導語：如何才能寫好一篇人工智能神經網絡概念，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

【關鍵詞】人工智能 醫學領域

1 引言

人工智能（AI）是上世紀50年展起來的新興學科，主要內容包括：知識表示、自然語言理解、機器學習和知識獲取、知識處理系統、計算機視覺、自動推理和搜索方法、智能機器人、自動程序設計等方面。在過去的幾十年里人工智能涌現出了大量的方法，大致可分為兩大類：第一類是基于Newell和Simon的物理符號系統假說的符號處理方法。這種方法大多采用從知識階段向下到符號和實施階段的自上而下的設計方法，第二類是采用自下而上設計的“字符號”方法。

2 人工智能的發展

全球對人工智能的研發經歷了已經有70年的發展，從上個世紀的50年代開始一直到今天，歷經了兩次大起大落，但伴隨著深度學習的重燃、龐大的大數據支撐以及計算能力的不斷提升和成本的不斷下降這些因素的出現，尤其是在摩爾定律、大數據、互聯網和云計算、新方法這些人工智能進步的催化劑作用下，將迎來人工智能新的春天。

3 人工智能在醫學領域上的應用

3.1 在神經網絡中人工智能的應用

在醫學診斷中人工智能的應用會出現一些難題，例如知識獲取比較難、推理速度慢、自主學習以及自適應變化能力弱。研究人腦連接發現了以人工神經為特點可以解決在獲取知識中所出現的瓶頸和知識種類繁瑣問題，能夠提高對知識的推理能力，包括自主學習，自組織等方面的能力，促進了神經網絡在醫學專家系統中的快速發展。

人工智能領域ANN，有不同于其他人工智能的方法，在傳統的結構上，它只是AI分支中的一個，只能通過邏輯符號來模擬人腦的思維方式，進一步來實現人工智能，與之相比，不同的ANN是學習和訓練為一體來達到智能的。ANN具有學習的能力及特殊方法，用戶不用編寫復雜的程序來解決所遇到的問題，只用提供有效的數據就可以完成。迄今為止，醫學領域中對大部分的病理原因無法解釋，無法確定病理原因，加上各種疾病的表現種類復雜多變。在醫學的日常實踐中，疾病相應的治療只能以經驗為基礎來判斷。所以，ANN有著記憶，學習和歸納總結為一體的人工智能服務，在醫學領域有很好的應用發展趨勢。

3.2 在中醫學中人工神經網絡的應用

在中醫學中，所提出的“辨證論治”中的“證”具有模棚性、不確定性的特點，主觀性比較強，因此中醫的診斷方法和治療手段與醫師的經驗水平有很大聯系。數年來在實驗研究，臨床觀察，文章整理，經驗總結上，都有著對“證”的研究思想的深入調查。一部分“辨證”的過程可以用人工神經網絡來替換使用。恰當的中醫癥狀可以作為基本輸入和適當人工神經網絡模型，人工神經網絡能夠根據以往的學習“經驗”來進行綜合分析，從而提出中醫診斷方法。

由神經元結構模型、網絡連接模型、網絡學習算法等幾個要素組成了人工神經網絡。具有某些智能系統的功能。 按照網絡結構來劃分，人工神經網絡有很多不同的種類，例如感知器、BP網絡、Hopfield網絡等，目前應用最為廣泛的神經網絡就是其中的BP網絡。這種前沿網絡非 BP網絡所屬，網絡的結構與權值能夠表達復雜的非線性 I/0映射關系。憑借 BP網絡優良的自主學習功能，既可以通過誤差的反向傳播方法，對照已知樣本反復進行訓練，也可以調整網絡的權值，直到網絡的 I/0關系在某一塊訓練指標下最接近樣本為止。

3.3 人工智能在臨床醫療診斷中的應用

計算機編寫的程序主要根據專家系統的設計原理和方法來模擬醫生的醫學診斷，以及通常治療手段的思維過程來進行。醫療專家系統是臨床醫療診斷中人工智能的很好體現，不僅能夠處理較為復雜的醫學治療問題，還能當做醫生診斷疾病的重要工具，更重要的是傳承了專家們的寶貴醫學治療經驗。

3.4 人工智能技術在醫學影像診斷中的應用

目前，在醫學影像中存在著的問題，比如：誤診率高、缺口大。這些問題需要通過人工智能的方法來解決。在醫學影像技術領域人工智能的應用包括主要的兩個方面，分別是：第一個方面為圖像識別，第二個方面為深度學習，其中人工智能應用最核心的部分實深度學習。這兩個部分都是基于醫學影像大數據所進行的數據上的挖掘和應用。這兩個方面所進行的數據挖掘及其應用都是依據醫學影像大數據來完成的。

Geoffrey Hinton教授是神經網絡領域的大師，2006年，他與其博士生在《Science》和相關的期刊上發表了論文，第一次提出了“深度信念網絡”的概念。2012年，由斯坦福大學Fei-Fei Li教授舉辦的ImageNet ILSVRC大規模圖像識別評測任務是由Hinton教授的研究團隊參加的。這個任務包括了120萬張高分辨率圖片，1000個類比。Hinton教授團隊使用了全新的黑科技多層卷積神經網絡結構，將圖像識別錯誤率突破性地從26.2%降低到了15.3%。 這個革命性的技術，讓神經網絡深度學習以迅速的速度進入了醫療和工業的領域范圍，隨后這一技術被陸續出現的醫療影像公司使用。例如：國際知名的醫學影像公司Enlitic和國內剛剛獲得有峰瑞資本600萬天使輪融資的DeepCare。都是不斷積累大量影像數據和診斷數據，繼續對神經元網絡進行深度的學習訓練，從而有效的提高了醫生診斷的準確率。

人工智能不僅能使患者的健康檢查快速進行，包括X光、B超、核磁共振等。另外還能大量減少醫生的讀片時間，提升了醫生的工作效率，降低誤診率。

4 總結

人工智能軟件工作效率遠遠超過了人類大腦，不僅能夠更快速的找到數據的模式和相似性，還能有效幫助醫生和科學家提取重要的信息。隨著人工智能的發展及其在醫學領域的逐漸普及和應用，兩者的互相融合在未來必定成為醫學發展的重要方向。

參考文獻

[1]馮伍，張俊蘭.人工智能在醫學上的應用[J].電子設計工程，2010（01）.

[2]楊琴，陳家榮.人工智能在醫學領域中的應用[J].科技風，2012（12），100-101.

[3]王宇飛，孫欣.人工智能的研究與應用[J].信息與電腦，2016（05）.

[4]鉛筆道.人工智能與影像診斷相結合的醫生界阿爾法狗，2016（03）.

篇2

糊理論、遺傳算法等人工智能技術的含義進行了介紹，并對這些技術在電力系統中的應用和存在問題進行了分析。

關鍵詞：人工智能、電力系統、應用

中圖分類號：TM76 文獻標識碼：A 文章編號：1007-9416（2012）03-0000-00

1、人工智能技術

人工智能技術(AI artificial intelligence)是一項將人類知識轉化為機器智能的技術。它研究的是怎樣用機器模仿人腦從事推理、規劃、設計、思考和學習等思維活動，解決需要由專家才能處理好的復雜問題。在應用方面，以專家系統、人工神經網絡、遺傳算法等最為普遍[1][2] 。

1.1 專家系統(ES)

專家系統是利用知識和推理來解決專家不能解決的問題。傳統程序需要固定程序和復雜算法，輸入數據并得出結果。專家系統集中大量的符號處理，采用啟發式方法模擬專家的推理過程，通過推理，利用知識解決問題。它具有邏輯思維和符號處理能力，能修改原來知識，適合于電力系統問題的分析。

1.2 人工神經網絡(ANN)

人工神經網絡是大量處理單元廣泛互聯而成的網絡，是一種模擬動物神經系統的技術。神經網絡具有自適應和自學習的能力，能并行處理分布信息。電力系統應用人工神經網絡可以進行實時控制、狀態評估等。

1.3 遺傳算法(GA)

遺傳算法是一種進化論的數學模型，借鑒自然遺傳機制的隨機搜索算法。它的主要特征是群體搜索和群體中個體之間的信息交換。該方法適用于處理傳統搜索方法難以解決的非線性問題。

1.4 模糊邏輯(FL)

當輸入是離散的變量，難以建立數學模型。而模糊邏輯則成功地應用在潮流計算、系統規劃、故障診斷等電力系統問題。

1.5 混合技術

以上各種智能控制方法各有局限性，有些甚至難以處理電力系統實際問題。因此需要結合各個算法的優勢，采用人工智能混合技術。其中包括：模糊專家系統、神經網絡模糊系統、神經網絡專家系統等技術。

2、人工智能技術的在電力自動化的應用

2.1在電能質量研究中的應用

人工智能技術可以對電壓波動、電壓不平衡、電網諧波等電能質量參數進行在線監測和分析。在檢測和識別電能質量擾動時能克服傳統方法的缺陷。專家系統隨著經驗的積累、擾動類型變化而不斷擴充和修改，便于用戶的掌握[3] 。

此外，專家系統和模糊邏輯可用于培訓變電站工作人員。智能軟件可以模擬故障情形，有利于提高運行人員的操作技能。

2.2 變壓器狀態監測與故障診斷專家系統

變壓器事故原因判斷起來十分復雜。判斷過程中，必須通過內外部的檢測等各種方法綜合分析作出判斷。變壓器監測和診斷專家系統首先對油中氣體進行分析。異常時，根據異常程度結合試驗進行分析，決定變壓器的停運檢查。若經分析發現變壓器已嚴重故障，需立即退出運行，則要結合電氣試驗手段對變壓器的故障性質及部位做出確診。

