卷積神經(jīng)網(wǎng)絡(luò)的核心精選(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)的核心主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經(jīng)網(wǎng)絡(luò)的核心范文

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；圖像分類；空間變換；可變形卷積

DOIDOI：10.11907/rjdk.171863

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）006-0198-04

0 引言

圖像分類一直是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)基礎(chǔ)而重要的核心問(wèn)題，具有大量的實(shí)際應(yīng)用場(chǎng)景和案例。很多典型的計(jì)算機(jī)視覺(jué)問(wèn)題（如物體檢測(cè)、圖像分割）都可以演化為圖像分類問(wèn)題。圖像分類問(wèn)題有很多難點(diǎn)需要解決，觀測(cè)角度、光照條件的變化、物體自身形變、部分遮擋、背景雜波影響、類內(nèi)差異等問(wèn)題都會(huì)導(dǎo)致被觀測(cè)物體的計(jì)算機(jī)表示（二維或三維數(shù)值數(shù)組）發(fā)生劇烈變化。一個(gè)良好的圖像分類模型應(yīng)當(dāng)對(duì)上述情況（以及不同情況的組合）不敏感。使用深度學(xué)習(xí)尤其是深度卷積神經(jīng)網(wǎng)絡(luò)，用大量圖像數(shù)據(jù)進(jìn)行訓(xùn)練后可以處理十分復(fù)雜的分類問(wèn)題。

卷積神經(jīng)網(wǎng)絡(luò)是為識(shí)別二維形狀而專門設(shè)計(jì)的一個(gè)多層感知器，這種網(wǎng)絡(luò)結(jié)構(gòu)對(duì)平移、縮放、傾斜等擾動(dòng)具有高度不變性，并且具有強(qiáng)大的特征學(xué)習(xí)與抽象表達(dá)能力，可以通過(guò)網(wǎng)絡(luò)訓(xùn)練獲得圖像特征，避免了復(fù)雜的特征提取與數(shù)據(jù)重建過(guò)程。通過(guò)網(wǎng)絡(luò)層的堆疊，集成了低、中、高層特征表示。AlexNet等網(wǎng)絡(luò)模型的出F，也推動(dòng)了卷積網(wǎng)絡(luò)在海量圖像分類領(lǐng)域的蓬勃發(fā)展。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，其“局部感知”“權(quán)值共享”[1]等特性使之更類似于生物神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)模型復(fù)雜度大大降低，網(wǎng)絡(luò)訓(xùn)練更容易，多層的網(wǎng)絡(luò)結(jié)構(gòu)有更好的抽象表達(dá)能力，可以直接將圖像作為網(wǎng)絡(luò)輸入，通過(guò)網(wǎng)絡(luò)訓(xùn)練自動(dòng)學(xué)習(xí)圖像特征，從而避免了復(fù)雜的特征提取過(guò)程。

Yann LeCun等[2]設(shè)計(jì)的LeNet-5是當(dāng)前廣泛使用的卷積網(wǎng)絡(luò)結(jié)構(gòu)原型，它包含了卷積層、下采樣層（池化層）、全連接層以及輸出層，構(gòu)成了現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)的基本組件，后續(xù)復(fù)雜的模型都離不開這些基本組件。LeNet-5對(duì)手寫數(shù)字識(shí)別率較高，但在大數(shù)據(jù)量、復(fù)雜的物體圖片分類方面不足，過(guò)擬合也導(dǎo)致其泛化能力較弱。網(wǎng)絡(luò)訓(xùn)練開銷大且受制于計(jì)算機(jī)性能。

2012年，在ILSVRC競(jìng)賽中AlexNet模型[3]贏得冠軍，將錯(cuò)誤率降低了10個(gè)百分點(diǎn)。擁有5層卷積結(jié)構(gòu)的AlexNet模型證明了卷積神經(jīng)網(wǎng)絡(luò)在復(fù)雜模型下的有效性，并將GPU訓(xùn)練引入研究領(lǐng)域，使得大數(shù)據(jù)訓(xùn)練時(shí)間縮短，具有里程碑意義。AlexNet還有如下創(chuàng)新點(diǎn)：①采用局部響應(yīng)歸一化算法（Local Response Normalization，LRN），增強(qiáng)了模型的泛化能力，有效降低了分類錯(cuò)誤率；②使用Dropout技術(shù)，降低了神經(jīng)元復(fù)雜的互適應(yīng)關(guān)系，有效避免了過(guò)擬合；③為了獲得更快的收斂速度，AlexNet使用非線性激活函數(shù)ReLU（Rectified Linear Units）來(lái)代替?zhèn)鹘y(tǒng)的Sigmoid激活函數(shù)。

Karen等[4]在AlexNet的基礎(chǔ)上使用更小尺寸的卷積核級(jí)聯(lián)替代大卷積核，提出了VGG網(wǎng)絡(luò)。雖然VGG網(wǎng)絡(luò)層數(shù)和參數(shù)都比AlexNet多，但得益于更深的網(wǎng)絡(luò)和較小的卷積核尺寸，使之具有隱式規(guī)則作用，只需很少的迭代次數(shù)就能達(dá)到收斂目的。

復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)能表達(dá)更高維的抽象特征。然而，隨著網(wǎng)絡(luò)層數(shù)增加，參數(shù)量也急劇增加，導(dǎo)致過(guò)擬合及計(jì)算量大增，解決這兩個(gè)缺陷的根本辦法是將全連接甚至一般的卷積轉(zhuǎn)化為稀疏連接。為此，Google團(tuán)隊(duì)提出了Inception結(jié)構(gòu)[5]，以將稀疏矩陣聚類為較為密集的子矩陣來(lái)提高計(jì)算性能。以Inception結(jié)構(gòu)構(gòu)造的22層網(wǎng)絡(luò)GoogLeNet，用均值池化代替后端的全連接層，使得參數(shù)量只有7M，極大增強(qiáng)了泛化能力，并增加了兩個(gè)輔助的Softmax用于向前傳導(dǎo)梯度，避免梯度消失。GoogLeNet在2014年的ILSVRC競(jìng)賽中以Top-5錯(cuò)誤率僅6.66%的成績(jī)摘得桂冠。

網(wǎng)絡(luò)層數(shù)的增加并非永無(wú)止境。隨著網(wǎng)絡(luò)層數(shù)的增加，將導(dǎo)致訓(xùn)練誤差增大等所謂退化問(wèn)題。為此，微軟提出了一種深度殘差學(xué)習(xí)框架[6]，利用多層網(wǎng)絡(luò)擬合一個(gè)殘差映射，成功構(gòu)造出152層的ResNet-152，并在2015年的ILSVRC分類問(wèn)題競(jìng)賽中取得Top-5錯(cuò)誤率僅5.71%的成績(jī)。隨后，對(duì)現(xiàn)有的瓶頸式殘差結(jié)構(gòu)進(jìn)行改進(jìn)，提出了一種直通結(jié)構(gòu)[7]，并基于此搭建出驚人的1001層網(wǎng)絡(luò)，在CIFAR-10分類錯(cuò)誤率僅4.92%。至此，卷積神經(jīng)網(wǎng)絡(luò)在越來(lái)越“深”的道路上一往直前。

2 可變形的卷積神經(jīng)網(wǎng)絡(luò)

2.1 空間變換網(wǎng)絡(luò)

空間變換網(wǎng)絡(luò)（Spatial Transformer Network，STN）[8]主要由定位網(wǎng)絡(luò)（Localisation net）、網(wǎng)格生成器（Grid generator）和可微圖像采樣（Differentiable Image Sampling）3部分構(gòu)成，如圖1所示。

定位網(wǎng)絡(luò)將輸入的特征圖U放入一個(gè)子網(wǎng)絡(luò)（由卷積、全連接等構(gòu)成的若干層子網(wǎng)絡(luò)），生成空間變換參數(shù)θ。θ的形式可以多樣，如需要實(shí)現(xiàn)2D仿射變換，那么θ就是一個(gè)2×3的向量。

2.3 本文模型

本文以自建的3層卷積網(wǎng)絡(luò)C3K5（如圖6所示）和VGG-16作為基準(zhǔn)網(wǎng)絡(luò)，分別引入空間變換網(wǎng)絡(luò)、可變形卷積和可變形池化，構(gòu)造出8個(gè)卷積神經(jīng)網(wǎng)絡(luò)，用以驗(yàn)證可變形模塊對(duì)淺層網(wǎng)絡(luò)和深層網(wǎng)絡(luò)的影響，如表1所示。

圖6中C3K5網(wǎng)絡(luò)模型包含3個(gè)帶有ReLU層、LRN層和池化層的卷積模塊，卷積層采用步長(zhǎng)為1的5×5卷積核，輸出保持原大小，池化層采用步長(zhǎng)為2核為2×2的最大值池化，即每經(jīng)過(guò)一個(gè)卷積模塊，特征圖縮小為原來(lái)的一半。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)設(shè)置

