前言：中文期刊網精心挑選了神經網絡在人工智能的應用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。
神經網絡在人工智能的應用范文1
關鍵詞： 人工智能 足球機器人 人工神經網絡 智能控制
引言
足球機器人系統是一個典型的多智能體系統和分布式人工智能系統，涉及機器人學、計算機視覺[1]、模式識別、多智能體系統[2]、人工神經網絡[3]等領域，而且它為人工智能理論研究及多種技術的集成應用提供了良好的實驗平臺。機器人球隊與人類足球一樣，它的勝負不但取決于機器人本身的性能，而且取決于比賽策略，只有將可靠的硬件與先進的策略結合才能取勝。人工智能技術在足球機器人的平臺上有著重要的作用。從機器人的外觀到機器人最重要的核心部分——控制、決策，都無不起著重要的作用。專家系統[4]、人工神經網絡在機器人的路徑規劃[5]上得到充分的應用。
1.人工智能研究現狀
人工智能[6-8]是一門研究人類智能機理，以及如何用計算機模擬人類智能活動的學科，該領域的研究包括機器人、語言識別[9]、圖像識別、自然語言處理和專家系統等，涉及數理邏輯、語言學、醫學和哲學等多門學科。人工智能學科研究的主要內容包括：知識表示[10][11]、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。
幾乎所有的編程語言均可用于解決人工智能算法，但從編程的便捷性和運行效率考慮，最好選用“人工智能語言”[12]。常用的人工智能語言有傳統的函數型語言Lisp、邏輯型語言Prolog及面向對象語言Smalltalk、VC++及VB等，Math-Works公司推出的高性能數值計算可視化軟件Matlab中包含神經網絡工具箱，提供了許多Matlab函數。另外，還有多種系統工具用于開發特定領域的專家系統，如INSIGHT、GURU、CLIPS、ART等。這些實用工具為開發人工智能應用程序提供了便利條件，使人工智能越來越方便地運用于各種領域。
智能機器人是信息技術和人工智能等學科的綜合試驗場，可以全面檢驗信息技術和人工智能等各領域的成果，以及它們之間的相互關系。人工智能技術中的視覺、傳感融合、行為決策、知識處理等技術，需要使無線通訊、智能控制、機電儀一體化、計算機仿真等許多關鍵技術有機、高效地集成統一。人們在很多領域都成功地實現了人工智能：自主規劃和調度、博弈、自主控制、診斷、后勤規劃、機器人技術、語言理解和問題求解等。
2.人工智能主要研究領域
人工智能的研究領域非常廣泛，而且涉及的學科非常多。目前，人工智能的主要研究領域包括：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、智能決策支持系統及人工神經網絡等。下面主要介紹在足球機器人設計、制造、控制等過程中常用的人工智能技術[13]。
2.1專家系統
專家系統是一個智能計算機程序系統，是一個具有大量專門知識與經驗的程序系統，它應用人工智能技術和計算機技術，根據某領域一個或多個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，以便解決那些需要人類專家處理的復雜問題。專家系統一般具有如下基本特征：具有專家水平的專門知識；能進行有效的推理；具有獲取知識的能力；具有靈活性；具有透明性；具有交互性；具有實用性；具有一定的復雜性及難度。
2.2人工神經網絡
人工神經網絡是由大量處理單元互聯組成的非線性、自適應信息處理系統，采用了與傳統人工智能和信息處理技術完全不同的機理，克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點。神經網絡在很多領域已得到了很好的應用，但其需要研究的方面還很多。其中，具有分布存儲、并行處理、自學習、自組織和非線性映射等優點的神經網絡與其他技術的結合，以及由此而來的混合方法和混合系統，已經成為一大研究熱點。由于其他方法也有優點，因此將神經網絡與其他方法相結合，取長補短，可以達到更好的應用效果。目前這方面工作有神經網絡與模糊邏輯、專家系統、遺傳算法、小波分析、混沌、粗集理論、分形理論、證據理論和灰色系統等的融合。
2.3圖像處理
圖像處理是用計算機對圖像進行分析，達到所需結果，又稱影像處理。圖像處理技術主要包括圖像壓縮，增強和復原，匹配、描述和識別三個部分。常見的處理有圖像數字化、圖像編碼、圖像增強、圖像復原、圖像分割和圖像分析等。數字圖像處理中的模式識別技術，可以對人眼無法識別的圖像進行分類處理，可以快速準確地檢索、匹配和識別出各種東西，在日常生活各方面和軍事上用途較大。
3.人工智能在足球機器人中的應用
3.1基于專家系統的足球機器人規劃
路徑規劃或避碰問題是足球機器人比賽中的一個重要環節。根據工作環境，路徑規劃模型可分為基于模型的全局路徑規劃和基于傳感器的局部路徑規劃。全局路徑規劃的主要方法有：可視圖法、自由空間法、最優控制法、柵格法、拓撲法、切線圖法、神經網絡法等。局部路徑規劃的主要方法有：人工勢場法、模糊邏輯算法、神經網絡法、遺傳算法[14]等。機器人規劃專家系統是用專家系統的結構和技術建立起來的機器人規劃系統。大多數成功的專家系統都是以基于規則系統的結構來模仿人類的綜合機理的。它由五部分組成：知識庫、控制策略、推理機、知識獲取、解釋與說明。隨著人工智能計算智能與進化算法研究的逐步發展，遺傳算法、蟻群算法等的提出，機器人路徑規劃問題得到了相應發展。尤其是通過遺傳算法在路徑規劃中的應用，機器人更加智能化，其運行路徑更加逼近理想的優化要求。以動態、未知環境下的機器人路徑規劃為研究背景，利用遺傳算法采用了基于路點坐標值的可變長染色體編碼方式，構造了包含障礙物排斥子函數項的代價函數，使得路徑規劃中的地圖信息被成功引入到了遺傳操作的實現過程中。同時針對路徑規劃問題的具體應用，改進了交叉和變異兩種遺傳算子，獲得了較為理想的路徑搜索效率，達到了較好的移動機器人路徑規劃效果。
3.2人工神經網絡在機器人定導航中的應用
人工神經網絡是一種仿效生物神經系統的信息處理方法，其優點主要體現在它可以處理難以用模型或規則描述的過程和系統；對非線性系統具有統一的描述；有較強的信息融合能力。因此在移動機器人定位與導航方面，基于神經網絡的多傳感器信息融合正是利用了神經網絡的這些特性，將機器人外部傳感器的傳感數據信息作為神經網絡的輸入處理對象，從而獲得移動機器人自身位置與對障礙物比較精確的估計，實現移動機器人的避障與自定位。
結語
隨著人工智能技術的進一步研究，足球機器人競賽水平將不斷提高。但就目前情況來看，在現有的基礎上擴大應用的范圍，增強應用的效果，還應主要在人工智能技術上做進一步的研究。專家系統在專家知識的總結、表述及不確定的情況下推理是目前專家系統的瓶頸所在。制造生產的多變復雜性及操作的人工經驗性，使人工智能的應用受到限制。此外，一些工藝參數的定量化實現也不易。隨著技術的飛速發展，人工智能技術也在進一步完善，如多種方法混合技術、多專家系統技術、機器學習方法、并行分布處理技術等。隨著新型人工智能技術的出現，制造業將會更加光明，性能更加優越的足球機器人也不再遙遠。
參考文獻：
[1]鄭南寧.計算機視覺與模式識別[M].北京-國防工業出版社，1998.3.
