前言：中文期刊网精心挑选了神经网络在人工智能的应用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。
神经网络在人工智能的应用范文1
关键词： 人工智能 足球机器人 人工神经网络 智能控制
引言
足球机器人系统是一个典型的多智能体系统和分布式人工智能系统，涉及机器人学、计算机视觉[1]、模式识别、多智能体系统[2]、人工神经网络[3]等领域，而且它为人工智能理论研究及多种技术的集成应用提供了良好的实验平台。机器人球队与人类足球一样，它的胜负不但取决于机器人本身的性能，而且取决于比赛策略，只有将可靠的硬件与先进的策略结合才能取胜。人工智能技术在足球机器人的平台上有着重要的作用。从机器人的外观到机器人最重要的核心部分——控制、决策，都无不起着重要的作用。专家系统[4]、人工神经网络在机器人的路径规划[5]上得到充分的应用。
1.人工智能研究现状
人工智能[6-8]是一门研究人类智能机理，以及如何用计算机模拟人类智能活动的学科，该领域的研究包括机器人、语言识别[9]、图像识别、自然语言处理和专家系统等，涉及数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示[10][11]、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
几乎所有的编程语言均可用于解决人工智能算法，但从编程的便捷性和运行效率考虑，最好选用“人工智能语言”[12]。常用的人工智能语言有传统的函数型语言Lisp、逻辑型语言Prolog及面向对象语言Smalltalk、VC++及VB等，Math-Works公司推出的高性能数值计算可视化软件Matlab中包含神经网络工具箱，提供了许多Matlab函数。另外，还有多种系统工具用于开发特定领域的专家系统，如INSIGHT、GURU、CLIPS、ART等。这些实用工具为开发人工智能应用程序提供了便利条件，使人工智能越来越方便地运用于各种领域。
智能机器人是信息技术和人工智能等学科的综合试验场，可以全面检验信息技术和人工智能等各领域的成果，以及它们之间的相互关系。人工智能技术中的视觉、传感融合、行为决策、知识处理等技术，需要使无线通讯、智能控制、机电仪一体化、计算机仿真等许多关键技术有机、高效地集成统一。人们在很多领域都成功地实现了人工智能：自主规划和调度、博弈、自主控制、诊断、后勤规划、机器人技术、语言理解和问题求解等。
2.人工智能主要研究领域
人工智能的研究领域非常广泛，而且涉及的学科非常多。目前，人工智能的主要研究领域包括：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、智能决策支持系统及人工神经网络等。下面主要介绍在足球机器人设计、制造、控制等过程中常用的人工智能技术[13]。
2.1专家系统
专家系统是一个智能计算机程序系统，是一个具有大量专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个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，以便解决那些需要人类专家处理的复杂问题。专家系统一般具有如下基本特征：具有专家水平的专门知识；能进行有效的推理；具有获取知识的能力；具有灵活性；具有透明性；具有交互性；具有实用性；具有一定的复杂性及难度。
2.2人工神经网络
人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织和非线性映射等优点的神经网络与其他技术的结合，以及由此而来的混合方法和混合系统，已经成为一大研究热点。由于其他方法也有优点，因此将神经网络与其他方法相结合，取长补短，可以达到更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。
2.3图像处理
图像处理是用计算机对图像进行分析，达到所需结果，又称影像处理。图像处理技术主要包括图像压缩，增强和复原，匹配、描述和识别三个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。数字图像处理中的模式识别技术，可以对人眼无法识别的图像进行分类处理，可以快速准确地检索、匹配和识别出各种东西，在日常生活各方面和军事上用途较大。
3.人工智能在足球机器人中的应用
3.1基于专家系统的足球机器人规划
路径规划或避碰问题是足球机器人比赛中的一个重要环节。根据工作环境，路径规划模型可分为基于模型的全局路径规划和基于传感器的局部路径规划。全局路径规划的主要方法有：可视图法、自由空间法、最优控制法、栅格法、拓扑法、切线图法、神经网络法等。局部路径规划的主要方法有：人工势场法、模糊逻辑算法、神经网络法、遗传算法[14]等。机器人规划专家系统是用专家系统的结构和技术建立起来的机器人规划系统。大多数成功的专家系统都是以基于规则系统的结构来模仿人类的综合机理的。它由五部分组成：知识库、控制策略、推理机、知识获取、解释与说明。随着人工智能计算智能与进化算法研究的逐步发展，遗传算法、蚁群算法等的提出，机器人路径规划问题得到了相应发展。尤其是通过遗传算法在路径规划中的应用，机器人更加智能化，其运行路径更加逼近理想的优化要求。以动态、未知环境下的机器人路径规划为研究背景，利用遗传算法采用了基于路点坐标值的可变长染色体编码方式，构造了包含障碍物排斥子函数项的代价函数，使得路径规划中的地图信息被成功引入到了遗传操作的实现过程中。同时针对路径规划问题的具体应用，改进了交叉和变异两种遗传算子，获得了较为理想的路径搜索效率，达到了较好的移动机器人路径规划效果。
3.2人工神经网络在机器人定导航中的应用
人工神经网络是一种仿效生物神经系统的信息处理方法，其优点主要体现在它可以处理难以用模型或规则描述的过程和系统；对非线性系统具有统一的描述；有较强的信息融合能力。因此在移动机器人定位与导航方面，基于神经网络的多传感器信息融合正是利用了神经网络的这些特性，将机器人外部传感器的传感数据信息作为神经网络的输入处理对象，从而获得移动机器人自身位置与对障碍物比较精确的估计，实现移动机器人的避障与自定位。
结语
随着人工智能技术的进一步研究，足球机器人竞赛水平将不断提高。但就目前情况来看，在现有的基础上扩大应用的范围，增强应用的效果，还应主要在人工智能技术上做进一步的研究。专家系统在专家知识的总结、表述及不确定的情况下推理是目前专家系统的瓶颈所在。制造生产的多变复杂性及操作的人工经验性，使人工智能的应用受到限制。此外，一些工艺参数的定量化实现也不易。随着技术的飞速发展，人工智能技术也在进一步完善，如多种方法混合技术、多专家系统技术、机器学习方法、并行分布处理技术等。随着新型人工智能技术的出现，制造业将会更加光明，性能更加优越的足球机器人也不再遥远。
参考文献：
[1]郑南宁.计算机视觉与模式识别[M].北京-国防工业出版社，1998.3.