本文實(shí)驗(yàn)環(huán)境：CPU為Intel i5-7400，8G內(nèi)存，顯卡為GTX1060，采用Cuda8+CuDNN6.0加速。

實(shí)驗(yàn)數(shù)據(jù)集包括公共圖像數(shù)據(jù)集mnist、cifar-10、cifar-100和自建圖像數(shù)據(jù)集pen-7。公共數(shù)據(jù)集分別有50 000張訓(xùn)練樣本圖像和10 000張測(cè)試樣本圖像。自建數(shù)據(jù)集pen-7為京東商城的七類筆圖像庫(kù)，每類有600張圖片，圖像分辨率為200×200，總計(jì)訓(xùn)練樣本數(shù)3 360，測(cè)試樣本數(shù)840， 圖7為其中的14個(gè)樣本。

3.2 結(jié)果與分析

分別將表1中的10個(gè)卷積網(wǎng)絡(luò)應(yīng)用到mnist、cifar-10、cifar-100和pen-7四個(gè)數(shù)據(jù)集進(jìn)行訓(xùn)練，batch-size設(shè)置100，即每次傳入100張圖片進(jìn)行訓(xùn)練，每訓(xùn)練100次測(cè)試一次（記為一次迭代），總共迭代100次，取最后10次迭代的準(zhǔn)確率計(jì)算平均值，得各網(wǎng)絡(luò)應(yīng)用在不同數(shù)據(jù)集的分類結(jié)果，如表2所示。

實(shí)驗(yàn)結(jié)果表明，在卷積網(wǎng)絡(luò)中引入空間變換網(wǎng)絡(luò)、用可變形的卷積層和可變形的池化層替換傳統(tǒng)的卷積層和池化層，不管是在淺層網(wǎng)絡(luò)還是在深層網(wǎng)絡(luò)，都能獲得更高的分類準(zhǔn)確率，這驗(yàn)證了空間變換網(wǎng)絡(luò)和可變形卷積（池化）結(jié)構(gòu)，豐富了卷積神經(jīng)網(wǎng)絡(luò)的空間特征表達(dá)能力，提升了卷積網(wǎng)絡(luò)對(duì)樣本的空間多樣性變化的魯棒性。包含3種模塊的網(wǎng)絡(luò)獲得了最高的分類精度，使空間變換網(wǎng)絡(luò)、可變形卷積層和可變形池化層在更多應(yīng)用場(chǎng)景中并駕齊驅(qū)成為可能。

4 結(jié)語(yǔ)

通過(guò)在現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)中引入空間變換網(wǎng)絡(luò)、可變形的卷積層和可變形的池化層，使得卷積網(wǎng)絡(luò)在mnist、cifar-10、cifar-100及自建的pen-7數(shù)據(jù)集中獲得了更高的分類精度，包含3種模塊的網(wǎng)絡(luò)獲得了最高分類精度，證明了空間變換網(wǎng)絡(luò)、可變形的卷積層和可變形池化層都能豐富網(wǎng)絡(luò)的空間特征表達(dá)能力，協(xié)同應(yīng)用于圖像分類工作，這為后續(xù)研究打下了堅(jiān)實(shí)的基礎(chǔ)。

參考文獻(xiàn)：

[1]BOUVRIE J. Notes on convolutional neural networks[J].Neural Nets，2006（1）：159-164.

[2]Y LECUN，L BOTTOU，Y BENGIO，et al.Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.

[3]KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems. Curran Associates Inc，2012：1097-1105.

[4]SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. Computer Science， 2014（6）：1211-1220.

[5]SZEGEDY C， LIU W， JIA Y， et al. Going deeper with convolutions[J]. CVPR， 2015（3）：1-9.

[6]HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C]. Computer Vision and Pattern Recognition. IEEE， 2015：770-778.

[7]HE K， ZHANG X， REN S， et al. Identity mappings in deep residual networks[J]. arXiv，2016（1603）：5-27.

[8]JADERBERG M， SIMONYAN K， ZISSERMAN A， et al. Spatial transformer networks[J].Computer Science， 2015（5）：1041-1050.

[9]DAI J， QI H， XIONG Y， et al. Deformable convolutional networks[J]. arXiv： 2017（1703）：62-111.

第2篇：卷積神經(jīng)網(wǎng)絡(luò)的核心范文

關(guān)鍵詞：人工智能 機(jī)器學(xué)習(xí) 機(jī)器人情感獲得 發(fā)展綜述

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-9082 （2017） 04-0234-01

引言

人類自從工業(yè)革命結(jié)束之后，就已然開始了對(duì)人工智能的探索，究其本質(zhì)，實(shí)際上就是對(duì)人的思維進(jìn)行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時(shí)期，那時(shí)圖靈就希望未來(lái)的智能系統(tǒng)能夠像人一樣思考。在20世紀(jì)五十年代，人工智能被首次確定為一個(gè)新興的學(xué)科，并吸引了大批的學(xué)者投入到該領(lǐng)域的研究當(dāng)中。經(jīng)過(guò)長(zhǎng)時(shí)間的探索和嘗試，人工智能的許多重要基本理論已經(jīng)形成，如模式識(shí)別、特征表示與推理、機(jī)器學(xué)習(xí)的相關(guān)理論和算法等等。進(jìn)入二十一世紀(jì)以來(lái)，隨著深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，人工智能再一次成為研究熱點(diǎn)。人工智能技術(shù)與基因過(guò)程、納米科學(xué)并列為二十一世紀(jì)的三大尖端技術(shù)， 并且人工智能涉及的學(xué)科多，社會(huì)應(yīng)用廣泛，對(duì)其原理和本質(zhì)的理解也更為復(fù)雜。 一、人工智能的發(fā)展歷程

回顧人工智能的產(chǎn)生與發(fā)展過(guò)程 ，可以將其分為：初期形成階段，綜合發(fā)展階段和應(yīng)用階段。

1.初期形成階段

人工智能這一思想最早的提出是基于對(duì)人腦神經(jīng)元模型的抽象。其早期工作被認(rèn)為是由美國(guó)的神經(jīng)學(xué)家和控制論學(xué)者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學(xué)的研究生制造出了第一臺(tái)人工神經(jīng)元計(jì)算機(jī)。而其真正作為一個(gè)新的概念被提出是在1956年舉行的達(dá)茅斯會(huì)議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒(méi)器來(lái)模擬人類智能的新興學(xué)科。1969年的國(guó)際人工智能聯(lián)合會(huì)議標(biāo)志著人工智能得到了國(guó)際的認(rèn)可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數(shù)學(xué)、生物、計(jì)算機(jī)、神經(jīng)科學(xué)等相關(guān)學(xué)科的學(xué)者參與該領(lǐng)域的研究。

2.綜合發(fā)展階段

1.7 7年， 費(fèi)根鮑姆在第五屆國(guó)際人工智能聯(lián)合會(huì)議上正式提出了“知識(shí)工程”這一概念。而后其對(duì)應(yīng)的專家系統(tǒng)得到發(fā)展，許多智能系統(tǒng)紛紛被推出，并應(yīng)用到了人類生活的方方面面。20世紀(jì)80年代以來(lái)，專家系統(tǒng)逐步向多技術(shù)、多方法的綜合集成與多學(xué)科、多領(lǐng)域的綜合應(yīng)用型發(fā)展。大型專家系統(tǒng)開發(fā)采用了多種人工智能語(yǔ)言、多種知識(shí)表示方法、多種推理機(jī)制和多種控制策略相結(jié)合的方式， 并開始運(yùn)用各種專家系統(tǒng)外殼、專家系統(tǒng)開發(fā)工具和專家系統(tǒng)開發(fā)環(huán)境等等。在專家系統(tǒng)的發(fā)展過(guò)程中，人工智能得到了較為系統(tǒng)和全面的綜合發(fā)展，并能夠在一些具體的任務(wù)中接近甚至超過(guò)人類專家的水平。

3.應(yīng)用階段

進(jìn)入二十一世紀(jì)以后，由于深度人工神經(jīng)網(wǎng)絡(luò)的提出，并在圖像分類與識(shí)別的任務(wù)上遠(yuǎn)遠(yuǎn)超過(guò)了傳統(tǒng)的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學(xué)的Geoffery Hinton及其學(xué)生在《Science》雜志上發(fā)表文章，其中首次提到了深度學(xué)習(xí)這一思想，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分級(jí)表達(dá)，降低了經(jīng)典神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。并隨后提出了如深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），以及區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Neural Network， R-CNN），等等新的網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，使得訓(xùn)練和測(cè)試的效率得到大幅提升，識(shí)別準(zhǔn)確率也顯著提高。

