前言：中文期刊网精心挑选了人工智能神经网络概念范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
人工智能神经网络概念范文1
1.为什么AI会突然在这几年进步这么快？
2.人工智能的战略逻辑是什么？
3.企业如何面对AI的挑战？
我在百度就在讲这句话：“人工智能是新电能”。100年前，电能给每个企业带来新的改变。
当人工智能技术足够成熟之后，会给很多企业带来非常大的改变。今天我主要讲人工智能的趋势以及对大家会有什么影响。
一、supervisedlearning(监督学习)
AI，这个词对大多数人来说有一种魔术的感觉，但是它具体能做什么？
它的技术非常复杂，有很多部分，这两三年进步最快的一部分是supervised learning(监督学习)，也就是从a的input(输入)到b的output(输出)，什么意思呢？用具体案例来说明下。
比如，你输入足够多的电影影评，然后可以大概知道一个电影是好是坏；
输入一种图片，然后可以知道图片的内容(图片识别)；
输入一段语音，会输出一个文本(语音识别)；
输入一段英文，会输出一段中文(自动翻译)；
输入一段文本，会输出一段音频(语音输出)；
输入一笔费用，会输出很好的回报(消费金融)；
输入一段传感器信息，会输出一个汽车的位置(自动驾驶)。
AI技术有很多不同的部分，进步最快的就是这个部分，今天有很多空间使用新技术，给企业带来价值，比如语音识别对百度就非常有价值。
很多要做人工智能工作的企业需要理解你自己的生意，才能决定如何放入人工智能来创造价值。
不过这种技术有一个缺点，需要大量的数据，需要a，也需要b。
经常有人问我，AI可以做什么？我跟很多团队说，如果有哪个事情想一秒钟就成功搞定，那么就可以这个部分用AI创造价值。
为什么AI会突然在这几年进步这么快？
如果你的横轴是你的数据量(amount of data)，纵轴是效率或准确度，当企业产生大量的数据，传统企业按照过去的算法无法提供数据的计算效果，但如果训练一个巨大的神经网络，效果会非常巨大。
如果你要达到最好的效果，有两个必要条件：
第一，要训练一个巨大的神经网络(NN)；
第二，要有大数据。
今天很多企业有海量数据，但几年之前没有办法训练足够大的神经网络来实现计算。
今天，最好的人工智能团队都可以从算法(机器学习)和超级计算机架构入手。
supervised learning(监督学习)是人工智能的一部分，我做人工智能项目的时候，有时候也需要到Ai技术的不同部分。
为什么通常讲supervised learning(监督学习)和神经网络(NN)？
supervisedlearning(监督学习)和神经网络进步非常快，其他部分的进步没有这么快，只是慢慢增加，神经网络这两年有巨大的突破。
二、神经网络
中国今天对深度学习和神经网络有这么大的兴趣，我来分享下神经网络这个词具体是什么。神经网络，对于很多人也有魔术的感觉。我用具体的案例来说明。
如果你想预测一件房间的价值，横轴是大小，纵轴是价钱，那么输入房间大小，输出一个价格，这是一个最简单的神经网络。
在知道房间大小、睡房数量以及附近居住者的收入水平的前提下，如果买房子的人想知道房间可以住多少人，可以用一个神经元测算出来；也可以通过一个神经元测算是否需要驾车；还可以通过一个神经元测算附近学校的质量。
最后把这些神经元汇合到一起，再通过另外一个神经元输出房子的价钱，这就是神经网络。
最后分享一个细节来了解神经网络的重要性：
如果输入房子的特征(a)和价钱(b)，而且有大量的数据(a)，它就可以自动学习这中间有什么概念，不用去考虑和担心这些神经元。
过去两年，人工智能的神经网络进步这么快，如果得到很多a，就能够计算出很多正确的b。
就像语音识别，输入语音a，输出一个文本b，要做到高质量，需要一万个小时的数据量，也就是10年左右的数据量，但要拿到这些数据的价钱也是不少的。
拥有比较准确的语音识别能力，用户也会更愿意使用。中国这几年语音识别的用户量增加得非常快，就在于现在语音识别比较准确。
今天很多人工智能的企业都是开源的，技术本身不能作为壁垒。
要理解另外一个公司的技术并不太难。我在百度和谷歌工作过，对技术比较了解，知道技术是怎么做的，但是如果我没有数据，我就没办法带一个团队做搜索。
三、人工智能公司的战略逻辑：
数据-产品-用户(Data - product - user)
如果你可以拿到一点点数据，你就可以通过神经网络来做一个产品。
通常一个产品不用做得太好，只要用户能够接受，用户慢慢会有活跃度，用户就会为你产生数据，然后形成正循环，形成壁垒。
如果你有一个用户可以接受的产品，却又被巨头用另外一个产品挖走，那么你的数据就没有办法形成正循环。
人工智能获取的战略已经越来越复杂，人工智能团队要想清楚信息获取的战略。
1.什么是互联网公司？
如果你要为一个传统的购物中心做一个网站或者app，它们还不是一个互联网公司。就像沃尔玛网站，也不是一家互联网公司。
你要做一个互联网公司，不在于是不是有网站，最重要的是整个公司的组织是否具有有效利用互联网的能力。
互联网公司会做A/B测试，每天可以做一千次A/B测试，所以互联网公司的学习速度会非常快。
互联网公司也会在比较短的时间周期里新产品，可以每天一个或者20个，传统购物中心不能理解为什么这样做或者怎样做。
互联网公司做决定的能力不是只有CEO一个人，还有很多产品经理或工程师。因为在互联网公司，技术和用户行为比较复杂，没办法都交给CEO一个人做决定。传统购物中心因为变动比较慢，由CEO做决定是没有那么大问题的。
