前言：中文期刊網精心挑選了人工智能神經網絡概念范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
人工智能神經網絡概念范文1
1.為什么AI會突然在這幾年進步這么快？
2.人工智能的戰略邏輯是什么？
3.企業如何面對AI的挑戰？
我在百度就在講這句話：“人工智能是新電能”。100年前，電能給每個企業帶來新的改變。
當人工智能技術足夠成熟之后，會給很多企業帶來非常大的改變。今天我主要講人工智能的趨勢以及對大家會有什么影響。
一、supervisedlearning(監督學習)
AI，這個詞對大多數人來說有一種魔術的感覺，但是它具體能做什么？
它的技術非常復雜，有很多部分，這兩三年進步最快的一部分是supervised learning(監督學習)，也就是從a的input(輸入)到b的output(輸出)，什么意思呢？用具體案例來說明下。
比如，你輸入足夠多的電影影評，然后可以大概知道一個電影是好是壞；
輸入一種圖片，然后可以知道圖片的內容(圖片識別)；
輸入一段語音，會輸出一個文本(語音識別)；
輸入一段英文，會輸出一段中文(自動翻譯)；
輸入一段文本，會輸出一段音頻(語音輸出)；
輸入一筆費用，會輸出很好的回報(消費金融)；
輸入一段傳感器信息，會輸出一個汽車的位置(自動駕駛)。
AI技術有很多不同的部分，進步最快的就是這個部分，今天有很多空間使用新技術，給企業帶來價值，比如語音識別對百度就非常有價值。
很多要做人工智能工作的企業需要理解你自己的生意，才能決定如何放入人工智能來創造價值。
不過這種技術有一個缺點，需要大量的數據，需要a，也需要b。
經常有人問我，AI可以做什么？我跟很多團隊說，如果有哪個事情想一秒鐘就成功搞定，那么就可以這個部分用AI創造價值。
為什么AI會突然在這幾年進步這么快？
如果你的橫軸是你的數據量(amount of data)，縱軸是效率或準確度，當企業產生大量的數據，傳統企業按照過去的算法無法提供數據的計算效果，但如果訓練一個巨大的神經網絡，效果會非常巨大。
如果你要達到最好的效果，有兩個必要條件：
第一，要訓練一個巨大的神經網絡(NN)；
第二，要有大數據。
今天很多企業有海量數據，但幾年之前沒有辦法訓練足夠大的神經網絡來實現計算。
今天，最好的人工智能團隊都可以從算法(機器學習)和超級計算機架構入手。
supervised learning(監督學習)是人工智能的一部分，我做人工智能項目的時候，有時候也需要到Ai技術的不同部分。
為什么通常講supervised learning(監督學習)和神經網絡(NN)？
supervisedlearning(監督學習)和神經網絡進步非常快，其他部分的進步沒有這么快，只是慢慢增加，神經網絡這兩年有巨大的突破。
二、神經網絡
中國今天對深度學習和神經網絡有這么大的興趣，我來分享下神經網絡這個詞具體是什么。神經網絡，對于很多人也有魔術的感覺。我用具體的案例來說明。
如果你想預測一件房間的價值，橫軸是大小，縱軸是價錢，那么輸入房間大小，輸出一個價格，這是一個最簡單的神經網絡。
在知道房間大小、睡房數量以及附近居住者的收入水平的前提下，如果買房子的人想知道房間可以住多少人，可以用一個神經元測算出來；也可以通過一個神經元測算是否需要駕車；還可以通過一個神經元測算附近學校的質量。
最后把這些神經元匯合到一起，再通過另外一個神經元輸出房子的價錢，這就是神經網絡。
最后分享一個細節來了解神經網絡的重要性：
如果輸入房子的特征(a)和價錢(b)，而且有大量的數據(a)，它就可以自動學習這中間有什么概念，不用去考慮和擔心這些神經元。
過去兩年，人工智能的神經網絡進步這么快，如果得到很多a，就能夠計算出很多正確的b。
就像語音識別，輸入語音a，輸出一個文本b，要做到高質量，需要一萬個小時的數據量，也就是10年左右的數據量，但要拿到這些數據的價錢也是不少的。
擁有比較準確的語音識別能力，用戶也會更愿意使用。中國這幾年語音識別的用戶量增加得非?？?，就在于現在語音識別比較準確。
今天很多人工智能的企業都是開源的，技術本身不能作為壁壘。
要理解另外一個公司的技術并不太難。我在百度和谷歌工作過，對技術比較了解，知道技術是怎么做的，但是如果我沒有數據，我就沒辦法帶一個團隊做搜索。
三、人工智能公司的戰略邏輯：
數據-產品-用戶(Data - product - user)
如果你可以拿到一點點數據，你就可以通過神經網絡來做一個產品。
通常一個產品不用做得太好，只要用戶能夠接受，用戶慢慢會有活躍度，用戶就會為你產生數據，然后形成正循環，形成壁壘。
如果你有一個用戶可以接受的產品，卻又被巨頭用另外一個產品挖走，那么你的數據就沒有辦法形成正循環。
人工智能獲取的戰略已經越來越復雜，人工智能團隊要想清楚信息獲取的戰略。
1.什么是互聯網公司？
如果你要為一個傳統的購物中心做一個網站或者app，它們還不是一個互聯網公司。就像沃爾瑪網站，也不是一家互聯網公司。
你要做一個互聯網公司，不在于是不是有網站，最重要的是整個公司的組織是否具有有效利用互聯網的能力。
互聯網公司會做A/B測試，每天可以做一千次A/B測試，所以互聯網公司的學習速度會非?？?。
互聯網公司也會在比較短的時間周期里新產品，可以每天一個或者20個，傳統購物中心不能理解為什么這樣做或者怎樣做。
互聯網公司做決定的能力不是只有CEO一個人，還有很多產品經理或工程師。因為在互聯網公司，技術和用戶行為比較復雜，沒辦法都交給CEO一個人做決定。傳統購物中心因為變動比較慢，由CEO做決定是沒有那么大問題的。