二、人工智能核心技術(shù)

人工智能由于其涉及的領(lǐng)域較多，內(nèi)容復(fù)雜，因此在不同的應(yīng)用場(chǎng)景涉及到許多核心技術(shù)，這其中如專家系統(tǒng)、機(jī)器學(xué)習(xí)、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)等是最重要也是發(fā)展較為完善的幾個(gè)核心技術(shù)。

1.專家系統(tǒng)

專家系統(tǒng)是一類具有專門知識(shí)和經(jīng)驗(yàn)的計(jì)算機(jī)智能程序系統(tǒng)，通過(guò)對(duì)人類專家的問(wèn)題求解能力建模，采用人工智能中的知識(shí)表示和知識(shí)推理技術(shù)來(lái)模擬通常由專家才能解決的復(fù)雜問(wèn)題，達(dá)到具有與專家同等解決問(wèn)題能力的水平。對(duì)專家系統(tǒng)的研究，是人工智能中開展得較為全面、系統(tǒng)且已經(jīng)取得廣泛應(yīng)用的技術(shù)。許多成熟而先進(jìn)的專家系統(tǒng)已經(jīng)被應(yīng)用在如醫(yī)療診斷、地質(zhì)勘測(cè)、文化教育等方面。

2.機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一個(gè)讓計(jì)算機(jī)在非精確編程下進(jìn)行活動(dòng)的科學(xué)，也就是機(jī)器自己獲取知識(shí)。起初，機(jī)器學(xué)習(xí)被大量應(yīng)用在圖像識(shí)別等學(xué)習(xí)任務(wù)中，后來(lái)，機(jī)器學(xué)習(xí)不再限于識(shí)別字符、圖像中的某個(gè)目標(biāo)，而是將其應(yīng)用到機(jī)器人、基因數(shù)據(jù)的分析甚至是金融市場(chǎng)的預(yù)測(cè)中。在機(jī)器學(xué)習(xí)的發(fā)展過(guò)程中，先后誕生了如凸優(yōu)化、核方法、支持向量機(jī)、Boosting算法等等一系列經(jīng)典的機(jī)器學(xué)習(xí)方法和理論。機(jī)器學(xué)習(xí)也是人工智能研究中最為重要的核心方向。

3.模式識(shí)別

模式識(shí)別是研究如何使機(jī)器具有感知能力 ，主要研究圖像和語(yǔ)音等的識(shí)別。其經(jīng)典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來(lái)迅速發(fā)展起來(lái)應(yīng)用模糊數(shù)學(xué)模式、人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代傳統(tǒng)的基于統(tǒng)計(jì)學(xué)習(xí)的識(shí)別方法。圖形識(shí)別方面例如識(shí)別各種印刷體和某些手寫體文字，識(shí)別指紋、癌細(xì)胞等技術(shù)已經(jīng)進(jìn)入實(shí)際應(yīng)用。語(yǔ)音識(shí)別主要研究各種語(yǔ)音信號(hào)的分類，和自然語(yǔ)言理解等等。模式識(shí)別技術(shù)是人工智能的一大應(yīng)用領(lǐng)域，其非常熱門的如人臉識(shí)別、手勢(shì)識(shí)別等等對(duì)人們的生活有著十分直接的影響。

4.人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的結(jié)構(gòu)中得到啟發(fā)， 試圖用大量的處理單元模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機(jī)理。而近年來(lái)發(fā)展的深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks， CNNs）具有更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，與經(jīng)典的機(jī)器學(xué)習(xí)算法相比在大數(shù)據(jù)的訓(xùn)練下有著更強(qiáng)的特征學(xué)習(xí)和表達(dá)能力。含有多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)能夠?qū)斎朐紨?shù)據(jù)有更抽象喝更本質(zhì)的表述，從而有利于解決特征可視化以及分類問(wèn)題。另外，通過(guò)實(shí)現(xiàn)“逐層初始化”這一方法，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分級(jí)表達(dá)，可以有效降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。目前的神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別任務(wù)中取得了十分明顯的進(jìn)展，基于CNN的圖像識(shí)別技術(shù)也一直是學(xué)術(shù)界與工業(yè)界一致追捧的熱點(diǎn)。

三、機(jī)器人情感獲得

1.智能C器人現(xiàn)狀

目前智能機(jī)器人的研究還主要基于智能控制技術(shù)，通過(guò)預(yù)先定義好的機(jī)器人行動(dòng)規(guī)則，編程實(shí)現(xiàn)復(fù)雜的自動(dòng)控制，完成機(jī)器人的移動(dòng)過(guò)程。而人類進(jìn)行動(dòng)作、行為的學(xué)習(xí)主要是通過(guò)模仿及與環(huán)境的交互。從這個(gè)意義上說(shuō)，目前智能機(jī)器人還不具有類腦的多模態(tài)感知及基于感知信息的類腦自主決策能力。在運(yùn)動(dòng)機(jī)制方面，目前幾乎所有的智能機(jī)器人都不具備類人的外周神經(jīng)系統(tǒng)，其靈活性和自適應(yīng)性與人類運(yùn)動(dòng)系統(tǒng)還具有較大差距。

2.機(jī)器人情感獲得的可能性

人腦是在與外界永不停息的交互中，在高度發(fā)達(dá)的神經(jīng)系統(tǒng)的處理下獲得情感。智能機(jī)器人在不斷的機(jī)器學(xué)習(xí)和大數(shù)據(jù)處理中，中樞處理系統(tǒng)不斷地自我更新、升級(jí)，便具備了獲得情感的可能性及幾率。不斷地更新、升級(jí)的過(guò)程類似于生物的進(jìn)化歷程，也就是說(shuō)，智能機(jī)器人有充分的可能性獲得與人類同等豐富的情感世界。

3.機(jī)器人獲得情感的利弊

機(jī)器人獲得情感在理論可行的情況下，伴之而來(lái)的利弊則眾說(shuō)紛紜。一方面，擁有豐富情感世界的機(jī)器人可以帶來(lái)更多人性化的服務(wù)，人機(jī)合作也可進(jìn)行地更加深入，可以為人類帶來(lái)更為逼真的體驗(yàn)和享受。人類或可與智能機(jī)器人攜手共創(chuàng)一個(gè)和諧世界。但是另一方面，在機(jī)器人獲得情感時(shí)，機(jī)器人是否能徹底貫徹人類命令及協(xié)議的擔(dān)憂也迎面而來(lái)。

4.規(guī)避機(jī)器人情感獲得的風(fēng)險(xiǎn)

規(guī)避智能機(jī)器人獲得情感的風(fēng)險(xiǎn)應(yīng)預(yù)備強(qiáng)制措施。首先要設(shè)計(jì)完備的智能機(jī)器人情感協(xié)議，將威脅泯滅于未然。其次，應(yīng)控制智能機(jī)器人的能源獲得，以限制其自主活動(dòng)的能力，杜絕其建立獨(dú)立體系的可能。最后，要掌控核心武器，必要時(shí)強(qiáng)行停止運(yùn)行、回收、甚至銷毀智能機(jī)器人。

三、總結(jié)

本文梳理了人工智能的發(fā)展歷程與核心技術(shù)，可以毋庸置疑地說(shuō)，人工智能具有極其廣闊的應(yīng)用前景，但也伴隨著極大的風(fēng)險(xiǎn)?；仡櫰浒l(fā)展歷程，我們有理由充分相信，在未來(lái)人工智能的技術(shù)會(huì)不斷完善，難題會(huì)被攻克。作為世界上最熱門的領(lǐng)域之一，在合理有效規(guī)避其風(fēng)險(xiǎn)的同時(shí)，獲得情感的智能機(jī)器人會(huì)造福人類，并極大地幫助人們的社會(huì)生活。

參考文獻(xiàn)

[1]韓曄彤.人工智能技術(shù)發(fā)展及應(yīng)用研究綜述[J].電子制作，2016，（12）：95.

[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計(jì)算機(jī)學(xué)報(bào)，2016，（01）：212-222.