因此，是不是互联网公司不是看你有没有网站。
2.什么是人工智能公司？
在人工智能时代，一个传统的互联网公司＋神经网络技术，也还不是人工智能公司。
一个公司要做成人工智能公司，要组织整个公司有效地使用人工智能的能力。AI现在还处于早期，人们还不能完全理解如何组织公司来使用它。
AI公司获取数据的战略非常复杂，有关战略，我们有时候会讨论好几天或好几星期。数据获取的过程要好几年，真的要一步一步来打。
最好的人工智能公司都会把数据放在一个数据库里。
如果你的数据一部分在你个人电脑上，一部分在你办公室电脑上，一部分在某一个数据库里，一部分在另外一个数据库，你的工程师要做一个新的人工智能的话，如何把这些数据放一起给人工智能使用呢？
但如果你把数据放进一个数据库，你的软件或者工程师就可以利用完整的数据来训练有效的人工智能。
很多公司有很多数据，但是没有办法放在一起，数据的使用效率就会没那么高，你的工程师的工作效率就会慢很多。
在人工智能公司工作的工程师，和传统互联网公司的工程师，工作描述的内容是不一样的。如果你是百度公司的产品经理，你要做一个产品，就会画一个图，然后把图给工程师，工程师再写代码，这样的方式对互联网公司是非常有效的。
但如果你要做一辆自动驾驶汽车，产品经理画一张汽车图，是没有用的。在人工智能时代，产品经理也需要理解怎样获取数据；也要理解怎么和工程师沟通。
20年前，我们不知道A/B测试在今天会变得如此重要。今天，我们还没有人能完全理解人工智能这么重要的概念，谷歌和百度的想法已经比较领先了，但还没有人完全把人工智能的概念讲清楚。
这给了我们什么机会？进入互联网时代，很多新公司有了很多、很大的机会。进入AI时代，有一些传统公司像谷歌、百度都做得非常不错，也给很多新公司很多很大的机会。
四、使用AI的挑战
AI技术发展这么快，但是理解的人比较少。有效地使用AI来创造价值，就要跨行业，让企业家和专家一起结合合作。
因此，从CEO角度，你怎么安排有AI技能的人的工作呢？
很多公司的架构是由CEO和不同的事业部组成，那么你怎样通过AI改变他们的工作呢？
比如其中一个事业部是做礼品卡的，那么是否可以通过AI改变售卖礼品卡的工作呢？但礼品卡的leader不懂AI，所以它内部很难建成一个AI团队。
我经常对很多公司说，如果能够找到一个独立的AI团队，就把这些有AI能力的人放到不同的团队矩阵去。
今天懂AI的人才那么少，他们不一定愿意被不懂AI的人领导，所以可以等过几年AI比较成熟，不需要一个单独的AI部门之后，就可以把AI人才放到公司的不同事业部团队内。
5、6年前，我们都不知道移动互联网能做什么，也没有想到“定位”可以产生这么大的作用，跨行业的团队产生的作用很大。
今天，移动互联网技术和手机技术很成熟，大家都可以理解互联网能够做什么，这个时候公司就不需要跨行业团队了。同样，AI现在没有那么成熟，所以很需要跨行业人才。
不是每个人都要懂AI，也不是每个CEO都要懂AI，但如果可以找人来帮你建立AI团队，可以让你的团队利用AI拥有不错的机会。
我在谷歌带谷歌大脑团队的时候，做的第一个事情就是给几百个工程师提供人工智能课程。今天CEO的工作可以从外面选择内容课程，或者找专家和人才来教育你的团队。
人工智能神经网络概念范文2
黑科技？神经网络是个什么鬼
说到神经网络，很多朋友都会认为这是一个高大上的概念。从生物学角度来说，人类复杂的神经系统是由数目繁多的神经元组合而成，它们互相联结形成神经网络，经过对信息的分析和综合，再通过运动神经发出控制信息，从而实现各种精密活动，如识别各种物体、学习各种知识、完成各种逻辑判断等。
随着人工智能技术的发展，科学家开发出人工神经网络，它的构成原理和功能特点等方面更加接近人脑。它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。比如多伦多大学的Krizhevsky等人构造了一个超大型卷积神经网络，有9层，共65万个神经。第一层神经元只能识别颜色和简单纹理，但是第五层的一些神经元可以识别出花、圆形屋顶、键盘、乌、黑眼圈等更为抽象丰富的物体（图1）。因此神经网络实际上是基于人工智能技术而形成的一种和人类神经网络相似的网络系统。
媲美Photoshop 神经网络磨皮技术背后
如上所述，现在神经网络技术发展已经非常迅猛，而且运用在各个领域。神经网络磨皮则是指该技术在照片识别和美化方面的运用。那么它是怎样实现对照片的美化？在Photoshop中磨皮操作是用户先选中人脸区域，然后再使用Photoshop内置的方法实现磨皮。神经网络磨皮原理类似，只不过这些操作是自动完成的。
首先是对照片人脸识别。要实现对照片的美容就必须先精确识别人脸，由于人脸有五官这个显著特征，因此神经网络磨皮技术只要通过机器对一定数量的人脸照片进行识别、读取，然后就可以精确识别人脸。它的原理和常见的人脸识别技术类似（图2）。
其次则是美化。在完成人脸识别后就需要对美化操作进行机器学习，以磨皮为例。因为人脸的每个年龄阶段皮肤性质是不同的，为了达到更真实的磨皮效果，神经网络磨皮是实现用户“回到”幼年或者“穿越”到老年脸部皮肤的效果。研究人员将年龄段分类为0～18岁、19～29岁、30～39岁、40～49岁、50～59岁和60岁以上这几个阶段（图3）。
然后准备两个深度学习机器同时工作。两个机器一个用来生成人脸，一个用来鉴别人脸。而且两个机器会通过分析人脸图像，提前学习到各年龄段人脸大概是什么样子的。在每个年龄分组里，研究人员让机器学习超过5000张标记过年龄的人脸图像。通过大量的照片学习后，机器就可以学会每个年龄分组内的标签，它可以准确知道每个人不同年龄阶段的脸部特征。这样无论你是要磨皮为年轻时的皮肤光滑、圆润状态，还是要变为50岁以后皱褶、粗糙的皮肤，神经磨皮都可以轻松帮助你实现。
