導(dǎo)語(yǔ)：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(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：回彈-超聲-拔出綜合法；混凝土；強(qiáng)度；檢測(cè)

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(hào)： TU528 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

1 引言

混凝土的強(qiáng)度可采用無(wú)損檢測(cè)的方法進(jìn)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(xiàng)物理參數(shù)，能較全面地反映構(gòu)成混凝土強(qiáng)度的各種因素，并且還能夠抵消部分影響強(qiáng)度與物理量相關(guān)關(guān)系的因素，因而它比單一物理量的無(wú)損檢測(cè)方法具有更高的準(zhǔn)確性和可靠性[1]。通過試驗(yàn)研究和工程實(shí)踐積累的檢測(cè)數(shù)據(jù)，建立了混凝土強(qiáng)度回彈-超聲-拔出綜合法神經(jīng)網(wǎng)絡(luò)模型。

2 試驗(yàn)設(shè)計(jì)

2.1 試件制作

設(shè)計(jì)C15、C20、C25、C30、C35、C40六個(gè)強(qiáng)度等級(jí)、三個(gè)齡期的混凝土，共制作標(biāo)準(zhǔn)養(yǎng)護(hù)100×100×100mm立方體試件180組用于回彈法、超聲法檢測(cè)，制作標(biāo)準(zhǔn)養(yǎng)護(hù)200×200×200mm立方體試件180組用于拔出法檢測(cè)，同時(shí)制作相同組數(shù)的自然養(yǎng)護(hù)試件。試件均采用機(jī)械攪拌、機(jī)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(shè)計(jì)參數(shù)見表1。

表1 混凝土配合比及設(shè)計(jì)參數(shù)統(tǒng)計(jì)表

3 回彈-超聲-拔出綜合法人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與模型建立

3.1網(wǎng)絡(luò)設(shè)計(jì)與說明

3.1.1輸入和輸出層的設(shè)計(jì)

人工神經(jīng)網(wǎng)絡(luò)的輸入、輸出層數(shù)是完全根據(jù)使用者的要求來設(shè)計(jì)，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(gè)數(shù)的選擇是一個(gè)十分復(fù)雜的問題，目前尚沒有很好的解析表達(dá)式，隱含層單元的個(gè)數(shù)與問題的要求、輸入輸出單元的數(shù)量、訓(xùn)練樣本的數(shù)量等都有直接關(guān)系。當(dāng)隱含層單元的數(shù)量太少時(shí)會(huì)導(dǎo)致網(wǎng)絡(luò)的容錯(cuò)性能降低，即訓(xùn)練不出理想的結(jié)果。但隱含層單元個(gè)數(shù)太多又往往會(huì)造成網(wǎng)絡(luò)的訓(xùn)練時(shí)間過長(zhǎng)，且網(wǎng)絡(luò)的輸出誤差也不一定最小，因此目前主要依靠理論和經(jīng)驗(yàn)確立合適的計(jì)算網(wǎng)絡(luò)[2]。下面公式作為選擇隱含層單元數(shù)的參考：

式中：n1為隱含層單元數(shù)，m為輸出層單元數(shù)，n為輸入層單元數(shù)，a為1-10之間的常數(shù)。

3.1.3初始值的選取

對(duì)于系統(tǒng)是非線性的，初始值對(duì)于學(xué)習(xí)是否達(dá)到局部最小和是否能夠收斂的關(guān)系很大，一個(gè)重要的要求是希望初始權(quán)在輸入累加時(shí)使每個(gè)神經(jīng)元的狀態(tài)接近于零，這樣可以保證開始時(shí)不落到那些平坦區(qū)域上。權(quán)一般取隨機(jī)數(shù)，而且要求比較小，這樣可以保證每個(gè)神經(jīng)元一開始都在它們轉(zhuǎn)換函數(shù)變化最大的地方進(jìn)行[3]。

3.1.4數(shù)據(jù)的歸一化處理

由于輸入數(shù)據(jù)的密集性，數(shù)據(jù)之間的差別太小，如超聲值；同時(shí)由于采集的各數(shù)據(jù)單位不一致，直接將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練會(huì)引起混淆。因此，必須對(duì)輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)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(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，在神經(jīng)網(wǎng)絡(luò)進(jìn)行混凝土強(qiáng)度推測(cè)階段（即仿真階段），需要對(duì)數(shù)據(jù)進(jìn)行反歸一化處理。

3.2網(wǎng)絡(luò)算法改進(jìn)

3.2.1附加沖量(動(dòng)量)法

附加沖量法修正網(wǎng)絡(luò)參數(shù)時(shí)，不僅考慮誤差函數(shù)的梯度下降，而且考慮誤差曲面的變化趨勢(shì)。沒有附加沖量作用時(shí)，網(wǎng)絡(luò)可能陷入局部極小或進(jìn)入誤差曲面平坦區(qū)，而附加沖量則有可能使網(wǎng)絡(luò)跳出局部極小或滑過平坦區(qū)[4]。

3.2.2自適應(yīng)學(xué)習(xí)速率

正確選擇學(xué)習(xí)速率不是一件容易的事情，通常對(duì)訓(xùn)練初期合適的學(xué)習(xí)速率，隨著訓(xùn)練的進(jìn)行會(huì)變得不合適，因?yàn)檎`差曲面是非常復(fù)雜的。為了解決這一問題，設(shè)法讓網(wǎng)絡(luò)具有這樣一種功能，根據(jù)自身的訓(xùn)練情況自動(dòng)調(diào)整學(xué)習(xí)速率，即采用自適應(yīng)學(xué)習(xí)速率[5]。

3.2.3 S型函數(shù)輸出限幅算法

網(wǎng)絡(luò)的連接權(quán)和閥值的調(diào)節(jié)量都與中間層輸出b有關(guān)，當(dāng)bj=0或b=l時(shí)，vji=0或wji=0或θj=0，即當(dāng)bj=0或bj=1時(shí)，不能對(duì)網(wǎng)絡(luò)的權(quán)值和閥值進(jìn)行調(diào)整。

3.3 網(wǎng)絡(luò)訓(xùn)練和模型的建立

混凝土強(qiáng)度回彈-超聲-拔出綜合法神經(jīng)

網(wǎng)絡(luò)訓(xùn)練如圖1示。經(jīng)過訓(xùn)練，網(wǎng)絡(luò)模型如

圖2所示。

建立的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)為Trainlm。

輸入層數(shù)是3，即回彈值、超聲值、拔出力；

輸出層數(shù)是1，即混凝土立方體抗壓強(qiáng)度。

隱含層是1層，單元數(shù)是5。初始學(xué)習(xí)速率

0.05，沖量系數(shù)0.9，允許學(xué)習(xí)次數(shù)3000，

學(xué)習(xí)樣本數(shù)168，計(jì)算樣本數(shù)15，初始權(quán)值和閾值為[-0.01，0.01]區(qū)間的隨機(jī)數(shù)，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(wǎng)絡(luò)檢測(cè)樣本見表2所示。

4 人工神經(jīng)網(wǎng)絡(luò)與回歸算法推測(cè)混凝土強(qiáng)度對(duì)比

4.1回歸模型選擇

根據(jù)試驗(yàn)數(shù)據(jù)情況擬選三種回歸公式，通過回歸指標(biāo)綜合評(píng)價(jià)這三種回歸公式，然后選取既能反映混凝土實(shí)際工作狀況又較為簡(jiǎn)單的回歸公式作為綜合法的測(cè)強(qiáng)公式 。

擬選用以下幾種回歸公式模型[6，7]：

冪函數(shù)方程 ：

線性方程：

指數(shù)方程：

式中；—混凝土強(qiáng)度計(jì)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(shù)

4.2 綜合法檢測(cè)回歸公式及試驗(yàn)結(jié)果分析

本次試驗(yàn)通過對(duì)576組150×150×150mm試塊和90根750×200×200mm小梁180組進(jìn)行拔出、回彈、超聲檢測(cè)。對(duì)試驗(yàn)數(shù)據(jù)利用Matlab進(jìn)行回歸分析，得到如下回歸方程和相應(yīng)的回歸指標(biāo)，見表3。

表3幾種回歸方程比較

篇2

【關(guān)鍵詞】互聯(lián)網(wǎng)信息時(shí)代 人工智能 應(yīng)用研究

當(dāng)前，世界已全面進(jìn)入以大數(shù)據(jù)共享、信息爆炸為特點(diǎn)的互聯(lián)網(wǎng)信息時(shí)代。富有智能化和人性化的計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)服務(wù)成為了人們青睞和關(guān)注的焦點(diǎn)。人工智能作為互聯(lián)網(wǎng)信息時(shí)代凝聚高端技術(shù)的超值網(wǎng)絡(luò)服務(wù)，在增強(qiáng)互聯(lián)網(wǎng)安全性、提高網(wǎng)絡(luò)操作自動(dòng)化等方面意義重大。現(xiàn)階段，已有更多行業(yè)領(lǐng)域的用戶在應(yīng)用人工智能，體驗(yàn)這一技術(shù)所帶來的新生活。

1 人工智能簡(jiǎn)述

人工智能，即Artificial Intelligence，是現(xiàn)代社會(huì)特有的綜合類前沿學(xué)科，交叉云集了計(jì)算機(jī)、網(wǎng)絡(luò)技術(shù)、控制方法論、信息論、神經(jīng)生物學(xué)、語(yǔ)言學(xué)等多學(xué)科知識(shí)，主要用來研究機(jī)器在思考、學(xué)習(xí)、規(guī)劃等行為的擬人態(tài)進(jìn)化，使之解決問題的能力大幅提升。人工智能發(fā)展至今已有超過60載歲月，其成就在整個(gè)歷程中熠熠生輝，代表著人類文明的不斷發(fā)展與超越。人工智能經(jīng)歷了三個(gè)階段的發(fā)展變革：第一階段是以人工智能驅(qū)動(dòng)機(jī)器設(shè)備，代替或輔助人類思考并解答難題；第二階段是研發(fā)智能機(jī)器人，處理不同系統(tǒng)及環(huán)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(shù)據(jù)挖掘系統(tǒng)，可實(shí)現(xiàn)海量模糊信息采集與分析，可視化技術(shù)發(fā)展迅猛，計(jì)算機(jī)具有自主學(xué)習(xí)能力。

2 人工智能的應(yīng)用領(lǐng)域代表成就

任何一項(xiàng)技術(shù)的創(chuàng)新與發(fā)展，都源于人類開展生產(chǎn)生活的實(shí)際需求，人工智能技術(shù)的研究也不例外，發(fā)展至今已經(jīng)為解決不同領(lǐng)域的實(shí)際需求提供了眾多技術(shù)應(yīng)用。目前，人工智能在下列應(yīng)用領(lǐng)域中取得了代表性成就：

2.1 專家系統(tǒng)

專家系統(tǒng)，其實(shí)是由龐大的程序組編寫完成的數(shù)據(jù)系統(tǒng)，廣泛積累不同專業(yè)的知識(shí)經(jīng)驗(yàn)，這些知識(shí)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(lǐng)域?qū)＜业墓逃兄R(shí)進(jìn)行推理解決問題。專家系統(tǒng)可系統(tǒng)化分析輸入信息并結(jié)合已有知識(shí)體系進(jìn)行全面推理，提出建O性的決策建議，相當(dāng)于發(fā)揮行業(yè)專家的作用。

2.2 數(shù)據(jù)庫(kù)智能檢索

人工智能想要做到全面模擬人類思維和動(dòng)作，需要建設(shè)強(qiáng)大的數(shù)據(jù)庫(kù)資源，便于及時(shí)開展智能檢索。數(shù)據(jù)庫(kù)基于計(jì)算機(jī)軟件開展，存儲(chǔ)了海量專業(yè)學(xué)科知識(shí)，也稱之為知識(shí)庫(kù)系統(tǒng)，一旦有用戶需要查閱解決該學(xué)科的專業(yè)問題，都可通過智能檢索功能實(shí)現(xiàn)快速精準(zhǔn)地檢索。

2.3 程序自動(dòng)設(shè)計(jì)

自動(dòng)化的程序設(shè)計(jì)就是借助更高規(guī)格高標(biāo)準(zhǔn)的程序設(shè)計(jì)系統(tǒng)來完成指定功能的程序設(shè)計(jì)，該系統(tǒng)需要用戶輸入所設(shè)計(jì)程序的需求目標(biāo)，并對(duì)整個(gè)流程和架構(gòu)有更為高級(jí)的描述，系統(tǒng)就能自動(dòng)組織對(duì)應(yīng)程序完成設(shè)計(jì)。高度自動(dòng)化的程序設(shè)計(jì)編寫方式，也展現(xiàn)了人工智能系統(tǒng)的思考、學(xué)習(xí)、修正自身缺陷的擬人態(tài)功能。

2.4 目標(biāo)模式識(shí)別

模式識(shí)別，顧名思義正是為識(shí)別不同物體的特征是否匹配目標(biāo)對(duì)象而具備的功能?，F(xiàn)代計(jì)算機(jī)加強(qiáng)了模式識(shí)別系統(tǒng)功能，能夠提高機(jī)器對(duì)外界信息的感知能力，不斷接受外界信息，對(duì)所處環(huán)境的特征進(jìn)行識(shí)別，加強(qiáng)概念理解。當(dāng)前，目標(biāo)模式識(shí)別已由二維向三維層面升級(jí)，為研究智能機(jī)器人提供了堅(jiān)實(shí)的基礎(chǔ)。

當(dāng)然，人工智能的應(yīng)用領(lǐng)域遠(yuǎn)不止上述這些，還在機(jī)器學(xué)習(xí)、機(jī)器視覺圖像處理（machine vision）、自然語(yǔ)言理解（Natural Language Understanding）、自然信息博弈論等方面發(fā)揮著重要的作用。

3 不同行業(yè)的人工智能技術(shù)應(yīng)用實(shí)例

目前，眾多企業(yè)為求發(fā)展，與內(nèi)部運(yùn)營(yíng)管理中加強(qiáng)了人工智能的應(yīng)用，聚力解決各項(xiàng)問題，為企業(yè)贏得了經(jīng)濟(jì)效益，推動(dòng)著社會(huì)發(fā)展。

3.1 企業(yè)管理應(yīng)用

將人工智能應(yīng)用于企業(yè)管理中，需要人的智能和人工智能之間的辯證關(guān)系，靈活運(yùn)用工智能應(yīng)用平臺(tái)加強(qiáng)對(duì)企業(yè)內(nèi)部各項(xiàng)管理智能軟件的開發(fā)工作，借助靈活的人工智能技術(shù)幫助企業(yè)實(shí)施科學(xué)決策。

