導語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)在人工智能的應(yīng)用，這就需要搜集整理更多的資料和文獻，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：人工智能；深度學習；教學建議

0 引言

傳統(tǒng)的人工智能課程主要包括人工智能導論、模式分析、機器學習、數(shù)據(jù)挖掘等。這些課程由各個院校根據(jù)專業(yè)情況不同而選擇，課程的內(nèi)容也有較大差別，但是，基本上都涉及人工神經(jīng)網(wǎng)絡(luò)的內(nèi)容。然而在人工神經(jīng)網(wǎng)絡(luò)的教學內(nèi)容上，一般只講解經(jīng)典的多層感知器和反向傳播算法，或再加入一些反饋網(wǎng)絡(luò)的內(nèi)容，這種教學內(nèi)容設(shè)計的一個不足是忽視了人工智能領(lǐng)域的最新發(fā)展——深度學習，它是近幾年人工智能領(lǐng)域最具影響力的研究主題，并在大規(guī)模語音識別、大規(guī)模圖像檢索等領(lǐng)域取得突破。

北京郵電大學計算機學院開設(shè)人工智能科學與技術(shù)的本科專業(yè)，筆者從事深度學習的研究工作，同時承擔了本科生和研究生人工智能類課程的教學工作，因此產(chǎn)生了將深度學習內(nèi)容引人人工智能類課程的想法。本文先介紹深度學習的背景，說明深度學習在人工智能發(fā)展中的地位，之后分析了將深度學習基本內(nèi)容引入人工智能類課程的必要性和可行性，最后給出了一些實施建議供探討。

1 深度學習背景

2006年，加拿大多倫多大學的GeoffreyHinton教授與Salakhutdinov博士在美國《科學》雜志發(fā)表了題為“Reducing the Dimensionality ofDatawith Neural Networks”的論文，該文提出一種學習多層神經(jīng)網(wǎng)絡(luò)的方法，并將這種具有多層結(jié)構(gòu)的學習方法命名為深度學習（Deep Learning），而這成為深度學習研究的一個導火索，從此深度學習的研究與應(yīng)用蓬勃發(fā)展起來。

深度學習在語音識別與生成、計算機視覺等應(yīng)用領(lǐng)域取得了突出進展。近幾年的國際機器學會（International Conference on MachineLearning，ICML）、神經(jīng)信息處理大會（AnnualConference On Neural Information Processing Systems，NIPS）、計算機視覺大會（InternationalConference on Computer Vision，ICCV）、

聲學語音與信號處理大會（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、計算語言學大會（Annual Meeting of the Association for Computational Linguistics.ACL）、計算機視覺與模式識別（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相關(guān)的研究論文、會議教程和小組研討會（Workshop）。美國國防高級研究計劃（DARPA）也提出了關(guān)于深層學習的研究項目。此外，2013年6月《程序員雜志》的封面故事，采訪了周志華、李航、朱軍3位國內(nèi)的機器學習專家對于深度學習的看法，他們一致肯定了深度學習在機器學習領(lǐng)域的貢獻。

工業(yè)界對深度學習也寄予了很高期望。2012年6月，《紐約時報》報道了斯坦福大學計算機科學家AndrewNg和谷歌公司的系統(tǒng)專家JeffDean共同研究深度神經(jīng)網(wǎng)絡(luò)的機器學習模型在語音識別和圖像識別等領(lǐng)域獲得的巨大成功。2012年11月，微軟公司在天津公開演示了一個全自動的同聲傳譯系統(tǒng)，其關(guān)鍵技術(shù)也是深度學習。2013年1月，百度公司首席執(zhí)行官李彥宏先生宣布建立深度學習研究院（Institute of Deep Learning）。2013年3月，谷歌公司收購了由深度學習創(chuàng)始人Geoffrey Hinton創(chuàng)立的公司。

從學術(shù)界與工業(yè)界的研究態(tài)勢看，深度學習已經(jīng)成為機器學習與模式識別，乃至人工智能領(lǐng)域的研究熱點。正是在這樣一個背景下，人工神經(jīng)網(wǎng)絡(luò)重新回到人們的視野。此前人工神經(jīng)網(wǎng)絡(luò)的發(fā)展大致可以分為兩個時期，1943年，McCulloch和Pitts提出了最早的人工神經(jīng)元，這種神經(jīng)元具有學習能力，這是人工神經(jīng)網(wǎng)絡(luò)的發(fā)端，也可以被認為是人工智能的發(fā)端（當時還沒有人工智能這個術(shù)語）。1949年，Hebb提出了Hebbian學習算法。1957年，Rosenblatt提出了感知器的神經(jīng)網(wǎng)絡(luò)模型。1969年，Minsky和Papert分析了這種感知器神經(jīng)網(wǎng)絡(luò)模型的局限性。然而，很多研究者認為，感知器的這種局限性對于所有的神經(jīng)網(wǎng)絡(luò)模型都適用，這使人工神經(jīng)網(wǎng)絡(luò)的研究很快暗淡下來。1980年代中期，諾貝爾獎得主John Hopfield提出了Hopfield神經(jīng)網(wǎng)絡(luò)模型，這種Recurrent神經(jīng)網(wǎng)絡(luò)具有的動態(tài)性有可能用于解決復雜的問題。同時，多層前向神經(jīng)網(wǎng)絡(luò)的后傳算法也被重新發(fā)現(xiàn)，這兩個工作使人工神經(jīng)網(wǎng)絡(luò)得到重生。這時，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能的一個重要組成部分。但是，在隨后的研究中，人們發(fā)現(xiàn)，當學習多層神經(jīng)網(wǎng)絡(luò)包含更多的隱藏層時，后傳算法并不能學到有效的網(wǎng)絡(luò)權(quán)值，這使得神經(jīng)網(wǎng)絡(luò)的研究再次陷入低潮。此次以深層神經(jīng)網(wǎng)絡(luò)為代表的深度學習重新回到研究的舞臺，其中一個重要因素是Hinton提出的逐層預訓練神經(jīng)網(wǎng)絡(luò)方法治愈了多層神經(jīng)網(wǎng)絡(luò)的一個致命傷。

2 必要性與可行性

深度學習的發(fā)展使得從事教學一線的教師也無法忽視這個頗具影響力的研究主題。為此，我們提出將深度學習這個主題引入到人工智能類課程中，將它作為課題教學的一部分。

2.1 必要性

將深度學習這個主題引入到人工智能類課程中的必要性主要包括如下4點。

1）深度學習是人工智能的前沿。

2006年以來，深度學習的研究席卷了整個人工智能，從機器學習、機器視覺、語音識別到語言處理，都不斷涌現(xiàn)出新的研究工作和突破性進展。深度學習不僅在機器學習領(lǐng)域成為研究熱點，同時在多個應(yīng)用領(lǐng)域也成為有力工具，而且，在工業(yè)界的系統(tǒng)應(yīng)用中，深度學習成為其中的關(guān)鍵解決技術(shù)。

2）深度學習是人工智能的突破。

深度學習的發(fā)端是神經(jīng)網(wǎng)絡(luò)。關(guān)于神經(jīng)網(wǎng)絡(luò)的論述，在人工智能類常見教科書中還停留在多層神經(jīng)網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)的第二階段，它們大部分描述多層結(jié)構(gòu)無法訓練的現(xiàn)象。但是，從深度學習的角度看，深層神經(jīng)網(wǎng)絡(luò)不僅可學習，而且有必要，這與第二代神經(jīng)網(wǎng)絡(luò)的觀點是完全不同的。深度學習突破了原有人工神經(jīng)網(wǎng)絡(luò)的認識，超越了人工智能神經(jīng)網(wǎng)絡(luò)教科書中的原有內(nèi)容，因此，有必要將多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的可學習性告知學生，從新的視角糾正原有的觀點。

3）深度學習是人工智能的延伸。

深度學習不僅提供了一種可以在深層神經(jīng)結(jié)構(gòu)下訓練網(wǎng)絡(luò)的方法，也包含了不少新的內(nèi)容，是人工智能的新發(fā)展，為人工智能補充了新的內(nèi)容。到目前為止，深度學習至少包括：從生物神經(jīng)網(wǎng)絡(luò)與人類認知的角度認識深層神經(jīng)網(wǎng)絡(luò)的必要性；如何構(gòu)建和學習深層學習網(wǎng)絡(luò)；如何將深層結(jié)構(gòu)用于解決視覺、語音、語言的應(yīng)用問題；如何看待深度學習與原有的機器學習方法，如流形學習、概率圖模型、能量模型的直接關(guān)系；深度學習與其他學科的關(guān)系等。

4）深度學習是學生的潛在興趣點。

大學生對知識有著強烈的好奇心，加之當前信息技術(shù)的發(fā)達，部分對智能感興趣的學生可以從其他途徑了解到這個學科發(fā)展的前沿。因此，順勢而為，將深度學習這個主題做具體講解，滿足學生的好奇心，培養(yǎng)他們對學科前沿與發(fā)展的認識，是十分必要的。對高年級的學生而言，了解深度學習的基本知識，是他們?nèi)嬲J識人工智能與發(fā)展前沿的一個途徑，而對于研究生，較多地了解和掌握深度學習的基本知識有助于他們研究工作的開展。

基于以上幾點，筆者認為，將深度學習這個主題引入到人工智能類課程中非常有必要。深度學習作為人工智能的前沿，既是對人工智能原有理論和技術(shù)的一個突破和補充。

2.2 可行性

將深度學習引入到人工智能類課程中的可行性主要包括如下3點。

1）深度學習與現(xiàn)有人工智能聯(lián)系密切。

深度學習并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理論與技術(shù)。深度學習是以神經(jīng)網(wǎng)絡(luò)為出發(fā)點，這正是深度學習教與學的切入點。比如，可以通過對多層感知器隱藏層的增加和后傳算法的失效來講解深度學習是如何解決這個問題的。再者，深度學習的一個核心構(gòu)建“受限波爾茲曼機（Restricted Boltzmann Machine）”，可以被認為是一種能量模型，而這種模型與Hopfield網(wǎng)絡(luò)都可以從物理學的能量模型角度分析，RBM可以認為是Hopfield網(wǎng)絡(luò)的隨機擴展?？傊?，深度學習與現(xiàn)有人工智能的聯(lián)系，使學習深度學習變得容易。

2）深度學習的基本內(nèi)容并不深。

深度學習有個很好的名字，這個名字恰當?shù)孛枋隽颂囟ǖ膶W習結(jié)構(gòu)。比如，深度學習的核心部件受限于波爾茲曼機RBM，其結(jié)構(gòu)非常簡單。從神經(jīng)網(wǎng)絡(luò)的角度，受限波爾茲曼機是一種隨機的雙向連接神經(jīng)網(wǎng)絡(luò)，信號可以從可見層傳遞到隱藏層，也可以從隱藏層傳遞到可見層。網(wǎng)絡(luò)中每個節(jié)點是具有特定結(jié)構(gòu)的神經(jīng)元，其中的神經(jīng)元具有典型的包含自身偏置的Logistic函數(shù)的隨機單元，能夠依Logistic函數(shù)計算得到的概率輸出0狀態(tài)或1狀態(tài)。概括地說，深度學習的基本內(nèi)容在高年級階段較易掌握。

3）深度學習的資料容易獲得。

當前的信息資訊非常發(fā)達，有相當多的資料可以通過互聯(lián)網(wǎng)等多種途徑獲得，這使學習深度學習成為可能。近期，中國計算機學會主辦了多個技術(shù)講座均涉及深度學習的部分；深度學習的創(chuàng)始人Hinton教授的主頁也有很多資料；Coursera網(wǎng)站有免費的Hinton教授的神經(jīng)網(wǎng)絡(luò)課程；斯坦福大學的Ng教授提供了很多的在線教程；蒙特利爾大學Bengio教授發(fā)表的題為“Learning Deep Architectures for AI”的論文也是這領(lǐng)域的優(yōu)質(zhì)資料。