当然学习有个通病，就是在合成过程中，机器可能会丧失掉图片原有的识别资料（1D）。为了解决这个问题，上述介绍中的人脸鉴别机器就发挥功效了。它通过查看这个照片的识别资料是不是唯一的，如果不是的话照片则会被拒绝输出。研究人员让机器合成10000张从数据库中抽取出来的人像，这些照片之前从未用来训练机器。然后他们用开发的软件程序来检测训练前后的两张照片是否为同一个人，测试结果显示有80%经训练的照片都被认为和原照片是同一个人（而作为对比，用其他方法加工照片，平均测试结果只有50%）。举个简单例子，如果40岁的用户将自己磨皮为20岁的样子，如果软件程序来检测训练前后的两张照片为同一个人，那么就输出磨皮效果，从而让用户可以轻松磨皮到20岁的状态。这样经过训练的神经磨皮算法可以很真实地实现人脸的磨皮。
神经网络 不H仅是磨皮
人工智能神经网络概念范文3
关键词：机器学习；深度学习；推荐算法；远程教育
深度学习（DeepLearning），也叫阶层学习，是机器学习领域研究的分支，它是学习样本数据的表示层次和内在规律，在学习的过程中获取某些信息，对于数据的解释有巨大帮助。比如对文字数据的学习，在网络上获取关键字，对图像数据的学习，进行人脸识别等等。
一、深度学习发展概述
深度学习是机器学习领域里一种对数据进行表征学习的方法。一句话总结三者之间的关系就是：“机器学习，实现人工智能的方法；深度学习，实现机器学习的技术。深度学习目前是机器学习和人工智能领域研究的主要方向，为计算机图形学、计算机视觉等领域带来了革命性的进步。机器学习最早在1980年被提出，1984年分类与回归树出现，直到1986年，Rumelhart等人反向传播（BackPropaga-tion，BP）算法的提出，解决了感知模型只能处理线性分类的问题，1989年出现的卷积神经网络（ConvolutionalNeuralNet-works，CNN）也因此得到了一定的发展。在1990年至2012年，机器学习逐渐成熟并施以应用，GeoffreyHinton在2006年设计出了深度信念网络，解决了反向传播算法神经网络中梯度消失的问题，正式提出了深度学习的概念，逐渐走向深度学习飞速发展的时期。随后，各种具有独特神经处理单元和复杂层次结构的神经网络不断涌现，深度学习技术不断提高人工智能领域应用方面的极限。
二、深度学习主要模型
1、卷积神经网络卷积神经网络（ConvolutionalNeuralNetworks，CNN）是指有着深度结构又包含着卷积计算的前馈神经网络。卷积物理上理解为系统某一时刻的输出是有多个输入共同叠加的结果，就是相当于对一个原图像的二次转化，提取特点的过程。卷积神经网络实际上就是一个不断提取特征，进行特征选择，然后进行分类的过程，卷积在CNN里，首先对原始图像进行特征提取。所以卷积神经网络能够得到数据的特征，在模式识别、图像处理等方面应用广泛。一个卷积神经网络主要由三层组成，即卷积层（convolutionlayer）、池化层（poolinglayer）、全连接层（fullyconnectedlayer）。卷积层是卷积神经网络的核心部分，通过一系列对图像像素值进行的卷积运算，得到图像的特征信息，同时不断地加深节点矩阵的深度，从而获得图像的深层特征；池化层的本质是对特征图像进行采样，除去冗杂信息，增加运算效率，不改变特征矩阵的深度；全连接将层间所有神经元两两连接在一起，对之前两层的数据进行分类处理。CNN的训练过程是有监督的，各种参数在训练的过程中不断优化，直到得到最好的结果。目前，卷积神经网络的改进模型也被广泛研究，如全卷积神经网络（FullyConvolutionalNeuralNetworks，FCN）和深度卷积神经网络（DeepConvolutionalNeuralNetworks，DCNN）等等。2、循环神经网络区别于卷积神经网络在图片处理领域的应用，循环神经网络（RecurrentNeuralNetwork，RNN）主要应用在自然语言处理领域。RNN最大的特点就是神经元的输出可以继续作为输入，再次利用到神经元中循环使用。RNN是以序列的方式对数据进行读取，这也是RNN最为独特的特征。RNN的串联式结构适用于时间序列的数据，可以完好保持数据中的依赖关系。循环神经网络主要有三层结构，输入层，隐藏层和输出层。隐藏层的作用是对输入层传递进来的数据进行一系列的运算，并将结果传递给输出层进行输出。RNN可用于许多不同的地方。下面是RNN应用最多的领域：1.语言建模和文本生成，给出一个词语序列，试着预测下一个词语的可能性。这在翻译任务中是很有用的，因为最有可能的句子将是可能性最高的单词组成的句子；2.语音识别；3.生成图像描述，RNN一个非常广泛的应用是理解图像中发生了什么，从而做出合理的描述。这是CNN和RNN相结合的作用。CNN做图像分割，RNN用分割后的数据重建描述。这种应用虽然基本，但可能性是无穷的；4.视频标记，可以通过一帧一帧地标记视频进行视频搜索。3、深度神经网络深度神经网络（deepneuralnetworks，DNN）可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也是指的一个东西，DNN有时也叫做多层感知机（Mul-ti-Layerperceptron,MLP）。DNN内部的神经网络层也是分为三类，输入层，隐藏层和输出层，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。深度神经网络（DNN）目前作为许多人工智能应用的基础，并且在语音识别和图像识别上有突破性应用。DNN的发展也非常迅猛，被应用到工业自动驾驶汽车、医疗癌症检测等领域。在这许多领域中，深度神经网络技术能够超越人类的准确率，但同时也存在着计算复杂度高的问题。因此，那些能够解决深度神经网络表现准确度或不会增加硬件成本高效处理的同时，又能提升效率和吞吐量的技术是现在人工智能领域能够广泛应用DNN技术的关键。