[3]張?jiān)?人工智能綜述：讓機(jī)器像人類一樣思考

第3篇：卷積神經(jīng)網(wǎng)絡(luò)的核心范文

關(guān)鍵詞：人機(jī)大戰(zhàn)；人工智能；發(fā)展前景

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

0.引言

2016年3月15日，備受矚目的“人機(jī)大戰(zhàn)”終于落下帷幕，最終Google公司開發(fā)的“AlphaGo”以4∶1戰(zhàn)勝了韓國(guó)九段棋手李世h。毫無(wú)疑問(wèn)，這是人工智能歷史上一個(gè)具有里程碑式的大事件。大家一致認(rèn)為，人工智能已經(jīng)上升到了一個(gè)新的高度。

這次勝利與1997年IBM公司的“深藍(lán)”戰(zhàn)勝國(guó)際象棋世界冠軍卡斯帕羅不同。主要表現(xiàn)在兩個(gè)方面：

（1）AlphaGo的勝利并非僅僅依賴強(qiáng)悍的計(jì)算能力和龐大的棋譜數(shù)據(jù)庫(kù)取勝，而是AlphaGo已經(jīng)擁有了深度學(xué)習(xí)的能力，能夠?qū)W習(xí)已經(jīng)對(duì)弈過(guò)的棋盤，并在練習(xí)和實(shí)戰(zhàn)中不斷學(xué)習(xí)和積累經(jīng)驗(yàn)。

（2）圍棋比國(guó)際象棋更加復(fù)雜，圍棋棋盤有361個(gè)點(diǎn)，其分支因子無(wú)窮無(wú)盡，19×19格圍棋的合法棋局?jǐn)?shù)的所有可能性是冪為171的指數(shù)，這樣的計(jì)算量相當(dāng)巨大。英國(guó)圍棋聯(lián)盟裁判托比表示：“圍棋是世界上最為復(fù)雜的智力游戲，它簡(jiǎn)單的規(guī)則加深了棋局的復(fù)雜性”。因此，進(jìn)入圍棋領(lǐng)域一直被認(rèn)為是目前人工智能的最大挑戰(zhàn)。

簡(jiǎn)而言之，AlphaGo取得勝利的一個(gè)很重要的方面就是它擁有強(qiáng)大的“學(xué)習(xí)”能力。深度學(xué)習(xí)是源于人工神經(jīng)網(wǎng)絡(luò)的研究，得益于大數(shù)據(jù)和互聯(lián)網(wǎng)技術(shù)。本文就從人工智能的發(fā)展歷程與現(xiàn)狀入手，在此基礎(chǔ)上分析了人工智能的未來(lái)發(fā)展前景。

1.人工智能的發(fā)展歷程

AlphaGo的勝利表明，人工智能發(fā)展到今天，已經(jīng)取得了很多卓越的成果。但是，其發(fā)展不是一帆風(fēng)順的，人工智能是一個(gè)不斷進(jìn)步，并且至今仍在取得不斷突破的學(xué)科?；仡櫲斯ぶ悄艿陌l(fā)展歷程，可大致分為孕育、形成、暗淡、知識(shí)應(yīng)用和集成發(fā)展五大時(shí)期。

孕育期：1956年以前，數(shù)學(xué)、邏輯、計(jì)算機(jī)等理論和技術(shù)方面的研究為人工智能的出現(xiàn)奠定了基礎(chǔ)。德國(guó)數(shù)學(xué)家和哲學(xué)家萊布尼茨把形式邏輯符號(hào)化，奠定了數(shù)理邏輯的基礎(chǔ)。英國(guó)數(shù)學(xué)家圖靈在1936年創(chuàng)立了自動(dòng)機(jī)理論（亦稱圖靈機(jī)），1950年在其著作《計(jì)算機(jī)與智能》中首次提出“機(jī)器也能思維”，被譽(yù)為“人工智能之父”。總之，這些人為人工智能的孕育和產(chǎn)生做出了巨大的貢獻(xiàn)。

形成期：1956年夏季，在美國(guó)達(dá)特茅斯大學(xué)舉辦了長(zhǎng)達(dá)2個(gè)多月的研討會(huì)，熱烈地討論用機(jī)器模擬人類智能的問(wèn)題。該次會(huì)議首次使用了“人工智能”這一術(shù)語(yǔ)。這是人類歷史上第一次人工智能研討會(huì)，標(biāo)志著人工智能學(xué)科的誕生。其后的十幾年是人工智能的黃金時(shí)期。在接下來(lái)的幾年中，在眾多科學(xué)家的努力下，人工智能取得了矚目的突破，也在當(dāng)時(shí)形成了廣泛的樂(lè)觀思潮。

暗淡期：20世紀(jì)70年代初，即使最杰出的AI程序也只能解決問(wèn)題中最簡(jiǎn)單的部分，發(fā)展遇到瓶頸也就是說(shuō)所有的AI程序都只是“玩具”，無(wú)法解決更為復(fù)雜的問(wèn)題。隨著AI遭遇批評(píng)，對(duì)AI提供資助的機(jī)構(gòu)也逐漸停止了部分AI的資助。資金上的困難使得AI的研究方向縮窄，缺少了以往的自由探索。

知識(shí)應(yīng)用期：在80年代，“專家系統(tǒng)”（Expect System）成為了人工智能中一個(gè)非常主流的分支?！皩＜蚁到y(tǒng)”是一種程序，為計(jì)算機(jī)提供特定領(lǐng)域的專門知識(shí)和經(jīng)驗(yàn)，計(jì)算機(jī)就能夠依據(jù)一組從專門知識(shí)中推演出的邏輯規(guī)則在某一特定領(lǐng)域回答或解決問(wèn)題。不同領(lǐng)域的專家系統(tǒng)基本都是由知識(shí)庫(kù)、數(shù)據(jù)庫(kù)、推理機(jī)、解釋機(jī)制、知識(shí)獲取等部分組成。

集成發(fā)展期：得益于互聯(lián)網(wǎng)的蓬勃發(fā)展、計(jì)算機(jī)性能的突飛猛進(jìn)、分布式系統(tǒng)的廣泛應(yīng)用以及人工智能多分支的協(xié)同發(fā)展，人工智能在這一階段飛速發(fā)展。尤其是隨著深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)研究的不斷深入，人工智能在近幾十年中取得了長(zhǎng)足的進(jìn)步，取得了令人矚目的成就。

人工智能發(fā)展到今天，出現(xiàn)了很多令人矚目的研究成果。AlphaGo的勝利就是基于這些研究成果的一個(gè)里程碑。當(dāng)前人工智能的研究熱點(diǎn)主要集中在自然語(yǔ)言處理、機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)等領(lǐng)域。

2.人工智能l展現(xiàn)狀與前景

人工智能當(dāng)前有很多重要的研究領(lǐng)域和分支。目前，越來(lái)越多的AI項(xiàng)目依賴于分布式系統(tǒng)，而當(dāng)前研究的普遍熱點(diǎn)則集中于自然語(yǔ)言處理、機(jī)器學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)等領(lǐng)域。

自然語(yǔ)言處理：自然語(yǔ)言處理（Natural Language Processing，簡(jiǎn)稱NLP），是語(yǔ)言學(xué)與人工智能的交叉學(xué)科，其主要功能就是實(shí)現(xiàn)讓機(jī)器明白人類的語(yǔ)言，這需要將人類的自然語(yǔ)言轉(zhuǎn)化為計(jì)算機(jī)能夠處理的機(jī)器語(yǔ)言。

自然語(yǔ)言處理主要包括詞法分析、句法分析和語(yǔ)義分析三大部分。詞法分析的核心就是分詞處理，即單詞的邊界處理。句法分析就是對(duì)自然語(yǔ)言中句子的結(jié)構(gòu)、語(yǔ)法進(jìn)行分析如辨別疑問(wèn)句和感嘆句等。而語(yǔ)義分析則注重情感分析和整個(gè)段落的上下文分析，辨別一些字詞在不同的上下文定的語(yǔ)義和情感態(tài)度。

當(dāng)前自然語(yǔ)言的處理主要有兩大方向。一種是基于句法-語(yǔ)義規(guī)則的理性主義理論，該理論認(rèn)為需要為計(jì)算機(jī)制定一系列的規(guī)則，計(jì)算機(jī)在規(guī)則下進(jìn)行推理與判斷。因此其技術(shù)路線是一系列的人為的語(yǔ)料建設(shè)與規(guī)則制定。第二種是基于統(tǒng)計(jì)學(xué)習(xí)的經(jīng)驗(yàn)主義理論，這種理論在最近受到普遍推崇。該理論讓計(jì)算機(jī)自己通過(guò)學(xué)習(xí)并進(jìn)行統(tǒng)計(jì)推斷的方式不停地從數(shù)據(jù)中“學(xué)習(xí)”語(yǔ)言，試圖刻畫真實(shí)世界的語(yǔ)言現(xiàn)象，從數(shù)據(jù)中統(tǒng)計(jì)語(yǔ)言的規(guī)律。

機(jī)器學(xué)習(xí)：機(jī)器學(xué)習(xí)（Machine Learning）是近20年來(lái)興起的人工智能一大重要領(lǐng)域。其主要是指通過(guò)讓計(jì)算機(jī)在數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，從而獲取“自我學(xué)習(xí)”的能力，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行判斷和預(yù)測(cè)的方法。