3 實施建議

在具體的教學過程中，筆者建議適當安排深度學習的最基本內(nèi)容，內(nèi)容不宜過多，也不宜占用過多的學時，可以根據(jù)教學對象的不同進行調(diào)整。比如，本科生的高年級專業(yè)課可以安排1學時的教學量，介紹層次訓練的基本算法；也可以在高年級前沿講座中安排2學時，內(nèi)容覆蓋面盡可能廣泛。在研究生的教學中，可以根據(jù)教學的課程主題安排內(nèi)容與學時。比如，神經(jīng)網(wǎng)絡(luò)主題的課程可以安排4-6學時的教學內(nèi)容，包括波爾茲曼機及學習算法、深層信念網(wǎng)絡(luò)與學習算法、深層波爾茲曼機與學習算法卷、積神經(jīng)網(wǎng)絡(luò)、自動編碼器等。結(jié)合應(yīng)用，課程還可以包含MNIST數(shù)字識別的應(yīng)用、人臉識別的應(yīng)用、圖像檢索的應(yīng)用、語音識別中的應(yīng)用等。另外，深度學習是一個實踐性很強的研究，隨機性：大規(guī)模（意味著數(shù)據(jù)不宜可視化，程序運行時間長）等多種因素混合，使深度學習在學習中不容易理解。為此，可以在條件允許的前提下，增加小規(guī)模的實驗，輔助理解。最后，課件可以通過對優(yōu)質(zhì)資料做修改得到。

篇2

【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：O434文獻標識碼： A

一、前言

在國家智能電網(wǎng)的推動下，電力系統(tǒng)的故障診斷成為了實現(xiàn)電力系統(tǒng)自動化的主要問題。通過人工智能技術(shù)對電網(wǎng)參數(shù)進行智能化分析，有利于及時診斷故障，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、神經(jīng)學、信息技術(shù)為一體，目前廣泛運用于多個領(lǐng)域，同時也是近年來科技領(lǐng)域的一個研究熱點。它通過對人腦的原理和行為進行模仿，從而研制出一種自動化的機器，這種機器能分析、識別、發(fā)現(xiàn)問題。很多電力企業(yè)都運用了這種技術(shù)，它提高了電力運行的效率，減少了故障發(fā)生的機率，還節(jié)約了人力、物力、財力。同時，它也能解決電力系統(tǒng)中非常復雜的問題，比如非線性映射。不僅如此，它還被繼電保護所應(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)備對故障有一定的印象。因此，在發(fā)生故障的時候，設(shè)備能夠快速反應(yīng)并且發(fā)出警報。

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雜，這種技術(shù)主要是用在繼電保護上，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，能夠及時對電力系統(tǒng)進行監(jiān)控、評估等等。即便是發(fā)生了故障，它也能夠進行快速的判斷，并且對故障的距離、情況等一一進行探測。

2.智能模糊邏輯

智能模糊邏輯通過運用模糊理論，輸入變量，建立數(shù)學模型，能夠很好地對電力系統(tǒng)進行規(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)當中。

3.遺傳算法

遺傳算法的理論基礎(chǔ)是數(shù)學模型，它通過借鑒自然遺傳機制的隨機搜索算法，從而對群體和個體之間的信息進行交換。

4.混合技術(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(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)電機和電動機故障診斷中。目前變壓器故障診斷常用方法是取變壓器油分解出氣體，對氣體進行分析來判斷故障狀態(tài)。傳統(tǒng)的故障診斷方法無法針對設(shè)備故障的不確定性、非線性和復雜性等特點進行診斷，診斷效率較低。而人工智能方法的應(yīng)用提高了診斷準確率。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。如在電動機和發(fā)動機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，實現(xiàn)了故障診斷知識模糊性與較強的神經(jīng)網(wǎng)絡(luò)共同的診斷，相對提高了故障的針對準確率。現(xiàn)在簡單的介紹下以下三種故障診斷方法。

1.模糊邏輯

模糊邏輯是在模糊集合理論的基礎(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、不確定的對象，并采用近似推理規(guī)則，使專家知識得以有效表達，且具有很強的容錯能力。

綜上可看出，模糊邏輯比較適合用來處理電網(wǎng)故障診斷中繼電保護動作的不確定性和故障信息的不完備性。文獻[8]不僅引人了保護和斷路器的動作信息，而且按額定值將遙測量進行模糊化用于故障診斷，為故障診斷的多信息融合提供了新的思路。采用模糊集理論進行電網(wǎng)故障診斷也存在一些問題：像隸屬度函數(shù)的選擇無明確的標準、可維護性較差等。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、取長補短。

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)方法最大的特點就在于對于神經(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)運行的基礎(chǔ)，對于各種隱含所處理問題的智慧進行權(quán)重連接，從而實現(xiàn)診斷與處理。從其運行方式和結(jié)構(gòu)來看，它具有一定的學習能力，能夠通過對學習算法的應(yīng)用實現(xiàn)訓練樣本的訓練，同時完成知識的自我組織與構(gòu)建，容錯能力較強，即使輸入信號存在一定的干擾因素，也能在較大程度上給出相對正確的輸出結(jié)果。同時，系統(tǒng)強大的神經(jīng)元并行運算能力還能并行處理故障診斷，因為在執(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)具有很強的非線性映射能力，同時是一種柔性網(wǎng)絡(luò)結(jié)構(gòu)，能夠隨著逆?zhèn)鞑サ男拚粩鄿p少誤差，同時還能通過對輸入模式的響應(yīng)做好分類，提升正確率，尤其是對于變壓器故障中的油中溶解氣體類故障診斷具有較好的應(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，但是隨著學習樣本的增多，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，有時候甚至出現(xiàn)不收斂現(xiàn)象?；谶@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)用簡化了復雜故障問題的處理與分類，同時在自我學習的基礎(chǔ)上實現(xiàn)了對專家系統(tǒng)不足的彌補。

3.專家系統(tǒng)

專家系統(tǒng)可簡稱為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信息，通過各樣的推理過程來達到系統(tǒng)所要求任務(wù)目標。

專家系統(tǒng)在我國電廠里的應(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、監(jiān)測和診斷、預想事故篩選等，特別是監(jiān)測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)知識存儲方式不同，能把ES分為決策樹、知識經(jīng)驗、規(guī)則及模型等不同形式，模型形式的知識所表達方式是比較適合實時處理的，比基于規(guī)則形式推理方式要更為簡單及快捷及容易維護。ES在輸電網(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、保護器動作邏輯和運行人員診斷經(jīng)驗運用規(guī)則的形式進行表示，并形成知識庫，依據(jù)報警信息進行知識庫推理，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)及故障診斷特點所決定的，在輸電網(wǎng)絡(luò)里斷路器及一級保護間的關(guān)系能用模塊化及直觀規(guī)則進行表示，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)有效性及實時性，對不確定問題在一定程度上給予了解決，還能給出一些符合人類語言結(jié)論及解釋能力。

同時，框架法的專家系統(tǒng)能夠進行分類結(jié)構(gòu)知識表達，以及對事物間的相關(guān)性進行表達，并簡化繼承性知識存儲及表述。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，可在電廠實際應(yīng)用里，還存在著一定不足，主要為知識獲取及維護問題，并且接口也不是很友好，對故障診斷里的很多不確定因素也無法有效解決，從而影響了診斷準確性。

五、結(jié)束語

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，我們要認真分析當下在人工智能技術(shù)應(yīng)用中存在的不足之處，優(yōu)化并改進，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：

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

篇3

關(guān)鍵詞：電力系統(tǒng)；人工智能；模糊控制；神經(jīng)網(wǎng)絡(luò)

引言

伴隨著社會的不斷進步，用戶對電能的要求也在不斷提高:安全、可靠、優(yōu)質(zhì)、環(huán)保。電力系統(tǒng)在實際工作中也確實存在一些技術(shù)難題：首先，電力系統(tǒng)是一種復雜大系統(tǒng)，系統(tǒng)參數(shù)包含著諸多的不確定因素，并且具有很強的非線性；其次，電力系統(tǒng)應(yīng)當具有較強的魯棒性能，以克服系統(tǒng)中的擾動，而且系統(tǒng)對多目標尋優(yōu)的控制方法要求也較高；最后，復雜系統(tǒng)是由多個子系統(tǒng)相互影響、關(guān)聯(lián)組成，電力系統(tǒng)需要將多個局部的控制系統(tǒng)相互連接，綜合控制。因此，這一系列尖端的技術(shù)難題需要應(yīng)用更為先進的自動化控制技術(shù)即智能控制技術(shù)。

1智能控制技術(shù)

控制理論的不斷發(fā)展，為人類帶來了更加先進的自動化技術(shù)，使得人們設(shè)計的控制系統(tǒng)穩(wěn)定、可靠、智能、高效。典型的智能控制技術(shù)包括：模糊控制、人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、遺傳算法等。

1.1模糊控制。模糊控制是基于模糊數(shù)學理論的一種控制方法。傳統(tǒng)的控制理論能夠解決模型明朗、確定的系統(tǒng)的控制問題。但當面對類似于電力系統(tǒng)的復雜、模型不確定、因素多的大系統(tǒng)傳統(tǒng)的控制方法就無法高效地解決控制問題。為了克服上述問題，科研人員提出了用模糊數(shù)學的理論來解決一些復雜系統(tǒng)的控制問題。模糊控制是一種非線性的控制理論。它采用的是理論與實際相結(jié)合的方法解決實際的問題。一般模糊控制技術(shù)包含如下幾個部分：定義變量、模糊化、知識庫、邏輯判斷及反模糊化。而其中的邏輯判斷部分運用模糊邏輯、模糊推論方法進行分析，得到最優(yōu)的模糊控制輸出。

1.2人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，簡寫為ANNs）也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs），此類數(shù)學模型模仿動物神經(jīng)網(wǎng)絡(luò)的組成，進行分布式信息處理。通過調(diào)整系統(tǒng)內(nèi)部的各個節(jié)點之間的聯(lián)系，最終達到控制系統(tǒng)的目的。強魯棒性、非線性特性、自組織自學習的能力和并行處理能力是人工神經(jīng)網(wǎng)絡(luò)基本特性，受到了人們的普遍關(guān)注。人工神經(jīng)網(wǎng)絡(luò)在工作前先對控制準則學習，減少系統(tǒng)工作過程中發(fā)生錯誤動作的概率?？刂频臏蚀_性可以經(jīng)過學習之后逐漸完善，提高系統(tǒng)正確動作的權(quán)值。

1.3專家系統(tǒng)。專家系統(tǒng)實際上是一個包含著某個專業(yè)領(lǐng)域內(nèi)的大量人類專家知識的一種智能計算機程序系統(tǒng)。該系統(tǒng)通過程序模擬人類專家應(yīng)用其豐富的知識經(jīng)驗進行分析、解決問題的過程，最終解決復雜的控制系統(tǒng)的問題。專家系統(tǒng)中的知識庫是反映系統(tǒng)性能的主要部分，系統(tǒng)在解決問題時是通過模擬專家的思維來實現(xiàn)的。用戶在使用過程中可以通過不斷完善專家?guī)靵硖岣邔＜蚁到y(tǒng)的性能。專家系統(tǒng)通過反復比對系統(tǒng)的輸入信息，與專家系統(tǒng)中的知識庫的規(guī)則進行匹配，最終找到能使數(shù)據(jù)庫的內(nèi)容與實際的目標的規(guī)則。在改善動態(tài)品質(zhì)和提高遠距離輸電線路能力的問題上，盧強等人提出了利用最優(yōu)勵磁控制手段，研究成果指出：利用最優(yōu)勵磁控制方式，可以使大型機組取代古典勵磁方式。

