以圖像為基礎，利用計算機對圖像進行處理、分析和理解，以識別不同模式的對象的技術。目前圖像識別技術的應用十分廣泛，在安全領域，有人臉識別，指紋識別等；在軍事領域，有地形勘察，飛行物識別等；在交通領域，有交通標志識別、車牌號識別等。圖像識別技術的研究是更高級的圖像理解、機器人、無人駕駛等技術的重要基礎。
傳統圖像識別技術主要由圖像處理、特征提取、分類器設計等步驟構成。通過專家設計、提取出圖像特征，對圖像M行識別、分類。近年來深度學習的發展，大大提高了圖像識別的準確率。深度學習從大量數據中學習知識（特征），自動完成特征提取與分類任務。但是目前的深度學習技術過于依賴大數據，只有在擁有大量標記訓練樣本的情況下才能夠取得較好的識別效果。本文認為研究如何在標記數據有限的情況下繼續利用深度學習完成物體識別任務具有重要意義。這也是未來人工智能研究的重要方向之一。
2 傳統圖像識別技術
傳統的圖像識別技術包括：圖像獲取、預處理、特征提取、分類。在圖像輸入后，需要先對圖像進行預處理。一幅標準灰度圖像，如果每個像素的像素值用一個字節表示，灰度值級數就等于256級，每個像素可以是0～255之間的任何一個整數值。一幅沒有經過壓縮處理的640×480分辨率的灰度圖像就需要占據300KB的存儲空間。通常我們需要將圖片的亮度及對比度調整合適，才能使圖片更加清晰、便于觀察。
許多采集到的圖片帶有或多或少的噪聲，需要對圖片的噪聲進行消除。對圖片噪聲的消除可以使用不同的去噪方法，如中值濾波、算數平均濾波、平滑線性濾波和高斯濾波等。不同濾波器分別適用于不同情況的噪聲。如椒鹽噪聲便適合使用中值濾波器，高斯噪聲便適合使用平滑線性濾波和高斯濾波。有時候，我們需要對圖像細化處理（如指紋細化，字符細化等），以便獲取主要信息，減少無關信息。細化操作，可以得到由單像素點組成的圖像輪廓，便于后續特征提取操作。
基本的圖像特征提取包括邊緣、角點等提取。一般使用不同的特征提取算子結合相應的閾值得到這些關鍵點。另一類在頻域中進行特征提取的方法主要是通過傅里葉變換，將圖像基于頻率分為不同的部分，從而可以在頻譜中反映出原始圖像的灰度級變化，便可得到圖像的輪廓、邊緣。
在完成圖像的預處理和特征提取之后，我們便能夠對圖像進行識別、分類。常用的分類器有K-近鄰（KNN），支持向量機（SVM），人工神經網絡（ANN）等等。K-近鄰算法原理是，當一個樣本的k個最相鄰的樣本中大部分屬于某一類別時，該樣本也應當屬于同一類別。支持向量機是通過尋找支持向量，在特征空間確定最優分類超平面，將兩類樣本分開。人工神經網絡模仿生物大腦中的神經網絡結構，通過誤差反向傳播不斷優化參數，從而得到較好的分類效果。
3 基于深度學習的圖像識別技術
一般認為深度學習技術是由Hinton及其學生于2006年提出的，其屬于人工神經網絡分支。深度神經網絡模仿人腦的神經機制來分析樣本，并盡可能地對樣本的特征進行更深度的學習。以圖片為例，利用深度學習技術對樣本的特征進行學習時，由低層特征到高層特征越來越抽象，越來越能表達語義概念。當樣本輸入后，首先對圖像進行卷積與下采樣操作，卷積和下采樣操作是為了進行特征提取和選擇。以原始像素作為輸入，深度學習技術可以自動學習得到較好的特征提取器（卷積參數）。深度學習的訓練過程，首先將當前層的輸出作為下一層的輸入，進行逐層分析，使得每一層的輸入與輸出差別盡可能小。其后，再聯合優化，即同時優化所有層，目標是分類誤差最小化。
傳統的深度神經網絡往往網絡中的節點數太過龐大，難以訓練。人們構造出卷積神經網絡，以權值共享的方式減少了節點數量，從而能夠加深學習的深度，使系統能學習到更抽象、更深層的特征，從而提高識別正確率。目前較成功的深度學習網絡結構有AlexNet、GoogLeNet、ResNet等。
與傳統識別技術相比，深度學習技術具有以下優勢：
（1）無需人工設計特征，系統可以自行學習歸納出特征。
（2）識別準確度高，深度學習在圖像識別方面的錯誤率已經低于人類平均水平，在可預見的將來，計算機將大量代替人力進行與圖像識別技術有關的活動。
（3）使用簡單，易于工業化，深度學習由于不需要領域的專家知識，能夠快速實現并商業化，國內較知名的深度學習創業公司有專注人臉識別的Face++、研究無人車的馭勢科技等。
4 存在問題與未來展望
雖然深度學習具備諸多優點，但目前來看深度學習仍有許多不足之處。首先，由于深度學習模型為非凸函數，對其的理論研究十分困難，缺乏理論保證。在對數據進行調整時，仍是簡單的“試錯”，缺少理論支撐。
同時，由于深度學習過于依賴數據量和計算資源。對一個新概念的學習，往往需要數百個甚至更多有標記的樣本。當遇到有標記的樣本難以獲取或者代價太大時，深度學習就無法取得好的學習效果。并且深度學習需要十分昂貴的高性能GPU，這使得深度學習難以平民化。目前深度學習訓練速度較慢，往往需要幾天甚至一個月。其模型擴展性差，缺少“舉一反三”的能力，樣本稍加變化，系統性能便會迅速下降。目前的深度學習屬于靜態過程，與環境缺乏交互。
對其的解決方案目前主要有兩點：
（1）針對于模型擴展性差的問題，通過引入遷移學習，研究不同任務或數據之間的知識遷移，提高模型的擴展能力、學習速度，同時降低學習成本，便于冷啟動。
（2）與強化學習結合，研究在動態環境下進行深度學習，提高深度學習與環境交互的能力。
參考文獻
[1]蔣樹強，閔巍慶，王樹徽.面向智能交互的圖像識別技術綜述與展望[J].計算機研究與發展，2016：113-122.
[2]張翠平，蘇光大.人臉識別技術綜述[J].中國圖象圖形學報，2000：885-894.
[3]梅園，趙波，朱之丹.基于直線曲線混合Gabor濾波器的指紋增強算法[J].計算機科學，2016.
[4]孫志軍，薛磊，許陽明，王正.深度學習研究綜述[J].計算機應用研究，2012：2806-2810.
[5]莊福振，羅平，何清，史忠植.遷移學習研究進展[J].軟件學報，2015：26-39.
[6]高陽，陳世福，陸鑫.強化學習研究綜述[J].自動化學報，2004：86-100.