變壓器監測和診斷專家系統通過診斷模塊和推理機制，能診斷出變壓器的故障并提出相應對策，提高了變壓器內部故障的診斷水平，實現了電力變壓器狀態檢修和在線監測。

2.3 人工智能技術在低壓電器中的應用

低壓電器的設計以實驗為基礎，需要分析靜態模型和動態過程。人工智能技術能進行分段過程的動態設計，對變化規律進行曲線擬合并進行人工神經網絡訓練，建立變化規律預測模型，降低了開發成本。

低壓電器需要通過試驗進行性能認證。而低壓電器的壽命很難進行評價。模糊識別方法，從考慮產品性能的角度出發，將動態測得的反映性能的特性指標作為模糊識別的變量特征值，能夠建立評估電器性能的模糊識別模型[5] 。

2.4 人工智能在電力系統無功優化中的應用

無功優化是保證電力系統安全，提高運行經濟性的手段之一。通過無功優化，可以使各個性能指標達到最優。但是無功優化是一個復雜的非線性問題[6] 。

人工智能算法能應用于電力系統無功優化。如改進的模擬退火算法，在求解高中壓配電網的無功優化問題中，采用了記憶指導搜索方法來加快搜索速度。模式法進行局部尋優以增加獲得全局最優解的可能性，能夠以較大概率獲得全局最優解，提高了收斂穩定性。禁忌搜索方法尋優速度較快，在跳出局部最優解方面有較大優勢。遺傳算法在解決多變量、非線性、離散性的問題時有極大的優勢。要求較少的求解信息的，模型簡單，適用范圍廣。

2.5 人工智能在電力系統繼電保護中應用

自適應型繼電保護裝置能地適應各種變化，改善保護的性能，使之適應各種運行方式和故障類型。它能夠有效地處理各種故障信息，獲得可靠的保護。

借助于人工智能技術不但能夠提取故障信息，還能利用其自學習和自適應能力，根據不同運行工況，自適應地調整保護定值和動作特性。

2.6 人工智能在抑制電力系統低頻振蕩的應用

大規模電網互聯易產生低頻振蕩，嚴重威脅著電力系統的安全。人工智能為電力系統低頻振蕩的控制提供了技術支持。神經網絡、模糊理論、GA等人工智能技術應用于FACTS控制器和自適應PSS的研究，為抑制電力系統低頻振蕩提供了新的手段。

3、人工智能在電力系統中存在的前景

作為一門交叉學科，人工智能將隨著其他理論的發展而進入新的發展階段。應用新方法解決問題，或促進各種方法的融合，保持簡單的數學模型和全局尋優情況下，尋求到更少的運算量，提高算法效率，將是未來發展的趨勢。

隨著電力系統的發展，電力系統的復雜性不斷增加，不確定因素越來越多。隨著人工智能技術的不斷發展和提高，利用人工智能技術來解決電力系統的問題將會受到越來越多的重視。

4、結語

隨著我國電力系統的持續穩步發展，電力系統數據量不斷增加，管理上復雜程度大幅度增長，市場競爭的加大，為人工智能技術在電力系統的應用提供了廣闊前景。

但人工智能技術的基本理論還不成熟，只是停留在仿真和實驗階段。人工智能的開發是一個長期的過程，需要不斷改進和完善，并在實際應用中接受檢驗。

參考文獻：

[1] 馬少平,朱小燕. 人工智能[M]．北京：清華大學出版社，2004

篇3

Abstract: Cognitive radio technology provides new opportunities and challenges for the development of wireless communication. Intelligence is an important characteristic for cognitive radio, and application of artificial intelligence techniques is key to implement this characteristic. This paper will first provide our own research framework on cognitive radio, second give an overview of application of artificial intelligence to cognitive radio, and last introduce and simulate the application of neural network to cognitive radio.

關鍵詞： 人工智能；認知無線電；神經網絡

基金項目：國家重點基礎研究發展規劃（“973”計劃）項目（2009CB320403）；國家自然科學基金資助項目（60832008，60832006）；國家科技重大專項課題（2009ZX03007-004）。

作者簡介：柴新代（1964-），男，北京人，本科，高級工程師，研究方向為通信系統工程；董旭（1979-），男，河北景縣人，博士研究生，講師，研究方向為認知無線電。

1 概述

無線通信技術的飛速發展，正在越來越深刻地影響著人們的生活。與此同時，無線通信技術的發展也面臨著嚴峻的考驗，一方面頻譜資源的固定分配模式和利用率不均衡制約著無線通信寬帶化的發展，另一方面多種空中接口和網絡協議并存的局面為無線網絡的融合提出了挑戰。1999年Mitola博士提出的“認知無線電（Cognitive Radio）”[1]為解決無線通信所面臨的問題提供了新的機遇。因此，認知無線電技術迅速成為業界研究的熱點。

認知是人類獲取運用知識解決問題的一種抽象，將認知運用到無線電技術，會提高無線電系統的智能性，這也是認知無線電技術區別于普通軟件無線電的最大特點。認知無線電技術通過實時的獲取外部環境信息，并對這些信息進行分析、學習和判斷，得到無線電知識，然后根據這些知識智能地調整各種通信參數，從而最終實現可靠的通信，并達到最佳的頻譜利用效率。人工智能技術為實現認知無線電的智能性提供了可能，本文將主要圍繞多種人工智能技術在認知無線電中的應用進行論述，下面將首先介紹認知無線電智能化的基礎框架――認知環路和認知引擎，然后對幾種人工智能技術在認知無線電中的應用進行簡要介紹，最后將詳細介紹神經網絡在人工智能中的應用，并通過仿真給出一個具體的示例。

2 相關工作

2.1 認知環路 Mitola博士在提出認知無線電概念的同時提出了OOPDAL（觀察-判斷-計劃-決策-行動-學習）認知環路[1]，用以支持其認知無線電架構。此外，學術界還提出了多種認知環路模型[2,3]，比較著名的有軍事戰略家Boyd提出的OODA（觀察-判斷-決策-行動）環路、IBM為自主計算提出的MAPE（監測-分析-計劃-執行）環路、Motorola為自主網絡提出的FOCALE（基礎-觀察-比較-行動-學習-擦除）環路等等。OOPDAL環路具有完整認知功能和清晰的認知過程，是設計認知無線電最為理想的環路模型。本文對OOPDAL環路各環節進行了重新定義，豐富了環路模型的內涵與外延，并在原環路模型基礎上增加“知識庫”，明確表達了知識獲取與運用的過程。

如圖1所示，經改進的OOPDAL認知環路由外環和內環組成，外環也稱決策環。認知無線電首先“感知”無線域、網絡域、用戶域、政策域中的數據，并對其建模以明確自身所處態勢；“判斷”是對數據的精煉，也即對感知數據進行清理、集成和選擇，提取出其中對決策有貢獻的信息；“計劃”根據用戶需求與當前環境生成優化目標；“決策”根據優化目標執行優化；“行動”將決策結果付諸實施，使內部狀態和外界環境發生變化，這些變化又被重新“感知”，進入下一輪循環。內環又稱學習環，用于從外環運行的歷史經驗中提取知識，并存放入知識庫以指導決策環運行。

OOPDAL環路對知識的運用過程充分體現了認知無線電的智能性，其中計劃、學習、決策等環節更是智能性得以實現的關鍵所在，具體的實現方法則需要借助于人工智能技術。

2.2 認知引擎 認知引擎是實現認知環路功能的技術手段。但很多認知引擎的設計是針對特定方法實現特定任務的，本文希望設計一種通用的認知引擎架構，以適應認知無線電所面臨的各種應用。通用認知引擎結構由認知核與接口部分組成。認知核提供各種豐富的工具，包括知識表示工具、各種推理機、學習機、優化算法庫等，為完成認知循環的各環節功能提供支持。接口部分包括感知器接口與用戶接口。感知器接口收集各種感知數據，并通過建模系統以機器可理解的方式表示；用戶接口部分允許用戶調用認知核中各種工具并對其進行流程編排和建模完成專用認知引擎的構建。另外，可配置無線網絡具備動態可配置波形與協議，以執行認知引擎的決策。

認知核是認知引擎的核心，包括多種人工智能工具，如專家系統，案例推理，神經網絡，遺傳算法等，每種人工智能的工具不但可以實現相應的認知功能，還可通過多種不同工具的編排組合實現認知無線電的各種應用，即實現認知引擎的通用性。

3 人工智能技術概述

如果說認知核是認知引擎的核心，那么人工智能技術就是認知核的核心。人工智能技術已有比較成熟的理論體系[4]，但將其應用到認知無線電還處于探索階段。下面先簡要介紹幾種人工智能技術在認知無線電中的應用。

3.1 專家系統 專家系統在人工智能技術領域有著非常成功的應用[5]，并能夠很好的與其他人工智能技術結合使用，如遺傳算法，人工神經網絡等。專家系統是運用知識和推理過程來解決只有專家才能解決的復雜問題，也就是說專家系統是一種模擬專家決策能力的計算機系統。專家系統主要包括兩個部分：知識庫和推理機。知識庫用來存儲專家知識，推理機則依據專家知識對已有事實進行推理和決策。認知無線電可以借助專家系統完成推理決策功能。認知無線電可以通過主動學習或“人在環中”的方式獲取無線電知識并存儲到知識庫中，然后根據外部無線環境和用戶需求的變化，到知識庫中查詢相應的先驗知識，并通過推理機進行決策，從而調整無線電的工作參數以適應環境和需求的變化。CLIPS是目前比較成熟的專家系統工具，已有學者將基于CLIPS的專家系統應用到認知無線電的研究中[6]。