2智能控制技術(shù)在電力系統(tǒng)的應(yīng)用

2.1模糊控制技術(shù)在繼電保護領(lǐng)域的應(yīng)用。電力系統(tǒng)中的繼電保護裝置具有這重要的意義，繼電保護裝置的可靠工作能使電力系統(tǒng)穩(wěn)定、可靠、安全的運行。對繼電保護裝置的故障識別與診斷越來越嚴苛，電力系統(tǒng)中龐大復雜的故障現(xiàn)象，普通的識別系統(tǒng)無法準確及時地解決問題。因此，采用先進的人工智能技術(shù)進行電力系統(tǒng)的繼電保護裝置的故障識別與診斷的工作更加迫切。應(yīng)用模糊控制技術(shù)監(jiān)視電力系統(tǒng)中變壓器的工作狀態(tài)，根據(jù)變壓器的參數(shù)的變化，結(jié)合已知的輸入輸出，利用模糊控制技術(shù)進行變壓器的故障診斷。利用最小二乘法的原理將變壓器的一些參數(shù)，例如電介質(zhì)的損耗、泄漏電流、絕緣電阻、變壓器的吸收比等參數(shù)作為模糊控制的輸入。將這些輸入?yún)?shù)通過一定的規(guī)則進行量化，作為模糊輸入的矩陣，再將變壓器的狀態(tài)分為合格、不合格、故障等按照規(guī)則量化得到輸出的模糊矩陣。參考其他一些實際經(jīng)驗中的數(shù)據(jù)作為擴展出來的輸入輸出矩陣，應(yīng)用最小二乘法的迭代運算得到輸入與輸出的關(guān)系矩陣。應(yīng)用得出的輸入輸出的關(guān)系矩陣就可以對一些變壓器的試驗信息進行分析，診斷。

2.2神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)故障診斷中的應(yīng)用。在電力系統(tǒng)故障診斷的過程中，神經(jīng)網(wǎng)絡(luò)將系統(tǒng)的故障報警信息作為神經(jīng)網(wǎng)絡(luò)的輸入量。神經(jīng)網(wǎng)絡(luò)的輸出是電力系統(tǒng)故障診斷的結(jié)論。應(yīng)先讓神經(jīng)網(wǎng)絡(luò)進行學習，對其輸入特定的故障報警，建立一個全面的故障報警樣本庫。通過樣本庫不斷對神經(jīng)網(wǎng)絡(luò)系統(tǒng)進行訓練，使得系統(tǒng)對不同的故障報警輸入產(chǎn)生相應(yīng)的權(quán)重，最終能夠輸出準確的故障診斷的結(jié)果。神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)不僅可以應(yīng)用在電網(wǎng)的故障診斷方面，還可以用于電力設(shè)備的故障診斷、電力系統(tǒng)中的變壓器的故障診斷等。神經(jīng)網(wǎng)絡(luò)的算法多種多樣較為常用的有BP神經(jīng)網(wǎng)絡(luò)算法，迭代步長算法，以及變步長法等。在輻射型配電系統(tǒng)中采用BP神經(jīng)網(wǎng)絡(luò)，用ANN模擬各個地區(qū)不同電弧電阻下的故障情況，測量阻抗量應(yīng)用BP神經(jīng)網(wǎng)絡(luò)判斷電力系統(tǒng)出現(xiàn)的問題。該方法能夠有效解決由于電弧引起的測量阻抗不準確，導致保護系統(tǒng)不能正常工作的問題。專家系統(tǒng)在電力變壓器其的故障診斷的應(yīng)用電力系統(tǒng)中已經(jīng)有多個部分在控制過程中建立出了數(shù)學模型，但是依然存在一些復雜的、規(guī)律性不明顯的系統(tǒng)無法抽象出具體的數(shù)學模型。這就需要專家系統(tǒng)解決相應(yīng)的問題。專家控制系統(tǒng)在電力系統(tǒng)中多用于分辨系統(tǒng)的故障報警的狀態(tài)，進行分析，提出故障的應(yīng)急解決方案以及系統(tǒng)的恢復控制方案。專家系統(tǒng)中的知識庫用于提供解決問題的知識，應(yīng)用推理機使用該專家的知識庫。知識庫可以根據(jù)變壓器的不同故障分為多個子系統(tǒng)，例如油位、負荷、溫度等。推理機調(diào)用程序根據(jù)當前的狀態(tài)，按照規(guī)定的規(guī)則調(diào)用系統(tǒng)的特定知識。推理機調(diào)用知識庫中的數(shù)據(jù)時可以采用正向推理、反向推理、混合推理。經(jīng)過反復的匹配直到找出故障的原因，故障原因可能是多個，將找出的多個原因組合為一個相互關(guān)聯(lián)的矩陣。最終實現(xiàn)了經(jīng)過專家系統(tǒng)做出的故障診斷分析。

3總結(jié)

人工智能技術(shù)是一項新穎先進的技術(shù)。在電力系統(tǒng)中應(yīng)用人工智能技術(shù)是電力自動化發(fā)展的必然趨勢。針對類似于電力系統(tǒng)的具有非線性、多參數(shù)、不確定因素多的復雜大系統(tǒng)，人工智能技術(shù)擁有更加優(yōu)越的控制性能。模糊控制、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等控制理論已經(jīng)漸漸的成熟，在生產(chǎn)生活的多個方面已經(jīng)有了越來越多的應(yīng)用。經(jīng)過人工智能技術(shù)的不斷完善，電力系統(tǒng)自動化的不斷深入，人工智能對電力系統(tǒng)的控制會使電力系統(tǒng)運行更穩(wěn)定、更經(jīng)濟，魯棒性能更優(yōu)越。

參考文獻

[1]朱亮亮,王艷.基于人工智能的電力系統(tǒng)自動化控制[J].科技致富向?qū)?2014,09:300.

[2]丘智蔚.基于人工智能的方法對智能電網(wǎng)進行安全改進[D].華南理工大學,2014.

[3]馮宗英.配電網(wǎng)狀態(tài)估計及量測系統(tǒng)的魯棒性配置研究[D].山東大學,2014.

篇4

人工神經(jīng)網(wǎng)絡(luò)是近年來迅猛發(fā)展的前沿課題，它對突破現(xiàn)有科學技術(shù)的瓶頸起到重大的作用。本文剖析了人工神經(jīng)網(wǎng)絡(luò)的特征、模型結(jié)構(gòu)以及未來的發(fā)展趨勢。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 神經(jīng)元 矩陣

1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種用計算機網(wǎng)絡(luò)系統(tǒng)模擬生物神經(jīng)網(wǎng)絡(luò)的智能神經(jīng)系統(tǒng)，它是在現(xiàn)代神經(jīng)生物學研究成果的基礎(chǔ)上發(fā)展起來的，模擬人腦信息處理機制的一種網(wǎng)絡(luò)系統(tǒng)，它不但具有處理數(shù)值數(shù)據(jù)的計算能力，而且還具有處理知識的學習、聯(lián)想和記憶能力。

人工神經(jīng)網(wǎng)絡(luò)模擬了大腦神經(jīng)元的組織方式，反映了人腦的一些基本功能，為研究人工智能開辟了新的途徑。它具有以下基本特征：

1.1 并行分布性

因為人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元排列并不是雜亂無章的，往往是以一種有規(guī)律的序列排列，這種結(jié)構(gòu)非常適合并行計算。同時如果將每一個神經(jīng)元看作是一個基本的處理單元，則整個系統(tǒng)可以是一個分布式處理系統(tǒng)，使得計算快速。

1.2 可學習性和自適應(yīng)性

一個相對很小的人工神經(jīng)網(wǎng)絡(luò)可存儲大量的專家知識，并能根據(jù)學習算法，或利用指導系統(tǒng)模擬現(xiàn)實環(huán)境（稱為有教師學習），或?qū)斎脒M行自適應(yīng)學習（稱為無教師學習），可以處理不確定或不知道的事情，不斷主動學習，不斷完善知識的存儲。

（3）魯棒性和容錯性

由于采用大量的神經(jīng)元及其相互連接，具有聯(lián)想映射與聯(lián)想記憶能力，容錯性保證網(wǎng)絡(luò)將不完整的、畸變的輸入樣本恢復成完整的原型，魯棒性使得網(wǎng)絡(luò)中的神經(jīng)元或突觸遭到破壞時網(wǎng)絡(luò)仍然具有學習和記憶能力，不會對整體系統(tǒng)帶來嚴重的影響。

1.3 泛化能力

人工神經(jīng)網(wǎng)絡(luò)是大規(guī)模的非線性系統(tǒng)，提供了系統(tǒng)協(xié)同和自組織的潛力，它能充分逼近任意復雜的非線性關(guān)系。如果輸入發(fā)生較小變化，則輸出能夠保持相當小的差距。

1.4 信息綜合能力

任何知識規(guī)則都可以通過對范例的學習存儲于同一個神經(jīng)網(wǎng)絡(luò)的各連接權(quán)值中，能同時處理定量和定性的信息，適用于處理復雜非線性和不確定對象。

2 人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是在對人腦思維方式研究的基礎(chǔ)上，將其抽象模擬反映人腦基本功能的一種并行處理連接網(wǎng)絡(luò)。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元。

在神經(jīng)網(wǎng)絡(luò)的發(fā)展過程中，從不同角度對神經(jīng)網(wǎng)絡(luò)進行了不同層次的描述和模擬，提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型，其中最具有代表性的神經(jīng)網(wǎng)絡(luò)模型有：感知器、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)等等。

3 神經(jīng)元矩陣

神經(jīng)元矩陣是神經(jīng)網(wǎng)絡(luò)模型的一種新構(gòu)想，是專門為神經(jīng)網(wǎng)絡(luò)打造的一個矩陣，它符合神經(jīng)元的一切特征。

神經(jīng)元矩陣采用矩陣形式，它可為n維向量組成。引入向量觸頭和信使粒的概念，向量觸頭可生長，即長度可變，方向可變，信使?？伞坝问帯痹诰仃囍?，建立各種聯(lián)系。如圖1即是神經(jīng)元矩陣模型

（1）容器可產(chǎn)生一種無形的約束力，使系統(tǒng)得以形成，容器不是全封閉的，從而保證系統(tǒng)與外界的溝通和交互；各向量間可用相互作用的力來聯(lián)系，而各個信使粒則受控于容器、中空向量以及其它的信使粒。各神經(jīng)元之間自主交互，神經(jīng)元矩陣是一種多層次的管理，即一層管理一層。系統(tǒng)具有明顯的層級制和分塊制，每層每塊均獨立且協(xié)同工作，即每層每塊均含組織和自組織因素。

（2）向量觸頭是中空的，信使?？梢酝ㄟ^向量或存儲于向量中，所以又稱為中空向量。向量存儲了信使粒后，可以吸引更多的信使粒在附近，或使鄰近向量轉(zhuǎn)向、伸長，進而形成相對穩(wěn)定的信息通路。

（3）當兩條或更多的信息通路匯集時，可能伴隨著通路的增強、合并，以及信使粒的聚集、交換，這是神經(jīng)元矩陣運算的一種主要形式。通路的形成過程，也就是是神經(jīng)元矩陣分塊、分層、形成聯(lián)接的過程，也為矩陣系統(tǒng)宏觀管理、層級控制的實現(xiàn)奠定了基礎(chǔ)。