篇5
【關鍵詞】人工智能技術；電力系統；故障診斷；應用
中圖分類號：O434文獻標識碼： A
一、前言
在國家智能電網的推動下，電力系統的故障診斷成為了實現電力系統自動化的主要問題。通過人工智能技術對電網參數進行智能化分析，有利于及時診斷故障，從而優化電力系統，保障電力系統的穩定性，減少不必要的損失。
二、人工智能技術概述
人工智能技術集腦科學、神經學、信息技術為一體，目前廣泛運用于多個領域，同時也是近年來科技領域的一個研究熱點。它通過對人腦的原理和行為進行模仿，從而研制出一種自動化的機器，這種機器能分析、識別、發現問題。很多電力企業都運用了這種技術，它提高了電力運行的效率，減少了故障發生的機率，還節約了人力、物力、財力。同時，它也能解決電力系統中非常復雜的問題，比如非線性映射。不僅如此，它還被繼電保護所應用。人工智能技術中的神經網絡方法，通過采集大量的故障樣本，使設備對故障有一定的印象。因此，在發生故障的時候，設備能夠快速反應并且發出警報。
三、人工智能技術的種類
1.人工神經網絡
人工神經網絡是人工智能技術中的一種，它的非線性問題非常復雜，這種技術主要是用在繼電保護上，它是通過模仿人的神經系統而研制出來的。此外，人工神經網絡還具有比較快的反應能力，能夠及時對電力系統進行監控、評估等等。即便是發生了故障，它也能夠進行快速的判斷，并且對故障的距離、情況等一一進行探測。
2.智能模糊邏輯
智能模糊邏輯通過運用模糊理論，輸入變量，建立數學模型，能夠很好地對電力系統進行規劃，并且診斷電力系統故障。如今，智能模糊邏輯已經成為了一種比較成熟和完善的人工智能技術，廣泛應用于電力系統當中。
3.遺傳算法
遺傳算法的理論基礎是數學模型，它通過借鑒自然遺傳機制的隨機搜索算法，從而對群體和個體之間的信息進行交換。
4.混合技術
所謂的混合技術，就是將遺傳算法、人工神經網絡、智能模糊邏輯等幾種技術合在一起，因為上面所說的幾種方法有一定的局限性，甚至還有一些難以克服的缺陷。將這些技術合在一起，就能夠更好地解決電力系統中的問題。
四、人工智能在故障診斷中的應用
人工智能技術中的模糊理論、專家系統和神經網絡在電氣設備故障診斷中應用較廣泛，特別是在變壓器故障診斷、發電機和電動機故障診斷中。目前變壓器故障診斷常用方法是取變壓器油分解出氣體，對氣體進行分析來判斷故障狀態。傳統的故障診斷方法無法針對設備故障的不確定性、非線性和復雜性等特點進行診斷，診斷效率較低。而人工智能方法的應用提高了診斷準確率。人工智能技術主要使用模糊邏輯、神經網絡和專家系統三種故障診斷方法。如在電動機和發動機的故障診斷中使用人工智能化的故障診斷技術，結合了神經網絡和模糊理論，實現了故障診斷知識模糊性與較強的神經網絡共同的診斷，相對提高了故障的針對準確率?，F在簡單的介紹下以下三種故障診斷方法。
1.模糊邏輯
模糊邏輯是在模糊集合理論的基礎上發展起來的，它采用模糊隸屬度的概念來描述不精確、不確定的對象，并采用近似推理規則，使專家知識得以有效表達，且具有很強的容錯能力。
綜上可看出，模糊邏輯比較適合用來處理電網故障診斷中繼電保護動作的不確定性和故障信息的不完備性。文獻[8]不僅引人了保護和斷路器的動作信息，而且按額定值將遙測量進行模糊化用于故障診斷，為故障診斷的多信息融合提供了新的思路。采用模糊集理論進行電網故障診斷也存在一些問題：像隸屬度函數的選擇無明確的標準、可維護性較差等。所以在電網故障診斷領域中，模糊集理論通常與其他診斷方法相結合，互相滲透、取長補短。
2.神經網絡
作為典型的模擬人類神經系統進行信息傳輸與數據處理的人工智能技術，神經網絡方法最大的特點就在于對于神經元網絡的應用。不同神經元之間的溝通連接共同構成了網絡運行的基礎，對于各種隱含所處理問題的智慧進行權重連接，從而實現診斷與處理。從其運行方式和結構來看，它具有一定的學習能力，能夠通過對學習算法的應用實現訓練樣本的訓練，同時完成知識的自我組織與構建，容錯能力較強，即使輸入信號存在一定的干擾因素，也能在較大程度上給出相對正確的輸出結果。同時，系統強大的神經元并行運算能力還能并行處理故障診斷，因為在執行效率上也較為令人滿意。眾多的神經網絡模型中，應用較為廣泛和典型的是誤差逆傳播神經網絡（BP網絡）。這種網絡具有很強的非線性映射能力，同時是一種柔性網絡結構，能夠隨著逆傳播的修正不斷減少誤差，同時還能通過對輸入模式的響應做好分類，提升正確率，尤其是對于變壓器故障中的油中溶解氣體類故障診斷具有較好的應用效果。
雖然誤差逆傳播神經網絡在故障診斷中有過多次成功的先例，但是隨著學習樣本的增多，輸入輸出關系的發雜多樣化，這種系統的網絡收斂速度不斷受到影響，變得越來越慢，有時候甚至出現不收斂現象。基于這種情況，有些研究指出將徑向路基函數網絡應用與變壓器的故障診斷，以此來彌補和改善此神經系統的缺陷，有些研究則提出了基于概率神經網絡的變壓器故障診斷方法等等不一而足。神經網絡方法的應用簡化了復雜故障問題的處理與分類，同時在自我學習的基礎上實現了對專家系統不足的彌補。
3.專家系統
專家系統可簡稱為ES，它所面向主要是各非結構問題，特別是處理啟發式、定性的或者不確定知識信息，通過各樣的推理過程來達到系統所要求任務目標。
專家系統在我國電廠里的應用是最早及較為成熟的人工智能技術，并且發展了很多專家系統，在電力系統不同領域被應用，像電網調度、系統恢復、監測和診斷、預想事故篩選等，特別是監測核事故診斷成為專家系統在電廠中最主要應用領域。
依據知識存儲方式不同，能把ES分為決策樹、知識經驗、規則及模型等不同形式，模型形式的知識所表達方式是比較適合實時處理的，比基于規則形式推理方式要更為簡單及快捷及容易維護。ES在輸電網絡診斷故障里的典型應用為產生式規則系統，就是把斷路器、保護器動作邏輯和運行人員診斷經驗運用規則的形式進行表示，并形成知識庫，依據報警信息進行知識庫推理，以獲得診斷結論，這種產生式規則專家系統在電廠中能夠被廣泛應用主要是因這種專家系統及故障診斷特點所決定的，在輸電網絡里斷路器及一級保護間的關系能用模塊化及直觀規則進行表示，并且能允許刪除、增加及修改某些規則，從而保證診斷系統有效性及實時性，對不確定問題在一定程度上給予了解決，還能給出一些符合人類語言結論及解釋能力。
同時，框架法的專家系統能夠進行分類結構知識表達，以及對事物間的相關性進行表達，并簡化繼承性知識存儲及表述。專家系統這種人工智能技術盡管能有效模擬完成故障診斷，可在電廠實際應用里，還存在著一定不足，主要為知識獲取及維護問題，并且接口也不是很友好，對故障診斷里的很多不確定因素也無法有效解決，從而影響了診斷準確性。
