人工智能神經網絡概念

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇人工智能神經網絡概念范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

人工智能神經網絡概念范文第1篇

人工神經網絡是近年來迅猛發展的前沿課題，它對突破現有科學技術的瓶頸起到重大的作用。本文剖析了人工神經網絡的特征、模型結構以及未來的發展趨勢。

【關鍵詞】人工神經網絡 神經元 矩陣

1 人工神經網絡概述

人工神經網絡（ANN）是一種用計算機網絡系統模擬生物神經網絡的智能神經系統，它是在現代神經生物學研究成果的基礎上發展起來的，模擬人腦信息處理機制的一種網絡系統，它不但具有處理數值數據的計算能力，而且還具有處理知識的學習、聯想和記憶能力。

人工神經網絡模擬了大腦神經元的組織方式，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

因為人工神經網絡中的神經元排列并不是雜亂無章的，往往是以一種有規律的序列排列，這種結構非常適合并行計算。同時如果將每一個神經元看作是一個基本的處理單元，則整個系統可以是一個分布式處理系統，使得計算快速。

1.2 可學習性和自適應性

一個相對很小的人工神經網絡可存儲大量的專家知識，并能根據學習算法，或利用指導系統模擬現實環境（稱為有教師學習），或對輸入進行自適應學習（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元及其相互連接，具有聯想映射與聯想記憶能力，容錯性保證網絡將不完整的、畸變的輸入樣本恢復成完整的原型，魯棒性使得網絡中的神經元或突觸遭到破壞時網絡仍然具有學習和記憶能力，不會對整體系統帶來嚴重的影響。

1.3 泛化能力

人工神經網絡是大規模的非線性系統，提供了系統協同和自組織的潛力，它能充分逼近任意復雜的非線性關系。如果輸入發生較小變化，則輸出能夠保持相當小的差距。

1.4 信息綜合能力

任何知識規則都可以通過對范例的學習存儲于同一個神經網絡的各連接權值中，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 人工神經網絡模型

神經網絡是在對人腦思維方式研究的基礎上，將其抽象模擬反映人腦基本功能的一種并行處理連接網絡。神經元是神經網絡的基本處理單元。

在神經網絡的發展過程中，從不同角度對神經網絡進行了不同層次的描述和模擬，提出了各種各樣的神經網絡模型，其中最具有代表性的神經網絡模型有：感知器、線性神經網絡、BP網絡、自組織網絡、徑向基函數網絡、反饋神經網絡等等。

3 神經元矩陣

神經元矩陣是神經網絡模型的一種新構想，是專門為神經網絡打造的一個矩陣，它符合神經元的一切特征。

神經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，信使粒可“游蕩”在矩陣中，建立各種聯系。如圖1即是神經元矩陣模型

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

（2）向量觸頭是中空的，信使粒可以通過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，或使鄰近向量轉向、伸長，進而形成相對穩定的信息通路。

（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，也就是是神經元矩陣分塊、分層、形成聯接的過程，也為矩陣系統宏觀管理、層級控制的實現奠定了基礎。

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

4 人工神經網絡的發展趨勢

人工神經網絡是邊緣叉科學，它涉及計算機、人工智能、自動化、生理學等多個學科領域，研究它的發展具有非常重要意義。針對神經網絡的社會需求以及存在的問題，今后神經網絡的研究趨勢主要側重以下幾個方面。

4.1 增強對智能和機器關系問題的認識

人腦是一個結構異常復雜的信息系統，我們所知道的唯一智能系統，隨著信息論、控制論、計算機科學、生命科學的發展，人們越來越驚異于大腦的奇妙。對人腦智能化實現的研究，是神經網絡研究今后的需要增強的地發展方向。

4.2 發展神經計算和進化計算的理論及應用

利用神經科學理論的研究成果，用數理方法探索智能水平更高的人工神經網絡模型，深入研究網絡的算法和性能，使離散符號計算、神經計算和進化計算相互促進，開發新的網絡數理理論。