3.2 案例推理 案例推理作為一種人工智能技術致力于從以往的經歷或者案例當中得到新問題的解決方案。基于案例的系統通過在案例庫查找與需要解決的問題相似度最大的案例來找到問題的解決的方法，并將找到的案例與當前的場景進行匹配，這種匹配實際上就是一種最優化的過程。而最初找到的案例是為了節省優化的時間，通過優化的新的解決方案，將被作為新的案例存儲到案例庫中。認知無線電可以根據無線環境的變化調整工作參數，不同的環境和工作參數可以作為案例存儲到案例庫中[7]。當環境發生變化，認知無線電可以在案例庫中查找與當前環境最為相似的一個案例，然后用該案例與當前環境進行匹配，優化工作的參數，并把當前環境和優化的參數作為新的案例存儲到案例庫中。Soar作為一種人工智能系統的開發工具，可以實現案例推理功能，并可以基于案例進行學習，國內已有學者基于Soar和GUN Radio軟件無線電平臺開發出認知無線電原型系統。

3.3 遺傳算法 遺傳算法借鑒生物進化和遺傳的生物學原理，可用于解決目標優化問題，即找到一組參數（基因）使得目標函數最大化。其基本原理是根據求解問題的目標構造適值函數，使初始種群通過雜交和變異不斷選擇好的適值進行繁殖，并最終得到最優解。遺傳算法同樣可以作為認知無線電的決策方法[6,8]：可以把無線電類比為一個生物系統，將無線電的特征定義為一個染色體，染色體的每個基因對應無線電一個可變的參量，比如發射功率、頻率、帶寬、糾錯編碼方法、調制算法和幀結構等等，這樣就可以通過遺傳算法的進化來得到滿足用戶需求和適應環境變化的系統配置參數。

4 神經網絡在認知無線電中的應用

對于人工神經網絡的研究源于對人類大腦思維過程的模擬，在很多領域，神經網絡已經有了廣泛的應用。下面將詳細介紹神經網絡在認知無線電中的應用。

4.1 神經網絡簡介 1943年神經物理學家W.McCulloch和邏輯學家W.Pits在對人腦的研究中提出了人工神經網絡。目前人工神經網絡作為一種人工智能技術主要基于統計評估、優化和控制理論。人工神經網絡由用以模擬生物神經元的大量相連的人工神經元組成，主要用于解決人工智能領域的一些復雜問題，比如機器學習。根據網絡結果和訓練方法的不同，人工神經網絡可以分為多種類型，以適應多種的應用需求[7]。多層線性感知器網絡（MLPN）：MLPN由多層神經元構成，每一個神經元都是上一層神經元輸出的線性組合。一般這種線性組合的權值在訓練前是隨機生成的，并且可以隨著訓練不斷的更新。更新的方法有多種，如后向傳播（BP）、遺傳算法等。其訓練方法的性能將由其網絡規模和應用場景決定。非線性感知器網絡（NPN）：NPN是利用對每個神經元的輸入平方或兩兩相乘的方法將非線性引入神經網絡使其可以對動態變化的訓練數據進行更好的擬合。但NPN的網絡結構需要根據訓練數據進行調整，另外如果采用BP方法進行訓練會使網絡收斂緩慢而導致處理時間過長。徑向基函數網絡（RBFN）：RBFN和NPN類似，不同的只是其非線性的引入是在隱含層利用徑向基函數實現非線性映射，這可以防止網絡收斂到局部最小值。

4.2 應用舉例 由于神經網絡可以動態的自適應和實時的訓練，因此可以對系統的各種模式、參數、屬性等進行“學習”，并“記住”這些事實，當系統有了新的輸入和輸出時，可以進行實時的訓練來記憶新的事實。這正符合了認知無線電認知功能的需求，因此神經網絡在認知無線電中有著廣泛的應用前景。下面就列舉一些神經網絡在認知無線電中的應用[9-12]。神經網絡可以用于認知無線電的頻譜感知，例如利用基于神經網絡的分類器可以根據信號的循環平穩特性或者頻譜特性等對信號進行分類。神經網絡還可用于無線電參數的自適應決策和調整，神經網絡可以根據當前信道質量和用戶需求等所確定的優化目標選擇無線電參數。另外神經網絡還可以對無線電系統的各種性能進行預測，神經網絡可以記憶不同無線環境不同無線參數所達到的系統性能，比如誤碼率、吞吐量、時延等等，從而對未來可能產生的系統性能進行預測，進而對各種無線參數進行優化。

5 仿真及分析

由于無線環境的開放性，無線系統大都是非線性系統，因此神經網絡用于認知無線電也應采用非線性模型。非線性感知器網絡（NPN）可以完成認知無線電的學習功能，從而對各種系統性能進行預測，下面就通過一個具體例子來仿真基于NPN的誤碼率性能預測。

5.1 仿真模型 NPN由三層節點構成：輸入層、隱含層和輸出層。隱含層通常只有一層神經元，本文在此基礎上擴展了隱含層的層數，從而擴大了神經網絡的規模，使其具有更好的學習效果。具體的網絡結構如圖2所示，每個節點都與下一層的所有節點唯一相連，除了輸入層節點，其他各層節點稱為神經元，具有一個非線性的激活函數，以實現對非線性系統的擬合。本文將采用最為常用的非線性激活函數――S函數，即：f

神經網絡的訓練將采用BP方法，具體算法如下：

③根據RMS誤差決定是否調整權值，直到RMS誤差或者迭代次數達到停止要求。

5.2 仿真場景 仿真場景的設置將根據上面提出通用認知引擎架構進行編排。首先認知引擎要收集各種數據。WiMax可以根據信道質量調整其調制編碼模式等無線電參數，因此將作為通用認知引擎架構中的可重配置的無線電平臺將系統的誤碼率性能實時上報給認知引擎；信噪比作為無線環境的表征可通過感知器進行收集；編碼速率作為用戶對業務的需求可通過用戶接口上報給認知引擎。然后認知引擎內基于NPN的學習機就可以對這些數據進行訓練了，訓練的方法如上節所述。最后訓練好的神經網絡就可以根據無線環境和用戶需求對系統的誤碼率進行實時的預測，從而調整認知無線電的各種操作參數。

5.3 仿真結果及分析 由于對神經網絡模型的隱含層進行了擴展，首先驗證一下改進的模型性能是否有所提升。仿真結果如圖3所示，分別仿真了具有2層、3層和4層神經元的NPN的收斂性能。其中2層模型是沒有經過改進的，其收斂速度最快，但RMS誤差較三層模型差；3層模型雖然收斂速度稍慢，但收斂的RMS誤差最低；4層模型的網絡規模最大，因此收斂速度最慢，但其RMS誤差收斂的并不是最低，這是由于神經網絡的規模應該與訓練數據的規模相適應，過大的網絡規模反而不會得到很好的收斂性能。折中考慮，在后續誤碼率預測仿真中，將采用3層神經元模型的NPN對數據進行訓練。

如圖4所示，利用3層神經元模型分別對WiMax場景下的64QAM、16QAM、QPSK和BPSK的誤碼率性能進行了預測。從預測結果和實際的仿真結果的比較可以顯示，隨著調制模式的升高，預測的性能將越來越好。

6 結束語

本文主要介紹了人工智能技術在認知無線電中的應用，并通過人工神經網絡進行舉例，從仿真的結果可以看出神經網絡在認知無線電中應用的可能性。人工智能技術在認知無線電領域的應用還有著廣闊的研究前景，應該積極探索更多的人工智能技術在認知無線電中應用。但也并非所有的人工智能技術都適用于認知無線電的開發和應用，應在研究中有所選擇把握方向。不同的應用場景也對人工智能技術提出了不同的需求，找到適用于相應場景的人工智能技術也很重要。未來的工作應更多的考慮一些實際的應用，讓無線通信系統可以真正的像人一樣思考。

參考文獻：

[1]J.Mitola Ⅲ."Cognitive radio: Making software radios more personal"，IEEE Personal Communications，vol.6，no.4，pp.13-18，1999.

[2]S.Haykin."Cognitive radio：Brain-empowered wireless communications"，IEEE Journal on Selected Areas in Communications，vol.23，no.2，pp.201-220，2005.

[3]T.W.Rondeau，C.W.Bostian，D.Maldonado，A.Ferguson，S.Ball，B.Le，and S.Midki，“Cognitive radios in public safety and spectrum management”，Telecommunications Policy and Research Conference，vol.33，2005.

[4]George F.Luger，“Artificial Intelligence Structures and Strategies for Complex Problem Solving Fifth Edition”，Pearson Education Limited，2005.

[5]Joseph C.Giarratano, Gary D.Riley，“Expert System Principles and Programming Fourth Edition”，Thomson learning，2006.

[6]Timothy R.Newman，“Multiple Objective Fitness Functions for Cognitive Radio Adaptation”，Doctor Thesis，2008.

[7]A.He，K.K.Bae，T.R.Newman，J.Gaeddert，K.Kim，R.Menon，L.M.Tirado，J.Neel，Y.Zhao，J.H.Reed，and W.H.Tranter，“A survey of artificial intelligence for cognitive radios”，IEEE Transactiongs on Vehicular Technology，vol.59，no.4，pp.1578-1592，2010.

[8]Thomas W.Rondeau，“Application of Artificial Intelligence to Wireless Communication”，Doctor Thesis，2007.

[9]N.Baldo，B.R.Tamma，B.S.Manoj，R.Rao，and M.Zorzi，“A neural network based cognitive controller for dynamic channel selection”，in Proceedings of IEEE International Conference on Communications（ICC），pp.1-5，2009.

[10]X.Zhu，Y.Liu，W.Weng，and D.Yuan，“Channel sensing algorithm based on neural network for cognitive wireless mesh network”，in Proceedings of IEEE International Conference on Wireless Communications（WiCom），pp.1-4，2008.