3.2 水利管理應(yīng)用

人工智能能夠在水情控制與洪災(zāi)預(yù)報(bào)中發(fā)揮作用。如可使用人工神經(jīng)網(wǎng)絡(luò)和遺傳算法等技術(shù)，模擬汛期的最大洪峰與洪水總量，研究更有針對(duì)性的抗洪模型，提高了洪災(zāi)預(yù)報(bào)精度和汛期準(zhǔn)度，有效發(fā)揮防洪降災(zāi)、攔洪儲(chǔ)水的重要作用。同時(shí)，人工智能還能夠分析大江大河的復(fù)雜地質(zhì)與環(huán)境系統(tǒng)，對(duì)治理河流起到良好的輔助作用。

3.3 建筑行業(yè)應(yīng)用

目前，建筑行業(yè)的用地規(guī)劃、給排水工程、暖通空調(diào)工程、施工管理等內(nèi)容都在應(yīng)用人工智能。已有企業(yè)基于神經(jīng)網(wǎng)絡(luò)算法發(fā)明了結(jié)構(gòu)節(jié)點(diǎn)探傷法，可查探建筑結(jié)構(gòu)損傷度；也可在市政工程建設(shè)中不斷強(qiáng)化正反向混合推理的理論思想，查明城市污水處理管網(wǎng)故障；可構(gòu)建用于分析建筑工程性能效益的系統(tǒng)，加強(qiáng)建設(shè)項(xiàng)目性能效益預(yù)測(cè)和實(shí)際效益分析。

3.4 機(jī)械行業(yè)應(yīng)用

人工智能同樣成為互聯(lián)網(wǎng)時(shí)代下的機(jī)械行業(yè)技術(shù)中的重頭戲。如：人們利用人工神經(jīng)網(wǎng)絡(luò)算法，設(shè)計(jì)出土方工程的機(jī)械調(diào)度的優(yōu)化方案；多個(gè)工程都可搭建含多目標(biāo)的尋優(yōu)函數(shù)模型。許多大型機(jī)械裝置，都配置了人工智能操作平臺(tái)，可提高安全風(fēng)險(xiǎn)監(jiān)控水平，增強(qiáng)機(jī)械操作自動(dòng)化，進(jìn)一步優(yōu)化生產(chǎn)效率。

3.5 商品銷售預(yù)測(cè)應(yīng)用

人工智能的各種函數(shù)模型或優(yōu)化算法，可在商品銷售金額的預(yù)測(cè)中發(fā)揮巨大作用。如：在計(jì)算機(jī)中輸入不同商品某一時(shí)間段的銷售額，形成非線性系統(tǒng)進(jìn)行分析，評(píng)估各種影響因素。采用人工神經(jīng)網(wǎng)絡(luò)，不斷放大自分布處理、自組織學(xué)習(xí)、自適應(yīng)與自容錯(cuò)等特性，體現(xiàn)強(qiáng)大的預(yù)測(cè)功能。

當(dāng)然，人工智能還廣泛應(yīng)用到電子網(wǎng)絡(luò)技術(shù)應(yīng)用、企業(yè)財(cái)務(wù)管理、航班信息查詢、教學(xué)服務(wù)、心理咨詢公路建設(shè)、焊接制造、等眾多方面，為更多企業(yè)帶來可觀的經(jīng)濟(jì)效益。

4 結(jié)束語(yǔ)

互聯(lián)網(wǎng)信息時(shí)代的人工智能應(yīng)用，將會(huì)隨著科技力量的不斷壯大而實(shí)現(xiàn)更多的應(yīng)用。人們應(yīng)該高度重視人工智能理論與技術(shù)的探究，從而更好地為全人類服務(wù)。

參考文獻(xiàn)

[1]何承.計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)中人工智能的應(yīng)用探討[J].信息通信，2016（03）：180-181.

[2]韓曄彤.人工智能技術(shù)發(fā)展及應(yīng)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(yīng)用[J].信息與電腦，2016（05）：115-117.

作者簡(jiǎn)介

李君，男，江西省上饒市人。上海財(cái)經(jīng)大學(xué)浙江學(xué)院，主要從事教學(xué)軟件管理類工作。

篇3

關(guān)鍵詞：人工智能；異化；規(guī)范；生態(tài)文明觀

中圖分類號(hào)：TP18

文獻(xiàn)標(biāo)識(shí)碼：A

一、人工智能技術(shù)的發(fā)展及其影響

人工智能技術(shù)研究開始于20世紀(jì)50年代中期，距今僅有60年的發(fā)展歷程，但是其迅猛的發(fā)展速度，廣泛的研究領(lǐng)域以及對(duì)人類產(chǎn)生的深遠(yuǎn)影響等令人驚嘆。調(diào)查顯示，77.45%的人認(rèn)為現(xiàn)實(shí)生活中人工智能技術(shù)的影響較大，并且86.27%的人認(rèn)為人工智能技術(shù)的發(fā)展對(duì)人類的影響利大于弊；認(rèn)為人工智能技術(shù)對(duì)人類生活影響很小且弊大于利的人權(quán)占很小一部分。人工智能技術(shù)的發(fā)展和應(yīng)用直接關(guān)系到人類社會(huì)生活，并且發(fā)揮著重要的作用。人工智能技術(shù)的發(fā)展方向和領(lǐng)域等由人類掌控著，所以人類應(yīng)該盡可能地把人工智能技術(shù)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(guó)棋手李世h對(duì)弈，最終比分4∶1，人類慘敗。4月份，中國(guó)科學(xué)技術(shù)大學(xué)正式了一款名為“佳佳”的機(jī)器人，據(jù)了解，機(jī)器人“佳佳”初步具備了人機(jī)對(duì)話理解、面部微表情、口型及軀體動(dòng)作匹配、大范圍動(dòng)態(tài)環(huán)境自主定位導(dǎo)航和云服務(wù)等功能。而在這次正式亮相之前，“佳佳”就擔(dān)綱主持了2016“首屆全球華人機(jī)器人春晚”和“誰(shuí)是棋王”半Q賽。人工智能技術(shù)確實(shí)給人類帶來了諸多的便利，給人類生產(chǎn)生活帶來便利；但是，人工智能技術(shù)的快速發(fā)展超乎人類的預(yù)測(cè)，引起了人類的恐慌和擔(dān)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(xué)技術(shù)是一把雙刃劍，當(dāng)人類醉心于科學(xué)技術(shù)所帶來的福利中時(shí)，更應(yīng)當(dāng)注意其帶來的負(fù)面作用。人類發(fā)明和創(chuàng)造科學(xué)技術(shù)最終是為了造福人類，而非受到科技的異化。

隨著科技的發(fā)展，人工智能技術(shù)越來越成熟，在此整體趨勢(shì)之下，不同的人群對(duì)人工智能技術(shù)的不斷成熟與應(yīng)用有著不同的看法。調(diào)查結(jié)果顯示，在關(guān)于機(jī)器人會(huì)不會(huì)擁有人類的思維甚至超過人類的問題方面，27.45%的人認(rèn)為機(jī)器人會(huì)擁有人類的思維和超過人類；而56.86%的人認(rèn)為機(jī)器人不會(huì)擁有人類的思維和超過人類，小部分人對(duì)此不是很清楚。由于受到人工智能技術(shù)迅猛發(fā)展的沖擊，如機(jī)器人保姆、AlphaGo圍棋等智能產(chǎn)品對(duì)人類發(fā)展帶來的威脅，一部分人仍然對(duì)人工智能技術(shù)的發(fā)展擔(dān)憂甚至認(rèn)為終有一天機(jī)器人將代替人類、征服人類、控制人類。但是，大部分的人在機(jī)器人是否能夠超過人類方面，保持樂觀積極的態(tài)度，認(rèn)為機(jī)器人永遠(yuǎn)不會(huì)擁有人類的思維并且超越人類，因?yàn)槿祟愂羌夹g(shù)的主導(dǎo)者，人類掌握著技術(shù)的發(fā)展方向，技術(shù)終究是為了人類服務(wù)。這一看法肯定了人類的無(wú)止境的創(chuàng)新，然而，在人類醉心于技術(shù)創(chuàng)新的同時(shí)，應(yīng)意識(shí)到某些創(chuàng)新確實(shí)超出了人類的預(yù)料，如AlphaGo與李世h圍棋人機(jī)大戰(zhàn)就是人類在技術(shù)面前失敗的慘痛教訓(xùn)。因此，面對(duì)科技對(duì)人類的異化，人類要時(shí)刻保持警惕，適時(shí)地總結(jié)“技術(shù)異化”的緣由和解決對(duì)策。

二、人工智能技術(shù)發(fā)展面臨的問題及其原因

隨著技術(shù)的革新，人工智能技術(shù)的應(yīng)用越來越廣泛，與人們的日常生活聯(lián)系也愈加密切。從智能手機(jī)的普及到自動(dòng)駕駛汽車的研制成功，再到生產(chǎn)、建設(shè)、醫(yī)療等領(lǐng)域人工智能技術(shù)的應(yīng)用，都表明了人工智能技術(shù)正悄無(wú)聲息地改變著我們生活方式。誠(chéng)然，人工智能技術(shù)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(shí)，人工智能技術(shù)也給社會(huì)帶來了一系列不可忽視的問題：人工智能技術(shù)在社會(huì)生產(chǎn)領(lǐng)域的應(yīng)用對(duì)勞動(dòng)市場(chǎng)造成沖擊；人工智能系統(tǒng)在收集、統(tǒng)計(jì)用戶數(shù)據(jù)過程中個(gè)人隱私及信息安全方面的隱患；人類對(duì)人工智能產(chǎn)品的依賴引發(fā)的身心健康問題；人工智能引起的責(zé)任認(rèn)定問題等。斯蒂芬?霍金在接受BBC采訪時(shí)表示，“制造能夠思考的機(jī)器無(wú)疑是對(duì)人類自身存在的巨大威脅。當(dāng)人工智能發(fā)展完全，就是人類的末日。”表示同樣擔(dān)憂的還有特斯拉的創(chuàng)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(xiàn)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(shí)上根本不行?！辈豢煞裾J(rèn)，人工智能技術(shù)是把雙刃劍，有利亦有弊，爭(zhēng)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(shù)引發(fā)的一系列倫理困境，關(guān)于人工智能的倫理問題成了重中之重。

調(diào)查發(fā)現(xiàn)，47.55%的人認(rèn)為人工智能所引發(fā)的倫理問題是因?yàn)槿诵缘乃伎?，占比較大；而22.55%的人認(rèn)為是由于人們價(jià)值觀念的改變；29.9%的人認(rèn)為是利益分化與失衡以及一些其他的原因?qū)е碌摹Ｓ纱丝梢钥闯鰧?dǎo)致人工智能倫理困境的原因是多方面的。主要總結(jié)為以下幾個(gè)方面。

第一，從技術(shù)層面來看，人工智能技術(shù)在現(xiàn)階段仍然有很大的局限性。人工智能是對(duì)人腦的模仿，但人腦和機(jī)器還是存在本質(zhì)區(qū)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(jìn)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(dòng)中的演繹方法，不可能真正具有智能，這決定了機(jī)器不能進(jìn)行學(xué)習(xí)、思維、創(chuàng)造。此外，智能機(jī)器人也不具備情感智能，它們根本無(wú)法去判斷自己行為的對(duì)錯(cuò)，也無(wú)法自動(dòng)停止自己的某項(xiàng)行為，所以如果人工智能技術(shù)一旦被不法分子利用，后果不堪設(shè)想。可見，由于人工智能自身技術(shù)上的局限性導(dǎo)致的倫理問題已經(jīng)影響到其未來發(fā)展。

第二，從規(guī)制層面來看，倫理規(guī)制的缺失和監(jiān)督管理制度的不完善是導(dǎo)致倫理問題產(chǎn)生的重要原因?？萍嫉陌l(fā)展目標(biāo)是為人類謀求幸福，但我們必須認(rèn)識(shí)到，無(wú)論是在科技的應(yīng)用還是發(fā)展過程中總是存在一些難以控制的因素，倘若沒有相應(yīng)的倫理原則和倫理規(guī)制加以約束，后果難以想象。在目前人工智能領(lǐng)域，缺乏一套成體系的關(guān)于人工智能技術(shù)產(chǎn)品的從設(shè)計(jì)、研究、驗(yàn)收到投入使用的監(jiān)督管理方案，也沒有一個(gè)國(guó)際公認(rèn)的權(quán)威性的規(guī)范及引導(dǎo)人工智能技術(shù)的發(fā)展及運(yùn)用的組織或機(jī)構(gòu)。現(xiàn)有的監(jiān)督體制遠(yuǎn)遠(yuǎn)滯后于人工智能技術(shù)的發(fā)展速度，無(wú)法匹配技術(shù)發(fā)展的需要。缺乏相關(guān)監(jiān)管制度的約束，人工智能技術(shù)就不可避免會(huì)被濫用，從而危害社會(huì)。

第三，從社會(huì)層面來看，公眾對(duì)人工智能技術(shù)的誤解也是原因之一。人工智能作為一門發(fā)展迅猛的新興學(xué)科，屬于人類研究領(lǐng)域的前沿。公眾對(duì)人工智能技術(shù)的了解十分有限，調(diào)查顯示，對(duì)人工智能技術(shù)只是了解水平較低的人較多，占62.75%，以致部分人在對(duì)人工智能技術(shù)沒有真實(shí)了解的情況下，在接觸到人工智能技術(shù)的負(fù)面新聞后就夸大其詞，人云亦云，最終導(dǎo)致群眾的恐慌心理，從而使得更多不了解人工智能技術(shù)的人開始害怕甚至排斥人工智能技術(shù)。我們必須清楚，人工智能是人腦的產(chǎn)物，雖然機(jī)器在某些領(lǐng)域會(huì)戰(zhàn)勝人，但它們不具備主觀能動(dòng)性和創(chuàng)造思維，也不具備面對(duì)未知環(huán)境的反應(yīng)能力，綜合能力上，人工智能是無(wú)法超越人腦智能的。在李世h對(duì)弈AlphaGo的曠世之戰(zhàn)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(shù)的發(fā)展轉(zhuǎn)向

人工智能技術(shù)的發(fā)展已經(jīng)深入到人類社會(huì)生活的方方面面，其最終發(fā)展目標(biāo)是為人類服務(wù)。但是，科學(xué)技術(shù)是把雙刃劍，它在造福人類的同時(shí)，不可避免地會(huì)給人類帶來災(zāi)難，因此，人類應(yīng)該趨利避害，使人工智能和科學(xué)技術(shù)最大化地為人類服務(wù)。這就要求人類必須從主客體兩個(gè)角度出發(fā)，為人工智能技術(shù)的健康發(fā)展找出路。