三、深度学习在教育领域的影响
1、学生学习方面通过网上学习的实时反馈数据对学生的学习模式进行研究，并修正现有教学模式存在的不足。分析网络大数据，相对于传统在线学习本质区别在于捕捉学生学习过程，有针对性，实现学生个性化学习。举个例子，在学习过程中，可以通过学习平台对学生学习课程所花费的时间，参与的程度，知识的偏好等等数据加以分析。也可以通过学生学习某门课程的次数，鼠标点击次数、停留的时间等，来推断学生学习情况。通过以上或类似数据汇总分析，可以正向引导学生学习，并给予积极的学习评价。这种利用计算机收集分析出来的客观数据，很好展示了学生学习行为的结果，总结学习规律，而不需要教师多年的教学经验来判断。对于教育研究者而言，利用深度学习技术可以更客观准确地了解学生，使教学工作良好发展更进一步。2、教学方面学习平台的数据能够对教学模式的适应度进行预测，通过学生的考试成绩和对教师的线上评价等加以分析，能够预测出某一阶段的教学方式发发是否可行，影响如何。通过学生与教师的在线互动，学生测验时完成的时间与完成的结果，都会产生大量的有效的数据，都可以为教师教学支持服务的更好开展提供帮助，从而避免低效率的教学模式造成教学资源的浪费。
四、成人远程教育中深度学习技术的可应用性
深度学习方面的应用在众多领域都取得了成功，比如电商商品推荐、图像识别、自然语言处理、棋类博弈等等。在远程教育方面，深度学习的技术还有很大的发挥空间，智能网络教育的实现是人们的众望所盼。若要将深度学习技术应用到远程教育平台，首先要清楚学生的需求和教学资源如何分配。1、针对学生的学习需求与学习特征进行分析美国斯坦福大学克里斯皮希研究团队的研究成果显示，通过对学生知识学习进行时间建模，可以精确预测出学生对知识点的掌握情况，以及学生在下一次学习中的表现。深度学习的应用可以帮助教师推测出学生的学习能力发展水平。通过学生与教学环境的交互行为，分析其学习风格，避免教师用经验进行推断而产生的误差。2、教学资源的利用与分配深度学习技术能够形成智能的分析结论。计算机实时采集数据集，对学生的学习情况加以分析，使教师对学生的学习状态、情绪状态等有更加清晰、准确的了解。有了上面良好的教学模式，教师对学生的学习状态有了更准确的掌握，对学生的学习结果就有了更科学的教学评价。基于深度学习的人工智能技术，还可以辅助教师实现智能阅卷，通过智能阅卷自动总结出学习中出现的问题，帮助教师减少重复性劳动，减轻教师负担。作为成人高校，远程教育是我们的主要教学手段，也是核心教学方式，学校的教学必定是在学生方便学习的同时，以学生的学习效果为重。通过深度学习技术，可以科学地分析出学生的学习效果，对后续教与学给予科学、可靠的数据支撑。我们可以在平台上为每位同学建立学习模型，根据学生的学习习惯为其定制个性化方案，按他们的兴趣进行培养，发挥他们专业的潜能。同时，可以将学生正式在线参加学习和考试的学习行为和非学习时间浏览网站的行为结合到一起，更加科学地分析出学生在学习网站上感兴趣的地方。采用深度学习算法，根据学生学习行为产生的海量数据推算出学生当前状态与目标状态之间的差距，做到精准及时的学习需求反馈。有助于帮助学生明确学习目标，教师确立教学目标，真正做好因材施教。基于深度学习各种智能识别技术，可以为教师的线上教学活动增光添彩，在反馈学生学习状态的同时，采用多种形式的教学方法吸引学生的注意力，增强教学活动的互动性，达到良好的教学效果。
人工智能神经网络概念范文4
1机械电子工程介绍
机械电子工程是一项涵盖各类科学的技术，其核心专业是机械电子，同时要结合信息技术、网络、智能化的相关知识，各类学科相互交叉形成的一类科学，这些学科的理论在机械电子工程中得到了广泛的应用。总体来说，机械电子工程包括计算机技术、网络技术等，机械电子工程实现了技术的多元化和技术的融合，其在使用的过程中必须借助其他学科。在对机械电子工程进行设计时，必须要将计算机技术与网络技术以及机械相关的技术融合，将机械中不同的元件组合，完善设计。机械电子工程在设计时运用的知识比较复杂，但是设计比较简单，结构不复杂，而且具有较好的性能。机械电子工程投入生产时的效率高，夕卜形小巧，从而取代了传统的机械。
2人工智能介绍
人工智能技术是在计算机技术发展的前提下得到应用的，其通过对计算机技术的分析，从而对计算机技术的功能进行进一步的完善而实现的智能化的技术，智能技术在机械电子工程中应用时，主要实现了对机械工程的自动化控制，人工智能在机械电子工程中应用不仅仅采用计算机技术，同时还要结合信息技术、心理学、语言学等知识。人工智能技术的发展经历了几个阶段，在人工智能技术发展的初始阶段，人工智能主要实现了自动翻译、自动推理，而后，人工智能技术进入了其停滞阶段，这时人工智能技术主要是以计算机视觉技术、对语言的理解、系统的研发和机器人设计等方面得到了广泛的应用。人工智能技术进入发展的第二个阶段后，其主要应用的领域是知识工程，知识工程促进了商业化的进程，在这个阶段，人工智能技术主要进行推理以及机器人中得到了广泛的应用。随后，人工智能技术进入了平稳发展时期，在这个阶段，人工智能技术朝着分布式的方向发展，其发展的形式比较简单。