因此，是不是互聯網公司不是看你有沒有網站。
2.什么是人工智能公司？
在人工智能時代，一個傳統的互聯網公司＋神經網絡技術，也還不是人工智能公司。
一個公司要做成人工智能公司，要組織整個公司有效地使用人工智能的能力。AI現在還處于早期，人們還不能完全理解如何組織公司來使用它。
AI公司獲取數據的戰略非常復雜，有關戰略，我們有時候會討論好幾天或好幾星期。數據獲取的過程要好幾年，真的要一步一步來打。
最好的人工智能公司都會把數據放在一個數據庫里。
如果你的數據一部分在你個人電腦上，一部分在你辦公室電腦上，一部分在某一個數據庫里，一部分在另外一個數據庫，你的工程師要做一個新的人工智能的話，如何把這些數據放一起給人工智能使用呢？
但如果你把數據放進一個數據庫，你的軟件或者工程師就可以利用完整的數據來訓練有效的人工智能。
很多公司有很多數據，但是沒有辦法放在一起，數據的使用效率就會沒那么高，你的工程師的工作效率就會慢很多。
在人工智能公司工作的工程師，和傳統互聯網公司的工程師，工作描述的內容是不一樣的。如果你是百度公司的產品經理，你要做一個產品，就會畫一個圖，然后把圖給工程師，工程師再寫代碼，這樣的方式對互聯網公司是非常有效的。
但如果你要做一輛自動駕駛汽車，產品經理畫一張汽車圖，是沒有用的。在人工智能時代，產品經理也需要理解怎樣獲取數據；也要理解怎么和工程師溝通。
20年前，我們不知道A/B測試在今天會變得如此重要。今天，我們還沒有人能完全理解人工智能這么重要的概念，谷歌和百度的想法已經比較領先了，但還沒有人完全把人工智能的概念講清楚。
這給了我們什么機會？進入互聯網時代，很多新公司有了很多、很大的機會。進入AI時代，有一些傳統公司像谷歌、百度都做得非常不錯，也給很多新公司很多很大的機會。
四、使用AI的挑戰
AI技術發展這么快，但是理解的人比較少。有效地使用AI來創造價值，就要跨行業，讓企業家和專家一起結合合作。
因此，從CEO角度，你怎么安排有AI技能的人的工作呢？
很多公司的架構是由CEO和不同的事業部組成，那么你怎樣通過AI改變他們的工作呢？
比如其中一個事業部是做禮品卡的，那么是否可以通過AI改變售賣禮品卡的工作呢？但禮品卡的leader不懂AI，所以它內部很難建成一個AI團隊。
我經常對很多公司說，如果能夠找到一個獨立的AI團隊，就把這些有AI能力的人放到不同的團隊矩陣去。
今天懂AI的人才那么少，他們不一定愿意被不懂AI的人領導，所以可以等過幾年AI比較成熟，不需要一個單獨的AI部門之后，就可以把AI人才放到公司的不同事業部團隊內。
5、6年前，我們都不知道移動互聯網能做什么，也沒有想到“定位”可以產生這么大的作用，跨行業的團隊產生的作用很大。
今天，移動互聯網技術和手機技術很成熟，大家都可以理解互聯網能夠做什么，這個時候公司就不需要跨行業團隊了。同樣，AI現在沒有那么成熟，所以很需要跨行業人才。
不是每個人都要懂AI，也不是每個CEO都要懂AI，但如果可以找人來幫你建立AI團隊，可以讓你的團隊利用AI擁有不錯的機會。
我在谷歌帶谷歌大腦團隊的時候，做的第一個事情就是給幾百個工程師提供人工智能課程。今天CEO的工作可以從外面選擇內容課程，或者找專家和人才來教育你的團隊。
人工智能神經網絡概念范文2
黑科技？神經網絡是個什么鬼
說到神經網絡，很多朋友都會認為這是一個高大上的概念。從生物學角度來說，人類復雜的神經系統是由數目繁多的神經元組合而成，它們互相聯結形成神經網絡，經過對信息的分析和綜合，再通過運動神經發出控制信息，從而實現各種精密活動，如識別各種物體、學習各種知識、完成各種邏輯判斷等。
隨著人工智能技術的發展，科學家開發出人工神經網絡，它的構成原理和功能特點等方面更加接近人腦。它不是按給定的程序一步一步地執行運算，而是能夠自身適應環境、總結規律、完成某種運算、識別或過程控制。比如多倫多大學的Krizhevsky等人構造了一個超大型卷積神經網絡，有9層，共65萬個神經。第一層神經元只能識別顏色和簡單紋理，但是第五層的一些神經元可以識別出花、圓形屋頂、鍵盤、烏、黑眼圈等更為抽象豐富的物體（圖1）。因此神經網絡實際上是基于人工智能技術而形成的一種和人類神經網絡相似的網絡系統。
媲美Photoshop 神經網絡磨皮技術背后
如上所述，現在神經網絡技術發展已經非常迅猛，而且運用在各個領域。神經網絡磨皮則是指該技術在照片識別和美化方面的運用。那么它是怎樣實現對照片的美化？在Photoshop中磨皮操作是用戶先選中人臉區域，然后再使用Photoshop內置的方法實現磨皮。神經網絡磨皮原理類似，只不過這些操作是自動完成的。
首先是對照片人臉識別。要實現對照片的美容就必須先精確識別人臉，由于人臉有五官這個顯著特征，因此神經網絡磨皮技術只要通過機器對一定數量的人臉照片進行識別、讀取，然后就可以精確識別人臉。它的原理和常見的人臉識別技術類似（圖2）。
其次則是美化。在完成人臉識別后就需要對美化操作進行機器學習，以磨皮為例。因為人臉的每個年齡階段皮膚性質是不同的，為了達到更真實的磨皮效果，神經網絡磨皮是實現用戶“回到”幼年或者“穿越”到老年臉部皮膚的效果。研究人員將年齡段分類為0～18歲、19～29歲、30～39歲、40～49歲、50～59歲和60歲以上這幾個階段（圖3）。
然后準備兩個深度學習機器同時工作。兩個機器一個用來生成人臉，一個用來鑒別人臉。而且兩個機器會通過分析人臉圖像，提前學習到各年齡段人臉大概是什么樣子的。在每個年齡分組里，研究人員讓機器學習超過5000張標記過年齡的人臉圖像。通過大量的照片學習后，機器就可以學會每個年齡分組內的標簽，它可以準確知道每個人不同年齡階段的臉部特征。這樣無論你是要磨皮為年輕時的皮膚光滑、圓潤狀態，還是要變為50歲以后皺褶、粗糙的皮膚，神經磨皮都可以輕松幫助你實現。