五、結束語
在智能電網逐漸被推廣的大前提下，人工智能技術在故障診斷的廣泛應用對于電力企業有著十分重要的意義。在現如今的發展中，我們要認真分析當下在人工智能技術應用中存在的不足之處，優化并改進，這樣才能使得人工智能技術在今后有更快更好的發展。
參考文獻：
[1]朱祝武.人工智能發展綜述[J].中國西部科技,2011，17-19頁
篇6
摘要： 隨著經濟的發展，技術的進步，現代企業設備越來越大型化、復雜化、智能化，如果液壓設備發生故障，生產就無法進行。本文首先介紹液壓系統故障診斷的準備工作，然后詳細介紹三種診斷方法。
關鍵詞：液壓系統故障 簡易故障診斷法 人工智能故障診斷法
液壓系統具有很多獨特的優點，常見的如：大容量、結構緊湊、安裝靈活、反應快、容易控制等等，在現代大型設備，特大型設備中具有廣泛的應用的同時存在著問題，極易發生故障從而影響生產，造成故障的原因主要是系統中元輔件和工作液體性能不穩定，系統設備使用不當或者維護不到位。近幾年液壓系統故障診斷成為了一門專門的學科，受到高度的重視。
1、液壓系統故障診斷的準備工作
第一拿到設備使用說明書時一定要認真仔細的閱讀，詳細了解該設備的功能、結構、工作原理，包括系統中元件的功能結構和原理；第二從網上查閱設備的檔案資料，包括生產廠家、制造日期、調試驗收，故障可能、處理方法等等。
2、簡易故障診斷方法
2.1 主觀診斷法
這是一種最傳統的方法，憑借維修人員的主觀判斷（看、聽、摸、聞、問）和實踐經驗，或者利用簡單的儀器、儀表判斷故障發生的部位并且給出發生的原因。常見到的主觀診斷法有感官診斷、方框圖分析、系統圖分析，該方法簡單快捷方便，這種方法對維修人員的要求極高需要有豐富的診斷經驗，但是診斷結果具有局限性。
2.2直接性能測試法
這種方法通過測試液壓元件和系統性能進而評價系統工作狀態，適用于處于工作狀態的系統，還能進行定量的分析，現代運用最多的是檢測液壓系統的狀態。如果檢測的液壓系統元件或者性能超出了規定的正常范圍，那么該系統就有發生故障的可能性。這種方法原理簡單，相當直觀，但是測試的精準度不是很高，一般早期的失效很難檢測出來。
3、基于信號分析的故障診斷方法
3.1基于抽樣分析法
反映系統內部信息的除了液壓系統本身的信息，其內部的污染物也可以，也就是說測定和鑒別油液當中污染物的成分和含量，可以知道液壓系統的污染情況和運行狀況，也是一種故障診斷的方法。目前我們經常見到的有兩種：一種是基于油液顆粒污染度的檢測技術，包括：顯微鏡檢測技術（設備投資小、方法簡單、費時費力、誤差大）、自動顆粒計數器（檢測速度快、操作簡便、準確度高但精度低）、稱重法（設備簡捷、檢測方便、只測重）、鐵譜分析法（可進行定性和定量的分析）、光譜法（成本高、精度高）；另一種是基于油液性能參數的檢測技術，這種技術需要細致的分析油液的有關參數和金屬的含量，歷時的周期較長，無法實現在線檢測，但是對重要液壓系統的診斷很有效。
3.2基于振動噪聲分析法
在液壓系統的運行過程中，必然會伴隨產生振動和噪聲，尤其液壓泵的振動聲音十分大，實際上這些設備的振動和噪聲就包含了許多故障的信息，分析信號，得到元件狀態信息，進而進行故障診斷。這種方法的理論比較完善，應用也比較廣泛，有多種信號處理方法如：時域特征參數法、時差域特征法、概率密度法、相關分析法、譜分析法、自功率譜分析法、倒頻譜分析法、包絡譜分析法、主分量自回歸譜提取法、AR譜參數提取法、小波分析等。目前旋轉機械設備也能用它分析診斷故障，純機械設備的故障診斷效果相當明顯。隨著信號處理技術的發展，這種方法的應用前景十分可觀。
3.3基于數學模型法
這種方法的指導是現代控制理論和優化方法，基礎是系統的數學模型，殘差產生法是觀測器（組）、等價空間方程、Kalman濾波器、參數模型估計和辨識等，利用閥值或者準則評價決策殘差。該方法和控制系統的關系相當密切，共同成為監控、容錯控制、系統修復重構的基礎。這種方法的數學模型的精確度直接決定診斷的精確性，一般最常建立的是線性和非線性的數學模型來診斷液壓系統的故障。
4、基于人工智能的故障診斷方法
4.1基于專家系統的智能診斷法
這是智能診斷技術中受到多方關注的一個發展方向，研究最多，應用最廣，主要是利用專家的知識和推理方法解決實際遇到的復雜問題。在這的專家系統并不是指人員而是指一種人工智能計算機程序，知識權威，學習功能強大。該系統的主要組成部分：知識庫（系統知識和規則庫）、數據庫、推理機和解釋機制。如果利用它檢測在線的系統，數據庫顯示的是實時工況數據；如果利用它檢測離線系統，則數據庫顯示的是實際故障時的數據或者人為故障的樣本數據。該方法的運行過程是通過人機相互交換，專家系統獲得所需信息，利用系統的知識庫和數據庫，推理機運用規則，調用應用程序，進行正確的推理，找到液壓系統的故障。這種方法給自動化進行液壓系統故障診斷代帶來了光明和希望，但是也存在一定的不足和問題，不過未來的發展前景還是很廣闊的。
4.2基于神經網絡的智能診斷法
20世紀80年代人工神經網絡迅速崛起，成為人工智能領域的一個分支，是一種計算模型（與人的認知過程相似），一種非線性動力學網絡系統（模擬大腦神經元結構特性）。神經網絡的非線性處理單元（類似神經元）相互關聯，具有了學習、記憶、歸納總結等功能和數學模擬能力。這種方法的具有獨特的優勢，如：分布式處理能力、聯想記憶、自學習能力等收到診斷領域的廣泛關注和重視，未來發展前景十分寬廣。
4.3基于模糊理論的智能診斷法
大量的模糊現象存在于液壓系統故障診斷領域，如：系統油溫過高、壓力波動較重等等，過高、較重這些都是模糊的概念，并沒有清晰的邊界，故障發生會經歷一個漫長的時間，同時故障發生的原因和癥狀也是模糊的，可能一對一，可能一對多，也可能多對一。利用模糊邏輯、模糊關系描述故障的原因和現象，建立隸屬度函數和模糊方程，明確識別故障。這種方法的現象更為客觀，結果更符合實際，速度快，容易實現。
5、結束語
隨著21世紀科技的發展，人工智能技術更是突飛猛進，還有許多智能診斷的方法如：故障樹診斷法、灰色理論智能診斷法、案例推理診斷法、多智能體的智能診斷法、信息融合技術智能診斷法等等。如何將新型科技、智能技術運用到故障診斷系統當中，實現自動化、智能化的故障系統診斷是我們亟待解決的問題。
參考文獻：
[1]范士娟，楊超.液壓系統故障診斷方法綜述[J].機床與液壓，2009，37（5）：188-192，195.
