卷積神經(jīng)網(wǎng)絡(luò)的概念精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經(jīng)網(wǎng)絡(luò)的概念主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經(jīng)網(wǎng)絡(luò)的概念范文

【關(guān)鍵詞】深度神經(jīng)網(wǎng)絡(luò) 序列到序列網(wǎng)絡(luò) 卷積網(wǎng)絡(luò) 對抗式生成網(wǎng)路

1 深度神經(jīng)網(wǎng)絡(luò)起源

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，ANN）研究是人工智能領(lǐng)域的一個(gè)重要分支，在對生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其機(jī)制研究的基礎(chǔ)上，構(gòu)建類似的人工神經(jīng)網(wǎng)絡(luò)，使得機(jī)器能直接從大量訓(xùn)練數(shù)據(jù)中學(xué)習(xí)規(guī)律。其研究最早可以追溯到1957年Frank Rosenblatt提出的感知機(jī)模型，他在《The Perceptron： A Probabilistic Model for Information Storage and Organization in the Brain》建立了第一個(gè)人工神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，19世紀(jì)80年代末期反向傳播（Back Propagation）算法的發(fā)明更是帶來了ANN的學(xué)習(xí)熱潮，但由于理論分析難度較大，訓(xùn)練方法及技巧尚不成熟，計(jì)算機(jī)運(yùn)算能力還不夠強(qiáng)大，這個(gè)時(shí)期ANN結(jié)構(gòu)較為簡單，大部分都可等價(jià)為單隱層神經(jīng)網(wǎng)絡(luò)，主要是進(jìn)行淺層學(xué)習(xí)（Shallow Learning）研究。

2006年Geoffrey Hinton在《A Fast Learning Algorithm for Deep Belief Nets》中提出了逐層貪婪預(yù)訓(xùn)練（layerwise greedy pretraining），顯著提高了MNIST手寫數(shù)字識(shí)別的準(zhǔn)確率，開創(chuàng)了深度學(xué)習(xí)的新方向；隨后又在《Reducing the Dimensionality of Data with Neural Networks》中提出了deep autoencoder結(jié)構(gòu)，在圖像和文本降維實(shí)驗(yàn)上明顯優(yōu)于傳統(tǒng)算法，證明了深度學(xué)習(xí)的正確性。以這兩篇論文為開端，整個(gè)學(xué)術(shù)界掀起了對深度學(xué)習(xí)的研究熱潮，由于更多的網(wǎng)絡(luò)層數(shù)和參數(shù)個(gè)數(shù)，能夠提取更多的數(shù)據(jù)特征，獲取更好的學(xué)習(xí)效果，ANN模型的層數(shù)和規(guī)模相比之前都有了很大的提升，被稱之為深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）。

2 深度神經(jīng)網(wǎng)絡(luò)的現(xiàn)代應(yīng)用

2010年以來，隨著理論不斷創(chuàng)新和運(yùn)算能力的增長，DNN被應(yīng)用到許多領(lǐng)域并取得了巨大的成功。2011年微軟和谷歌的研究員利用DNN將語音識(shí)別的錯(cuò)誤率降低了20%～30%；2012年在ImageNet圖像識(shí)別挑戰(zhàn)賽（ILSVRC2012）中DNN更是將識(shí)別錯(cuò)誤率從26%降到了15%；2016年3月DeepMind團(tuán)隊(duì)研發(fā)的圍棋軟件AlphaGO以4：1的巨大優(yōu)勢戰(zhàn)勝了世界圍棋冠軍李世石，2017年1月初AlphaGO的升級(jí)版Master以60：0的戰(zhàn)績擊敗了數(shù)十位中日韓圍棋高手。當(dāng)前對DNN的研究主要集中在以下領(lǐng)域：

2.1 語音識(shí)別領(lǐng)域

微軟研究院語音識(shí)別專家鄧立和俞棟從2009年開始和深度學(xué)習(xí)專家Geoffery Hinton合作，并于2011年宣布推出基于DNN的識(shí)別系統(tǒng)，徹底改變了語音識(shí)別的原有技術(shù)框架；2012年11月，百度上線了第一款基于DNN的語音搜索系統(tǒng)，成為最早采用DNN技術(shù)進(jìn)行商業(yè)語音服務(wù)的公司之一；2016年微軟使用循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型（Recurrent Neural Network based Language Modeling，RNN-LM）將switchboard的詞識(shí)別錯(cuò)誤率降低到了6.3%。

2.2 圖像識(shí)別領(lǐng)域

早在1989年，YannLeCun和他的同事們就提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks，CNN）結(jié)構(gòu)。在之后的很長一段時(shí)間里，CNN雖然在諸如手寫數(shù)字問題上取得過世界最好的成功率，但一直沒有被廣泛應(yīng)用。直到2012年10月，Geoffrey Hinton在ILSVRC2012中使用更深的CNN將錯(cuò)誤率從26%降到15%，業(yè)界才重新認(rèn)識(shí)到CNN在圖像識(shí)別領(lǐng)域上的巨大潛力；2012年谷歌宣布基于CNN使得電腦直接從一千萬張圖片中自發(fā)學(xué)會(huì)貓臉識(shí)別；2013年DNN被成功應(yīng)用于一般圖片的識(shí)別和理解；2016年DeepMind團(tuán)隊(duì)基于CNN研發(fā)了圍棋AI，并取得了巨大成功。

2.3 自然語言處理領(lǐng)域

2003年YoshuaBengio等人提出單詞嵌入（word embedding）方法將單詞映射到一個(gè)矢量空間，然后用ANN來表示N-Gram模型；2014年10月NEC美國研究院將DNN用于自然語言處理（Natural language processing，NLP）的研究工作，其研究員Ronan Collobert和Jason Weston從2008年開始采用單詞嵌入技術(shù)和多層一維卷積的結(jié)構(gòu)，用于POS Tagging、Chunking、Named Entity Recognition、Semantic Role Labeling等四典型NLP問題；2014年IlyaSutskever提出了基于LSTM的序列到序列（sequence to sequence，seq2seq）網(wǎng)絡(luò)模型，突破了傳統(tǒng)網(wǎng)絡(luò)的定長輸入向量問題，開創(chuàng)了語言翻譯領(lǐng)域的新方向；2016年谷歌宣布推出基于DNN的翻譯系統(tǒng)GNMT（Google Neural Machine Translation），大幅提高了翻譯的精確度與流暢度。

3 深度神經(jīng)網(wǎng)絡(luò)常見結(jié)構(gòu)

DNN能夠在各領(lǐng)域取得巨大成功，與其模型結(jié)構(gòu)是密不可分的，現(xiàn)代DNN大都可歸納為三種基本結(jié)構(gòu)：序列到序列網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、對抗式生成網(wǎng)絡(luò)，或由這三種基本網(wǎng)絡(luò)結(jié)構(gòu)相互組合而成。

3.1 序列到序列網(wǎng)絡(luò)

序列到序列網(wǎng)絡(luò)的最顯著特征在于，它的輸入張量和輸出張量長度都是動(dòng)態(tài)的，可視為一串不定長序列，相比傳統(tǒng)結(jié)構(gòu)極大地?cái)U(kuò)展了模型的適應(yīng)范圍，能夠?qū)π蛄修D(zhuǎn)換問題直接建模，并以端到端的方式訓(xùn)練模型。典型應(yīng)用領(lǐng)域有：自動(dòng)翻譯機(jī)（將一種語言的單詞序列轉(zhuǎn)換為另一種語言的單詞序列），語音識(shí)別（將聲波采樣序列轉(zhuǎn)換為文本單詞序列），自動(dòng)編程機(jī)研究（將自然語言序列轉(zhuǎn)換為語法樹結(jié)構(gòu)），此類問題的特點(diǎn)在于：

（1）輸入和輸出數(shù)據(jù)都是序列（如連續(xù)值語音信號(hào)/特征、離散值的字符）；

（2）輸入和輸出序列長度都不固定；

（3）輸入輸出序列長度沒有對應(yīng)關(guān)系。

其典型如圖1所示。

網(wǎng)絡(luò)由編碼器（encoder）網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)（decoder）兩部分連接構(gòu)成：

3.1.1 編碼器網(wǎng)絡(luò)

編碼器網(wǎng)絡(luò)通常是一個(gè)遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN），網(wǎng)絡(luò)節(jié)點(diǎn)一般使用長短期記憶模型（Long Short Term Memory，LSTM）實(shí)現(xiàn)，序列中里第t個(gè)張量xt的輸出yt依賴于之前的輸出序列（y0、y1…yt-1），輸入序列（x0、x1、x2…）那爸梁笠來問淙臚絡(luò)，整個(gè)序列處理完后得到最終的輸出Y以及各層的隱藏狀態(tài)H。

3.1.2 解碼器網(wǎng)絡(luò)

解碼器網(wǎng)絡(luò)是一個(gè)與編碼器網(wǎng)絡(luò)結(jié)構(gòu)相同的RNN網(wǎng)絡(luò)，以解碼器的最終輸出（Y，H）為初始輸入，使用固定的開始標(biāo)記S及目標(biāo)序列G當(dāng)作輸入數(shù)據(jù)進(jìn)行學(xué)習(xí)，目標(biāo)是使得在X輸入下Y和G盡量接近，即損失度函數(shù)f（X）取得最小值。

解碼器網(wǎng)絡(luò)屬于典型的監(jiān)督學(xué)習(xí)結(jié)構(gòu)，可以用BP算法進(jìn)行訓(xùn)練，而編碼器網(wǎng)絡(luò)的輸出傳遞給了解碼器網(wǎng)絡(luò)，因此也能同時(shí)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)模型學(xué)習(xí)完畢后，將序列X輸入編碼器，并將起始標(biāo)記S輸入解碼器，網(wǎng)絡(luò)就會(huì)給出正確的對應(yīng)序列。

3.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)將傳統(tǒng)圖像處理的卷積運(yùn)算和DNN相結(jié)合，屬于前饋神經(jīng)網(wǎng)絡(luò)，是在生物視覺皮層的研究基礎(chǔ)上發(fā)展而來的，在大型圖像處理上有出色表現(xiàn)。CNN一般由多個(gè)結(jié)構(gòu)相似的單元組成，每個(gè)單元包含卷積層（convolution layer）和池化層（poolinglayer），通常網(wǎng)絡(luò)末端還連接全聯(lián)通層（fully-connected layer，F(xiàn)C）及Softmax分類器。這種結(jié)構(gòu)使得CNN非常適合處理二維結(jié)構(gòu)數(shù)據(jù)，相比其它DNN在圖像處理領(lǐng)域上具有天然優(yōu)勢，CNN的另一優(yōu)勢還在于，由于卷積層共享參數(shù)的特點(diǎn)，使得它所需的參數(shù)數(shù)量大為減少，提高了訓(xùn)練速度。其典型結(jié)構(gòu)如圖2所示：

3.2.1 卷積層（Convolutional layer）

卷積層由若干卷積核構(gòu)成，每個(gè)卷積核在整個(gè)圖像的所有通道上同時(shí)做卷積運(yùn)算，卷積核的參數(shù)通過BP算法從訓(xùn)練數(shù)據(jù)中自動(dòng)獲取。卷積核是對生物視覺神經(jīng)元的建模，在圖像局部區(qū)域進(jìn)行的卷積運(yùn)算實(shí)質(zhì)上是提取了輸入數(shù)據(jù)的特征，越深層的卷積層所能提取到的特征也越復(fù)雜。例如前幾個(gè)卷積層可能提取到一些邊緣、梯度、線條、角度等低級(jí)特征，后續(xù)的卷積層則能認(rèn)識(shí)圓、三角形、長方形等稍微復(fù)雜的幾何概念，末尾的卷積層則能識(shí)別到輪子、旗幟、足球等現(xiàn)實(shí)物體。

3.2.2 池化層（Poolinglayer）

池化層是卷積網(wǎng)絡(luò)的另一重要部分，用于縮減卷積層提取的特征圖的尺寸，它實(shí)質(zhì)上是某種形式的下采樣：將圖像劃分為若干矩形區(qū)塊，在每個(gè)區(qū)塊上運(yùn)算池化函數(shù)得到輸出。有許多不同形式的池化函數(shù)，常用的有“最大池化”（maxpooling，取區(qū)塊中數(shù)據(jù)的最大值）和“平均池化”（averagepooling，取區(qū)塊中數(shù)據(jù)的平均值）。池化層帶來的好處在于：

（1）減小了數(shù)據(jù)尺寸，降低參數(shù)的數(shù)量和計(jì)算量；

（2）模糊了各“像素”相對位置關(guān)系，泛化了網(wǎng)絡(luò)識(shí)別模式。

但由于池化層過快減少了數(shù)據(jù)的大小，導(dǎo)致，目前文獻(xiàn)中的趨勢是在池化運(yùn)算時(shí)使用較小的區(qū)塊，甚至不再使用池化層。

3.3 生成式對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）

生成式對抗網(wǎng)絡(luò)最初由Goodfellow等人在NIPS2014年提出，是當(dāng)前深度學(xué)習(xí)研究的重要課題之一。它的目的是收集大量真實(shí)世界中的數(shù)據(jù)（例如圖像、聲音、文本等），從中學(xué)習(xí)數(shù)據(jù)的分布模式，然后產(chǎn)生盡可能逼真的內(nèi)容。GAN在圖像去噪，修復(fù)，超分辨率，結(jié)構(gòu)化預(yù)測，強(qiáng)化學(xué)習(xí)中等任務(wù)中非常有效；另一重要應(yīng)用則是能夠在訓(xùn)練集數(shù)據(jù)過少的情況下，生成模擬數(shù)據(jù)來協(xié)助神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練。

3.3.1 模型結(jié)構(gòu)