[2]Wang Hongbing Fan Zhihua She Chundong Formal Specification of Role Assignment for Open Multi Agent System Chinese of Journal Electronics[J].2007，16（2）：212-216.
[3]LIMING ZHANG AND FANJI GU NEURAL INFORMATION PROCESSING VOLUME 1[M]Fudan University Press， 2001.
[4]Cai Zixing，King-Sun Fu. Expert-System-Based Robot Planning ？Control Theory & Applications[J] .1988（2）： 35-42.
[5]張銳，吳成東.機器人智能控制研究進展[J].沈陽建筑工程學院學報（自然科學版），2003，19（1）：61-64.
[6]蔡自興，徐光祐.人工智能機器應用（第三版）清華大學出版社，2004.
[7]艾輝.謝康寧，謝百治.談人工智能技術[J]中國醫學教育技術，2004，18（2）：78-80.
[8]Nilsson NJ.Artificial Intelligence：A New Synthesis[M].Beijing：China Machine Press，2006：72-95.
[9]Han Jiqing Gao Wen Robust Speech Recognition Method Based on Discriminative Environment Feature Extraction Journal of Computer Science and Technology[J]. 2001；16（5）：458-464.
[10]Tang Zhijie Yang Baoan Zhang Kejing Design of Multi-attribute Knowledge Base Based on Hybrid Knowledge Representation Journal of Donghua University 2006，23（6）：62-66.
[11]Hu Xiangpei Wang Xuyin Knowledge representation and rule——based solution system for dynamic programming model Journal of Harbin Institute of Technology 2003，10（2）：190-194.
[12]姚根.人工智能的概況及實現方法[J] .2009，28（3）：108.
神經網絡在人工智能的應用范文2
關鍵詞：人工智能 機器學習 機器人情感獲得 發展綜述
中圖分類號：TP18 文獻標識碼：A 文章編號：1003-9082 （2017） 04-0234-01
引言
人類自從工業革命結束之后，就已然開始了對人工智能的探索，究其本質，實際上就是對人的思維進行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時期，那時圖靈就希望未來的智能系統能夠像人一樣思考。在20世紀五十年代，人工智能被首次確定為一個新興的學科，并吸引了大批的學者投入到該領域的研究當中。經過長時間的探索和嘗試，人工智能的許多重要基本理論已經形成，如模式識別、特征表示與推理、機器學習的相關理論和算法等等。進入二十一世紀以來，隨著深度學習與卷積神經網絡的發展，人工智能再一次成為研究熱點。人工智能技術與基因過程、納米科學并列為二十一世紀的三大尖端技術， 并且人工智能涉及的學科多，社會應用廣泛，對其原理和本質的理解也更為復雜。 一、人工智能的發展歷程
回顧人工智能的產生與發展過程 ，可以將其分為：初期形成階段，綜合發展階段和應用階段。
1.初期形成階段
人工智能這一思想最早的提出是基于對人腦神經元模型的抽象。其早期工作被認為是由美國的神經學家和控制論學者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學的研究生制造出了第一臺人工神經元計算機。而其真正作為一個新的概念被提出是在1956年舉行的達茅斯會議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒器來模擬人類智能的新興學科。1969年的國際人工智能聯合會議標志著人工智能得到了國際的認可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數學、生物、計算機、神經科學等相關學科的學者參與該領域的研究。
2.綜合發展階段
1.7 7年， 費根鮑姆在第五屆國際人工智能聯合會議上正式提出了“知識工程”這一概念。而后其對應的專家系統得到發展，許多智能系統紛紛被推出，并應用到了人類生活的方方面面。20世紀80年代以來，專家系統逐步向多技術、多方法的綜合集成與多學科、多領域的綜合應用型發展。大型專家系統開發采用了多種人工智能語言、多種知識表示方法、多種推理機制和多種控制策略相結合的方式， 并開始運用各種專家系統外殼、專家系統開發工具和專家系統開發環境等等。在專家系統的發展過程中，人工智能得到了較為系統和全面的綜合發展，并能夠在一些具體的任務中接近甚至超過人類專家的水平。
3.應用階段
進入二十一世紀以后，由于深度人工神經網絡的提出，并在圖像分類與識別的任務上遠遠超過了傳統的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學的Geoffery Hinton及其學生在《Science》雜志上發表文章，其中首次提到了深度學習這一思想，實現對數據的分級表達，降低了經典神經網絡的訓練難度。并隨后提出了如深度卷積神經網絡（Convolutional Neural Network， CNN），以及區域卷積神經網絡（Region-based Convolutional Neural Network， R-CNN），等等新的網絡訓練結構，使得訓練和測試的效率得到大幅提升，識別準確率也顯著提高。
二、人工智能核心技術
人工智能由于其涉及的領域較多，內容復雜，因此在不同的應用場景涉及到許多核心技術，這其中如專家系統、機器學習、模式識別、人工神經網絡等是最重要也是發展較為完善的幾個核心技術。
1.專家系統