神經(jīng)元矩陣亦是一種具有生物網(wǎng)絡(luò)特征的數(shù)學模型，綜合了數(shù)學上矩陣和向量等重要概念，是一種立體的矩陣結(jié)構(gòu)。尤其是將矩陣的分塊特性和向量的指向特征結(jié)合起來，更好的體現(xiàn)了神經(jīng)網(wǎng)絡(luò)的整體性和單元獨立性，系統(tǒng)的組織和自組織特征也更為凸顯。信使粒以“點”的數(shù)學概念，增強了系統(tǒng)的信息特征，尤其是增強了矩陣的存儲和運算功能。

4 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)是邊緣叉科學，它涉及計算機、人工智能、自動化、生理學等多個學科領(lǐng)域，研究它的發(fā)展具有非常重要意義。針對神經(jīng)網(wǎng)絡(luò)的社會需求以及存在的問題，今后神經(jīng)網(wǎng)絡(luò)的研究趨勢主要側(cè)重以下幾個方面。

4.1 增強對智能和機器關(guān)系問題的認識

人腦是一個結(jié)構(gòu)異常復雜的信息系統(tǒng)，我們所知道的唯一智能系統(tǒng)，隨著信息論、控制論、計算機科學、生命科學的發(fā)展，人們越來越驚異于大腦的奇妙。對人腦智能化實現(xiàn)的研究，是神經(jīng)網(wǎng)絡(luò)研究今后的需要增強的地發(fā)展方向。

4.2 發(fā)展神經(jīng)計算和進化計算的理論及應(yīng)用

利用神經(jīng)科學理論的研究成果，用數(shù)理方法探索智能水平更高的人工神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)的算法和性能，使離散符號計算、神經(jīng)計算和進化計算相互促進，開發(fā)新的網(wǎng)絡(luò)數(shù)理理論。

4.3 擴大神經(jīng)元芯片和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的作用

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)體現(xiàn)了結(jié)構(gòu)和算法的統(tǒng)一，是硬件和軟件的混合體，神經(jīng)元矩陣即是如此。人工神經(jīng)網(wǎng)絡(luò)既可以用傳統(tǒng)計算機來模擬，也可以用集成電路芯片組成神經(jīng)計算機，甚至還可以生物芯片方式實現(xiàn)，因此研制電子神經(jīng)網(wǎng)絡(luò)計算機潛力巨大。如何讓傳統(tǒng)的計算機、人工智能技術(shù)和神經(jīng)網(wǎng)絡(luò)計算機相融合也是前沿課題，具有十分誘人的前景。

4.4 促進信息科學和生命科學的相互融合

信息科學與生命科學的相互交叉、相互促進、相互滲透是現(xiàn)代科學的一個顯著特點。神經(jīng)網(wǎng)絡(luò)與各種智能處理方法有機結(jié)合具有很大的發(fā)展前景，如與專家系統(tǒng)、模糊邏輯、遺傳算法、小波分析等相結(jié)合，取長補短，可以獲得更好的應(yīng)用效果。

參考文獻

[1]鐘珞.饒文碧.鄒承明著.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù).科學出版社.

篇5

（浙江省麗水市麗水學院，浙江麗水323000）

摘要：在電力系統(tǒng)中加入人工智能控制技術(shù)的應(yīng)用，能夠有效解決非線性問題。本文描述了模糊技術(shù)、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)這三種智能控制技術(shù)的特點，并就其在電力系統(tǒng)中的應(yīng)用現(xiàn)狀進行分析，闡述了智能控制對于電力系統(tǒng)無功電壓控制、切負荷、繼電保護等方面的作用。

關(guān)鍵詞：電力系統(tǒng)；智能控制；模糊技術(shù)；神經(jīng)網(wǎng)絡(luò)；專家系統(tǒng)

中圖分類號：TM76 文獻標識碼：A文章編號：1007-9599 (2011) 09-0000-01

The Analysis the Power System of the Intelligent Control Technology

Zhang Yuming,Feng Jianlin

(Zhejiang Lishui University,Lishui323000,China)

Abstract:The addition of artificial intelligence in power system control technology,can effectively solve the nonlinear problem.This paper describes the fuzzy technology,neural network,expert system technology that features three intelligent control and its application in power system analysis of the status,describes the intelligent control for reactive power voltage control,load shedding,relay protection role.

Keywords:Power system;Intelligent control;Fuzzy technology;Neural network;Expert system

作為非線性動態(tài)系統(tǒng)，電力系統(tǒng)涉及到發(fā)電機、變壓器、輸配電網(wǎng)絡(luò)和終端設(shè)備等一系列復雜單元。在電氣自動化水平日益提高的背景下，電力系統(tǒng)實現(xiàn)智能控制已成為大勢所趨。隨著信息技術(shù)、電子計算機技術(shù)、微電子技術(shù)和人工智能等現(xiàn)代學科的最新進展，面對電力系統(tǒng)逐漸擴大的規(guī)模和日趨復雜的體系架構(gòu)，其智能控制手段逐漸歸納成為三種較為有效的渠道，也就是模糊技術(shù)、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)這三種控制技術(shù)。

一、模糊技術(shù)在電力系統(tǒng)中的應(yīng)用及分析

模糊控制技術(shù)是基于模糊理論（FT），模擬人類大腦邏輯進行模糊推演歸納行為的人工智能控制方法，在問題具有非線性、非確定性、非精確性或者受到噪聲污染時，模糊技術(shù)能夠憑借其完整的推理體系體現(xiàn)出更強的優(yōu)勢。模糊控制技術(shù)接近人的理性思維，對有效信息的提取和分析更為精確，具有較強的魯棒性，不易受到被控對象非線性因素和參數(shù)變化的影響，對電力系統(tǒng)控制的諸多復雜問題都具有較強的適用性。

舉例來說，電力系統(tǒng)中的無功電壓控制就具備了可應(yīng)用模糊技術(shù)加以控制的特點。在實際運行中，系統(tǒng)電壓和無功控制具有非線性特征，很難用標準數(shù)學模型或者常規(guī)控制手段加以描述。因此針對無功電壓越限容許度這個問題，可以采用模糊線性規(guī)劃，將電壓的限值進行模糊處理，最終確定能夠維持電壓的無功功率最低值。電力系統(tǒng)中有的節(jié)點對故障點的控制性較強，這些節(jié)點能夠組成一個無功電壓的局部控制區(qū)域，針對這個要求，可將控制的力度模糊化理解，使用模糊語言隸屬度而非硬性指標來劃分強弱表征系數(shù)，然后使用模糊數(shù)學中的聚類分析方法，區(qū)分不同的控制屬性，對無功電壓進行緊急狀態(tài)下的局部控制。這種辦法較普通線性規(guī)劃法來說，提高了實用性，使無功電壓控制獲得了傳統(tǒng)上不具備的智能特性。

二、神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用及分析

人類的神經(jīng)網(wǎng)絡(luò)是通過彼此連接的神經(jīng)元來相互傳遞并處理信息，實現(xiàn)大腦思維工作的。人工神經(jīng)網(wǎng)絡(luò)（ANN）智能控制技術(shù)也就是基于這種原理，仿制若干神經(jīng)元單位，通過一定的聯(lián)系方式實現(xiàn)非線性組合，來模擬控制系統(tǒng)的非線性屬性。神經(jīng)網(wǎng)絡(luò)的信息隱藏在大量的神經(jīng)元以及它們之間的有向連接權(quán)值中，通過算法的調(diào)整變化，這些信息能夠?qū)崿F(xiàn)多維空間內(nèi)部的復雜映射，并具備較強的自我組織能力和容錯能力，適用于多種信息控制需求。神經(jīng)元的控制較為簡單，其相互獨立的屬性也降低了并行處理的難度，提高了運行效率。神經(jīng)網(wǎng)絡(luò)控制技術(shù)的優(yōu)點主要在于強大的自學能力和魯棒性，它還具備類似人腦的非線性擬合和聯(lián)想記憶的功能，在動靜態(tài)交叉模型的參數(shù)變化情況下仍能保持高精度的穩(wěn)定控制，并可自行調(diào)和兩種狀態(tài)之間的矛盾，抗干擾能力極強，在電力系統(tǒng)維持穩(wěn)定運行和處理大量非線性信息的要求下具有較為廣闊的應(yīng)用空間。

神經(jīng)網(wǎng)絡(luò)控制技術(shù)可以用在電力系統(tǒng)切負荷離散控制中，切負荷是指當電力系統(tǒng)的某一節(jié)點出現(xiàn)故障突然停止工作，系統(tǒng)容量會發(fā)生突變，如果負荷超出了系統(tǒng)的供應(yīng)容量，就需要對超載負荷進行處理，避免出現(xiàn)較大區(qū)域的斷電問題。此時，可以將負荷需求以及系統(tǒng)故障視為某種非線性數(shù)學映射，將系統(tǒng)的暫態(tài)穩(wěn)定行為分析視為對這種映射函數(shù)的分析和處理，實現(xiàn)對繼電器的控制，保證動作穩(wěn)態(tài)實施?；谌斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)能夠通過特征量的選取來獲取函數(shù)樣本的功能，以及其對函數(shù)的并行處理和逼近能力，利用這種智能控制技術(shù)來獲得對電力系統(tǒng)的切負荷控制，具有一定的實效性。

三、專家系統(tǒng)在電力系統(tǒng)中的應(yīng)用及分析

專家系統(tǒng)（ES）是人工智能中發(fā)展最早也是最成熟的控制技術(shù)之一，其系統(tǒng)知識庫中貯存了大量專業(yè)領(lǐng)域的信息源，并通過此類特殊領(lǐng)域的知識體系來組建專家級的決策，提供高水平的問題解答。專家系統(tǒng)的工作性能取決于知識庫的完整和充實，并分別在信息獲取、庫存、推理、解釋這些環(huán)節(jié)加以展現(xiàn)。當前電力系統(tǒng)的正常運行和控制亟需具備專業(yè)經(jīng)驗和高端理論知識的人員調(diào)度和自動化智能控制技術(shù)所結(jié)合的體系，而專家系統(tǒng)正符合這兩方面的要求。電力系統(tǒng)需要專家系統(tǒng)有效啟用知識積累式的演繹推理來突破傳統(tǒng)數(shù)值分析的瓶頸，另一方面其復雜性還能反過來豐富知識庫中的數(shù)學模型和狀態(tài)量。當前，國內(nèi)外對組織大型專家系統(tǒng)進入電力控制應(yīng)用技術(shù)抱有很大的興趣，也取得了一些突破性的成果。

比較典型的應(yīng)用如在電力系統(tǒng)繼電保護裝置中。繼電保護控制的難度在于缺乏故障檢測手段、故障定位困難、后備保護時間長、保護值的限定跟不上動態(tài)變化等一系列問題。專家系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò)技術(shù)的結(jié)合成為這一領(lǐng)域?qū)崿F(xiàn)智能控制的趨勢，前者的專業(yè)推理能力和后者的自動學習功能加以疊加，能夠有效地實現(xiàn)對故障與暫態(tài)穩(wěn)定之系統(tǒng)微分方程的解析。

四、結(jié)語

綜上所述，模糊技術(shù)、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等人工智能控制技術(shù)，究其原理都是對電力系統(tǒng)的非線性因素進行解析，進而實現(xiàn)對其參數(shù)變化的控制。但每種控制技術(shù)都具有其優(yōu)勢和不足，需要辯證地理解和應(yīng)用。要實現(xiàn)高效穩(wěn)定的電力系統(tǒng)運行，就要善于從不同角度借助人工智能控制技術(shù)的力量，多方面提高系統(tǒng)性能，并通過技術(shù)的改進與發(fā)展，結(jié)合不同控制技術(shù)的優(yōu)點，規(guī)避各自的不足，使其在電力系統(tǒng)應(yīng)用中發(fā)揮最大效力。