當然學習有個通病，就是在合成過程中，機器可能會喪失掉圖片原有的識別資料（1D）。為了解決這個問題，上述介紹中的人臉鑒別機器就發揮功效了。它通過查看這個照片的識別資料是不是唯一的，如果不是的話照片則會被拒絕輸出。研究人員讓機器合成10000張從數據庫中抽取出來的人像，這些照片之前從未用來訓練機器。然后他們用開發的軟件程序來檢測訓練前后的兩張照片是否為同一個人，測試結果顯示有80%經訓練的照片都被認為和原照片是同一個人（而作為對比，用其他方法加工照片，平均測試結果只有50%）。舉個簡單例子，如果40歲的用戶將自己磨皮為20歲的樣子，如果軟件程序來檢測訓練前后的兩張照片為同一個人，那么就輸出磨皮效果，從而讓用戶可以輕松磨皮到20歲的狀態。這樣經過訓練的神經磨皮算法可以很真實地實現人臉的磨皮。
神經網絡 不H僅是磨皮
人工智能神經網絡概念范文3
關鍵詞：機器學習；深度學習；推薦算法；遠程教育
深度學習（DeepLearning），也叫階層學習，是機器學習領域研究的分支，它是學習樣本數據的表示層次和內在規律，在學習的過程中獲取某些信息，對于數據的解釋有巨大幫助。比如對文字數據的學習，在網絡上獲取關鍵字，對圖像數據的學習，進行人臉識別等等。
一、深度學習發展概述
深度學習是機器學習領域里一種對數據進行表征學習的方法。一句話總結三者之間的關系就是：“機器學習，實現人工智能的方法；深度學習，實現機器學習的技術。深度學習目前是機器學習和人工智能領域研究的主要方向，為計算機圖形學、計算機視覺等領域帶來了革命性的進步。機器學習最早在1980年被提出，1984年分類與回歸樹出現，直到1986年，Rumelhart等人反向傳播（BackPropaga-tion，BP）算法的提出，解決了感知模型只能處理線性分類的問題，1989年出現的卷積神經網絡（ConvolutionalNeuralNet-works，CNN）也因此得到了一定的發展。在1990年至2012年，機器學習逐漸成熟并施以應用，GeoffreyHinton在2006年設計出了深度信念網絡，解決了反向傳播算法神經網絡中梯度消失的問題，正式提出了深度學習的概念，逐漸走向深度學習飛速發展的時期。隨后，各種具有獨特神經處理單元和復雜層次結構的神經網絡不斷涌現，深度學習技術不斷提高人工智能領域應用方面的極限。
二、深度學習主要模型
1、卷積神經網絡卷積神經網絡（ConvolutionalNeuralNetworks，CNN）是指有著深度結構又包含著卷積計算的前饋神經網絡。卷積物理上理解為系統某一時刻的輸出是有多個輸入共同疊加的結果，就是相當于對一個原圖像的二次轉化，提取特點的過程。卷積神經網絡實際上就是一個不斷提取特征，進行特征選擇，然后進行分類的過程，卷積在CNN里，首先對原始圖像進行特征提取。所以卷積神經網絡能夠得到數據的特征，在模式識別、圖像處理等方面應用廣泛。一個卷積神經網絡主要由三層組成，即卷積層（convolutionlayer）、池化層（poolinglayer）、全連接層（fullyconnectedlayer）。卷積層是卷積神經網絡的核心部分，通過一系列對圖像像素值進行的卷積運算，得到圖像的特征信息，同時不斷地加深節點矩陣的深度，從而獲得圖像的深層特征；池化層的本質是對特征圖像進行采樣，除去冗雜信息，增加運算效率，不改變特征矩陣的深度；全連接將層間所有神經元兩兩連接在一起，對之前兩層的數據進行分類處理。CNN的訓練過程是有監督的，各種參數在訓練的過程中不斷優化，直到得到最好的結果。目前，卷積神經網絡的改進模型也被廣泛研究，如全卷積神經網絡（FullyConvolutionalNeuralNetworks，FCN）和深度卷積神經網絡（DeepConvolutionalNeuralNetworks，DCNN）等等。2、循環神經網絡區別于卷積神經網絡在圖片處理領域的應用，循環神經網絡（RecurrentNeuralNetwork，RNN）主要應用在自然語言處理領域。RNN最大的特點就是神經元的輸出可以繼續作為輸入，再次利用到神經元中循環使用。RNN是以序列的方式對數據進行讀取，這也是RNN最為獨特的特征。RNN的串聯式結構適用于時間序列的數據，可以完好保持數據中的依賴關系。循環神經網絡主要有三層結構，輸入層，隱藏層和輸出層。隱藏層的作用是對輸入層傳遞進來的數據進行一系列的運算，并將結果傳遞給輸出層進行輸出。RNN可用于許多不同的地方。下面是RNN應用最多的領域：1.語言建模和文本生成，給出一個詞語序列，試著預測下一個詞語的可能性。這在翻譯任務中是很有用的，因為最有可能的句子將是可能性最高的單詞組成的句子；2.語音識別；3.生成圖像描述，RNN一個非常廣泛的應用是理解圖像中發生了什么，從而做出合理的描述。這是CNN和RNN相結合的作用。CNN做圖像分割，RNN用分割后的數據重建描述。這種應用雖然基本，但可能性是無窮的；4.視頻標記，可以通過一幀一幀地標記視頻進行視頻搜索。3、深度神經網絡深度神經網絡（deepneuralnetworks，DNN）可以理解為有很多隱藏層的神經網絡。多層神經網絡和深度神經網絡DNN其實也是指的一個東西，DNN有時也叫做多層感知機（Mul-ti-Layerperceptron,MLP）。DNN內部的神經網絡層也是分為三類，輸入層，隱藏層和輸出層，一般來說第一層是輸入層，最后一層是輸出層，而中間的層數都是隱藏層。深度神經網絡（DNN）目前作為許多人工智能應用的基礎，并且在語音識別和圖像識別上有突破性應用。DNN的發展也非常迅猛，被應用到工業自動駕駛汽車、醫療癌癥檢測等領域。在這許多領域中，深度神經網絡技術能夠超越人類的準確率，但同時也存在著計算復雜度高的問題。因此，那些能夠解決深度神經網絡表現準確度或不會增加硬件成本高效處理的同時，又能提升效率和吞吐量的技術是現在人工智能領域能夠廣泛應用DNN技術的關鍵。