篇4

關鍵詞：自主導航；人工智能；模糊神經網絡；避障；BP神經網絡

中圖分類號：TP79文獻標識碼：A文章編號：1005-3824（2014）03-0083-03

0引言

2013年12月14日21時11分，嫦娥三號探測器在月球表面預選著陸區域成功著陸，裝著紅外成像光譜儀、避障相機、機械臂和激光點陣器等設備的月球車“玉兔”驅動著6個輪子在月球表面留下了歷史的痕跡。這標志著我國已成為世界上第3個實現地外天體軟著陸的國家，也展現出了智能控制系統[1]在航天事業上的卓越應用。在如今的社會生活中，隨處體現著智能技術的存在，人們已經離不開智能技術，智能機器人的發展也飛速前進，從兒童的玩具機器人到太空探索的機器人，可以預見智能機器人的應用將更加廣泛。近年來，非線性動態系統的自適應控制在我國引起了廣泛的研究，模糊神經網絡控制是一個重要的自適應方法，因此得到了很多專家學者的青睞。

模糊邏輯控制在宏觀上模仿人的思維，處理語言和思維中的模糊性概念，它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎的一種計算機數字控制技術；神經網絡是從微觀上模仿人的智能行為，進行分布式并行信息處理算法的數學模型，它是根據人腦的生理結構和信息處理過程創造的[2]。模糊控制與神經網絡各自都有一定的應用局限，因此，人們早在20世紀80―90年代就把它們相結合，組成更為完善的控制方法。模糊控制與神經網絡的結合有多種方式，根據研究角度和應用領域的變化而不同。1模糊控制與神經網絡的介紹

1.1模糊邏輯控制系統

模糊邏輯控制系統主要包含輸入變量、模糊控制器、被控對象和偏差。模糊邏輯控制系統結構如圖1所示。

知識庫：是模糊控制器的核心。由數據庫和規則庫組成，數據庫中存著有關模糊化、模糊推理、解模糊的一切知識，規則庫是由若干模糊規則組成的。

模糊推理機：根據模糊邏輯法則把邏輯規則庫中的模糊“if-then”轉換成某種映射。

反模糊化：反模糊化的方法一般有最大隸屬度平均法、最大中點法、面積等分法、重心法和加權平均法等。

模糊控制的優點：可以在預先不知道被控對象的精確數學模型；規則一般是由有經驗的操作人員或者專家的經驗總結出來并且以條件語句表示的，便于學習和理解；控制是由人的語言形式表示，有利于人機對話和系統知識的處理等。不足之處：精度不夠高；自適應能力有限；模糊規則庫非常龐大，難以進行更改優化[3]。

1.2人工神經網絡

人工神經網絡（ANN）是一種模擬人腦神經系統的結構和功能的運算模型，由大量的節點，即神經元及相互之間連接構成的，它是人工方式構造的一種網絡系統。神經元結構模型如圖3所示。

傳遞函數f又稱轉移函數或激活函數，是單調上升的有界函數，常用的轉移函數有線性函數、斜坡函數、階躍函數及單雙極S型函數等。但是最常用的還是單極S型函數：

神經網絡的結構形式也有幾種，例如，全互連型結構、層次型結構和網孔型結構等[4]。前饋型網絡是一類單方向層次型網絡模塊，其最基本的單層神經元網絡如圖4所示。

圖4單層神經元網絡3層BP神經網絡是比較常用的結構，圖5是它的基本結構。

圖5BP神經網絡的基本結構BP神經網絡至少有3層，圖5中，第Ⅰ層是輸入層，第Ⅱ層為隱藏層，第Ⅲ層為輸出層。由于3層的BP神經網絡就具有了模糊系統中萬能逼近的能力[5]，為了不使系統變得更復雜，本文就只用了3層的BP神經網絡，當然，也可以根據自身的實際應用情況增加隱層的層數，但并不是層數越多，精度就越高，相對的系統的反應時間就會增加，時延也會增長。

神經網絡的優點：能夠通過學習和訓練獲取用數據表達的知識，不僅可以記憶一直獲得的信息，還具有較強的概括及聯想記憶能力，它的應用已經延伸到各個領域，在各方面取得很好的進展等。不足之處：缺乏統一的方法處理非線性系統；網絡的權值是隨機選取的；學習的時間長；無法利用系統信息和專家經驗等語言信息；難以理解建立的模型等[6]。

所以，綜合以上模糊邏輯系統與神經網絡各自的優缺點，就提出了一種它們的結合方法，即模糊神經網絡控制方法。

2模糊神經網絡的結合方式

模糊神經網絡大致分為3種形式：邏輯模糊神經網絡、算術模糊神經網絡和混合模糊神經網絡。

在這3種形式的系統中，模糊神經混合系統是根據模糊控制系統和神經網絡各自不同的功能、用途集成在一個系統里面的[7]。在這類系統中，我們可以將神經網絡用于輸入信號處理，模糊邏輯系統用于行為決策[8]（如圖6），或者把模糊邏輯系統作為輸入信號處理，神經網絡系統作為輸出行為決策，再或者是將神經網絡去代替模糊控制器的一部分，還可以將基于神經元網絡的模糊系統或者神經元網絡用在模糊神經混合系統中。

在本文的應用中，使用的是輪式智能小車，它一共安裝了3個超聲波傳感器、3個紅外傳感器和1個角度傳感器，紅外傳感器除了應用在小車循跡外，還用來增加控制系統測量的精確性和彌補超聲波測距的盲區。例如，在某一路或者幾路超聲波受到了外界的干擾時，紅外線就可以測量出系統所需要的數量值。超聲波與紅外線用來測量小車到左、前、右障礙物的距離Ll，Lf，Lr；模糊神經系統中控制器的輸入包括： Ll，Lf，Lr，小車與障礙物的夾角tg；輸出為小車的轉角sa和小車的加速度va。將Ll，Lf，Lr的模糊變量設為{near ，far}，論域為（0―2 m）；tg的模糊變量為{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，論域為（-1800，1800）；距離和夾角的隸屬度函數如圖7和圖8所示。輸出變量的隸屬度函數在這里就不再贅述了。

在系統解模糊化時，是將一個模糊量轉換成確定量，常用的解模糊化的方法有最大隸屬度函數法、重心法、加權平均法。在本文中用的是重心法。

智能小車避障的控制系統如圖9所示。

篇5

關鍵詞：人工智能；應用；識別

中圖分類號：TU855

人工智能及其識別技術在不斷地發展，在很多領域，各種技術的發展越來越離不開人工智能。在機器人中的應用，在語音識別技術領域的應用、在人工神經網絡中的應用等都取得了一定的進步。但是在發展的過程中由于發展的限制，人工智能及其識別技術也進入了發展瓶頸期，如何突破瓶頸將是此技術進一步發展的重要內容。

1 人工智能及識別技術的概念提出

人工智能技術是研究人類智能和通過計算機技術使某些設備或儀器具有人的智能行為的科學通過利用計算機模擬人的思維、語言、記憶、推理、感知、學習等智能能力，以及延伸人的感覺和大腦功能。綜上這些模擬都反映人工智能及其識別技術最重要的思想和內容，也就是說人工智能及其識別技術學科是用來研究人類智能活動的規律的學科。

1.1 計算機技術的普及

隨著計算機技術的普及以及大眾對計算機進行商務、學習、工作等的需求的增長，計算機已經成為人們工作和學習不可缺少的高科技產品之一。現在，計算機已經進入實用階段，越來越多的人掌握了計算機知識，同時也希望掌握計算機技術以減少工作量，而人工智能及識別技術就是其應用的最重要的方面。

1.2 自動化辦公的需求

眾所周知，信息技術的發展推動了社會信息化的進程。尤其是人工智能的發展，使得傳統辦公方式發生了改變。具體而言，這種轉變包括在辦公操作技能方面和辦公系統方面的改革。

日本人工智能專家指出，凡是能夠清楚地設定其指標的業務屬于工場型的事務，將來應有辦公室機器人來處理。這樣，人的精力將只能用于創造性的智能工作，辦公自動化將對智能型業務提供強有力的支持，辦公室將真正成為智力活動的場所。

2 人工智能及識別技術的應用領域研究

60年代以來，隨著計算機技術的發展，許多技術新方法和技術進入工程化產品化階段，顯著促進了工業技術的進步。人工智能及識別技術也得到了巨大的發展，其中以在機器人中的應用、在語音識別技術領域的應用以及在視覺識別技術領域的應用顯得尤為突出。

2.1 在機器人中的應用

20世紀70年代，機器人技術發展越來越多地受到關注并逐漸發展成為一個專門的學科。智能機器人已經在各個領域得到了實際應用，并已經取得了巨大的效益。例如：現在很多外科醫生在顯微外科手術中使用機器人助手。

人工智能及識別技術在機器人中的應用變得越來越流行，同時也帶動了相關行業在智能識別方面的發展。智能機器人的應用一方面可以縮減企業以及國家的相關開支，另一方面也加大了應用的風險。因此，人工智能及其識別技術在機器人中的應用還不是很成熟。國家應該加大對智能機器人技術的支持力度，進一步開發人工智能技術。

2.2 在語音識別技術領域的應用

語音識別技術的根本任務就是來解決能夠使機器聽懂得人類語言，其作為人工智能研究的主要方向和人機語音交互的關鍵技術，語音識別技術一直都受到各國人工智能領域的廣泛關注。同時，以語音識別技術開發出的產品應用領域非常廣泛，顯示出了極大的優勢，如聲控電話交換、語音通信系統等，其應用幾乎深入到社會的每個方面和每個行業。