專家系統是一類具有專門知識和經驗的計算機智能程序系統，通過對人類專家的問題求解能力建模，采用人工智能中的知識表示和知識推理技術來模擬通常由專家才能解決的復雜問題，達到具有與專家同等解決問題能力的水平。對專家系統的研究，是人工智能中開展得較為全面、系統且已經取得廣泛應用的技術。許多成熟而先進的專家系統已經被應用在如醫療診斷、地質勘測、文化教育等方面。
2.機器學習
機器學習是一個讓計算機在非精確編程下進行活動的科學，也就是機器自己獲取知識。起初，機器學習被大量應用在圖像識別等學習任務中，后來，機器學習不再限于識別字符、圖像中的某個目標，而是將其應用到機器人、基因數據的分析甚至是金融市場的預測中。在機器學習的發展過程中，先后誕生了如凸優化、核方法、支持向量機、Boosting算法等等一系列經典的機器學習方法和理論。機器學習也是人工智能研究中最為重要的核心方向。
3.模式識別
模式識別是研究如何使機器具有感知能力 ，主要研究圖像和語音等的識別。其經典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發展起來應用模糊數學模式、人工神經網絡模式的方法逐漸取代傳統的基于統計學習的識別方法。圖形識別方面例如識別各種印刷體和某些手寫體文字，識別指紋、癌細胞等技術已經進入實際應用。語音識別主要研究各種語音信號的分類，和自然語言理解等等。模式識別技術是人工智能的一大應用領域，其非常熱門的如人臉識別、手勢識別等等對人們的生活有著十分直接的影響。
4.人工神經網絡
人工神經網絡是在研究人腦的結構中得到啟發， 試圖用大量的處理單元模仿人腦神經系統工程結構和工作機理。而近年來發展的深度卷積神經網絡（Convolutional neural networks， CNNs）具有更復雜的網絡結構，與經典的機器學習算法相比在大數據的訓練下有著更強的特征學習和表達能力。含有多個隱含層的神經網絡能夠對輸入原始數據有更抽象喝更本質的表述，從而有利于解決特征可視化以及分類問題。另外，通過實現“逐層初始化”這一方法，實現對輸入數據的分級表達，可以有效降低神經網絡的訓練難度。目前的神經網絡在圖像識別任務中取得了十分明顯的進展，基于CNN的圖像識別技術也一直是學術界與工業界一致追捧的熱點。
三、機器人情感獲得
1.智能C器人現狀
目前智能機器人的研究還主要基于智能控制技術，通過預先定義好的機器人行動規則，編程實現復雜的自動控制，完成機器人的移動過程。而人類進行動作、行為的學習主要是通過模仿及與環境的交互。從這個意義上說，目前智能機器人還不具有類腦的多模態感知及基于感知信息的類腦自主決策能力。在運動機制方面，目前幾乎所有的智能機器人都不具備類人的外周神經系統，其靈活性和自適應性與人類運動系統還具有較大差距。
2.機器人情感獲得的可能性
人腦是在與外界永不停息的交互中，在高度發達的神經系統的處理下獲得情感。智能機器人在不斷的機器學習和大數據處理中，中樞處理系統不斷地自我更新、升級，便具備了獲得情感的可能性及幾率。不斷地更新、升級的過程類似于生物的進化歷程，也就是說，智能機器人有充分的可能性獲得與人類同等豐富的情感世界。
3.機器人獲得情感的利弊
機器人獲得情感在理論可行的情況下，伴之而來的利弊則眾說紛紜。一方面，擁有豐富情感世界的機器人可以帶來更多人性化的服務，人機合作也可進行地更加深入，可以為人類帶來更為逼真的體驗和享受。人類或可與智能機器人攜手共創一個和諧世界。但是另一方面，在機器人獲得情感時，機器人是否能徹底貫徹人類命令及協議的擔憂也迎面而來。
4.規避機器人情感獲得的風險
規避智能機器人獲得情感的風險應預備強制措施。首先要設計完備的智能機器人情感協議，將威脅泯滅于未然。其次，應控制智能機器人的能源獲得，以限制其自主活動的能力，杜絕其建立獨立體系的可能。最后，要掌控核心武器，必要時強行停止運行、回收、甚至銷毀智能機器人。
三、總結
本文梳理了人工智能的發展歷程與核心技術，可以毋庸置疑地說，人工智能具有極其廣闊的應用前景，但也伴隨著極大的風險。回顧其發展歷程，我們有理由充分相信，在未來人工智能的技術會不斷完善，難題會被攻克。作為世界上最熱門的領域之一，在合理有效規避其風險的同時，獲得情感的智能機器人會造福人類，并極大地幫助人們的社會生活。
參考文獻
[1]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.
[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計算機學報，2016，（01）：212-222.
[3]張越.人工智能綜述：讓機器像人類一樣思考
神經網絡在人工智能的應用范文3
隨著改革開放進程的不斷加速，我國人民的生活水平有了很大的提高，社會的各個方面都得到了很大的發展。人工智能是現代化建設中一個重要的發展方向，在電力系統中也得到了極其廣泛的應用。人工智能在電力系統中的應用使得電力系統能夠更加的智能化，提升了電力系統的工作效率，對電力系統的發展起到了極大的促進作用。筆者將在本文中對人工智能在電力系統中的應用進行分析，希望能夠對相關的電力系統工作人員的工作有所幫助，同時也希望能夠對其他學者在相關方面的研究有所啟發。
【關鍵詞】電力系統 人工智能 運行
隨著現代化進程的不斷推進，人們對電力系統的要求越來越高，要求電力系統要實現高效率，高安全性，智能化。在經過大量的研究之后，人們將人工智能和電力系統相融合，取得了很大的突破。所謂的人工智能，實際上就是一門綜合的智能設計技術，人們設計相關的機器，使機器能夠像人類一樣進行一系列的思考、規劃、設計等活動。在電力系統中的應用主要是集中在安全用電和簡化操作的方面，實現簡易化、智能化安全電力裝置設計，比如保護繼電器的設計，可以對電路進行有效的保護，以免對電力系統造成損失。從現在電力系統的發展趨勢來看，人工智能在電力系統中的應用必將是未來電力系統發展的主要方向之一。我將在下文中從以下幾個方面對人工智能在電力系統中的應用進行分析。
1 人工智能技術概述
人工智能是一門復雜的技術，集成了很多學科的知識，進行人工智能研究的研究人員必須要了解腦科學、神經學和信息技術等方面的知識，因為這三個方面的知識是人工智能最基礎的知識。人們將這些知識實際應用到機器的設計之中，就能夠對機器進行人工智能的設計，從而實現機器智能化的操作。
2 人工智能技術的種類
2.1 人工神經網絡
人工神經網絡在電力系統的應用解決了電力系統中很多非線性的問題，尤其在繼電保護方面的效果最為出色，所以在電力系統的繼電保護中得到了廣泛的應用。所謂的人工神經網絡，就是科學家們在對人的神經網絡進行研究后，將其運用到系統的研究上而得出來的。在電力系統的工作中，能夠對電力系統做實時的監測，同時能夠對出現問題的地方做出快速的反應，有效的提升了電力系統的工作效率。