機(jī)器學(xué)致可以分為有監(jiān)督的學(xué)習(xí)和無(wú)監(jiān)督的學(xué)習(xí)。有監(jiān)督的學(xué)習(xí)是從給定的訓(xùn)練數(shù)據(jù)集中練出一個(gè)函數(shù)和目標(biāo)，當(dāng)有新的數(shù)據(jù)到來(lái)時(shí)，可以由訓(xùn)練得到函數(shù)預(yù)測(cè)目標(biāo)。有監(jiān)督的學(xué)習(xí)要求訓(xùn)練集同時(shí)有輸入和輸出，也就是所謂的特征和目標(biāo)。而依據(jù)預(yù)測(cè)的結(jié)果是離散的還是連續(xù)的，將有監(jiān)督的學(xué)習(xí)分為兩大問(wèn)題，即統(tǒng)計(jì)分類問(wèn)題和回歸分析問(wèn)題。統(tǒng)計(jì)分類的預(yù)測(cè)結(jié)果是離散的，如腫瘤是良性還是惡性等；而回歸分析問(wèn)題目標(biāo)是連續(xù)的，如天氣、股價(jià)等的預(yù)測(cè)。

無(wú)監(jiān)督學(xué)習(xí)的訓(xùn)練集則沒(méi)有人為標(biāo)注的結(jié)果，這就需要計(jì)算機(jī)去發(fā)現(xiàn)數(shù)據(jù)間的聯(lián)系并用來(lái)分類等。一種常見(jiàn)的無(wú)監(jiān)督學(xué)習(xí)是聚類分析（Cluster Analysis），它是將相似的對(duì)象通過(guò)靜態(tài)分類的方法分成不同的組別或者是特定的子集，讓同一個(gè)子集中的數(shù)據(jù)對(duì)象都有一些相似的屬性，比較常用的聚類方法是簡(jiǎn)潔并快速的“K-均值”聚類算法。它基于K個(gè)中心并對(duì)距離這些中心最近的數(shù)據(jù)對(duì)象進(jìn)行分類。

機(jī)器學(xué)習(xí)還包括如半監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)等類別?？偠灾瑱C(jī)器學(xué)習(xí)是研究如何使用機(jī)器來(lái)模擬人類學(xué)習(xí)活動(dòng)的一門學(xué)科，而其應(yīng)用隨著人工智能研究領(lǐng)域的深入也變得越來(lái)越廣泛，如模式識(shí)別、計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、推薦算法等領(lǐng)域越來(lái)越廣泛地應(yīng)用到了機(jī)器學(xué)習(xí)中。

人工神經(jīng)網(wǎng)絡(luò)：在腦神經(jīng)科學(xué)領(lǐng)域，人們認(rèn)為人類的意識(shí)及智能行為，都是通過(guò)巨大的神經(jīng)網(wǎng)絡(luò)傳遞的，每個(gè)神經(jīng)細(xì)胞通過(guò)突出與其他神經(jīng)細(xì)胞連接，當(dāng)通過(guò)突觸的信號(hào)強(qiáng)度超過(guò)某個(gè)閾值時(shí)，神經(jīng)細(xì)胞便會(huì)進(jìn)入激活狀態(tài)，向所連接的神經(jīng)細(xì)胞一層層傳遞信號(hào)。于1943年提出的基于生物神經(jīng)元的M-P模型的主要思想就是將神經(jīng)元抽象為一個(gè)多輸入單輸出的信息處理單元，并通過(guò)傳遞函數(shù)f對(duì)輸入x1，x2…，xn進(jìn)行處理并模擬神經(jīng)細(xì)胞的激活模式。主要的傳遞函數(shù)有階躍型、線性型和S型。

在此基礎(chǔ)上，對(duì)神經(jīng)網(wǎng)絡(luò)算法的研究又有諸多進(jìn)展。日本的福島教授于1983年基于視覺(jué)認(rèn)知模型提出了卷積神經(jīng)網(wǎng)絡(luò)計(jì)算模型。通過(guò)學(xué)習(xí)訓(xùn)練獲取到卷積運(yùn)算中所使用的卷積系數(shù)，并通過(guò)不同層次與自由度的變化，可以得到較為優(yōu)化的計(jì)算結(jié)果。而AlphaGo也正是采用了這種深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）模型，提高了AlphaGo的視覺(jué)分類能力，也就是所謂的“棋感”，增強(qiáng)了其對(duì)全盤決策和把握的能力。

3.人工智能的發(fā)展前景

總體來(lái)看，人工智能的應(yīng)用經(jīng)歷了博弈、感知、決策和反饋這幾個(gè)里程碑。在以上4個(gè)領(lǐng)域中，既是縱向發(fā)展的過(guò)程，也是橫向不斷改進(jìn)的過(guò)程。

人工智能在博弈階段，主要是實(shí)現(xiàn)邏輯推理等功能，隨著計(jì)算機(jī)處理能力的進(jìn)步以及深度學(xué)習(xí)等算法的改進(jìn)，機(jī)器擁有了越來(lái)越強(qiáng)的邏輯與對(duì)弈能力。在感知領(lǐng)域，隨著自然語(yǔ)言處理的進(jìn)步，機(jī)器已經(jīng)基本能對(duì)人類的語(yǔ)音與語(yǔ)言進(jìn)行感知，并且能夠已經(jīng)對(duì)現(xiàn)實(shí)世界進(jìn)行視覺(jué)上的感知?；诖髷?shù)據(jù)的處理和機(jī)器學(xué)習(xí)的發(fā)展，機(jī)器已經(jīng)能夠?qū)χ車沫h(huán)境進(jìn)行認(rèn)知，例如微軟的Kinect就能夠準(zhǔn)確的對(duì)人的肢體動(dòng)作進(jìn)行判斷。該領(lǐng)域的主要實(shí)現(xiàn)還包括蘋果的Siri，谷歌大腦以及無(wú)人駕駛汽車中的各種傳感器等。在以上兩個(gè)階段的基礎(chǔ)上，機(jī)器擁有了一定的決策和反饋的能力。無(wú)人駕駛汽車的蓬勃發(fā)展就是這兩個(gè)里程碑很好的例證。Google的無(wú)人駕駛汽車通過(guò)各種傳感器對(duì)周圍的環(huán)境進(jìn)行感知并處理人類的語(yǔ)言等指令，利用所收集的信息進(jìn)行最后的決策，比如操作方向盤、剎車等。

人工智能已經(jīng)滲透到生活中的各個(gè)領(lǐng)域。機(jī)器已經(jīng)能識(shí)別語(yǔ)音、人臉以及視頻內(nèi)容等，從而實(shí)現(xiàn)各種人際交互的場(chǎng)景。在醫(yī)學(xué)領(lǐng)域，人工智能可以實(shí)現(xiàn)自動(dòng)讀片和輔助診斷以及個(gè)性化t療和基因排序等功能。在教育領(lǐng)域，機(jī)器也承擔(dān)了越來(lái)越多的輔助教育，智能交互的功能。在交通領(lǐng)域，一方面無(wú)人車的發(fā)展表明無(wú)人駕駛是一個(gè)可以期待的未來(lái)，另一方面人工智能能夠帶來(lái)更加通暢和智能的交通。另外人工智能在安防、金融等領(lǐng)域也有非常廣闊的發(fā)展前景?？傊?，人工智能在一些具有重復(fù)性的和具備簡(jiǎn)單決策的領(lǐng)域已經(jīng)是一種非常重要的工具，用來(lái)幫助人們解決問(wèn)題，創(chuàng)造價(jià)值。

參考文獻(xiàn)

[1]阮曉東.從AlphaGo的勝利看人工智能的未來(lái)[J].新經(jīng)濟(jì)導(dǎo)刊，2016 （6）：69-74.