篇7
關鍵詞：人工智能 心血管 超聲
大數據是現代醫學模式的重要特征。在這種醫療模式下，要求醫療人員在確?；颊甙踩徒】档耐瑫r追求效率的最大化[1]。對于高分辨率的醫學影像成像，集中體現在醫務人員快速、準確、有效地解釋影像數據（包括肉眼可見和不可見），挖掘利于診斷和治療的有用信息。在此背景下，人工智能（artificial intelligence,AI）應運而生，它為促進圖像采集、測量、報告和隨后的臨床路徑以及影像和臨床數據的整合提供了有效手段[2]。心血管影像的精確性成為AI臨床應用中的主要領域之一，本文對此作一綜述。
1 人工智能及其在醫學上的應用
AI是一個廣義的術語，指的是機器或計算程序執行具有人類智能特征的任務的能力，如模式識別和解決問題的能力等。AI可以通過彌補人類智能，使現有醫療診斷和預后價值最大化，同時使醫師負擔最小化，從而顯著改善健康診療過程和結果。AI在臨床實踐中的應用預示著醫學領域一個更為劇烈變化時代的到來，在影像學方面尤其如此。一項通過分析科學網數據庫的研究[3]發現，目前AI在醫學的研究領域主要集中在大數據分析、腦卒中康復、心臟手術和醫療診斷和預后預測等方面。其中，用于醫學診斷、預后預測和分類的神經網絡和支持向量機是主要熱點，占所有文獻的26%；而未來最引人關注的研究主題是基于AI的微創手術。然而，關于AI數據管理、模型可靠性、模型臨床效用驗證等問題尚未進行廣泛研究。
2 人工智能的機器學習法
大數據是一個經常用來描述大量收集數據的術語，如來自大型生物信息庫的基因組數據、電子健康記錄檔案和大型研究隊列數據以及影像學掃描數據等。AI系統通過識別和提取一組觀測數據（數據集）的模式來自主獲取知識的過程稱為機器學習（machine learning,ML）。ML是人工智能的一個組成部分，描述為計算機從經驗中學習的過程，并在沒有事先知識的情況下執行預定的任務[4]。機器學習可以進一步分為監督學習、半監督學習和無監督學習，這取決于用于學習的樣本是否完全標記、部分標記或未標記。ML的典型例子是人工神經網絡，后者基于人類大腦的神經元及其連接，神經元之間的相互依賴關系反映出不同的權重，每個神經元接受多個輸入，所有的輸入一起決定了神經元的激活。通過樣本訓練找到這些合適權重的過程就是學習。學習過程的復雜性和所需的樣本量隨著神經元數量的增加而增加。由于計算能力和樣本大小的限制，機器學習應用程序的成功依賴于從原始樣本中手工提取特征來減少神經元的數量。為了解決這一問題，人們提出了深度學習的方法，即自動學習代表性的樣本。深度學習是指一種特別強大的ML方法，它利用卷積神經網絡模擬人類的認知，常用于影像模式識別和分類。
模型訓練是所有ML類型的共同過程，它是利用模型分析所提供的數據中的各種特性來學習如何生成輸出標簽的過程[5]。如在超聲心動圖中，一個模型可以分析各種特征，如左心室壁厚度和左心室射血分數，以確定患者是否具有特定的條件。然而，在分析中包含不相關的特征可能會導致模型過度擬合，從而在呈現新數據集時降低其準確性。這強調了擁有一個能夠代表總體的訓練數據集的重要性。數據集的質量對于最終ML模型的質量至關重要。盡管ML算法可以使用小數據集或大數據集進行訓練，但大數據集可以最大限度地提高訓練算法的內部和外部有效性，降低過度擬合的風險。正確模型的選擇通常取決于操作員的專業知識、數據集的性質和最終人工智能系統的目的。
3 人工智能在心血管超聲的應用
心血管成像領域，包括超聲心動圖、心臟計算機斷層掃描、心臟磁共振成像和核成像，具有復雜的成像技術和高容量的成像數據，處于精準心臟病學革命的前沿。然而，在基于AI的臨床轉化方法中，心血管成像一直落后于腫瘤學等其他領域。人工智能在超聲心動圖中的應用包括自動心室定量和射血分數計算、應變測量和瓣膜形態及功能評估以及ML在心臟疾病自動診斷中的應用。
3.1 心室定量和EF自動化。
自動心室量化和EF計算的算法旨在提供準確、快速和可重復的心尖視圖分類、解剖標志檢測、心室壁分割和心內膜跟蹤。有研究[6]比較了AI軟件自動測量（AutoEF）和手工追蹤雙平面Simpson法測量左室EF的準確性，并與心臟MRI進行了比較。結果表明AutoEF與手動雙平面Simpson法測得的EF相關性較好，且與MRI相關性良好，但AutoEF低估了左室舒張末期容積（EDV）和收縮期末期容積（ESV）。此外，在不同切面，測量的準確性存在差異，以胸骨旁長軸切面的準確性最高，達96%，而在心尖切面時整體精度降低（84%）。腔室定量和左室EF測量的中位數絕對偏差在15%～17%，其中ESV的絕對偏差最??；左房容積和左室EDV被高估。
3.2 心肌運動和應變測量。
Kusunose等[7]研究發現與傳統二維超聲心動圖相比，利用深度卷積神經網絡可更好的檢測區域壁運動異常并區分冠狀動脈梗死區域。Cikes等[8]利用復雜超聲心動圖數據（整個心動周期的左室容積和變形數據，而不是單個數據點）和臨床參數的ML算法識別心衰并對心臟再同步化治療的反應進行評估，證實通過整合臨床參數和全心周期成像數據，無監督的ML可以為表型異質性心力衰竭隊列提供一個有臨床意義的分類，并可能有助于優化特定治療的反應率。另有研究證實[9-10],ML算法有助于區分縮窄性心包炎、限制性心肌病以及肥厚性心肌的重塑。Zhang等[11]采用AI軟件和手工勾畫對左室心肌的縱向應變進行了比較研究。發現AI自動測量的心肌全局縱向應變與手動應變變化最小（絕對值為1.4%～1.6%）。
3.3 心臟瓣膜評估。
有學者[12]采用AI軟件對二尖瓣幾何形狀進行測量，測量參數包括二尖瓣環面積、瓣環高度和寬度、瓣葉連合間距、前后葉長度等。發現相對于常規超聲心動圖，所有評估的成像參數均獲得了更好的觀察者間一致性，而且所花費的時間明顯較少。Prihadi等[13]研究證實，經食管超聲心動圖AI軟件能夠精確地對主動脈瓣結構以及冠狀動脈開口進行測量和定位，且與多層螺旋CT的測量結果具有良好的相關性。
4 展望
在海量醫學信息和影像數字化日益積累的現代醫學時代，AI和ML為疾病診斷和風險預測等問題提供了新的解決方案。通過AI對超聲心動圖數據進行預測、建模和精確分析，可以幫助超聲醫師快速、準確地處理大量心臟超聲影像學數據，既有利于應對當前醫療信息數量的急劇增長，又有利于提高處理數據信息的能力。未來，針對AI的研究應關注超聲圖像數據特征定義及其提取方法的標準化，以確保可推廣性和可再現性，促進AI向更加個性化的醫療模式轉變。此外，AI系統與遠程醫療等軟件的集成，將使智能心臟超聲診斷系統滲透到資源消耗負擔最繁重的地區，提高經濟效益。
參考文獻
[1]Oikonomou EK,Siddique M,Antoniades C.Artificial intelligence in medical imaging:A radiomic guide to precision phenotyping of cardiovascular disease[J].Cardiovasc Res,2020,Feb 24;cvaa021.