2.2 智能模糊邏輯
所謂的智能模糊邏輯，就是人們將模糊理論運用到一些實際的系統當中，使人們能夠輸入相應的參數，建立對應的數學模型，從而對系統進行很好的規劃。在電力系統的應用過程中，人們主要將智能模糊邏輯應用到電力系統的規劃和電力系統故障的診斷方面。
2.3 遺傳算法
遺傳算法就是人們基于對生殖遺傳規律的研究，在遺傳規律應用到實際的生活事件當中，使事件得到最優解。遺傳算法能夠很好的解決電力系統中一些比較難的問題。
2.4 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。
3 電力系統運行中人工智能的具體應用
電力系統中有很多非線性問題，里面的方程式也有一定復雜性和系統性，但是可以應用人工智能技術來解決這些問題。
3.1 人工神經網絡在繼電保護中的應用
對繼電器的保護工作一直都是電力系統中非常重要的工作之一，隨著社會的進步，科技的發展，人們對電力系統的要求越來越高，繼電器的保護工作也不斷在推進著，從開始的普通計算機的保護到人工神經網絡的應用，都體現了電力系統的工作人員對繼電器保護工作的不斷努力。
3.2 人工智能算法在電力系統運行中的應用
人工智能算法主要的原理是無功優化，通過無功優化，能夠提高電力運行效率，使電力傳輸達到一個最佳的狀態。
人工智能算法采取記憶指導搜索的辦法來提高搜索速度，從而使全局達到最優的狀態。它還有禁忌搜索方法，這種方法在跳出局部方面有很大的優勢。此外，它還能解決多變量、非線性、離散性的問題，而且操作手法簡單，易于使用。
3.3 模糊理論在電力系統運行中的應用
模糊理論突破了經典集合中的一些概念，它采用的是模糊搜索的原理來對一些不明確、不精準的事情和現象進行分析。首先要在其中加入一些近似推理的模糊邏輯和引入語言變量，從而對事情和現象進行分析與描述。如今，這種模糊理論已經具有比較成熟的技術，它的應用已經相當廣泛，遍及多個行業、多個領域。電力系統中有非線性，而線路通過非線性的時候，就會產生一些分量，這些分量能夠重疊在故障上面，并且不會被消除掉。而模糊理論中的技術可以消除輸電線路中互相影響的現象，使之相互獨立。
3.4 專家系統在力系統運行中的應用
專家系統是人中智能系統重要的組成部分之一，尤其在電力系統中早在很多年之前就得到了廣泛的應用，解決了電力系統中的很多問題，為電力系統的發展奠定了良好的基礎，有效的提高了電力系統運行的效率。
4 總結與體會
從上文的分析中，我們對人工智能的概念有了清晰的認識，同時也了解了將人工智能應用在電力系統能夠為電力系統帶來的巨大發展。解決了電力系統目前存在的大量問題，為電力系統的發展提供了突破性發展的思路。但是我國人工智能的技術還不夠成熟，與國外先進的人工智能技術相比較還有很大的差距，所以我國必須制定相應的方案促進我國人工智能的發展。首先，我國要在政策上對人工智能的企業進行優待，鼓勵更多的企業投身到人工智能的發展之中，其次我國要加大人工智能的人才培養力度，從我國目前的人工智能發展現狀來說，我國的人工智能的人才缺口比較大，很多專業的人才都是從國外引進的，花費了國家大量的資金，所以對人工智能的人才培養是我國未來促進人工智能的發展必須要做的任務，對于我國人工智能的可持續發展具有重大的意義。
參考文獻
[1]田秀梅.人工智能在電力系統故障診斷中的應用[J].電子技術，2011，38（01）：31-32.
[2]占才亮.人工智能技術在電力系統故障診斷中的應用[J].廣東電力，2011，24（09）：87-92.
神經網絡在人工智能的應用范文4
關鍵詞：進化算法；人工智能；短期電力負荷預測；進化算法
中圖分類號：TP181；TM727 文獻標識碼：A
0 引言
電力負荷預測是指利用電力歷史負荷的特點和其它相關因素的影響，找尋電力負荷中自身存在的周期性的規律，并挖掘出出未來的發展趨勢，由此預測出未來某特定時刻的負荷數據[1]。短期負荷預測是指預測未來一月、未來一周、未來一天，甚至于未來一天24小時中任意時刻的負荷值。準確的短期負荷預測是電力系統安全經濟的調度、規劃的保證，是電力系統穩定運行的前提，是社會正常生產和人民安定生活的保障。
隨著全球不可再生資源的不斷減少及環境污染的日益增加，將風能、太陽能等新能源發電系統形成的分布式能源接入傳統電網中的新型電網――智能電網（smart grid）由此產生。智能電網將信息技術、通信技術、計算機技術以及各種輸、配電硬件設施集成為一整體，通過先進的信息技術，實現配電網智能、彈性、自愈等功能[2]。
無論是國外還是國內，配電自動化都是智能電網的核心。配電自動化實際上是實現配電設備正常運行及事故狀態下監測、保護、控制、用電和配電管理的現代化[3]。短期電力負荷預測則是實現配電管理、故障處理等問題的前提。因此為了達到精確地配電自動化，高精度的短期負荷預測必不可少。
1 問題的分析及解決
智能電網的“互動、自愈、安全、經濟、清潔、節能、高效”等要求導致了短期電力負荷預測更為復雜[4]。不同的區域，不同的發電形式及用戶端的引入都導致了電網運行環境的復雜性。環境一旦變化（比如事故，分布式電源的啟停），智能電網的短期負荷預測模型必須能自適應這些變化，從而得到高逼近的預測值以輔助電網的調度、管理等操作，確保電力系統的正常運作。因此，智能電網環境下的短期電力負荷預測應具有高度自適應性和智能性的特點。
另外，智能電網中AMI雖然為負荷預測提供了所需的數據，但在龐大的數據集成時，有可能引入不良數據的干擾，并且復雜的通信網絡（數據傳輸環節）也提高了數據的出錯風險[5]。因而，智能電網的短期負荷預測中數據的預處理不可或缺。
針對智能電網短期電力負荷預測的異常數據較多、智能性較強和自適應要求較高的特點，本文通過下面三個途徑進行實現：（1）采用自動的不良數據辨識方法，采用統計學的數學方法來剔除噪聲數據；（2）通過算法的比較，對人工智能算法進行仿真比較，得到較優的短期電力負荷的支持向量機預測基本模型；（3）對比優化算法，采用進化算法完成人工智能模型的參數的尋優，形成算法的組合，提高模型的精度和自適應性。
2 數據處理
輸入數據的處理為預測模型提供了干凈、準確的數據，減少預測算法的處理量，提高預測效率和預測精度。本文按照以下步驟完成數據預處理：
步驟1：從數據庫中讀取短期電力負荷表；
步驟2：缺失值的處理。檢查待識別日的負荷數據數值是否為空值，若為空值，則定義缺失值為：
（1）
其中 表示第 天時刻的負荷值， 為相應的權值，且 ，本文分別取 ；