隨著人工智能電子產品的普及，進入21世紀，嵌入式語音處理及其識別技術也得到了迅猛地發展，基于語音識別芯片業越來越多。但是如何更好地將芯片結合人工智能技術來發展語音識別技術是本世紀最重要的內容。

2.3 在人工神經網絡中的應用

人工神經網絡也稱作神經網絡，是指有大量的簡單處理單元經廣泛并行互連形成的一種網絡系統。它是對人腦系統的簡單化、抽象和模擬，具有人腦功能的許多基本特征。其工作機理是指通過模仿人腦神經系統的組織構造及其工作機理從而從研究人腦工作機理中得到啟發，試圖利用人工神經網絡來處理大量的單元，比如，人工神經元、處理元件、電子元件。

在人工神經網絡中，信息的處理是通過神經元之間的相互作用和反應來實現的，相關的知識與信息的存儲與讀取表現為各個網絡元件之間其分布式的物理聯系，網絡的學習和識別取決于和神經元連接權值的動態演化過程。人工神經網絡的存在有其弊端，也許永遠也無法代替人腦，但是他能幫助人類擴展對外部世界的認識和智能控制。

3 人工智能及識別技術陷入瓶頸期

人工智能學科自從誕生至今就致力于研究解釋和模擬人類智能行為及其規律，人工智能在其領域已經邁出了較大的一步，并且在某些領域已取得了相當大的進展。但是從人工智能發展的整個過程來看，其發展也是一波三折，而且在很多領域還面臨著不少的難題，主要表現在以下幾個方面：

3.1 人工智能研究方法不足

由于人工智能學科發展的局限性，許多專家和學者對人腦結構和工作模式的認識還不夠全面、不夠深入。由此決定了現階段科學界無法對神經網絡模型作出對人腦作出真正地模擬，人腦是人類長期勞動實踐的產物，其中包含了人類很多思考的過程，僅僅依靠在簡單的電子器件以及線路的組合是完全不可能實現模擬的。

3.2 人工智能機器翻譯存在困難

目前，機器翻譯使我們很多人所喜愛的，但是其所面臨的主要問題仍然是如何通過單詞來構造句子以及單詞存在歧義性的問題。歧義問題一直是所有語言理解和運用中的一大難關，想要消除歧義就必須對原文的每一個句子及其上下文進行透徹地分析理解，但是由于機器非人腦，它不能像人腦一樣獨立地進行思考以尋找導致歧義的詞和詞組在原文中的準確意義，而是孤立地將句子作為一個單位來理解，因此造成的失誤使得人工智能翻譯缺乏應有的理解力。

3.3 人工智能模式識別存在困惑

人工智能識別的應用非常廣泛，比較典型的有文字識別、前面提到的語音識別以及指紋識別等。雖然人工智能模式識別的研究與開發已取得巨大的成果，但是還存在這本質的缺陷，人工智能及其識別技術的理論和方法與人的感官識別機制是完全不同的。因此人腦的識別手段、形象思維能力，是任何最先進的計算機識別系統望塵莫及的。

4 結束語

人工智能及其識別技術始終處于計算機應用這門學科的最前沿，它的誕生與發展是21世紀最偉大的科學成就之一。其研究的理論和成果在很大程度上決定著計算機技術未來的發展方向。現如今，已經有許多人工智能的研究成果已經被廣泛地應用于人們的日常生活、工業生產、國防建設等各個領域。在信息網絡和經濟迅速發展的時代，人工智能技術的發展也必越來越受到關注，必將推動科技和產業的進一步發展，從而會給人們的工作、生活和教育等帶來長遠得深刻的影響。

參考文獻：

[1]蔡自興.人工智能基礎[M].北京：高等教育出版社，2005.

[2]胡勤.人工智能概述[J].電腦知識與技術，2010（13）：3507-3509.

[3]鄒蕾，張先鋒.人工智能及其發展應用[J].信息網絡安全，2012（02）.

篇6

關鍵詞：人工智能技術 在智能建筑應用

中圖分類號：TU74 文獻標識碼：A 文章編號：

前言

智能建筑由具備樓宇設備自動化系統(BAS)、通信自動化系統(CAS)、辦公自動化(OAS)系統發展到系統智能集成,隨著智能建筑的發展,智能建筑對各種先進自動化系統、通訊手段和高質量管理、服務的需求也越來越高。

一、智能建筑的發展及存在問題

經過十幾年的迅猛發展，智能建筑已經由具備樓宇設備自動化系統(BAS)、通信自動化系統(CAS)、辦公自動化(OAS)系統發展到系統智能集成。隨著智能建筑的發展，智能建筑對各種先進自動化系統、通訊手段和高質量管理、服務的需求也越來越高。但是目前智能建筑的發展也正處于一個重要的十字路口。

1目前建筑智能化系統還夾雜著許多泡沫， 即使目前比較成熟的樓宇自動化系統(BAS)還只能稱之為具有順序邏輯判斷能力的自動控制系統，無法進行思維邏輯判斷或自學習，一旦工作環境或工作參數發生變化，將必須人工重新調整或編寫控制程序，系統維護復雜、檢修不便，離智能還相去甚遠。

2 由于技術與市場等各種原因， 目前許多智能建筑的各個子系統的還是分立運行，形成了一些相互脫節的獨立系統，無法實現大廈的綜合優化控制。各個系統之間不僅硬件設備大量重復冗余，而且往往各系統都沒有提供相互通信與控制的接口，操作和管理人員需要熟悉和掌握各個不同系統及對象的技術，造成系統建設、技術培訓及維修費用的增高和系統效率低下。

因此，只有采用統一的模塊化硬件和軟件結構并引入人工智能技術，才能使各子系統成為一個整體，提高控制和管理系統的容錯性和可靠性，并具有智能成份，這是智能建筑所追求的目標。

人工智能技術在智能建筑中的應用研究

二、人工智能新發展對智能建筑的影響

進入新世紀以來，知識庫專家系統和知識工程成為人工智能領域最有實踐意義的成果，已開始大量商品化。

1專家系統是一種基于知識的系統， 其實質是使系統的構造和運行,都基于控制對象和控制規律的各種專家知識。 這種人工智能的計算機程序系統,具有相當于某個專門領域的專家的知識和經驗水平,以及解決專門問題的能力,或者說專家系統是指相當于(領域)專家處理知識和解決問題能力的計算機智能軟件系統。 根據一個或多個專家提供的特殊領域知識、經驗進行推理的判斷,模擬專家決策的過程來解決那些需要專家決定的復雜問題。

這樣一來， 就可以引入基于控制專家的專業知識和實踐經驗的專家控制系統。 采用知識表達技術,建立知識模型和知識庫,利用知識推理,制訂控制決策。為智能建筑的樓宇設備自動化系統(BAS)（ 包括強電設備控制自動化（EA）、安全防范自動化(SA)、消防自動化(FA)等） 提供最優控制、決策支持等。 專家控制系統的設計,改變了過去傳統的控制系統設計中單純依靠數學模型的局面,使知識模型與數學模型相結合,知識信息處理技術與控制技術相結合。另一方面，專家系統也可以應用于智能建筑的物業管理與服務之中，通過設置用戶管理知識庫和數據庫，對人員出入、自動繳費、業務咨詢等管理與服務提供智能支持。

2人工神經網絡在建筑系統建模、學習控制、優化等方面取得了成功。已應用于語音識別、模式識別、最優計算、信息智能處理、復雜控制、圖像處理等領域。隨著智能建筑功能的不斷增強，在現代智能建筑物內安裝的電氣設備愈來愈多，設備能耗也越來越大。要管理好一幢現代化大廈，使安裝的成千上萬臺的設備能可靠、安全、協調、經濟地運行，這就對建筑設備自動控制水平、控制設備功能、 快速響應的能力和運行管理水平提出了更高的要求。而具有學習與自適應能力的人工神經網絡在控制方面所能提供的監督與非監督訓練（ 前者包括訓練輸出輸入集合和神經元加權系數的調節，后者包括分類與自組織） 為這些復雜控制提供了可能。 這樣一來，智能建筑中的設備控制器就能以不同的原理進行操作。 可以學習建筑物的特性，得出簡單精確的建筑物模型，可以自動調節其參數，適應建筑物特征參數或不同的建筑。 因此可將其用于建筑智能化設備的實時信號檢測、控制、保護(如故障診斷)、調節，從而研制具有自學習、自適應、自組織功能的新概念的智能建筑設備自動化控制系統。

3智能建筑控制需要精確建筑仿真模型和精確、靈敏、具有適應性的系統。 由于傳統模式的復雜性，控制器不能在建筑仿真模型中在線運行。 而新的神經網絡學習模型采用動態學習方法建模， 降低了模型的復雜性以及對計算資源與硬件的要求，控制硬件費用降低，可以采用硬件方式實現。新的神經網絡學習已經在微型芯片上實現， 即所謂的神經網絡芯片。 因此，這種模式很可能在不久的將來適合于小規模的智能建筑和民用建筑。 同時，智能建筑需要學習模式的出現改變了傳統模式響應速度與精度， 對計算機設備要求更加簡單。 建筑學習模式的開發將帶來低成本建筑智能控制的革命。

盡管目前的建筑神經網絡模型存在實時性等技術問題， 但隨著計算機速度的提高與神經網絡實時算法的改進， 建筑神經網絡控制將更加完善。 神經網絡學習控制將采用大規模集成電路而不是計算機芯片形式實現，也不僅限于建筑能量控制與管理，還可以完成建筑物監控、保安、照明、娛樂等任務。 相信在不遠的將來， 基于芯片的簡單裝置將取代今天的微處理器，使大量建筑物真正擁有智能成為可能。 較低的造價可以使智能設備進入普通市民家庭。