[2]Wang Hongbing Fan Zhihua She Chundong Formal Specification of Role Assignment for Open Multi Agent System Chinese of Journal Electronics[J].2007，16（2）：212-216.
[3]LIMING ZHANG AND FANJI GU NEURAL INFORMATION PROCESSING VOLUME 1[M]Fudan University Press， 2001.
[4]Cai Zixing，King-Sun Fu. Expert-System-Based Robot Planning ？Control Theory & Applications[J] .1988（2）： 35-42.
[5]张锐，吴成东.机器人智能控制研究进展[J].沈阳建筑工程学院学报（自然科学版），2003，19（1）：61-64.
[6]蔡自兴，徐光祐.人工智能机器应用（第三版）清华大学出版社，2004.
[7]艾辉.谢康宁，谢百治.谈人工智能技术[J]中国医学教育技术，2004，18（2）：78-80.
[8]Nilsson NJ.Artificial Intelligence：A New Synthesis[M].Beijing：China Machine Press，2006：72-95.
[9]Han Jiqing Gao Wen Robust Speech Recognition Method Based on Discriminative Environment Feature Extraction Journal of Computer Science and Technology[J]. 2001；16（5）：458-464.
[10]Tang Zhijie Yang Baoan Zhang Kejing Design of Multi-attribute Knowledge Base Based on Hybrid Knowledge Representation Journal of Donghua University 2006，23（6）：62-66.
[11]Hu Xiangpei Wang Xuyin Knowledge representation and rule——based solution system for dynamic programming model Journal of Harbin Institute of Technology 2003，10（2）：190-194.
[12]姚根.人工智能的概况及实现方法[J] .2009，28（3）：108.
神经网络在人工智能的应用范文2
关键词：人工智能 机器学习 机器人情感获得 发展综述
中图分类号：TP18 文献标识码：A 文章编号：1003-9082 （2017） 04-0234-01
引言
人类自从工业革命结束之后，就已然开始了对人工智能的探索，究其本质，实际上就是对人的思维进行模仿，以此代替人类工作。人工智能的探索最早可以追溯到图灵时期，那时图灵就希望未来的智能系统能够像人一样思考。在20世纪五十年代，人工智能被首次确定为一个新兴的学科，并吸引了大批的学者投入到该领域的研究当中。经过长时间的探索和尝试，人工智能的许多重要基本理论已经形成，如模式识别、特征表示与推理、机器学习的相关理论和算法等等。进入二十一世纪以来，随着深度学习与卷积神经网络的发展，人工智能再一次成为研究热点。人工智能技术与基因过程、纳米科学并列为二十一世纪的三大尖端技术， 并且人工智能涉及的学科多，社会应用广泛，对其原理和本质的理解也更为复杂。 一、人工智能的发展历程
回顾人工智能的产生与发展过程 ，可以将其分为：初期形成阶段，综合发展阶段和应用阶段。
1.初期形成阶段
人工智能这一思想最早的提出是基于对人脑神经元模型的抽象。其早期工作被认为是由美国的神经学家和控制论学者 Warren McCulloch与Walter Pitts共同完成的。在1951年，两名普林斯顿大学的研究生制造出了第一台人工神经元计算机。而其真正作为一个新的概念被提出是在1956年举行的达茅斯会议上。由麦卡锡提议并正式采用了“人工智能”（Artificial Intelligence）砻枋稣庖谎芯咳绾斡没器来模拟人类智能的新兴学科。1969年的国际人工智能联合会议标志着人工智能得到了国际的认可。至此，人工智能这一概念初步形成，也逐渐吸引了从事数学、生物、计算机、神经科学等相关学科的学者参与该领域的研究。
2.综合发展阶段
1.7 7年， 费根鲍姆在第五届国际人工智能联合会议上正式提出了“知识工程”这一概念。而后其对应的专家系统得到发展，许多智能系统纷纷被推出，并应用到了人类生活的方方面面。20世纪80年代以来，专家系统逐步向多技术、多方法的综合集成与多学科、多领域的综合应用型发展。大型专家系统开发采用了多种人工智能语言、多种知识表示方法、多种推理机制和多种控制策略相结合的方式， 并开始运用各种专家系统外壳、专家系统开发工具和专家系统开发环境等等。在专家系统的发展过程中，人工智能得到了较为系统和全面的综合发展，并能够在一些具体的任务中接近甚至超过人类专家的水平。
3.应用阶段
进入二十一世纪以后，由于深度人工神经网络的提出，并在图像分类与识别的任务上远远超过了传统的方法，人工智能掀起了前所未有的。2006年，由加拿大多伦多大学的Geoffery Hinton及其学生在《Science》杂志上发表文章，其中首次提到了深度学习这一思想，实现对数据的分级表达，降低了经典神经网络的训练难度。并随后提出了如深度卷积神经网络（Convolutional Neural Network， CNN），以及区域卷积神经网络（Region-based Convolutional Neural Network， R-CNN），等等新的网络训练结构，使得训练和测试的效率得到大幅提升，识别准确率也显著提高。
二、人工智能核心技术
人工智能由于其涉及的领域较多，内容复杂，因此在不同的应用场景涉及到许多核心技术，这其中如专家系统、机器学习、模式识别、人工神经网络等是最重要也是发展较为完善的几个核心技术。
1.专家系统
专家系统是一类具有专门知识和经验的计算机智能程序系统，通过对人类专家的问题求解能力建模，采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题，达到具有与专家同等解决问题能力的水平。对专家系统的研究，是人工智能中开展得较为全面、系统且已经取得广泛应用的技术。许多成熟而先进的专家系统已经被应用在如医疗诊断、地质勘测、文化教育等方面。