步驟3：垂直方向異常數據識別。計算出8個同一季度、同一周期日型同一時刻點 的歷史負荷的均值 和方差
：
（2）
（3）
然后計算出每天 時刻數據的偏離率：
（4）
最后確定偏離率大于閾值的點為異常點。
步驟4：垂直處理。相鄰的周期類型一致的負荷數據的加權均值取代噪聲數據：
（5）
步驟：5：水平方向異常數據識別。將一天96點數據依次排列，按式（6）求出第一個序列 ：
（6）
然后按式（7）求出新一組序列：
（7）
從而形成負荷的估計序列為：
（8）
接著計算 對 的偏離率 ：
（9）
最后確定偏離率大于閾值的點為異常點。
步驟6：水平處理。利用估計序列的負荷值代替異常數據：
（10）
步驟7：歸一化處理，部分數據顯示見表1；
步驟8：重建數據表，將處理后的負荷數據與其它所需輸入屬性放入其中；
步驟9：為保證訓練數據的統一性，將數據表擴充，得到輸入數據，以一組為例如表2。
3 人工智能預測算法
隨著智能電網的研究，電力系統規模日益增大，電力系統變化也越來越復雜。人工智能方法以計算機技術為基礎，具有很好的智能性。它不僅能夠實現非線性曲線的高度擬合，而且可以體現出許多不確定因素的影響，這就保證了該方法對不確定變化的適應性[6]。目前應用最為廣泛和成熟的方法是人工神經網絡[7]（artificial neural network，ANN）和支持向量機[8]（support vector machine，SVM）。鑒于人工智能算法的特點，本文以人工智能算法建立預測的基礎模型。
人工智能算法建立預測模型的過程類似于機器學習的過程。以訓練樣本為人工智能模型的輸入，利用人工智能技術的學習算法實現模型參數的確定，由此得到人工智能預測模型，如圖1所示。
采用人工智能進行短期負荷預測的算法為：
步驟1：確定訓練樣本集；
步驟2：設定預測算法的初始參數值；
步驟3：利用預測算法中的訓練過程訓練預測算法的模型參數；
步驟4：輸入測試樣本，得到預測輸出值。
4 進化算法
人工智能算法初始參數采用固定值難以收斂到全局最小且易受人為因素影響，所以單一的人工智能方法高度自適應智能電網環境。
進化算法EA（evolutionary algorithms）與傳統的優化算法相比，是高魯棒性和廣泛適用性的全局優化方法。算法具有自組織、自適應、自學習的特性，能夠不受問題性質的限制，有效地處理傳統優化算法難以解決的復雜問題。常見的進化算法有遺傳算法[9]（GA）和粒子群算法[10]（PSO）。近年來云進化算法[11]（cloud based evolutionary algorithm，CBEA）稱為進化算法中的熱點。本文以這三種算法分別優化比較。圖2為進化算法的算法流程。
采用進化算法進行參數優化的步驟為：
步驟1：確定進化算法的所需的初始參數值；
步驟2：隨機的產生初始進化群；
步驟3：將初始進化個體代入待優化的模型中，采用交叉驗證誤差的方式評價進化個體的適應度；
步驟4：按照進化算法規則產生子代的進化群；
步驟5：最優進化個體代入模型得到最優模型；
步驟6：將測試樣本輸入代入最優模型，求出待測點輸出；
步驟7： ；返回步驟1，滾動預測出 ；
步驟8：輸出所有預測值。
5 模型的建立及仿真
智能電網的短期電力負荷預測模型首先由人工智能算法建立出基礎的預測模型，以歷史負荷和上一輪預測負荷與實際負荷的誤差，求出初始預測負荷 ，然后以 與 的交叉驗證誤差的的函數作為進化算法的適應度，根據適應度的大小選擇最優的模型參數 和 ，代入人工智能算法得出最優的預測模型，由此預測出未來負荷。該預測模型的結構框圖見圖3。
本文通過實驗仿真LSSVR、BP神經網絡和RBF神經網絡的短期電力負荷預測模型，并對預測結果進行比較以選擇出最適于智能電網的預測算法。其仿真結果如圖4所示。
Fig.4 Prediction results based on 3 kinds algorithms of AI
比較圖4，可以看出LSSVR比BP神經網絡和RBF神經網絡的預測曲線更貼近實際值。
本文將三種算法預測一個點的時間統計為表3，由此分辨模型的實時性。
由表3可知，由于LSSVR算法的參數較少，所以LSSVR的時效性遠遠高于BP神經網絡和RBF神經網絡。另外因為本文在BP神經網絡中多加了一個隱含層，相對的隱層單元數也增加了，使得時效性最差。
接著本文將BP神經網絡、RBF神經網絡和LSSVR的預測結果進行統計，得到表4。通過表4評價模型的預測精度。
分析表4， LSSVR的預測結果的合格點百分比分別高于BP神經網絡和RBF神經網絡9.85%和19.13%，所以LSSVR對該系統進行負荷預測時，高度相符的數據最多，誤差的平均值就最?。欢鳯SSVR在MSE上則比BP神經網絡和RBF神經網絡分別低0.0769和0.1434，表明了預測誤差波動較小，顯示了預測模型LSSVR較高的精度；另外，從準確率上看，LSSVR比BP神經網絡和RBF神經網絡分別高7.69%和14.34%，同樣說明了LSSVR預測的精度最高。綜上，采用LSSVR進行短期負荷預測的效果最好。
接著以LSSVR為基礎模型，采用CBEA、GA和PSO實現模型參數的優化，得到CBEA_LSSVR、GA_LSSVR和PSO_LSSVR組合預測模型。其預測結果圖如圖5所示。
觀察圖5表明CBEA_LSSVR的預測結果曲線比GA_LSSVR和PSO_LSSVR的預測結果曲線更能代表實際負荷曲線，預測效果最好。
觀察表5，CBEA_LSSVR與PSO_LSSVR的預測時間相差無幾，但是比GA_LSSVR的預測時間稍短，時效性稍高。這是因為CBEA_LSSVR的算法采用實數編碼，并減少了遺傳和變異的操作。
分析表6，CBEA_LSSVR預測模型的預測結果在合格點百分比、MSE和準確率三個方面比GA_LSSVR和PSO_LSSVR預測模型的預測結果分別提高了2.6%和4.89%、-0052和-0.01534、0.53%和0.54%，由此可知CBEA_LSSVR短期電力負荷預測模型比GA_LSSVR和PSO_LSSVR短期電力負荷預測模型的預測精度高。另外，多次實驗發現CBEA_LSSVR預測曲線幾乎沒有變化，魯棒性高。
6 總結
本文首先采用人工智能算法預測短期負荷，從精度和時效性兩方面選擇最優的基礎模型；然后通過CBEA_LSSVR與GA_LSSVR及PSO_LSSVR預測模型進行對比，發現CBEA_LSSVR具有更快的收斂速度、更好的魯棒性和更高的預測精度，是智能電網的短期電力負荷預測的首選。
參考文獻：
[1] 牛東曉， 曹樹華， 盧建昌， 等. 電力負荷預測技術及其應用[M]. 北京：中國電力出版社， 2009： 1-9.