GAN網(wǎng)絡(luò)典型結(jié)構(gòu)如圖3所示，一般由兩部分組成，即生成器網(wǎng)絡(luò)（Generator）和識(shí)別器網(wǎng)絡(luò)（Discriminator）：

（1）生成器網(wǎng)絡(luò)的目標(biāo)是模擬真實(shí)數(shù)據(jù)的分布模式，使用隨機(jī)噪聲生成盡量逼真的數(shù)據(jù)。

（2）識(shí)別器的目標(biāo)是學(xué)習(xí)真實(shí)數(shù)據(jù)的有效特征，從而判別生成數(shù)據(jù)和真實(shí)數(shù)據(jù)的差異度。

3.3.2 訓(xùn)練方法

GAN采用無監(jiān)督學(xué)習(xí)進(jìn)行訓(xùn)練，輸入向量z一般由先驗(yàn)概率概率pz（z）生成，通過生成器網(wǎng)絡(luò)產(chǎn)生數(shù)據(jù)G（z）。來自訓(xùn)練集的真實(shí)數(shù)據(jù)的分布為pdata （x），GAN網(wǎng)絡(luò)的實(shí)質(zhì)是學(xué)習(xí)該特征分布，因此生成的數(shù)據(jù)G（z）必然也存在對應(yīng)的分布pg （z），而識(shí)別器網(wǎng)絡(luò)則給出數(shù)據(jù)來自于真實(shí)數(shù)據(jù)的概率D（x）以及D（G（z） ）。整個(gè)訓(xùn)練過程的實(shí)質(zhì)就是生成器網(wǎng)絡(luò)和識(shí)別器網(wǎng)絡(luò)的博弈過程，即找到

4 深度神經(jīng)網(wǎng)絡(luò)研究展望

DNN雖然在各大領(lǐng)域都取得了重大的成功，甚至宣告了“智能時(shí)代”的來臨，但是與人類大腦相比，DNN在許多方面仍有顯著差距：

4.1 識(shí)別對抗樣本的挑戰(zhàn)

對抗樣本是指在數(shù)據(jù)集中添加微小的擾動(dòng)所形成的數(shù)據(jù)，這些數(shù)據(jù)能使網(wǎng)絡(luò)以極高的置信度做出錯(cuò)誤的判別。在網(wǎng)絡(luò)實(shí)際使用過程中會(huì)帶來非常大的問題，比如病毒制造者可能刻意構(gòu)造樣本來繞過基于DNN的安全檢查網(wǎng)絡(luò)。部分研究指出問題的根因可能在于DNN本身的高度非線性，微小的擾動(dòng)可能在輸出時(shí)產(chǎn)生巨大的差異。

4.2 構(gòu)造統(tǒng)一模型的挑戰(zhàn)

DNN雖然在很多領(lǐng)域都取得了巨大的成功，但無論是序列到序列網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、還是對抗式生成網(wǎng)絡(luò)都只適應(yīng)于特定領(lǐng)域，與此相對的則是，人類只用一個(gè)大腦就能完成語音、文本、圖像等各類任務(wù)，如何構(gòu)建類似的統(tǒng)一模型，對整個(gè)領(lǐng)域都是極大的挑戰(zhàn)。

4.3 提高訓(xùn)練效率的挑戰(zhàn)

DNN的成功依賴于大量訓(xùn)練數(shù)據(jù)，據(jù)統(tǒng)計(jì)要使得網(wǎng)絡(luò)學(xué)會(huì)某一特征，平均需要50000例以上的樣本，相比而言人類只需要少量的指導(dǎo)即可學(xué)會(huì)復(fù)雜問題，這說明我們的模型和訓(xùn)練方法都還有極大的提高空間。

參考文獻(xiàn)

[1]ROSENBLATT F.The perceptron：a probabilistic model for information storage and organization in the brain [M].MIT Press，1988.

[2]HINTON G E，OSINDERO S，TEH Y W.A fast learning algorithm for deep belief nets [J].Neural Computation，1989， 18（07）：1527-54.

[3]HINTON G E，SALAKHUTDINOV R R. Reducing the Dimensionality of Data with Neural Networks[J].Science， 2006，313（5786）：504.

[4]SEIDE F，LI G，YU D.Conversational Speech Transcription Using Context-Dependent Deep Neural Networks； proceedings of the INTERSPEECH 2011， Conference of the International Speech Communication Association， Florence，Italy，August，F(xiàn)，2011 [C].

[5]OQUAB M，BOTTOU L，LAPTEV I，et al. Learning and Transferring Mid-level Image Representations Using Convolutional Neural Networks； proceedings of the Computer Vision and Pattern Recognition，F(xiàn)，2014 [C].

[6]SILVER D，HUANG A，MADDISON C J，et al.Mastering the game of Go with deep neural networks and tree search [J].Nature，2016，529（7587）：484.

[7]XIONG W，DROPPO J，HUANG X，et al.The Microsoft 2016 Conversational Speech Recognition System[J].2016.

[8]LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition [J].Proceedings of the IEEE，1998，86（11）：2278-324.

[9]BENGIO Y，DELALLEAU O， LE R N，et al.Learning eigenfunctions links spectral embedding and kernel PCA [J].Neural Computation，2004，16（10）：2197-219.

[10]LEGRAND J，COLLOBERT R.Recurrent Greedy Parsing with Neural Networks [J].Lecture Notes in Computer Science，2014，8725（130-44.

[11]SUTSKEVER I，VINYALS O，LE Q V. Sequence to Sequence Learning with Neural Networks [J].Advances in Neural Information Processing Systems，2014，4（3104-12.

[12]WU Y，SCHUSTER M，CHEN Z，et al. Google's Neural Machine Translation System：Bridging the Gap between Human and Machine Translation [J]. 2016.

[13]GOODFELLOW I J，POUGETABADIE J，MIRZA M，et al.Generative Adversarial Networks [J].Advances in Neural Information Processing Systems，2014，3（2672-80.

作者撾

第2篇：卷積神經(jīng)網(wǎng)絡(luò)的概念范文

【關(guān)鍵詞】人工智能 醫(yī)學(xué)領(lǐng)域

1 引言

人工智能（AI）是上世紀(jì)50年展起來的新興學(xué)科，主要內(nèi)容包括：知識(shí)表示、自然語言理解、機(jī)器學(xué)習(xí)和知識(shí)獲取、知識(shí)處理系統(tǒng)、計(jì)算機(jī)視覺、自動(dòng)推理和搜索方法、智能機(jī)器人、自動(dòng)程序設(shè)計(jì)等方面。在過去的幾十年里人工智能涌現(xiàn)出了大量的方法，大致可分為兩大類：第一類是基于Newell和Simon的物理符號(hào)系統(tǒng)假說的符號(hào)處理方法。這種方法大多采用從知識(shí)階段向下到符號(hào)和實(shí)施階段的自上而下的設(shè)計(jì)方法，第二類是采用自下而上設(shè)計(jì)的“字符號(hào)”方法。

2 人工智能的發(fā)展

全球?qū)θ斯ぶ悄艿难邪l(fā)經(jīng)歷了已經(jīng)有70年的發(fā)展，從上個(gè)世紀(jì)的50年代開始一直到今天，歷經(jīng)了兩次大起大落，但伴隨著深度學(xué)習(xí)的重燃、龐大的大數(shù)據(jù)支撐以及計(jì)算能力的不斷提升和成本的不斷下降這些因素的出現(xiàn)，尤其是在摩爾定律、大數(shù)據(jù)、互聯(lián)網(wǎng)和云計(jì)算、新方法這些人工智能進(jìn)步的催化劑作用下，將迎來人工智能新的春天。

3 人工智能在醫(yī)學(xué)領(lǐng)域上的應(yīng)用

3.1 在神經(jīng)網(wǎng)絡(luò)中人工智能的應(yīng)用

在醫(yī)學(xué)診斷中人工智能的應(yīng)用會(huì)出現(xiàn)一些難題，例如知識(shí)獲取比較難、推理速度慢、自主學(xué)習(xí)以及自適應(yīng)變化能力弱。研究人腦連接發(fā)現(xiàn)了以人工神經(jīng)為特點(diǎn)可以解決在獲取知識(shí)中所出現(xiàn)的瓶頸和知識(shí)種類繁瑣問題，能夠提高對知識(shí)的推理能力，包括自主學(xué)習(xí)，自組織等方面的能力，促進(jìn)了神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)專家系統(tǒng)中的快速發(fā)展。

人工智能領(lǐng)域ANN，有不同于其他人工智能的方法，在傳統(tǒng)的結(jié)構(gòu)上，它只是AI分支中的一個(gè)，只能通過邏輯符號(hào)來模擬人腦的思維方式，進(jìn)一步來實(shí)現(xiàn)人工智能，與之相比，不同的ANN是學(xué)習(xí)和訓(xùn)練為一體來達(dá)到智能的。ANN具有學(xué)習(xí)的能力及特殊方法，用戶不用編寫復(fù)雜的程序來解決所遇到的問題，只用提供有效的數(shù)據(jù)就可以完成。迄今為止，醫(yī)學(xué)領(lǐng)域中對大部分的病理原因無法解釋，無法確定病理原因，加上各種疾病的表現(xiàn)種類復(fù)雜多變。在醫(yī)學(xué)的日常實(shí)踐中，疾病相應(yīng)的治療只能以經(jīng)驗(yàn)為基礎(chǔ)來判斷。所以，ANN有著記憶，學(xué)習(xí)和歸納總結(jié)為一體的人工智能服務(wù)，在醫(yī)學(xué)領(lǐng)域有很好的應(yīng)用發(fā)展趨勢。

3.2 在中醫(yī)學(xué)中人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

在中醫(yī)學(xué)中，所提出的“辨證論治”中的“證”具有模棚性、不確定性的特點(diǎn)，主觀性比較強(qiáng)，因此中醫(yī)的診斷方法和治療手段與醫(yī)師的經(jīng)驗(yàn)水平有很大聯(lián)系。數(shù)年來在實(shí)驗(yàn)研究，臨床觀察，文章整理，經(jīng)驗(yàn)總結(jié)上，都有著對“證”的研究思想的深入調(diào)查。一部分“辨證”的過程可以用人工神經(jīng)網(wǎng)絡(luò)來替換使用。恰當(dāng)?shù)闹嗅t(yī)癥狀可以作為基本輸入和適當(dāng)人工神經(jīng)網(wǎng)絡(luò)模型，人工神經(jīng)網(wǎng)絡(luò)能夠根據(jù)以往的學(xué)習(xí)“經(jīng)驗(yàn)”來進(jìn)行綜合分析，從而提出中醫(yī)診斷方法。

由神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)連接模型、網(wǎng)絡(luò)學(xué)習(xí)算法等幾個(gè)要素組成了人工神經(jīng)網(wǎng)絡(luò)。具有某些智能系統(tǒng)的功能。 按照網(wǎng)絡(luò)結(jié)構(gòu)來劃分，人工神經(jīng)網(wǎng)絡(luò)有很多不同的種類，例如感知器、BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)等，目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)就是其中的BP網(wǎng)絡(luò)。這種前沿網(wǎng)絡(luò)非 BP網(wǎng)絡(luò)所屬，網(wǎng)絡(luò)的結(jié)構(gòu)與權(quán)值能夠表達(dá)復(fù)雜的非線性 I/0映射關(guān)系。憑借 BP網(wǎng)絡(luò)優(yōu)良的自主學(xué)習(xí)功能，既可以通過誤差的反向傳播方法，對照已知樣本反復(fù)進(jìn)行訓(xùn)練，也可以調(diào)整網(wǎng)絡(luò)的權(quán)值，直到網(wǎng)絡(luò)的 I/0關(guān)系在某一塊訓(xùn)練指標(biāo)下最接近樣本為止。

3.3 人工智能在臨床醫(yī)療診斷中的應(yīng)用

計(jì)算機(jī)編寫的程序主要根據(jù)專家系統(tǒng)的設(shè)計(jì)原理和方法來模擬醫(yī)生的醫(yī)學(xué)診斷，以及通常治療手段的思維過程來進(jìn)行。醫(yī)療專家系統(tǒng)是臨床醫(yī)療診斷中人工智能的很好體現(xiàn)，不僅能夠處理較為復(fù)雜的醫(yī)學(xué)治療問題，還能當(dāng)做醫(yī)生診斷疾病的重要工具，更重要的是傳承了專家們的寶貴醫(yī)學(xué)治療經(jīng)驗(yàn)。

3.4 人工智能技術(shù)在醫(yī)學(xué)影像診斷中的應(yīng)用

目前，在醫(yī)學(xué)影像中存在著的問題，比如：誤診率高、缺口大。這些問題需要通過人工智能的方法來解決。在醫(yī)學(xué)影像技術(shù)領(lǐng)域人工智能的應(yīng)用包括主要的兩個(gè)方面，分別是：第一個(gè)方面為圖像識(shí)別，第二個(gè)方面為深度學(xué)習(xí)，其中人工智能應(yīng)用最核心的部分實(shí)深度學(xué)習(xí)。這兩個(gè)部分都是基于醫(yī)學(xué)影像大數(shù)據(jù)所進(jìn)行的數(shù)據(jù)上的挖掘和應(yīng)用。這兩個(gè)方面所進(jìn)行的數(shù)據(jù)挖掘及其應(yīng)用都是依據(jù)醫(yī)學(xué)影像大數(shù)據(jù)來完成的。

Geoffrey Hinton教授是神經(jīng)網(wǎng)絡(luò)領(lǐng)域的大師，2006年，他與其博士生在《Science》和相關(guān)的期刊上發(fā)表了論文，第一次提出了“深度信念網(wǎng)絡(luò)”的概念。2012年，由斯坦福大學(xué)Fei-Fei Li教授舉辦的ImageNet ILSVRC大規(guī)模圖像識(shí)別評測任務(wù)是由Hinton教授的研究團(tuán)隊(duì)參加的。這個(gè)任務(wù)包括了120萬張高分辨率圖片，1000個(gè)類比。Hinton教授團(tuán)隊(duì)使用了全新的黑科技多層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將圖像識(shí)別錯(cuò)誤率突破性地從26.2%降低到了15.3%。 這個(gè)革命性的技術(shù)，讓神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)以迅速的速度進(jìn)入了醫(yī)療和工業(yè)的領(lǐng)域范圍，隨后這一技術(shù)被陸續(xù)出現(xiàn)的醫(yī)療影像公司使用。例如：國際知名的醫(yī)學(xué)影像公司Enlitic和國內(nèi)剛剛獲得有峰瑞資本600萬天使輪融資的DeepCare。都是不斷積累大量影像數(shù)據(jù)和診斷數(shù)據(jù)，繼續(xù)對神經(jīng)元網(wǎng)絡(luò)進(jìn)行深度的學(xué)習(xí)訓(xùn)練，從而有效的提高了醫(yī)生診斷的準(zhǔn)確率。

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

4 總結(jié)

人工智能軟件工作效率遠(yuǎn)遠(yuǎn)超過了人類大腦，不僅能夠更快速的找到數(shù)據(jù)的模式和相似性，還能有效幫助醫(yī)生和科學(xué)家提取重要的信息。隨著人工智能的發(fā)展及其在醫(yī)學(xué)領(lǐng)域的逐漸普及和應(yīng)用，兩者的互相融合在未來必定成為醫(yī)學(xué)發(fā)展的重要方向。

參考文獻(xiàn)

[1]馮伍，張俊蘭.人工智能在醫(yī)學(xué)上的應(yīng)用[J].電子設(shè)計(jì)工程，2010（01）.