1.技術(shù)層面

（1）加強(qiáng)各個(gè)國(guó)家人工智能的對(duì)話交流與合作。人工智能自20世紀(jì)50年代被提出以來，尤其是近六十年來發(fā)展迅速，取得了許多豐碩的成果。如Deep Blue在國(guó)際象棋中擊敗了Garry Kasparov； Watson 戰(zhàn)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(jìn)步，但深究這些人工智能戰(zhàn)勝人類的案例，我們發(fā)現(xiàn)這些成功都是有限的，這些機(jī)器人的智能范圍狹窄。造成這一現(xiàn)象的很大一部分原因就在于國(guó)際間人工智能技術(shù)的對(duì)話交流與合作還不夠積極，所以加強(qiáng)各個(gè)國(guó)家人工智能的對(duì)話和交流迫在眉睫，同時(shí)也勢(shì)在必行。

（2）跨學(xué)科交流，擺脫單一學(xué)科的局限性。從事人工智能這項(xiàng)工作的人必須懂得計(jì)算機(jī)知識(shí)、心理學(xué)和哲學(xué)。歷史的經(jīng)驗(yàn)告訴我們，一項(xiàng)科學(xué)要想走得長(zhǎng)遠(yuǎn)就必須有正確的意識(shí)形態(tài)領(lǐng)域的指導(dǎo)思想的介入。在人工智能這項(xiàng)技術(shù)中，有些科學(xué)家們可能只關(guān)注經(jīng)濟(jì)利益而沒有引進(jìn)相應(yīng)的倫理評(píng)價(jià)體系，最終使得技術(shù)預(yù)測(cè)不到位，沒有哲學(xué)的介入，等真正出現(xiàn)問題時(shí)就晚了。所以要加強(qiáng)科學(xué)家與哲學(xué)家的溝通交流，令科學(xué)家能更多地思考倫理問題，提高哲學(xué)素養(yǎng)，在人工智能技術(shù)中融入更多的哲學(xué)思想，保證人工智能技術(shù)能朝著正確、健康方向發(fā)展。

（3）人工智能技術(shù)的發(fā)展，要與生態(tài)文明觀相結(jié)合。在人工智能技術(shù)發(fā)展中，要注入更多的生態(tài)思想，這關(guān)系人民福祉、關(guān)乎民族未來的長(zhǎng)遠(yuǎn)大計(jì)。在人工智能發(fā)展中，若是產(chǎn)生資源過度消耗、環(huán)境破壞、生態(tài)污染等全球性的環(huán)境問題時(shí)，人類必須制止并進(jìn)行調(diào)整。人工智能技術(shù)要想發(fā)展得更好，前景更加明亮，前途更為平坦，就必須保持與生態(tài)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(qiáng)科學(xué)家道德責(zé)任感。科學(xué)技術(shù)本身并沒有善惡性，而研發(fā)的科學(xué)家或是使用者有善惡性。人工智能將向何處發(fā)展，往往與研發(fā)人工智能的科學(xué)家息息相關(guān)?？茖W(xué)家應(yīng)打破“個(gè)體化原理”，要融入社會(huì)中去，關(guān)注社會(huì)道德倫理問題，承擔(dān)起道德責(zé)任，為自己、他人、社會(huì)負(fù)責(zé)，多去思考自己研發(fā)的技術(shù)可能帶來的后果，并盡可能去避免，多多進(jìn)行思考，嚴(yán)格履行科學(xué)家的道德責(zé)任。

（2）提高公眾文化素養(yǎng)。調(diào)查發(fā)現(xiàn)，對(duì)人工智能技術(shù)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(duì)人工智能技術(shù)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(duì)人工智能技術(shù)都能有所了解，但都不是很深入，而且仍有部分人對(duì)人工智能技術(shù)絲毫不了解，所以，人工智能技術(shù)對(duì)于個(gè)體的影響是比較微小的，其發(fā)展還沒有深入到個(gè)人的日常生活中。特別是在一些關(guān)于人工智能的科幻電影的渲染，可能使那些對(duì)于人工智能技術(shù)并不了解或是一知半解的人產(chǎn)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(yǎng)，使公眾正確認(rèn)識(shí)人工智能技術(shù)，將是緩解甚至是解決人工智能技術(shù)某些倫理問題的重要途徑之一。

（3）加大監(jiān)督力度。人類需要通過建立一個(gè)完善的監(jiān)督系統(tǒng)引導(dǎo)人工智能技術(shù)的發(fā)展。對(duì)于每項(xiàng)新的人工智能技術(shù)產(chǎn)品從產(chǎn)生到使用的各個(gè)環(huán)節(jié)，都要做好監(jiān)督工作，以此來減少人工智能技術(shù)的負(fù)面影響，緩解甚至減少人工智能技術(shù)的倫理問題。

3.道德法律用

（1）通過立法規(guī)范人工智能技術(shù)的發(fā)展。調(diào)查發(fā)現(xiàn)，90.69%的人認(rèn)為有必要對(duì)人工智能技術(shù)所引發(fā)的科技倫理問題實(shí)行法治，由此可以看出，要想保證科技的良好健康發(fā)展，必須要建立健全相關(guān)法律條例。然而我國(guó)在這一方面的法律還存在很大的漏洞，相關(guān)法律條文滯后于人工智能的發(fā)展，并未頒布一套完整的關(guān)于人工智能的法律體系。沒有規(guī)矩不成方圓，在人工智能領(lǐng)域亦是如此。我們都無(wú)法預(yù)測(cè)將來人工智能將發(fā)展到何種地步，這時(shí)就需要人類預(yù)先加以適當(dāng)?shù)南拗?，利用法律法?guī)加以正確引導(dǎo)，使其朝安全、為人類造福的方向發(fā)展。

（2）構(gòu)建人工智能技術(shù)倫理準(zhǔn)則并確立最高發(fā)展原則。要構(gòu)建以為人類造福為最終目的的倫理準(zhǔn)則。人工智能技術(shù)的倫理問題已經(jīng)給人類造成了很多負(fù)面影響，而要防止其帶來更多負(fù)面影響，構(gòu)建合適的人工智能技術(shù)倫理準(zhǔn)則勢(shì)在必行。

此外，要確立以人為本的最高發(fā)展原則 。一切科學(xué)技術(shù)的發(fā)展都應(yīng)把人的發(fā)展作為出發(fā)點(diǎn)。人工智能的發(fā)展也是如此，要將以人為本、為人類服務(wù)為出發(fā)點(diǎn)，并作為最高發(fā)展原則。

四、結(jié)語(yǔ)

科學(xué)技術(shù)是把雙刃劍，人類只有消除人工智能技術(shù)的潛在威脅，發(fā)揮人工智能技術(shù)最大化效用，避免倫理困境重演，才能實(shí)現(xiàn)人機(jī)交互的良性發(fā)展，實(shí)現(xiàn)人工智能與人類的良性互動(dòng)。

參考文獻(xiàn)：

[1]王文杰，葉世偉.人工智能原理與應(yīng)用[M].北京：人民郵電出版社，2004.

[2]甘紹平.人權(quán)倫理學(xué)[M].北京：中國(guó)發(fā)展出版社，2009.

[3]楊懷中.現(xiàn)代科技倫理學(xué)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(jī)械工業(yè)出版社，2009.

[5]鄒 蕾，張先鋒.人工智能及其發(fā)展應(yīng)用[J].信息網(wǎng)絡(luò)安全，2012（2）.

[6]王 毅.基于仿人機(jī)器人的人機(jī)交互與合作研究[D].北京：北京科技大學(xué)，2015.

[7]田金萍.人工智能發(fā)展綜述[J].科技廣場(chǎng)，2007（1）.

[8]郝勇勝.對(duì)人工智能研究的哲學(xué)反思[D].太原：太原科技大學(xué)，2012.

[9]龔 園.關(guān)于人工智能的哲學(xué)思考[D].武漢：武漢科技大學(xué)，2010.

篇4

【關(guān)鍵詞】人工智能 圖像識(shí)別 深度學(xué)習(xí)

1 概述

圖像識(shí)別技術(shù)是人工智能研究的一個(gè)重要分支，其是以圖像為基礎(chǔ)，利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別不同模式的對(duì)象的技術(shù)。目前圖像識(shí)別技術(shù)的應(yīng)用十分廣泛，在安全領(lǐng)域，有人臉識(shí)別，指紋識(shí)別等；在軍事領(lǐng)域，有地形勘察，飛行物識(shí)別等；在交通領(lǐng)域，有交通標(biāo)志識(shí)別、車牌號(hào)識(shí)別等。圖像識(shí)別技術(shù)的研究是更高級(jí)的圖像理解、機(jī)器人、無(wú)人駕駛等技術(shù)的重要基礎(chǔ)。

傳統(tǒng)圖像識(shí)別技術(shù)主要由圖像處理、特征提取、分類器設(shè)計(jì)等步驟構(gòu)成。通過專家設(shè)計(jì)、提取出圖像特征，對(duì)圖像M行識(shí)別、分類。近年來深度學(xué)習(xí)的發(fā)展，大大提高了圖像識(shí)別的準(zhǔn)確率。深度學(xué)習(xí)從大量數(shù)據(jù)中學(xué)習(xí)知識(shí)（特征），自動(dòng)完成特征提取與分類任務(wù)。但是目前的深度學(xué)習(xí)技術(shù)過于依賴大數(shù)據(jù)，只有在擁有大量標(biāo)記訓(xùn)練樣本的情況下才能夠取得較好的識(shí)別效果。本文認(rèn)為研究如何在標(biāo)記數(shù)據(jù)有限的情況下繼續(xù)利用深度學(xué)習(xí)完成物體識(shí)別任務(wù)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(tǒng)圖像識(shí)別技術(shù)

傳統(tǒng)的圖像識(shí)別技術(shù)包括：圖像獲取、預(yù)處理、特征提取、分類。在圖像輸入后，需要先對(duì)圖像進(jìn)行預(yù)處理。一幅標(biāo)準(zhǔn)灰度圖像，如果每個(gè)像素的像素值用一個(gè)字節(jié)表示，灰度值級(jí)數(shù)就等于256級(jí)，每個(gè)像素可以是0～255之間的任何一個(gè)整數(shù)值。一幅沒有經(jīng)過壓縮處理的640×480分辨率的灰度圖像就需要占據(jù)300KB的存儲(chǔ)空間。通常我們需要將圖片的亮度及對(duì)比度調(diào)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(duì)圖片的噪聲進(jìn)行消除。對(duì)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(shù)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(shí)候，我們需要對(duì)圖像細(xì)化處理（如指紋細(xì)化，字符細(xì)化等），以便獲取主要信息，減少無(wú)關(guān)信息。細(xì)化操作，可以得到由單像素點(diǎn)組成的圖像輪廓，便于后續(xù)特征提取操作。

基本的圖像特征提取包括邊緣、角點(diǎn)等提取。一般使用不同的特征提取算子結(jié)合相應(yīng)的閾值得到這些關(guān)鍵點(diǎn)。另一類在頻域中進(jìn)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(jí)變化，便可得到圖像的輪廓、邊緣。

在完成圖像的預(yù)處理和特征提取之后，我們便能夠?qū)D像進(jìn)行識(shí)別、分類。常用的分類器有K-近鄰（KNN），支持向量機(jī)（SVM），人工神經(jīng)網(wǎng)絡(luò)（ANN）等等。K-近鄰算法原理是，當(dāng)一個(gè)樣本的k個(gè)最相鄰的樣本中大部分屬于某一類別時(shí)，該樣本也應(yīng)當(dāng)屬于同一類別。支持向量機(jī)是通過尋找支持向量，在特征空間確定最優(yōu)分類超平面，將兩類樣本分開。人工神經(jīng)網(wǎng)絡(luò)模仿生物大腦中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過誤差反向傳播不斷優(yōu)化參數(shù)，從而得到較好的分類效果。

3 基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)

一般認(rèn)為深度學(xué)習(xí)技術(shù)是由Hinton及其學(xué)生于2006年提出的，其屬于人工神經(jīng)網(wǎng)絡(luò)分支。深度神經(jīng)網(wǎng)絡(luò)模仿人腦的神經(jīng)機(jī)制來分析樣本，并盡可能地對(duì)樣本的特征進(jìn)行更深度的學(xué)習(xí)。以圖片為例，利用深度學(xué)習(xí)技術(shù)對(duì)樣本的特征進(jìn)行學(xué)習(xí)時(shí)，由低層特征到高層特征越來越抽象，越來越能表達(dá)語(yǔ)義概念。當(dāng)樣本輸入后，首先對(duì)圖像進(jìn)行卷積與下采樣操作，卷積和下采樣操作是為了進(jìn)行特征提取和選擇。以原始像素作為輸入，深度學(xué)習(xí)技術(shù)可以自動(dòng)學(xué)習(xí)得到較好的特征提取器（卷積參數(shù)）。深度學(xué)習(xí)的訓(xùn)練過程，首先將當(dāng)前層的輸出作為下一層的輸入，進(jìn)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(lián)合優(yōu)化，即同時(shí)優(yōu)化所有層，目標(biāo)是分類誤差最小化。

傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)往往網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)太過龐大，難以訓(xùn)練。人們構(gòu)造出卷積神經(jīng)網(wǎng)絡(luò)，以權(quán)值共享的方式減少了節(jié)點(diǎn)數(shù)量，從而能夠加深學(xué)習(xí)的深度，使系統(tǒng)能學(xué)習(xí)到更抽象、更深層的特征，從而提高識(shí)別正確率。目前較成功的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)有AlexNet、GoogLeNet、ResNet等。

與傳統(tǒng)識(shí)別技術(shù)相比，深度學(xué)習(xí)技術(shù)具有以下優(yōu)勢(shì)：

（1）無(wú)需人工設(shè)計(jì)特征，系統(tǒng)可以自行學(xué)習(xí)歸納出特征。

（2）識(shí)別準(zhǔn)確度高，深度學(xué)習(xí)在圖像識(shí)別方面的錯(cuò)誤率已經(jīng)低于人類平均水平，在可預(yù)見的將來，計(jì)算機(jī)將大量代替人力進(jìn)行與圖像識(shí)別技術(shù)有關(guān)的活動(dòng)。

（3）使用簡(jiǎn)單，易于工業(yè)化，深度學(xué)習(xí)由于不需要領(lǐng)域的專家知識(shí)，能夠快速實(shí)現(xiàn)并商業(yè)化，國(guó)內(nèi)較知名的深度學(xué)習(xí)創(chuàng)業(yè)公司有專注人臉識(shí)別的Face++、研究無(wú)人車的馭勢(shì)科技等。

4 存在問題與未來展望

雖然深度學(xué)習(xí)具備諸多優(yōu)點(diǎn)，但目前來看深度學(xué)習(xí)仍有許多不足之處。首先，由于深度學(xué)習(xí)模型為非凸函數(shù)，對(duì)其的理論研究十分困難，缺乏理論保證。在對(duì)數(shù)據(jù)進(jìn)行調(diào)整時(shí)，仍是簡(jiǎn)單的“試錯(cuò)”，缺少理論支撐。

同時(shí)，由于深度學(xué)習(xí)過于依賴數(shù)據(jù)量和計(jì)算資源。對(duì)一個(gè)新概念的學(xué)習(xí)，往往需要數(shù)百個(gè)甚至更多有標(biāo)記的樣本。當(dāng)遇到有標(biāo)記的樣本難以獲取或者代價(jià)太大時(shí)，深度學(xué)習(xí)就無(wú)法取得好的學(xué)習(xí)效果。并且深度學(xué)習(xí)需要十分昂貴的高性能GPU，這使得深度學(xué)習(xí)難以平民化。目前深度學(xué)習(xí)訓(xùn)練速度較慢，往往需要幾天甚至一個(gè)月。其模型擴(kuò)展性差，缺少“舉一反三”的能力，樣本稍加變化，系統(tǒng)性能便會(huì)迅速下降。目前的深度學(xué)習(xí)屬于靜態(tài)過程，與環(huán)境缺乏交互。

對(duì)其的解決方案目前主要有兩點(diǎn)：

（1）針對(duì)于模型擴(kuò)展性差的問題，通過引入遷移學(xué)習(xí)，研究不同任務(wù)或數(shù)據(jù)之間的知識(shí)遷移，提高模型的擴(kuò)展能力、學(xué)習(xí)速度，同時(shí)降低學(xué)習(xí)成本，便于冷啟動(dòng)。

（2）與強(qiáng)化學(xué)習(xí)結(jié)合，研究在動(dòng)態(tài)環(huán)境下進(jìn)行深度學(xué)習(xí)，提高深度學(xué)習(xí)與環(huán)境交互的能力。

參考文獻(xiàn)

[1]蔣樹強(qiáng)，閔巍慶，王樹徽.面向智能交互的圖像識(shí)別技術(shù)綜述與展望[J].計(jì)算機(jī)研究與發(fā)展，2016：113-122.