三、深度學習在教育領域的影響
1、學生學習方面通過網上學習的實時反饋數據對學生的學習模式進行研究，并修正現有教學模式存在的不足。分析網絡大數據，相對于傳統在線學習本質區別在于捕捉學生學習過程，有針對性，實現學生個性化學習。舉個例子，在學習過程中，可以通過學習平臺對學生學習課程所花費的時間，參與的程度，知識的偏好等等數據加以分析。也可以通過學生學習某門課程的次數，鼠標點擊次數、停留的時間等，來推斷學生學習情況。通過以上或類似數據匯總分析，可以正向引導學生學習，并給予積極的學習評價。這種利用計算機收集分析出來的客觀數據，很好展示了學生學習行為的結果，總結學習規律，而不需要教師多年的教學經驗來判斷。對于教育研究者而言，利用深度學習技術可以更客觀準確地了解學生，使教學工作良好發展更進一步。2、教學方面學習平臺的數據能夠對教學模式的適應度進行預測，通過學生的考試成績和對教師的線上評價等加以分析，能夠預測出某一階段的教學方式發發是否可行，影響如何。通過學生與教師的在線互動，學生測驗時完成的時間與完成的結果，都會產生大量的有效的數據，都可以為教師教學支持服務的更好開展提供幫助，從而避免低效率的教學模式造成教學資源的浪費。
四、成人遠程教育中深度學習技術的可應用性
深度學習方面的應用在眾多領域都取得了成功，比如電商商品推薦、圖像識別、自然語言處理、棋類博弈等等。在遠程教育方面，深度學習的技術還有很大的發揮空間，智能網絡教育的實現是人們的眾望所盼。若要將深度學習技術應用到遠程教育平臺，首先要清楚學生的需求和教學資源如何分配。1、針對學生的學習需求與學習特征進行分析美國斯坦福大學克里斯皮希研究團隊的研究成果顯示，通過對學生知識學習進行時間建模，可以精確預測出學生對知識點的掌握情況，以及學生在下一次學習中的表現。深度學習的應用可以幫助教師推測出學生的學習能力發展水平。通過學生與教學環境的交互行為，分析其學習風格，避免教師用經驗進行推斷而產生的誤差。2、教學資源的利用與分配深度學習技術能夠形成智能的分析結論。計算機實時采集數據集，對學生的學習情況加以分析，使教師對學生的學習狀態、情緒狀態等有更加清晰、準確的了解。有了上面良好的教學模式，教師對學生的學習狀態有了更準確的掌握，對學生的學習結果就有了更科學的教學評價?；谏疃葘W習的人工智能技術，還可以輔助教師實現智能閱卷，通過智能閱卷自動總結出學習中出現的問題，幫助教師減少重復性勞動，減輕教師負擔。作為成人高校，遠程教育是我們的主要教學手段，也是核心教學方式，學校的教學必定是在學生方便學習的同時，以學生的學習效果為重。通過深度學習技術，可以科學地分析出學生的學習效果，對后續教與學給予科學、可靠的數據支撐。我們可以在平臺上為每位同學建立學習模型，根據學生的學習習慣為其定制個性化方案，按他們的興趣進行培養，發揮他們專業的潛能。同時，可以將學生正式在線參加學習和考試的學習行為和非學習時間瀏覽網站的行為結合到一起，更加科學地分析出學生在學習網站上感興趣的地方。采用深度學習算法，根據學生學習行為產生的海量數據推算出學生當前狀態與目標狀態之間的差距，做到精準及時的學習需求反饋。有助于幫助學生明確學習目標，教師確立教學目標，真正做好因材施教?；谏疃葘W習各種智能識別技術，可以為教師的線上教學活動增光添彩，在反饋學生學習狀態的同時，采用多種形式的教學方法吸引學生的注意力，增強教學活動的互動性，達到良好的教學效果。
人工智能神經網絡概念范文4
1機械電子工程介紹
機械電子工程是一項涵蓋各類科學的技術，其核心專業是機械電子，同時要結合信息技術、網絡、智能化的相關知識，各類學科相互交叉形成的一類科學，這些學科的理論在機械電子工程中得到了廣泛的應用?？傮w來說，機械電子工程包括計算機技術、網絡技術等，機械電子工程實現了技術的多元化和技術的融合，其在使用的過程中必須借助其他學科。在對機械電子工程進行設計時，必須要將計算機技術與網絡技術以及機械相關的技術融合，將機械中不同的元件組合，完善設計。機械電子工程在設計時運用的知識比較復雜，但是設計比較簡單，結構不復雜，而且具有較好的性能。機械電子工程投入生產時的效率高，夕卜形小巧，從而取代了傳統的機械。
2人工智能介紹
人工智能技術是在計算機技術發展的前提下得到應用的，其通過對計算機技術的分析，從而對計算機技術的功能進行進一步的完善而實現的智能化的技術，智能技術在機械電子工程中應用時，主要實現了對機械工程的自動化控制，人工智能在機械電子工程中應用不僅僅采用計算機技術，同時還要結合信息技術、心理學、語言學等知識。人工智能技術的發展經歷了幾個階段，在人工智能技術發展的初始階段，人工智能主要實現了自動翻譯、自動推理，而后，人工智能技術進入了其停滯階段，這時人工智能技術主要是以計算機視覺技術、對語言的理解、系統的研發和機器人設計等方面得到了廣泛的應用。人工智能技術進入發展的第二個階段后，其主要應用的領域是知識工程，知識工程促進了商業化的進程，在這個階段，人工智能技術主要進行推理以及機器人中得到了廣泛的應用。隨后，人工智能技術進入了平穩發展時期，在這個階段，人工智能技術朝著分布式的方向發展，其發展的形式比較簡單。