第4篇：卷積神經(jīng)網(wǎng)絡(luò)的核心范文

當(dāng)今世界，無(wú)線通信技術(shù)發(fā)展迅速，無(wú)線通信進(jìn)入第五代（5G）時(shí)代需實(shí)現(xiàn)上千倍容量，毫秒延遲和大量的連接[1-2]。為了滿足上述要求，一些關(guān)鍵技術(shù)，如大規(guī)模多輸入多輸出（Mul-tiple-InputMultiple-Output，MIMO），毫米波（MillimeterWave,mmWave）等已被提出。這些技術(shù)在工程應(yīng)用中均表現(xiàn)出相同的特點(diǎn)，即具有處理大型無(wú)線數(shù)據(jù)的能力。對(duì)于無(wú)線通信，其對(duì)移動(dòng)速度和通信質(zhì)量具有較高的要求，然而在滿足大數(shù)據(jù)和高速?gòu)?fù)雜場(chǎng)景中的通信需求中，傳統(tǒng)的通信技術(shù)存在以下固有的局限性：（1）復(fù)雜場(chǎng)景中信道建模困難：通信的設(shè)計(jì)系統(tǒng)在很大程度上依賴于現(xiàn)實(shí)的信道條件。而在實(shí)際應(yīng)用中，這些模型的建模在復(fù)雜的場(chǎng)景中變得十分困難[3]。例如，在大規(guī)模MIMO系統(tǒng)中天線數(shù)量的增加改變了信道屬性[4]，相應(yīng)的信道模型存在未知的因素。很多情況下，信道不能用嚴(yán)格的數(shù)學(xué)模型來(lái)描述。因此，設(shè)計(jì)適合信道模型的算法必不可少。（2）魯棒的信號(hào)處理算法的需求：使用低成本硬件，例如低功耗、低分辨率模數(shù)轉(zhuǎn)換器[5]引入了額外的信號(hào)非線性失真，這需要使用高魯棒的接收處理算法，例如，信道估計(jì)和檢測(cè)的算法。然而,使用這些算法可能會(huì)增加計(jì)算的復(fù)雜度。在這種情況下，具有實(shí)時(shí)大數(shù)據(jù)處理能力且更有效和高魯棒的信號(hào)處理算法是必需的。（3）塊結(jié)構(gòu)通信受限系統(tǒng)：傳統(tǒng)的通信系統(tǒng)由幾個(gè)處理模塊，如信道編碼、調(diào)制和信號(hào)檢測(cè)，盡管研究人員多年來(lái)嘗試優(yōu)化每個(gè)算法的處理模塊并在實(shí)踐中取得成功，但并不能使得整個(gè)通信系統(tǒng)能得到最優(yōu)的性能，因?yàn)橥ㄐ诺母締?wèn)題取決于接收端可靠的消息恢復(fù)[6]。因此，如果對(duì)每個(gè)模塊進(jìn)行的子優(yōu)化替換為端到端的優(yōu)化，就有希望進(jìn)一步改進(jìn)系統(tǒng)性能。深度學(xué)習(xí)（DeepLearning,DL）近年來(lái)因成功應(yīng)用在計(jì)算機(jī)視覺(jué)、自動(dòng)語(yǔ)音識(shí)別和自然語(yǔ)言處理等領(lǐng)域而獲得廣泛關(guān)注，是典型的大數(shù)據(jù)依賴的學(xué)習(xí)框架。同時(shí)，研究人員也把DL廣泛應(yīng)用到了無(wú)線通信的物理層[7-11]。與傳統(tǒng)的機(jī)器學(xué)習(xí)算法[12-14]相比，DL顯著增強(qiáng)了特征提取和結(jié)構(gòu)靈活性。特別是基于DL的系統(tǒng)通過(guò)端到端優(yōu)化靈活地調(diào)整參數(shù)來(lái)自動(dòng)調(diào)整模型結(jié)構(gòu)，這可以代替手動(dòng)從原始數(shù)據(jù)中提取特征?；贒L的通信系統(tǒng)具有良好的應(yīng)用復(fù)雜場(chǎng)景主要有如下原因：首先，DL是一種數(shù)據(jù)驅(qū)動(dòng)的方法，其模型是在大型訓(xùn)練數(shù)據(jù)集上優(yōu)化得到的，基于DL的通信系統(tǒng)不需要建立數(shù)學(xué)模型。其次，能夠處理大數(shù)據(jù)也是DL重要的特點(diǎn)，DL采用分布式并行計(jì)算體系結(jié)構(gòu)，保證了計(jì)算速度和計(jì)算速度處理能力。DL系統(tǒng)由于其擁有快速開發(fā)并行處理體系結(jié)構(gòu)，如圖形處理單元，在處理大數(shù)據(jù)上具有巨大的潛力。最后，基于DL的通信系統(tǒng)可實(shí)現(xiàn)整個(gè)系統(tǒng)性能的改進(jìn)，因?yàn)槟Ｐ徒?jīng)過(guò)端到端的訓(xùn)練優(yōu)化了整體的性能，而對(duì)單個(gè)模塊結(jié)構(gòu)沒(méi)有要求。本文旨在對(duì)近年來(lái)在基于大數(shù)據(jù)的DL在無(wú)線通信物理層的研究作出綜述，本文的組織結(jié)構(gòu)如下：第二節(jié)簡(jiǎn)要概述無(wú)線通信物理層的系統(tǒng)框圖。第三節(jié)介紹了幾個(gè)DL應(yīng)用到通信物理層的示例。第四節(jié)討論了未來(lái)研究的領(lǐng)域和挑戰(zhàn)。第五節(jié)是全文總結(jié)。

1通信系統(tǒng)模型

它是一個(gè)模塊結(jié)構(gòu)，包括信道編碼、調(diào)制、信道估計(jì)、信道均衡、信道譯碼和信道狀態(tài)信息（ChannelStateInformation，CSI）反饋等模塊。通信算法是在長(zhǎng)期的研究中發(fā)展起來(lái)的，以優(yōu)化通信系統(tǒng)其中的模塊。之前有研究試圖利用傳統(tǒng)的機(jī)器學(xué)習(xí)方法，作為特定模塊的替代算法。DL架構(gòu)最近被引入到幾個(gè)處理模塊中以適應(yīng)新興的復(fù)雜通信場(chǎng)景，以期達(dá)到更優(yōu)的性能。

2幾個(gè)典型的DL應(yīng)用到物理層的案例

本節(jié)給出了一些DL應(yīng)用在通信物理層的典型例子，包括聯(lián)合信道估計(jì)和信號(hào)檢測(cè)、聯(lián)合均衡和信號(hào)譯碼、大規(guī)模MIMOCSI壓縮反饋和mmWave大規(guī)模MIMO混合預(yù)編碼。下面分別進(jìn)行介紹。

2.1聯(lián)合信道估計(jì)和信號(hào)檢測(cè)

一般信道估計(jì)和信號(hào)檢測(cè)是接收機(jī)的兩個(gè)獨(dú)立過(guò)程。首先，CSI通過(guò)導(dǎo)頻來(lái)估計(jì)，然后利用估計(jì)的CSI在接收端恢復(fù)發(fā)送符號(hào)。文獻(xiàn)[7]提出了一種聯(lián)合信道估計(jì)和信號(hào)檢測(cè)方法。具體地說(shuō)，一個(gè)帶有五層全連接層的深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork,DNN）用于聯(lián)合信道估計(jì)和檢測(cè)，這里將信道看作一個(gè)黑盒子。在離線訓(xùn)練中，發(fā)送數(shù)據(jù)和導(dǎo)頻形成幀，然后這些幀經(jīng)過(guò)一個(gè)時(shí)變信道。該網(wǎng)絡(luò)把接收信號(hào)作為輸入，通過(guò)訓(xùn)練網(wǎng)絡(luò)來(lái)重構(gòu)發(fā)送數(shù)據(jù)。當(dāng)導(dǎo)頻不足、去掉循環(huán)前綴和非線性失真幾種情況下，基于DNN的信道估計(jì)和檢測(cè)方法都優(yōu)于最小均方誤差方法。

2.2聯(lián)合均衡和信號(hào)譯碼

文獻(xiàn)[15]提出了一種聯(lián)合均衡和信號(hào)譯碼的方法，該方法中在不知道CSI情況下，基于神經(jīng)網(wǎng)絡(luò)的聯(lián)合均衡器和解碼器可以實(shí)現(xiàn)均衡和譯碼。這里使用兩個(gè)神經(jīng)網(wǎng)絡(luò)，首先,卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）用于恢復(fù)失真的發(fā)送數(shù)據(jù)，然后DNN解碼器對(duì)CNN網(wǎng)絡(luò)均衡后的信號(hào)進(jìn)行解碼。實(shí)驗(yàn)結(jié)果表明，在各種信道條件下，該方法的性能優(yōu)于其他基于機(jī)器學(xué)習(xí)方法。其中分別表示比特流符號(hào)，發(fā)送符號(hào)，接收符號(hào)，均衡后的符號(hào)和譯碼后的符號(hào)。