[2]張翠平，蘇光大.人臉識(shí)別技術(shù)綜述[J].中國(guó)圖象圖形學(xué)報(bào)，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(qiáng)算法[J].計(jì)算機(jī)科學(xué)，2016.

[4]孫志軍，薛磊，許陽(yáng)明，王正.深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2012：2806-2810.

[5]莊福振，羅平，何清，史忠植.遷移學(xué)習(xí)研究進(jìn)展[J].軟件學(xué)報(bào)，2015：26-39.

[6]高陽(yáng)，陳世福，陸鑫.強(qiáng)化學(xué)習(xí)研究綜述[J].自動(dòng)化學(xué)報(bào)，2004：86-100.

篇5

【關(guān)鍵詞】人工智能技術(shù)；電力系統(tǒng)；故障診斷；應(yīng)用

中圖分類號(hào)：O434文獻(xiàn)標(biāo)識(shí)碼： A

一、前言

在國(guó)家智能電網(wǎng)的推動(dòng)下，電力系統(tǒng)的故障診斷成為了實(shí)現(xiàn)電力系統(tǒng)自動(dòng)化的主要問題。通過人工智能技術(shù)對(duì)電網(wǎng)參數(shù)進(jìn)行智能化分析，有利于及時(shí)診斷故障，從而優(yōu)化電力系統(tǒng)，保障電力系統(tǒng)的穩(wěn)定性，減少不必要的損失。

二、人工智能技術(shù)概述

人工智能技術(shù)集腦科學(xué)、神經(jīng)學(xué)、信息技術(shù)為一體，目前廣泛運(yùn)用于多個(gè)領(lǐng)域，同時(shí)也是近年來科技領(lǐng)域的一個(gè)研究熱點(diǎn)。它通過對(duì)人腦的原理和行為進(jìn)行模仿，從而研制出一種自動(dòng)化的機(jī)器，這種機(jī)器能分析、識(shí)別、發(fā)現(xiàn)問題。很多電力企業(yè)都運(yùn)用了這種技術(shù)，它提高了電力運(yùn)行的效率，減少了故障發(fā)生的機(jī)率，還節(jié)約了人力、物力、財(cái)力。同時(shí)，它也能解決電力系統(tǒng)中非常復(fù)雜的問題，比如非線性映射。不僅如此，它還被繼電保護(hù)所應(yīng)用。人工智能技術(shù)中的神經(jīng)網(wǎng)絡(luò)方法，通過采集大量的故障樣本，使設(shè)備對(duì)故障有一定的印象。因此，在發(fā)生故障的時(shí)候，設(shè)備能夠快速反應(yīng)并且發(fā)出警報(bào)。

三、人工智能技術(shù)的種類

1.人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是人工智能技術(shù)中的一種，它的非線性問題非常復(fù)雜，這種技術(shù)主要是用在繼電保護(hù)上，它是通過模仿人的神經(jīng)系統(tǒng)而研制出來的。此外，人工神經(jīng)網(wǎng)絡(luò)還具有比較快的反應(yīng)能力，能夠及時(shí)對(duì)電力系統(tǒng)進(jìn)行監(jiān)控、評(píng)估等等。即便是發(fā)生了故障，它也能夠進(jìn)行快速的判斷，并且對(duì)故障的距離、情況等一一進(jìn)行探測(cè)。

2.智能模糊邏輯

智能模糊邏輯通過運(yùn)用模糊理論，輸入變量，建立數(shù)學(xué)模型，能夠很好地對(duì)電力系統(tǒng)進(jìn)行規(guī)劃，并且診斷電力系統(tǒng)故障。如今，智能模糊邏輯已經(jīng)成為了一種比較成熟和完善的人工智能技術(shù)，廣泛應(yīng)用于電力系統(tǒng)當(dāng)中。

3.遺傳算法

遺傳算法的理論基礎(chǔ)是數(shù)學(xué)模型，它通過借鑒自然遺傳機(jī)制的隨機(jī)搜索算法，從而對(duì)群體和個(gè)體之間的信息進(jìn)行交換。

4.混合技術(shù)

所謂的混合技術(shù)，就是將遺傳算法、人工神經(jīng)網(wǎng)絡(luò)、智能模糊邏輯等幾種技術(shù)合在一起，因?yàn)樯厦嫠f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(shù)合在一起，就能夠更好地解決電力系統(tǒng)中的問題。

四、人工智能在故障診斷中的應(yīng)用

人工智能技術(shù)中的模糊理論、專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在電氣設(shè)備故障診斷中應(yīng)用較廣泛，特別是在變壓器故障診斷、發(fā)電機(jī)和電動(dòng)機(jī)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(duì)氣體進(jìn)行分析來判斷故障狀態(tài)。傳統(tǒng)的故障診斷方法無(wú)法針對(duì)設(shè)備故障的不確定性、非線性和復(fù)雜性等特點(diǎn)進(jìn)行診斷，診斷效率較低。而人工智能方法的應(yīng)用提高了診斷準(zhǔn)確率。人工智能技術(shù)主要使用模糊邏輯、神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)三種故障診斷方法。如在電動(dòng)機(jī)和發(fā)動(dòng)機(jī)的故障診斷中使用人工智能化的故障診斷技術(shù)，結(jié)合了神經(jīng)網(wǎng)絡(luò)和模糊理論，實(shí)現(xiàn)了故障診斷知識(shí)模糊性與較強(qiáng)的神經(jīng)網(wǎng)絡(luò)共同的診斷，相對(duì)提高了故障的針對(duì)準(zhǔn)確率?，F(xiàn)在簡(jiǎn)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(chǔ)上發(fā)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(duì)象，并采用近似推理規(guī)則，使專家知識(shí)得以有效表達(dá)，且具有很強(qiáng)的容錯(cuò)能力。

綜上可看出，模糊邏輯比較適合用來處理電網(wǎng)故障診斷中繼電保護(hù)動(dòng)作的不確定性和故障信息的不完備性。文獻(xiàn)[8]不僅引人了保護(hù)和斷路器的動(dòng)作信息，而且按額定值將遙測(cè)量進(jìn)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(jìn)行電網(wǎng)故障診斷也存在一些問題：像隸屬度函數(shù)的選擇無(wú)明確的標(biāo)準(zhǔn)、可維護(hù)性較差等。所以在電網(wǎng)故障診斷領(lǐng)域中，模糊集理論通常與其他診斷方法相結(jié)合，互相滲透、取長(zhǎng)補(bǔ)短。

2.神經(jīng)網(wǎng)絡(luò)

作為典型的模擬人類神經(jīng)系統(tǒng)進(jìn)行信息傳輸與數(shù)據(jù)處理的人工智能技術(shù)，神經(jīng)網(wǎng)絡(luò)方法最大的特點(diǎn)就在于對(duì)于神經(jīng)元網(wǎng)絡(luò)的應(yīng)用。不同神經(jīng)元之間的溝通連接共同構(gòu)成了網(wǎng)絡(luò)運(yùn)行的基礎(chǔ)，對(duì)于各種隱含所處理問題的智慧進(jìn)行權(quán)重連接，從而實(shí)現(xiàn)診斷與處理。從其運(yùn)行方式和結(jié)構(gòu)來看，它具有一定的學(xué)習(xí)能力，能夠通過對(duì)學(xué)習(xí)算法的應(yīng)用實(shí)現(xiàn)訓(xùn)練樣本的訓(xùn)練，同時(shí)完成知識(shí)的自我組織與構(gòu)建，容錯(cuò)能力較強(qiáng)，即使輸入信號(hào)存在一定的干擾因素，也能在較大程度上給出相對(duì)正確的輸出結(jié)果。同時(shí)，系統(tǒng)強(qiáng)大的神經(jīng)元并行運(yùn)算能力還能并行處理故障診斷，因?yàn)樵趫?zhí)行效率上也較為令人滿意。眾多的神經(jīng)網(wǎng)絡(luò)模型中，應(yīng)用較為廣泛和典型的是誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）。這種網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，同時(shí)是一種柔性網(wǎng)絡(luò)結(jié)構(gòu)，能夠隨著逆?zhèn)鞑サ男拚粩鄿p少誤差，同時(shí)還能通過對(duì)輸入模式的響應(yīng)做好分類，提升正確率，尤其是對(duì)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(yīng)用效果。

雖然誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)在故障診斷中有過多次成功的先例，但是隨著學(xué)習(xí)樣本的增多，輸入輸出關(guān)系的發(fā)雜多樣化，這種系統(tǒng)的網(wǎng)絡(luò)收斂速度不斷受到影響，變得越來越慢，有時(shí)候甚至出現(xiàn)不收斂現(xiàn)象。基于這種情況，有些研究指出將徑向路基函數(shù)網(wǎng)絡(luò)應(yīng)用與變壓器的故障診斷，以此來彌補(bǔ)和改善此神經(jīng)系統(tǒng)的缺陷，有些研究則提出了基于概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法等等不一而足。神經(jīng)網(wǎng)絡(luò)方法的應(yīng)用簡(jiǎn)化了復(fù)雜故障問題的處理與分類，同時(shí)在自我學(xué)習(xí)的基礎(chǔ)上實(shí)現(xiàn)了對(duì)專家系統(tǒng)不足的彌補(bǔ)。

3.專家系統(tǒng)

專家系統(tǒng)可簡(jiǎn)稱為ES，它所面向主要是各非結(jié)構(gòu)問題，特別是處理啟發(fā)式、定性的或者不確定知識(shí)信息，通過各樣的推理過程來達(dá)到系統(tǒng)所要求任務(wù)目標(biāo)。

專家系統(tǒng)在我國(guó)電廠里的應(yīng)用是最早及較為成熟的人工智能技術(shù)，并且發(fā)展了很多專家系統(tǒng)，在電力系統(tǒng)不同領(lǐng)域被應(yīng)用，像電網(wǎng)調(diào)度、系統(tǒng)恢復(fù)、監(jiān)測(cè)和診斷、預(yù)想事故篩選等，特別是監(jiān)測(cè)核事故診斷成為專家系統(tǒng)在電廠中最主要應(yīng)用領(lǐng)域。

依據(jù)知識(shí)存儲(chǔ)方式不同，能把ES分為決策樹、知識(shí)經(jīng)驗(yàn)、規(guī)則及模型等不同形式，模型形式的知識(shí)所表達(dá)方式是比較適合實(shí)時(shí)處理的，比基于規(guī)則形式推理方式要更為簡(jiǎn)單及快捷及容易維護(hù)。ES在輸電網(wǎng)絡(luò)診斷故障里的典型應(yīng)用為產(chǎn)生式規(guī)則系統(tǒng)，就是把斷路器、保護(hù)器動(dòng)作邏輯和運(yùn)行人員診斷經(jīng)驗(yàn)運(yùn)用規(guī)則的形式進(jìn)行表示，并形成知識(shí)庫(kù)，依據(jù)報(bào)警信息進(jìn)行知識(shí)庫(kù)推理，以獲得診斷結(jié)論，這種產(chǎn)生式規(guī)則專家系統(tǒng)在電廠中能夠被廣泛應(yīng)用主要是因這種專家系統(tǒng)及故障診斷特點(diǎn)所決定的，在輸電網(wǎng)絡(luò)里斷路器及一級(jí)保護(hù)間的關(guān)系能用模塊化及直觀規(guī)則進(jìn)行表示，并且能允許刪除、增加及修改某些規(guī)則，從而保證診斷系統(tǒng)有效性及實(shí)時(shí)性，對(duì)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(yǔ)言結(jié)論及解釋能力。

同時(shí)，框架法的專家系統(tǒng)能夠進(jìn)行分類結(jié)構(gòu)知識(shí)表達(dá)，以及對(duì)事物間的相關(guān)性進(jìn)行表達(dá)，并簡(jiǎn)化繼承性知識(shí)存儲(chǔ)及表述。專家系統(tǒng)這種人工智能技術(shù)盡管能有效模擬完成故障診斷，可在電廠實(shí)際應(yīng)用里，還存在著一定不足，主要為知識(shí)獲取及維護(hù)問題，并且接口也不是很友好，對(duì)故障診斷里的很多不確定因素也無(wú)法有效解決，從而影響了診斷準(zhǔn)確性。

五、結(jié)束語(yǔ)

在智能電網(wǎng)逐漸被推廣的大前提下，人工智能技術(shù)在故障診斷的廣泛應(yīng)用對(duì)于電力企業(yè)有著十分重要的意義。在現(xiàn)如今的發(fā)展中，我們要認(rèn)真分析當(dāng)下在人工智能技術(shù)應(yīng)用中存在的不足之處，優(yōu)化并改進(jìn)，這樣才能使得人工智能技術(shù)在今后有更快更好的發(fā)展。

參考文獻(xiàn)：

[1]朱祝武.人工智能發(fā)展綜述[J].中國(guó)西部科技,2011，17-19頁(yè)