3人工智能技术在机械电子工程中的使用
现在，随着我国信息技术的广泛应用，在机械电子工程中都开始使用人工智能的模型，而且能能够对大型机械进行故障的诊断，在机械电子工程投入使用后，机械工程本身的稳定性比较差，导致机械工程在使用的过程中会出现复杂的关系，如机械在进行输入或者输出时，如果不能建立合适的模型，就会导致输出困难。
在使用传统的机械进行生产时，信息系统的精确度比较高，如果系统出现了故障，不能正常的进行输入和输出工作，就会导致一系列的操作不能正常完成，但是，将人工智能技术在机械电子工程中使用，能够对机械设备进行自动化的控制，能够通过模糊的推理对系统进行操作，模糊推理主要是对人脑的模拟，从而分析系统发出的信号，在机械电子工程中，主要是通过对人脑结构的分析从而确定数字信号，实现对数字信号的分析，从而确定信号的参考值。
模糊推理主要实现了对机械电子工程中模糊的系统与神经网络的融合，能够实现神经网络系统与网络的互补融合，将神经网络系统与模糊系统有机地统一，使机械设备的神经网络系统能够自动的识别信号，进行推理，使机械电子工程的系统能够进行复制，使其具备学习的能九这样就使机械电子工程中系统的智能化水平有所提高。智能化技术实现了机械电子工程中功能相似的部件的融合，其主要是运用模糊系统中的信号，与神经网络中的信号进行相似性的对比，通过选择，使具有相似性的部件实现融合，从而可以提高系统的运作效率，简化了运算的程序，在机械电子工程中的非线性的信号与系统中的函数进行相似性的对比，从而能够实现对系统中函数的优化。在机械电子工程中，主要是通过非线性表达运行的，这样能能够实现机械中网络的强化能力，使机械中网络的空间增大，使机械运行的效率更快。
人工智能神经网络概念范文5
关键词：微机继电保护技术；概念；构成；趋势
中图分类号： F406 文献标识码： A 文章编号：
前言：微机继电保护的智能化方便了继电保护的调试工作，极大的减少了对硬件维护量。尤其是，其凭借数字化、智能化、网络化及较强的数字通讯能力，极大的提高了微机继电保护的快速性、选择性、灵敏性、可靠性等性能，在促进电力系统管理、维护的信息化、远程化的同时，提高了电力系统的安全经济运行的水平。因此，我们可以清楚的认识到微机继电保护的重要性。以下笔者根据多年从事微机继电保护的实际工程经验，对电力系统微机继电保护系统的构成特点及发展趋势进行粗浅的探究，以供参考。
1．微机继电保护概述
1.1 基本概念
微机继电保护是以数字式计算机为基础来构成的继电保护，其硬件以微处理器为核心，配以合适的输入输出通道、人机接口、通讯接口等；随着计算机技术及网络技术的持续快速的发展，加之微机保护相比于传统继电保护装置有着更加显著的优势，日益在电力系统中得到广泛应用。
1.2 微机继电保护系统的构成
（1）管理与保护故障录波器的接口，实现对不同厂家的保护及故障录波器的数据采集及转换功能。通常情况下，对保护的运行状态进行巡检，接收保护的异常报告。当电网出现故障后，接收、保护故障录波器的事故报告。
（2）管理与远动主站的接口，把装置异常、保护投退，以及其它关键的信息通过远动主站进行实时上送到调度端。
（3）管理、修改保护定值。
（4）主动或者按照服务器的要求传送事故报告，执行服务器发出的对指定保护与故障录波器进程查询的命令。服务器设置在调度端，可由一台或者多台高性能计算机构成。
通过以上的功能划分可看出，客户机与服务器间的数据交换量并不是太大，仅在电网出现故障后，因为与故障设备有关联的厂站的客户机需向服务器传送详细的故障报告，此时才会有较大的信息量。所以客户机与服务器间的联络，在目前的使用情况下，完全可采用调制解调器来进行异步通信，若有更好的条件，建议尽量采用广域网来实现数据的交换。
2．微机继电保护技术发展的趋势
2.1 自动化、智能化
随着我国智能电网概念的提出及相关技术标准的制定，必须加快智能电网相应配套的关键技术与系统的研发速度。对于微机继电保护技术，可深入挖掘神经网络、遗传算法、进化规划模糊逻辑等智能技术微机继电保护方面的应用前景，充分发挥技术生产力的作用，从而使常规技术难以解决的实际问题得到解决[4]。
2.2 自适应控制技术
于20世纪80年代，自适应继电保护的概念开始兴起，其可定义为能根据电力系统的运行方式与故障状态的变化而能够对保护性能、特性或定值进行实时改变的新型继电保护。其基本思想就是尽最大可能使保护适应电力系统的各种变化，从而保护的性能得到进一步的改善。其凭借能改善系统响应、增强可靠性、提高经济效益等方面的优势，在输电线路对距离、变压器、发电机的保护及自动重合闸等领域得到了广泛的应用。
2.3 人工神经网络的应用
20世纪90年代以来，神经网络、遗传算法、进化规划、模糊逻辑等人工智能技术在电力系统的多个领域都得到了应用，保护领域内的一些研究工作也开始转向人工智能领域的研究。专家系统、人工神经网络、模糊控制理论在电力系统继电保护中的应用，为其持续发展注入了新的活力。
基于生物神经系统的人工神经网络具有分布式存储信息、并行处理、自组织、自学习等特点，其应用研究得到较迅速发展，目前主要集中在人工智能、信息处理、自动控制和非线性优化等方面。近年，在电力系统微机继电保护领域内出现了用人工神经网络来实现故障类型的判别、故障距离的测定、方向保护、主设备保护等技术。我国相关部门也都对神经网络在电力系统微机继电保护中的应用进行了相关的研究。
2.4 可编程控制器在继电保护中的应用