參考文獻：

[1]賈斌,吳東華,胡偉.智能技術(shù)在電力系統(tǒng)自動化中的應(yīng)用探討[J].科技資訊,2010,33）

[2]王平洋.電力系統(tǒng)自動化與智能技術(shù)[J].電力系統(tǒng)自動化,2008,1

[3]肖成剛.淺論電力系統(tǒng)控制方法[J].內(nèi)蒙古石油化工,2005,7

篇6

關(guān)鍵詞：智能技術(shù)；電力系統(tǒng)；自動化；控制

中圖分類號：F407.61 文獻標識碼：A 文章編號：

1 人工智能定義概述

“人工智能”被認定為一門前沿科學技術(shù)是始于上世紀的五十年代的1956年，由Dartmouth學會向科學領(lǐng)域所提出的。但在1936年，它的模糊概念就已經(jīng)被阿蘭.麥席森.圖靈（AlanMathison Turing）所提出，所以后世不少人仍然記得這位曾為人工智能科學研究做出巨大貢獻的“人工智能之父”。從現(xiàn)代來看，人工智能是一項綜合學科，研究的是各類機械器具、相關(guān)操作系統(tǒng)程序、設(shè)備模擬作業(yè)、以及研究完善現(xiàn)有人工智能技術(shù)的一項綜合學科技術(shù)。而向計算機技術(shù)、自動化控制技術(shù)等的研究深入，僅是人工智能體系技術(shù)探究的一個分支。也就是說，這些技術(shù)的推廣與應(yīng)用能夠滲透到當前各組織領(lǐng)域，相互之間也存在著緊密的關(guān)聯(lián)性與互補性。

電氣自動化控制系統(tǒng)中滲透了人工智能技術(shù)，能夠使專業(yè)電氣工程的功能逐步分解到各自動化板塊系統(tǒng)中，進而也就強化了設(shè)備運行時的處理能力，實現(xiàn)精準、高效處理，降低人力資源消耗成本。此外，人工智能技術(shù)在應(yīng)用到電氣控制系統(tǒng)中時，也能夠抑制一些不穩(wěn)定、不確定的因素發(fā)生，也就是當前電氣自動化系統(tǒng)應(yīng)用時所普遍強調(diào)的模糊動態(tài)控制。也就是說，憑借系統(tǒng)中的特定程序設(shè)置及參數(shù)設(shè)定、變量控制等可顯著增強控制系統(tǒng)的應(yīng)用功能，使電氣設(shè)備在運營階段時的操作、自動化控制功能發(fā)揮更加高效。如，將人工智能應(yīng)用于電氣自動化中的報表生成及打印環(huán)節(jié)中，可以極大的提高各類報表的制表計算速度及準確性。

2 智能技術(shù)在電力自動化控制系統(tǒng)中的應(yīng)用研究

電力自動化控制系統(tǒng)中引入智能技術(shù)在目前看來其應(yīng)用前景非常廣，并且技術(shù)運用成果相對突出，其中本文以幾種最為常見的典型技術(shù)對其進行了研究。

2.1 模糊理論應(yīng)用

模糊理論別名也稱為集合理論，它主要利用語言變量和推理邏輯理論作為電力智能設(shè)施的實踐基礎(chǔ)。此外，運用模糊理論的電力自動化控制系統(tǒng)，能夠具備體系完整的推理邏輯性，以及能夠模擬人為決策等形式的模糊推理過程。而決定這一推理、邏輯過程的是其技術(shù)的數(shù)據(jù)規(guī)則控制。也就是說，應(yīng)用模糊理論可以直觀對模糊輸入量進行推理，進而按照其程序的控制原則實現(xiàn)應(yīng)有的模糊控制輸出，而具體的輸出成果則是模糊化、推理過程、推理判決。所以，電力自動化控制系統(tǒng)中如果通過模糊理論下的模糊量輸出，能夠?qū)⒄Z言變量進行充分表達，進而實現(xiàn)類似于人的邏輯性能。此外，其魯棒性也很強，能夠使控制系統(tǒng)具備一定的自學、容錯能力，即使系統(tǒng)內(nèi)部出現(xiàn)因網(wǎng)絡(luò)拓撲或者環(huán)境變量改變而引起的系統(tǒng)問題，憑借模糊理論的應(yīng)用成果，也能夠及時尋求出最為合理的解決途徑。

2.2 專家系統(tǒng)應(yīng)用

智能技術(shù)體系中的專家系統(tǒng)應(yīng)用范疇較為廣闊，尤其是應(yīng)用在電力系統(tǒng)自動化中所體現(xiàn)的成果也相當強大。如電力系統(tǒng)的預警狀態(tài)辨識、系統(tǒng)緊急處理、系統(tǒng)控制性能恢復、系統(tǒng)狀態(tài)切換、故障點排查及隔離、系統(tǒng)短期負荷提示、以及電壓無功控制等方面都會存在智能技術(shù)中專家系統(tǒng)的影子。由此可見，專家系統(tǒng)在電力自動化控制系統(tǒng)中的廣泛程度非常明顯，并在各方面的應(yīng)用實踐取得了一定成果。但值得指出的是，專家系統(tǒng)同樣具備約束性。如難以模仿電力專家的創(chuàng)造性；僅采用了淺層知識而缺乏功能理解的深層適應(yīng)；缺乏有效的學習機構(gòu)，對情況的處理解決能力非常有限，知識庫的驗證困難；對復雜的問題缺少好的分析和組織工具等。因此，在開發(fā)專家系統(tǒng)方面應(yīng)注意專家系統(tǒng)的效益分析方法問題，專家系統(tǒng)軟件的應(yīng)用成果及試驗性能問題，知識獲取問題，專家系統(tǒng)與其他常規(guī)工具或系統(tǒng)相結(jié)合的協(xié)調(diào)等問題。

2.3 神經(jīng)網(wǎng)絡(luò)的應(yīng)用

神經(jīng)網(wǎng)絡(luò)是人工智能技術(shù)體系中的一部分，通過近七十年來的不懈努力與致力鉆研，其在模型構(gòu)造、模型計算及算法等相關(guān)方面著實取得了不小研究成果。而神經(jīng)網(wǎng)絡(luò)技術(shù)自興起直至被人們接受與高度重視以來，之所以取得不少成就必然與人為的努力研究有直接關(guān)系，同時還與其理論的實踐性強大有重要關(guān)系。即其本質(zhì)具備非線性特性、系統(tǒng)能力及魯棒性體現(xiàn)明顯、以及自發(fā)學習能力功能等非常顯著等，都決定了其理論與實踐技術(shù)應(yīng)用的開拓程度。當然，其具體作用形式是以大量信息為準；主要通過神經(jīng)網(wǎng)絡(luò)將大批量、大規(guī)模的信息隱含在連接權(quán)值上，并結(jié)合與之配套的算法去調(diào)節(jié)權(quán)值，進而能夠?qū)⑸窠?jīng)網(wǎng)絡(luò)實現(xiàn)一種復雜非線性映射，即神經(jīng)網(wǎng)絡(luò)由m維的空間向n維空間的復雜非線性映射，進而更加利于神經(jīng)網(wǎng)路模型的深入研究。

2.4 綜合智能系統(tǒng)應(yīng)用

綜合智能控制系統(tǒng)主要指智能控制性能的綜合體現(xiàn)，即集結(jié)了現(xiàn)代智能控制技術(shù)方法、以及不同智能控制方法的融合和交叉，是種具備綜合性能的智能系統(tǒng)。而這種綜合性能系統(tǒng)對電力自動化控制系統(tǒng)而言，無疑更具發(fā)展?jié)摿εc增值空間。也就是說，當前電力市場中具備很多的神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合的系統(tǒng)產(chǎn)物；同理，包括專家系統(tǒng)和模糊理論結(jié)合、神經(jīng)網(wǎng)絡(luò)和模糊理論相結(jié)合等的綜合產(chǎn)物。此外，綜合性能系統(tǒng)也是根據(jù)主要智能技術(shù)的性能效果去加以區(qū)分、謀劃而生成的一種智能技術(shù)。如，神經(jīng)網(wǎng)絡(luò)的使用范疇往往針對于非結(jié)構(gòu)化知識，但模糊理論則更加適用于一些結(jié)構(gòu)化信息的處理。因此，這兩種技術(shù)的融合正好能夠形成技能互補、低高層計算的邏輯處理等，進而使以低層計算方法為主的神經(jīng)網(wǎng)絡(luò)能夠與以具備高度推理邏輯的模糊邏輯實現(xiàn)有機結(jié)合與協(xié)調(diào)，為神經(jīng)網(wǎng)絡(luò)系統(tǒng)下的大量信息、數(shù)據(jù)處理的解釋和處理提供了有利實施基礎(chǔ)。

2.5 線性最優(yōu)控制

線性最優(yōu)控制是目前諸多現(xiàn)代控制理論中應(yīng)用最多，最成熟的一個分支。相關(guān)學術(shù)界人士曾提出了利用最優(yōu)勵磁控制手段提高遠距離輸電線路輸電能力和改善動態(tài)品質(zhì)的問題，取得了一系列重要的研究成果。該研究指出了在大型機組方面應(yīng)直接利用最優(yōu)勵磁控制方式代替古典勵磁方式。電力系統(tǒng)線性最優(yōu)控制器目前已在電力生產(chǎn)中獲得了廣泛的應(yīng)用，發(fā)揮著重要的作用，尤其是局部線性模型的設(shè)計及分析，效果比較理想。

結(jié)語：

總體而言，目前國內(nèi)大量電氣自動化設(shè)備的運行系統(tǒng)已經(jīng)廣泛應(yīng)用到了人工智能先進技術(shù)，最基本的系統(tǒng)控制方法也主要以模糊控制、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)控制等的應(yīng)用為主，進而有效推動了電力系統(tǒng)自動化發(fā)展的歷史進程，并且隨著未來產(chǎn)業(yè)技術(shù)的不斷革新，它們的技術(shù)關(guān)系在未來也勢必會加緊密，故而為智能技術(shù)應(yīng)用在電力系統(tǒng)自動化中提供了有利保障，使相關(guān)技術(shù)應(yīng)用范疇會更加廣泛。

參考文獻

[1] 張梓奇,蘇健祥. 人工智能技術(shù)在電力系統(tǒng)中的應(yīng)用探討[J]. 科技資訊, 2007,(21) .

[2] 畢軼慧,尹琳娟. 人工智能在電力系統(tǒng)無功優(yōu)化中的應(yīng)用探討[J]. 中國科技信息, 2008,(20) .

[3] 王艷. 淺談人工智能在電氣自動化控制中應(yīng)用[J]. 科技致富向?qū)? 2010,(26) .