[2]楊琴，陳家榮.人工智能在醫(yī)學(xué)領(lǐng)域中的應(yīng)用[J].科技風(fēng)，2012（12），100-101.

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

[4]鉛筆道.人工智能與影像診斷相結(jié)合的醫(yī)生界阿爾法狗，2016（03）.

第3篇：卷積神經(jīng)網(wǎng)絡(luò)的概念范文

關(guān)鍵詞：人工智能 機(jī)器 學(xué)習(xí) 情感識(shí)別

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2016）06（a）-0077-02

人工智能是一門涵蓋多學(xué)科知識(shí)，而又被當(dāng)今社會(huì)廣泛應(yīng)用于多領(lǐng)域，給人帶來便捷、高效的同時(shí)，又讓業(yè)界為其擔(dān)心的交叉學(xué)科知識(shí)的綜合產(chǎn)物。隨著各種智能機(jī)器人開始服務(wù)于各大領(lǐng)域，有超強(qiáng)力量的機(jī)械手臂，高效解決問題的專家系統(tǒng)，公眾日?？山佑|到的可穿戴智能設(shè)備，從智能手機(jī)到各類功能的3D打印技術(shù)，從谷歌眼鏡到全息投影，各類機(jī)器設(shè)備如雨后春筍不斷涌出。

1 人工智能的發(fā)展

“人工智能”簡稱AI，是集心理認(rèn)知，機(jī)器學(xué)習(xí)，情感識(shí)別，人機(jī)交互以及數(shù)據(jù)保存、決策等于一身的多學(xué)科技術(shù)。其最早被提出是由McCarthy在20世紀(jì)中葉的達(dá)特茅斯會(huì)議上，這也成為人工智能正式誕生的標(biāo)志。在人工智能經(jīng)歷兩個(gè)低谷后的最近一個(gè)階段，從1993年開始，人工智能其實(shí)取得了一些里程碑似的成果。比如在1997年，國際象棋冠軍卡斯帕羅夫被深藍(lán)戰(zhàn)勝；英國皇家學(xué)會(huì)舉行的“2014圖靈測試”中“尤金?古斯特曼”第一次“通過”圖靈測試，而這一天恰為計(jì)算機(jī)科學(xué)之父阿蘭?圖靈（Alan Turing）逝世60周年紀(jì)念日。2015年以來，“人工智能”開始成為諸多業(yè)界人士關(guān)注的焦點(diǎn)之一。2016年3月AlphaGo在首爾以4∶1戰(zhàn)勝圍棋世界冠軍李世石，繼而引發(fā)了人工智能將如何改變?nèi)祟惿鐣?huì)的思考。

2 從AlphaGo看人工智能的“情感機(jī)制”與人類的關(guān)系

機(jī)器學(xué)習(xí)算法的本質(zhì)是選擇一個(gè)萬能函數(shù)建立預(yù)測模型[1]。首先用戶輸入大量訓(xùn)練樣本數(shù)據(jù)，機(jī)器對模型進(jìn)行訓(xùn)練，選擇可以使預(yù)測的模型達(dá)到最優(yōu)的參數(shù)集，從而使模型能夠更好地?cái)M合訓(xùn)練樣本數(shù)據(jù)的空間分布[2]。谷歌公司在訓(xùn)練AlphaGo時(shí)，收集了20萬職業(yè)圍棋高手的對局，在經(jīng)過不同版本AlphaGo之間的自我對弈，生成了3 000多萬個(gè)對局，包含了人類圍棋領(lǐng)域所積累的所有豐富和全面的知識(shí)與經(jīng)驗(yàn)。相比IBM“深藍(lán)”戰(zhàn)勝國際象棋卡斯帕羅夫，其依靠了強(qiáng)大的運(yùn)算能力取得了勝利，AlphaGo的最大進(jìn)步是從“計(jì)算加記憶”進(jìn)化到“擬合加記憶”法則[2]。智能設(shè)備具有了海量數(shù)據(jù)存儲(chǔ)和高速的計(jì)算本領(lǐng)，人機(jī)交互（human-computer interaction）系統(tǒng)研發(fā)過程遇到的瓶頸仍是識(shí)別和表達(dá)情感方面。

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

對人工智能的威脅霍金總結(jié)說：“人工智能在短時(shí)間內(nèi)發(fā)展取決于應(yīng)用它的人，長遠(yuǎn)來看到底其能否被控制是我們需要關(guān)注的內(nèi)容?！贬槍θ祟悓τ凇叭斯ぶ悄芙K將超越人類”的擔(dān)憂可以概括為以下兩點(diǎn)：（1）蠹生于木，而反食于木。恰如部分美國科幻片中所展現(xiàn)的場景，人類創(chuàng)造的機(jī)器因被賦予人類情感智力而脫離人類控制。（2）機(jī)器因其具有人類交互的情感且很少產(chǎn)生人工失誤而逐漸取代人類的勞動(dòng)，致使人類無用武之地而待業(yè)失業(yè)。從技術(shù)飛速發(fā)展過程來看，智能設(shè)備的應(yīng)用往往只是其在某一功能極大化的使用，如，專家系統(tǒng)其解決的只是某一領(lǐng)域內(nèi)復(fù)雜問題解決方案的決策提供；虛擬現(xiàn)實(shí)技術(shù)是生活場景的實(shí)體化展現(xiàn)，以方便用戶更好地體驗(yàn)現(xiàn)實(shí)場景；服務(wù)領(lǐng)域的機(jī)器人，提供的只是某一行業(yè)的服務(wù)，恰如汽車提供的只是快速的代步工具而不能與人交流一樣，智能機(jī)器只是發(fā)揮其某一單方面的優(yōu)勢，從而更好地輔助人類完成特定的工作。在未來社會(huì)，那些簡單重復(fù)性的勞動(dòng)將被機(jī)器所取代；此外，還有一些通過大量數(shù)據(jù)進(jìn)行判別決策類的輸出，從而更好地為人類提供建議；同時(shí)對社會(huì)生活中重大、復(fù)雜工業(yè)系統(tǒng)中的故障處理，這些存在危險(xiǎn)的領(lǐng)域中有智能設(shè)備的存在其實(shí)質(zhì)是對人類安全及人類價(jià)值的禮遇；而對于那些與人交流密切的服務(wù)領(lǐng)域內(nèi)，則更需要人與人的溝通，才能更好地服務(wù)于人。這些機(jī)器的存在解放了人的身體，進(jìn)而可以使人類投入更多精力在科研領(lǐng)域。而人工智能與人類之間的關(guān)系，可以用“共存”一詞進(jìn)行概括，即按勞分配，取長補(bǔ)短[2]。

3 機(jī)器學(xué)習(xí)理論

目前最受社會(huì)關(guān)注的智能算法，當(dāng)屬日本學(xué)者福島教授基于Hubel Wiese的視覺認(rèn)知模型提出的卷積神經(jīng)網(wǎng)絡(luò)模型（Convolution Neural Network，CNN），是一種深度監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型。深度學(xué)習(xí)的概念來源于人工神經(jīng)網(wǎng)絡(luò)，常見的深度學(xué)習(xí)算法包括：受限波爾茲曼機(jī)（Restricted Boltzmann Machine，RBN），Deep Belief Networks（DBN），卷積網(wǎng)絡(luò)（Convolutional Network），堆棧式自動(dòng)編碼器（Stacked Auto-encoders）。該算法的提出是為解決起初基于1943年，美國心理學(xué)家W.S.McCulloch和數(shù)學(xué)家W.A.Pitts生物神經(jīng)元計(jì)算模型（M-P）[2]的早期人工神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)層超過4層后，用傳統(tǒng)反向傳遞算法訓(xùn)練而無法收斂的問題而提出。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成高層屬性類別或特征，從而發(fā)現(xiàn)數(shù)據(jù)的分布特征。重要的人工神經(jīng)網(wǎng)絡(luò)算法包括：感知器神經(jīng)網(wǎng)絡(luò)（Perceptron Neural Network），反向傳遞（Back Propagation），Hopfield網(wǎng)絡(luò)，自組織映射（Self-Organizing Map，SOM），學(xué)習(xí)矢量量化（Learning Vector Quantization，LVQ）。

簡單介紹一下神經(jīng)網(wǎng)絡(luò)：

對應(yīng)公式為，通過不同權(quán)重的多輸入，得到輸出，該單元也被稱為邏輯回歸模型。當(dāng)多個(gè)單元相互關(guān)聯(lián)，并進(jìn)行分層后即形成了神經(jīng)網(wǎng)絡(luò)模型。

4 人工智能的未來

當(dāng)前，人才輩出的社會(huì)促進(jìn)技術(shù)手段的不斷創(chuàng)新，大數(shù)據(jù)，物聯(lián)網(wǎng)，虛擬現(xiàn)實(shí)、云計(jì)算等技術(shù)發(fā)展與機(jī)器人人工智能領(lǐng)域不斷融合發(fā)展，這無疑將推動(dòng)產(chǎn)業(yè)方式發(fā)生改變。

而針對人工智能，李開復(fù)老師針對機(jī)器越發(fā)智能化而帶給人類的危機(jī)表示：人工智能的真實(shí)危機(jī)在于未來機(jī)器將養(yǎng)活無所事事的人。這也在激勵(lì)著人類，機(jī)器的智能，在代替人類部分勞動(dòng)后，需要我們潛心于高科技的發(fā)展，進(jìn)而不被社會(huì)所淘汰。斯特羅斯說“人工智能之于人類，最需要擔(dān)心的是其自發(fā)意識(shí)。無人機(jī)并不能殺人，指導(dǎo)無人機(jī)的坐標(biāo)并投射地獄火導(dǎo)彈的人才能殺人?！边@一說法表明其認(rèn)為人類已經(jīng)生活在后人工智能世界了，但人們還沒有意識(shí)到人工智能都是我們的人。這足以表明，人工智能產(chǎn)品的設(shè)計(jì)，一方面是為人類帶來了更加綠色，智能，方便的生活方式，而另一方面其法律規(guī)范意識(shí)，以及人才價(jià)值觀及道德的培養(yǎng)更值得社會(huì)關(guān)注。

參考文獻(xiàn)

[1] 于玲，吳鐵軍.LS-Ensem：一種用于回歸的集成算法[J].計(jì)算機(jī)學(xué)報(bào)，2006（5）：719-726.