2.机器学习
机器学习是一个让计算机在非精确编程下进行活动的科学，也就是机器自己获取知识。起初，机器学习被大量应用在图像识别等学习任务中，后来，机器学习不再限于识别字符、图像中的某个目标，而是将其应用到机器人、基因数据的分析甚至是金融市场的预测中。在机器学习的发展过程中，先后诞生了如凸优化、核方法、支持向量机、Boosting算法等等一系列经典的机器学习方法和理论。机器学习也是人工智能研究中最为重要的核心方向。
3.模式识别
模式识别是研究如何使机器具有感知能力 ，主要研究图像和语音等的识别。其经典算法包括如k-means，主成分分析（PCA），贝叶斯分类器等等。在日常生活各方面以及军事上都有广大的用途。近年来迅速发展起来应用模糊数学模式、人工神经网络模式的方法逐渐取代传统的基于统计学习的识别方法。图形识别方面例如识别各种印刷体和某些手写体文字，识别指纹、癌细胞等技术已经进入实际应用。语音识别主要研究各种语音信号的分类，和自然语言理解等等。模式识别技术是人工智能的一大应用领域，其非常热门的如人脸识别、手势识别等等对人们的生活有着十分直接的影响。
4.人工神经网络
人工神经网络是在研究人脑的结构中得到启发， 试图用大量的处理单元模仿人脑神经系统工程结构和工作机理。而近年来发展的深度卷积神经网络（Convolutional neural networks， CNNs）具有更复杂的网络结构，与经典的机器学习算法相比在大数据的训练下有着更强的特征学习和表达能力。含有多个隐含层的神经网络能够对输入原始数据有更抽象喝更本质的表述，从而有利于解决特征可视化以及分类问题。另外，通过实现“逐层初始化”这一方法，实现对输入数据的分级表达，可以有效降低神经网络的训练难度。目前的神经网络在图像识别任务中取得了十分明显的进展，基于CNN的图像识别技术也一直是学术界与工业界一致追捧的热点。
三、机器人情感获得
1.智能C器人现状
目前智能机器人的研究还主要基于智能控制技术，通过预先定义好的机器人行动规则，编程实现复杂的自动控制，完成机器人的移动过程。而人类进行动作、行为的学习主要是通过模仿及与环境的交互。从这个意义上说，目前智能机器人还不具有类脑的多模态感知及基于感知信息的类脑自主决策能力。在运动机制方面，目前几乎所有的智能机器人都不具备类人的外周神经系统，其灵活性和自适应性与人类运动系统还具有较大差距。
2.机器人情感获得的可能性
人脑是在与外界永不停息的交互中，在高度发达的神经系统的处理下获得情感。智能机器人在不断的机器学习和大数据处理中，中枢处理系统不断地自我更新、升级，便具备了获得情感的可能性及几率。不断地更新、升级的过程类似于生物的进化历程，也就是说，智能机器人有充分的可能性获得与人类同等丰富的情感世界。
3.机器人获得情感的利弊
机器人获得情感在理论可行的情况下，伴之而来的利弊则众说纷纭。一方面，拥有丰富情感世界的机器人可以带来更多人性化的服务，人机合作也可进行地更加深入，可以为人类带来更为逼真的体验和享受。人类或可与智能机器人携手共创一个和谐世界。但是另一方面，在机器人获得情感时，机器人是否能彻底贯彻人类命令及协议的担忧也迎面而来。
4.规避机器人情感获得的风险
规避智能机器人获得情感的风险应预备强制措施。首先要设计完备的智能机器人情感协议，将威胁泯灭于未然。其次，应控制智能机器人的能源获得，以限制其自主活动的能力，杜绝其建立独立体系的可能。最后，要掌控核心武器，必要时强行停止运行、回收、甚至销毁智能机器人。
三、总结
本文梳理了人工智能的发展历程与核心技术，可以毋庸置疑地说，人工智能具有极其广阔的应用前景，但也伴随着极大的风险。回顾其发展历程，我们有理由充分相信，在未来人工智能的技术会不断完善，难题会被攻克。作为世界上最热门的领域之一，在合理有效规避其风险的同时，获得情感的智能机器人会造福人类，并极大地帮助人们的社会生活。
参考文献
[1]韩晔彤.人工智能技术发展及应用研究综述[J].电子制作，2016，（12）：95.
[2]曾毅，刘成林，谭铁牛.类脑智能研究的回顾与展望[J].计算机学报，2016，（01）：212-222.
[3]张越.人工智能综述：让机器像人类一样思考
神经网络在人工智能的应用范文3
随着改革开放进程的不断加速，我国人民的生活水平有了很大的提高，社会的各个方面都得到了很大的发展。人工智能是现代化建设中一个重要的发展方向，在电力系统中也得到了极其广泛的应用。人工智能在电力系统中的应用使得电力系统能够更加的智能化，提升了电力系统的工作效率，对电力系统的发展起到了极大的促进作用。笔者将在本文中对人工智能在电力系统中的应用进行分析，希望能够对相关的电力系统工作人员的工作有所帮助，同时也希望能够对其他学者在相关方面的研究有所启发。
【关键词】电力系统 人工智能 运行
随着现代化进程的不断推进，人们对电力系统的要求越来越高，要求电力系统要实现高效率，高安全性，智能化。在经过大量的研究之后，人们将人工智能和电力系统相融合，取得了很大的突破。所谓的人工智能，实际上就是一门综合的智能设计技术，人们设计相关的机器，使机器能够像人类一样进行一系列的思考、规划、设计等活动。在电力系统中的应用主要是集中在安全用电和简化操作的方面，实现简易化、智能化安全电力装置设计，比如保护继电器的设计，可以对电路进行有效的保护，以免对电力系统造成损失。从现在电力系统的发展趋势来看，人工智能在电力系统中的应用必将是未来电力系统发展的主要方向之一。我将在下文中从以下几个方面对人工智能在电力系统中的应用进行分析。
1 人工智能技术概述
人工智能是一门复杂的技术，集成了很多学科的知识，进行人工智能研究的研究人员必须要了解脑科学、神经学和信息技术等方面的知识，因为这三个方面的知识是人工智能最基础的知识。人们将这些知识实际应用到机器的设计之中，就能够对机器进行人工智能的设计，从而实现机器智能化的操作。
2 人工智能技术的种类
2.1 人工神经网络
人工神经网络在电力系统的应用解决了电力系统中很多非线性的问题，尤其在继电保护方面的效果最为出色，所以在电力系统的继电保护中得到了广泛的应用。所谓的人工神经网络，就是科学家们在对人的神经网络进行研究后，将其运用到系统的研究上而得出来的。在电力系统的工作中，能够对电力系统做实时的监测，同时能够对出现问题的地方做出快速的反应，有效的提升了电力系统的工作效率。
2.2 智能模糊逻辑