4隨著數據庫技術、網絡技術以及計算機運算能力的快速發展，基于數據庫的控制已成為可能，特別是隨著分布式數據庫和數據倉庫技術的日益成熟， 在建筑智能化系統集成時引入智能決策系統，可使智能建筑真正實現智能化。

智能決策支持系統是近年來計算機技術、人工智能技術和管理科學相結合的一種新的管理信息技術。 它是以管理科學、運籌學、控制論行為科學為基礎，以計算機技術、信息技術為手段，面對半結構化和非結構化的決策問題，幫助中、高層決策者進行決策活動，為決策者提供決策所需要的數據、信息和資料，幫助決策者明確決策目標和對問題的認識，建立和修改決策模型，提供各種備選方案，并對各種方案進行優化、分析、比較和判斷，幫助決策者提高決策能力、決策水平、決策質量和決策效益，以達到取得最大經濟效益和社會效益。

5建筑智能系統集成是滿足建筑物的現代化管理的需要而出現的。 建筑智能化是從自動控制向信息管理發展的產物。 通過系統集成采用統一的模塊化硬件和軟件結構，就能使管理人員方便地掌握操作技術和維修管理技術， 這是所有獨立子系統都無法做到的。因而，從綠色建筑和可持續發展的角度，把控制和管理相結合，擴大建筑物管理的范圍，擴展智能化系統的內容和內涵，是建筑智能化的發展方向。

因而建筑智能系統集成的一個核心內容就是應用智能決策支持系統的技術設置“智能建筑管理系統(IBMS)” ，以提高整個建筑物的監控管理效率， 提高建筑物投資的產出投入比。

結束語

近年來，人工智能技術出現了新的發展，專家系統、人工神經網絡、決策支持系統和多Agent 技術的應用給智能建筑的發展注入了活力，在智能建筑的控制子系統，如BAS 系統中引入專家系統，在終端電器，在智能樓宇控制中引入多Agent 技術，就可以大大降低建筑智能化系統的運行、維護成本，實現總體最優控制和節能，并將為人類創造更美好的工作、生活環境帶來質的飛躍。

參考文獻

[1] 王永忠.人工智能技術在智能建筑中的應用研究[J]. 科技信息. 2009(03)

[2] 吳選忠,倪子偉.人工智能新技術在智能建筑中的應用研究[J]. 福建建設科技. 2005(02)

篇7

[關鍵詞] 機器學習 遺傳算法 人工神經網絡 支持向量機

當前人工智能研究的主要障礙和發展方向之一就是機器學習。包括學習的計算理論和構造學習系統。機器學習與計算機科學、心理學、認知科學等都有著密切的聯系，涉獵的面比較廣，有許多理論及技術上的問題尚處于研究之中。

一、什么是機器學習

機器學習就是要使計算機能模擬人的學習行為，自動地通過學習獲取知識和技能，重新組織已有的知識結構，不斷改善自身的性能，實現自我完善。即機器學習研究的就是如何使機器通過識別和利用現有知識來獲取新知識和新技能。它是人工智能的核心，是使計算機具有智能的根本途徑。該門科學起源于心理學、生理學、生物學、醫學等科學，研究發展過程中涉及到數學、物理學、計算機科學等領域。機器學習主要圍繞學習機理、學習方法、面向任務這三個方面進行研究，其應用幾乎遍及自然科學的各個領域。其中最多的是模式識別、通訊、控制、信號處理等方面。

二、機器學習系統

學習是建立理論、形成假設和進行歸納推理的過程。為使計算機系統具有某種程度的學習能力，使它能夠通過學習獲取新知識，以改善性能，提高智能水平，需要建立相應的學習系統。學習系統一般由環境、學習環節、知識庫、執行與評價組成，整個過程包括信息的存儲、知識的處理兩大部分。機器學習系統模型如圖1所示。

圖1 機器學習模型

框架圖中的箭頭表示知識的流向；環境是指外部信息源；學習環節是指系統通過對環境的搜索獲取外部信息，然后經過分析、綜合、類比、歸納等思維過程獲得知識并將獲得知識存入知識庫；知識庫用于存儲由學習得到的知識，在存儲時要進行適當的組織，使它既便于應用又便于維護；執行部分用于處理系統面臨的現實問題，即應用學習到的知識求解問題。另外從執行到學習必須有反饋信息，學習將根據反饋信息決定是否要進一步從環境中搜索信息進行學習，以修改、完善知識庫中的知識。這是機器學習系統的一個重要特征。機器學習系統是對現有知識的擴展和改進。

三、機器學習的主要策略

學習是一項復雜的智能活動，學習過程與推理過程緊密相連。按照學習中使用的推理的多少，機器學習所采用的策略主要可分為機械學習、通過傳授學習、類比學習和通過實例學習等。學習中所用的推理越多，系統的能力越強。本文主要介紹以下三種機器學習方法，即遺傳算法、人工神經網絡模型及支持向量機。

1、遺傳算法

遺傳算法是一類借鑒生物界的進化規律（適者生存，優勝劣汰遺傳機制）演化而來的隨機化搜索方法。其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有隱并行性和更好的全局尋優能力；采用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應的調整搜索方向，不需要確定的規則。

由于遺傳算法的整體搜索策略和優化搜索方法，在計算時是不依賴于梯度信息和其他輔助信息，而只需要影響搜索方向的目標函數和相應的適應度函數，所以遺傳算法提供了一種求解復雜問題的通用框架，它不依賴于問題的具體領域，對問題的種類有很強的魯棒性，所以廣泛應用于自動控制、計算科學、工程設計、智能故障診斷、管理科學和社會科學等領域，適用于解決復雜的非線性和多維空間尋優問題。

2、人工神經網絡模型

神經網絡基本模型是在現代神經科學的基礎上提出和發展起來的，旨在反映人腦結構及功能的一種抽象數學模型（見圖3）。

圖3 神經網絡基本模型

一個人工神經網絡是由大量神經元節點經廣泛互連而組成的復雜網絡拓撲，用于人類進行知識和信息表示、存儲和計算行為。神經元模型如圖4所示。

每一個細胞處于兩種狀態。突觸聯接有強度。多輸入單輸出。實質上傳播的是脈沖信號，信號的強弱與脈沖頻率成正比。

在神經網絡中，大量神經元的互連結構及各連接權值的分布就表示了學習所得到的特定要領和知識。在網絡的使用過程中，對于特定的輸入模式，神經網絡通過向前計算，產生一個輸出模式，并得到節點代表的邏輯概念， 通過對輸出信號的比較與分析可以得到特定解。神經元之間具有一定的冗余性，并且允許輸入模式偏離學習樣本，因此神經網絡的計算行為具有良好的并行分布、容錯和抗噪能力。

神經網絡模型包括前饋型網絡、反饋型網絡、自組織競爭人工神經網絡等。

圖4神經元模型

（1）前饋型網絡(BP)

前饋型網絡，最初稱之為感知器（包括單層感知器和多層感知器），是應用最廣泛的一種人工神經網絡模型。前饋網絡結構是分層的，信息只能從下一層單元傳遞到相應的上一層單元，上層單元與下層所有單元相聯接。轉移函數可以是線性閾值的。多層感知器也被稱為BP網絡。多層感知器的輸入輸出關系與單層感知器完全相同。前一層的輸出是下一層的輸入。

（2）反饋型網絡(Hopfield)

反饋型網絡,它是一種動態反饋系統，所有計算單元之間都有聯接。比前饋網絡具有更強的計算能力。

（3）自組織競爭人工神經網絡

在實際的神經網絡中，存在一種側抑制的現象。即一個細胞興奮后，通過它的分支會對周圍其他神經細胞產生抑制。這種側抑制在脊髓和海馬中存在，在人眼的視網膜中也存在。

自組織映射模型是由Kohonen提出來的。模型是以實際神經細胞中的一種特征敏感的細胞為模型的。各個細胞分別對各種輸入敏感，可以代表各種輸入，反映各種輸入樣本的特征。如果在二維空間上描述這些細胞，則，功能相近的細胞聚在一起，靠得比較近。功能不同的離得比較遠。開始是無序的，當輸入樣本出現后各個細胞反映不同，強者依照“勝者為王”的原則，加強自己的同時對周圍細胞進行壓抑。使其對該種樣本更加敏感，也同時對其他種類的樣本更加不敏感。此過程的反復過程中，各種不同輸入樣本將會分別映射到不同的細胞上。

人工神經網絡以其具有自學習、自組織、較好的容錯性和優良的非線性逼近能力，受到眾多領域學者的關注。在實際應用中，80%～90%的人工神經網絡模型是采用誤差反傳算法或其變化形式的網絡模型（簡稱BP網絡），目前主要應用于函數逼近、模式識別、分類和數據壓縮或數據挖掘。 但不適合高精度計算；學習問題沒有根本解決，慢；目前沒有完整的設計方法，經驗參數太多。

3、支持向量機（SVM）

支持向量機是一種基于統計的學習方法，它是對結構風險最小化歸納原則的近似。它的理論基礎是Vapnik創建的統計學習理論。

SVM就是首先通過用內積函數K(xi，xj)定義的非線性變換將輸入空間變換到一個高維空間，在這個空間中求（廣義）最優分類面。SVM分類函數形式上類似于一個神經網絡，輸出是中間節點的線性組合，每個中間節點對應一個支持向量。

由于統計學習理論和支持向量建立了一套較好的有限樣本下機器學習的理論框架和通用方法，既有嚴格的理論基礎，又能較好地解決小樣本、非線性、高維數和局部極小點等實際問題，因此成為20世紀90年代末發展最快的研究方向之一，其核心思想就是學習機器要與有限的訓練本相適應。

學習是人類智能的主要標志和獲得智慧的基本手段，機器學習的研究就是希望計算機能像人類那樣具有從現實世界獲取知識的能力，同時進一步發現人類學習的機理和揭示人腦的奧秘。機器學習涉及到連接理論、認知理論、行為科學、神經科學等多門科學。因此，對于機器學習的研究，只有采用計算機科學、控制論、人工智能、認知科學、神經科學、心理學等多學科交叉的方法，才可望取得機器學習研究的更大進展。

機器學習是一個十分活躍、充滿生命力的研究領域，同時也是一個比較困難、爭議頗多的研究領域，雖然取得了一些令人矚目的成就，但還存在許多尚未解決的問題。目前人工智能研究的主要障礙和發展方向之一就是機器學習，因此，機器學習有著廣闊的研究前景。

參考文獻:

[1] 張景繪，動力學系統建模［M］.北京：國防工業出版社，2000.