第4篇：卷積神經(jīng)網(wǎng)絡(luò)的概念范文

關(guān)鍵詞：圖像分割　閾值分割　遺傳算法　小波變換

中圖分類號(hào)：TP391　文獻(xiàn)標(biāo)識(shí)碼：A　文章編號(hào)：1002-2422(2010)02-0001-03

圖像分割是按照一定的規(guī)則把圖像劃分成若干個(gè)互不相交、具有一定性質(zhì)的區(qū)域，把人們關(guān)注的部分從圖像中提取出來，進(jìn)一步加以研究分析和處理。圖像分割的結(jié)果是圖像特征提取和識(shí)別等圖像理解的基礎(chǔ)，對圖像分割的研究一直是數(shù)字圖像處理技術(shù)研究中的熱點(diǎn)和焦點(diǎn)。圖像分割使得其后的圖像分析，識(shí)別等高級(jí)處理階段所要處理的數(shù)據(jù)量大大減少，同時(shí)又保留有關(guān)圖像結(jié)構(gòu)特征的信息。圖像分割在不同的領(lǐng)域也有其它名稱，如目標(biāo)輪廓技術(shù)、目標(biāo)檢測技術(shù)、閾值化技術(shù)、目標(biāo)跟蹤技術(shù)等，這些技術(shù)本身或其核心實(shí)際上也就是圖像分割技術(shù)。

1　經(jīng)典圖像分割方法

1，1閾值分割方法

閾值分割是常見的直接對圖像進(jìn)行分割的算法，根據(jù)圖像像素的灰度值的不同而定。對應(yīng)單一目標(biāo)圖像，只需選取一個(gè)閾值，即可將圖像分為目標(biāo)和背景兩大類，這個(gè)稱為單閾值分割：如果目標(biāo)圖像復(fù)雜，選取多個(gè)閾值，才能將圖像中的目標(biāo)區(qū)域和背景被分割成多個(gè)，這個(gè)稱為多閾值分割，此時(shí)還需要區(qū)分檢測結(jié)果中的圖像目標(biāo)，對各個(gè)圖像目標(biāo)區(qū)域進(jìn)行唯一的標(biāo)識(shí)進(jìn)行區(qū)分。閾值分割的顯著優(yōu)點(diǎn)，成本低廉，實(shí)現(xiàn)簡單。當(dāng)目標(biāo)和背景區(qū)域的像素灰度值或其它特征存在明顯差異的情況下，該算法能非常有效地實(shí)現(xiàn)對圖像的分割。閩值分割方法的關(guān)鍵是如何取得一個(gè)合適的閾值，近年來的方法有：用最大相關(guān)性原則選擇閾值的方法、基于圖像拓?fù)浞€(wěn)定狀態(tài)的方法、灰度共生矩陣方法、最大熵法和谷值分析法等，更多的情況下，閾值的選擇會(huì)綜合運(yùn)用兩種或兩種以上的方法，這也是圖像分割發(fā)展的一個(gè)趨勢。

1，2基于邊緣的圖像分割方法

邊緣總是以強(qiáng)度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變、紋理結(jié)構(gòu)的突變等。邊緣常常意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開始。對于邊緣的檢測常常借助空間微分算子進(jìn)行，通過將其模板與圖像卷積完成。兩個(gè)具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣，而這正是灰度值不連續(xù)的結(jié)果，這種不連續(xù)可以利用求一階和二階導(dǎo)數(shù)檢測到。當(dāng)今的邊緣檢測方法中，主要有一次微分、二次微分和模板操作等。這些邊緣檢測器對邊緣灰度值過渡比較尖銳且噪聲較小等不太復(fù)雜的圖像可以取得較好的效果。但對于邊緣復(fù)雜的圖像效果不太理想，如邊緣模糊、邊緣丟失、邊緣不連續(xù)等。噪聲的存在使基于導(dǎo)數(shù)的邊緣檢測方法效果明顯降低，在噪聲較大的情況下所用的邊緣檢測算子通常都是先對圖像進(jìn)行適當(dāng)?shù)钠交?，抑制噪聲，然后求?dǎo)數(shù)，或者對圖像進(jìn)行局部擬合，再用擬合光滑函數(shù)的導(dǎo)數(shù)來代替直接的數(shù)值導(dǎo)數(shù)，如Mart算子、canny算子等。在未來的研究中，用于提取初始邊緣點(diǎn)的自適應(yīng)閾值選取、用于圖像層次分割的更大區(qū)域的選取以及如何確認(rèn)重要邊緣以去除假邊緣將變的非常重要。

1，3基于函數(shù)優(yōu)化的分割方法

此方法是圖像分割中另一大類常用的方法。其基本思路是給出一個(gè)目標(biāo)函數(shù)，通過該目標(biāo)函數(shù)的極大化或極小化來分割圖像。GA.Hewer等人提出了一個(gè)具有廣泛意義的目標(biāo)函數(shù)。統(tǒng)計(jì)學(xué)分割方法、結(jié)合區(qū)域與邊緣信息的方法、基于貝葉斯公式的分割方法等是目前幾種活躍的函數(shù)優(yōu)化方法。

統(tǒng)計(jì)學(xué)分割方法是把圖像中各個(gè)像素點(diǎn)的灰度值看作是具有一定概率分布的隨機(jī)變量，且觀察到的實(shí)際物體是作了某種變換并加入噪聲的結(jié)果。統(tǒng)計(jì)學(xué)分割方法包括基于馬爾科夫隨機(jī)場方法、標(biāo)號(hào)法、混合分布法等。

區(qū)域增長法和分裂合并法是基于區(qū)域信息的圖像分割的主要方法。區(qū)域增長有兩種方式，一種是先將圖像分割成很多的一致性較強(qiáng)的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達(dá)到分割圖像的目的。另一種實(shí)現(xiàn)是給定圖像中要分割目標(biāo)的一個(gè)種子區(qū)域，再在種子區(qū)域基礎(chǔ)上將周圍的像素點(diǎn)以一定的規(guī)則加入其中，最終達(dá)到目標(biāo)與背景分離的目的；分裂合并法對圖像的分割是按區(qū)域生長法沿相反方向進(jìn)行的，無需設(shè)置種子點(diǎn)。其基本思想是給定相似測度和同質(zhì)測度。從整幅圖像開始，如果區(qū)域不滿足同質(zhì)測度，則分裂成任意大小的不重疊子區(qū)域，如果兩個(gè)鄰域的子區(qū)域滿足相似測度則合并。

2　結(jié)合特定工具的圖像分割算法

雖然圖像分割目前尚無通用的理論，但是近年來大量學(xué)者致力于將新概念、新方法應(yīng)用于圖像分割，結(jié)合特定理論的圖像分割方法在圖像分割方面取得了較好的應(yīng)用效果。如小波分析和小波變換、神經(jīng)網(wǎng)絡(luò)、遺傳算法等數(shù)學(xué)工具的利用，有效地改善了分割效果。

2，1基于遺傳算法的圖像分割

遺傳算法是模擬自然界生物進(jìn)化過程與機(jī)制求解問題的一類自組織與自適應(yīng)的人工智能技術(shù)。對此，科學(xué)家們進(jìn)行了大量的研究工作，并成功地運(yùn)用于各種類型的優(yōu)化問題，在分割復(fù)雜的圖像時(shí)，人們往往采用多參量進(jìn)行信息融合，在多參量參與的最優(yōu)值求取過程中，優(yōu)化計(jì)算是最重要的，把自然進(jìn)化的特征應(yīng)用到計(jì)算機(jī)算法中，將能解決很多問題。遺傳算法的出現(xiàn)為解決這類問題提供了新而有效的方法，不僅可以得到全局最優(yōu)解，而且大量縮短了計(jì)算時(shí)間。王月蘭等人提出的基于信息融合技術(shù)的彩色圖像分割方法，該方法應(yīng)用剝殼技術(shù)將問題的復(fù)雜度降低，然后將信息融合技術(shù)應(yīng)用到彩色圖像分割中，為彩色分割在不同領(lǐng)域中的應(yīng)用提供了一種新的思路與解決辦法。

2，2基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的圖像分割

基于神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想是先通過訓(xùn)練多層感知器來得到線性決策函數(shù)，然后用決策函數(shù)對像素進(jìn)行分類來達(dá)到分割的目的。近年來，隨著神經(jīng)學(xué)的研究和進(jìn)展，第三代脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)作為一種新型人工神經(jīng)網(wǎng)絡(luò)模型，其獨(dú)特處理方式為圖像分割提供了新的思路。脈沖耦合神經(jīng)網(wǎng)絡(luò)具有捕獲特性，會(huì)產(chǎn)生點(diǎn)火脈沖傳播，對輸入圖像具有時(shí)空整合作用，相鄰的具有相似輸入的神經(jīng)元傾向于同時(shí)點(diǎn)火。因此對于灰度圖象，PCNN具有天然的分割能力，與輸入圖像中不同目標(biāo)區(qū)域?qū)?yīng)的神經(jīng)元在不同的時(shí)刻點(diǎn)火，從而將不同區(qū)域分割開來。如果目標(biāo)區(qū)域灰度分布有重疊，由于PCNN的時(shí)空整合作用，如果灰度分布符合某種規(guī)律，PCNN也能克服灰度分布重疊所帶來的不利影響，從而實(shí)現(xiàn)較完美的分割。這是其一個(gè)突出的優(yōu)點(diǎn)，而這恰恰是其他的分割方法所欠缺的，其在未來的圖像分割中將起主導(dǎo)作用。

2，3基于小波分析和變換的圖像分割

近年來，小波理論得到了迅速的發(fā)展，而且由于其具有良好的時(shí)頻局部化特性和多分辨率分析能力，在圖像處理等領(lǐng)域得到了廣泛的應(yīng)用。小波變換是一種多尺度多通道分析工具，比較適合對圖像進(jìn)行多尺度的邊緣檢測。從圖像處理角度看，小波變換具有“變焦”特性，在低頻段可用高頻率分辨率和低時(shí)間分辨率，在高頻段可用低頻率分辨率和高時(shí)間分辨率，小波變換在實(shí)現(xiàn)上有快速算法具有多分辨率，也叫多尺度的特點(diǎn)，可以由粗及精地逐步觀察信號(hào)等優(yōu)點(diǎn)。近年來多進(jìn)制小波也開始用于邊緣檢測。另外，把小波變換和其它方法結(jié)合起來的圖像分割技術(shù)也是現(xiàn)在研究的熱點(diǎn)。

3　圖像分割的應(yīng)用現(xiàn)狀

在圖像處理中，圖像分割是一種重要的技術(shù)，是圖像分析的基礎(chǔ)。隨著圖像分割技術(shù)研究的深入，其應(yīng)用日趨廣泛，幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域，并涉及各種類型的圖像。凡屬需要對圖像目標(biāo)進(jìn)行提取、測量的工作都離不開圖像分割。通常，圖像分割是為了進(jìn)一步對圖像進(jìn)行分析、識(shí)別、壓縮、編碼等，圖像分割的準(zhǔn)確性將直接影響后繼的工作，因此，分割的方法和精確程度是至關(guān)重要的。目前，圖像分割在圖像工程中占據(jù)非常重要的位置，圖像分割已在交通、醫(yī)學(xué)、遙感、通信、軍事和工業(yè)自動(dòng)化等諸多領(lǐng)域得到廣泛應(yīng)用。表1是應(yīng)用領(lǐng)域表。

第5篇：卷積神經(jīng)網(wǎng)絡(luò)的概念范文

獨(dú)立分量分析(ICA)是統(tǒng)計(jì)信號(hào)處理近年來的一項(xiàng)發(fā)展。顧名思義,這是一種分解技術(shù),其特點(diǎn)是把信號(hào)分解成若干相互獨(dú)立的成分。主分量分析(PCA)和奇異值分解(SVD)是人們較熟悉的分解信號(hào)的線性代數(shù)方法,ICA與它們的主要不同之處表現(xiàn)在:

(1)后者只要求分解出來的各分量互相正交(不相關(guān)),但并不要求它們互相獨(dú)立。用統(tǒng)計(jì)信號(hào)處理的語言來表達(dá),即:后者只考慮二階統(tǒng)計(jì)特性,而前者則要更全面考慮其概率密度函數(shù)的統(tǒng)計(jì)獨(dú)立性。

(2)后者按能量大小排序來考慮被分解分量的重要性。這樣的分解雖然在數(shù)據(jù)壓縮和去除弱噪聲方面有其優(yōu)點(diǎn),但分解結(jié)果往往缺乏明確的生理意義。前者雖然分解出的分量其能量大小存在不確定性,但當(dāng)測量值確實(shí)是由若干獨(dú)立信源混合而成時(shí),分解結(jié)果往往具有更好的生理解釋。由于測得的生理信號(hào)往往是若干獨(dú)立成分的加權(quán)迭加(例如,誘發(fā)腦電總是被自發(fā)腦電所淹沒,而且常伴隨有心電、眼動(dòng)、頭皮肌電等干擾),此ICA是一項(xiàng)值得注意的分解方法。

此外,神經(jīng)生理研究認(rèn)為,人類對認(rèn)知、感知信息的前期處理有“去冗余”的特點(diǎn)。ICA在這方面也表現(xiàn)出類似特性,因?yàn)榛ハ嗒?dú)立的分量之間互信息是最少的。ICA是伴隨著盲信號(hào)處理,特別是盲信源分離發(fā)展起來。其研究熱潮方興未艾,也正在引起生物醫(yī)學(xué)工程界的注意,IEEETransBME正在組織出版以它為重點(diǎn)的專輯。就國際范圍看,以下幾個(gè)研究單位目前工作比較領(lǐng)先:(1)美國加州大學(xué)生物系計(jì)算神經(jīng)生物學(xué)實(shí)驗(yàn)室,(2)日本Riken腦科學(xué)研究所腦信息研究室,(3)芬蘭赫爾辛基工業(yè)大學(xué)計(jì)算機(jī)及信息科學(xué)實(shí)驗(yàn)室,目前發(fā)表有關(guān)文獻(xiàn)較多的刊物有IEEETrans的SP和NN以及NeuralComputation等。本文目的是對ICA的原理、算法及應(yīng)用作一簡述,以引起國內(nèi)同行對它的關(guān)注。將側(cè)重于概念說明,而不追求數(shù)學(xué)上的嚴(yán)謹(jǐn)性。

2原理

2.1問題的提法,s-(n)是一組互相獨(dú)立的信源,A是混合矩陣,x-(n)是觀察記錄,即x-(n)=As-(n)。問題的任務(wù)是:在A陣未知且對s-(n)除獨(dú)立性外無其它先驗(yàn)知識(shí)的情況下,求解混矩陣B,使得處理結(jié)果y-(n)=Bx-(n)中各分量盡可能互相獨(dú)立,且逼近s(n)。容易理解,解答不是唯一的,它至少受以下條件的限制:(1)比例不定性:s-(n)中某一分量大K倍時(shí),只要使相應(yīng)的A陣系數(shù)減小K倍,x-(n)便保持不變。

因此,求解時(shí)往往把s-(n)假設(shè)成具有單位協(xié)方差陣,即s-中各分量均值為零,方差為1,且互相獨(dú)立。(2)排序不定性:y-與s-中各分量排序可以不同。因?yàn)橹灰獙φ{(diào)B陣中任意兩行,y-中相應(yīng)元素的位置也便對調(diào)。(3)s-(n)中至多只能有一個(gè)高斯型信源:這是因?yàn)楦咚剐旁吹木€性組合仍是高斯型的,因此混合后便無法再區(qū)別。(4)信源數(shù)目N只能小于或等于觀測通道數(shù)M。N>M情況目前尚未解決。以下討論設(shè)M=N。因此,y-(n)只是在上述條件下對s-(n)的逼近。換名話說,任務(wù)的實(shí)質(zhì)是優(yōu)化問題,它包括兩個(gè)主要方面:優(yōu)化判據(jù)(目標(biāo)函數(shù))和尋優(yōu)算法。