所谓的智能模糊逻辑，就是人们将模糊理论运用到一些实际的系统当中，使人们能够输入相应的参数，建立对应的数学模型，从而对系统进行很好的规划。在电力系统的应用过程中，人们主要将智能模糊逻辑应用到电力系统的规划和电力系统故障的诊断方面。
2.3 遗传算法
遗传算法就是人们基于对生殖遗传规律的研究，在遗传规律应用到实际的生活事件当中，使事件得到最优解。遗传算法能够很好的解决电力系统中一些比较难的问题。
2.4 混合技术
所谓的混合技术，就是将遗传算法、人工神经网络、智能模糊逻辑等几种技术合在一起，因为上面所说的几种方法有一定的局限性，甚至还有一些难以克服的缺陷。将这些技术合在一起，就能够更好地解决电力系统中的问题。
3 电力系统运行中人工智能的具体应用
电力系统中有很多非线性问题，里面的方程式也有一定复杂性和系统性，但是可以应用人工智能技术来解决这些问题。
3.1 人工神经网络在继电保护中的应用
对继电器的保护工作一直都是电力系统中非常重要的工作之一，随着社会的进步，科技的发展，人们对电力系统的要求越来越高，继电器的保护工作也不断在推进着，从开始的普通计算机的保护到人工神经网络的应用，都体现了电力系统的工作人员对继电器保护工作的不断努力。
3.2 人工智能算法在电力系统运行中的应用
人工智能算法主要的原理是无功优化，通过无功优化，能够提高电力运行效率，使电力传输达到一个最佳的状态。
人工智能算法采取记忆指导搜索的办法来提高搜索速度，从而使全局达到最优的状态。它还有禁忌搜索方法，这种方法在跳出局部方面有很大的优势。此外，它还能解决多变量、非线性、离散性的问题，而且操作手法简单，易于使用。
3.3 模糊理论在电力系统运行中的应用
模糊理论突破了经典集合中的一些概念，它采用的是模糊搜索的原理来对一些不明确、不精准的事情和现象进行分析。首先要在其中加入一些近似推理的模糊逻辑和引入语言变量，从而对事情和现象进行分析与描述。如今，这种模糊理论已经具有比较成熟的技术，它的应用已经相当广泛，遍及多个行业、多个领域。电力系统中有非线性，而线路通过非线性的时候，就会产生一些分量，这些分量能够重叠在故障上面，并且不会被消除掉。而模糊理论中的技术可以消除输电线路中互相影响的现象，使之相互独立。
3.4 专家系统在力系统运行中的应用
专家系统是人中智能系统重要的组成部分之一，尤其在电力系统中早在很多年之前就得到了广泛的应用，解决了电力系统中的很多问题，为电力系统的发展奠定了良好的基础，有效的提高了电力系统运行的效率。
4 总结与体会
从上文的分析中，我们对人工智能的概念有了清晰的认识，同时也了解了将人工智能应用在电力系统能够为电力系统带来的巨大发展。解决了电力系统目前存在的大量问题，为电力系统的发展提供了突破性发展的思路。但是我国人工智能的技术还不够成熟，与国外先进的人工智能技术相比较还有很大的差距，所以我国必须制定相应的方案促进我国人工智能的发展。首先，我国要在政策上对人工智能的企业进行优待，鼓励更多的企业投身到人工智能的发展之中，其次我国要加大人工智能的人才培养力度，从我国目前的人工智能发展现状来说，我国的人工智能的人才缺口比较大，很多专业的人才都是从国外引进的，花费了国家大量的资金，所以对人工智能的人才培养是我国未来促进人工智能的发展必须要做的任务，对于我国人工智能的可持续发展具有重大的意义。
参考文献
[1]田秀梅.人工智能在电力系统故障诊断中的应用[J].电子技术，2011，38（01）：31-32.
[2]占才亮.人工智能技术在电力系统故障诊断中的应用[J].广东电力，2011，24（09）：87-92.
神经网络在人工智能的应用范文4
关键词：进化算法；人工智能；短期电力负荷预测；进化算法
中图分类号：TP181；TM727 文献标识码：A
0 引言
电力负荷预测是指利用电力历史负荷的特点和其它相关因素的影响，找寻电力负荷中自身存在的周期性的规律，并挖掘出出未来的发展趋势，由此预测出未来某特定时刻的负荷数据[1]。短期负荷预测是指预测未来一月、未来一周、未来一天，甚至于未来一天24小时中任意时刻的负荷值。准确的短期负荷预测是电力系统安全经济的调度、规划的保证，是电力系统稳定运行的前提，是社会正常生产和人民安定生活的保障。
随着全球不可再生资源的不断减少及环境污染的日益增加，将风能、太阳能等新能源发电系统形成的分布式能源接入传统电网中的新型电网――智能电网（smart grid）由此产生。智能电网将信息技术、通信技术、计算机技术以及各种输、配电硬件设施集成为一整体，通过先进的信息技术，实现配电网智能、弹性、自愈等功能[2]。
无论是国外还是国内，配电自动化都是智能电网的核心。配电自动化实际上是实现配电设备正常运行及事故状态下监测、保护、控制、用电和配电管理的现代化[3]。短期电力负荷预测则是实现配电管理、故障处理等问题的前提。因此为了达到精确地配电自动化，高精度的短期负荷预测必不可少。
1 问题的分析及解决
智能电网的“互动、自愈、安全、经济、清洁、节能、高效”等要求导致了短期电力负荷预测更为复杂[4]。不同的区域，不同的发电形式及用户端的引入都导致了电网运行环境的复杂性。环境一旦变化（比如事故，分布式电源的启停），智能电网的短期负荷预测模型必须能自适应这些变化，从而得到高逼近的预测值以辅助电网的调度、管理等操作，确保电力系统的正常运作。因此，智能电网环境下的短期电力负荷预测应具有高度自适应性和智能性的特点。
另外，智能电网中AMI虽然为负荷预测提供了所需的数据，但在庞大的数据集成时，有可能引入不良数据的干扰，并且复杂的通信网络（数据传输环节）也提高了数据的出错风险[5]。因而，智能电网的短期负荷预测中数据的预处理不可或缺。
针对智能电网短期电力负荷预测的异常数据较多、智能性较强和自适应要求较高的特点，本文通过下面三个途径进行实现：（1）采用自动的不良数据辨识方法，采用统计学的数学方法来剔除噪声数据；（2）通过算法的比较，对人工智能算法进行仿真比较，得到较优的短期电力负荷的支持向量机预测基本模型；（3）对比优化算法，采用进化算法完成人工智能模型的参数的寻优，形成算法的组合，提高模型的精度和自适应性。
2 数据处理
输入数据的处理为预测模型提供了干净、准确的数据，减少预测算法的处理量，提高预测效率和预测精度。本文按照以下步骤完成数据预处理：
步骤1：从数据库中读取短期电力负荷表；
步骤2：缺失值的处理。检查待识别日的负荷数据数值是否为空值，若为空值，则定义缺失值为：
（1）
其中 表示第 天时刻的负荷值， 为相应的权值，且 ，本文分别取 ；
步骤3：垂直方向异常数据识别。计算出8个同一季度、同一周期日型同一时刻点 的历史负荷的均值 和方差