[2] 楊義勇等，機械系統動力學［M］.北京：清華大學出版社，2009.

篇8

關鍵詞：人工智能 機器 學習 情感識別

中圖分類號：TP18 文獻標識碼：A 文章編號：1674-098X（2016）06（a）-0077-02

人工智能是一門涵蓋多學科知識，而又被當今社會廣泛應用于多領域，給人帶來便捷、高效的同時，又讓業界為其擔心的交叉學科知識的綜合產物。隨著各種智能機器人開始服務于各大領域，有超強力量的機械手臂，高效解決問題的專家系統，公眾日常可接觸到的可穿戴智能設備，從智能手機到各類功能的3D打印技術，從谷歌眼鏡到全息投影，各類機器設備如雨后春筍不斷涌出。

1 人工智能的發展

“人工智能”簡稱AI，是集心理認知，機器學習，情感識別，人機交互以及數據保存、決策等于一身的多學科技術。其最早被提出是由McCarthy在20世紀中葉的達特茅斯會議上，這也成為人工智能正式誕生的標志。在人工智能經歷兩個低谷后的最近一個階段，從1993年開始，人工智能其實取得了一些里程碑似的成果。比如在1997年，國際象棋冠軍卡斯帕羅夫被深藍戰勝；英國皇家學會舉行的“2014圖靈測試”中“尤金?古斯特曼”第一次“通過”圖靈測試，而這一天恰為計算機科學之父阿蘭?圖靈（Alan Turing）逝世60周年紀念日。2015年以來，“人工智能”開始成為諸多業界人士關注的焦點之一。2016年3月AlphaGo在首爾以4∶1戰勝圍棋世界冠軍李世石，繼而引發了人工智能將如何改變人類社會的思考。

2 從AlphaGo看人工智能的“情感機制”與人類的關系

機器學習算法的本質是選擇一個萬能函數建立預測模型[1]。首先用戶輸入大量訓練樣本數據，機器對模型進行訓練，選擇可以使預測的模型達到最優的參數集，從而使模型能夠更好地擬合訓練樣本數據的空間分布[2]。谷歌公司在訓練AlphaGo時，收集了20萬職業圍棋高手的對局，在經過不同版本AlphaGo之間的自我對弈，生成了3 000多萬個對局，包含了人類圍棋領域所積累的所有豐富和全面的知識與經驗。相比IBM“深藍”戰勝國際象棋卡斯帕羅夫，其依靠了強大的運算能力取得了勝利，AlphaGo的最大進步是從“計算加記憶”進化到“擬合加記憶”法則[2]。智能設備具有了海量數據存儲和高速的計算本領，人機交互（human-computer interaction）系統研發過程遇到的瓶頸仍是識別和表達情感方面。

情感在人際交往中扮演著重要的角色，情緒的識別主要是識別人類傳遞情緒的信號。既可以通過語言直接傳遞，也可以通過語調、面目表情、姿勢等進行表達。機器具有智能，“情感”是十分重要的一環。這要求機器具有對認知的解釋與建構，而認知的關鍵問題則是自主和情感意識。

對人工智能的威脅霍金總結說：“人工智能在短時間內發展取決于應用它的人，長遠來看到底其能否被控制是我們需要關注的內容。”針對人類對于“人工智能終將超越人類”的擔憂可以概括為以下兩點：（1）蠹生于木，而反食于木。恰如部分美國科幻片中所展現的場景，人類創造的機器因被賦予人類情感智力而脫離人類控制。（2）機器因其具有人類交互的情感且很少產生人工失誤而逐漸取代人類的勞動，致使人類無用武之地而待業失業。從技術飛速發展過程來看，智能設備的應用往往只是其在某一功能極大化的使用，如，專家系統其解決的只是某一領域內復雜問題解決方案的決策提供；虛擬現實技術是生活場景的實體化展現，以方便用戶更好地體驗現實場景；服務領域的機器人，提供的只是某一行業的服務，恰如汽車提供的只是快速的代步工具而不能與人交流一樣，智能機器只是發揮其某一單方面的優勢，從而更好地輔助人類完成特定的工作。在未來社會，那些簡單重復性的勞動將被機器所取代；此外，還有一些通過大量數據進行判別決策類的輸出，從而更好地為人類提供建議；同時對社會生活中重大、復雜工業系統中的故障處理，這些存在危險的領域中有智能設備的存在其實質是對人類安全及人類價值的禮遇；而對于那些與人交流密切的服務領域內，則更需要人與人的溝通，才能更好地服務于人。這些機器的存在解放了人的身體，進而可以使人類投入更多精力在科研領域。而人工智能與人類之間的關系，可以用“共存”一詞進行概括，即按勞分配，取長補短[2]。

3 機器學習理論

目前最受社會關注的智能算法，當屬日本學者福島教授基于Hubel Wiese的視覺認知模型提出的卷積神經網絡模型（Convolution Neural Network，CNN），是一種深度監督學習下的機器學習模型。深度學習的概念來源于人工神經網絡，常見的深度學習算法包括：受限波爾茲曼機（Restricted Boltzmann Machine，RBN），Deep Belief Networks（DBN），卷積網絡（Convolutional Network），堆棧式自動編碼器（Stacked Auto-encoders）。該算法的提出是為解決起初基于1943年，美國心理學家W.S.McCulloch和數學家W.A.Pitts生物神經元計算模型（M-P）[2]的早期人工神經網絡中，網絡層超過4層后，用傳統反向傳遞算法訓練而無法收斂的問題而提出。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成高層屬性類別或特征，從而發現數據的分布特征。重要的人工神經網絡算法包括：感知器神經網絡（Perceptron Neural Network），反向傳遞（Back Propagation），Hopfield網絡，自組織映射（Self-Organizing Map，SOM），學習矢量量化（Learning Vector Quantization，LVQ）。

簡單介紹一下神經網絡：

對應公式為，通過不同權重的多輸入，得到輸出，該單元也被稱為邏輯回歸模型。當多個單元相互關聯，并進行分層后即形成了神經網絡模型。

4 人工智能的未來

當前，人才輩出的社會促進技術手段的不斷創新，大數據，物聯網，虛擬現實、云計算等技術發展與機器人人工智能領域不斷融合發展，這無疑將推動產業方式發生改變。

而針對人工智能，李開復老師針對機器越發智能化而帶給人類的危機表示：人工智能的真實危機在于未來機器將養活無所事事的人。這也在激勵著人類，機器的智能，在代替人類部分勞動后，需要我們潛心于高科技的發展，進而不被社會所淘汰。斯特羅斯說“人工智能之于人類，最需要擔心的是其自發意識。無人機并不能殺人，指導無人機的坐標并投射地獄火導彈的人才能殺人。”這一說法表明其認為人類已經生活在后人工智能世界了，但人們還沒有意識到人工智能都是我們的人。這足以表明，人工智能產品的設計，一方面是為人類帶來了更加綠色，智能，方便的生活方式，而另一方面其法律規范意識，以及人才價值觀及道德的培養更值得社會關注。

參考文獻

[1] 于玲，吳鐵軍.LS-Ensem：一種用于回歸的集成算法[J].計算機學報，2006（5）：719-726.

篇9

【關鍵詞】機械；智能診斷；設備故障

近幾年來，為了適應更加高要求的運作，機械設備的功能變得非常強大，與此同時，其結構也更加的復雜。機械的不同部分之間聯系更加緊密，只要一個部分出現問題，整個機器都將停止運作，甚至會發生破壞性更大的連鎖反應。而使用常規的診斷方法需要較長的時間，甚至都無處下手或造成人員傷亡。所以現在人們都在追求人工智能診斷方法，利用軟件和計算機技術，將診斷的過程系統化，從而達到診斷的快速性和準確性。本文就根據目前已有的一些人工智能方法簡要做些分析，并探討智能診斷方法的發展前景。

1.主要智能診斷方法

1.1人工神經網絡法

人工神經網絡法是根據生物神經學方面的研究成果而提出的一個人工智能方面的概念，其主要含義是對人腦中神經結構和行為進行類似模擬[1]。因為該法是高度并行的，所以在對故障的處理中速度極快，并且能夠根據環境自動辨識，以線性的方法處理問題。

其基本原理為機發生故障的機器通過震動發出不同狀態的信號，然后該信號被神經網絡識別，通過對應特征的選擇以及公式模型的套用，找出對于故障中反映最強烈最敏感的信號，然后將其作為一個輸入向量，在神經網絡中建立故障模式樣本，對網絡進行長期訓練，排除其中影響準確性的因素；在確定訓練結束后，將每一個重新輸入的信息進行分類整理，網絡會根據所輸入的信息迅速判斷，并給出分類的結果，最后進行自我診斷。

人工神經網絡法的主要優點在于其具有自動學習、聯想、記憶和推測的功能；該方法是分布處理的，同時有并行處理復雜問題的強大功能；其非線性的映射很強，可以處理多故障的問題；其有能夠進行多種因素預報的能力且其預測準確度非常高。