3人工智能技術在機械電子工程中的使用
現在，隨著我國信息技術的廣泛應用，在機械電子工程中都開始使用人工智能的模型，而且能能夠對大型機械進行故障的診斷，在機械電子工程投入使用后，機械工程本身的穩定性比較差，導致機械工程在使用的過程中會出現復雜的關系，如機械在進行輸入或者輸出時，如果不能建立合適的模型，就會導致輸出困難。
在使用傳統的機械進行生產時，信息系統的精確度比較高，如果系統出現了故障，不能正常的進行輸入和輸出工作，就會導致一系列的操作不能正常完成，但是，將人工智能技術在機械電子工程中使用，能夠對機械設備進行自動化的控制，能夠通過模糊的推理對系統進行操作，模糊推理主要是對人腦的模擬，從而分析系統發出的信號，在機械電子工程中，主要是通過對人腦結構的分析從而確定數字信號，實現對數字信號的分析，從而確定信號的參考值。
模糊推理主要實現了對機械電子工程中模糊的系統與神經網絡的融合，能夠實現神經網絡系統與網絡的互補融合，將神經網絡系統與模糊系統有機地統一，使機械設備的神經網絡系統能夠自動的識別信號，進行推理，使機械電子工程的系統能夠進行復制，使其具備學習的能九這樣就使機械電子工程中系統的智能化水平有所提高。智能化技術實現了機械電子工程中功能相似的部件的融合，其主要是運用模糊系統中的信號，與神經網絡中的信號進行相似性的對比，通過選擇，使具有相似性的部件實現融合，從而可以提高系統的運作效率，簡化了運算的程序，在機械電子工程中的非線性的信號與系統中的函數進行相似性的對比，從而能夠實現對系統中函數的優化。在機械電子工程中，主要是通過非線性表達運行的，這樣能能夠實現機械中網絡的強化能力，使機械中網絡的空間增大，使機械運行的效率更快。
人工智能神經網絡概念范文5
關鍵詞：微機繼電保護技術；概念；構成；趨勢
中圖分類號： F406 文獻標識碼： A 文章編號：
前言：微機繼電保護的智能化方便了繼電保護的調試工作，極大的減少了對硬件維護量。尤其是，其憑借數字化、智能化、網絡化及較強的數字通訊能力，極大的提高了微機繼電保護的快速性、選擇性、靈敏性、可靠性等性能，在促進電力系統管理、維護的信息化、遠程化的同時，提高了電力系統的安全經濟運行的水平。因此，我們可以清楚的認識到微機繼電保護的重要性。以下筆者根據多年從事微機繼電保護的實際工程經驗，對電力系統微機繼電保護系統的構成特點及發展趨勢進行粗淺的探究，以供參考。
1．微機繼電保護概述
1.1 基本概念
微機繼電保護是以數字式計算機為基礎來構成的繼電保護，其硬件以微處理器為核心，配以合適的輸入輸出通道、人機接口、通訊接口等；隨著計算機技術及網絡技術的持續快速的發展，加之微機保護相比于傳統繼電保護裝置有著更加顯著的優勢，日益在電力系統中得到廣泛應用。
1.2 微機繼電保護系統的構成
（1）管理與保護故障錄波器的接口，實現對不同廠家的保護及故障錄波器的數據采集及轉換功能。通常情況下，對保護的運行狀態進行巡檢，接收保護的異常報告。當電網出現故障后，接收、保護故障錄波器的事故報告。
（2）管理與遠動主站的接口，把裝置異常、保護投退，以及其它關鍵的信息通過遠動主站進行實時上送到調度端。
（3）管理、修改保護定值。
（4）主動或者按照服務器的要求傳送事故報告，執行服務器發出的對指定保護與故障錄波器進程查詢的命令。服務器設置在調度端，可由一臺或者多臺高性能計算機構成。
通過以上的功能劃分可看出，客戶機與服務器間的數據交換量并不是太大，僅在電網出現故障后，因為與故障設備有關聯的廠站的客戶機需向服務器傳送詳細的故障報告，此時才會有較大的信息量。所以客戶機與服務器間的聯絡，在目前的使用情況下，完全可采用調制解調器來進行異步通信，若有更好的條件，建議盡量采用廣域網來實現數據的交換。
2．微機繼電保護技術發展的趨勢
2.1 自動化、智能化
隨著我國智能電網概念的提出及相關技術標準的制定，必須加快智能電網相應配套的關鍵技術與系統的研發速度。對于微機繼電保護技術，可深入挖掘神經網絡、遺傳算法、進化規劃模糊邏輯等智能技術微機繼電保護方面的應用前景，充分發揮技術生產力的作用，從而使常規技術難以解決的實際問題得到解決[4]。
2.2 自適應控制技術
于20世紀80年代，自適應繼電保護的概念開始興起，其可定義為能根據電力系統的運行方式與故障狀態的變化而能夠對保護性能、特性或定值進行實時改變的新型繼電保護。其基本思想就是盡最大可能使保護適應電力系統的各種變化，從而保護的性能得到進一步的改善。其憑借能改善系統響應、增強可靠性、提高經濟效益等方面的優勢，在輸電線路對距離、變壓器、發電機的保護及自動重合閘等領域得到了廣泛的應用。
2.3 人工神經網絡的應用
20世紀90年代以來，神經網絡、遺傳算法、進化規劃、模糊邏輯等人工智能技術在電力系統的多個領域都得到了應用，保護領域內的一些研究工作也開始轉向人工智能領域的研究。專家系統、人工神經網絡、模糊控制理論在電力系統繼電保護中的應用，為其持續發展注入了新的活力。
基于生物神經系統的人工神經網絡具有分布式存儲信息、并行處理、自組織、自學習等特點，其應用研究得到較迅速發展，目前主要集中在人工智能、信息處理、自動控制和非線性優化等方面。近年，在電力系統微機繼電保護領域內出現了用人工神經網絡來實現故障類型的判別、故障距離的測定、方向保護、主設備保護等技術。我國相關部門也都對神經網絡在電力系統微機繼電保護中的應用進行了相關的研究。
2.4 可編程控制器在繼電保護中的應用