4.3 擴大神經元芯片和神經網絡結構的作用

神經網絡結構體現了結構和算法的統一，是硬件和軟件的混合體，神經元矩陣即是如此。人工神經網絡既可以用傳統計算機來模擬，也可以用集成電路芯片組成神經計算機，甚至還可以生物芯片方式實現，因此研制電子神經網絡計算機潛力巨大。如何讓傳統的計算機、人工智能技術和神經網絡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、相互滲透是現代科學的一個顯著特點。神經網絡與各種智能處理方法有機結合具有很大的發展前景，如與專家系統、模糊邏輯、遺傳算法、小波分析等相結合，取長補短，可以獲得更好的應用效果。

參考文獻

[1]鐘珞.饒文碧.鄒承明著.人工神經網絡及其融合應用技術.科學出版社.

人工智能神經網絡概念范文第2篇

當你用谷歌搜索東西、使用地圖軟件、在亞馬遜上購物，或者對智能手機中的語音識別軟件說話，其實都在使用人工智能。當你登錄到Facebook，欣賞那些可愛的嬰兒照片，人工智能都在塑造你的體驗。

所有這些應用的背后都使用了算法，算法本質上是形成分析過程的一組規則，能夠對變量輸入做出響應。如今的算法，尤其是來自亞馬遜和Facebook等巨頭的算法，響應速度快，還不斷學習。它們事先經過編程，可采集來自用戶的更準確的響應；也就是說，結果是為控制算法的那些廠商服務的。

了解和響應

當你在亞馬遜上購物時，算法在后臺基于一個包含眾多購買模式的龐大數據庫，執行異常高級的運算，之后決定將什么產品展示在你面前。它實時響應你的點擊軌跡。

你可能覺得，有一個活生生的私人購物助手是最好不過的選擇；她了解潮流，對你本人很了解。可是人工智能技術廠商Ayasdi的首席營銷官丹尼爾?德魯克（Daniel Druker）表示，這樣的私人購物助手與亞馬遜沒法比。亞馬遜“利用人工智能，結合你之前的購買活動，從100萬件商品中推測眼下哪些商品最能吸引你的眼球。沒有哪個人能做到這一點。”

在Facebook上，出現在你個人動態（feed）中的朋友不多，那是因為Facebook的人工智能算法知道：你受不了個人動態內容太多的情況。于是，Facebook使用人工智能，對你關于私人關系圈的訊號做出敏感的反應，打造你的個人動態，建立起一種更有效的情感聯系。要是你以為人工智能冷若冰霜、缺乏人情味，Facebook用它來窺視你的內心（以及Facebook另外12.3億日常用戶的內心）。它威力強大，說Facebook人工智能影響了美國總統大選毫不為過。

盡管人工智能目前具有巨大的影響力，但它仍被看作是太過遙遠的一項神奇技術。人工智能技術廠商Sentient Technologies的創始人兼首席科學家巴巴克?霍加特 （Babak Hodjat）說：“算法或應用有多誘人、多新潮、多強大，并不重要。我常常出去介紹這些系統時，人們總是會說‘是的，那很智能、那很酷，但這不是人工智能。’”

人們之所以會有這種懷疑，是因為“普通公眾而非從業人士常常誤以為人工智能是包含情感智能、創造力、自主性等一系列能力的人類級一般智能。”霍加特說，因而，人工智能“總是被認為是我們會發明的下一大技術。我認為，今后10年至15年還會是這種情況。”

他表示，在許多當前的應用中，人工智能比人類更強大。“你只要說一個方面，我可以告訴你這個方面是如何實施的、如何比人類更強大。起碼，人工智能運行起來更快，所以當下人工智能的決策和行動周期要比人類響應世界的速度快得多。”

人工智能在過去幾年得到了突飛猛進的發展。百度硅谷人工智能實驗室主任亞當?科茨（Adam Coates）說：“這在10年前是很難實現的。當然，未來幾年，我們認為在人類非常擅長處理、但計算機向來不擅長的許多問題上，人工智能會取得巨大進展。比如說，識別圖像中的實體，或者理解語音、對口語做出響應，那些是深度學習和人工智能技術在未來幾年會持續改進的問題。”