[2]Dey D,Slomka PJ,Leeson P,et al.Artificial Intelligence in Cardiovascular Imaging:JACC State-of-the-Art Review[J].J Am Coll Cardiol,2019,73(11):1317-1335.
[3]Tran BX,Latkin CA,Vu GT,et al.The Current Research Landscape of the Application of Artificial Intelligence in Managing Cerebrovascular and Heart Diseases:A Bibliometric and Content Analysis[J].Int J Environ Res Public Health,2019,16(15):2699.
[4]Gandhi S,Mosleh W,Shen J,et al.Automation,machine learning,and artificial intelligence in echocardiography:A brave new world[J].Echocardiography,2018,35(9):1402-1418.
[5]Alsharqi M,Woodward WJ,Mumith JA,et al.Artificial intelligence and echocardiography[J].Echo Res Pract,2018,5(4):R115-R125.
[6]Xu B,KocyigitD,Grimm R,et al.Applications of artificial intelligence in multimodality cardiovascular imaging:A state-of-theart review[J].Prog Cardiovasc Dis,2020,19;S0033-0620(20)30060-8.
[7]Kusunose K,Abe T,Haga A,et al.A Deep Learning Approach for Assessment of Regional Wall Motion Abnormality From Echocardiographic Images[J].JACC Cardiovasc Imaging,2020,13(2 Pt 1):374-381.
[8]Cikes M,Sanchez-Martinez S,Claggett B,et al.Machine learningbased phenogrouping in heart failure to identify responders to cardiac resynchronization therapy[J].Eur J Heart Fail,2019,21(1):74-85.
[9]Narula S,Shameer K,Salem Omar AM,et al.Machine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D Echocardiography[J].J Am Coll Cardiol,2016,68(21):2287-2295.
[10]Sengupta PP,Huang YM,Bansal M,et al.Cognitive machine-learning algorithm for cardiac imaging:a pilot study for differentiating constrictive pericarditis from restrictive cardiomyopathy[J].Circ Cardiovasc Imaging 2016,9(6):e004330.
[11]Zhang J,Gajjala S,Agrawal P,et al.Fully automated echocardiogram interpretation in clinical practice[J].Circulation,2018,138(16):1623-1635.
篇8
關鍵詞：無人駕駛汽車；可靠性；綜述；展望
引言
近年來，互聯網技術的迅速發展給汽車制造工業帶來了革命性變化的機會。與此同時，汽車智能化技術正逐步得到廣泛應用，這項技術簡化了汽車的駕駛操作并提高了行駛安全性。而其中最典型也是最熱門的未來應用就是無人駕駛汽車[1]。
無人駕駛汽車，是可以通過計算機系統設置進而實現無人駕駛的新型智能化汽車[2]。無人駕駛汽車是人工智能技術、雷達、數學計算、監控設備與北斗導航系統協作實現的，它受計算機系統的控制，實現無人駕駛。目前，無人駕駛技術還停留在研發和實驗中，尚未被批準用作商業用途和用作私家車[3]。
據有關數據顯示，在意外事故中，以車禍占首位，占意外死亡總數的50%以上。僅以汽車交通事故為例，全世界因交通事故而死亡的人數已超過3000萬人，多于世界大戰死亡人數。基于高科技研究的無人駕駛汽車，無論在其安全性還是可靠性方面，都極具發展潛力。因此，無人駕駛汽車的研究與發展是降低車禍發生率、保障人民生命安全的重要任務[4]。
1 無人駕駛技術的研究成果
1.1 國外無人駕駛技術的研究成果
二十世紀五十年代起，英美等發達國家就開始涉及無人駕駛汽車領域的研究，并在某些方面取得了很大進展。1950年，世界上第一臺自主導航汽車由貝瑞特電子公司在美國研制成功，實現了在設定路線上行駛。1987年，奔馳公司投資贊助了慕尼黑國防大學實驗室，獨立設計了VaMoRs智能車，車速最高達到96KM/h。1994年，歐洲研制的VaMP和VITA-2機器人車輛在巴黎進行了測試，并在多車道高速公路上行駛了1000多公里，其中車速最高時達到130KM/h，并能自主完成跟蹤行駛[5]。2005年，在美國國防部主辦的無人車挑戰賽上，斯坦福大學的選手們改裝的大眾途銳多功能車經過7個半小時的長途車程到達終點，完成了全程障礙賽[6]。2010年，Google設計制造的無人駕駛汽車進行并通過了主要城市道路的駕駛測試，確定具有完備的感知能力和高水平的人工智能[7]。2014年，Code Conference 科技大會上，Google的新產品無人駕駛汽車亮相，和一般的汽車不同，Google 無人駕駛汽車沒有方向盤和剎車[8]。美國、德國、日本等發達國家和歐洲由于對無人駕駛技術的研究起步早，對無人駕駛技術的掌握和對無人駕駛汽車的研發與生產更成熟和可靠。
1.2 國內無人駕駛技術的研究成果
國內在此領域相對英美等國家起步較晚，目前仍處于初級階段，從二十世紀八十年代開始，以國防科技大學為主開始進行此方面的研究。
2001年，在賀漢根教授帶領下，研制成功時速達76公里的無人車[9]。2002年，國防科技大學與發達國家聯合研制的汽車實現了在公路上的無人駕駛[10]。2005年，國防科技大學完成的一個重大項目中，實現了2000公里的無人駕駛[11]。2006年，在東北亞的貿易博覽會上，中國研發的無人駕駛汽車在不封路的情況下，以80公里每小時的速度自主行駛。2011年，國防科技大學成功研制了紅旗HQ3無人車，在長沙-武漢高速公路上完成了無人駕駛實驗，創造了在復雜交通環境下無人駕駛的新紀錄。2012年，軍事交通學院研制的無人駕駛智能汽車配備了全球定位系統、超聲波雷達傳感器等先進技術儀器，以感知周圍環境，自動規劃行車路線[12]。2015年，長安汽車首輛無人駕駛樣車在重慶亮相，為國內第二輛原型車。長安已經完成了1級的智能駕駛技術應用，如全速自適應巡航、緊急剎車、車道保持等[13]。