可编程控制器可简单的视为具有特殊体系结构的工业计算机，相比于一般计算机具有更强的与工业过程相连的接口，以及更适应于控制要求的编程语言；用PLC通过软件编程的方式来代替实际的各个分立元件之间的接线，来解决在由继电器组成的控制系统里，为了完成一项操作任务，要把各个分立元件如继电器、接触器、电子元件等用导线连接起来的问题是非常容易的；此外，为了减少占地面积，还可以用PLC内部已定义的各种辅助继电器来取代传统的机械触点继电器。
2.5 变电所综合自动化技术
现代计算机、通信、网络等技术为改变变电站目前监视、控制、保护、故障录波、紧急控制装置、计量装置，以及系统分割的状态，提供了优化组合与系统集成的技术基础。继电保护和综合自动化的紧密结合己成为可能，主要体现在集成与资源共享、远方控制与信息共享。以远方终端单元、微机保护装置做为核心，把变电所的控制、信号、测量、计费等回路纳入到计算机系统中，从而将传统的控制保护屏进行取代，大大降低变电所的占地面积及对设备的投资，使二次系统的可靠性得到提高。伴随着微机性价比的不断提高，现代通信技术的快速发展，以及标准化规定制度的陆续推出，变电站综合自动化已经成为了热门话题。根据变电站自动化集成的程度，可将未来的自动化系统划分为协调型自动化与集成型自动化两类。
结束语：
总之，随着电力系统的高速发展及计算机、通信技术的不断进步，继电保护技术将会向自动化，智能化，自适应控制技术，变电站综合自动化技术，人工神经网络、PLC技术的应用等趋势发展，在确保我国电力系统的安全稳定运行，以及国民经济的快速持续增长中发挥越来越大的作用。
参考文献
[1]文玉玲，孙博，陈军.浅谈微机继电保[J].新疆电力技术，2009，（4）：26-28.
[2]杨志越，李凤婷.微机继电保护技术及发展[J].电机技术，2011，（3）：46-47.
[3]王彬.浅论电力系统微机继电保护的技术应用[J].中华民居，2011，11：162，163.
人工智能神经网络概念范文6
【关键字】人工智能；教育；进展
【中图分类号】G40-057 【文献标识码】A 【论文编号】1009―8097（2008）13―0018―03
人工智能是一门综合的交叉学科，涉及计算机科学、生理学、哲学、心理学、哲学和语言学等多个领域。人工智能主要研究用人工的方法和技术，模仿、延伸和扩展人的智能，实现机器智能，其长期目标是实现人类水平的人工智能。[1]从脑神经生理学的角度来看，人类智能的本质可以说是通过后天的自适应训练或学习而建立起来的种种错综复杂的条件反射神经网络回路的活动。[2]人工智能专家们面临的最大挑战之一是如何构造一个可以模仿人脑行为的系统。这一研究一旦有突破，不仅给学习科学以技术支撑，而且能反过来促使人脑的学习规律研究更加清晰，从而提供更加切实有效的方法论。[3]人工智能技术的不断发展，使人工智能不仅成为学校教育的内容之一，也为教育提供了丰富的教育资源，其研究成果已在教育领域得到应用，并取得了良好的效果，成为教育技术的重要研究内容。
人工智能的研究更多的是结合具体领域进行的，其主要研究领域有：专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、博弈、智能决策支持系统、人工神经网络和分布式人工智能等。[4]目前，在教育中应用较为广泛与活跃的研究领域主要有专家系统、机器人学、机器学习、自然语言理解、人工神经网络和分布式人工智能，下面就这些领域进行阐述。
一 专家系统
专家系统是一个具有大量专门知识与经验的程序系统，它使用人工智能技术，根据某个领域中一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。[5]专家系统主要组成部分为：知识库，用于存储某领域专家系统的专门知识；综合数据库，用于存储领域或问题的初始数据和推理过程中得到的中间数据或信息；推理机，用于记忆所采用的规则和控制策略的程序，使整个专家系统能够以逻辑方式协调地工作；解释器，向用户解释专家系统的行为；接口，使用户与专家系统进行对话。近几十年来，专家系统迅速发展，是人工智能中最活跃、最有成效的一个研究领域，广泛用于医疗诊断、地质勘探、军事、石油化工、文化教育等领域。
目前，专家系统在教育中的应用最为广泛与活跃。专家系统的特点通常表现为计划系统或诊断系统。计划系统往前走，从一个给定系统状态指向最终状态。如计划系统中可以输入有关的课堂目标和学科内容，它可以制定出一个课堂大纲，写出一份教案，甚至有可能开发一堂样板课，而诊断系统是往后走，从一个给定系统陈述查找原因或对其进行分析，例如，一个诊断系统可能以一堂CBI（基于计算机的教学，computer-based instruction）课为例，输入学生课堂表现资料，分析为什么课堂的某一部分效果不佳。在开发专家计划系统支持教学系统开发（ISD）程序的领域中最有名的是梅里尔（Merrill）的教学设计专家系统（ID Expert）。[6]
教学专家系统的任务是根据学生的特点（如知识水平、性格等），以最合适的教案和教学方法对学生进行教学和辅导。其特点为：同时具有诊断和调试等功能；具有良好的人机界面。已经开发和应用的教学专家系统有美国麻省理工学院的MACSYMA符号积分与定理证明系统，我国一些大学开发的计算机程序设计语言、物理智能计算机辅助教学系统以及聋哑人语言训练专家系统等。[7]
目前，在教育中，专家系统的开发和应用更多的集中于远程教育，为现代远程教育的智能化提供了有力的技术支撑。基于专家系统构造的智能化远程教育系统具有以下几个方面的功能：具备某学科或领域的专门知识，能生成自己的提问和应答； 能够分析学生的特征，评价和记录学生的学习情况，诊断学生学习过程中的错误并进行补救教学；可以选择不同的教学方法实现以学生为主体的个别化教学。[8]目前应用于远程教育的专家系统有智能决策专家系统、智能答疑专家系统、网络教学资源专家系统、智能导学系统和智能网络组卷系统等。