推動與向前

什么功能在推動這些進展？人工智能必須獲得什么樣的功能才能向前發展？

皮特?阿貝爾（Pieter Abbeel）是加州大學伯克利分校的計算機科學系教授，也是人工智能教育初創公司Gradescope的聯合創始人。他表示，首先，人工智能系統需要能夠在沒有人類干預的情況下自主學習。此外，它還在被告知諸如“你從這個角度堆方塊，也許效果會更好”之類的信息時，應該有溝通和理解能力。“要是它無法領會這樣的信息，我們不會認為它具有真正的智能。”

人類（至少理論上）能夠利用過去的經驗來推斷和處理新環境，在這方面機器人則差的很遠。為機器人編程、以便它在有限的環境下提供輔助要容易得多。人工智能科學家們想為機器人編程，以便處理相關的變化。

阿貝爾說：“它們需要運用過去獲得的經驗，推廣到不一樣但相類似的新場景，了解這種關聯性。我對于機器人如何能真正從頭開始學會做事很感興趣。”從頭開始學起是人類特有的能力；如果機器人能夠真正做到填補其空白，它有望成為獨立的個體。

但人工智能機器人的“學習能力”可能有許多不同的方式來定義，一些是很普通的“嘗試和獎勵”方式，類似于教狗學新花招。比如說，人工智能強化學習可編寫機器人的軟件，從試錯過程中學習。加州大學伯克利分校的BRETT機器人基于行動后獎勵的多少來使用強化學習技術。阿貝爾說：“獎勵的變化讓該機器人得以分辨什么是好的，什么是不好的，進而重點采用獲得獎勵多的策略。”

與之相仿，人工智能科學家使用監督式學習，為計算機饋送標記輸入（這些是貓，這些是狗）的許多實例，并給出明確的目標輸出（這是貓還是狗？）。非監督式學習給計算機饋送非標記數據（比如說許多動物的照片），計算機進行分類，或者以其他方式為該數據定義結構模型（這些動物身上的毛比其他這些動物多得多）。科茨表示，非監督式學習是“非常重要的研究熱點，因為我們知道人類所做的在很大程度上是非監督式學習。”

人工智能“學習”的核心是神經網絡，它類似人類大腦。跟大腦一樣，面對更多的輸入，神經網絡會自我調整。阿貝爾說：“你展示足夠多的那些實例，神經網絡就會自我調整，說‘針對那個輸入，我需要那個輸出’；所以，要做到這一點，唯一的途徑是，我需要調整聯系的部分強度，那樣我才能搞好那種對應。所以，在某種意義上，你在訓練神經網絡時，是讓計算機學習它的計算機程序，而不是將計算程序編入到里面。”

科茨解釋，不過打造神經網絡并非易事。“一大挑戰在于，我們不是非常清楚如何僅憑一些非標記、非結構化的數據來訓練神經網絡。我們不知道如何量化神經網絡在處理這些種類的任務中的好壞。等到我們在這方面有了發現，那將是一大進步。但我們還沒有到那一步。所以，這離人類智能相差甚遠。”

人工智能神經網絡概念范文第3篇

【關鍵詞】自動化；人工智能；應用

一、人工智能應用基礎理論

同一些熱門的學科相比，人工智能作為一門比較邊沿的學科，融合了社會科學與自然科學的相關知識體系，也可以表示為機器智能。早在1956年，人工智能的概念就被提出，人工智能就是用人工的方法在機器（計算機）上實現人類的智能，或者說人類讓機器具有人類的智能、也可以說是人類的智能在機器上的模擬。電氣自動化技術領域中人工智能的應用主要是集中在通過模擬人腦相關的機能來對目標信息進行有效的回饋、處理、收集、交換、分析等，并且還可以實現對生產進行處理與判斷的能力，通過人工智能，電氣自動化可以實現其生產上的全方位自動化，極大提高其生產過程的效率，以實現產業結構的調整與優化。