我國無人駕駛汽車的蓬勃發展還需要長期堅持不懈的努力，面臨的困難還有很多，技術水平不足、關鍵零部件依賴進口、政策法規不完善等問題較為突出。
2 無人駕駛汽車的可靠性分析
無人駕駛汽車的可靠性依賴其關鍵技術的可靠性。其關鍵技術有導航技術和智能控制技術。
1965年，傅京孫教授提出了將人工智能的啟發式推理規則在學習系統中實踐，是我國最早提出的把人工智能和控制技術相結合[14]。1971年，他提出智能控制是自動控制與人工智能的二元交集論觀點。1977年，三元交集論被提出，即認為智能控制是人工控制、自動控制和運籌學的交集。
1989年，我國依靠通信衛星進行了雙星定位演示驗證試驗，并肯定了北斗衛星導航試驗系統技術體制的正確性和可行性。1994年，我國正式啟動北斗衛星導航試驗系統建設。2004年，啟動導航系統建設。2006年，張彥在汽車產品的可靠性工程中應用了灰色系統理論，主要體現在可靠性設計、分配、預測、試驗和評價，為無人駕駛汽車可靠性研究開辟了更廣的研究方向[15]。2008年，萬正高憑借我國汽車行業整車產品質量監督檢驗的部分結果，建立了汽車可靠性的數據庫，并開發了可靠性數據分析處理軟件[16]。2009年，北斗衛星導航系統成功發射了GEO衛星，驗證了相關技術的正確性。2015年，主席參加“互聯網之光”博覽會時，參觀了百度的展臺，并聽取了關于無人駕駛汽車研發的報告。
隨著無人駕駛汽車行業的深入研究，提高無人駕駛汽車的可靠性就顯得十分緊迫，對其進行可靠性試驗更顯得尤為重要和必要。
3 無人駕駛汽車面臨的問題及因素分析
雖然我國無人駕駛汽車發展迅速，但是分析無人駕駛汽車的發展現狀，仍發現了一些問題，主要表現為以下幾個方面：
3.1 技術不夠成熟，關鍵技術的可靠性需進一步論證
雖然國內外對無人駕駛汽車的研究與試驗都積累了一定的經驗，但是考慮到其安全性和應用，無人駕駛汽車的技術可靠性仍需進一步論證，特別是關鍵技術。Google研制的無人駕駛汽車雖然通過了實際城市道路的行駛測試，但是其通行也只是限制在美國的某些州而不是全美國；我國國防科技大學研制的無人駕駛汽車完成了高速公路無人駕駛實驗，但這也是在特殊條件下進行的測試，是仿真模擬[17]。因此，無人駕駛汽車技術的成熟還需進一步論證，對無人駕駛汽車的試驗也應多積累經驗[18]。
3.2 成本太高，大批量生產困難
智能化的現代，人類生活方便快捷，生活質量的提高伴隨著生活成本的提高，智能化的生活是由高科技的成本提供和支持的。越來越多的家庭擁有私家車，體現了傳統汽車制造業的繁榮和汽車價格的日趨降低。但是針對無人駕駛汽車這一全新的領域來說，高成本始終成為其不可避免的問題。雖然無人駕駛汽車可以降低事故率并帶給人們輕松的享受，但是低性價比則阻礙了其大批量生產和普及，因此，降低成本成為無人駕駛汽車普及的關鍵因素[19]。
3.3 對傳統汽車制造業及其相關產業沖擊大
隨著無人駕駛汽車的普及和汽車共享意識增強，傳統汽車銷售數量和售價將會出現一定幅度的下降。汽車行業秩序可能被打亂，傳統整車制造商的行業地位將受到新進入者的巨大沖擊。隨著無人駕駛汽車交通事故率的降低，人們為汽車及人員投保的意識和心理會受到一定影響，因而保險行業特別是車險的銷售會受到一定沖擊。
3.4 交通法規制定困難及人倫困境
無人駕駛汽車作為一種新型智能化產品，必然會給人類生活帶來新的改變，而已有的交通法規也將不適用于無人駕駛汽車的上路行駛，因此交通法規的修改甚至是重新制定將是一件重要的、困難的工作。當無人駕駛汽車與傳統汽車發生交通事故時，責任和賠償等一系列事務的處理勢必會觸及人倫道德的方面，而現有處理事故人員的素質及主觀因素也使這些問題的解決更為棘手。
4 無人駕駛汽車的展望
本文總結了無人駕駛汽車的國內外研究狀況，對其技術可靠性做出了論述，發現了國內外無人駕駛汽車出現的共同問題。雖然對無人駕駛汽車的研究從上個世紀就已經開始，期間也突破了很多技術難題并取得了一定成果，但距無人駕駛汽車真正走進人類生活還需要很長的研究與試驗過程。從當今來看無人駕駛汽車，其研究、發展和普及存在著很多尖銳的問題。
今后可從以下幾個方面對無人駕駛汽車進行研究或開展工作。（1）對無人駕駛汽車的可靠性及安全性繼續進行研究和試驗。（2）對無人駕駛汽車的制造成本進行突破并向批量生產過渡。（3）對傳統汽車制造業進行產業升級并帶動相關產業的發展。（4）根據試驗結果進行交通法規的修改制定并大力宣傳無人駕駛汽車。（5）大力發展無人駕駛汽車在服務業、工業和私人方面的應用，擴大其消費市場。
參考文獻
[1]喬維高，徐學進.無人駕駛汽車的發展現狀及方向[J].上海汽車，2007，07：40-43.
[2]楊帆.無人駕駛汽車的發展現狀和展望[J].上海汽車，2014，03：35-40.
[3]端木慶玲，阮界望，馬鈞.無人駕駛汽車的先進技術與發展[J].農業裝備與車輛工程，2014，03：30-33.
[4]潘建亮.無人駕駛汽車社會效益與影響分析[J].汽車工業研究，2014，05：22-24.
[5]Drew Bellamy， Luka Pravica. Assessing the impact of driverless haul trucks in Australian surface mining [J]. Resources Policy， 2011， 36（2）：149-158.
[6]黃柏雪.無人駕駛汽車在中國[N].計算機世界，2013-10-28026.
[7]Clifford Winston， Fred Mannering. Implementing Technology to Improve Public Highway Performance： A Leapfrog Technology from the Private Sector Is Going To Be Necessary [J]. Economics of Transportation， 2014， 3（2）： 158-165.
[8]閆民.無人駕駛汽車的研究現狀及發展方向[J].汽車維修，2003，02：9-10.
[9]我國無人駕駛汽車成功挑戰高速公路[J].創新時代，2012（12）：14.
[10]林一平.不斷創新發展的現代無人駕駛汽車[J].專用汽車，2003，0
1：12-14+18.
[11]張賢啟，余有晟，劉俊才.無人駕駛汽車的發展及可行性[J].山東工業技術，2015，04：50.
[12]馮學強，張良旭，劉志宗.無人駕駛汽車的發展綜述[J].山東工業技術，2015，05：51.
[13]趙陽.無人駕駛汽車關鍵技術[J].中國科技博覽，2011（26）：272.
[14]喬喻.無人駕駛汽車開啟“智能交通”新時代[J].第二課堂（B），2014，11：4-9.
[15]張彥.基于灰色理論的汽車產品可靠性工程研究[D].合肥工業大學，2006.
[16]萬正高.國產電動汽車的可靠性評估與故障規律研究[D].武漢理工大學，2008.
[17]李晶.谷歌無人駕駛汽車：從改造到自造[N].北京科技報，2014-06-09034.
[18]黃武陵.無人駕駛汽車能否讓城市通暢[N].光明日報，2012-06-12012.