篇6

摘要： 隨著經(jīng)濟(jì)的發(fā)展，技術(shù)的進(jìn)步，現(xiàn)代企業(yè)設(shè)備越來越大型化、復(fù)雜化、智能化，如果液壓設(shè)備發(fā)生故障，生產(chǎn)就無(wú)法進(jìn)行。本文首先介紹液壓系統(tǒng)故障診斷的準(zhǔn)備工作，然后詳細(xì)介紹三種診斷方法。

關(guān)鍵詞：液壓系統(tǒng)故障 簡(jiǎn)易故障診斷法 人工智能故障診斷法

液壓系統(tǒng)具有很多獨(dú)特的優(yōu)點(diǎn)，常見的如：大容量、結(jié)構(gòu)緊湊、安裝靈活、反應(yīng)快、容易控制等等，在現(xiàn)代大型設(shè)備，特大型設(shè)備中具有廣泛的應(yīng)用的同時(shí)存在著問題，極易發(fā)生故障從而影響生產(chǎn)，造成故障的原因主要是系統(tǒng)中元輔件和工作液體性能不穩(wěn)定，系統(tǒng)設(shè)備使用不當(dāng)或者維護(hù)不到位。近幾年液壓系統(tǒng)故障診斷成為了一門專門的學(xué)科，受到高度的重視。

1、液壓系統(tǒng)故障診斷的準(zhǔn)備工作

第一拿到設(shè)備使用說明書時(shí)一定要認(rèn)真仔細(xì)的閱讀，詳細(xì)了解該設(shè)備的功能、結(jié)構(gòu)、工作原理，包括系統(tǒng)中元件的功能結(jié)構(gòu)和原理；第二從網(wǎng)上查閱設(shè)備的檔案資料，包括生產(chǎn)廠家、制造日期、調(diào)試驗(yàn)收，故障可能、處理方法等等。

2、簡(jiǎn)易故障診斷方法

2.1 主觀診斷法

這是一種最傳統(tǒng)的方法，憑借維修人員的主觀判斷（看、聽、摸、聞、問）和實(shí)踐經(jīng)驗(yàn)，或者利用簡(jiǎn)單的儀器、儀表判斷故障發(fā)生的部位并且給出發(fā)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(tǒng)圖分析，該方法簡(jiǎn)單快捷方便，這種方法對(duì)維修人員的要求極高需要有豐富的診斷經(jīng)驗(yàn)，但是診斷結(jié)果具有局限性。

2.2直接性能測(cè)試法

這種方法通過測(cè)試液壓元件和系統(tǒng)性能進(jìn)而評(píng)價(jià)系統(tǒng)工作狀態(tài)，適用于處于工作狀態(tài)的系統(tǒng)，還能進(jìn)行定量的分析，現(xiàn)代運(yùn)用最多的是檢測(cè)液壓系統(tǒng)的狀態(tài)。如果檢測(cè)的液壓系統(tǒng)元件或者性能超出了規(guī)定的正常范圍，那么該系統(tǒng)就有發(fā)生故障的可能性。這種方法原理簡(jiǎn)單，相當(dāng)直觀，但是測(cè)試的精準(zhǔn)度不是很高，一般早期的失效很難檢測(cè)出來。

3、基于信號(hào)分析的故障診斷方法

3.1基于抽樣分析法

反映系統(tǒng)內(nèi)部信息的除了液壓系統(tǒng)本身的信息，其內(nèi)部的污染物也可以，也就是說測(cè)定和鑒別油液當(dāng)中污染物的成分和含量，可以知道液壓系統(tǒng)的污染情況和運(yùn)行狀況，也是一種故障診斷的方法。目前我們經(jīng)常見到的有兩種：一種是基于油液顆粒污染度的檢測(cè)技術(shù)，包括：顯微鏡檢測(cè)技術(shù)（設(shè)備投資小、方法簡(jiǎn)單、費(fèi)時(shí)費(fèi)力、誤差大）、自動(dòng)顆粒計(jì)數(shù)器（檢測(cè)速度快、操作簡(jiǎn)便、準(zhǔn)確度高但精度低）、稱重法（設(shè)備簡(jiǎn)捷、檢測(cè)方便、只測(cè)重）、鐵譜分析法（可進(jìn)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(shù)的檢測(cè)技術(shù)，這種技術(shù)需要細(xì)致的分析油液的有關(guān)參數(shù)和金屬的含量，歷時(shí)的周期較長(zhǎng)，無(wú)法實(shí)現(xiàn)在線檢測(cè)，但是對(duì)重要液壓系統(tǒng)的診斷很有效。

3.2基于振動(dòng)噪聲分析法

在液壓系統(tǒng)的運(yùn)行過程中，必然會(huì)伴隨產(chǎn)生振動(dòng)和噪聲，尤其液壓泵的振動(dòng)聲音十分大，實(shí)際上這些設(shè)備的振動(dòng)和噪聲就包含了許多故障的信息，分析信號(hào)，得到元件狀態(tài)信息，進(jìn)而進(jìn)行故障診斷。這種方法的理論比較完善，應(yīng)用也比較廣泛，有多種信號(hào)處理方法如：時(shí)域特征參數(shù)法、時(shí)差域特征法、概率密度法、相關(guān)分析法、譜分析法、自功率譜分析法、倒頻譜分析法、包絡(luò)譜分析法、主分量自回歸譜提取法、AR譜參數(shù)提取法、小波分析等。目前旋轉(zhuǎn)機(jī)械設(shè)備也能用它分析診斷故障，純機(jī)械設(shè)備的故障診斷效果相當(dāng)明顯。隨著信號(hào)處理技術(shù)的發(fā)展，這種方法的應(yīng)用前景十分可觀。

3.3基于數(shù)學(xué)模型法

這種方法的指導(dǎo)是現(xiàn)代控制理論和優(yōu)化方法，基礎(chǔ)是系統(tǒng)的數(shù)學(xué)模型，殘差產(chǎn)生法是觀測(cè)器（組）、等價(jià)空間方程、Kalman濾波器、參數(shù)模型估計(jì)和辨識(shí)等，利用閥值或者準(zhǔn)則評(píng)價(jià)決策殘差。該方法和控制系統(tǒng)的關(guān)系相當(dāng)密切，共同成為監(jiān)控、容錯(cuò)控制、系統(tǒng)修復(fù)重構(gòu)的基礎(chǔ)。這種方法的數(shù)學(xué)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(shù)學(xué)模型來診斷液壓系統(tǒng)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(tǒng)的智能診斷法

這是智能診斷技術(shù)中受到多方關(guān)注的一個(gè)發(fā)展方向，研究最多，應(yīng)用最廣，主要是利用專家的知識(shí)和推理方法解決實(shí)際遇到的復(fù)雜問題。在這的專家系統(tǒng)并不是指人員而是指一種人工智能計(jì)算機(jī)程序，知識(shí)權(quán)威，學(xué)習(xí)功能強(qiáng)大。該系統(tǒng)的主要組成部分：知識(shí)庫(kù)（系統(tǒng)知識(shí)和規(guī)則庫(kù)）、數(shù)據(jù)庫(kù)、推理機(jī)和解釋機(jī)制。如果利用它檢測(cè)在線的系統(tǒng)，數(shù)據(jù)庫(kù)顯示的是實(shí)時(shí)工況數(shù)據(jù)；如果利用它檢測(cè)離線系統(tǒng)，則數(shù)據(jù)庫(kù)顯示的是實(shí)際故障時(shí)的數(shù)據(jù)或者人為故障的樣本數(shù)據(jù)。該方法的運(yùn)行過程是通過人機(jī)相互交換，專家系統(tǒng)獲得所需信息，利用系統(tǒng)的知識(shí)庫(kù)和數(shù)據(jù)庫(kù)，推理機(jī)運(yùn)用規(guī)則，調(diào)用應(yīng)用程序，進(jìn)行正確的推理，找到液壓系統(tǒng)的故障。這種方法給自動(dòng)化進(jìn)行液壓系統(tǒng)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(fā)展前景還是很廣闊的。

4.2基于神經(jīng)網(wǎng)絡(luò)的智能診斷法

20世紀(jì)80年代人工神經(jīng)網(wǎng)絡(luò)迅速崛起，成為人工智能領(lǐng)域的一個(gè)分支，是一種計(jì)算模型（與人的認(rèn)知過程相似），一種非線性動(dòng)力學(xué)網(wǎng)絡(luò)系統(tǒng)（模擬大腦神經(jīng)元結(jié)構(gòu)特性）。神經(jīng)網(wǎng)絡(luò)的非線性處理單元（類似神經(jīng)元）相互關(guān)聯(lián)，具有了學(xué)習(xí)、記憶、歸納總結(jié)等功能和數(shù)學(xué)模擬能力。這種方法的具有獨(dú)特的優(yōu)勢(shì)，如：分布式處理能力、聯(lián)想記憶、自學(xué)習(xí)能力等收到診斷領(lǐng)域的廣泛關(guān)注和重視，未來發(fā)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(xiàn)象存在于液壓系統(tǒng)故障診斷領(lǐng)域，如：系統(tǒng)油溫過高、壓力波動(dòng)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(fā)生會(huì)經(jīng)歷一個(gè)漫長(zhǎng)的時(shí)間，同時(shí)故障發(fā)生的原因和癥狀也是模糊的，可能一對(duì)一，可能一對(duì)多，也可能多對(duì)一。利用模糊邏輯、模糊關(guān)系描述故障的原因和現(xiàn)象，建立隸屬度函數(shù)和模糊方程，明確識(shí)別故障。這種方法的現(xiàn)象更為客觀，結(jié)果更符合實(shí)際，速度快，容易實(shí)現(xiàn)。

5、結(jié)束語(yǔ)

隨著21世紀(jì)科技的發(fā)展，人工智能技術(shù)更是突飛猛進(jìn)，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(shù)智能診斷法等等。如何將新型科技、智能技術(shù)運(yùn)用到故障診斷系統(tǒng)當(dāng)中，實(shí)現(xiàn)自動(dòng)化、智能化的故障系統(tǒng)診斷是我們亟待解決的問題。

參考文獻(xiàn)：

[1]范士娟，楊超.液壓系統(tǒng)故障診斷方法綜述[J].機(jī)床與液壓，2009，37（5）：188-192，195.

篇7

關(guān)鍵詞：人工智能 心血管 超聲

大數(shù)據(jù)是現(xiàn)代醫(yī)學(xué)模式的重要特征。在這種醫(yī)療模式下，要求醫(yī)療人員在確?；颊甙踩徒】档耐瑫r(shí)追求效率的最大化[1]。對(duì)于高分辨率的醫(yī)學(xué)影像成像，集中體現(xiàn)在醫(yī)務(wù)人員快速、準(zhǔn)確、有效地解釋影像數(shù)據(jù)（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(yīng)運(yùn)而生，它為促進(jìn)圖像采集、測(cè)量、報(bào)告和隨后的臨床路徑以及影像和臨床數(shù)據(jù)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(yīng)用中的主要領(lǐng)域之一，本文對(duì)此作一綜述。

1 人工智能及其在醫(yī)學(xué)上的應(yīng)用

AI是一個(gè)廣義的術(shù)語(yǔ)，指的是機(jī)器或計(jì)算程序執(zhí)行具有人類智能特征的任務(wù)的能力，如模式識(shí)別和解決問題的能力等。AI可以通過彌補(bǔ)人類智能，使現(xiàn)有醫(yī)療診斷和預(yù)后價(jià)值最大化，同時(shí)使醫(yī)師負(fù)擔(dān)最小化，從而顯著改善健康診療過程和結(jié)果。AI在臨床實(shí)踐中的應(yīng)用預(yù)示著醫(yī)學(xué)領(lǐng)域一個(gè)更為劇烈變化時(shí)代的到來，在影像學(xué)方面尤其如此。一項(xiàng)通過分析科學(xué)網(wǎng)數(shù)據(jù)庫(kù)的研究[3]發(fā)現(xiàn)，目前AI在醫(yī)學(xué)的研究領(lǐng)域主要集中在大數(shù)據(jù)分析、腦卒中康復(fù)、心臟手術(shù)和醫(yī)療診斷和預(yù)后預(yù)測(cè)等方面。其中，用于醫(yī)學(xué)診斷、預(yù)后預(yù)測(cè)和分類的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)是主要熱點(diǎn)，占所有文獻(xiàn)的26%；而未來最引人關(guān)注的研究主題是基于AI的微創(chuàng)手術(shù)。然而，關(guān)于AI數(shù)據(jù)管理、模型可靠性、模型臨床效用驗(yàn)證等問題尚未進(jìn)行廣泛研究。

2 人工智能的機(jī)器學(xué)習(xí)法

大數(shù)據(jù)是一個(gè)經(jīng)常用來描述大量收集數(shù)據(jù)的術(shù)語(yǔ)，如來自大型生物信息庫(kù)的基因組數(shù)據(jù)、電子健康記錄檔案和大型研究隊(duì)列數(shù)據(jù)以及影像學(xué)掃描數(shù)據(jù)等。AI系統(tǒng)通過識(shí)別和提取一組觀測(cè)數(shù)據(jù)（數(shù)據(jù)集）的模式來自主獲取知識(shí)的過程稱為機(jī)器學(xué)習(xí)（machine learning,ML）。ML是人工智能的一個(gè)組成部分，描述為計(jì)算機(jī)從經(jīng)驗(yàn)中學(xué)習(xí)的過程，并在沒有事先知識(shí)的情況下執(zhí)行預(yù)定的任務(wù)[4]。機(jī)器學(xué)習(xí)可以進(jìn)一步分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，這取決于用于學(xué)習(xí)的樣本是否完全標(biāo)記、部分標(biāo)記或未標(biāo)記。ML的典型例子是人工神經(jīng)網(wǎng)絡(luò)，后者基于人類大腦的神經(jīng)元及其連接，神經(jīng)元之間的相互依賴關(guān)系反映出不同的權(quán)重，每個(gè)神經(jīng)元接受多個(gè)輸入，所有的輸入一起決定了神經(jīng)元的激活。通過樣本訓(xùn)練找到這些合適權(quán)重的過程就是學(xué)習(xí)。學(xué)習(xí)過程的復(fù)雜性和所需的樣本量隨著神經(jīng)元數(shù)量的增加而增加。由于計(jì)算能力和樣本大小的限制，機(jī)器學(xué)習(xí)應(yīng)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(jīng)元的數(shù)量。為了解決這一問題，人們提出了深度學(xué)習(xí)的方法，即自動(dòng)學(xué)習(xí)代表性的樣本。深度學(xué)習(xí)是指一種特別強(qiáng)大的ML方法，它利用卷積神經(jīng)網(wǎng)絡(luò)模擬人類的認(rèn)知，常用于影像模式識(shí)別和分類。