：
（2）
（3）
然后计算出每天 时刻数据的偏离率：
（4）
最后确定偏离率大于阈值的点为异常点。
步骤4：垂直处理。相邻的周期类型一致的负荷数据的加权均值取代噪声数据：
（5）
步骤：5：水平方向异常数据识别。将一天96点数据依次排列，按式（6）求出第一个序列 ：
（6）
然后按式（7）求出新一组序列：
（7）
从而形成负荷的估计序列为：
（8）
接着计算 对 的偏离率 ：
（9）
最后确定偏离率大于阈值的点为异常点。
步骤6：水平处理。利用估计序列的负荷值代替异常数据：
（10）
步骤7：归一化处理，部分数据显示见表1；
步骤8：重建数据表，将处理后的负荷数据与其它所需输入属性放入其中；
步骤9：为保证训练数据的统一性，将数据表扩充，得到输入数据，以一组为例如表2。
3 人工智能预测算法
随着智能电网的研究，电力系统规模日益增大，电力系统变化也越来越复杂。人工智能方法以计算机技术为基础，具有很好的智能性。它不仅能够实现非线性曲线的高度拟合，而且可以体现出许多不确定因素的影响，这就保证了该方法对不确定变化的适应性[6]。目前应用最为广泛和成熟的方法是人工神经网络[7]（artificial neural network，ANN）和支持向量机[8]（support vector machine，SVM）。鉴于人工智能算法的特点，本文以人工智能算法建立预测的基础模型。
人工智能算法建立预测模型的过程类似于机器学习的过程。以训练样本为人工智能模型的输入，利用人工智能技术的学习算法实现模型参数的确定，由此得到人工智能预测模型，如图1所示。
采用人工智能进行短期负荷预测的算法为：
步骤1：确定训练样本集；
步骤2：设定预测算法的初始参数值；
步骤3：利用预测算法中的训练过程训练预测算法的模型参数；
步骤4：输入测试样本，得到预测输出值。
4 进化算法
人工智能算法初始参数采用固定值难以收敛到全局最小且易受人为因素影响，所以单一的人工智能方法高度自适应智能电网环境。
进化算法EA（evolutionary algorithms）与传统的优化算法相比，是高鲁棒性和广泛适用性的全局优化方法。算法具有自组织、自适应、自学习的特性，能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题。常见的进化算法有遗传算法[9]（GA）和粒子群算法[10]（PSO）。近年来云进化算法[11]（cloud based evolutionary algorithm，CBEA）称为进化算法中的热点。本文以这三种算法分别优化比较。图2为进化算法的算法流程。
采用进化算法进行参数优化的步骤为：
步骤1：确定进化算法的所需的初始参数值；
步骤2：随机的产生初始进化群；
步骤3：将初始进化个体代入待优化的模型中，采用交叉验证误差的方式评价进化个体的适应度；
步骤4：按照进化算法规则产生子代的进化群；
步骤5：最优进化个体代入模型得到最优模型；
步骤6：将测试样本输入代入最优模型，求出待测点输出；
步骤7： ；返回步骤1，滚动预测出 ；
步骤8：输出所有预测值。
5 模型的建立及仿真
智能电网的短期电力负荷预测模型首先由人工智能算法建立出基础的预测模型，以历史负荷和上一轮预测负荷与实际负荷的误差，求出初始预测负荷 ，然后以 与 的交叉验证误差的的函数作为进化算法的适应度，根据适应度的大小选择最优的模型参数 和 ，代入人工智能算法得出最优的预测模型，由此预测出未来负荷。该预测模型的结构框图见图3。
本文通过实验仿真LSSVR、BP神经网络和RBF神经网络的短期电力负荷预测模型，并对预测结果进行比较以选择出最适于智能电网的预测算法。其仿真结果如图4所示。
Fig.4 Prediction results based on 3 kinds algorithms of AI
比较图4，可以看出LSSVR比BP神经网络和RBF神经网络的预测曲线更贴近实际值。
本文将三种算法预测一个点的时间统计为表3，由此分辨模型的实时性。
由表3可知，由于LSSVR算法的参数较少，所以LSSVR的时效性远远高于BP神经网络和RBF神经网络。另外因为本文在BP神经网络中多加了一个隐含层，相对的隐层单元数也增加了，使得时效性最差。
接着本文将BP神经网络、RBF神经网络和LSSVR的预测结果进行统计，得到表4。通过表4评价模型的预测精度。
分析表4， LSSVR的预测结果的合格点百分比分别高于BP神经网络和RBF神经网络9.85%和19.13%，所以LSSVR对该系统进行负荷预测时，高度相符的数据最多，误差的平均值就最小；而LSSVR在MSE上则比BP神经网络和RBF神经网络分别低0.0769和0.1434，表明了预测误差波动较小，显示了预测模型LSSVR较高的精度；另外，从准确率上看，LSSVR比BP神经网络和RBF神经网络分别高7.69%和14.34%，同样说明了LSSVR预测的精度最高。综上，采用LSSVR进行短期负荷预测的效果最好。
接着以LSSVR为基础模型，采用CBEA、GA和PSO实现模型参数的优化，得到CBEA_LSSVR、GA_LSSVR和PSO_LSSVR组合预测模型。其预测结果图如图5所示。
观察图5表明CBEA_LSSVR的预测结果曲线比GA_LSSVR和PSO_LSSVR的预测结果曲线更能代表实际负荷曲线，预测效果最好。
观察表5，CBEA_LSSVR与PSO_LSSVR的预测时间相差无几，但是比GA_LSSVR的预测时间稍短，时效性稍高。这是因为CBEA_LSSVR的算法采用实数编码，并减少了遗传和变异的操作。
分析表6，CBEA_LSSVR预测模型的预测结果在合格点百分比、MSE和准确率三个方面比GA_LSSVR和PSO_LSSVR预测模型的预测结果分别提高了2.6%和4.89%、-0052和-0.01534、0.53%和0.54%，由此可知CBEA_LSSVR短期电力负荷预测模型比GA_LSSVR和PSO_LSSVR短期电力负荷预测模型的预测精度高。另外，多次实验发现CBEA_LSSVR预测曲线几乎没有变化，鲁棒性高。
6 总结
本文首先采用人工智能算法预测短期负荷，从精度和时效性两方面选择最优的基础模型；然后通过CBEA_LSSVR与GA_LSSVR及PSO_LSSVR预测模型进行对比，发现CBEA_LSSVR具有更快的收敛速度、更好的鲁棒性和更高的预测精度，是智能电网的短期电力负荷预测的首选。
参考文献：
[1] 牛东晓， 曹树华， 卢建昌， 等. 电力负荷预测技术及其应用[M]. 北京：中国电力出版社， 2009： 1-9.