篇9
課程中文名稱 課程英文名稱
高等數理方法 Advanced Mathematical Method
彈塑性力學 Elastic-Plastic Mechanics
板殼理論 Theory of Plate and Shell
高等工程力學 Advanced Engineering Mechanics
板殼非線性力學 Nonlinear Mechanics of Plate and Shell
復合材料結構力學 Structural Mechanics of Composite Material
彈性元件的理論及設計 Theory and Design of Elastic Element
非線性振動 Nonlinear Vibration
高等土力學 Advanced Soil Mechanics
分析力學 Analytic Mechanics
隨機振動 Random Vibration
數值分析 Numerical Analysis
基礎工程計算與分析 Calculation and Analysis of Founda tionEngineering
結構動力學 Structural Dynamics
實驗力學 Laboratory Mechanics
損傷與斷裂 Damage and Fracture
小波分析 Wavelet Analysis
有限元與邊界元分析方法 Analytical Method of Finite Element andBoundary Element
最優化設計方法 Optimal Design Method
彈性力學 Elastic Mechanics
高層建筑基礎 Tall Building Foundation
動力學 Dynanics
土的本構關系 Soil Constitutive Relation
數學建模 Mathematical Modeling
現代通信理論與技術 Emerging Communications Theory and Technology
數字信號處理 Digital Signal Processing
網絡理論與多媒體技術 Multi-media and Network Technology
醫用電子學 Electronics for Medicine
計算微電子學 Computational Microelectronics
集成電路材料和系統電子學 Material and System Electronics for Integrated Circuits
網絡集成與大型數據庫 Computer Network Integrating Technology and Largescale Database
現代數字系統 Modern Digital System
微機應用系統設計 Microcomputer Application Design
計算機網絡新技術 Modern Computer Network Technologies
網絡信息系統 Network Information System
圖像傳輸與處理 Image Transmission and Processing
圖像編碼理論 Theory of Image Coding
遙感技術 Remote Sensing Techniques
虛擬儀器系統設計 Design of Virtual Instrument System
生物醫學信號處理技術 Signal Processing for Biology and Medicine
光纖光學 Fiber Optics
VLSI的EDA技術 EDA Techniques for VLSI
電子系統的ASIC技術 ASIC Design Technologies
VLSI技術與檢測方法 VLSI Techniques & Its Examination
專題閱讀或專題研究 The Special Subject Study
信息論 Information Theory
半導體物理學 Semiconductor Physics
通信原理 Principle of Communication
現代數理邏輯 Modern Mathematical Logic
算法分析與設計 Analysis and Design of Algorithms
高級計算機網絡 Advanced Computer Networks
高級軟件工程 Advanced Software Engineering
數字圖像處理 Digital Image Processing
知識工程原理 Principles of Knowledge Engineering
面向對象程序設計 Object-Oriented Programming
形式語言與自動機 Formal Languages and Automata
人工智能程序設計 Artificial Intelligence Programming
軟件質量與測試 Software Quality and Testing
大型數據庫原理與高級開發技術 Principles of Large-Scale Data-Bas e andAdvanced Development Technology
自然智能與人工智能 Natural Intelligence and Artificial Intelligence
Unix操作系統分析 Analysis of Unix System
計算機圖形學 Computer Graphics
Internet與Intranet技術 Internet and Intranet Technology
多媒體技術 Multimedia Technology
數據倉庫技術與聯機分析處理 Data Warehouse and OLAP
程序設計方法學 Methodology of Programming
計算機信息保密與安全 Secrecy and Security of Computer Information
電子商務 Electronic Commerce
分布式系統與分布式處理 Distributed Systems and Distributed Processing
并行處理與并行程序設計 Parallel Processing and Parallel Programming
模糊信息處理技術 Fuzzy Information Processing Technology
人工神經網絡及應用 Artificial Intelligence and Its Applications
Unix編程環境 Unix Programming Environment
計算機視覺 Computer Vision
高級管理信息系統 Advanced Management Information Systems
信息系統綜合集成理論及方法 Theory and Methodology of Information nSystemIntegration
計算機科學研究新進展 Advances in Computer Science
離散數學 Discrete Mathematics
操作系統 Operating System
數據庫原理 Principles of Database
編譯原理 Principles of Compiler
程序設計語言 Programming Language
數據結構 Data Structure
計算機科學中的邏輯學 Logic in Computer Science
面向對象系統分析與設計 Object-Oriented System Analysis and Design
高等數值分析 Advanced Numeric Analysis
人工智能技術 Artificial Intelligence Technology
軟計算理論及應用 Theory and Application of Soft-Computing
邏輯程序設計與專家系統 Logic Programming and Expert Systems
模式識別 Pattern Recognition
軟件測試技術 Software Testing Technology
高級計算機網絡與集成技術 Advanced Computer Networks and IntegrationTechnology
語音信號處理 Speech Signal Processing
系統分析與軟件工具 System Analysis and Software Tools
計算機仿真 Computer Simulation
計算機控制 Computer Control
圖像通信技術 Image Communication Technology
人工神經網絡及應用 Artificial Intelligence and Its Applications
計算機技術研究新進展 Advances in Computer Technology
環境生物學 Environmental Biology
水環境生態學模型 Models of Water Quality
環境化學 Environmental Chemistry
環境生物技術 Environmental Biotechnology
水域生態學 Aquatic Ecology
環境工程 Environmental Engineering
環境科學研究方法 Study Methodology of Environmental Science
藻類生理生態學 Ecological Physiology in Algae
水生動物生理生態學 Physiological Ecology of Aquatic Animal