二、電氣領域人工智能化控制的特點

在電氣自動化的領域中，人工智能控制技術運用最多的就是包含了遺傳算法、模糊形神經算法、模糊理論、神經算法等內容的非線性函數的近似器，其中AI函數的特點也十分顯著：（1）在進行電氣自動化人工智能相關設計的時候并不需要取得實際控制對象中精準的動態化模型，同時也不需要指明非線性或是參數變化等其他具體因素。（2）按照魯棒特性、下降時間或是響應時間來進行相應的調整，便能夠有效強化智能函數的性能：運用人工智能調整后，電氣模糊邏輯的控制器具備的上升時間是一般控制器的1.5倍之多，并且下降時間也比一般控制器快了4倍，其中過沖也比較小。（3）由于電氣人工智能的控制器具備一致性，同時不會與驅動器的相關特性產生直接聯系，那么運行新的未知信息數據的時候也可以獲取準確的預測結果。（4）電氣人工智能的控制器能夠通過應用時間和語言來設計，同時也比較容易調節，這就使得對信息與數據相關性更好，也易于進行修改與擴展，其抗干擾性能也較好，可以便于實現。

三、電氣自動化技術中人工智能的應用分析

（1）電力系統中人工智能的應用。電力系統中人工智能技術相關應用主要集中于啟發式搜索、模糊集理論、神經網絡、專家系統這四個方面。專家系統作為一個集許多專業知識、經驗、規則于一體的綜合性程序系統，主要依靠的是某一特定領域相關的專家豐富知識與經驗。對其進行具體操作時，要依照新的現實情況來對專家系統中的規則庫以及知識庫進行及時更新，這樣才能適應發展的需求。神經網絡則具備了全面的學習形式與完全分布式的基礎存儲方式，因此它在對大規模信息數據進行處理時加以應用，同時它具備了較強的復雜狀態中相關分類能力和識別能力。那么在電力系統內進行短期負荷的預測時，BP神經網絡就可以在充足的信息樣本中開展對模型的合理分類工作，對輸入數據進行分析選擇，這樣便可以構建出不同季節性的日預測與周預測模型。（2）電氣控制技術中人工智能的應用。電氣自動化的控制技術可以實現強化分配、交換、流通、生產等關鍵環節，在加大財力投入的同時盡可能減少人力，以便提高電氣系統中的運作質量與效率。電氣設備控制系統里面人工智能技術的應用包含了神經網絡控制、專家系統控制與模糊控制等，而在實際的應用過程中，使用最多的則是模糊控制，這主要是源于其簡單化的控制，同時又和現實情況聯系密切。（3）電氣設備設計中人工智能的應用。由于電氣設備的具體設計是綜合性、復雜性、專業性的過程，其涉及的范圍也十分廣，包括了電磁場、電子技術、變壓器、電機、專業電路等領域，另一方面，這對其設計者也提出了更高的要求。通過人工智能方面的技術，能夠實現大批較難迅速解決處理的模擬過程與相關繁瑣計算，這就加強了設計過程內的工作精度和效率。當然，在電氣設備設計進行的時候還要區別不同的情況與具體算法，比如說遺傳算法會用在優化設計中，而專家系統總是用在開發性設計中。（4）電氣故障診斷中人工智能的應用。在電氣設備的故障診斷過程中，使用最為廣泛的即是神經網絡、專家系統、模糊理論等人工智能技術，尤其是對電氣電動機、發電機進行的故障診斷。當前，電氣系統中變壓器的故障診斷通常適用方法為分析氣體和分解變壓器油中分解的氣體，借助人工智能法可以有效提高相關診斷的準確性，其中人工智能技術通過結合模糊理論與神經網絡，來完成故障診斷知識的神經網絡以及模糊性的共同診斷過程，這樣就可以從根本上提高診斷故障的全面性與準確性。

在電氣自動化領域，人工智能應用集中體現于專家系統、自動程序設計、定理證明、邏輯推理、各類問題求解等方面，因此，在電氣自動化技術中充分挖掘并利用人工智能的功能與效力，這樣才能使工作更加順暢、高效。