[2] 余贻鑫， 栾文鹏. 智能电网[J]. 电网与清洁能源， 2009，25（1）： 7-11.
[3] 龚静. 配电网综合自动化技术[M]. 北京：机械工业出版社， 2008： 1-40.
[4] 张炜桀. 智能电网环境下的电力负荷预测[D]. 成都： 西南交通大大学， 2011.
[5] 王建军. 智能电网环境下的自适互动智能负荷预测研究[J]. 陕西电力， 2010，38（5）： 11-15.
[6] Thessalonike， Constantine D. Spyropoulos. Methods and Applications of Artificial Intelligence[C]. Greece， Ai， Hellenic Conference， 2002
[7] Niu Dongxiao， Xing Mian， Meng Ming. Research on ANN Power Load Forecasting Based on United Data Mining Technology[J]. Transactions of China Electrotechnical society， 2004， 19（9）： 62-68.
[8] Long Wen， Xu Songjin. Short-term Load Forecasting Based on LSSVM with Mutative Scale Chaos Optimization Parameters [J]. Water Resources and Power， 2011， 29（11）： 186-188， 76.
[9] 牛东晓， 刘达， 陈广娟， 等. 基于遗传优化的支持向量机小时负荷滚动预测[J]. 电工技术学报， 2007， 22（6）：148-153.
[10] Ning Lu， Jianzhong Zhou， Yaoyao He， et.al. Particle Swarm Optimization for Parameter Optimization of Support Vector Machine Model[C]. The Second International Conference on intelligent Computation Technology and Automation， 2009， 283-286.
[11] Gao Ying. An optimization algorithm based on cloud model[C]//2009 International Conference on Computational Intelligence and Security， IEEE computer society， 2009： 84-87.
基金项目：
安徽工业大学研究生创新研究基金（项目编号2011029）。
作者简介：
神经网络在人工智能的应用范文5
关键词：继电保护；人工智能技术；应用；解析
中图分类号： TM58 文献标识码： A 文章编号：
人工智能技术是通过模拟人类分析问题的思维模式，采用智能手段处理问题的技术。这种技术在实际应用中，能够有助于人们处理一些较为复杂的、并且难以通过数学模型进行求解的问题，提高问题的处理效率。在电力系统中，采用人工智能技术对系统中存在的故障进行检测和处理，为电力系统继电保护工作的研究与发展提供了新方法。
一、继电保护中的人工智能技术
（一）专家系统
专家系统也简称为ES系统，它是发展最早的、起到继电保护作用的智能系统。同时，它也是在人工智能系统中应用最广泛、研究最深入的课题之一，这项智能系统与整个知识工程的研究是紧密相连的。专家系统的构造，主要涉及了它对知识的表达形式、知识的运用、知识的处理等方面的研究方法以及理论知识。这个系统不单单结合理论知识来解决一些定性的问题，同时，还通过一种启发式的知识，例如，专家经验等解决问题。这样一来，通过这一系统的使用，就可以在解决问题时缩小知识的搜索的范围，进而提高解决问题的效率。除此之外，专家系统当中的解释模块，可以对一些在推理过程中使用到的知识、推理过程、推理结论进行进一步的解释说明。
在电力系统中的继电保护专家系统当中，通常所使用的表达知识的方式主要有以下几种：生产模式下的规则表示方法、框架模式下的表示方法、过程模式下的知识表示方法、面向对象的表示方法、知识模型的表示方法。其中，面向对象的表示方法和知识模型的表示方法是在智能技术、语言技术以及计算机技术发展的基础上形成的。专家系统在继电保护的管理以及整定工作当中得到了广泛的使用。一旦电力系统的运行模式发生改变、引进新的设备或者设备进行检修，面对这些现象，专家系统的定值以及相应的保护配置都会发生改变。另外，专家系统还可以依据其自身的运行规程、电网结构以及专家经验等功能，来对协助系统的应用人员做出保护对策。在人工智能系统中的专家系统虽然可以模拟专家来对继电保护工作做出相应的决策，但是，这种智能系统在实际使用的过程中还存在一些不足之处。例如，该系统在建立知识库以及维护知识库的方面还不是很完善，并且容错能力差，特别是在对一些难度较大、复杂程度较高的故障进行推理时，系统的反应速度较慢。以上种种不足，都会在一定程度上影响专家系统对继电保护的精准程度。