專業文獻綜述 Review on Special Information
廢水處理與回用 Sewage Disposal and Re-use
生物醫學材料學及實驗 Biomaterials and Experiments
現代測試分析 Modern Testing Technology and Methods
生物材料結構與性能 Structures and Properties of Biomaterials
計算機基礎 Computer Basis
醫學信息學 Medical Informatics
計算機匯編語言 Computer Assembly Language
學科前沿講座 Lectures on Frontiers of the Discipline
組織工程學 Tissue Engineering
生物醫學工程概論 Introduction to Biomedical Engineering
高等生物化學 Advanced Biochemistry
光學與統計物理 Optics and Statistical Physics
圖像分析 Image Treatment
數據處理分析與建模 Data Analysis and Constituting Model
高級數據庫 Advanced Database
計算機網絡 Computer Network
多媒體技術 Technology of Multimedia
軟件工程 Software Engineering
藥物化學 Pharmaceutical Chemistry
功能高分子 Functional Polymer
InternetIntranet（英） InternetIntranet
程序設計方法學 Methods of Programming InternetIntranet
高分子化學與物理 Polymeric Chemistry and Physics
醫學電子學 Medical Electronics
現代儀器分析 Modern Instrumental Analysis
儀器分析實驗 Instrumental Analysis Experiment
食品添加劑 Food Additives Technology
高級食品化學 Advanced Food Chemistry
食品酶學 Food Enzymology
現代科學前沿選論 Literature on Advances of Modern Science
波譜學 Spectroscopy
波譜學實驗 Spectroscopic Experiment
食品貯運與包裝 Food Packaging
液晶化學 Liquid Crystal Chemistry
高等有機化學 Advanced Organic Chemistry
功能性食品 Function Foods
食品營養與衛生學 Food Nutrition and Hygiene
食品生物技術 Food Biotechnology
食品研究與開發 Food Research and Development
有機合成化學 Synthetic Organic Chemistry
食品分離技術 Food Separation Technique
精細化工裝備 Refinery Chemical Equipment
食品包裝原理 Principle of Food Packaging
表面活性劑化學及應用 Chemistry and Application of Surfactant
天然產物研究與開發 Research and Development of Natural Products
食品工藝學 Food Technology
生物化學 Biochemistry
食品分析 Food Analysis
篇10
【關鍵詞】發動機；智能診斷；故障診斷；專家系統；多信息融合
【中圖分類號】TH 【文獻標識碼】A
【文章編號】1007-4309（2013）04-0062-1.5
發動機的診斷技術是根據發動機在正常與非正常兩種狀態下的某些指標的對比及變化趨勢，對發動機的技術狀況和故障隱患進行定性、定量的分析，為故障的診斷和決策提供科學的依據的一種技術。為了適應現代柴油機使用維修的需要，必須以檢測診斷技術為基礎，加強故障潛伏期的監控，實現狀態監控下的針對性維修。
一、常用發動機監測技術
目前，比較成熟的性能指標測試方法有以下幾種：無負荷測功法。一般情況下，采用國產無負荷加速測功儀，將發動機從中低速（一般在l000r/min）猛加速至額定轉速，以實測功率值不小于額定功率的80%為使用標準；轉速的測定。用最高空轉轉速、額定功率時轉速、最大扭矩時轉速的測定值與其對應的標定值進行對比，以不低于標定值的90%為使用標準；發動機各運轉部件磨損程度的檢測分析。目前，比較成熟的手段是鐵譜分析法，通過鐵譜儀觀測油中金屬顆粒的數量、大小、形貌、濃度和顏色的變化，據此確定其磨損部位、性質與程度。它為發動機的磨損分析提供了有效依據。
二、發動機故障診斷技術的分類
目前，發動機故障診斷領域涌現出很多的方法，其中依據診斷的流程可分為經驗儀表診斷法（利用專家的經驗或借助儀表進行診斷）、專家系統診斷法（將專家的經驗以計算機程序的形式進行表達，是一種智能化的診斷方法）、基于特征狀態識別的方法（通過提取故障信號進行分析和識別）、車載自診斷方法（主要用于車輛電控系統的故障診斷）以及近幾年來發展的集成化和網絡化故障診斷方法等。
三、專家系統故障診斷方法在發動機故障診斷中的應用
專家系統的基本結構。基于專家系統的故障診斷方法其實是一個計算機智能程序，計算機在采集診斷對象的信息后，綜合運用各種規則（專家經驗）進行一系列的推理，必要時還可以隨時調用各種應用程序，運行過程中向用戶索取必要的信息后，就可快速地找到最終故障或最有可能的故障，再由用戶來證實，應用人工智能技術，模擬人類專家求解問題的思維過程來進行汽車故障診斷的一種智能化方法。
專家系統的實現關鍵技術。知識獲取是指如何獲得專家的知識和經驗的問題，一般知識獲取的方式有如下幾種：通過知識工程師與領域專家接觸，在專家的指導下以一種適當的計算機內部表示將知識編入知識庫；通過一種智能的知識獲取機制，讓專家與專家系統直接打交道，由智能編輯器直接生成知識庫；通過建立一個帶有歸納、類比或其他高級學習功能的知識發現系統，使之通過實例或實際問題來總結發現出一些尚未被專家掌握或認識到的知識裝入知識庫。
知識表示是關于各種存儲知識的數據結構及其對這些結構的解釋過程的結合。傳統故障診斷專家系統主要有以下幾種知識表示方法：產生式，又稱規則式表示法，是人工智能中最常用的知識表示方法；語義網絡式，通過概念以及語義關系來表達知識的一種網絡圖；框架式，是一種表示定性狀態的數據結構，可表達知識之間的結構關系，但是框架表示法不善于表達過程性知識。
推理方法是專家系統解決具體問題的思維過程，一般由程序實現。常用的推理方式有基于規則的演繹推理，包括正向推理、反向推理和正反向混合推理等；還有歸納推理，包括完全歸納推理和不完全歸納推理等，這些都是關于精確知識的推理。對于不精確知識推理主要采用概率法、可信度方法、證據論證法和模糊子集法等。
專家系統的改進：基于案例的專家系統。基于案例推理是近年來人工智能領域興起的一種診斷推理技術。它是類比推理的一個獨立子類。其基本思想是利用過去求解成功或失敗的經驗，通過對歷史案例知識的挖掘，獲得蘊涵于過去中的豐富經驗和知識，并且可利用計算機進行推理。該方法主要用于分析不確定性故障，適用于診斷領域源知識難以表示成規則而易于表達成案例的情況。
基于模糊理論的專家系統。在發動機故障診斷方法中，針對界限不分明的模糊概念，可以采用將模糊理論與專家系統技術相結合的方法。采用人工智能的方法，利用專家知識動態建立模糊診斷矩陣，并經過適應修正得到比較客觀的故障原因和故障征兆的判斷。
基于神經網絡的專家系統。人工神經網絡從1943年心理學家W.S.McCulloch和數學家W.Pitts研究并提出M-P神經元模型起至今，已成為人工智能領域內除專家系統外的又一重要分支。人工神經網絡采用神經元及它們之間的有向權重連接來隱含處理問題的知識，因此，它善于處理復雜問題，且具有自學習能力。神經元處理信息是相對獨立的，便于處理并行問題。
基于行為的專家系統。基于行為的專家系統采用神經網絡模塊化單元，以確保系統與對象的實時交互。它是一種相對獨立且能夠動態構建故障診斷子神經網絡模塊單元的變結構單元，該模塊同車輛電控單元（ECU）之間進行數據交互，可以實現實時在線的監測與診斷。開發基于行為的診斷專家系統的關鍵是故障行為征兆（語義征兆、網絡征兆）的自動獲取問題，新故障的自動識別和分類問題也是開發的重點。隨著網絡的不斷進步，網絡技術和專家技術結合，可發展為基于網絡的故障診斷專家系統，可實現基于Web的數據庫技術、實時數據傳輸技術和網絡安全技術的遠程裝甲車輛故障診斷技術。
四、信息融合技術在裝甲車輛發動機故障診斷中的應用
發動機的工作過程是復雜的，其故障診斷信息也是非常復雜的。對于現代的發動機，需要再用多種傳感器協同來獲取不同種類、不同狀態的信息，然而，不同的信息之間也是相互獨立或耦合，甚至會出現相互矛盾的情況。發動機工作過程故障由于系統結構的復雜性，各機構運動的非線性，傳統的基于單傳感器診斷又由于故障與癥兆之間的不確定性而導致其診斷結果的不確定性，有效的解決方法是應用多傳感器的信息融合技術和模糊邏輯推理方法。
相比于傳統的故障診斷技術來說，還會出現更多先進的可遠程控制的裝甲車輛發動機狀態監測與故障分析技術，適應裝甲部隊信息化高科技戰爭條件下的技術保障要求，為作戰部隊提供強有力的保障。
【參考文獻】
[1]陳立新等.汽車發動機智能故障診斷研究綜述[J].制造業自動化，河北：華北電力大學，2008，30（10）.