參 考 文 獻

人工智能神經網絡概念范文第4篇

關鍵詞：繼電保護；人工智能技術；應用；解析

中圖分類號： TM58 文獻標識碼： A 文章編號：

人工智能技術是通過模擬人類分析問題的思維模式，采用智能手段處理問題的技術。這種技術在實際應用中，能夠有助于人們處理一些較為復雜的、并且難以通過數學模型進行求解的問題，提高問題的處理效率。在電力系統中，采用人工智能技術對系統中存在的故障進行檢測和處理，為電力系統繼電保護工作的研究與發展提供了新方法。

一、繼電保護中的人工智能技術

（一）專家系統

專家系統也簡稱為ES系統，它是發展最早的、起到繼電保護作用的智能系統。同時，它也是在人工智能系統中應用最廣泛、研究最深入的課題之一，這項智能系統與整個知識工程的研究是緊密相連的。專家系統的構造，主要涉及了它對知識的表達形式、知識的運用、知識的處理等方面的研究方法以及理論知識。這個系統不單單結合理論知識來解決一些定性的問題，同時，還通過一種啟發式的知識，例如，專家經驗等解決問題。這樣一來，通過這一系統的使用，就可以在解決問題時縮小知識的搜索的范圍，進而提高解決問題的效率。除此之外，專家系統當中的解釋模塊，可以對一些在推理過程中使用到的知識、推理過程、推理結論進行進一步的解釋說明。

在電力系統中的繼電保護專家系統當中，通常所使用的表達知識的方式主要有以下幾種：生產模式下的規則表示方法、框架模式下的表示方法、過程模式下的知識表示方法、面向對象的表示方法、知識模型的表示方法。其中，面向對象的表示方法和知識模型的表示方法是在智能技術、語言技術以及計算機技術發展的基礎上形成的。專家系統在繼電保護的管理以及整定工作當中得到了廣泛的使用。一旦電力系統的運行模式發生改變、引進新的設備或者設備進行檢修，面對這些現象，專家系統的定值以及相應的保護配置都會發生改變。另外，專家系統還可以依據其自身的運行規程、電網結構以及專家經驗等功能，來對協助系統的應用人員做出保護對策。在人工智能系統中的專家系統雖然可以模擬專家來對繼電保護工作做出相應的決策，但是，這種智能系統在實際使用的過程中還存在一些不足之處。例如，該系統在建立知識庫以及維護知識庫的方面還不是很完善，并且容錯能力差，特別是在對一些難度較大、復雜程度較高的故障進行推理時，系統的反應速度較慢。以上種種不足，都會在一定程度上影響專家系統對繼電保護的精準程度。

（二）人工智能系統中的模糊理論

模糊理論簡稱為FST理論，這個理論通過模糊隸屬度這一概念來表述一些不確定、不精準的現象和事件。同時，在模糊理論當中引進了近似推理以及語言變量等模糊邏輯，通過這樣的形式，來表達一些經驗知識。通過對這一理論多年的探索和研究，如今，它終于成為能夠具備一套完整推理體系的繼電保護智能技術，并且被廣泛的運用到電力系統當中。人們在對一件事物進行了解和認識時，過程往往都是在一定層面上來對失誤進行辨別和劃分，在這期間，并不需要精準的、復雜的計算。然而，模糊理論在解決問題時正是采用了模糊模式，為事物的識別工作提供了便捷、有效的途徑。在整個電力系統當中，會存在很多電氣量，通過微機保護能夠在這方面對人類辨別失誤的能力進行模仿，并且可以區分和辨別不同對象的特征，最后，利用智能化系統來實現對事物更高的辨別性能。

在進行電力系統中的繼電保護工作時，智能模糊理論已經被廣泛的應用，并且在一些領域上有了更新的進展。例如，發動機的保護工作、主變保護以及線路保護等等。但是，在模糊理論的應用過程中也會存在一些問題，例如，它在針對復雜的系統進行模辨識、建立、修改，以及對隸屬度方面的獲取都還沒有得到進一步的完善。因此，這個系統在實際應用中并不具備一定的學習能力，自然，在使用的過程中會受到一些條件的制約，進而導致其功能不能很好的發揮出來。