可編程控制器可簡單的視為具有特殊體系結構的工業計算機，相比于一般計算機具有更強的與工業過程相連的接口，以及更適應于控制要求的編程語言；用PLC通過軟件編程的方式來代替實際的各個分立元件之間的接線，來解決在由繼電器組成的控制系統里，為了完成一項操作任務，要把各個分立元件如繼電器、接觸器、電子元件等用導線連接起來的問題是非常容易的；此外，為了減少占地面積，還可以用PLC內部已定義的各種輔助繼電器來取代傳統的機械觸點繼電器。
2.5 變電所綜合自動化技術
現代計算機、通信、網絡等技術為改變變電站目前監視、控制、保護、故障錄波、緊急控制裝置、計量裝置，以及系統分割的狀態，提供了優化組合與系統集成的技術基礎。繼電保護和綜合自動化的緊密結合己成為可能，主要體現在集成與資源共享、遠方控制與信息共享。以遠方終端單元、微機保護裝置做為核心，把變電所的控制、信號、測量、計費等回路納入到計算機系統中，從而將傳統的控制保護屏進行取代，大大降低變電所的占地面積及對設備的投資，使二次系統的可靠性得到提高。伴隨著微機性價比的不斷提高，現代通信技術的快速發展，以及標準化規定制度的陸續推出，變電站綜合自動化已經成為了熱門話題。根據變電站自動化集成的程度，可將未來的自動化系統劃分為協調型自動化與集成型自動化兩類。
結束語：
總之，隨著電力系統的高速發展及計算機、通信技術的不斷進步，繼電保護技術將會向自動化，智能化，自適應控制技術，變電站綜合自動化技術，人工神經網絡、PLC技術的應用等趨勢發展，在確保我國電力系統的安全穩定運行，以及國民經濟的快速持續增長中發揮越來越大的作用。
參考文獻
[1]文玉玲，孫博，陳軍.淺談微機繼電保[J].新疆電力技術，2009，（4）：26-28.
[2]楊志越，李鳳婷.微機繼電保護技術及發展[J].電機技術，2011，（3）：46-47.
[3]王彬.淺論電力系統微機繼電保護的技術應用[J].中華民居，2011，11：162，163.
人工智能神經網絡概念范文6
【關鍵字】人工智能；教育；進展
【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009―8097（2008）13―0018―03
人工智能是一門綜合的交叉學科，涉及計算機科學、生理學、哲學、心理學、哲學和語言學等多個領域。人工智能主要研究用人工的方法和技術，模仿、延伸和擴展人的智能，實現機器智能，其長期目標是實現人類水平的人工智能。[1]從腦神經生理學的角度來看，人類智能的本質可以說是通過后天的自適應訓練或學習而建立起來的種種錯綜復雜的條件反射神經網絡回路的活動。[2]人工智能專家們面臨的最大挑戰之一是如何構造一個可以模仿人腦行為的系統。這一研究一旦有突破，不僅給學習科學以技術支撐，而且能反過來促使人腦的學習規律研究更加清晰，從而提供更加切實有效的方法論。[3]人工智能技術的不斷發展，使人工智能不僅成為學校教育的內容之一，也為教育提供了豐富的教育資源，其研究成果已在教育領域得到應用，并取得了良好的效果，成為教育技術的重要研究內容。
人工智能的研究更多的是結合具體領域進行的，其主要研究領域有：專家系統、機器學習、模式識別、自然語言理解、自動定理證明、自動程序設計、機器人學、博弈、智能決策支持系統、人工神經網絡和分布式人工智能等。[4]目前，在教育中應用較為廣泛與活躍的研究領域主要有專家系統、機器人學、機器學習、自然語言理解、人工神經網絡和分布式人工智能，下面就這些領域進行闡述。
一 專家系統
專家系統是一個具有大量專門知識與經驗的程序系統，它使用人工智能技術，根據某個領域中一個或多個人類專家提供的知識和經驗進行推理和判斷，模擬人類專家的決策過程，以解決那些需要專家決定的復雜問題。[5]專家系統主要組成部分為：知識庫，用于存儲某領域專家系統的專門知識；綜合數據庫，用于存儲領域或問題的初始數據和推理過程中得到的中間數據或信息；推理機，用于記憶所采用的規則和控制策略的程序，使整個專家系統能夠以邏輯方式協調地工作；解釋器，向用戶解釋專家系統的行為；接口，使用戶與專家系統進行對話。近幾十年來，專家系統迅速發展，是人工智能中最活躍、最有成效的一個研究領域，廣泛用于醫療診斷、地質勘探、軍事、石油化工、文化教育等領域。
目前，專家系統在教育中的應用最為廣泛與活躍。專家系統的特點通常表現為計劃系統或診斷系統。計劃系統往前走，從一個給定系統狀態指向最終狀態。如計劃系統中可以輸入有關的課堂目標和學科內容，它可以制定出一個課堂大綱，寫出一份教案，甚至有可能開發一堂樣板課，而診斷系統是往后走，從一個給定系統陳述查找原因或對其進行分析，例如，一個診斷系統可能以一堂CBI（基于計算機的教學，computer-based instruction）課為例，輸入學生課堂表現資料，分析為什么課堂的某一部分效果不佳。在開發專家計劃系統支持教學系統開發（ISD）程序的領域中最有名的是梅里爾（Merrill）的教學設計專家系統（ID Expert）。[6]
教學專家系統的任務是根據學生的特點（如知識水平、性格等），以最合適的教案和教學方法對學生進行教學和輔導。其特點為：同時具有診斷和調試等功能；具有良好的人機界面。已經開發和應用的教學專家系統有美國麻省理工學院的MACSYMA符號積分與定理證明系統，我國一些大學開發的計算機程序設計語言、物理智能計算機輔助教學系統以及聾啞人語言訓練專家系統等。[7]
目前，在教育中，專家系統的開發和應用更多的集中于遠程教育，為現代遠程教育的智能化提供了有力的技術支撐?；趯＜蚁到y構造的智能化遠程教育系統具有以下幾個方面的功能：具備某學科或領域的專門知識，能生成自己的提問和應答； 能夠分析學生的特征，評價和記錄學生的學習情況，診斷學生學習過程中的錯誤并進行補救教學；可以選擇不同的教學方法實現以學生為主體的個別化教學。[8]目前應用于遠程教育的專家系統有智能決策專家系統、智能答疑專家系統、網絡教學資源專家系統、智能導學系統和智能網絡組卷系統等。