（二）人工智能系统中的模糊理论
模糊理论简称为FST理论，这个理论通过模糊隶属度这一概念来表述一些不确定、不精准的现象和事件。同时，在模糊理论当中引进了近似推理以及语言变量等模糊逻辑，通过这样的形式，来表达一些经验知识。通过对这一理论多年的探索和研究，如今，它终于成为能够具备一套完整推理体系的继电保护智能技术，并且被广泛的运用到电力系统当中。人们在对一件事物进行了解和认识时，过程往往都是在一定层面上来对失误进行辨别和划分，在这期间，并不需要精准的、复杂的计算。然而，模糊理论在解决问题时正是采用了模糊模式，为事物的识别工作提供了便捷、有效的途径。在整个电力系统当中，会存在很多电气量，通过微机保护能够在这方面对人类辨别失误的能力进行模仿，并且可以区分和辨别不同对象的特征，最后，利用智能化系统来实现对事物更高的辨别性能。
在进行电力系统中的继电保护工作时，智能模糊理论已经被广泛的应用，并且在一些领域上有了更新的进展。例如，发动机的保护工作、主变保护以及线路保护等等。但是，在模糊理论的应用过程中也会存在一些问题，例如，它在针对复杂的系统进行模辨识、建立、修改，以及对隶属度方面的获取都还没有得到进一步的完善。因此，这个系统在实际应用中并不具备一定的学习能力，自然，在使用的过程中会受到一些条件的制约，进而导致其功能不能很好的发挥出来。
（三）人工神经网络
人工神经网络这一系统的工作原理是最大限度上模拟人类的认知过程和人脑内部的组织结构，通过这样的形式来对相关信息进行处理。人工神经网路系统自身具备很多优势，例如，它具备联想记忆功能、适应能力强，可以进行并行分布处理等等。因此，这项系统凭借自身的优势在继电保护工作中得到了重视，并且广泛应用。在使用人工神经网络对电力系统中的故障进行检查时，它的诊断方法会与专家系统存在一定的差异性。人工神经系统更加注重于通过对标准样本的训练与学习，进而对系统内部的阈值和连接权进行调整，这样一来，就可以让知识分布在网络上，形成人工神经网络的记忆模式。由此可见，人工神经网络系统在获取知识方面的能力十分强大，同时，它能够有效的对含噪声的数据进行处理，这在一定程度上弥补了专家系统在对故障检测时存在的不足。人工神经网由于本身属于非线性的反射，所以，它可以通过这一方法来解决一些较为复杂的、并且难以求解的非线性问题，这也是它能够在继电保护工作中得到广泛应用的原因之一。最近几年以来，在电力系统的继电保护方面渐渐出现通过利用人工神经网络系统来对故障的距离、类型进行判断，进而有针对性的保护电力设备。
通过使用神经网络系统来完成继电保护工作，这不仅可以对故障进行准确的判断，同时，也提高了解决电力系统中电力故障问题的效率。但是，这种方法在性能上也存在一些不足，例如，对于一些具有启发性的知识在处理上还不是很擅长、性能的发挥主要依靠样本的完备程度决定等等。
二、人工智能技术在继电保护中的应用
对于每一种人工智能技术来说，在对其进行控制和应用的过程中都会存在一定的局限性，并且由于这个局限性而导致在处理电力系统当中的一些复杂问题时，技术不能充分的发挥出它的功能，达不到预期的效果。怎样把每一种人工智能技术在解决问题时的优势结合起来，最终形成一个具有强大功能的综合性人工智能控制技术，那将会在很大程度上提高处理电力系统当中故障的能力。因此，我们在人工智能技术的实际应用当中，要尽量规避每个系统当中的不足，综合利用人工神经网络、专家系统、模糊理论的优势，更好的完成电力系统保护工作。在实际应用中，可以结合人工神经网络系统和专家系统，对变电站进行分层分布的故障诊断；可以结合神经网络和模糊理论，依据经过改良之后的IEC三比值法，以此建立可以为电力系统中的变压器进行故障诊断的模糊神经网络模型。通过这个模型能够有效的对系统中一些不固定的故障因素进行处理，并且它具备了较强的获取知识的能力。从人类思维的发展模式角度来看，将各种人工智能技术进行融合，分析影响人工智能诊断准确率的因素，进而提高检测故障的准确率。
总结：
综上所述，针对目前现有的人工智能技术进行重新整合，让它们可以充分的发挥出自身的优势，扬长避短。深入的分析人工智能技术的理论知识和应用方法，研究完善继电保护的手段，提高人工智能技术对故障的处理能力，确保电力系统能够健康、稳定运行。
参考文献：
[1]张沛超，胡炎，郁惟镛.继电保护专家系统中知识的面向对象表示法[J].继电器，2010（09）.
[2]王威，郁惟镛，张沛超.面向对象的继电保护整定计算专家系统的研究[J].电力系统及其自动化学报，2010（02）.