模型訓(xùn)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(shù)據(jù)中的各種特性來學(xué)習(xí)如何生成輸出標(biāo)簽的過程[5]。如在超聲心動(dòng)圖中，一個(gè)模型可以分析各種特征，如左心室壁厚度和左心室射血分?jǐn)?shù)，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(guān)的特征可能會(huì)導(dǎo)致模型過度擬合，從而在呈現(xiàn)新數(shù)據(jù)集時(shí)降低其準(zhǔn)確性。這強(qiáng)調(diào)了擁有一個(gè)能夠代表總體的訓(xùn)練數(shù)據(jù)集的重要性。數(shù)據(jù)集的質(zhì)量對(duì)于最終ML模型的質(zhì)量至關(guān)重要。盡管ML算法可以使用小數(shù)據(jù)集或大數(shù)據(jù)集進(jìn)行訓(xùn)練，但大數(shù)據(jù)集可以最大限度地提高訓(xùn)練算法的內(nèi)部和外部有效性，降低過度擬合的風(fēng)險(xiǎn)。正確模型的選擇通常取決于操作員的專業(yè)知識(shí)、數(shù)據(jù)集的性質(zhì)和最終人工智能系統(tǒng)的目的。

3 人工智能在心血管超聲的應(yīng)用

心血管成像領(lǐng)域，包括超聲心動(dòng)圖、心臟計(jì)算機(jī)斷層掃描、心臟磁共振成像和核成像，具有復(fù)雜的成像技術(shù)和高容量的成像數(shù)據(jù)，處于精準(zhǔn)心臟病學(xué)革命的前沿。然而，在基于AI的臨床轉(zhuǎn)化方法中，心血管成像一直落后于腫瘤學(xué)等其他領(lǐng)域。人工智能在超聲心動(dòng)圖中的應(yīng)用包括自動(dòng)心室定量和射血分?jǐn)?shù)計(jì)算、應(yīng)變測(cè)量和瓣膜形態(tài)及功能評(píng)估以及ML在心臟疾病自動(dòng)診斷中的應(yīng)用。

3.1 心室定量和EF自動(dòng)化。

自動(dòng)心室量化和EF計(jì)算的算法旨在提供準(zhǔn)確、快速和可重復(fù)的心尖視圖分類、解剖標(biāo)志檢測(cè)、心室壁分割和心內(nèi)膜跟蹤。有研究[6]比較了AI軟件自動(dòng)測(cè)量（AutoEF）和手工追蹤雙平面Simpson法測(cè)量左室EF的準(zhǔn)確性，并與心臟MRI進(jìn)行了比較。結(jié)果表明AutoEF與手動(dòng)雙平面Simpson法測(cè)得的EF相關(guān)性較好，且與MRI相關(guān)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(cè)量的準(zhǔn)確性存在差異，以胸骨旁長(zhǎng)軸切面的準(zhǔn)確性最高，達(dá)96%，而在心尖切面時(shí)整體精度降低（84%）。腔室定量和左室EF測(cè)量的中位數(shù)絕對(duì)偏差在15%～17%，其中ESV的絕對(duì)偏差最小；左房容積和左室EDV被高估。

3.2 心肌運(yùn)動(dòng)和應(yīng)變測(cè)量。

Kusunose等[7]研究發(fā)現(xiàn)與傳統(tǒng)二維超聲心動(dòng)圖相比，利用深度卷積神經(jīng)網(wǎng)絡(luò)可更好的檢測(cè)區(qū)域壁運(yùn)動(dòng)異常并區(qū)分冠狀動(dòng)脈梗死區(qū)域。Cikes等[8]利用復(fù)雜超聲心動(dòng)圖數(shù)據(jù)（整個(gè)心動(dòng)周期的左室容積和變形數(shù)據(jù)，而不是單個(gè)數(shù)據(jù)點(diǎn)）和臨床參數(shù)的ML算法識(shí)別心衰并對(duì)心臟再同步化治療的反應(yīng)進(jìn)行評(píng)估，證實(shí)通過整合臨床參數(shù)和全心周期成像數(shù)據(jù)，無(wú)監(jiān)督的ML可以為表型異質(zhì)性心力衰竭隊(duì)列提供一個(gè)有臨床意義的分類，并可能有助于優(yōu)化特定治療的反應(yīng)率。另有研究證實(shí)[9-10],ML算法有助于區(qū)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(duì)左室心肌的縱向應(yīng)變進(jìn)行了比較研究。發(fā)現(xiàn)AI自動(dòng)測(cè)量的心肌全局縱向應(yīng)變與手動(dòng)應(yīng)變變化最?。ń^對(duì)值為1.4%～1.6%）。

3.3 心臟瓣膜評(píng)估。

有學(xué)者[12]采用AI軟件對(duì)二尖瓣幾何形狀進(jìn)行測(cè)量，測(cè)量參數(shù)包括二尖瓣環(huán)面積、瓣環(huán)高度和寬度、瓣葉連合間距、前后葉長(zhǎng)度等。發(fā)現(xiàn)相對(duì)于常規(guī)超聲心動(dòng)圖，所有評(píng)估的成像參數(shù)均獲得了更好的觀察者間一致性，而且所花費(fèi)的時(shí)間明顯較少。Prihadi等[13]研究證實(shí)，經(jīng)食管超聲心動(dòng)圖AI軟件能夠精確地對(duì)主動(dòng)脈瓣結(jié)構(gòu)以及冠狀動(dòng)脈開口進(jìn)行測(cè)量和定位，且與多層螺旋CT的測(cè)量結(jié)果具有良好的相關(guān)性。

4 展望

在海量醫(yī)學(xué)信息和影像數(shù)字化日益積累的現(xiàn)代醫(yī)學(xué)時(shí)代，AI和ML為疾病診斷和風(fēng)險(xiǎn)預(yù)測(cè)等問題提供了新的解決方案。通過AI對(duì)超聲心動(dòng)圖數(shù)據(jù)進(jìn)行預(yù)測(cè)、建模和精確分析，可以幫助超聲醫(yī)師快速、準(zhǔn)確地處理大量心臟超聲影像學(xué)數(shù)據(jù)，既有利于應(yīng)對(duì)當(dāng)前醫(yī)療信息數(shù)量的急劇增長(zhǎng)，又有利于提高處理數(shù)據(jù)信息的能力。未來，針對(duì)AI的研究應(yīng)關(guān)注超聲圖像數(shù)據(jù)特征定義及其提取方法的標(biāo)準(zhǔn)化，以確?？赏茝V性和可再現(xiàn)性，促進(jìn)AI向更加個(gè)性化的醫(yī)療模式轉(zhuǎn)變。此外，AI系統(tǒng)與遠(yuǎn)程醫(yī)療等軟件的集成，將使智能心臟超聲診斷系統(tǒng)滲透到資源消耗負(fù)擔(dān)最繁重的地區(qū)，提高經(jīng)濟(jì)效益。

參考文獻(xiàn)

[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(guān)鍵詞：無(wú)人駕駛汽車；可靠性；綜述；展望

引言

近年來，互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展給汽車制造工業(yè)帶來了革命性變化的機(jī)會(huì)。與此同時(shí)，汽車智能化技術(shù)正逐步得到廣泛應(yīng)用，這項(xiàng)技術(shù)簡(jiǎn)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(yīng)用就是無(wú)人駕駛汽車[1]。

無(wú)人駕駛汽車，是可以通過計(jì)算機(jī)系統(tǒng)設(shè)置進(jìn)而實(shí)現(xiàn)無(wú)人駕駛的新型智能化汽車[2]。無(wú)人駕駛汽車是人工智能技術(shù)、雷達(dá)、數(shù)學(xué)計(jì)算、監(jiān)控設(shè)備與北斗導(dǎo)航系統(tǒng)協(xié)作實(shí)現(xiàn)的，它受計(jì)算機(jī)系統(tǒng)的控制，實(shí)現(xiàn)無(wú)人駕駛。目前，無(wú)人駕駛技術(shù)還停留在研發(fā)和實(shí)驗(yàn)中，尚未被批準(zhǔn)用作商業(yè)用途和用作私家車[3]。

據(jù)有關(guān)數(shù)據(jù)顯示，在意外事故中，以車禍占首位，占意外死亡總數(shù)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(shù)已超過3000萬(wàn)人，多于世界大戰(zhàn)死亡人數(shù)。基于高科技研究的無(wú)人駕駛汽車，無(wú)論在其安全性還是可靠性方面，都極具發(fā)展?jié)摿?。因此，無(wú)人駕駛汽車的研究與發(fā)展是降低車禍發(fā)生率、保障人民生命安全的重要任務(wù)[4]。

1 無(wú)人駕駛技術(shù)的研究成果

1.1 國(guó)外無(wú)人駕駛技術(shù)的研究成果

二十世紀(jì)五十年代起，英美等發(fā)達(dá)國(guó)家就開始涉及無(wú)人駕駛汽車領(lǐng)域的研究，并在某些方面取得了很大進(jìn)展。1950年，世界上第一臺(tái)自主導(dǎo)航汽車由貝瑞特電子公司在美國(guó)研制成功，實(shí)現(xiàn)了在設(shè)定路線上行駛。1987年，奔馳公司投資贊助了慕尼黑國(guó)防大學(xué)實(shí)驗(yàn)室，獨(dú)立設(shè)計(jì)了VaMoRs智能車，車速最高達(dá)到96KM/h。1994年，歐洲研制的VaMP和VITA-2機(jī)器人車輛在巴黎進(jìn)行了測(cè)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(shí)達(dá)到130KM/h，并能自主完成跟蹤行駛[5]。2005年，在美國(guó)國(guó)防部主辦的無(wú)人車挑戰(zhàn)賽上，斯坦福大學(xué)的選手們改裝的大眾途銳多功能車經(jīng)過7個(gè)半小時(shí)的長(zhǎng)途車程到達(dá)終點(diǎn)，完成了全程障礙賽[6]。2010年，Google設(shè)計(jì)制造的無(wú)人駕駛汽車進(jìn)行并通過了主要城市道路的駕駛測(cè)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(huì)上，Google的新產(chǎn)品無(wú)人駕駛汽車亮相，和一般的汽車不同，Google 無(wú)人駕駛汽車沒有方向盤和剎車[8]。美國(guó)、德國(guó)、日本等發(fā)達(dá)國(guó)家和歐洲由于對(duì)無(wú)人駕駛技術(shù)的研究起步早，對(duì)無(wú)人駕駛技術(shù)的掌握和對(duì)無(wú)人駕駛汽車的研發(fā)與生產(chǎn)更成熟和可靠。

1.2 國(guó)內(nèi)無(wú)人駕駛技術(shù)的研究成果

國(guó)內(nèi)在此領(lǐng)域相對(duì)英美等國(guó)家起步較晚，目前仍處于初級(jí)階段，從二十世紀(jì)八十年代開始，以國(guó)防科技大學(xué)為主開始進(jìn)行此方面的研究。

2001年，在賀漢根教授帶領(lǐng)下，研制成功時(shí)速達(dá)76公里的無(wú)人車[9]。2002年，國(guó)防科技大學(xué)與發(fā)達(dá)國(guó)家聯(lián)合研制的汽車實(shí)現(xiàn)了在公路上的無(wú)人駕駛[10]。2005年，國(guó)防科技大學(xué)完成的一個(gè)重大項(xiàng)目中，實(shí)現(xiàn)了2000公里的無(wú)人駕駛[11]。2006年，在東北亞的貿(mào)易博覽會(huì)上，中國(guó)研發(fā)的無(wú)人駕駛汽車在不封路的情況下，以80公里每小時(shí)的速度自主行駛。2011年，國(guó)防科技大學(xué)成功研制了紅旗HQ3無(wú)人車，在長(zhǎng)沙-武漢高速公路上完成了無(wú)人駕駛實(shí)驗(yàn)，創(chuàng)造了在復(fù)雜交通環(huán)境下無(wú)人駕駛的新紀(jì)錄。2012年，軍事交通學(xué)院研制的無(wú)人駕駛智能汽車配備了全球定位系統(tǒng)、超聲波雷達(dá)傳感器等先進(jìn)技術(shù)儀器，以感知周圍環(huán)境，自動(dòng)規(guī)劃行車路線[12]。2015年，長(zhǎng)安汽車首輛無(wú)人駕駛樣車在重慶亮相，為國(guó)內(nèi)第二輛原型車。長(zhǎng)安已經(jīng)完成了1級(jí)的智能駕駛技術(shù)應(yīng)用，如全速自適應(yīng)巡航、緊急剎車、車道保持等[13]。

我國(guó)無(wú)人駕駛汽車的蓬勃發(fā)展還需要長(zhǎng)期堅(jiān)持不懈的努力，面臨的困難還有很多，技術(shù)水平不足、關(guān)鍵零部件依賴進(jìn)口、政策法規(guī)不完善等問題較為突出。

2 無(wú)人駕駛汽車的可靠性分析

無(wú)人駕駛汽車的可靠性依賴其關(guān)鍵技術(shù)的可靠性。其關(guān)鍵技術(shù)有導(dǎo)航技術(shù)和智能控制技術(shù)。

1965年，傅京孫教授提出了將人工智能的啟發(fā)式推理規(guī)則在學(xué)習(xí)系統(tǒng)中實(shí)踐，是我國(guó)最早提出的把人工智能和控制技術(shù)相結(jié)合[14]。1971年，他提出智能控制是自動(dòng)控制與人工智能的二元交集論觀點(diǎn)。1977年，三元交集論被提出，即認(rèn)為智能控制是人工控制、自動(dòng)控制和運(yùn)籌學(xué)的交集。

1989年，我國(guó)依靠通信衛(wèi)星進(jìn)行了雙星定位演示驗(yàn)證試驗(yàn)，并肯定了北斗衛(wèi)星導(dǎo)航試驗(yàn)系統(tǒng)技術(shù)體制的正確性和可行性。1994年，我國(guó)正式啟動(dòng)北斗衛(wèi)星導(dǎo)航試驗(yàn)系統(tǒng)建設(shè)。2004年，啟動(dòng)導(dǎo)航系統(tǒng)建設(shè)。2006年，張彥在汽車產(chǎn)品的可靠性工程中應(yīng)用了灰色系統(tǒng)理論，主要體現(xiàn)在可靠性設(shè)計(jì)、分配、預(yù)測(cè)、試驗(yàn)和評(píng)價(jià)，為無(wú)人駕駛汽車可靠性研究開辟了更廣的研究方向[15]。2008年，萬(wàn)正高憑借我國(guó)汽車行業(yè)整車產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)的部分結(jié)果，建立了汽車可靠性的數(shù)據(jù)庫(kù)，并開發(fā)了可靠性數(shù)據(jù)分析處理軟件[16]。2009年，北斗衛(wèi)星導(dǎo)航系統(tǒng)成功發(fā)射了GEO衛(wèi)星，驗(yàn)證了相關(guān)技術(shù)的正確性。2015年，主席參加“互聯(lián)網(wǎng)之光”博覽會(huì)時(shí)，參觀了百度的展臺(tái)，并聽取了關(guān)于無(wú)人駕駛汽車研發(fā)的報(bào)告。