（三）人工神經網絡

人工神經網絡這一系統的工作原理是最大限度上模擬人類的認知過程和人腦內部的組織結構，通過這樣的形式來對相關信息進行處理。人工神經網路系統自身具備很多優勢，例如，它具備聯想記憶功能、適應能力強，可以進行并行分布處理等等。因此，這項系統憑借自身的優勢在繼電保護工作中得到了重視，并且廣泛應用。在使用人工神經網絡對電力系統中的故障進行檢查時，它的診斷方法會與專家系統存在一定的差異性。人工神經系統更加注重于通過對標準樣本的訓練與學習，進而對系統內部的閾值和連接權進行調整，這樣一來，就可以讓知識分布在網絡上，形成人工神經網絡的記憶模式。由此可見，人工神經網絡系統在獲取知識方面的能力十分強大，同時，它能夠有效的對含噪聲的數據進行處理，這在一定程度上彌補了專家系統在對故障檢測時存在的不足。人工神經網由于本身屬于非線性的反射，所以，它可以通過這一方法來解決一些較為復雜的、并且難以求解的非線性問題，這也是它能夠在繼電保護工作中得到廣泛應用的原因之一。最近幾年以來，在電力系統的繼電保護方面漸漸出現通過利用人工神經網絡系統來對故障的距離、類型進行判斷，進而有針對性的保護電力設備。

通過使用神經網絡系統來完成繼電保護工作，這不僅可以對故障進行準確的判斷，同時，也提高了解決電力系統中電力故障問題的效率。但是，這種方法在性能上也存在一些不足，例如，對于一些具有啟發性的知識在處理上還不是很擅長、性能的發揮主要依靠樣本的完備程度決定等等。

二、人工智能技術在繼電保護中的應用

對于每一種人工智能技術來說，在對其進行控制和應用的過程中都會存在一定的局限性，并且由于這個局限性而導致在處理電力系統當中的一些復雜問題時，技術不能充分的發揮出它的功能，達不到預期的效果。怎樣把每一種人工智能技術在解決問題時的優勢結合起來，最終形成一個具有強大功能的綜合性人工智能控制技術，那將會在很大程度上提高處理電力系統當中故障的能力。因此，我們在人工智能技術的實際應用當中，要盡量規避每個系統當中的不足，綜合利用人工神經網絡、專家系統、模糊理論的優勢，更好的完成電力系統保護工作。在實際應用中，可以結合人工神經網絡系統和專家系統，對變電站進行分層分布的故障診斷；可以結合神經網絡和模糊理論，依據經過改良之后的IEC三比值法，以此建立可以為電力系統中的變壓器進行故障診斷的模糊神經網絡模型。通過這個模型能夠有效的對系統中一些不固定的故障因素進行處理，并且它具備了較強的獲取知識的能力。從人類思維的發展模式角度來看，將各種人工智能技術進行融合，分析影響人工智能診斷準確率的因素，進而提高檢測故障的準確率。

總結：

綜上所述，針對目前現有的人工智能技術進行重新整合，讓它們可以充分的發揮出自身的優勢，揚長避短。深入的分析人工智能技術的理論知識和應用方法，研究完善繼電保護的手段，提高人工智能技術對故障的處理能力，確保電力系統能夠健康、穩定運行。

參考文獻：

[1]張沛超，胡炎，郁惟鏞.繼電保護專家系統中知識的面向對象表示法[J].繼電器，2010（09）.

[2]王威，郁惟鏞，張沛超.面向對象的繼電保護整定計算專家系統的研究[J].電力系統及其自動化學報，2010（02）.