二 機器人學
機器人學是人工智能研究是一個分支，其主要內容包括機器人基礎理論與方法、機器人設計理論與技術、機器人仿生學、機器人系統理論與技術、機器人操作和移動理論與技術、微機器人學。[9]機器人的發展經歷了三個階段：第一代機器人是以 “示教―再現”方式進行工作；第二代機器人具有一定的感覺裝置，表現出低級智能；第三代機器人是具有高度適應性的自治機器人，即智能機器人。目前開發和應用的機器人大多是智能機器人。機器人技術的發展對人類的生活和社會都產生了重要影響，其研究和應用逐漸由工業生產向教育、環境、社會服務、醫療等領域擴展。
機器人技術涉及多門科學，是一個國家科技發展水平和國民經濟現代化、信息化的重要標志，因此，機器人技術是世界強國重點發展的高技術，也是世界公認的核心競爭力之一，很多國家已經將機器人學教育列為學校的科技教育課程，在孩子中普及機器人學知識，從可持續和長遠發展的角度，為本國培養機器人研發人才。[10]在機器人競賽的推動下，機器人教育逐漸從大學延伸到中小學，世界發達國家例如美國、英國、法國、德國、日本等已把機器人教育納入中小學教育之中，我國許多有條件的中小學也開展了機器人教育。
機器人在作為教學內容的同時，也為教育提供了有力的技術支撐，成為培養學習者創新精神和實踐能力的新的載體與平臺，大大豐富了教學資源。多年來，我國中小學信息技術教育的主要載體是計算機和網絡，教學資源單一，缺乏前瞻性。教學機器人的引入，不僅激發了學生的學習興趣，還為教學提供了豐富的、先進的教學資源。隨著機器人技術的發展，教學機器人種類越來越多，目前在中小學較為常用的教學機器人有：能力風暴機器人、通用機器人、未來之星機器人、樂高機器人、納英特機器人、中鳴機器人等。
三 機器學習
機器學習是要使計算機能夠模仿人的學習行為，自動通過學習來獲取知識和技巧，[11]其研究綜合應用了心理學、生物學、神經生理學、邏輯學、模糊數學和計算機科學等多個學科。機器學習的方法與技術有機械學習、示教學習、類比學習、示例學習、解釋學習、歸納學習和基于神經網絡的學習等，近年來，知識發現和數據挖掘是發展最快的機器學習技術。機器學習（自動獲取新的事實及新的推理算法）是使計算機具有智能的根本途徑，對機器學習的研究有助于發現人類學習的機理和揭示人腦的奧秘。[12]
隨著計算機技術的進步和機器學習研究的深入，機器學習系統的性能大大提高，各種學習算法的應用范圍不斷擴大，例如將連接學習用于圖文識別，歸納學習、分析學習用于專家系統等，大大推動了在教育中的應用，例如在建構適應性教學系統中，用機器學習與樸素的貝葉斯分類器動態了解學生的學習偏好，有較高的準確率[13]?；诎咐耐评恚╟ase-based reasoning，CBR）是一種新興的機器學習和推理方法，其核心思想是重用過去人們解決問題的經驗解決新問題，在計算機輔助教育方面，已經出現了基于CBR的圖形仿真教育系統，并且，針對個體特征的教育教學方法研究也有所突破。[14]另外，數據挖掘和知識發現在生物醫學、金融管理、商業銷售等領域的成功應用，不僅給機器學習注入新的生機，也為機器學習在教育中的應用提供了新的前景。
四 自然語言理解
自然語言理解就是研究如何讓計算機理解人類的自然語言，以實現用自然語言與計算機之間的交流。一個能夠理解自然語言信息的計算機系統看起來就像一個人一樣需要有上下文知識以及根據這些上下文知識和信息用信息發生器進行推理的過程。[15]自然語言理解包括口語理解和書面理解兩大任務，其功能為：回答問題，計算機能正確地回答用自然語言提出的問題；文摘生成，計算機能根據輸入的文本產生摘要；釋義，計算機能用不同的詞語和句型來復述輸入的自然語言信息；翻譯，計算機能把一種語言翻譯成另外一種語言。由于創造和使用自然語言是人類高度智能的表現，因此對自然語言處理的研究也有助于揭開人類高度智能的奧秘，深化對語言能力和思維本質的認識。[16]
自然語言理解最早的研究領域是機器翻譯，隨著應用研究的廣泛開展，也為機器人和專家系統的知識獲取提供了新的途徑，例如由MIT研制的指揮機器人的自然語言理解系統SHRDLU就可以接收自然語言，進行人機對話，回答關于桌面上積木世界中的各種問題。同時，對自然語言理解的研究也促進了計算機輔助語言教學和計算機語言設計等方面的發展，例如“希賽可”網絡智能英語學習系統，這個基于網絡的“人-機”語境的建立，突破了普通英語教師和傳統的單機的多媒體教學軟件所能具備能力限制，也比建立于網絡的“人-人”語境更具靈活性，可以為遠程學習者提供良好的英語學習支持，在國內第一次系統地將用自然語言進行的人機對話系統應用在計算機輔助外語教學上，在國際上也是一種創新。[17]
五 人工神經網絡
人工神經網絡就是在對大腦的生理研究的基礎上，用模擬生物神經元的某些基本功能的元件（即人工神經元），按各種不同的聯結方式組織起來的一個網絡，其目的在于模擬大腦的某些機理與機制，實現某個方面的功能，例如可以用于模仿視覺、模式識別、聲音信號處理、控制、故障診斷等領域，人工神經元是人工神經網絡的基本單元。[18]人工神經網絡有兩種基本結構：遞歸（反饋）網絡和多層（前饋）網絡，兩種主要學習算法：有指導式學習和非指導式學習。