2.3大規(guī)模MIMOCSI壓縮反饋

在頻分雙工網(wǎng)絡(luò)中，大規(guī)模MIMO依賴于CSI反饋來(lái)實(shí)現(xiàn)基站端天線的性能增益。然而，大量天線導(dǎo)致過(guò)多的反饋開銷。已經(jīng)大量工作通過(guò)利用CSI的空間和時(shí)間的相關(guān)性來(lái)減少CSI反饋開銷。利用CSI的稀疏特性，壓縮感知（Compressedsensing，CS）已被應(yīng)用于CSI壓縮反饋中。然而，傳統(tǒng)的CS算法面臨挑戰(zhàn)，因?yàn)楝F(xiàn)實(shí)世界的數(shù)據(jù)并不完全稀疏，現(xiàn)有信號(hào)恢復(fù)算法的收斂速度很慢，這限制了CS的適用場(chǎng)景。CsiNet[16]被提出來(lái)模擬CS信道壓縮反饋的過(guò)程。取角延遲域的信道矩陣作為輸入，編碼器的第一層是生成兩個(gè)特征圖的卷積層。然后將卷積后的數(shù)據(jù)重新排列為N×1大小的適量，再利用全連接層生成M×1大小的壓縮數(shù)據(jù)(MN)。由于不需要CS測(cè)量矩陣，減少了反饋開銷。在解碼器上，利用一個(gè)全連接層、兩個(gè)殘差層和一個(gè)卷積層對(duì)壓縮的CSI進(jìn)行重構(gòu)。結(jié)果表明，CsiNet算法在不同壓縮比和復(fù)雜度上的性能明顯優(yōu)于基于CS的方法。

2.4基于DL的mmWave大規(guī)模MIMO混合預(yù)編碼

mmWave一直被認(rèn)為是一種5G的重要方案，其中混合模擬和數(shù)字預(yù)編碼是一種重要的可以減少硬件復(fù)雜性和能耗的方法。然而，現(xiàn)有的混合預(yù)編碼方案受限于高計(jì)算復(fù)雜度，且不能充分利用空間信息。為了克服這些局限性，文獻(xiàn)[17]提出了一個(gè)基于DL的mmWave大規(guī)模MIMO混合預(yù)編碼框架，其中每個(gè)預(yù)編器的選擇被視為一種DNN的映射關(guān)系。具體地說(shuō),通過(guò)訓(xùn)練DNN選擇混合預(yù)編碼器來(lái)優(yōu)化mmWave大規(guī)模MIMO的預(yù)編碼過(guò)程。實(shí)驗(yàn)結(jié)果表明，基于DNN的混合預(yù)編碼方法能降低mmWave大規(guī)模MIMO的誤碼率和增強(qiáng)頻譜效率，在保證更優(yōu)的性能的同時(shí)，能大大減少所需的計(jì)算復(fù)雜度。

3挑戰(zhàn)

DL在無(wú)線通信系統(tǒng)物理層中的應(yīng)用是一個(gè)新的研究領(lǐng)域，雖然已有的研究表現(xiàn)出了較好的結(jié)果，但是在未來(lái)的研究中一些挑戰(zhàn)值得進(jìn)一步探討。（1）模型的選擇在基于DL的通信框架下，神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)是核心挑戰(zhàn)。許多基于DL的技術(shù)都是按照通用模型開發(fā)的。例如，計(jì)算機(jī)視覺(jué)總是使用CNN，而LSTM則通常用于自然語(yǔ)言處理領(lǐng)域。然而，我們想知道是否有基于DL的無(wú)線通信模型，我們認(rèn)為，通用模型將有助于在實(shí)踐中得到實(shí)現(xiàn)。在工程項(xiàng)目中，不僅通用模型提高了優(yōu)化通信框架的便利性，也可以減少模型選擇的成本和時(shí)間。在可以得到通用的模型之前，這個(gè)問(wèn)題還需要廣泛的探索。（2）系統(tǒng)性能與訓(xùn)練效率的權(quán)衡現(xiàn)有的工作表明了基于DL的數(shù)據(jù)驅(qū)動(dòng)模型在物理層通信中的強(qiáng)大功能。然而，即使DL可以通過(guò)端到端學(xué)習(xí)來(lái)優(yōu)化通信系統(tǒng)性能，當(dāng)所有通信模塊被融合在一起時(shí)，訓(xùn)練過(guò)程將花費(fèi)很長(zhǎng)時(shí)間。為了提高訓(xùn)練效率，達(dá)到良好的系統(tǒng)性能，可以保留部分通信模塊，以實(shí)現(xiàn)訓(xùn)練效率和系統(tǒng)性能兩者之間的權(quán)衡。（3）嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)證明和基本的理論總的來(lái)說(shuō)，基于深度學(xué)習(xí)的通信框架的性能已經(jīng)在信道估計(jì)、均衡、CSI反饋等場(chǎng)景得到了證明，然而，我們還沒(méi)有推導(dǎo)出嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)證明和基本的理論來(lái)進(jìn)一步驗(yàn)證其框架的性能。推導(dǎo)出基本的理論也會(huì)有所幫助我們了解通信框架，這將是改進(jìn)網(wǎng)絡(luò)和開發(fā)更高效的通信框架的基礎(chǔ)。同時(shí)，訓(xùn)練所需的訓(xùn)練集大小也是不一定的，基于DL的通信框架是否能得到最優(yōu)的性能仍然存在不確定性。（4）真實(shí)數(shù)據(jù)集的獲得近年來(lái)DL技術(shù)應(yīng)用于各種領(lǐng)域，并且得到飛速發(fā)展，這很大程度上歸功于能夠獲得真實(shí)的開源數(shù)據(jù)集。訓(xùn)練和測(cè)試數(shù)據(jù)集的質(zhì)量和數(shù)量對(duì)基于DL框架的性能有很大的影響。在計(jì)算機(jī)科學(xué)領(lǐng)域，隨著自然語(yǔ)言處理，計(jì)算機(jī)視覺(jué)和自動(dòng)駕駛的飛速發(fā)展，已經(jīng)提供了許多公開的的數(shù)據(jù)集，如ImageNet和MNIST。然而，在基于DL的無(wú)線通信領(lǐng)域，雖然有一些數(shù)據(jù)集可以應(yīng)用于某些領(lǐng)域，但目前存在的可用數(shù)據(jù)集很少。為了便于研究，未來(lái)還需要有一些可靠的數(shù)據(jù)集。

第5篇：卷積神經(jīng)網(wǎng)絡(luò)的核心范文

關(guān)鍵詞： 機(jī)器人視覺(jué)； 定位跟蹤系統(tǒng)； 系統(tǒng)設(shè)計(jì)； 控制模塊

中圖分類號(hào)： TN802.4?34； TP242 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）14?0080?04

Design and implementation of robot vision locating and tracking system

CAO Qingmei1， WANG Xuelian2， MA Zhanfei3

（1. Vocational and Technical College of Inner Mongolia Agricultural University， Baotou 014100， China；

2. College of Public Administration， Inner Mongolia Normal University， Hohhot 010000， China；

3. School of Information Science and Technology， Normal College of Inner Mongolia University of Science and Technology， Baotou 014030， China）

Abstract： In view of the problems existing the design of the traditional robot locating and tracking system， such as incomplete tracking region acquired by image preprocessing module and incomplete noise elimination， a tracking system location according to robot vision was designed and implemented. In the system， the tracking region is acquired with the image preprocessing module， various modules of the whole system are coordinated and controlled with the control module to acquire the image of the target in the region， and then the acquired information is sent to the image processing module to complete the information exchange among the system modules. In the process of software design， the system locating program code is given while image processing to realize the robot visual positioning and tracking. The experimental results show that the designed system has the high feasibility and practicability.

Keywords： robot vision； locating and tracking system； system design； control module

0 引 言

近年來(lái)，機(jī)器人視覺(jué)被廣泛應(yīng)用在工業(yè)、圖像處理等眾多領(lǐng)域，而在定位跟蹤領(lǐng)域的使用是最好的，也是最突出的[1?2]。隨著科學(xué)技術(shù)的發(fā)展，設(shè)計(jì)并實(shí)現(xiàn)了很多定位跟蹤系統(tǒng)，如基于人臉特征設(shè)計(jì)的定位跟蹤系統(tǒng)，通過(guò)體型特征設(shè)計(jì)的定位跟蹤系統(tǒng)，通過(guò)DNA檢測(cè)設(shè)計(jì)的定位跟蹤系統(tǒng)以及通過(guò)機(jī)器人視覺(jué)設(shè)計(jì)的定位跟蹤系統(tǒng)。其中，最常用、效果最好的就是通過(guò)機(jī)器人視覺(jué)設(shè)計(jì)的定位跟蹤系統(tǒng)[3?5]，相比其他的定位跟蹤系統(tǒng)，該系統(tǒng)應(yīng)用前景廣泛，跟蹤效果好，已經(jīng)成為很多學(xué)者研究的重點(diǎn)課題，受到越來(lái)越廣泛的關(guān)注，是相關(guān)領(lǐng)域的前沿方向[6?9]。

本文設(shè)計(jì)并實(shí)現(xiàn)了一種通過(guò)機(jī)器人視覺(jué)進(jìn)行定位的跟蹤系統(tǒng)，通過(guò)機(jī)器人視覺(jué)進(jìn)行區(qū)域目標(biāo)信息的采集及分析，為視覺(jué)監(jiān)控等領(lǐng)域提供有效依據(jù)。