隨著無(wú)人駕駛汽車行業(yè)的深入研究，提高無(wú)人駕駛汽車的可靠性就顯得十分緊迫，對(duì)其進(jìn)行可靠性試驗(yàn)更顯得尤為重要和必要。

3 無(wú)人駕駛汽車面臨的問題及因素分析

雖然我國(guó)無(wú)人駕駛汽車發(fā)展迅速，但是分析無(wú)人駕駛汽車的發(fā)展現(xiàn)狀，仍發(fā)現(xiàn)了一些問題，主要表現(xiàn)為以下幾個(gè)方面：

3.1 技術(shù)不夠成熟，關(guān)鍵技術(shù)的可靠性需進(jìn)一步論證

雖然國(guó)內(nèi)外對(duì)無(wú)人駕駛汽車的研究與試驗(yàn)都積累了一定的經(jīng)驗(yàn)，但是考慮到其安全性和應(yīng)用，無(wú)人駕駛汽車的技術(shù)可靠性仍需進(jìn)一步論證，特別是關(guān)鍵技術(shù)。Google研制的無(wú)人駕駛汽車雖然通過了實(shí)際城市道路的行駛測(cè)試，但是其通行也只是限制在美國(guó)的某些州而不是全美國(guó)；我國(guó)國(guó)防科技大學(xué)研制的無(wú)人駕駛汽車完成了高速公路無(wú)人駕駛實(shí)驗(yàn)，但這也是在特殊條件下進(jìn)行的測(cè)試，是仿真模擬[17]。因此，無(wú)人駕駛汽車技術(shù)的成熟還需進(jìn)一步論證，對(duì)無(wú)人駕駛汽車的試驗(yàn)也應(yīng)多積累經(jīng)驗(yàn)[18]。

3.2 成本太高，大批量生產(chǎn)困難

智能化的現(xiàn)代，人類生活方便快捷，生活質(zhì)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(xiàn)了傳統(tǒng)汽車制造業(yè)的繁榮和汽車價(jià)格的日趨降低。但是針對(duì)無(wú)人駕駛汽車這一全新的領(lǐng)域來說，高成本始終成為其不可避免的問題。雖然無(wú)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(jià)比則阻礙了其大批量生產(chǎn)和普及，因此，降低成本成為無(wú)人駕駛汽車普及的關(guān)鍵因素[19]。

3.3 對(duì)傳統(tǒng)汽車制造業(yè)及其相關(guān)產(chǎn)業(yè)沖擊大

隨著無(wú)人駕駛汽車的普及和汽車共享意識(shí)增強(qiáng)，傳統(tǒng)汽車銷售數(shù)量和售價(jià)將會(huì)出現(xiàn)一定幅度的下降。汽車行業(yè)秩序可能被打亂，傳統(tǒng)整車制造商的行業(yè)地位將受到新進(jìn)入者的巨大沖擊。隨著無(wú)人駕駛汽車交通事故率的降低，人們?yōu)槠嚰叭藛T投保的意識(shí)和心理會(huì)受到一定影響，因而保險(xiǎn)行業(yè)特別是車險(xiǎn)的銷售會(huì)受到一定沖擊。

3.4 交通法規(guī)制定困難及人倫困境

無(wú)人駕駛汽車作為一種新型智能化產(chǎn)品，必然會(huì)給人類生活帶來新的改變，而已有的交通法規(guī)也將不適用于無(wú)人駕駛汽車的上路行駛，因此交通法規(guī)的修改甚至是重新制定將是一件重要的、困難的工作。當(dāng)無(wú)人駕駛汽車與傳統(tǒng)汽車發(fā)生交通事故時(shí)，責(zé)任和賠償?shù)纫幌盗惺聞?wù)的處理勢(shì)必會(huì)觸及人倫道德的方面，而現(xiàn)有處理事故人員的素質(zhì)及主觀因素也使這些問題的解決更為棘手。

4 無(wú)人駕駛汽車的展望

本文總結(jié)了無(wú)人駕駛汽車的國(guó)內(nèi)外研究狀況，對(duì)其技術(shù)可靠性做出了論述，發(fā)現(xiàn)了國(guó)內(nèi)外無(wú)人駕駛汽車出現(xiàn)的共同問題。雖然對(duì)無(wú)人駕駛汽車的研究從上個(gè)世紀(jì)就已經(jīng)開始，期間也突破了很多技術(shù)難題并取得了一定成果，但距無(wú)人駕駛汽車真正走進(jìn)人類生活還需要很長(zhǎng)的研究與試驗(yàn)過程。從當(dāng)今來看無(wú)人駕駛汽車，其研究、發(fā)展和普及存在著很多尖銳的問題。

今后可從以下幾個(gè)方面對(duì)無(wú)人駕駛汽車進(jìn)行研究或開展工作。（1）對(duì)無(wú)人駕駛汽車的可靠性及安全性繼續(xù)進(jìn)行研究和試驗(yàn)。（2）對(duì)無(wú)人駕駛汽車的制造成本進(jìn)行突破并向批量生產(chǎn)過渡。（3）對(duì)傳統(tǒng)汽車制造業(yè)進(jìn)行產(chǎn)業(yè)升級(jí)并帶動(dòng)相關(guān)產(chǎn)業(yè)的發(fā)展。（4）根據(jù)試驗(yàn)結(jié)果進(jìn)行交通法規(guī)的修改制定并大力宣傳無(wú)人駕駛汽車。（5）大力發(fā)展無(wú)人駕駛汽車在服務(wù)業(yè)、工業(yè)和私人方面的應(yīng)用，擴(kuò)大其消費(fèi)市場(chǎng)。

參考文獻(xiàn)

[1]喬維高，徐學(xué)進(jìn).無(wú)人駕駛汽車的發(fā)展現(xiàn)狀及方向[J].上海汽車，2007，07：40-43.

[2]楊帆.無(wú)人駕駛汽車的發(fā)展現(xiàn)狀和展望[J].上海汽車，2014，03：35-40.

[3]端木慶玲，阮界望，馬鈞.無(wú)人駕駛汽車的先進(jìn)技術(shù)與發(fā)展[J].農(nóng)業(yè)裝備與車輛工程，2014，03：30-33.

[4]潘建亮.無(wú)人駕駛汽車社會(huì)效益與影響分析[J].汽車工業(yè)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(wú)人駕駛汽車在中國(guó)[N].計(jì)算機(jī)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(wú)人駕駛汽車的研究現(xiàn)狀及發(fā)展方向[J].汽車維修，2003，02：9-10.

[9]我國(guó)無(wú)人駕駛汽車成功挑戰(zhàn)高速公路[J].創(chuàng)新時(shí)代，2012（12）：14.

[10]林一平.不斷創(chuàng)新發(fā)展的現(xiàn)代無(wú)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(wú)人駕駛汽車的發(fā)展及可行性[J].山東工業(yè)技術(shù)，2015，04：50.

[12]馮學(xué)強(qiáng)，張良旭，劉志宗.無(wú)人駕駛汽車的發(fā)展綜述[J].山東工業(yè)技術(shù)，2015，05：51.

[13]趙陽(yáng).無(wú)人駕駛汽車關(guān)鍵技術(shù)[J].中國(guó)科技博覽，2011（26）：272.

[14]喬喻.無(wú)人駕駛汽車開啟“智能交通”新時(shí)代[J].第二課堂（B），2014，11：4-9.

[15]張彥.基于灰色理論的汽車產(chǎn)品可靠性工程研究[D].合肥工業(yè)大學(xué)，2006.

[16]萬(wàn)正高.國(guó)產(chǎn)電動(dòng)汽車的可靠性評(píng)估與故障規(guī)律研究[D].武漢理工大學(xué)，2008.

[17]李晶.谷歌無(wú)人駕駛汽車：從改造到自造[N].北京科技報(bào)，2014-06-09034.

[18]黃武陵.無(wú)人駕駛汽車能否讓城市通暢[N].光明日?qǐng)?bào)，2012-06-12012.

篇9

課程中文名稱 課程英文名稱

高等數(shù)理方法 Advanced Mathematical Method

彈塑性力學(xué) Elastic-Plastic Mechanics

板殼理論 Theory of Plate and Shell

高等工程力學(xué) Advanced Engineering Mechanics

板殼非線性力學(xué) Nonlinear Mechanics of Plate and Shell

復(fù)合材料結(jié)構(gòu)力學(xué) Structural Mechanics of Composite Material

彈性元件的理論及設(shè)計(jì) Theory and Design of Elastic Element

非線性振動(dòng) Nonlinear Vibration

高等土力學(xué) Advanced Soil Mechanics

分析力學(xué) Analytic Mechanics

隨機(jī)振動(dòng) Random Vibration

數(shù)值分析 Numerical Analysis

基礎(chǔ)工程計(jì)算與分析 Calculation and Analysis of Founda tionEngineering

結(jié)構(gòu)動(dòng)力學(xué) Structural Dynamics

實(shí)驗(yàn)力學(xué) 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(yōu)化設(shè)計(jì)方法 Optimal Design Method

彈性力學(xué) Elastic Mechanics

高層建筑基礎(chǔ) Tall Building Foundation

動(dòng)力學(xué) Dynanics

土的本構(gòu)關(guān)系 Soil Constitutive Relation

數(shù)學(xué)建模 Mathematical Modeling

現(xiàn)代通信理論與技術(shù) Emerging Communications Theory and Technology

數(shù)字信號(hào)處理 Digital Signal Processing

網(wǎng)絡(luò)理論與多媒體技術(shù) Multi-media and Network Technology

醫(yī)用電子學(xué) Electronics for Medicine

計(jì)算微電子學(xué) Computational Microelectronics

集成電路材料和系統(tǒng)電子學(xué) Material and System Electronics for Integrated Circuits

網(wǎng)絡(luò)集成與大型數(shù)據(jù)庫(kù) Computer Network Integrating Technology and Largescale Database

現(xiàn)代數(shù)字系統(tǒng) Modern Digital System

微機(jī)應(yīng)用系統(tǒng)設(shè)計(jì) Microcomputer Application Design

計(jì)算機(jī)網(wǎng)絡(luò)新技術(shù) Modern Computer Network Technologies

網(wǎng)絡(luò)信息系統(tǒng) 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(shù) Remote Sensing Techniques

虛擬儀器系統(tǒng)設(shè)計(jì) Design of Virtual Instrument System

生物醫(yī)學(xué)信號(hào)處理技術(shù) Signal Processing for Biology and Medicine

光纖光學(xué) Fiber Optics

VLSI的EDA技術(shù) EDA Techniques for VLSI

電子系統(tǒng)的ASIC技術(shù) ASIC Design Technologies

VLSI技術(shù)與檢測(cè)方法 VLSI Techniques & Its Examination

專題閱讀或?qū)ｎ}研究 The Special Subject Study

信息論 Information Theory

半導(dǎo)體物理學(xué) Semiconductor Physics

通信原理 Principle of Communication

現(xiàn)代數(shù)理邏輯 Modern Mathematical Logic

算法分析與設(shè)計(jì) Analysis and Design of Algorithms

高級(jí)計(jì)算機(jī)網(wǎng)絡(luò) Advanced Computer Networks

高級(jí)軟件工程 Advanced Software Engineering

數(shù)字圖像處理 Digital Image Processing

知識(shí)工程原理 Principles of Knowledge Engineering

面向?qū)ο蟪绦蛟O(shè)計(jì) Object-Oriented Programming

形式語(yǔ)言與自動(dòng)機(jī) Formal Languages and Automata

人工智能程序設(shè)計(jì) Artificial Intelligence Programming

軟件質(zhì)量與測(cè)試 Software Quality and Testing

大型數(shù)據(jù)庫(kù)原理與高級(jí)開發(fā)技術(shù) 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(tǒng)分析 Analysis of Unix System

計(jì)算機(jī)圖形學(xué) Computer Graphics

Internet與Intranet技術(shù) Internet and Intranet Technology

多媒體技術(shù) Multimedia Technology

數(shù)據(jù)倉(cāng)庫(kù)技術(shù)與聯(lián)機(jī)分析處理 Data Warehouse and OLAP

程序設(shè)計(jì)方法學(xué) Methodology of Programming

計(jì)算機(jī)信息保密與安全 Secrecy and Security of Computer Information

電子商務(wù) Electronic Commerce

分布式系統(tǒng)與分布式處理 Distributed Systems and Distributed Processing

并行處理與并行程序設(shè)計(jì) Parallel Processing and Parallel Programming

模糊信息處理技術(shù) Fuzzy Information Processing Technology

人工神經(jīng)網(wǎng)絡(luò)及應(yīng)用 Artificial Intelligence and Its Applications

Unix編程環(huán)境 Unix Programming Environment

計(jì)算機(jī)視覺 Computer Vision

高級(jí)管理信息系統(tǒng) Advanced Management Information Systems

信息系統(tǒng)綜合集成理論及方法 Theory and Methodology of Information nSystemIntegration

計(jì)算機(jī)科學(xué)研究新進(jìn)展 Advances in Computer Science

離散數(shù)學(xué) Discrete Mathematics

操作系統(tǒng) Operating System

數(shù)據(jù)庫(kù)原理 Principles of Database

編譯原理 Principles of Compiler

程序設(shè)計(jì)語(yǔ)言 Programming Language

數(shù)據(jù)結(jié)構(gòu) Data Structure

計(jì)算機(jī)科學(xué)中的邏輯學(xué) Logic in Computer Science

面向?qū)ο笙到y(tǒng)分析與設(shè)計(jì) Object-Oriented System Analysis and Design

高等數(shù)值分析 Advanced Numeric Analysis

人工智能技術(shù) Artificial Intelligence Technology

軟計(jì)算理論及應(yīng)用 Theory and Application of Soft-Computing

邏輯程序設(shè)計(jì)與專家系統(tǒng) Logic Programming and Expert Systems

模式識(shí)別 Pattern Recognition

軟件測(cè)試技術(shù) Software Testing Technology

高級(jí)計(jì)算機(jī)網(wǎng)絡(luò)與集成技術(shù) Advanced Computer Networks and IntegrationTechnology