人工神經網絡從模擬人類大腦神經網絡的結構和行為出發，具有大規模并行、分布式存儲和處理、自組織、自適應和自學習能力，特別適合于處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題，[19]這使人工神經網絡具有更大的發展潛能，目前已經開發和應用的人工神經網絡模型有30多種。人工神經網絡在教育中的應用大多是與教學專家系統相結合，以此來改進教學專家系統的性能，提高智能性，使其在教學過程中對突發問題具有更好的應對能力。人工神經網絡在學校管理中也得到應用，例如采用誤差反傳算法（BP）的多層感知器已應用于高校管理之中。
六 分布式人工智能(Distributed Artificial Intelligence，DAI)
分布式人工智能是分布式計算與人工智能結合的結果，研究目標是要創建一種能夠描述自然系統和社會系統的精確概念模型，主要研究問題是各Agent之間的合作與對話，包括分布式問題求解和多Agent系統兩個領域。[20]分布式人工智能系統一般由多個Agent組成，每個Agent又是一個半自治系統，Agent之間及Agent與環境之間進行并發活動并進行交互來完成問題求解。[21]由于分布式人工智能系統具有并行、分布、開放、協作和容錯等優點，在資源、時空和功能上克服了單智能系統的局限性，因此獲得了廣泛的應用。
分布式人工智能中的Agent和多Agent技術在教學中的應用逐漸受到關注。在教學中引入Agent可以有效地提高教學系統的智能性，創造良好的學習情境，并能激發學習者的學習興趣，進行個性化教育。目前，Agent和多Agent技術多用于遠程智能教學系統，通過利用其分布性、自主性和社會性等特點，提高網絡教學系統的智能性，使教學資源得到充分利用，并可實現對學習者的學習行為進行動態跟蹤，為學習者的網絡學習創造合作性的學習環境。在網絡教學軟件中應用Agent技術的一個典型是美國南加利福尼亞大學（USC）開發的教學Adele（Agent for Distance Education - Light Edition） [22]。Agent技術在網絡教學軟件中取得的良好效果，促進了研究者對分布式人工智能在教育中的應用研究。
綜上所述，科學技術的發展將會推動人工智能技術在教育中應用的廣度和深度。從人工智能的應用趨勢來看，人工智能在教育中應用的擴展可以通過以下三個方面進行：一是人工智能與其他先進信息技術結合。人工智能已經與多媒體技術、網絡技術、數據庫技術等有效的融合，為提高學習效率和效度提供了有力的技術支持，而引起教育技術界廣泛關注。[23]例如人工智能技術通過與多媒體技術相結合，可以提高智能教學系統的教學效果；與網絡通訊技術相結合，可以提高和改進遠程教育的智能性。二是人工智能應用研究領域間的集成。人工智能應用研究領域之間并不是彼此獨立，而是相互促進，相互完善，它們可以通過集成擴展彼此的功能和應用能力。例如自然語言理解與專家系統、機器人的集成，為專家系統和機器人提供了新的知識獲取途徑。三是人工智能的研究和應用出現了許多新的領域，它們是傳統人工智能的延伸與擴展，這些新領域有分布式人工智能與Agent、計算智能與進化計算、數據挖掘與知識發現以及人工生命等[24]，這些發展與應用蘊藏著巨大潛能，必將對教育產生重要的影響。
技術發展不斷發揮著引導教育技術研究的作用，一種新興技術的出現總是會掀起相應的研究熱潮, 引發對技術在教育中應用的探討、評價以及與傳統技術的對比。[25] 人工智能作為一門交叉的前沿學科，雖然在基本理論和方法等方面存在著爭論，但從其研究成果與應用效果來看，有著廣闊的應用前景，值得進一步的開發和利用。
參考文獻
[1] 史忠植,王文杰.人工智能[M].北京:國防工業出版社,2007:1.
[2][11][18][19] 《計算機與信息科學十萬個為什么》叢書編輯委員會,計算機與信息科學十萬個為什么(8):人工智能[M].北京:清華大學出版社,1998:5,189,78-79,84.
[3] 任友群,胡航.論學習科學的本質及其學科基礎[J].中國電化教育,2007,(5):1-5.
[4][21] 蔡瑞英,李長河.人工智能[M].武漢:武漢理工大學出版社,2003:12-13.
[5][12][15][20][24] 蔡自興,徐光.人工智能及其應用(第三版)――研究生用書[M].北京:清華大學出版社,2007: 12-14,19-20.
[6] [荷]山尼•戴克斯特拉,[德]諾伯特•M. 西爾,[德]弗蘭茲•肖特,等.任友群,鄭太年主譯.教學設計的國際觀第2冊:解決教學設計問題[M].北京:教育科學出版社,2007:67.
[7] 任友群.技術支撐的教與學及其理論基礎[M].上海:上海教育出版社,2007:42-43.
[8] 路利娟.應用專家系統提升現代遠程教育的智能化[J].中國教育技術裝備,2007,(12):79-80.
[9] 陳懇,楊向東,劉莉等.機器人技術與應用[M].北京:清華大學出版社,2007:6.
[10] 關注機器人幼兒教育――訪鮑青山博士[DB/OL].
[13] 柏宏權,韓慶年.機器學習在適應性教學系統中的應用研究[J].南京師范大學學報(工程技術版),2007,7(4):76-79.
[14] 楊健,趙秦怡.基于案例的推理技術研究進展及應用[J].計算機工程與設計,2008,29(3):710-712.
[16] 自然語言理解[DB/OL].
[17] 賈積有.人工智能技術的遠程教育應用探索――“希賽可”智能型網上英語學習系統[J].現代教育技術,2006,16(2):26-29.
[22] Erin Shaw, W. Lewis Johnson, and Rajaram Ganeshan, Pedagogical Agents on the Web[DB/OL].