[2] 余貽鑫， 欒文鵬. 智能電網[J]. 電網與清潔能源， 2009，25（1）： 7-11.
[3] 龔靜. 配電網綜合自動化技術[M]. 北京：機械工業出版社， 2008： 1-40.
[4] 張煒桀. 智能電網環境下的電力負荷預測[D]. 成都： 西南交通大大學， 2011.
[5] 王建軍. 智能電網環境下的自適互動智能負荷預測研究[J]. 陜西電力， 2010，38（5）： 11-15.
[6] Thessalonike， Constantine D. Spyropoulos. Methods and Applications of Artificial Intelligence[C]. Greece， Ai， Hellenic Conference， 2002
[7] Niu Dongxiao， Xing Mian， Meng Ming. Research on ANN Power Load Forecasting Based on United Data Mining Technology[J]. Transactions of China Electrotechnical society， 2004， 19（9）： 62-68.
[8] Long Wen， Xu Songjin. Short-term Load Forecasting Based on LSSVM with Mutative Scale Chaos Optimization Parameters [J]. Water Resources and Power， 2011， 29（11）： 186-188， 76.
[9] 牛東曉， 劉達， 陳廣娟， 等. 基于遺傳優化的支持向量機小時負荷滾動預測[J]. 電工技術學報， 2007， 22（6）：148-153.
[10] Ning Lu， Jianzhong Zhou， Yaoyao He， et.al. Particle Swarm Optimization for Parameter Optimization of Support Vector Machine Model[C]. The Second International Conference on intelligent Computation Technology and Automation， 2009， 283-286.
[11] Gao Ying. An optimization algorithm based on cloud model[C]//2009 International Conference on Computational Intelligence and Security， IEEE computer society， 2009： 84-87.
基金項目：
安徽工業大學研究生創新研究基金（項目編號2011029）。
作者簡介：
神經網絡在人工智能的應用范文5
關鍵詞：繼電保護；人工智能技術；應用；解析
中圖分類號： TM58 文獻標識碼： A 文章編號：
人工智能技術是通過模擬人類分析問題的思維模式，采用智能手段處理問題的技術。這種技術在實際應用中，能夠有助于人們處理一些較為復雜的、并且難以通過數學模型進行求解的問題，提高問題的處理效率。在電力系統中，采用人工智能技術對系統中存在的故障進行檢測和處理，為電力系統繼電保護工作的研究與發展提供了新方法。
一、繼電保護中的人工智能技術
（一）專家系統
專家系統也簡稱為ES系統，它是發展最早的、起到繼電保護作用的智能系統。同時，它也是在人工智能系統中應用最廣泛、研究最深入的課題之一，這項智能系統與整個知識工程的研究是緊密相連的。專家系統的構造，主要涉及了它對知識的表達形式、知識的運用、知識的處理等方面的研究方法以及理論知識。這個系統不單單結合理論知識來解決一些定性的問題，同時，還通過一種啟發式的知識，例如，專家經驗等解決問題。這樣一來，通過這一系統的使用，就可以在解決問題時縮小知識的搜索的范圍，進而提高解決問題的效率。除此之外，專家系統當中的解釋模塊，可以對一些在推理過程中使用到的知識、推理過程、推理結論進行進一步的解釋說明。
在電力系統中的繼電保護專家系統當中，通常所使用的表達知識的方式主要有以下幾種：生產模式下的規則表示方法、框架模式下的表示方法、過程模式下的知識表示方法、面向對象的表示方法、知識模型的表示方法。其中，面向對象的表示方法和知識模型的表示方法是在智能技術、語言技術以及計算機技術發展的基礎上形成的。專家系統在繼電保護的管理以及整定工作當中得到了廣泛的使用。一旦電力系統的運行模式發生改變、引進新的設備或者設備進行檢修，面對這些現象，專家系統的定值以及相應的保護配置都會發生改變。另外，專家系統還可以依據其自身的運行規程、電網結構以及專家經驗等功能，來對協助系統的應用人員做出保護對策。在人工智能系統中的專家系統雖然可以模擬專家來對繼電保護工作做出相應的決策，但是，這種智能系統在實際使用的過程中還存在一些不足之處。例如，該系統在建立知識庫以及維護知識庫的方面還不是很完善，并且容錯能力差，特別是在對一些難度較大、復雜程度較高的故障進行推理時，系統的反應速度較慢。以上種種不足，都會在一定程度上影響專家系統對繼電保護的精準程度。