2.2目標(biāo)函數(shù)

這一領(lǐng)域的研究者已經(jīng)從不同角度提出了多種判據(jù)。其中以互信息極小判據(jù)(MinimizationofMutualInformation,簡記MMI)和信息或熵極大判據(jù)(Informax或MaximizationofEntropy,簡記ME)應(yīng)用最廣。由于最基本的獨(dú)立性判據(jù)應(yīng)由概率密度函數(shù)(probabilitydensityfunction,簡記pdf)引出,而工作時(shí)pdf一般是未知的,估計(jì)它又比較困難,因此通常采用一些途徑繞過這一困難。

常用的方法有兩類:①把pdf作級(jí)數(shù)展開,從而把對pdf的估計(jì)轉(zhuǎn)化為對高階統(tǒng)計(jì)量的估計(jì);②在圖1的輸出端引入非線性環(huán)節(jié)來建立優(yōu)化判據(jù)。后一作法實(shí)際上隱含地引入了高階統(tǒng)計(jì)量。(1)互信息極小判據(jù):統(tǒng)計(jì)獨(dú)立性的最基本判據(jù)如下:令p(y-)是y-的聯(lián)合概率密度函數(shù),pi(yi)是y-中各分量的邊際概率密度函數(shù)。當(dāng)且僅當(dāng)y-中各分量獨(dú)立時(shí)有:p(y-)=∏Ni=1pi(yi)因此用p(y-)與∏i=1pi(yi)間的Kullback-Leibler散度作為獨(dú)立程度的定量度量:I(y-)=KL[p(y-),∏Ni=1pi(yi)]=∫p(y-)log[p(y-)∏Ni=1pi(yi)]dy-(1)顯然,I(y-)0,當(dāng)且僅當(dāng)各分量獨(dú)立時(shí)I(y-)=0。因此,互信息極小判據(jù)的直接形式是:在y-=Bx-條(文秘站:)件下尋找B,使(1)式的I(y-)極小為了使判據(jù)實(shí)際可用,需要把I(y-)中有關(guān)的pdf展成級(jí)數(shù)。

由于在協(xié)方差相等的概率分布中高斯分布的熵值最大,因此展開時(shí)常用同協(xié)方差的高斯分布作為參考標(biāo)準(zhǔn)。例如,采用Gram-Charlier展開時(shí)有:P(yi)PG(yi)=1+13!k2yih3(y-i)+14!k4yih4(yi)+…式中PG(yi)是與P(yi)具有同樣方差(σ2=1)和均值(μ=0)的高斯分布。k3yi、k4yi是yi的三、四階累計(jì)量(cumulant),hn(yi)是n階Hermit多項(xiàng)式。此外還有許多其他展開辦法,如Edgeworth展開,利用負(fù)熵(Negentropy)等。不論采用何種展開方式,經(jīng)推導(dǎo)后總可把式(1)近似改成k3、k4的函數(shù):I(y)=F(k3y-,k4y-,B)(1)’F(·)的具體形式多種多樣,視推導(dǎo)時(shí)的假設(shè)而異。

這樣就得到互信息判據(jù)的實(shí)用近似形式:在y-=Bx-條件下尋找B,使式(1)的I(y-)極小(2)Infomax判據(jù):這一判據(jù)的特點(diǎn)是在輸出端逐分量地引入一個(gè)合適的非線性環(huán)節(jié)把yi轉(zhuǎn)成ri(如圖2)?？梢宰C明,如果gi(·)取為對應(yīng)信源的累積分布函數(shù)cdf(它也就是概率密度函數(shù)的積分),則使r-=(r1…rN)T的熵極大等效于使I(y-)極小,因此也可達(dá)使y-中各分量獨(dú)立的要求。從而得到Infomax判據(jù):在選定適當(dāng)gi(·)后,尋找B使熵H(r-)極大需要指出的是,雖然理論上gi(·)應(yīng)取為各信源的cdf,但實(shí)踐證明此要求并不很嚴(yán)格,有些取值在0~1之間的單調(diào)升函數(shù)也可以被采用,如sigmoid函數(shù)、tanh(·)等。估計(jì)H(r-)固然也涉及pdf,但由于其作用已通過gi(·)引入,所以可以不必再作級(jí)數(shù)展開而直接用自適應(yīng)選代尋優(yōu)步驟求解。文獻(xiàn)中還提出了一些其他判據(jù),如極大似然、非線性PCA等,但它們本質(zhì)上都可統(tǒng)一在信息論的框架下,所以不再一一列舉[1]。

3處理算法優(yōu)化算法

可大致分為兩類,即批處理與自適應(yīng)處理。

3.1批處理批處理比較成熟的方法有兩類。較早提出的是成對旋轉(zhuǎn)法[2],其特點(diǎn)是把優(yōu)化過程分解成兩步。先把x-(n)經(jīng)W陣加以“球化”得z-(n),使z-(n)T=IN,即:各分量不相關(guān)且方差為1,然后再尋找合適的正交歸一陣U達(dá)到使y-各分量獨(dú)立的目的。前一步類似于PCA,后一步則可利用Givens旋轉(zhuǎn),根據(jù)目標(biāo)函數(shù),將z-中各分量兩兩成對反復(fù)旋轉(zhuǎn)直到收斂。這種方法計(jì)算量較大。1999年,Gadoso提出幾種方法對它作了進(jìn)一步改進(jìn)[3],其中包括:Maxkurt法、JADE法、SHIBBS法等,限于篇幅,本文不再敘述。近年來,提出的另一類方法是所謂“固定點(diǎn)”法(FixedPointMethod)[4,5

],其思路雖來源于自適應(yīng)處理,但最終算法屬于批處理。

簡單地說,通過隨機(jī)梯度法調(diào)節(jié)B陣來達(dá)到優(yōu)化目標(biāo)時(shí),有:B(k+1)=B(k)+ΔB(k)ΔB(k)=-μεkB(k)式中k是選代序號(hào),εk是瞬時(shí)目標(biāo)函數(shù)。當(dāng)?shù)竭_(dá)穩(wěn)態(tài)時(shí)必有[E是總集均值算子]:E[ΔB(k)]=0(2)如果ΔB(k)與B(k)有關(guān),就可由(2)式解出B的穩(wěn)態(tài)值。不過由于(2)式總是非線性方程,因此求解時(shí)仍需要采用數(shù)值方法(如牛頓法、共軛梯度法等)迭代求解。實(shí)踐證明,不論是收斂速度還是計(jì)算量,此法均優(yōu)于前一種方法,而且它還可以根據(jù)需要逐次提取最關(guān)心的yi,因此是一類值得注意的方法。

3.2結(jié)合神經(jīng)網(wǎng)絡(luò)的自適應(yīng)處理結(jié)合神經(jīng)網(wǎng)絡(luò)的自適應(yīng)處理算法的框圖。1994年Cichocki提出的調(diào)節(jié)算法是:B(k+1)=B(k)+ΔB(k)ΔB(k)=μk[I-Ψ(y-k)ΦT(y-k)]B(k)式中Ψ、Φ都是N維矢量,其各元素都是單調(diào)升的非線性函數(shù):Ψ(yk)=sgnyk·y2k,ΦTy-k=3tanh(10yk)所得結(jié)果雖令人鼓舞,但是方法是經(jīng)驗(yàn)性的。其后學(xué)者們從理論上沿著這一方向作了更深入的討論,并發(fā)展出多種算法。概括地說,主要發(fā)展有以下幾點(diǎn):

(1)引入自然梯度(或相對梯度)。按照最陡下降的隨機(jī)梯度法推導(dǎo)出的系數(shù)調(diào)節(jié)公式往往具有如下一般形式:ΔB(k)=μk[B-T(k)-Ψ(y-k)x-Tk]式中的Ψ(y-k)視具體算法而異。Infomax法中Ψ(·)由所選用的g(·)決定;MMI法中則與yk的三、四階矩有關(guān)。B-T(k)是矩陣求逆再轉(zhuǎn)置,它的計(jì)算量很大。Amari[7]在1998年提出將最陡下降梯度改為“自然梯度”,兩者間關(guān)系是:[自然梯度]=[最陡下降梯度]·BT(k)B(k)于是有:ΔB(k)=μk[B-T(k)-Ψ(y-k)x-Tk]BT(k)B(k)=μk[I-Ψ(y-k)y-Tk]B(k)由于此式避免了矩陣求逆,因此計(jì)算量明顯降低且收斂加快。目前,這一作法已被普遍接受。

(2)引入自然梯度后,采用不同的優(yōu)化判據(jù)得出的調(diào)節(jié)公式雖各有千秋,但大致都可表示為如下的“串行更新”形式:B(k+1)=B(k)+ΔB(k)=[I+H(y-k)]B(k)只是H(y-k)的具體形式各不相同。串行矩陣更新的算法還具有一些理論上值得注意的性質(zhì),如均勻特性(uniformproperty)和等變性(equivariant)等[8,9]。

(3)四階累計(jì)量k4>0的超高斯信號(hào)和k4<0的欠高斯信號(hào),其處理過程應(yīng)當(dāng)予以區(qū)別。采用同一算法效果往往不好。目前的辦法多是在調(diào)節(jié)公式中引入一個(gè)開關(guān)。根據(jù)估計(jì)得k4的符號(hào)來切換不同算法,如擴(kuò)展的Infomax法就是一例[10]。此法的系數(shù)調(diào)節(jié)公式是:ΔB(k)=μk[I-Ktanh(y-k)·y-Tk-y-ky-Tk]B(k)其中K是對角陣,其對角元素之值為+1或-1,視該信號(hào)分量k4>0或<0而定。為了實(shí)時(shí)應(yīng)用,估計(jì)K4也可采用遞歸算法?？傊?自適應(yīng)算法是目前采用較廣的方法。

4應(yīng)用舉例

4.1仿真計(jì)算為檢驗(yàn)經(jīng)ICA算法分解信源的能力,左圖是一組源信號(hào),它們對系統(tǒng)來說是未知的。這一組信號(hào)經(jīng)混合后的觀察信號(hào)作為(中圖所示)ICA算法的輸入,分解后的結(jié)果如右圖所示?？梢钥吹?除了波形的次序、極性和波幅發(fā)生變化之外,源信號(hào)的波形被很好地分解出來。一般情況下,臨床腦電信號(hào)中既有超高斯成分(如誘發(fā)電位),也有亞高斯成分(如肌電和工頻干擾)。為了檢驗(yàn)擴(kuò)展Infomax算法處理這類情況的能力,我們又用此法進(jìn)行了如圖6所示仿真實(shí)驗(yàn)。左圖第一行是一段自發(fā)腦電信號(hào),第二行是仿真的視覺誘發(fā)電位,第三行是肌電干擾?；旌虾蟮男盘?hào)(圖中第二列所示)經(jīng)ICA分解得到如右圖所示的結(jié)果。這一結(jié)果表明擴(kuò)展ICA算法在同時(shí)存在超高斯和亞高斯信號(hào)的情況下,仍然能夠很好地實(shí)現(xiàn)盲分解。但應(yīng)指出:這一仿真結(jié)果并不說明通過ICA分解就能直接得到視覺誘發(fā)電位,因?yàn)檫€沒有涉及頭皮上的多導(dǎo)數(shù)據(jù)。

4.2實(shí)驗(yàn)VEP分析(1)多導(dǎo)腦電觀察中VEP的增強(qiáng):需要強(qiáng)調(diào),把多導(dǎo)腦電作ICA分解后直接取出其中與VEP有關(guān)的成分,得到的并不是頭皮電極處的VEP分量,因?yàn)樗鼈冎皇欠纸獬鰜淼男旁?而這些信源的位置并不在頭皮上,為了得到電極處測量值中的VEP成分,需按下述步驟處理:用訓(xùn)練得的W陣直接對頭皮上取得的多導(dǎo)腦電數(shù)據(jù)進(jìn)行ICA分解,得到各獨(dú)立分量組成的矩恥y=Bx(見圖7a);再根據(jù)各分量的波形特征及產(chǎn)生時(shí)段,選擇與VEP有關(guān)的一部分分量(例如在前300ms中具有較大幅度的分量),并將其余分量置0,得到新的獨(dú)立分量矩陣y’;再反變換回頭皮各電極處得x’=B-1-y’。這樣才能得到去除噪聲和干擾后各電極處的VEP。

采用這樣的方法可顯著地減少提取VEP所需要的累加次數(shù)。左圖是經(jīng)3次累加所得VEP,中圖是經(jīng)50次累加所得結(jié)果,右圖則是用左圖經(jīng)圖7中ICA處理后提取的VEP。比較中、右兩圖,兩者波形趨勢基本相同,但后者比前者其主要峰、谷顯然更清楚,而累加次數(shù)由50減到3。(2)ICA分量的空間模式:把某一個(gè)ICA分量的瞬時(shí)值經(jīng)B-1逆推回頭皮各電極處得x-’后,就可以按斷層圖的插補(bǔ)方法得到該時(shí)該分量在頭皮上的空間分布模式。這個(gè)空間分布模式也可以用更簡單辦法得到:只要把逆矩陣B-1中相應(yīng)于某ICA分量的列中各元素的值賦與頭皮各電極處,再作斷層圖插值,就可以表現(xiàn)該ICA分量在任意時(shí)刻的空間分布模式。也就是:x’i(t)=b’ijy’j(t),i=1~N式中b’ij是B-1的第i行第j列元素。