篇7

關(guān)鍵詞 電力系統(tǒng)自動化；智能技術(shù)；監(jiān)控系統(tǒng)

中圖分類號TM7 文獻標識碼A 文章編號 1674-6708（2012）64-0160-01

電力系統(tǒng)分布地域廣闊，而且大部分元件具有延遲、磁滯、飽和等復雜的地理特性，要對這樣大型的系統(tǒng)實現(xiàn)有效控制是極其困難的。而且電力系統(tǒng)在不斷增大，人們對電力系統(tǒng)的控制有了越來越高的要求。智能技術(shù)是通過先進的傳感和測量技術(shù)、先進的設(shè)備、先進的控制方法，以及先進的決策支持系統(tǒng)，實現(xiàn)電力系統(tǒng)可靠、安全、經(jīng)濟、高效和使用安全的目標。它在電力系統(tǒng)自動化控制中應(yīng)用得越來越廣泛。本文就針對五種典型的智能技術(shù)進行了探討。

1 智能化監(jiān)控系統(tǒng)

對于電力系統(tǒng)，實時監(jiān)控是及時有效發(fā)現(xiàn)問題的重要手段。特別是隨著計算機技術(shù)、網(wǎng)絡(luò)技術(shù)和工控技術(shù)的不斷提高，對電力監(jiān)控系統(tǒng)智能化的要求也越來越高。智能監(jiān)控系統(tǒng)采用圖形化用戶界面，有數(shù)字化的監(jiān)控界面，也有實時趨勢顯示、柱狀圖顯示、表盤式數(shù)據(jù)顯示、位圖動畫等直觀顯示，還有實時報警、圖形界面遙控、遙控閉鎖、置數(shù)、遙調(diào)等功能。不僅提高了工作效率，節(jié)省了人力成本，更重要的是切實提高了生產(chǎn)的安全可靠性，使科技手段為電力系統(tǒng)的安全管理提供了強有力的保障。

實施智能化監(jiān)控系統(tǒng)，要根據(jù)實際要求定制系統(tǒng)結(jié)構(gòu)。比如，要考慮高壓進線、母聯(lián)和饋線部分；低壓變壓器進線、聯(lián)絡(luò)回路部分；低壓的電容補償、電源切換等回路部分，饋線部分等。具體施工時可考慮采用分層分布式結(jié)構(gòu)。如分為現(xiàn)場監(jiān)控層、通訊管理層和主控層。實現(xiàn)的功能有監(jiān)測變壓器溫度；發(fā)電機全電量的測量及轉(zhuǎn)速、油溫、油量等發(fā)電機狀況監(jiān)測；采集斷路器開關(guān)量、繼電保護跳閘信號、異常報警信號和非電量等遙信量信號；諧波分析、故障錄波及事故追憶功能；自動調(diào)峰控制，電力需求的控制，設(shè)備的開合次數(shù)統(tǒng)計及損耗狀態(tài)的監(jiān)視等。

2 在故障診斷中的人工智能技術(shù)

電力系統(tǒng)的故障診斷傳統(tǒng)上是根據(jù)某些設(shè)備和裝置在故障過程中出現(xiàn)的一系列數(shù)字的狀態(tài)信息進行分析，然后推理得出故障原因和故障發(fā)生的元件，并預測故障惡化的趨勢。近幾十年來，國內(nèi)外將人工智能技術(shù)用于電力系統(tǒng)已取得了有效的實際效果。常用的人工智能技術(shù)有ES、ANN、FST、GA及Petri網(wǎng)絡(luò)技術(shù)等。

ES是比較成熟的一種人工智能技術(shù)，它不融合了書本相關(guān)的理論知識，還可總結(jié)專家的經(jīng)驗知識來解決問題，是與知識工程研究緊密聯(lián)系在一起的。它一直在改進知識獲取和構(gòu)造，使知識獲取和知識表達工作簡化，提高故障診斷的推理效率?；贏NN原理的故障診斷系統(tǒng)最大的特點是不需要為專業(yè)知識與專家啟發(fā)性的知識轉(zhuǎn)化、知識形成、知識表達方式和知識庫構(gòu)造進行大量的工作，而只需以領(lǐng)域?qū)＜宜峁┑拇罅抗收蠈嵗?，自我學習、自我組織，形成故障診斷樣本集，在故障定位和故障類型識別等方面用處很大。FST故障診斷原理是采用模糊隸屬度來對故障與對應(yīng)的動作保護裝置和斷路器狀態(tài)之間的可能性進行描述的度量?；贕A和Petri的故障診斷技術(shù)都各有優(yōu)勢和存在一些問題。

3 模糊邏輯控制技術(shù)

模糊邏輯控制是模擬人的模糊思維方法，用比較簡單的數(shù)學形式直接將人的判斷、思維過程表達出來，用計算機實現(xiàn)與操作者相同的控制。

模糊控制技術(shù)應(yīng)用于電子技術(shù)的各個方面，使人容易操作和掌握。相較于建立常規(guī)的數(shù)學模型，建立模糊關(guān)系模型非常簡易，在實踐中有巨大的優(yōu)越性。模糊控制通過已經(jīng)存在的控制規(guī)則和數(shù)據(jù)，對模糊輸入量進行推導，從而得到模糊控制輸出，進入實時控制。這種模擬人腦的智能技術(shù)的優(yōu)勢主要體現(xiàn)在以下幾個方面：能有效處理具有不確定性、不精確性的問題和由于噪聲造成的問題；通過模糊知識的語言變量表達專家的經(jīng)驗，與人的表達方式接近，知識的抽取和表達更容易完成。如果電力系統(tǒng)出現(xiàn)故障，通過應(yīng)用模糊理論，也能夠及時進行應(yīng)對并給出解決辦法。

4 人工神經(jīng)網(wǎng)絡(luò)控制技術(shù)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為ANNs）是一種模仿動物神經(jīng)網(wǎng)絡(luò)的行為特征，進行分布式并行信息處理的算法數(shù)學模型。神經(jīng)網(wǎng)絡(luò)由大量神經(jīng)元連接而成。這種網(wǎng)絡(luò)依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系。人工神經(jīng)網(wǎng)絡(luò)在智能電網(wǎng)中的優(yōu)勢主要表現(xiàn)在3個方面：

1）具有自學習功能。通過用不同的實時運行數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)就會通過自學習功能，慢慢學會識別電力系統(tǒng)的運行情況，從而為人類快速判定問題提供依據(jù)；2）具有聯(lián)想存儲功能。用人工神經(jīng)網(wǎng)絡(luò)的反饋網(wǎng)絡(luò)就可以實現(xiàn)這種聯(lián)想；3）具有高速尋找優(yōu)化解的能力。尋找一個復雜問題的優(yōu)化解，往往有很大的計算量。利用一個針對某問題而設(shè)計的反饋型人工神經(jīng)網(wǎng)絡(luò)，發(fā)揮計算機的高速運算能力，可能很快找到優(yōu)化解。

5 綜合智能控制技術(shù)

綜合智能控制包含了智能控制與現(xiàn)代控制方法的結(jié)合，也包含各種智能控制方法之間的組合。在電力系統(tǒng)中研究得較多的綜合智能控制有神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合。

神經(jīng)網(wǎng)絡(luò)適合處理非結(jié)構(gòu)化信息，而模糊系統(tǒng)更適于處理結(jié)構(gòu)化的知識。人工神經(jīng)網(wǎng)絡(luò)控制主要應(yīng)用于低層的計算方法，把感知器傳來的大量數(shù)據(jù)進行安排和解釋，模糊邏輯控制則提供應(yīng)用和挖掘潛力的框架，用來處理非統(tǒng)計性的高層次的推理。所以，人工神經(jīng)網(wǎng)絡(luò)控制和模糊邏輯控制這兩種技術(shù)正好起互補作用，相結(jié)合可以相得益彰，有良好的技術(shù)基礎(chǔ)。

6 結(jié)論

電力系統(tǒng)是一個巨維數(shù)的動態(tài)大系數(shù)，具有強非線性、時變性且參數(shù)不可確知，并含有大量未建模動態(tài)部分的特征。智能技術(shù)能有效地組織相關(guān)電力系統(tǒng)規(guī)劃的大量知識，進行選優(yōu)運算，從而得出優(yōu)化的決策，它的使用將對電力系統(tǒng)的智能化起到積極的促進作用，對電力系統(tǒng)的穩(wěn)定性、安全性和經(jīng)濟性起重要的作用。

參考文獻

篇8

人工智能的概念已提出60年，從原來的理論框架體系的搭建，到實驗室關(guān)鍵技術(shù)的準備，如今已開始進入全新的發(fā)展階段――產(chǎn)業(yè)化。

目前，從基本的算法到腦科學研究，人工智能都還沒有突破性進展的可能性。但是，以深度神經(jīng)網(wǎng)絡(luò)為代表的人工智能，結(jié)合日新月異的大數(shù)據(jù)、云計算和移動互聯(lián)網(wǎng)，就可以在未來5到10年改變我們的世界。

人工智能+時代的兩大機遇

人工智能不僅將替代簡單重復的勞動，還將替代越來越多的復雜的高級腦力活動，創(chuàng)造一個個新的機會?？梢哉f，任何一個行業(yè)、企業(yè)或今天的創(chuàng)業(yè)者，如果不用人工智能改變今天的生產(chǎn)和生活方式，5年后一定會出局。

第一個趨勢是以語音為主導、以鍵盤和觸摸為輔助的人機交互時代正在到來。如今越來越多的設(shè)備不再需要屏幕，越來越多的場景我們不用直接碰觸。比如，想把燈光調(diào)亮，想打開五米之外的設(shè)備，我們的手沒法直接觸碰。再如，開車時不方便用手、用眼做其他事情。這時，語音就成為最主要的一個交互方式。

第二個趨勢是人工智能正在全球范圍內(nèi)掀起一股浪潮，“人工智能+”的時代到來，而且會比我們想象的還要快。為什么呢？麥肯錫分析認為，當前45%的工作可以被技術(shù)自動化，不只是簡單重復性的工作，CEO20%的工作也可以被機器取代?！犊茖W》雜志預測，2045年人工智能會顛覆全球50%、中國77%的就業(yè)。也就是說，今天的我們3/4的工作30年后會被人工智能取代。埃森哲認為，到2035年人工智能會讓12個發(fā)達國家經(jīng)濟增長率翻一倍。我國的增長率只有比這還高，才對得起今天的時代機遇。

從科大訊飛的情況可以看出，人工智能將迎來兩大產(chǎn)業(yè)機遇。

第一，未來3到5年，萬物互聯(lián)的時代到來，以語音為主、鍵盤觸摸為輔的人機交互將廣泛應(yīng)用。第二，未來5到10年，人工智能會像水和電一樣進入各行各業(yè)，深刻改變我們的生活。

認知智能是最大技術(shù)瓶頸

人工智能技術(shù)有兩種分類方法。一種分為強人工智能和弱人工智能；另一種是訊飛研究院提出的、跟技術(shù)演進路徑相關(guān)的分類，分成計算智能、感知智能和認知智能。

計算智能就是機器能存會算。就像當年IBM的深藍電腦下象棋超過卡斯帕羅夫，典型的就是因為運算能力強，提前算到了所有的結(jié)果。

感知智能，比如語音合成技術(shù)，能夠讓機器開口說話。再如語音識別技術(shù)，就像今天的演講，后臺系統(tǒng)把它變成文字，準確率可達95%。

認知智能是讓機器具備能理解、會思考的能力。這是最大的挑戰(zhàn)，也是大家最熱切期待的技術(shù)突破。工業(yè)革命讓我們從繁重的體力勞動中解放出來，未來的認知智能會讓人從今天很多復雜的腦力勞動中解放出來。

科大訊飛選擇以語音為入口解決認知難題，進行認知革命。以人機交互為入口的目的，就是為了解決自然語言理解的技術(shù)難題。這個入口可以把人類的智慧最便捷地匯聚到后臺，供機器學習和訓練，也可以使后臺人工智能的成果最簡單直接地輸出，從社會不斷取得它學習需要的反饋信息，在此基礎(chǔ)上實現(xiàn)知識管理和推理學習。

科大訊飛承擔的科技部第一個人工智能重大專項――高考機器人。目標是為了“考大學”，但其核心技術(shù)正是語言理解、知識表達、聯(lián)想推理和自主學習。

人工智能技術(shù)正走向產(chǎn)業(yè)化

目前，科大訊飛的人工智能研究已經(jīng)取得了階段性成果。

在教育行業(yè)，科大訊飛的機器人通過構(gòu)建學生全過程的學習數(shù)據(jù)和老師上課的數(shù)據(jù)，提升了課堂效率，原來45分鐘的課堂，現(xiàn)在15分鐘就搞定。因為大量的內(nèi)容學生都是知道的，老師只需向個別沒掌握的學生單獨講授。這樣，老師就有時間把課堂的重點放在大家都不了解的知識上，學生可以用大量時間進行啟發(fā)式學習。借助這些手段，學生的重復性訓練可以降低50%以上。