（二）人工智能系統中的模糊理論
模糊理論簡稱為FST理論，這個理論通過模糊隸屬度這一概念來表述一些不確定、不精準的現象和事件。同時，在模糊理論當中引進了近似推理以及語言變量等模糊邏輯，通過這樣的形式，來表達一些經驗知識。通過對這一理論多年的探索和研究，如今，它終于成為能夠具備一套完整推理體系的繼電保護智能技術，并且被廣泛的運用到電力系統當中。人們在對一件事物進行了解和認識時，過程往往都是在一定層面上來對失誤進行辨別和劃分，在這期間，并不需要精準的、復雜的計算。然而，模糊理論在解決問題時正是采用了模糊模式，為事物的識別工作提供了便捷、有效的途徑。在整個電力系統當中，會存在很多電氣量，通過微機保護能夠在這方面對人類辨別失誤的能力進行模仿，并且可以區分和辨別不同對象的特征，最后，利用智能化系統來實現對事物更高的辨別性能。
在進行電力系統中的繼電保護工作時，智能模糊理論已經被廣泛的應用，并且在一些領域上有了更新的進展。例如，發動機的保護工作、主變保護以及線路保護等等。但是，在模糊理論的應用過程中也會存在一些問題，例如，它在針對復雜的系統進行模辨識、建立、修改，以及對隸屬度方面的獲取都還沒有得到進一步的完善。因此，這個系統在實際應用中并不具備一定的學習能力，自然，在使用的過程中會受到一些條件的制約，進而導致其功能不能很好的發揮出來。
（三）人工神經網絡
人工神經網絡這一系統的工作原理是最大限度上模擬人類的認知過程和人腦內部的組織結構，通過這樣的形式來對相關信息進行處理。人工神經網路系統自身具備很多優勢，例如，它具備聯想記憶功能、適應能力強，可以進行并行分布處理等等。因此，這項系統憑借自身的優勢在繼電保護工作中得到了重視，并且廣泛應用。在使用人工神經網絡對電力系統中的故障進行檢查時，它的診斷方法會與專家系統存在一定的差異性。人工神經系統更加注重于通過對標準樣本的訓練與學習，進而對系統內部的閾值和連接權進行調整，這樣一來，就可以讓知識分布在網絡上，形成人工神經網絡的記憶模式。由此可見，人工神經網絡系統在獲取知識方面的能力十分強大，同時，它能夠有效的對含噪聲的數據進行處理，這在一定程度上彌補了專家系統在對故障檢測時存在的不足。人工神經網由于本身屬于非線性的反射，所以，它可以通過這一方法來解決一些較為復雜的、并且難以求解的非線性問題，這也是它能夠在繼電保護工作中得到廣泛應用的原因之一。最近幾年以來，在電力系統的繼電保護方面漸漸出現通過利用人工神經網絡系統來對故障的距離、類型進行判斷，進而有針對性的保護電力設備。
通過使用神經網絡系統來完成繼電保護工作，這不僅可以對故障進行準確的判斷，同時，也提高了解決電力系統中電力故障問題的效率。但是，這種方法在性能上也存在一些不足，例如，對于一些具有啟發性的知識在處理上還不是很擅長、性能的發揮主要依靠樣本的完備程度決定等等。
二、人工智能技術在繼電保護中的應用
對于每一種人工智能技術來說，在對其進行控制和應用的過程中都會存在一定的局限性，并且由于這個局限性而導致在處理電力系統當中的一些復雜問題時，技術不能充分的發揮出它的功能，達不到預期的效果。怎樣把每一種人工智能技術在解決問題時的優勢結合起來，最終形成一個具有強大功能的綜合性人工智能控制技術，那將會在很大程度上提高處理電力系統當中故障的能力。因此，我們在人工智能技術的實際應用當中，要盡量規避每個系統當中的不足，綜合利用人工神經網絡、專家系統、模糊理論的優勢，更好的完成電力系統保護工作。在實際應用中，可以結合人工神經網絡系統和專家系統，對變電站進行分層分布的故障診斷；可以結合神經網絡和模糊理論，依據經過改良之后的IEC三比值法，以此建立可以為電力系統中的變壓器進行故障診斷的模糊神經網絡模型。通過這個模型能夠有效的對系統中一些不固定的故障因素進行處理，并且它具備了較強的獲取知識的能力。從人類思維的發展模式角度來看，將各種人工智能技術進行融合，分析影響人工智能診斷準確率的因素，進而提高檢測故障的準確率。
總結：
綜上所述，針對目前現有的人工智能技術進行重新整合，讓它們可以充分的發揮出自身的優勢，揚長避短。深入的分析人工智能技術的理論知識和應用方法，研究完善繼電保護的手段，提高人工智能技術對故障的處理能力，確保電力系統能夠健康、穩定運行。
參考文獻：
[1]張沛超，胡炎，郁惟鏞.繼電保護專家系統中知識的面向對象表示法[J].繼電器，2010（09）.
[2]王威，郁惟鏞，張沛超.面向對象的繼電保護整定計算專家系統的研究[J].電力系統及其自動化學報，2010（02）.