可見ICA分量y’j(t)在頭皮各電極處的對應(yīng)值等于用逆陣B-1第j列各元素來對y’j(t)加權(quán)。因此,列矢量b’j=[b’1,…,b’Nj]可以用來統(tǒng)一地表現(xiàn)任意時(shí)刻y’j的空間模式。

5總結(jié)與展望

本文粗略介紹了ICA的原理、算法和應(yīng)用,可以看到ICA確是一個(gè)值得注意的研究方向,但其理論體系尚未完整,實(shí)際采用的處理方法多少還帶有經(jīng)驗(yàn)性。例如為什么對非線性特性gi的要求不甚嚴(yán)格就沒有明確解釋;又如算法的穩(wěn)定性、收斂性在實(shí)踐中是經(jīng)常遇到的問題。從應(yīng)用方面看也還有許多待開發(fā)的領(lǐng)域,例如如何應(yīng)用于生理信號(hào)的模式識(shí)別與系統(tǒng)建模等。從生物醫(yī)學(xué)信號(hào)分析的角度看,還有一些亟待深入的問題。例如:

(1)在以上分析中混合陣A被假設(shè)為恒定。這對靜態(tài)的圖像分析或固定信源是合理的;但在生理實(shí)際中,等效信源一般在空間并不固定,因而混合陣A應(yīng)視為時(shí)變的,而且傳導(dǎo)過程中還會(huì)引入容積導(dǎo)體的卷積及遲作用。這可能是實(shí)際生理信號(hào)分解結(jié)果不夠理想的原因之一。

(2)一般公認(rèn),生理信號(hào)的非平穩(wěn)性較強(qiáng),而以上分析并沒有考慮信號(hào)的非平穩(wěn)性。

第6篇：卷積神經(jīng)網(wǎng)絡(luò)的概念范文

1 當(dāng)前電力行業(yè)熱工自動(dòng)化技術(shù)的發(fā)展

隨著世界高科技的飛速發(fā)展和我國機(jī)組容量的快速提高，電廠熱工自動(dòng)化技術(shù)不斷地從相關(guān)學(xué)科中吸取最新成果而迅速發(fā)展和完善，近幾年更是日新月異，一方面作為機(jī)組主要控制系統(tǒng)的DCS，已在控制結(jié)構(gòu)和控制范圍上發(fā)生了巨大的變化；另一方面隨著廠級(jí)監(jiān)控和管理信息系統(tǒng)（SIS）、現(xiàn)場總線技術(shù)和基于現(xiàn)代控制理論的控制技術(shù)的應(yīng)用，給熱工自動(dòng)化系統(tǒng)注入了新的活力。

1.1 DCS的應(yīng)用與發(fā)展

火電廠熱工自動(dòng)化系統(tǒng)的發(fā)展變化，在二十世紀(jì)給人耳目一新的是DCS的應(yīng)用，而當(dāng)今則是DCS的應(yīng)用范圍和功能的迅速擴(kuò)展。

1.1.1 DCS應(yīng)用范圍的迅速擴(kuò)展

20世紀(jì)末，DCS在國內(nèi)燃煤機(jī)組上應(yīng)用時(shí)，其監(jiān)控功能覆蓋范圍還僅限D(zhuǎn)AS、MCS、FSSS和SCS四項(xiàng)。即使在2004年的Q/DG1-K401-2004《火力發(fā)電廠分散控制系統(tǒng)（DCS）技術(shù)規(guī)范書》中，DCS應(yīng)用的主要功能子系統(tǒng)仍然還是以上四項(xiàng)，但實(shí)際上近幾年DCS的應(yīng)用范圍迅速擴(kuò)展，除了一大批高參數(shù)、大容量、不同控制結(jié)構(gòu)的燃煤火電機(jī)組（如浙江玉環(huán)電廠1000MW機(jī)組）的各個(gè)控制子系統(tǒng)全面應(yīng)用外，脫硫系統(tǒng)、脫硝系統(tǒng)、空冷系統(tǒng)、大型循環(huán)流化床（CFB）鍋爐等新工藝上都成功應(yīng)用。可以說只要工藝上能夠?qū)崿F(xiàn)的系統(tǒng)，DCS都能實(shí)現(xiàn)對其進(jìn)行可靠控制。

1.1.2 單元機(jī)組控制系統(tǒng)一體化的崛起

隨著一些電廠將電氣發(fā)變組和廠用電系統(tǒng)的控制（ECS）功能納入DCS的SCS控制功能范圍，ETS控制功能改由DCS模件構(gòu)成，DEH與DCS的軟硬件合二為一，以及一些機(jī)組的煙氣濕法脫硫控制直接進(jìn)入單元機(jī)組DCS控制的成功運(yùn)行，標(biāo)志著控制系統(tǒng)一體化，在DCS技術(shù)的發(fā)展推動(dòng)下而走向成熟。

由于一體化減少了信號(hào)間的連接接口以及因接口及線路異常帶來的傳遞過程故障，減少了備品備件的品種和數(shù)量，降低了維護(hù)的工作量及費(fèi)用，所以近幾年一體化控制系統(tǒng)在不同容量的新建機(jī)組中逐漸得到應(yīng)用，如浙江華能玉環(huán)電廠4×1000MW機(jī)組、臺(tái)州電廠2×300MW機(jī)組和安徽鳳臺(tái)電廠4×600MW機(jī)組均全廠采用西屋Ovation系統(tǒng)，國華浙能寧海電廠4×600MW機(jī)組全廠采用西門子公司的T-XP系統(tǒng)，大唐烏沙山電廠4×600MW機(jī)組全廠采用I/A系統(tǒng)，浙江樂清電廠4×600MW機(jī)組全廠采用ABB公司的SYMPHONY系統(tǒng)等。

控制系統(tǒng)一體化的實(shí)現(xiàn)，是電力行業(yè)DCS應(yīng)用功能快速發(fā)展的體現(xiàn)。排除人為因素外，控制系統(tǒng)一體化將為越來越多的電廠所采用。

1.1.3 DCS結(jié)構(gòu)變化，應(yīng)用技術(shù)得到快速發(fā)展

隨著電子技術(shù)的發(fā)展，近年來DCS系統(tǒng)在結(jié)構(gòu)上發(fā)生變化。過去強(qiáng)調(diào)的是控制功能盡可能分散，由此帶來的是使用過多的控制器和接口間連接。但過多的控制器和接口間連接，不一定能提高系統(tǒng)運(yùn)行可靠性，相反到有可能導(dǎo)致故障停機(jī)的概率增加。何況單元機(jī)組各個(gè)控制系統(tǒng)間的信號(hào)聯(lián)系千絲萬縷，互相牽連，一對控制器故障就可能導(dǎo)致機(jī)組停機(jī)，即使沒有直接導(dǎo)致停機(jī)，也會(huì)影響其它控制器因失去正確的信號(hào)而不能正常工作。因此隨著控制器功能與容量的成倍增加、更多安全措施（包括采用安全性控制器）、冗余技術(shù)的采用（有的DCS的核心部件CPU，采用2×2冗余方式）以及速度與可靠性的提高，目前DCS正在轉(zhuǎn)向適度集中，將相互聯(lián)系密切的多個(gè)控制系統(tǒng)和非常復(fù)雜的控制功能集中在一對控制器中，以及上述所說的單元機(jī)組采用一體化控制系統(tǒng)，正成為DCS應(yīng)用技術(shù)發(fā)展的新方向，這不但減少了故障環(huán)節(jié)，還因內(nèi)部信息交換方便和信息傳遞途徑的減少而提高了可靠性。

此外，隨著近幾年DCS應(yīng)用技術(shù)的發(fā)展，如采用通用化的硬件平臺(tái)，獨(dú)立的應(yīng)用軟件體系，標(biāo)準(zhǔn)化的通訊協(xié)議，PLC控制器的融入，F(xiàn)CS功能的實(shí)現(xiàn)，一鍵啟動(dòng)技術(shù)的成功應(yīng)用等，都為DCS增添了新的活力，功能進(jìn)一步提高，應(yīng)用范圍更加寬廣。

1.2 全廠輔控系統(tǒng)走向集中監(jiān)控

一個(gè)火電廠有10多個(gè)輔助車間，國內(nèi)過去通常都是由PLC和上位機(jī)構(gòu)成各自的網(wǎng)絡(luò)，在各車間控制室內(nèi)單獨(dú)控制，因此得配備大量的運(yùn)行人員。為了提高外圍設(shè)備控制水平和勞動(dòng)生產(chǎn)率，達(dá)到減員增效的目的，隨著DCS技術(shù)和網(wǎng)絡(luò)通訊功能的提高，目前各個(gè)輔助車間的控制已趨向適度集中，整合成一個(gè)輔控網(wǎng)（簡稱BOP 即Balance Of Plant的縮寫）方向發(fā)展，即將相互獨(dú)立的各個(gè)外圍輔助系統(tǒng)，利用計(jì)算機(jī)及網(wǎng)絡(luò)技術(shù)進(jìn)行集成，在全廠IT系統(tǒng)上進(jìn)行運(yùn)行狀況監(jiān)控，實(shí)現(xiàn)外圍控制少人值班或無人值班。

近幾年新建工程迅速向這個(gè)方向發(fā)展。如國華浙能寧海電廠一期工程（4×600MW）燃煤機(jī)組BOP覆蓋了水、煤、灰等共13個(gè)輔助車間子系統(tǒng)的監(jiān)控，下設(shè)水、煤、灰三個(gè)監(jiān)控點(diǎn)，集中監(jiān)控點(diǎn)設(shè)在四機(jī)一控室里，打破了傳統(tǒng)的全廠輔助車間運(yùn)行管理模式，不但比常規(guī)減員30%，還提升了全廠運(yùn)行管理水平。整個(gè)輔控網(wǎng)的硬件和軟件的統(tǒng)一，減少了庫存?zhèn)淦穫浼叭粘９芾砭S護(hù)費(fèi)用[1]。由于取消了多個(gè)就地控制室，使得基建費(fèi)用和今后的維護(hù)費(fèi)用都減少。一些老廠的輔助車間也在進(jìn)行BOP改造，其中浙江省第一家完成改造的是嘉興發(fā)電廠2×300MW機(jī)組，取得較好效果。

1.3 變頻技術(shù)的普及應(yīng)用與發(fā)展

變頻器作為控制系統(tǒng)的一個(gè)重要功率變換部件，以提供高性能變壓變頻可控的交流電源的特點(diǎn)，前些年在火電廠小型電機(jī)（如給粉機(jī)、凝泵）等控制上的應(yīng)用，得到了迅猛的發(fā)展。由于變頻調(diào)速不但在調(diào)速范圍和精度，動(dòng)態(tài)響應(yīng)速度，低速轉(zhuǎn)動(dòng)力矩，工作效率，方便使用方面表現(xiàn)出優(yōu)越性，更重要的是節(jié)能效果在經(jīng)濟(jì)及社會(huì)效益上產(chǎn)生的顯著效應(yīng)，因此繼一些中小型電機(jī)上普遍應(yīng)用后，近年來交流變頻調(diào)速技術(shù)，擴(kuò)展到一些高壓電機(jī)的控制上試用，如送、引風(fēng)機(jī)和給水泵電機(jī)轉(zhuǎn)速的控制等。

因?yàn)樘N(yùn)藏著巨大的節(jié)能潛力，可以預(yù)見隨著高壓變頻器可靠性的提高、一次性投資降低和對電網(wǎng)的諧波干擾減少，更多機(jī)組的風(fēng)機(jī)、水泵上的大電機(jī)會(huì)走向變頻調(diào)速控制，在一段時(shí)間內(nèi)，變頻技術(shù)將繼續(xù)在火電廠節(jié)能工作中，扮演重要角色。

1.4 局部系統(tǒng)應(yīng)用現(xiàn)場總線

自動(dòng)化技術(shù)的發(fā)展，帶來新型自動(dòng)化儀表的涌現(xiàn)，現(xiàn)場總線系統(tǒng)（FCS）是其中一種，它和DCS緊密結(jié)合，是提高控制信號(hào)傳輸?shù)臏?zhǔn)確性、實(shí)時(shí)性、快速性和機(jī)組運(yùn)行的安全可靠性，解決現(xiàn)場設(shè)備的現(xiàn)代化管理，以及降低工程投資等的一項(xiàng)先進(jìn)的和有效的組合。目前在西方發(fā)達(dá)國家，現(xiàn)場總線已應(yīng)用到各個(gè)行業(yè)，其中電力行業(yè)最典型的是德國尼德豪森電廠2×950MW機(jī)組的控制系統(tǒng)，采用的就是PROFIBUS現(xiàn)場總線。

我國政府從“九五”起，開始投資支持現(xiàn)場總線的開發(fā)，取得階段性成果，HART儀表、FF儀表開始生產(chǎn)。但電廠控制由于其高可靠性的要求，目前缺乏大型示范工程，缺乏現(xiàn)場總線對電廠的設(shè)計(jì)、安裝、調(diào)試、生產(chǎn)和管理等方面影響的研究，因此現(xiàn)場總線在電廠的應(yīng)用仍處于探討摸索階段，近二年我國有十多個(gè)工程應(yīng)用了現(xiàn)場總線，但都是在局部系統(tǒng)上，其中： 國華浙能寧海電廠，在單元機(jī)組的開、閉式水系統(tǒng)中的電動(dòng)門控制采用Profibus DP總線技術(shù)，電動(dòng)執(zhí)行機(jī)構(gòu)采用原裝進(jìn)口德國歐瑪公司的一體化智能型產(chǎn)品Puma Matic，帶有雙通道Profibus-DP冗余總線接口作為DP從站掛在總線上。為了提高安全性可靠性，總線光纖、作為總線上的第一類DP主站的AP和相應(yīng)的光電轉(zhuǎn)換裝置都采用了冗余結(jié)構(gòu)，這是國內(nèi)首家在過程控制中采用現(xiàn)場總線技術(shù)的火力發(fā)電廠。