二 机器人学
机器人学是人工智能研究是一个分支，其主要内容包括机器人基础理论与方法、机器人设计理论与技术、机器人仿生学、机器人系统理论与技术、机器人操作和移动理论与技术、微机器人学。[9]机器人的发展经历了三个阶段：第一代机器人是以 “示教―再现”方式进行工作；第二代机器人具有一定的感觉装置，表现出低级智能；第三代机器人是具有高度适应性的自治机器人，即智能机器人。目前开发和应用的机器人大多是智能机器人。机器人技术的发展对人类的生活和社会都产生了重要影响，其研究和应用逐渐由工业生产向教育、环境、社会服务、医疗等领域扩展。
机器人技术涉及多门科学，是一个国家科技发展水平和国民经济现代化、信息化的重要标志，因此，机器人技术是世界强国重点发展的高技术，也是世界公认的核心竞争力之一，很多国家已经将机器人学教育列为学校的科技教育课程，在孩子中普及机器人学知识，从可持续和长远发展的角度，为本国培养机器人研发人才。[10]在机器人竞赛的推动下，机器人教育逐渐从大学延伸到中小学，世界发达国家例如美国、英国、法国、德国、日本等已把机器人教育纳入中小学教育之中，我国许多有条件的中小学也开展了机器人教育。
机器人在作为教学内容的同时，也为教育提供了有力的技术支撑，成为培养学习者创新精神和实践能力的新的载体与平台，大大丰富了教学资源。多年来，我国中小学信息技术教育的主要载体是计算机和网络，教学资源单一，缺乏前瞻性。教学机器人的引入，不仅激发了学生的学习兴趣，还为教学提供了丰富的、先进的教学资源。随着机器人技术的发展，教学机器人种类越来越多，目前在中小学较为常用的教学机器人有：能力风暴机器人、通用机器人、未来之星机器人、乐高机器人、纳英特机器人、中鸣机器人等。
三 机器学习
机器学习是要使计算机能够模仿人的学习行为，自动通过学习来获取知识和技巧，[11]其研究综合应用了心理学、生物学、神经生理学、逻辑学、模糊数学和计算机科学等多个学科。机器学习的方法与技术有机械学习、示教学习、类比学习、示例学习、解释学习、归纳学习和基于神经网络的学习等，近年来，知识发现和数据挖掘是发展最快的机器学习技术。机器学习（自动获取新的事实及新的推理算法）是使计算机具有智能的根本途径，对机器学习的研究有助于发现人类学习的机理和揭示人脑的奥秘。[12]
随着计算机技术的进步和机器学习研究的深入，机器学习系统的性能大大提高，各种学习算法的应用范围不断扩大，例如将连接学习用于图文识别，归纳学习、分析学习用于专家系统等，大大推动了在教育中的应用，例如在建构适应性教学系统中，用机器学习与朴素的贝叶斯分类器动态了解学生的学习偏好，有较高的准确率[13]。基于案例的推理（case-based reasoning，CBR）是一种新兴的机器学习和推理方法，其核心思想是重用过去人们解决问题的经验解决新问题，在计算机辅助教育方面，已经出现了基于CBR的图形仿真教育系统，并且，针对个体特征的教育教学方法研究也有所突破。[14]另外，数据挖掘和知识发现在生物医学、金融管理、商业销售等领域的成功应用，不仅给机器学习注入新的生机，也为机器学习在教育中的应用提供了新的前景。
四 自然语言理解
自然语言理解就是研究如何让计算机理解人类的自然语言，以实现用自然语言与计算机之间的交流。一个能够理解自然语言信息的计算机系统看起来就像一个人一样需要有上下文知识以及根据这些上下文知识和信息用信息发生器进行推理的过程。[15]自然语言理解包括口语理解和书面理解两大任务，其功能为：回答问题，计算机能正确地回答用自然语言提出的问题；文摘生成，计算机能根据输入的文本产生摘要；释义，计算机能用不同的词语和句型来复述输入的自然语言信息；翻译，计算机能把一种语言翻译成另外一种语言。由于创造和使用自然语言是人类高度智能的表现，因此对自然语言处理的研究也有助于揭开人类高度智能的奥秘，深化对语言能力和思维本质的认识。[16]
自然语言理解最早的研究领域是机器翻译，随着应用研究的广泛开展，也为机器人和专家系统的知识获取提供了新的途径，例如由MIT研制的指挥机器人的自然语言理解系统SHRDLU就可以接收自然语言，进行人机对话，回答关于桌面上积木世界中的各种问题。同时，对自然语言理解的研究也促进了计算机辅助语言教学和计算机语言设计等方面的发展，例如“希赛可”网络智能英语学习系统，这个基于网络的“人-机”语境的建立，突破了普通英语教师和传统的单机的多媒体教学软件所能具备能力限制，也比建立于网络的“人-人”语境更具灵活性，可以为远程学习者提供良好的英语学习支持，在国内第一次系统地将用自然语言进行的人机对话系统应用在计算机辅助外语教学上，在国际上也是一种创新。[17]
五 人工神经网络
人工神经网络就是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能的元件（即人工神经元），按各种不同的联结方式组织起来的一个网络，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能，例如可以用于模仿视觉、模式识别、声音信号处理、控制、故障诊断等领域，人工神经元是人工神经网络的基本单元。[18]人工神经网络有两种基本结构：递归（反馈）网络和多层（前馈）网络，两种主要学习算法：有指导式学习和非指导式学习。