在醫(yī)療行業(yè)，科大訊飛利用語音解決門診電子病歷，利用人工智能輔助診療。學習最頂尖醫(yī)療專家知識后的人工智能產(chǎn)品，可以超過一線全科醫(yī)生的水平。當前，醫(yī)療行業(yè)一線最缺的是全科醫(yī)生和兒科醫(yī)生，引入人工智能技術(shù)就可以緩解醫(yī)療資源短缺壓力。

科大訊飛的人工智能技術(shù)還應(yīng)用在汽車領(lǐng)域。在寶馬汽車去年的國際測試中，科大訊飛以86%的準確率名列第一。

在客服領(lǐng)域，機器已經(jīng)替代掉了30%的人工服務(wù)。目前，安徽移動呼叫中心有75%的服務(wù)內(nèi)容已被機器替代。

機器人還將從服務(wù)后臺走向前端。今年第四季度末或明年，服務(wù)機器人將開始在銀行和電信營業(yè)廳上崗工作，它們不僅好玩、有趣，吸引人氣，還能幫客戶解決實際問題。

篇9

關(guān)鍵詞：建筑管理人工神經(jīng)網(wǎng)絡(luò) 模仿人腦人工智能

人工神經(jīng)網(wǎng)絡(luò)(Application of Neural Network)與人工智能（Artificial Intelligence）處于總分結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)從屬于人工智能系統(tǒng)，是其中一個分支領(lǐng)域。它作為一款對非線性問題處理十分簡便的工具，擁有極強的非線性映射能力與良好的適應(yīng)能力及糾錯能力。在傳統(tǒng)的語音與圖像識別等領(lǐng)域外，人工神經(jīng)網(wǎng)絡(luò)在經(jīng)濟管理、專業(yè)工程等諸多領(lǐng)域都嶄露了頭腳，并獲得廣泛的認可。我國首篇將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用與土木工程領(lǐng)域的文獻始發(fā)于上世紀八十年代末期，隨后即在建筑工程項目的管理當中逐漸為人們所廣泛認知，下面，就幾點對人工神經(jīng)網(wǎng)絡(luò)在建筑管理當中的應(yīng)用作進一步分析。

一、人工神經(jīng)網(wǎng)絡(luò)在建筑管理應(yīng)用中的預測作用

1.費用預測方面。人工神經(jīng)網(wǎng)絡(luò)在費用評估方面的應(yīng)用，主要采用BP神經(jīng)網(wǎng)絡(luò)進行試驗，通過對公路工程的樣例進行試驗，發(fā)現(xiàn)其比傳統(tǒng)方法要更加保質(zhì)保量。塔雷克•哈加西(1998年)等通過運用MS2Excel表格對人工神經(jīng)網(wǎng)絡(luò)進行模擬，并在輸入層和隱含層加入了偏置神經(jīng)元來促進網(wǎng)絡(luò)學習。它的缺點是因網(wǎng)絡(luò)學習過程中樣本數(shù)據(jù)含有噪音,會對系統(tǒng)造成過度學習的謬誤,這種問題運用規(guī)范化網(wǎng)絡(luò)可以得到有效的解決。在我國BP神經(jīng)網(wǎng)絡(luò)研究的歷史上，相關(guān)方面的研究學者對其應(yīng)用于建筑工程估價的能力有較高評價，其中不僅神經(jīng)網(wǎng)絡(luò)的特征歸納作用可從海量的工程資料當中尋找出工程項目與預算費用的規(guī)律關(guān)系，還因其具有高度糾錯能力，可對工程資料當中因人為因素造成的偏差進行糾正。同時因人工神經(jīng)網(wǎng)絡(luò)是通過并行處理來對數(shù)據(jù)進行梳理，所以其運算速度極快，且質(zhì)量同時也能得到保證，這不僅滿足了當前信息化時代快速估算的效率要求，并且事實證明它是行之有效并可以投入實際應(yīng)用中的。

2.風險預測方面。建筑管理當中諸多領(lǐng)域都對風險分析與風險預測都有涉及，這二者涵蓋了很多不可知的因素與風險因素，危及到了企業(yè)的管理經(jīng)營，束縛了企業(yè)的發(fā)展腳步，長此以往即會對企業(yè)的健康長遠發(fā)展造成不利影響。能夠適時、到位的對企業(yè)即將面對的風險作出報告并采取針對措施，是及時規(guī)避企業(yè)風險的最佳途徑。時下企業(yè)通常采用計量經(jīng)濟模型與編輯效應(yīng)分析等方式以建立風險評估與預測系統(tǒng)，用來對現(xiàn)行企業(yè)狀態(tài)進行分析?？墒沁@些方法普遍存在著一些問題。比如經(jīng)濟變量的執(zhí)行時間不同，使得在簡單加權(quán)時出現(xiàn)漏報現(xiàn)象，以及人工制定的警戒區(qū)無法適應(yīng)外部環(huán)境的變化性等。然而運用擁有非線性映射與模式分析能力的人工神經(jīng)網(wǎng)絡(luò)便可以建立相對完善的風險預警系統(tǒng)，從而更加適應(yīng)系統(tǒng)的不確定性與突然性。

二、人工神經(jīng)網(wǎng)絡(luò)在建筑管理中事故診斷的作用

在建筑工程項目管理當中，受多方客觀因素的制約，工程的進展常常會伴隨出現(xiàn)林林總總的工程事故發(fā)生，甚而有些事故毫無征兆，突然間出現(xiàn)。在事故發(fā)生后，要找尋事故的原因也并非易事，同樣要耗費大量人、財、物力資源，且并不能及時找出事故原因，錯過了最佳補救時間。人工神經(jīng)網(wǎng)絡(luò)在建筑工程中對于工程事故的診斷分析，對建筑工程管理中工程質(zhì)量的提高具有里程碑式的意義，其建筑專家系統(tǒng)存在著巨大的潛力。

建筑專家在進行對工程事故的風險評估時，第一步要運用工程事故所表現(xiàn)出來的一些外在特征與一系列統(tǒng)計數(shù)據(jù)，依照自身積累的大量經(jīng)驗，對事故的類型進行分類記錄，在分類后便可以根據(jù)各方面特點，如事故類型、受損程度與曾用的補救措施來對工程事故進行風險評估與補救方案的制定。事故評定過程的關(guān)鍵在于建筑專家系統(tǒng)的數(shù)據(jù)規(guī)模，這種數(shù)據(jù)從大量典型事故案例中得出相關(guān)癥狀、事故狀態(tài)與補救措施間相互關(guān)聯(lián)的數(shù)據(jù)理論，傳統(tǒng)的專家系統(tǒng)對建筑管理最廣泛的應(yīng)用使在基于規(guī)則與診斷矩陣中表示建筑專家經(jīng)驗知識，即統(tǒng)計數(shù)據(jù)的方法。這種表示方式只能對分類做出明示，卻不能對事故與事故間存在的聯(lián)系做出明確反映。知識工程師在某些層面上對經(jīng)驗知識難以進行明確的表達，這是傳統(tǒng)工程事故專家系統(tǒng)所存在的缺點?；谌四X神經(jīng)系統(tǒng)功能與結(jié)構(gòu)模擬之上研制而出的人工神經(jīng)網(wǎng)絡(luò)，能通過不斷對實例數(shù)據(jù)的吸納，進行拓展學習，將知識充分融于神經(jīng)網(wǎng)絡(luò)當中進行存儲，從而通過不斷的對知識的接收、學習，進行自我的完善與增強。同時它的類比能力更加令人關(guān)注，它不僅能將實例間的相同處與不同處逐一篩選，從而進行歸納匯總，充實自身數(shù)據(jù)庫，還能由此體現(xiàn)出神經(jīng)網(wǎng)絡(luò)中神經(jīng)元之間連接權(quán)值調(diào)整過程。特別是它的自我邏輯能力超強，如果當下的信息并不完整，它依然會靠強大的邏輯能力進行推測，通過計算而得出讓人滿意的答案。

結(jié)語：

當今社會依靠傳統(tǒng)的管理方式已經(jīng)遠遠無法滿足快節(jié)奏的經(jīng)濟生活，本文通過對人工神經(jīng)網(wǎng)絡(luò)在建筑管理工作當中的費用預測、事故診斷能力及事故解決方案制定等作用進行闡述分析，希望能對建筑工程行業(yè)的發(fā)展盡綿薄之力。

參考文獻：

篇10

關(guān)鍵詞：人工智能；計算機網(wǎng)絡(luò)技術(shù)；有效應(yīng)用

隨著我國科學技術(shù)的發(fā)展，計算機網(wǎng)絡(luò)技術(shù)和人工智能作為新時期的科技產(chǎn)物不斷被應(yīng)用于社會發(fā)展的各個領(lǐng)域，對我國的經(jīng)濟發(fā)展起到了積極促進作用。特別是計算機網(wǎng)絡(luò)技術(shù)在近年來出現(xiàn)了飛速發(fā)展趨勢，其自身具有的高效性及跨時空特點等已經(jīng)深層次地滲透到人們生活、生產(chǎn)、學習的各個方面。計算機網(wǎng)絡(luò)技術(shù)的不斷發(fā)展和應(yīng)用，其自身存在的網(wǎng)絡(luò)安全以及管理方面存在的問題已經(jīng)表現(xiàn)出與現(xiàn)代社會發(fā)展不相符的特點，人們對于該方面問題的關(guān)注度不斷提升。因此，出現(xiàn)了人工智能應(yīng)用于計算機網(wǎng)絡(luò)技術(shù)的研究和實踐，深入分析人工智能帶來的應(yīng)用優(yōu)勢，加強研究及探析應(yīng)用趨勢，均可有效提升人工智能在計算機網(wǎng)絡(luò)技術(shù)中的應(yīng)用效果。

1 人工智能應(yīng)用在計算機網(wǎng)絡(luò)技術(shù)中的優(yōu)勢分析

人工智能是計算機科學技術(shù)的分支，是由多種不同領(lǐng)域構(gòu)成的，例如機器人、計算機視覺等。在現(xiàn)代社會人工智能已經(jīng)被應(yīng)用在計算機網(wǎng)絡(luò)技術(shù)中，并得到了不斷關(guān)注和重視，例如計算機仿真系統(tǒng)、人工控制系統(tǒng)等領(lǐng)域的應(yīng)用。人工智能技術(shù)的應(yīng)用所具有的優(yōu)勢主要表現(xiàn)在以下幾方面：一是人工智能具有更加高效特點，可以將所學各領(lǐng)域知識進行科學合理的應(yīng)用。優(yōu)良的思考能力通常是高等生物的主要特征，而人工智能在現(xiàn)代科學的支撐下同樣具有思考分析與判斷能力。因此將人工智能應(yīng)用到計算機網(wǎng)絡(luò)技術(shù)中，可以使其對計算機信息數(shù)據(jù)進行更為科學精準的計算機后期分析處理工作，進而獲取到更為科學完整的信息數(shù)據(jù)，同時還提升了計算機網(wǎng)絡(luò)的計算效率；二是人工智能提升了計算機網(wǎng)絡(luò)自身的運行速度、時效性及流暢度。人工智能的應(yīng)用可以促進計算機用戶實現(xiàn)更多時間的處理，比如在模型計算處理過程中，可以應(yīng)用人工智能具有更為先進的計算能力來開展相應(yīng)的分析及處理，人工智能對于不確定的信息進行處理過程中具有更高的工作質(zhì)量及效率，可以應(yīng)用人工智能獲取更為完整和準確的網(wǎng)絡(luò)信息數(shù)據(jù)；三是能源消耗少。人工智能的應(yīng)用可以降低計算機網(wǎng)絡(luò)技術(shù)成本，起到節(jié)能減耗的作用。人工智能對于海量數(shù)據(jù)的計算具有更快的運算速度，節(jié)省了數(shù)據(jù)處理過程中的時間，因而降低了計算機在運行過程中所消耗的能源，節(jié)省了社會資源。