語(yǔ)音信號(hào)處理 Speech Signal Processing

系統(tǒng)分析與軟件工具 System Analysis and Software Tools

計(jì)算機(jī)仿真 Computer Simulation

計(jì)算機(jī)控制 Computer Control

圖像通信技術(shù) Image Communication Technology

人工神經(jīng)網(wǎng)絡(luò)及應(yīng)用 Artificial Intelligence and Its Applications

計(jì)算機(jī)技術(shù)研究新進(jìn)展 Advances in Computer Technology

環(huán)境生物學(xué) Environmental Biology

水環(huán)境生態(tài)學(xué)模型 Models of Water Quality

環(huán)境化學(xué) Environmental Chemistry

環(huán)境生物技術(shù) Environmental Biotechnology

水域生態(tài)學(xué) Aquatic Ecology

環(huán)境工程 Environmental Engineering

環(huán)境科學(xué)研究方法 Study Methodology of Environmental Science

藻類生理生態(tài)學(xué) Ecological Physiology in Algae

水生動(dòng)物生理生態(tài)學(xué) Physiological Ecology of Aquatic Animal

專業(yè)文獻(xiàn)綜述 Review on Special Information

廢水處理與回用 Sewage Disposal and Re-use

生物醫(yī)學(xué)材料學(xué)及實(shí)驗(yàn) Biomaterials and Experiments

現(xiàn)代測(cè)試分析 Modern Testing Technology and Methods

生物材料結(jié)構(gòu)與性能 Structures and Properties of Biomaterials

計(jì)算機(jī)基礎(chǔ) Computer Basis

醫(yī)學(xué)信息學(xué) Medical Informatics

計(jì)算機(jī)匯編語(yǔ)言 Computer Assembly Language

學(xué)科前沿講座 Lectures on Frontiers of the Discipline

組織工程學(xué) Tissue Engineering

生物醫(yī)學(xué)工程概論 Introduction to Biomedical Engineering

高等生物化學(xué) Advanced Biochemistry

光學(xué)與統(tǒng)計(jì)物理 Optics and Statistical Physics

圖像分析 Image Treatment

數(shù)據(jù)處理分析與建模 Data Analysis and Constituting Model

高級(jí)數(shù)據(jù)庫(kù) Advanced Database

計(jì)算機(jī)網(wǎng)絡(luò) Computer Network

多媒體技術(shù) Technology of Multimedia

軟件工程 Software Engineering

藥物化學(xué) Pharmaceutical Chemistry

功能高分子 Functional Polymer

InternetIntranet（英） InternetIntranet

程序設(shè)計(jì)方法學(xué) Methods of Programming InternetIntranet

高分子化學(xué)與物理 Polymeric Chemistry and Physics

醫(yī)學(xué)電子學(xué) Medical Electronics

現(xiàn)代儀器分析 Modern Instrumental Analysis

儀器分析實(shí)驗(yàn) Instrumental Analysis Experiment

食品添加劑 Food Additives Technology

高級(jí)食品化學(xué) Advanced Food Chemistry

食品酶學(xué) Food Enzymology

現(xiàn)代科學(xué)前沿選論 Literature on Advances of Modern Science

波譜學(xué) Spectroscopy

波譜學(xué)實(shí)驗(yàn) Spectroscopic Experiment

食品貯運(yùn)與包裝 Food Packaging

液晶化學(xué) Liquid Crystal Chemistry

高等有機(jī)化學(xué) Advanced Organic Chemistry

功能性食品 Function Foods

食品營(yíng)養(yǎng)與衛(wèi)生學(xué) Food Nutrition and Hygiene

食品生物技術(shù) Food Biotechnology

食品研究與開發(fā) Food Research and Development

有機(jī)合成化學(xué) Synthetic Organic Chemistry

食品分離技術(shù) Food Separation Technique

精細(xì)化工裝備 Refinery Chemical Equipment

食品包裝原理 Principle of Food Packaging

表面活性劑化學(xué)及應(yīng)用 Chemistry and Application of Surfactant

天然產(chǎn)物研究與開發(fā) Research and Development of Natural Products

食品工藝學(xué) Food Technology

生物化學(xué) Biochemistry

食品分析 Food Analysis

篇10

【關(guān)鍵詞】發(fā)動(dòng)機(jī)；智能診斷；故障診斷；專家系統(tǒng)；多信息融合

【中圖分類號(hào)】TH 【文獻(xiàn)標(biāo)識(shí)碼】A

【文章編號(hào)】1007-4309（2013）04-0062-1.5

發(fā)動(dòng)機(jī)的診斷技術(shù)是根據(jù)發(fā)動(dòng)機(jī)在正常與非正常兩種狀態(tài)下的某些指標(biāo)的對(duì)比及變化趨勢(shì)，對(duì)發(fā)動(dòng)機(jī)的技術(shù)狀況和故障隱患進(jìn)行定性、定量的分析，為故障的診斷和決策提供科學(xué)的依據(jù)的一種技術(shù)。為了適應(yīng)現(xiàn)代柴油機(jī)使用維修的需要，必須以檢測(cè)診斷技術(shù)為基礎(chǔ)，加強(qiáng)故障潛伏期的監(jiān)控，實(shí)現(xiàn)狀態(tài)監(jiān)控下的針對(duì)性維修。

一、常用發(fā)動(dòng)機(jī)監(jiān)測(cè)技術(shù)

目前，比較成熟的性能指標(biāo)測(cè)試方法有以下幾種：無(wú)負(fù)荷測(cè)功法。一般情況下，采用國(guó)產(chǎn)無(wú)負(fù)荷加速測(cè)功儀，將發(fā)動(dòng)機(jī)從中低速（一般在l000r/min）猛加速至額定轉(zhuǎn)速，以實(shí)測(cè)功率值不小于額定功率的80%為使用標(biāo)準(zhǔn)；轉(zhuǎn)速的測(cè)定。用最高空轉(zhuǎn)轉(zhuǎn)速、額定功率時(shí)轉(zhuǎn)速、最大扭矩時(shí)轉(zhuǎn)速的測(cè)定值與其對(duì)應(yīng)的標(biāo)定值進(jìn)行對(duì)比，以不低于標(biāo)定值的90%為使用標(biāo)準(zhǔn)；發(fā)動(dòng)機(jī)各運(yùn)轉(zhuǎn)部件磨損程度的檢測(cè)分析。目前，比較成熟的手段是鐵譜分析法，通過鐵譜儀觀測(cè)油中金屬顆粒的數(shù)量、大小、形貌、濃度和顏色的變化，據(jù)此確定其磨損部位、性質(zhì)與程度。它為發(fā)動(dòng)機(jī)的磨損分析提供了有效依據(jù)。

二、發(fā)動(dòng)機(jī)故障診斷技術(shù)的分類

目前，發(fā)動(dòng)機(jī)故障診斷領(lǐng)域涌現(xiàn)出很多的方法，其中依據(jù)診斷的流程可分為經(jīng)驗(yàn)儀表診斷法（利用專家的經(jīng)驗(yàn)或借助儀表進(jìn)行診斷）、專家系統(tǒng)診斷法（將專家的經(jīng)驗(yàn)以計(jì)算機(jī)程序的形式進(jìn)行表達(dá)，是一種智能化的診斷方法）、基于特征狀態(tài)識(shí)別的方法（通過提取故障信號(hào)進(jìn)行分析和識(shí)別）、車載自診斷方法（主要用于車輛電控系統(tǒng)的故障診斷）以及近幾年來發(fā)展的集成化和網(wǎng)絡(luò)化故障診斷方法等。

三、專家系統(tǒng)故障診斷方法在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用

專家系統(tǒng)的基本結(jié)構(gòu)?；趯＜蚁到y(tǒng)的故障診斷方法其實(shí)是一個(gè)計(jì)算機(jī)智能程序，計(jì)算機(jī)在采集診斷對(duì)象的信息后，綜合運(yùn)用各種規(guī)則（專家經(jīng)驗(yàn)）進(jìn)行一系列的推理，必要時(shí)還可以隨時(shí)調(diào)用各種應(yīng)用程序，運(yùn)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(shí)，應(yīng)用人工智能技術(shù)，模擬人類專家求解問題的思維過程來進(jìn)行汽車故障診斷的一種智能化方法。

專家系統(tǒng)的實(shí)現(xiàn)關(guān)鍵技術(shù)。知識(shí)獲取是指如何獲得專家的知識(shí)和經(jīng)驗(yàn)的問題，一般知識(shí)獲取的方式有如下幾種：通過知識(shí)工程師與領(lǐng)域?qū)＜医佑|，在專家的指導(dǎo)下以一種適當(dāng)?shù)挠?jì)算機(jī)內(nèi)部表示將知識(shí)編入知識(shí)庫(kù)；通過一種智能的知識(shí)獲取機(jī)制，讓專家與專家系統(tǒng)直接打交道，由智能編輯器直接生成知識(shí)庫(kù)；通過建立一個(gè)帶有歸納、類比或其他高級(jí)學(xué)習(xí)功能的知識(shí)發(fā)現(xiàn)系統(tǒng)，使之通過實(shí)例或?qū)嶋H問題來總結(jié)發(fā)現(xiàn)出一些尚未被專家掌握或認(rèn)識(shí)到的知識(shí)裝入知識(shí)庫(kù)。

知識(shí)表示是關(guān)于各種存儲(chǔ)知識(shí)的數(shù)據(jù)結(jié)構(gòu)及其對(duì)這些結(jié)構(gòu)的解釋過程的結(jié)合。傳統(tǒng)故障診斷專家系統(tǒng)主要有以下幾種知識(shí)表示方法：產(chǎn)生式，又稱規(guī)則式表示法，是人工智能中最常用的知識(shí)表示方法；語(yǔ)義網(wǎng)絡(luò)式，通過概念以及語(yǔ)義關(guān)系來表達(dá)知識(shí)的一種網(wǎng)絡(luò)圖；框架式，是一種表示定性狀態(tài)的數(shù)據(jù)結(jié)構(gòu)，可表達(dá)知識(shí)之間的結(jié)構(gòu)關(guān)系，但是框架表示法不善于表達(dá)過程性知識(shí)。

推理方法是專家系統(tǒng)解決具體問題的思維過程，一般由程序?qū)崿F(xiàn)。常用的推理方式有基于規(guī)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(guān)于精確知識(shí)的推理。對(duì)于不精確知識(shí)推理主要采用概率法、可信度方法、證據(jù)論證法和模糊子集法等。

專家系統(tǒng)的改進(jìn)：基于案例的專家系統(tǒng)?；诎咐评硎墙陙砣斯ぶ悄茴I(lǐng)域興起的一種診斷推理技術(shù)。它是類比推理的一個(gè)獨(dú)立子類。其基本思想是利用過去求解成功或失敗的經(jīng)驗(yàn)，通過對(duì)歷史案例知識(shí)的挖掘，獲得蘊(yùn)涵于過去中的豐富經(jīng)驗(yàn)和知識(shí)，并且可利用計(jì)算機(jī)進(jìn)行推理。該方法主要用于分析不確定性故障，適用于診斷領(lǐng)域源知識(shí)難以表示成規(guī)則而易于表達(dá)成案例的情況。

基于模糊理論的專家系統(tǒng)。在發(fā)動(dòng)機(jī)故障診斷方法中，針對(duì)界限不分明的模糊概念，可以采用將模糊理論與專家系統(tǒng)技術(shù)相結(jié)合的方法。采用人工智能的方法，利用專家知識(shí)動(dòng)態(tài)建立模糊診斷矩陣，并經(jīng)過適應(yīng)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(jīng)網(wǎng)絡(luò)的專家系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)從1943年心理學(xué)家W.S.McCulloch和數(shù)學(xué)家W.Pitts研究并提出M-P神經(jīng)元模型起至今，已成為人工智能領(lǐng)域內(nèi)除專家系統(tǒng)外的又一重要分支。人工神經(jīng)網(wǎng)絡(luò)采用神經(jīng)元及它們之間的有向權(quán)重連接來隱含處理問題的知識(shí)，因此，它善于處理復(fù)雜問題，且具有自學(xué)習(xí)能力。神經(jīng)元處理信息是相對(duì)獨(dú)立的，便于處理并行問題。

基于行為的專家系統(tǒng)?；谛袨榈膶＜蚁到y(tǒng)采用神經(jīng)網(wǎng)絡(luò)模塊化單元，以確保系統(tǒng)與對(duì)象的實(shí)時(shí)交互。它是一種相對(duì)獨(dú)立且能夠動(dòng)態(tài)構(gòu)建故障診斷子神經(jīng)網(wǎng)絡(luò)模塊單元的變結(jié)構(gòu)單元，該模塊同車輛電控單元（ECU）之間進(jìn)行數(shù)據(jù)交互，可以實(shí)現(xiàn)實(shí)時(shí)在線的監(jiān)測(cè)與診斷。開發(fā)基于行為的診斷專家系統(tǒng)的關(guān)鍵是故障行為征兆（語(yǔ)義征兆、網(wǎng)絡(luò)征兆）的自動(dòng)獲取問題，新故障的自動(dòng)識(shí)別和分類問題也是開發(fā)的重點(diǎn)。隨著網(wǎng)絡(luò)的不斷進(jìn)步，網(wǎng)絡(luò)技術(shù)和專家技術(shù)結(jié)合，可發(fā)展為基于網(wǎng)絡(luò)的故障診斷專家系統(tǒng)，可實(shí)現(xiàn)基于Web的數(shù)據(jù)庫(kù)技術(shù)、實(shí)時(shí)數(shù)據(jù)傳輸技術(shù)和網(wǎng)絡(luò)安全技術(shù)的遠(yuǎn)程裝甲車輛故障診斷技術(shù)。

四、信息融合技術(shù)在裝甲車輛發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用

發(fā)動(dòng)機(jī)的工作過程是復(fù)雜的，其故障診斷信息也是非常復(fù)雜的。對(duì)于現(xiàn)代的發(fā)動(dòng)機(jī)，需要再用多種傳感器協(xié)同來獲取不同種類、不同狀態(tài)的信息，然而，不同的信息之間也是相互獨(dú)立或耦合，甚至?xí)霈F(xiàn)相互矛盾的情況。發(fā)動(dòng)機(jī)工作過程故障由于系統(tǒng)結(jié)構(gòu)的復(fù)雜性，各機(jī)構(gòu)運(yùn)動(dòng)的非線性，傳統(tǒng)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(dǎo)致其診斷結(jié)果的不確定性，有效的解決方法是應(yīng)用多傳感器的信息融合技術(shù)和模糊邏輯推理方法。

相比于傳統(tǒng)的故障診斷技術(shù)來說，還會(huì)出現(xiàn)更多先進(jìn)的可遠(yuǎn)程控制的裝甲車輛發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)與故障分析技術(shù)，適應(yīng)裝甲部隊(duì)信息化高科技戰(zhàn)爭(zhēng)條件下的技術(shù)保障要求，為作戰(zhàn)部隊(duì)提供強(qiáng)有力的保障。

【參考文獻(xiàn)】

[1]陳立新等.汽車發(fā)動(dòng)機(jī)智能故障診斷研究綜述[J].制造業(yè)自動(dòng)化，河北：華北電力大學(xué)，2008，30（10）.