人工神經網絡法的主要缺點為：算法相當復雜，需要預測的模型有一部分是無法用公式表達出來的；在訓練的過程中需要樣本數量較大，并且當樣本不足時，診斷的效果會大打折扣；應用之前所需訓練的時間過長。

1.2專家系統診斷法

當機械系統比較難以用數學模型來建立或者沒有較為精確的數學模型時，我們可以使用專家系統診斷法。該種診斷的方法主要有三個不同的階段，從第一代中基于淺知識的智能診斷到第二代中基于深知識的專家診斷，以及最近的將二者結合起來的復合式故障診斷系統[2]。

1.2.1基于淺知識

淺知識主要是指經驗知識，不是系統結構或者在行為過程中產生的知識。該種診斷法以專家的經驗知識為基礎，在演繹推理后得出診斷的最終結果，為故障原因得出一個最佳的解釋。基于淺知識的專家診斷系統主要運用到兩類知識，其一為機械設備故障導致各種征兆的因果知識；其二為能夠反映因果關系的可能性數值知識。主要的缺點就是診斷對象數量以及復雜性逐漸增多時，基于淺知識的故障智能專家系統會出現知識不太完備以及依賴性太強。

1.2.2基于深知識

深知識主要是指一些模型的知識包括機械系統中存在的結構、功能、過程或者是因果關系的模型。該種方法主要通過診斷對實際輸出和預計輸出之間的偏差值用第一定律知識以及一定的算法過程找出潛在的故障源。該種方法獲取數據較為方便，且形成的知識庫會比較一致和完備；但是該法所需搜索的空間過大，且推理的過程不是非常簡便和快速。

1.2.3復合式

復合式的診斷專家系統就是將淺知識和深知識兩者有效的結合起來。前一部分運用淺知識診斷法，推理出產生故障的可能原因和位置，其后再運用深知識診斷系統去做進一步的確認和解釋。兩種方法之間的銜接我們采用一種相互照應的方式，將淺知識中的假設對象和深知識中推理點一一對應起來。所以該種方法將故障的解決過程更加優化，也使得解決的方法更加快速和方便。它適合人類的思維，且修改較為方便；但是其缺點在于建立知識庫比較麻煩，缺少主動學習的能力。

1.3遠程分布式智能診斷法

遠程分布式法主要是將故障的診斷和目前的網絡即時通訊結合在一起[3]。主要有兩種診斷系統運行的方式，其一為實時監控的診斷，另一種為電子信函的會診。第一種就是將機械故障的實際情況通過視頻等通訊工具傳給并不在現場的專家們，讓他們根據自己的經驗將采集到的信號進行相關專業的處理，并通過通訊工具和其他專家進行相互的交流與探討，形成一種網絡狀態下的會議形式，共同研究出一個最優的處理方案。其主要缺點在于，信號的采集可能會有些偏差，并且要協調好各位專家同時在線的時間也是比較麻煩的。第二種就是通過現場檢測人員將數據進行采集與整理，然后把所有的相關數據全部以信函的方式傳給有關專家，當專家做好分析之后，再用電子信函的方式傳回給現場，現場進行下一步的處理。這一種方法把系統中的資源與實際專家的經驗有效的利用起來，為設備的故障處理與維護提供了方便有效的遠程服務，對生產系統的可靠性有了極大的保證。

2.智能診斷方法前景分析

由于目前設備故障診斷的技術已經和非線性原理、傳感技術、信號處理技術相融合，智能診斷的方法正在不斷的完善和科技化。其發展的趨勢大概如下[4]：多種知識以及各種方法相結合；相關原理知識與實際的經驗知識更加緊密融合；診斷系統的能力越來越接近人類專家；專家系統診斷法會與神經網絡診斷法在診斷過程中融合；大量的虛擬技術將會得到重用；數據庫的技術和人工智能技術會相互結合……

總之，智能診斷機械設備故障的趨勢就是將各種不同的智能技術進行有效的結合起來，形成一種功能強大的混合診斷系統。但是在智能化處理的趨勢下，仍然有一些問題是需要我們迫切去解決和研究的，所以在以后，我們要不斷的新的技術，前沿的學科方法運用到機械故障解決中去，用新的思維和新的方法從實際的應用提出新的問題，并加以解決和完善，將智能話診斷機械設備提升到理論方法一致的高度之上。

【參考文獻】

［1］王宇杰,龐兵.機械故障智能診斷方法研究[J].黑龍江科技信息,2011,6(6):42.

［2］楊光.機械設備故障的智能診斷及預測維修系統的研究[J].科學之友,2011,2(20):41-42.

篇10

一、規模

按規模大小FMS可分為如下4類：

1.柔性制造單元(FMC)

FMC的問世并在生產中使用約比FMS晚6~8年，它是由1~2臺加工中心、工業機器人、數控機床及物料運送存貯設備構成，具有適應加工多品種產品的靈活性。FMC可視為一個規模最小的FMS，是FMS向廉價化及小型化方向發展和一種產物，其特點是實現單機柔性化及自動化，迄今已進入普及應用階段。

2.柔性制造系統(FMS)

通常包括4臺或更多臺全自動數控機床(加工中心與車削中心等)，由集中的控制系統及物料搬運系統連接起來，可在不停機的情況下實現多品種、中小批量的加工及管理。

3.柔性制造線(FML)

它是處于單一或少品種大批量非柔性自動線與中小批量多品種FMS之間的生產線。其加工設備可以是通用的加工中心、CNC機床；亦可采用專用機床或NC專用機床，對物料搬運系統柔性的要求低于FMS，但生產率更高。它是以離散型生產中的柔性制造系統和連續生產過程中的分散型控制系統(DCS)為代表，其特點是實現生產線柔性化及自動化，其技術已日臻成熟，迄今已進入實用化階段。

4.柔性制造工廠(FMF)

FMF是將多條FMS連接起來，配以自動化立體倉庫，用計算機系統進行聯系，采用從訂貨、設計、加工、裝配、檢驗、運送至發貨的完整FMS。它包括了CAD/CAM，并使計算機集成制造系統(CIMS)投入實際，實現生產系統柔性化及自動化，進而實現全廠范圍的生產管理、產品加工及物料貯運進程的全盤化。FMF是自動化生產的最高水平，反映出世界上最先進的自動化應用技術。它是將制造、產品開發及經營管理的自動化連成一個整體，以信息流控制物質流的智能制造系統(IMS)為代表，其特點是實現工廠柔性化及自動化。

二、關鍵技術

1.計算機輔助設計

未來CAD技術發展將會引入專家系統，使之具有智能化，可處理各種復雜的問題。當前設計技術最新的一個突破是光敏立體成形技術，該項新技術是直接利用CAD數據，通過計算機控制的激光掃描系統，將三維數字模型分成若干層二維片狀圖形，并按二維片狀圖形對池內的光敏樹脂液面進行光學掃描，被掃描到的液面則變成固化塑料，如此循環操作，逐層掃描成形，并自動地將分層成形的各片狀固化塑料粘合在一起，僅需確定數據，數小時內便可制出精確的原型。它有助于加快開發新產品和研制新結構的速度。

2.模糊控制技術

模糊數學的實際應用是模糊控制器。最近開發出的高性能模糊控制器具有自學習功能，可在控制過程中不斷獲取新的信息并自動地對控制量作調整，使系統性能大為改善，其中尤其以基于人工神經網絡的自學方法更引起人們極大的關注。3.人工智能、專家系統及智能傳感器技術

迄今，FMS中所采用的人工智能大多指基于規則的專家系統。專家系統利用專家知識和推理規則進行推理，求解各類問題(如解釋、預測、診斷、查找故障、設計、計劃、監視、修復、命令及控制等)。由于專家系統能簡便地將各種事實及經驗證過的理論與通過經驗獲得的知識相結合，因而專家系統為FMS的諸方面工作增強了柔性。展望未來，以知識密集為特征，以知識處理為手段的人工智能(包括專家系統)技術必將在FMS(尤其智能型)中起著關鍵性的作用。人工智能在未來FMS中將發揮日趨重要的作用。目前用于FMS中的各種技術，預計最有發展前途的仍是人工智能。預計到21世紀初，人工智能在FMS中的應用規模將要比目前大4倍。智能制造技術(IMT)旨在將人工智能融入制造過程的各個環節，借助模擬專家的智能活動，取代或延伸制造環境中人的部分腦力勞動。在制造過程，系統能自動監測其運行狀態，在受到外界或內部激勵時能自動調節其參數，以達到最佳工作狀態，具備自組織能力。故IMT被稱為未來21世紀的制造技術。對未來智能化FMS具有重要意義的一個正在急速發展的領域是智能傳感器技術。該項技術是伴隨計算機應用技術和人工智能而產生的，它使傳感器具有內在的“決策”功能。

4.人工神經網絡技術

人工神經網絡(ANN)是模擬智能生物的神經網絡對信息進行并行處理的一種方法。故人工神經網絡也就是一種人工智能工具。在自動控制領域，神經網絡不久將并列于專家系統和模糊控制系統，成為現代自支化系統中的一個組成部分。

三、發展趨勢

1.FMC將成為發展和應用的熱門技術

這是因為FMC的投資比FMS少得多而經濟效益相接近，更適用于財力有限的中小型企業。目前國外眾多廠家將FMC列為發展之重。

2.發展效率更高的FML

多品種大批量的生產企業如汽車及拖拉機等工廠對FML的需求引起了FMS制造廠的極大關注。采用價格低廉的專用數控機床替代通用的加工中心將是FML的發展趨勢。

3.朝多功能方向發展