神经网络在人工智能的应用范文6
关键字：机械电子工程 人工智能信息处理
中图分类号： P756.6 文献标识码： A 文章编号：
传统的机械工程一般分为两大类，包括动力和制造。制造类工程包括机械加工、毛坯制造和装配等生产工程，而动力类工程包括各式发电机。电子工程与传统的机械工程相比而言，是比较新的学科，电子工程是传统工程的革新，两者于上世纪逐渐结合在一起。随着人工智能技术的不断发展 ，机械电子工程的能量连接、动能连接逐步发展为信息连接 ，使得机械电子工程具有了一定的人工智能。这种高效的智能化技术减少了繁重的机械生产，提高产量和经济效益，使我们市场进入智能化。
一、传统机械电子工程
1、机械电子工程的发展情况
机械电子工程是由机械工程与电子工程、信息技术、智能技术、管理技术相结合而成的新的理论体系和发展领域。随着科学技术的不断发展机械电子工程也变得日益复杂。
机械电子工程的发展可以分为三个阶段 ：第一阶段是以手工加工为主要生产力的萌芽阶段 ，这一时期生产力低下 ，人力资源的匮乏严重制约了生产力的发展 ，科学家们不得不穷极思变 ，引导了机械工业的发展。第二阶段则是以流水线生产为标志的标准件生产阶段 ，这种生产模式极大程度上提高了生产力 ，大批量的生产开始涌现 ，但是由于对标准件的要求较高 ，导致生产缺乏灵活性 ，不能适应不断变化的社会需求。第三阶段是现在我们常见的现代机械电子产业阶段，而以机械电子工程为核心的柔性制造系统正是这一阶段的产物。
2、机械电子工程的特点
1）设计上的不同。机械电子工程并非是一门独立学科 ，而是一种包含有各类学科精华的综合性学科。在设计时 ，以机械工程、电子工程和计算机技术为核心的机械电子工程会依据系统配置和目标的不同结合其他技术。工程师在设计时将利用自顶向下的策略使得各模块紧密结合 ，以完成设计 ；
2）产品特征不同。机械电子产品的结构相对简单 ，没有过多的运动部件或元件。它的内部结构极为复杂 ，但却缩小了物理体积 ，抛弃了传统的笨重型机械面貌 ，但却提高了产品性能。
二、 人工智能
1、 人工智能的概念分析
人工智能是一门综合了控制论、信息论、计算机科学、神经生理学、心理学、语言学、哲学等多门学科的交叉学科 ，是 21 世纪最伟大的三大学科之一。 但是至今为止，人工智能没有一个统一的定义。笔者认为 ，人工智能是研究通过计算机延伸、扩展、模拟人的智能的一门科学技术。
2、 人工智能的发展史
1）人工智能的初期阶段
17 世纪的法国科学家 B.Pascal 发明了世界上第一部能进行机械加法的计算器轰动世界 ，从此之后 ，世界各国的科学家们开始热衷于完善这一计算器 ，直到冯诺依曼发明第一台计算机。人工智能在这一时期发展缓慢 ，但是却积累了丰富的实践经验 ，为下一阶段的发展奠定了坚实的基础。
2）第一个成长阶段
在 1956 年举办的“侃谈会”上 ，美国人第一次使用了“人工智能”这一术语。这一阶段的人工智能主要以翻译、证明、博弈等为主要研究任务 ， LISP 语言就是这一阶段的佼佼者。人工智能在这一阶段的飞速发展使人们相信只要通过科学研究就可以总结人类的逻辑思维方式并创造一个万能的机器进行模仿。
3）比较困难的阶段
60 年代中至 70 年代初期 ，当人们深入研究人工智能的工作机理后却发现 ，用机器模仿人类的思维是一件非常困难的事 ，许多科学发现并未逃离出简单映射的方法 ，更无逻辑思维可言。但是 整理，仍有许多科学家前赴后继的进行着科学创新 ，在自然语言理解、计算机视觉、机器人、专家系统等方面取得了卓尔有效的成就。1972 年 ，法国科学家发现了 Prolog 语言 ，成为继 LISP 语言之后的最主要的人工智能语言。
4）中期平稳阶段
以 1977 年第五届国际人工智能联合会议为转折点 ，人工智能进入到以知识为基础的发展阶段 ，知识工程很快渗透于人工智能的各个领域 ，并促使人工智能走向实际应用。不久以后，人工智能在商业化道路上取得了卓越的成就，展示出了顽强的生命力与广阔的前景。在不确定推理、分布式人工智能、常识性知识表示方式等关键性技术问题和专家系统、计算机视觉、自然语言理解、智能机器人等实际应用问题上取得了长足的发展。
5）平稳成长阶段
由于国际互联网技术的普及 ，人工智能逐渐由单个主体向分布式主体方向发展 ，直到今天 ，人工智能已经演变的复杂而实用 ，可以面向多个智能主体的多个目标进行求解。
最近五十年间 ，网络的普及给信息传递带来了新的生命 ，人类进入到了信息社会 ，而信息社会的发展离不开人工智能技术的发展。不论是模型的建立与控制 ，还是故障诊断 ，人工智能在机械电子工程当中都起着处理信息的作用。
由于机械电子系统与生俱来的不稳定性 ，描述机械电子系统的输入与输出关系就变得困难重重 ，传统上的描述方法有以下几种 ：1）推导数学方程的方法 ；2）建设规则库的方法 ；3）学习并生成知识的方法。传统的解析数学的方法严密、精确 ，但是只能适用于相对简单的系统。现代社会所需求的系统日益复杂 ，经常会同时处理几种不同类型的信息。由于人工智能处理信息时的不确定性、复杂性 ，以知识为基础的人工智能信息处理方式成为解析数学方式的替代手段。
通过人工智能建立的系统一般使用两类方法 ：神经网络系统和模糊推理系统。神经网络系统可以模拟人脑的结构 ，分析数字信号并给出参考数值 ；而模糊推理系统是通过模拟人脑的功能来分析语言信号。两者在处理输入输出的关系上有相同之处也有不同之处：神经网络系统物理意义不明确 ，而模糊推理系统有明确的物理意义 ；神经网络系统运用点到点的
映射方式 ，而模糊推理系统运用域到域的映射方式 ；神经网络系统以分布式的方式储存信息 ，而模糊推理系统则以规则的方式储存信息 ；神经网络系统输入时由于每个神经元之间都有固定联系 ，计算量大 ，而模糊推理系统由于连接不固定 ，计算量较小 ；神经网络系统输入输出时精度较高 ，呈光滑曲面 ，而模糊推理系统精度较低 ，呈台阶状。
随着社会的不断发展，单纯的一种人工智能方法已经不能满足日益增长的社会需要，许多科学家开始研究综合性的人工智能系统。综合性的人工智能系统采用神经网络系统与模糊推理系统相结合的方法，取长补短，以获得更全面的描述方式，模糊神经网络系统便是一成功范例。模糊神经网络系统做到了两者功能的最大融合 ，使信息在网络各层当中找到一个最适合的完全表达空间。逻辑推理规则能够对增强节点函数 ，为神经网络系统提供函数连结 ，使两者的功能达到最大化。
三、 结论
21世纪的科学技术发展的越来越快，智能化已经大范围覆盖了国际市场，不论工业中还是电子商务，都以及成为经济快速运行的动力。为国家提供高技术的便利，为其注入新的概念，使其更为广泛的应用。着实做到了作业内外一体化，数据搜集自动化，系统智能化。人工智能与机械电子相结合能够促进生产力的快速发展，把我国的相关经济产业链带动了起来。在这新兴科技的引领下，我国的经济将迈向更高的阶梯。
参考文献
[1]傅丽凌.杨平.机械专业综合型试验平台的建设[J].电子科技大学学报社科版，2005，7（增刊）.
[2]陈庆霞.人工智能研究纲领的发展历程和前景[J].科技信息，2009，33.
[3]史忠植.高整理级人工智能[M].科学出版社，2006.