人工智能神經網絡概念范文第5篇

關鍵詞：人工智能；云計算；大數據

最近火熱的美劇《西部世界》里傳遞出很多關于人工智能的信息，在圍繞如何突破機器極限，形成自主意識方面，提出了富有科幻現實色彩的方法-冥想程序， 將意識形成描繪成了“走迷宮”的過程，同時在道德層面又一次將“人工智能是否能成為有別于人類的另一個物種”的問題呈現在廣大觀眾面前。

“人工智能”（AI）這一概念最早由馬文?明斯基和約翰?麥卡錫于1956年的“達特茅斯會議”上共同提出。1960年，麥卡錫在美國斯坦福大學建立了世界上第一個人工智能實驗室。經過近幾年互聯網的飛速發展，AI對企業甚至是行業產生了巨大而又深遠的影響。機器學習，尤其是深度學習技術成為人工智能發展的核心。越來越多的硬件供應商專為深度學習和人工智能定制設計芯片。如IBM的人腦模擬芯片SyNAPSE（Systems of Neuromorphic Adaptive Plastic Scalable Electronics，自適應塑料可伸縮電子神經形態系統）芯片，含有100萬個可編程神經元，2.56億個可編程突觸，每消耗一焦耳的能量，可進行460億突觸運算。

云計算和大數據作為人工智能的基礎， 在工業制造等眾多場景中得到了廣泛應用，比如很多工廠都在傳送帶上加裝了傳感器，將壓力、溫度、噪音和其他一些參數實時傳到云端，將工廠真正連上網絡，然后利用人工智能的算法對這些數據進行比對，由此提前為工廠提供預警和遠程檢測服務。這種將生產流程及產品通過物聯網連接到云端，然后利用算法進行大數據分析的模式，將在更多的行業被廣泛應用。

目前人工智能主要有10個應用子領域，分別是機器學習、計算機視覺、智能機器人、虛擬個人助理、自然語音處理、實時語言翻譯、情感感知計算、手勢控制、推薦引擎及協同過濾、視頻內容自動識別。各方向處于不同的發展階段，發展程度有高有低。但驅動發展的先決條件主要體現在感知能力、理解能力、學習能力、交互能力四個方面。

1 感知能力

目前人工智能的感知主要通過物聯網來實現，它提供了計算機感知和控制物理世界的接口與手段，能夠采集數據、記憶，分析、傳送數據，進行交互、控制等。比如攝像頭和相機記錄了關于世界的大量圖像和視頻，麥克風記錄了語音和聲音，各種傳感器將它們感受到的世界數字化。這些傳感器就如同人類的五官，是智能系統的數據輸入，是感知世界的方式。

2 理解能力

智能系統不同于人腦，沒有數以千億的神經元，對事物問題的理解在現階段還很大程度上依賴于處理器的計算分析能力。近年來，基于GPU（圖形處理器）的大規模并行計算異軍突起，擁有遠超CPU的并行計算能力。從處理器的計算方式來看，CPU計算使用基于x86指令集的串行架構，適合盡可能快的完成一個計算任務。而GPU誕生之初是為了處理3D圖像中的上百萬個像素圖像，擁有更多的內核去處理更多的計算任務。因此GPU具備了執行大規模并行計算的能力。云計算的出現、GPU的大規模應用使得集中化數據計算處理能力變得空前強大。

3 學習能力

學習能力的培養類似人類需要教材和訓練。據統計，2015年全球產生的數據總量達到了十年前的20多倍，大數據的發展為人工智能的學習和發展提供了非常好的基礎。機器學習是人工智能的基礎，而大數據和以往的經驗就是人工智能學習的書本，以此優化計算機的處理性能。不可忽視的是近年來科技巨頭為了提前布局AI生態，紛紛開源平臺工具，極大地豐富了機器訓練的素材和手段。如谷歌了新的機器學習平臺TensorFlow，所有用戶都能夠利用這一強大的機器學習平臺進行研究，被稱為人工智能界的Android。IBM宣布通過Apache軟件基金會免費為外部程序員提供System ML人工智能工具的源代碼。微軟則開源了分布式機器學習工具包DMTK，能夠在較小的集群上以較高的效率完成大規模數據模型的訓練，并于2016年7月推出了開源Project Malmo項目，用于人工智能訓練。

4 交互能力