神經網絡在人工智能的應用范文6
關鍵字：機械電子工程 人工智能信息處理
中圖分類號： P756.6 文獻標識碼： A 文章編號：
傳統的機械工程一般分為兩大類，包括動力和制造。制造類工程包括機械加工、毛坯制造和裝配等生產工程，而動力類工程包括各式發電機。電子工程與傳統的機械工程相比而言，是比較新的學科，電子工程是傳統工程的革新，兩者于上世紀逐漸結合在一起。隨著人工智能技術的不斷發展 ，機械電子工程的能量連接、動能連接逐步發展為信息連接 ，使得機械電子工程具有了一定的人工智能。這種高效的智能化技術減少了繁重的機械生產，提高產量和經濟效益，使我們市場進入智能化。
一、傳統機械電子工程
1、機械電子工程的發展情況
機械電子工程是由機械工程與電子工程、信息技術、智能技術、管理技術相結合而成的新的理論體系和發展領域。隨著科學技術的不斷發展機械電子工程也變得日益復雜。
機械電子工程的發展可以分為三個階段 ：第一階段是以手工加工為主要生產力的萌芽階段 ，這一時期生產力低下 ，人力資源的匱乏嚴重制約了生產力的發展 ，科學家們不得不窮極思變 ，引導了機械工業的發展。第二階段則是以流水線生產為標志的標準件生產階段 ，這種生產模式極大程度上提高了生產力 ，大批量的生產開始涌現 ，但是由于對標準件的要求較高 ，導致生產缺乏靈活性 ，不能適應不斷變化的社會需求。第三階段是現在我們常見的現代機械電子產業階段，而以機械電子工程為核心的柔性制造系統正是這一階段的產物。
2、機械電子工程的特點
1）設計上的不同。機械電子工程并非是一門獨立學科 ，而是一種包含有各類學科精華的綜合性學科。在設計時 ，以機械工程、電子工程和計算機技術為核心的機械電子工程會依據系統配置和目標的不同結合其他技術。工程師在設計時將利用自頂向下的策略使得各模塊緊密結合 ，以完成設計 ；
2）產品特征不同。機械電子產品的結構相對簡單 ，沒有過多的運動部件或元件。它的內部結構極為復雜 ，但卻縮小了物理體積 ，拋棄了傳統的笨重型機械面貌 ，但卻提高了產品性能。
二、 人工智能
1、 人工智能的概念分析
人工智能是一門綜合了控制論、信息論、計算機科學、神經生理學、心理學、語言學、哲學等多門學科的交叉學科 ，是 21 世紀最偉大的三大學科之一。 但是至今為止，人工智能沒有一個統一的定義。筆者認為 ，人工智能是研究通過計算機延伸、擴展、模擬人的智能的一門科學技術。
2、 人工智能的發展史
1）人工智能的初期階段
17 世紀的法國科學家 B.Pascal 發明了世界上第一部能進行機械加法的計算器轟動世界 ，從此之后 ，世界各國的科學家們開始熱衷于完善這一計算器 ，直到馮諾依曼發明第一臺計算機。人工智能在這一時期發展緩慢 ，但是卻積累了豐富的實踐經驗 ，為下一階段的發展奠定了堅實的基礎。
2）第一個成長階段
在 1956 年舉辦的“侃談會”上 ，美國人第一次使用了“人工智能”這一術語。這一階段的人工智能主要以翻譯、證明、博弈等為主要研究任務 ， LISP 語言就是這一階段的佼佼者。人工智能在這一階段的飛速發展使人們相信只要通過科學研究就可以總結人類的邏輯思維方式并創造一個萬能的機器進行模仿。
3）比較困難的階段
60 年代中至 70 年代初期 ，當人們深入研究人工智能的工作機理后卻發現 ，用機器模仿人類的思維是一件非常困難的事 ，許多科學發現并未逃離出簡單映射的方法 ，更無邏輯思維可言。但是 整理，仍有許多科學家前赴后繼的進行著科學創新 ，在自然語言理解、計算機視覺、機器人、專家系統等方面取得了卓爾有效的成就。1972 年 ，法國科學家發現了 Prolog 語言 ，成為繼 LISP 語言之后的最主要的人工智能語言。
4）中期平穩階段
以 1977 年第五屆國際人工智能聯合會議為轉折點 ，人工智能進入到以知識為基礎的發展階段 ，知識工程很快滲透于人工智能的各個領域 ，并促使人工智能走向實際應用。不久以后，人工智能在商業化道路上取得了卓越的成就，展示出了頑強的生命力與廣闊的前景。在不確定推理、分布式人工智能、常識性知識表示方式等關鍵性技術問題和專家系統、計算機視覺、自然語言理解、智能機器人等實際應用問題上取得了長足的發展。
5）平穩成長階段
由于國際互聯網技術的普及 ，人工智能逐漸由單個主體向分布式主體方向發展 ，直到今天 ，人工智能已經演變的復雜而實用 ，可以面向多個智能主體的多個目標進行求解。
最近五十年間 ，網絡的普及給信息傳遞帶來了新的生命 ，人類進入到了信息社會 ，而信息社會的發展離不開人工智能技術的發展。不論是模型的建立與控制 ，還是故障診斷 ，人工智能在機械電子工程當中都起著處理信息的作用。
由于機械電子系統與生俱來的不穩定性 ，描述機械電子系統的輸入與輸出關系就變得困難重重 ，傳統上的描述方法有以下幾種 ：1）推導數學方程的方法 ；2）建設規則庫的方法 ；3）學習并生成知識的方法。傳統的解析數學的方法嚴密、精確 ，但是只能適用于相對簡單的系統。現代社會所需求的系統日益復雜 ，經常會同時處理幾種不同類型的信息。由于人工智能處理信息時的不確定性、復雜性 ，以知識為基礎的人工智能信息處理方式成為解析數學方式的替代手段。
通過人工智能建立的系統一般使用兩類方法 ：神經網絡系統和模糊推理系統。神經網絡系統可以模擬人腦的結構 ，分析數字信號并給出參考數值 ；而模糊推理系統是通過模擬人腦的功能來分析語言信號。兩者在處理輸入輸出的關系上有相同之處也有不同之處：神經網絡系統物理意義不明確 ，而模糊推理系統有明確的物理意義 ；神經網絡系統運用點到點的
映射方式 ，而模糊推理系統運用域到域的映射方式 ；神經網絡系統以分布式的方式儲存信息 ，而模糊推理系統則以規則的方式儲存信息 ；神經網絡系統輸入時由于每個神經元之間都有固定聯系 ，計算量大 ，而模糊推理系統由于連接不固定 ，計算量較小 ；神經網絡系統輸入輸出時精度較高 ，呈光滑曲面 ，而模糊推理系統精度較低 ，呈臺階狀。
隨著社會的不斷發展，單純的一種人工智能方法已經不能滿足日益增長的社會需要，許多科學家開始研究綜合性的人工智能系統。綜合性的人工智能系統采用神經網絡系統與模糊推理系統相結合的方法，取長補短，以獲得更全面的描述方式，模糊神經網絡系統便是一成功范例。模糊神經網絡系統做到了兩者功能的最大融合 ，使信息在網絡各層當中找到一個最適合的完全表達空間。邏輯推理規則能夠對增強節點函數 ，為神經網絡系統提供函數連結 ，使兩者的功能達到最大化。
三、 結論
21世紀的科學技術發展的越來越快，智能化已經大范圍覆蓋了國際市場，不論工業中還是電子商務，都以及成為經濟快速運行的動力。為國家提供高技術的便利，為其注入新的概念，使其更為廣泛的應用。著實做到了作業內外一體化，數據搜集自動化，系統智能化。人工智能與機械電子相結合能夠促進生產力的快速發展，把我國的相關經濟產業鏈帶動了起來。在這新興科技的引領下，我國的經濟將邁向更高的階梯。
參考文獻
[1]傅麗凌.楊平.機械專業綜合型試驗平臺的建設[J].電子科技大學學報社科版，2005，7（增刊）.
[2]陳慶霞.人工智能研究綱領的發展歷程和前景[J].科技信息，2009，33.
[3]史忠植.高整理級人工智能[M].科學出版社，2006.