華能玉環(huán)電廠的補(bǔ)給水處理系統(tǒng)和廢水系統(tǒng)[2]，采用了二層通訊網(wǎng)絡(luò)結(jié)構(gòu)的現(xiàn)場總線控制系統(tǒng)，其鏈路設(shè)備和主站級(jí)網(wǎng)絡(luò)采用冗余配置?？刂葡到y(tǒng)人機(jī)終端與主控制器之間采用工業(yè)以太網(wǎng)通訊，以太網(wǎng)交換機(jī)采用ITP形式接口，四臺(tái)交換機(jī)構(gòu)成光纖高速路網(wǎng)?，F(xiàn)場設(shè)備層之間采用Profibus-DP現(xiàn)場總線通訊。主環(huán)網(wǎng)采用光纜，分支現(xiàn)場總線通訊選用總線電纜。配置二套冗余的主控制器，分別用于鍋爐補(bǔ)給水系統(tǒng)和廢水系統(tǒng)，且各自有兩條由光電耦合器組成的現(xiàn)場總線環(huán)形光纜網(wǎng)構(gòu)成冗余配置，所有現(xiàn)場儀表和氣動(dòng)閥門定位器（均采用帶PA總線接口），通過DP/PA耦合器連接到現(xiàn)場總線上。中低壓電器設(shè)備（MCC）采用具有現(xiàn)場總線通信接口功能的智能電機(jī)控制器。加藥泵的電動(dòng)機(jī)采用帶總線的變頻器。鍋爐補(bǔ)給水的陰陽離子床氣動(dòng)隔膜閥的電磁控制閥，采用具有總線接口的閥島來控制，閥島與現(xiàn)場總線連接。這是國內(nèi)在局部過程控制中全面采用現(xiàn)場總線技術(shù)的首個(gè)火電廠，其應(yīng)用實(shí)踐表明，輔控網(wǎng)全面采用現(xiàn)場總線技術(shù)已成熟。

1.5 熱工控制優(yōu)化技術(shù)的應(yīng)用發(fā)展

隨著過程生產(chǎn)領(lǐng)域?qū)刂葡到y(tǒng)要求的不斷提高，傳統(tǒng)控制方法越來越難以滿足火電廠熱力流程對系統(tǒng)穩(wěn)定性和性能最優(yōu)化方面的要求，汽溫超標(biāo)已經(jīng)成為制約機(jī)組負(fù)荷變化響應(yīng)能力和安全穩(wěn)定運(yùn)行的主要障礙之一（燃燒優(yōu)化主要是鍋爐專業(yè)在進(jìn)行，本文不作討論）。由此基于現(xiàn)代控制理論的一些現(xiàn)代控制系統(tǒng)逐步在火電廠過程控制領(lǐng)域中得到應(yīng)用。如基于過程模型并在線動(dòng)態(tài)求解優(yōu)化問題的模型預(yù)測控制（簡稱MPC）法、讓自動(dòng)裝置模擬人工操作的經(jīng)驗(yàn)和規(guī)律來實(shí)現(xiàn)復(fù)雜被控對象自動(dòng)控制的模糊控制法、利用熟練操作員手動(dòng)成功操作的經(jīng)驗(yàn)數(shù)據(jù)，在常規(guī)的串級(jí)PID調(diào)節(jié)系統(tǒng)的基礎(chǔ)上建立基于神經(jīng)網(wǎng)絡(luò)技術(shù)的前饋控制作用等，在提高熱工控制系統(tǒng)（尤其是汽溫控制系統(tǒng)）品質(zhì)過程中取得較好效果。

如寧海發(fā)電廠使用的西門子公司PROFI系統(tǒng)，充分使用了基于模型的現(xiàn)代控制理論，其中汽溫控制原理示意圖如圖1所示。

圖1 機(jī)組汽溫控制原理示意圖

圖1中，用基于狀態(tài)空間算法的狀態(tài)觀測器解決汽溫這種大滯后對象的延遲造成的控制滯后，焓值變增益控制器解決蒸汽壓力的變化對溫度控制的影響，基于模型的Smith預(yù)估器對導(dǎo)前溫度的變化進(jìn)行提前控制；通過自學(xué)習(xí)功能塊實(shí)時(shí)補(bǔ)償減溫水閥門特性的變化；而對再熱汽溫控制，盡量以煙道擋板作為調(diào)節(jié)手段，不采用或少采用減溫水作為控制手段，以提高機(jī)組效率；在機(jī)組協(xié)調(diào)控制模塊中，采用非最小化形式描述的離散卷積和模型，提高系統(tǒng)的魯棒性；根據(jù)控制品質(zhì)的二次型性能指標(biāo)連續(xù)對預(yù)測輸出進(jìn)行優(yōu)化計(jì)算，實(shí)時(shí)對模型失配、時(shí)變和干擾等引起的不確定性因素進(jìn)行補(bǔ)償，提高系統(tǒng)的控制效果；PROFI投入后，AGC狀態(tài)下以2% Pe /min負(fù)荷率變化時(shí)的響應(yīng)時(shí)間為57秒，壓力最大偏差0.208MPa，汽包水位變化最高和最低之差為-38.86mm，爐膛負(fù)壓變化曲線最高值和最低值差－145Pa，主蒸汽溫度偏差穩(wěn)態(tài)基本控制在2℃以內(nèi)，動(dòng)態(tài)基本控制在5℃以內(nèi)。

1.6 SIS系統(tǒng)的應(yīng)用發(fā)展

SIS系統(tǒng)是實(shí)現(xiàn)電廠管理信息系統(tǒng)與各種分散控制系統(tǒng)之間數(shù)據(jù)交換、實(shí)時(shí)信息共享的橋梁，其功能包括廠級(jí)實(shí)時(shí)數(shù)據(jù)采集與監(jiān)視，廠級(jí)性能計(jì)算與分析。在電網(wǎng)明確調(diào)度方式有非直調(diào)方式且應(yīng)用軟件成熟的前提下，可以設(shè)置負(fù)荷調(diào)度分配功能。設(shè)備故障診斷功能、壽命管理功能、系統(tǒng)優(yōu)化功能以及其它功能（根據(jù)電廠實(shí)際情況確定是否設(shè)置）[3]。自從國家電力公司電力規(guī)劃總院在2000年提出這一概念和規(guī)劃后，至今估計(jì)有200家多電廠建立了SIS系統(tǒng)，可謂發(fā)展相當(dāng)迅速。

但是自從SIS系統(tǒng)投運(yùn)以來，其所起的作用只是數(shù)據(jù)的采集、存儲(chǔ)、顯示和可打印各類生產(chǎn)報(bào)表，能夠真正把SIS的應(yīng)用功能盡情發(fā)揮出來的很少，其面向統(tǒng)計(jì)／生產(chǎn)管理的數(shù)據(jù)分析工具，基于熱經(jīng)濟(jì)性分析的運(yùn)行優(yōu)化，以品質(zhì)經(jīng)濟(jì)性為目標(biāo)的控制優(yōu)化，以提高可靠性為目的的設(shè)備故障診斷等功能基本多數(shù)都未能付緒實(shí)施。其原因主要有設(shè)計(jì)不夠完善，多數(shù)SIS廠家并沒有完全吃透專業(yè)性極強(qiáng)的后臺(tái)程序及算法，使其在生產(chǎn)實(shí)際中未能發(fā)揮作用，加上與現(xiàn)場生產(chǎn)脫節(jié)，因此SIS商所能做的只是利用網(wǎng)絡(luò)技術(shù)，邊搭建一個(gè)基本的SIS 架構(gòu)邊進(jìn)行摸索。此外SIS應(yīng)涵蓋哪些內(nèi)容沒有統(tǒng)一的標(biāo)準(zhǔn)也緩慢了其功能的應(yīng)用。

但從大的方向上看，SIS系統(tǒng)的建設(shè)符合技術(shù)發(fā)展的需要和中國電力市場發(fā)展的趨勢，將給發(fā)電廠特別是大型的現(xiàn)代化發(fā)電廠帶來良好的經(jīng)濟(jì)效益。

2 電力行業(yè)熱工自動(dòng)化系統(tǒng)的未來發(fā)展動(dòng)向及前景

隨著國家法律對環(huán)保日益嚴(yán)格的要求和計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的進(jìn)步，未來熱工系統(tǒng)將圍繞 “節(jié)能增效，可持續(xù)發(fā)展”的主題，向智能化、網(wǎng)絡(luò)化、透明化，保護(hù)、控制、測量和數(shù)據(jù)通信一體化發(fā)展，新的測量控制原理和方法不斷得以應(yīng)用，將使機(jī)組的運(yùn)行操作和故障處理，象操作普通計(jì)算機(jī)一樣方便。

2.1 單元機(jī)組監(jiān)控智能化是熱工自動(dòng)化系統(tǒng)發(fā)展方向

單元機(jī)組DCS的普及應(yīng)用，使得機(jī)組的監(jiān)控面貌煥然一新，但是它的監(jiān)控智能化程度在電力行業(yè)卻沒有多大提高。雖然許多智能化的監(jiān)視、控制軟件在國內(nèi)化工、冶金行業(yè)中都有較好的應(yīng)用并取得效益，可在我國電力行業(yè)直到近幾年才開始有所起步。隨著技術(shù)的進(jìn)步，火電廠單元機(jī)組自動(dòng)化系統(tǒng)的智能化將是一種趨勢，因此未來數(shù)年里，實(shí)現(xiàn)信息智能化的儀表與軟件將會(huì)在火電廠得到發(fā)展與應(yīng)用，如：

儀表智能管理軟件，將對現(xiàn)場智能傳感器進(jìn)行在線遠(yuǎn)程組態(tài)和參數(shù)設(shè)置、對因安裝位置和高靜壓造成的零位飄移進(jìn)行遠(yuǎn)程修正，精度自動(dòng)進(jìn)行標(biāo)定，計(jì)算各類誤差， 并生成標(biāo)定曲線和報(bào)告；自動(dòng)跟蹤并記錄儀表運(yùn)行過程中綜合的狀態(tài)變化，如掉電、高低限報(bào)警、取壓管路是否有堵或零位是否有飄移等。

閥門智能管理軟件將對智能化閥門進(jìn)行在線組態(tài)、調(diào)試、自動(dòng)標(biāo)定和開度階躍測試，判斷閥門閥桿是否卡澀， 閥芯是否有磨損等，通過閥門性能狀況的全面評估，為實(shí)現(xiàn)預(yù)測性維護(hù)提供決策。

重要轉(zhuǎn)動(dòng)設(shè)備的狀態(tài)智能管理軟件將對重要轉(zhuǎn)動(dòng)設(shè)備的狀態(tài)如送風(fēng)機(jī)，引風(fēng)機(jī)，給水泵等，綜合采用基于可靠性的狀態(tài)監(jiān)測多種技術(shù)，通過振動(dòng)、油的分析以及電機(jī)診斷，快速分析（是否存在平衡不好，基礎(chǔ)松動(dòng)， 沖擊負(fù)荷，軸承磨損）等現(xiàn)象和識(shí)別故障隱患， 在隱患尚未擴(kuò)展之前發(fā)出報(bào)警，為停機(jī)檢修提供指導(dǎo)和幫助。

智能化報(bào)警軟件將對報(bào)警信號(hào)進(jìn)行匯類統(tǒng)計(jì)、分析和預(yù)測，對機(jī)組運(yùn)行趨勢和狀態(tài)作出分析、判斷，用以指導(dǎo)運(yùn)行人員的操作；故障預(yù)測、故障診斷以及狀態(tài)維修等專用軟件，將在提高機(jī)組運(yùn)行的安全性，最大限度地挖掘機(jī)組潛力中發(fā)揮作用。單元機(jī)組監(jiān)控智能化將帶來機(jī)組檢修方式的轉(zhuǎn)變，以往定期的、被動(dòng)式維護(hù)將向預(yù)測性、主動(dòng)式為主的維護(hù)方式過渡，檢修計(jì)劃將根據(jù)機(jī)組實(shí)際狀況安排。

2.2 過程控制優(yōu)化軟件將得到進(jìn)一步應(yīng)用

進(jìn)一步提高模擬量控制系統(tǒng)的調(diào)節(jié)范圍和品質(zhì)指標(biāo)，是火電廠熱工自動(dòng)化控制技術(shù)研究的一個(gè)方向。雖然目前有關(guān)自適應(yīng)、狀態(tài)預(yù)測、模糊控制及人工神經(jīng)網(wǎng)絡(luò)等技術(shù)，在電廠控制系統(tǒng)優(yōu)化應(yīng)用的報(bào)道有不少，但據(jù)筆者了解真正運(yùn)行效果好的不多。隨著電力行業(yè)競爭的加劇，安全、經(jīng)濟(jì)效益方面取得明顯效果、通用性強(qiáng)、安裝調(diào)試方便的優(yōu)化控制專用軟件（尤其是燃燒和蒸汽溫度優(yōu)化、性能分析軟件、）將會(huì)在電廠得到親睞、進(jìn)一步發(fā)展與應(yīng)用。