人工神经网络从模拟人类大脑神经网络的结构和行为出发，具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合于处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，[19]这使人工神经网络具有更大的发展潜能，目前已经开发和应用的人工神经网络模型有30多种。人工神经网络在教育中的应用大多是与教学专家系统相结合，以此来改进教学专家系统的性能，提高智能性，使其在教学过程中对突发问题具有更好的应对能力。人工神经网络在学校管理中也得到应用，例如采用误差反传算法（BP）的多层感知器已应用于高校管理之中。
六 分布式人工智能(Distributed Artificial Intelligence，DAI)
分布式人工智能是分布式计算与人工智能结合的结果，研究目标是要创建一种能够描述自然系统和社会系统的精确概念模型，主要研究问题是各Agent之间的合作与对话，包括分布式问题求解和多Agent系统两个领域。[20]分布式人工智能系统一般由多个Agent组成，每个Agent又是一个半自治系统，Agent之间及Agent与环境之间进行并发活动并进行交互来完成问题求解。[21]由于分布式人工智能系统具有并行、分布、开放、协作和容错等优点，在资源、时空和功能上克服了单智能系统的局限性，因此获得了广泛的应用。
分布式人工智能中的Agent和多Agent技术在教学中的应用逐渐受到关注。在教学中引入Agent可以有效地提高教学系统的智能性，创造良好的学习情境，并能激发学习者的学习兴趣，进行个性化教育。目前，Agent和多Agent技术多用于远程智能教学系统，通过利用其分布性、自主性和社会性等特点，提高网络教学系统的智能性，使教学资源得到充分利用，并可实现对学习者的学习行为进行动态跟踪，为学习者的网络学习创造合作性的学习环境。在网络教学软件中应用Agent技术的一个典型是美国南加利福尼亚大学（USC）开发的教学Adele（Agent for Distance Education - Light Edition） [22]。Agent技术在网络教学软件中取得的良好效果，促进了研究者对分布式人工智能在教育中的应用研究。
综上所述，科学技术的发展将会推动人工智能技术在教育中应用的广度和深度。从人工智能的应用趋势来看，人工智能在教育中应用的扩展可以通过以下三个方面进行：一是人工智能与其他先进信息技术结合。人工智能已经与多媒体技术、网络技术、数据库技术等有效的融合，为提高学习效率和效度提供了有力的技术支持，而引起教育技术界广泛关注。[23]例如人工智能技术通过与多媒体技术相结合，可以提高智能教学系统的教学效果；与网络通讯技术相结合，可以提高和改进远程教育的智能性。二是人工智能应用研究领域间的集成。人工智能应用研究领域之间并不是彼此独立，而是相互促进，相互完善，它们可以通过集成扩展彼此的功能和应用能力。例如自然语言理解与专家系统、机器人的集成，为专家系统和机器人提供了新的知识获取途径。三是人工智能的研究和应用出现了许多新的领域，它们是传统人工智能的延伸与扩展，这些新领域有分布式人工智能与Agent、计算智能与进化计算、数据挖掘与知识发现以及人工生命等[24]，这些发展与应用蕴藏着巨大潜能，必将对教育产生重要的影响。
技术发展不断发挥着引导教育技术研究的作用，一种新兴技术的出现总是会掀起相应的研究热潮, 引发对技术在教育中应用的探讨、评价以及与传统技术的对比。[25] 人工智能作为一门交叉的前沿学科，虽然在基本理论和方法等方面存在着争论，但从其研究成果与应用效果来看，有着广阔的应用前景，值得进一步的开发和利用。
参考文献
[1] 史忠植,王文杰.人工智能[M].北京:国防工业出版社,2007:1.
[2][11][18][19] 《计算机与信息科学十万个为什么》丛书编辑委员会,计算机与信息科学十万个为什么(8):人工智能[M].北京:清华大学出版社,1998:5,189,78-79,84.
[3] 任友群,胡航.论学习科学的本质及其学科基础[J].中国电化教育,2007,(5):1-5.
[4][21] 蔡瑞英,李长河.人工智能[M].武汉:武汉理工大学出版社,2003:12-13.
[5][12][15][20][24] 蔡自兴,徐光.人工智能及其应用(第三版)――研究生用书[M].北京:清华大学出版社,2007: 12-14,19-20.
[6] [荷]山尼•戴克斯特拉,[德]诺伯特•M. 西尔,[德]弗兰兹•肖特,等.任友群,郑太年主译.教学设计的国际观第2册:解决教学设计问题[M].北京:教育科学出版社,2007:67.
[7] 任友群.技术支撑的教与学及其理论基础[M].上海:上海教育出版社,2007:42-43.
[8] 路利娟.应用专家系统提升现代远程教育的智能化[J].中国教育技术装备,2007,(12):79-80.
[9] 陈恳,杨向东,刘莉等.机器人技术与应用[M].北京:清华大学出版社,2007:6.
[10] 关注机器人幼儿教育――访鲍青山博士[DB/OL].
[13] 柏宏权,韩庆年.机器学习在适应性教学系统中的应用研究[J].南京师范大学学报(工程技术版),2007,7(4):76-79.
[14] 杨健,赵秦怡.基于案例的推理技术研究进展及应用[J].计算机工程与设计,2008,29(3):710-712.
[16] 自然语言理解[DB/OL].
[17] 贾积有.人工智能技术的远程教育应用探索――“希赛可”智能型网上英语学习系统[J].现代教育技术,2006,16(2):26-29.
[22] Erin Shaw, W. Lewis Johnson, and Rajaram Ganeshan, Pedagogical Agents on the Web[DB/OL].