2 人工智能在計算機網(wǎng)絡(luò)技術(shù)中的有效應(yīng)用

2.1 人工智能在網(wǎng)絡(luò)安全管理方面的應(yīng)用

計算機網(wǎng)絡(luò)技術(shù)的應(yīng)用過程中，網(wǎng)絡(luò)安全管理是每個用戶最為關(guān)心和關(guān)注的問題，計算機網(wǎng)絡(luò)技術(shù)雖然可以給人們的生活、學習、工作等帶來便利，但是也會因為網(wǎng)絡(luò)犯罪分子的存在而造成廣大用戶信息的泄露，造成用戶自身利益被侵犯和損害，尤其是隨著現(xiàn)代科技的發(fā)展進步，黑客技術(shù)也出現(xiàn)了提升，網(wǎng)絡(luò)信息安全成為計算機網(wǎng)絡(luò)技術(shù)中急需解決的首要問題。因此，相關(guān)技術(shù)人員不斷研究人工智能技術(shù)在計算機網(wǎng)絡(luò)安全管理中的應(yīng)用方法和效果，通過實踐發(fā)現(xiàn)人工智能的應(yīng)用可以促進廣大計算機用戶成功攔截異常信息，從而更為有效地保證了廣大計算機用戶的信息安全。目前很多用戶在計算機網(wǎng)絡(luò)運行環(huán)境里安裝了智能防火墻，通過該項人工智能技術(shù)的應(yīng)用可以更好地做到智能識別，進而完成海量數(shù)據(jù)的分析和處理，該項技術(shù)的應(yīng)用可以有效減少信息數(shù)據(jù)在匹配過程中的計算步驟，達到節(jié)能減耗的效果。智能防火墻的應(yīng)用還可幫助廣大計算機網(wǎng)絡(luò)用戶有效攔截網(wǎng)絡(luò)中的各有害信息，遏制網(wǎng)絡(luò)病毒侵入及傳播，進而對廣大計算機用戶進行了全方位的保護，實現(xiàn)了計算機網(wǎng)絡(luò)安全管理。再例如，很多計算機網(wǎng)絡(luò)用戶在日常的學習、工作過程中會使用到網(wǎng)絡(luò)郵箱功能，為了更好地保護網(wǎng)絡(luò)郵箱的信息安全，可以通過應(yīng)用智能發(fā)垃圾系統(tǒng)，來進行垃圾郵件的分析和處理，保障用戶郵箱的安全使用。該技術(shù)的應(yīng)用可以通過對用戶郵箱開展全面的信息掃描工作，通過其科學高效的信息分析和處理技術(shù)能有精準的發(fā)現(xiàn)用戶網(wǎng)絡(luò)郵箱中存在的相關(guān)病毒信息郵件、垃圾郵件及殘存信息等，還可同時實現(xiàn)對有害郵件的信息分類，并通過信息提醒方式督促計算機用戶進行有害郵件的定期處理，以防該類信息對計算機用戶造成危害。人工智能入侵檢測技術(shù)對于計算機網(wǎng)絡(luò)安全管理起到了重要作用，可以借助其檢測系統(tǒng)對存在安全威脅的信息進行預防和攔截。傳統(tǒng)形式的防入侵檢測技術(shù)應(yīng)用過程可以分為信息采集、入侵信息判斷、發(fā)出警告及控制幾個階段，該技術(shù)的應(yīng)用有一定的局限性。智能防入侵技術(shù)具有規(guī)則產(chǎn)生式的專家系統(tǒng)、將神經(jīng)網(wǎng)絡(luò)作為技術(shù)基礎(chǔ)、具有更為科學先進的數(shù)據(jù)挖掘技術(shù)，在這三種先進技術(shù)的共同應(yīng)用和影響下，使得入侵威脅網(wǎng)絡(luò)安全的有害信息得到了更為有效的檢測，更好地控制了有害信息對計算機互聯(lián)網(wǎng)造成的安全威脅。

2.2 人工智能在網(wǎng)絡(luò)系統(tǒng)管理和網(wǎng)絡(luò)評價方面的應(yīng)用

計算機網(wǎng)絡(luò)系統(tǒng)管理和網(wǎng)絡(luò)評價環(huán)節(jié)的出現(xiàn)源于人工智能的應(yīng)用，人工智能在計算機網(wǎng)絡(luò)系統(tǒng)中的應(yīng)用，可以運用科學使其技術(shù)具有人類的大腦思維特征，進而更為有效地幫助了廣大計算機用戶完成網(wǎng)絡(luò)系統(tǒng)的分類、歸納及優(yōu)化。計算機網(wǎng)絡(luò)具有動態(tài)特性及順便特點，在進行網(wǎng)絡(luò)系統(tǒng)中的海量信息數(shù)據(jù)操作過程中，無法完全依賴人力去完成以及實現(xiàn)對計算機網(wǎng)絡(luò)系統(tǒng)的優(yōu)化和管理目標。人工智能則可更為高效和科學地完成網(wǎng)絡(luò)系統(tǒng)的管理及評價，并且可將網(wǎng)絡(luò)系統(tǒng)的自身運行狀態(tài)及時向計算機用戶反饋，進而提升網(wǎng)絡(luò)系統(tǒng)管理效率和質(zhì)量。Agent是人工智能的核心技術(shù)內(nèi)容，指的是具有自主活動特征的軟件或者軟件主題，該技術(shù)涵蓋了數(shù)據(jù)庫、翻譯推力器及相應(yīng)的通信設(shè)備，其結(jié)構(gòu)存在一定的復雜性。Agent技術(shù)應(yīng)用于計算機用戶進行實際問題的解決過程中，通常情況會使用一個Agent專門負責進行各種信息數(shù)據(jù)的接收，在與其他Agent之間通過溝通處理，進而在極短時間內(nèi)實現(xiàn)指令任務(wù)的處理和完成。Agent還可以實施自定義式的個性化服務(wù)，Agent在接收到用戶的指令信息之后，Agent系統(tǒng)則會對信息數(shù)據(jù)進行科學篩選，進而將較為精準的信息數(shù)據(jù)高效的傳輸給計算機用戶，為計算機用戶進行網(wǎng)絡(luò)信息搜索節(jié)約了更多時間。Agent的科學應(yīng)用還表現(xiàn)在可以幫助用戶實現(xiàn)相應(yīng)知識的深度挖掘，同時在系統(tǒng)中可以實現(xiàn)較完善的知識儲備庫從而為用戶可以提供更先進的導航，并更具計算機用戶的日常網(wǎng)絡(luò)使用和操作特點，給計算機用戶制定其所需要的個性化服務(wù)，以實現(xiàn)了計算機網(wǎng)絡(luò)的智能化、便捷化、個性化發(fā)展。

3 人工智能在計算機網(wǎng)絡(luò)技術(shù)中的應(yīng)用趨勢

3.1 人工神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢分析

人工智能是具有很大挑戰(zhàn)特點的科學技術(shù)，從事該項技術(shù)工作的各環(huán)節(jié)工作人員不僅需要具備專業(yè)的計算機相關(guān)學科知識，還要具備心理學、語言學、生理學等多領(lǐng)域的知識。人工智能技術(shù)會隨著人類社會的不斷進步而不斷發(fā)展，隨著人們對于該技術(shù)要求的不斷提升，為了更好地服務(wù)人類，其在未來的發(fā)展趨勢中必將朝著更為科學和人性化方向發(fā)展。人工神經(jīng)系統(tǒng)即是人工智能未來的發(fā)展趨勢之一，其指的是豐富的處理單元，通過大量神經(jīng)元的相互作用及聯(lián)系使之成為一種神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)最主要的特點是具有更高的自學能力，可以實現(xiàn)自主解決多種多維非線性方面的問題，且在進行實際的解題過程和范圍中可以突破傳統(tǒng)的局限性，其不僅可以解決定量類型問題，對于定性類型的問題，人工神經(jīng)網(wǎng)絡(luò)同樣可以實現(xiàn)有效解決。人工神經(jīng)網(wǎng)絡(luò)同時還具備和人類的大腦潛意識相仿的巨大信息儲存容量，可以幫助各用戶更好地解決各類問題，進而實現(xiàn)計算機互聯(lián)網(wǎng)的有效管理，滿足不同用戶對各種信息數(shù)據(jù)的處理需求。

3.2 人工智能機器人具備學習功能

人工智能型機器人技術(shù)的開發(fā)和應(yīng)用均是參照人類的大腦思維進行的，在人工智能的未來發(fā)展趨勢中，實現(xiàn)機器人的自主學習將作為相關(guān)領(lǐng)域人員的研究方向。目前在我國科學技術(shù)水平支持下，人工智能具備了初級的學習功能，但是還無法與人類自身的學習能力相提并論，因此人工智能需要提升學習能力。人類的大腦神經(jīng)系統(tǒng)要比人工智能技術(shù)中的結(jié)構(gòu)復雜很多，人類可以進行感情、情緒的自由表達，而人工智能則只能通過臉部表情識別方式進行情緒的表現(xiàn)，使得人工智能有局限性。隨著科技的進步，在未來的發(fā)展趨勢中人工機器人的技術(shù)發(fā)展會越來越趨于人類大腦思維和方式。

3.3 人工智能識別功能領(lǐng)域的擴展

在我國目前的計算機行業(yè)中，電子設(shè)備已出現(xiàn)了多元化發(fā)展特點，計算機用戶可選擇的軟件產(chǎn)品和種類也在日益增多，相關(guān)人員利用人類聲音設(shè)計了不同的軟件，還實現(xiàn)了人物圖像及文字等的識別功能，但是缺乏外界感知功能。因此，在未來的發(fā)展趨勢中人工智能會更加趨向于全面識別功能的開發(fā)和研究。

4 結(jié)束語

隨著我國社會的發(fā)展和科學技術(shù)的不斷進步，人工智能在計算機的網(wǎng)絡(luò)技術(shù)中應(yīng)用的范圍和領(lǐng)域會越來越廣泛。本文主要分析人工智能應(yīng)用在計算機網(wǎng)絡(luò)技術(shù)中的優(yōu)勢及有效應(yīng)用，同時對于人工智能的未來發(fā)展趨勢進行探析。通過分析與研究可以看到，人工智能在計算機網(wǎng)絡(luò)技術(shù)中的應(yīng)用目前主要體現(xiàn)在網(wǎng)絡(luò)安全管理、網(wǎng)絡(luò)系統(tǒng)管理及網(wǎng)絡(luò)評價方面的應(yīng)用，對于計算機網(wǎng)絡(luò)技術(shù)起到了極大的促進作用。保障了計算機用戶的信息安全，提升了管理效率和質(zhì)量，提供了較為個性化的服務(wù)。還可看到人工智能在未來的發(fā)展趨勢中會朝著人工神經(jīng)網(wǎng)絡(luò)、人工智能機器人具備自主學習功能及智能識別功能等領(lǐng)域發(fā)展，人工智能技術(shù)會隨著社會的發(fā)展不斷為人類提供更為科學、高效、個性化的服務(wù)。

參考文獻

[1]劉哲良.淺談大數(shù)據(jù)時代人工智能在計算機網(wǎng)絡(luò)技術(shù)中的應(yīng)用[J].數(shù)碼世界，2021(1):260-261.