目前機(jī)組的AGC均為單機(jī)方式（由調(diào)度直接把負(fù)荷指令發(fā)給投入AGC的機(jī)組）。由于電網(wǎng)負(fù)荷變化頻繁，使投入AGC的機(jī)組始終處于相應(yīng)的變負(fù)荷狀態(tài)，鍋爐的蒸汽壓力和溫度波動(dòng)幅度大，輔機(jī)、閥門、擋板等設(shè)備動(dòng)作頻繁，這種方式對機(jī)組和設(shè)備的壽命都會(huì)產(chǎn)生一定的負(fù)面影響。隨著發(fā)電成本的提高，發(fā)電企業(yè)需從各個(gè)角度考慮如何切實(shí)降低電廠運(yùn)行成本，延長機(jī)組的使用壽命。因此配置全廠負(fù)荷分配系統(tǒng)（即電網(wǎng)調(diào)度向電廠發(fā)一個(gè)全廠負(fù)荷指令，由電廠的全廠負(fù)荷分配系統(tǒng)，以機(jī)組的煤耗成本特性為基礎(chǔ)，在機(jī)組允許的變化范圍內(nèi)，經(jīng)濟(jì)合理地選擇安排機(jī)組的負(fù)荷或變負(fù)荷任務(wù)，使全廠發(fā)電的煤耗成本最低，降低電廠的發(fā)電成本）將是發(fā)電企業(yè)必然的要求，相信不久的將來，單機(jī)AGC方式將會(huì)向全廠負(fù)荷分配方式轉(zhuǎn)變。轉(zhuǎn)貼于

SIS系統(tǒng)將結(jié)合生產(chǎn)實(shí)際進(jìn)行二次開發(fā)，促進(jìn)自身應(yīng)用技術(shù)走向成熟，在確保火電廠安全、環(huán)保、高效益及深化信息化技術(shù)應(yīng)用中發(fā)揮作用。

2.3 現(xiàn)場總線與DCS相互依存發(fā)展

未來一段時(shí)間里，現(xiàn)場總線將與DCS、PLC相互依存發(fā)展，現(xiàn)場總線借助于DCS和PLC平臺(tái)發(fā)展自身的應(yīng)用空間，DCS和PLC則借助于現(xiàn)場總線完善自身的功能。

2.3.1 現(xiàn)場總線與DCS的關(guān)系

現(xiàn)場總線作為一個(gè)完整的現(xiàn)場總線控制系統(tǒng)，目前還難以迅速應(yīng)用到整個(gè)電廠中，而DCS雖然是電廠目前在線運(yùn)行機(jī)組的主流控制系統(tǒng)，但由于其檢測和執(zhí)行等現(xiàn)場儀表信號(hào)仍采用模擬量信號(hào)，無法滿足工程師站上對現(xiàn)場儀表進(jìn)行診斷、維護(hù)和管理的要求，限制了控制過程視野，因此DCS通過容入通信協(xié)議國際標(biāo)準(zhǔn)化的現(xiàn)場總線和適合現(xiàn)場總線連接的智能化儀表、閥門，并將自身的輸出驅(qū)動(dòng)功能分離移到現(xiàn)場或由現(xiàn)場智能驅(qū)動(dòng)器代替，功能簡單且相對集中的控制系統(tǒng)下放到采用FCS控制和處理功能的現(xiàn)場智能儀表中，然后由少量的幾根同軸電纜（或光纜）和緊急停爐停機(jī)控制用電纜，通過全數(shù)字化通信與控制室連接。將有助于降低電廠造價(jià)，提高自身的可靠性，拓寬各自的功能，推動(dòng)各自的發(fā)展。除新建電廠將會(huì)更多的采用現(xiàn)場總線的智能設(shè)備外，也會(huì)成為運(yùn)行多年的機(jī)組下一步的改造計(jì)劃。

2.3.2 現(xiàn)場總線與PLC的關(guān)系

現(xiàn)場總線在電廠的應(yīng)用將借助于PLC，這不但因?yàn)镻LC已廣泛應(yīng)用于電廠輔助設(shè)備的控制，將現(xiàn)場總線技術(shù)和產(chǎn)品溶合到PLC系統(tǒng)中，成為PLC系統(tǒng)中的一部分或者成為PLC系統(tǒng)的延伸部分，在輔助設(shè)備的控制中將直接明顯地體現(xiàn)其經(jīng)濟(jì)效益。還因?yàn)楝F(xiàn)場總線和PLC的制造商間關(guān)系密切，如Contr01．Net、ProfiBus等本身就是由PLC的主要生產(chǎn)供貨商支持開發(fā)。

由于電廠現(xiàn)場的環(huán)境惡劣，溫度高、灰塵多、濕度變化大，因此現(xiàn)場總線在電廠應(yīng)用，首先要解決的是自身質(zhì)量。

2.4 輔助車間（系統(tǒng)）集控將得到全面推廣

隨著發(fā)電廠對減員增效的要求和運(yùn)行人員整體素質(zhì)的提高，輔助車間（系統(tǒng)）通過輔控網(wǎng)集控將會(huì)得到進(jìn)一步全面推廣。但在實(shí)施過程中，目前要解決好以下問題：

（1）輔控系統(tǒng)I/O點(diǎn)數(shù)量大（浙江寧海電廠已達(dá)到10000點(diǎn)），各輔助車間物理位置分散，存在遠(yuǎn)距離通信、信號(hào)衰減和網(wǎng)絡(luò)干擾問題，因此監(jiān)控系統(tǒng)主干通信網(wǎng)宜采用多模光纜以確保通信信號(hào)的可靠性。

（2）各輔助控制系統(tǒng)采用不同的控制設(shè)備，控制系統(tǒng)的通信接口協(xié)議不同，甚至不同的物理接口，因此須解決網(wǎng)絡(luò)通信協(xié)議的轉(zhuǎn)換問題，選型時(shí)應(yīng)事先規(guī)定好各系統(tǒng)間的接口連接協(xié)議。

（3）各個(gè)輔助車間的控制系統(tǒng)為不同的廠商供貨，由于使用的軟件不同，其操作員站的人機(jī)界面很有可能不一致。因此選型時(shí)應(yīng)注意上位機(jī)軟件，設(shè)計(jì)統(tǒng)一的人機(jī)界面，采用統(tǒng)一的風(fēng)格及操作方式，以便方便各系統(tǒng)畫面接入BOP網(wǎng)絡(luò)。

輔助車間集控系統(tǒng)能否實(shí)現(xiàn)設(shè)計(jì)目標(biāo)，除了自身的技術(shù)以外，很大程度上取決于輔助系統(tǒng)本身的自動(dòng)投入情況。因此高可靠性的執(zhí)行機(jī)構(gòu)、動(dòng)作靈活可靠的限位開關(guān)、智能化的變送器將會(huì)得到應(yīng)用；

2.5 單元機(jī)組監(jiān)控系統(tǒng)的物理配置趨向集中布置

過去一個(gè)集控室的概念，通常為一臺(tái)單元機(jī)組獨(dú)用或?yàn)槎_(tái)機(jī)組合用，電子室分成若干個(gè)小型的電子設(shè)備間，分別布置在鍋爐、汽輪機(jī)房或其它主設(shè)備附近。其優(yōu)點(diǎn)是節(jié)省了電纜。但隨著機(jī)組容量的提高、計(jì)算機(jī)技術(shù)的發(fā)展和管理水平的深化，近幾年集控室的概念擴(kuò)大，出現(xiàn)了全廠單元機(jī)組集中于一個(gè)控制室，單元機(jī)組的電子設(shè)備間集中，現(xiàn)場一般的監(jiān)視信號(hào)大量采用遠(yuǎn)程I/O柜的配置方式趨勢，如浙江省國華浙能寧海發(fā)電廠（獲國家金獎(jiǎng)），一期工程四臺(tái)機(jī)組一個(gè)控制室集中監(jiān)控，單元機(jī)組電子室集中，提高了機(jī)組運(yùn)行管理水平。

2.6 APS技術(shù)應(yīng)用

APS是機(jī)組級(jí)順序控制系統(tǒng)的代名詞。在機(jī)組啟動(dòng)中，僅需按下一個(gè)啟動(dòng)控制鍵，整個(gè)機(jī)組就將按照設(shè)計(jì)的先后順序、規(guī)定的時(shí)間和各控制子系統(tǒng)的工作情況，自動(dòng)啟停過程中的相關(guān)設(shè)備，協(xié)調(diào)機(jī)爐電各系統(tǒng)的控制，在少量人工干預(yù)甚至完全不用人工干預(yù)的情況下，自動(dòng)地完成整臺(tái)機(jī)組的啟停。但由于設(shè)備自身的可控性和可用率不滿足自動(dòng)化要求，加上一些工藝和技術(shù)上還存在問題，需要深入地分析研究和改進(jìn)，所以目前燃煤機(jī)組實(shí)施APS系統(tǒng)的還不多見。

由于APS系統(tǒng)的實(shí)質(zhì)是電廠運(yùn)行規(guī)程的程序化，其優(yōu)勢在于可以大大減輕運(yùn)行人員的工作強(qiáng)度，避免人為操作中的各種不穩(wěn)定因素，縮短機(jī)組啟停時(shí)間。作為提高生產(chǎn)效率和機(jī)組整體自動(dòng)化水平，增強(qiáng)在電力企業(yè)的市場競爭能力行之有效的方法，將會(huì)成為未來機(jī)組控制發(fā)展的方向之一，引導(dǎo)設(shè)計(jì)、控制系統(tǒng)廠商和電廠人員更多地去深入研究，設(shè)計(jì)和完善功能，并付緒實(shí)施。

2.7 無線測量技術(shù)應(yīng)用

無線測量技術(shù)能監(jiān)視和控制運(yùn)行過程中發(fā)生的更多情況，獲得關(guān)鍵的工藝信息，整合進(jìn)入DCS。除節(jié)省大量安裝成本以外，還將推動(dòng)基本過程和自動(dòng)化技術(shù)的改善。如供熱、供油和煤計(jì)量，酸堿、污水區(qū)域測量等，都可能通過無線測量技術(shù)實(shí)現(xiàn)遠(yuǎn)程監(jiān)控。

2.8 提高熱工自動(dòng)化系統(tǒng)可靠性研究將深入

由于熱控系統(tǒng)硬軟件的性能與質(zhì)量、控制邏輯的完善性和合理性、保護(hù)信號(hào)的取信方式和配置、保護(hù)連鎖信號(hào)的定值和延遲時(shí)間設(shè)置，以及熱控人員的檢修和維護(hù)水平方面，都還存在一些不足之處，由此使得熱控保護(hù)系統(tǒng)誤動(dòng)作引起機(jī)組跳閘事件還時(shí)有發(fā)生。在電力生產(chǎn)企業(yè)面臨安全考核風(fēng)險(xiǎn)增加和市場競爭加劇的環(huán)境下，本著電力生產(chǎn)“安全第一，預(yù)防為主”的方針，以及效益優(yōu)先原則，從提高熱工自動(dòng)化系統(tǒng)的可靠性著手，深入開展技術(shù)研究，是熱工自動(dòng)化系統(tǒng)近期的一項(xiàng)急需進(jìn)行的工作。提高熱工自動(dòng)化系統(tǒng)的可靠性技術(shù)研究工作，包括控制軟硬件的合理配置，采集信號(hào)的可靠性、干擾信號(hào)的抑制，控制邏輯的優(yōu)化、控制系統(tǒng)故障應(yīng)急預(yù)案的完善等。隨著機(jī)組控制可靠性要求的提高，重要控制子系統(tǒng)的硬件配置中，將會(huì)采用安全型控制器、安全型PLC系統(tǒng)或者它們的整合，保護(hù)采集信號(hào)將會(huì)更多的采用三選二判斷邏輯。獨(dú)立的測量裝置需要設(shè)計(jì)干擾信號(hào)抑制功能。此外基建機(jī)組一味以最低價(jià)中標(biāo)的招標(biāo)模式也應(yīng)得到扭轉(zhuǎn)（最低價(jià)中標(biāo)，迫使廠商通過減少配置來降低投標(biāo)價(jià)，導(dǎo)致控制系統(tǒng)可靠性下降）。

2.9 火電廠機(jī)組檢修運(yùn)行維護(hù)方式將改變

隨著電力市場的競爭，發(fā)電企業(yè)將趨向集約化經(jīng)營和管理結(jié)構(gòu)扁平化，為提高經(jīng)濟(jì)效益，發(fā)電企業(yè)在多發(fā)電，以提高機(jī)組利用小時(shí)的同時(shí)，將會(huì)通過減少生產(chǎn)人員的配備，密切與外包檢修企業(yè)之間的聯(lián)系，讓專業(yè)檢修隊(duì)伍取替本廠檢修隊(duì)伍的方式來提高勞動(dòng)生產(chǎn)率。因此檢修維修工作社會(huì)化將是一種趨勢。此外DCS的一體化及其向各功能領(lǐng)域滲透，提高電廠整體協(xié)調(diào)和信息化、自動(dòng)化水平的同時(shí)，也將會(huì)使電廠原專業(yè)間及專業(yè)內(nèi)的分工重新調(diào)整，比如熱工與電氣二次回路的專業(yè)劃分打通。為了降低成本，電廠不再保持大批的檢修維修人員，因此檢修維護(hù)方式也將因此而改變，比如讓生產(chǎn)廠家和公司承擔(dān)DCS和相關(guān)設(shè)備的檢修工作。

電廠機(jī)組容量的不斷增大，熱工自動(dòng)化系統(tǒng)所依賴的測量儀表也大量增加。在現(xiàn)場總線和智能儀表未全面使用的情況下，這些儀表還需定期校驗(yàn)。為提高測量儀表校驗(yàn)工作的效率，實(shí)現(xiàn)測量儀表從校驗(yàn)、基礎(chǔ)數(shù)據(jù)臺(tái)帳的建立、設(shè)備校驗(yàn)計(jì)劃和日常維護(hù)工作的產(chǎn)生、執(zhí)行、校驗(yàn)、數(shù)據(jù)輸入、終結(jié)及統(tǒng)計(jì)分析，周期調(diào)整等的全過程自動(dòng)管理代替人工管理，將是電廠儀表管理發(fā)展的趨勢，因此全自動(dòng)儀表校驗(yàn)裝置和自動(dòng)管理軟件的需求量將會(huì)迅速增加。