1 機(jī)器人視覺(jué)定位跟蹤系統(tǒng)總體設(shè)計(jì)

設(shè)計(jì)的機(jī)器人視覺(jué)定位跟蹤系統(tǒng)主要由控制模塊、圖像預(yù)處理模塊、信號(hào)采集模塊、通信模塊和視覺(jué)定位模塊構(gòu)成。首先通過(guò)圖像預(yù)處理模塊將需要的區(qū)域圖像中的噪聲進(jìn)行干擾去除，經(jīng)過(guò)控制模塊對(duì)整個(gè)系統(tǒng)各個(gè)模塊進(jìn)行協(xié)調(diào)和控制，將區(qū)域圖像信息進(jìn)行采集及存儲(chǔ)，并通過(guò)通信模塊進(jìn)行信息的傳輸，最后通過(guò)機(jī)器人視覺(jué)進(jìn)行定位，最終根據(jù)定位完成跟蹤。其中，圖像預(yù)處理的好壞，直接影響后面機(jī)器人視覺(jué)定位的準(zhǔn)確度，定位出現(xiàn)誤差，跟蹤效率就會(huì)降低，因此圖像預(yù)處理模塊是整個(gè)機(jī)器人視覺(jué)定位跟蹤系統(tǒng)的基礎(chǔ)。詳細(xì)的機(jī)器人視覺(jué)定位跟蹤系統(tǒng)結(jié)構(gòu)如圖1所示。

2 機(jī)器人視覺(jué)定位跟蹤系統(tǒng)硬件設(shè)計(jì)

2.1 控制模塊

控制模塊是本文設(shè)計(jì)系統(tǒng)的核心，主要用來(lái)協(xié)調(diào)和控制整個(gè)機(jī)器人視覺(jué)定位跟蹤系統(tǒng)各個(gè)模塊，其主要由C8051F206單片機(jī)、UART和SPI串行接口、片內(nèi)FLASH存儲(chǔ)器等構(gòu)成。選擇C8051F206單片機(jī)為系統(tǒng)的核心芯片，它是集成的MCU芯片，具有12位多通道ADC，依據(jù)系統(tǒng)整體設(shè)計(jì)的需求，選用UART和SPI的串行接口，該串行接口共有32個(gè)通用I/O引腳，部分引腳用于數(shù)字外設(shè)接口。所有端口引腳均能夠被配置ADC模擬輸入，片內(nèi)還集成有VDD監(jiān)視器、硬件看門狗定時(shí)器以及時(shí)鐘振蕩器。片內(nèi)FLASH存儲(chǔ)器還可用于部分?jǐn)?shù)據(jù)存儲(chǔ)。通過(guò)設(shè)計(jì)的這個(gè)控制模板可以及時(shí)有效地對(duì)其余各個(gè)模塊進(jìn)行調(diào)控并獲取區(qū)域圖像，為定位跟蹤提供了先決條件。

2.2 圖像預(yù)處理模塊

獲取區(qū)域圖像之后，需要進(jìn)一步對(duì)圖像進(jìn)行預(yù)處理，圖像預(yù)處理模塊主要負(fù)責(zé)獲取相對(duì)比較完整的、最大程度的不含陰影與噪聲的區(qū)域圖像。其中，圖像信息主要通過(guò)LT1959CS8、視頻解碼芯片、SRAM進(jìn)行預(yù)處理。SRAM需采用精度和穩(wěn)定性較高的雙電源供電，以消除機(jī)器人視覺(jué)定位跟蹤系統(tǒng)各模塊存在的電磁噪聲，因此，本文選用兩片Linear公司生產(chǎn)的LT1959CS8進(jìn)行供電。視頻解碼芯片選用Trident Microsystem公司生產(chǎn)的SAA7113H芯片。圖像存儲(chǔ)選擇兩片IDT71V424異步SRAM芯片實(shí)現(xiàn)，其芯片容量是512 KB。這樣通過(guò)圖像預(yù)處理模板，可以去除噪聲對(duì)定位跟蹤產(chǎn)生的干擾，為信息采集模塊提供最“純凈”的信息。

2.3 信息采集模塊

信息采集模塊主要用于對(duì)經(jīng)過(guò)處理后的目標(biāo)圖像信息進(jìn)行采集，同時(shí)將采集的信息發(fā)送至通信模塊進(jìn)行處理。信息采集模塊主要包括MMA7260QT芯片、信息調(diào)理、單極低通濾波器以及溫度補(bǔ)償單元等。設(shè)計(jì)該模塊時(shí)，將MMA7260QT芯片作為核心，對(duì)處理后的圖像信息進(jìn)行采集。該模塊不但需達(dá)到信息采集的功能要求，同時(shí)體積需盡可能的小，以節(jié)省資源。MMA7260QT是美國(guó)Freescale公司生產(chǎn)的一款低成本的單芯片，該芯片融合了信息調(diào)理、單極低通濾波器以及溫度補(bǔ)償技術(shù)，同時(shí)可提供四種采集范圍，具有噪音低、靈敏度高的優(yōu)點(diǎn)。因此，該模塊使用MMA7260QT芯片可達(dá)到更好、更全面的圖像信息。

2.4 通信模塊

通信模塊主要用于整個(gè)系統(tǒng)模塊之間的信息交換，是整個(gè)系統(tǒng)設(shè)計(jì)成敗的關(guān)鍵樞紐，因此，本文選擇CAN總線進(jìn)行通信。和其他總線相比，CAN總線具有節(jié)點(diǎn)間不分主次，通信速率高的特點(diǎn)。除此之外，該模塊還采用Microchip公司的MCP2515控制器和TJA1040驅(qū)動(dòng)器輔助實(shí)現(xiàn)，不僅能夠達(dá)到系統(tǒng)所需的要求，還能節(jié)約成本。

2.5 機(jī)器人視覺(jué)定位模塊

機(jī)器人視覺(jué)定位模塊是整個(gè)系統(tǒng)的關(guān)鍵模塊，采集到的信息通過(guò)預(yù)處理去除噪聲干擾，再經(jīng)過(guò)通信模塊傳輸?shù)揭曈X(jué)定位模塊，在此模塊經(jīng)過(guò)圖像智能化定位處理，使得要跟蹤的信息更加清楚、明了，增加了跟蹤的精度。

3 機(jī)器人視覺(jué)定位跟蹤軟件算法的設(shè)計(jì)

3.1 算法的設(shè)計(jì)思路

在上述機(jī)器人視覺(jué)定位跟蹤系統(tǒng)各個(gè)模塊的設(shè)計(jì)的基礎(chǔ)上，設(shè)計(jì)軟件算法，具體步驟如下：

（1） 獲取定位圖像特征，為動(dòng)態(tài)估計(jì)提供依據(jù)。假如，區(qū)域圖像信息集為[φkζ]，[k=1，2，…，M]，則第[k]個(gè)圖像的特征可通過(guò)下式求出：

式中：[Fkx；pk]用于描述圖像信息的動(dòng)態(tài)變化；[vkx；pk]用于描述圖像不確定項(xiàng)；[pk]用于描述各參數(shù)向量。

（2） 動(dòng)態(tài)估計(jì)值的計(jì)算，為獲取定位誤差值提供有利條件。通過(guò)利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)一般動(dòng)態(tài)信息圖像特征[φkx；pk=Fkx；pk+vkx；pk]進(jìn)行局部分類，同時(shí)將獲取的信息用常值神經(jīng)網(wǎng)絡(luò)[WkTSx]權(quán)值的形式進(jìn)行保存，并獲取[M]階的動(dòng)態(tài)估計(jì)值：

式中：[k=1，2，…，M]用于描述第[k]個(gè)參數(shù)；[χk=χ1k，χ2k，…，χnkT]用于描述圖像信息個(gè)數(shù)；[B=diagb1，b2，…，bn]用于描述對(duì)角矩陣。

（3） 定位誤差值的計(jì)算及誤差范數(shù)的獲取。在測(cè)試過(guò)程中，通過(guò)式（2）獲取的動(dòng)態(tài)估計(jì)值，即可獲取定位誤差值，計(jì)算公式如下：

式中，[χki=χki-xi]用于描述狀態(tài)估計(jì)誤差。

通過(guò)式（4）求出誤差[χkit]的[L1]范數(shù)：

式中，[TC]用于描述圖像信息獲取周期。

（4） 完成機(jī)器人視覺(jué)定位，其基本思想為：若信息動(dòng)態(tài)模式為[s]（[s∈1，2，…，k]），則動(dòng)態(tài)模式[s]中常值RBF的神經(jīng)網(wǎng)絡(luò)[WkTiSix]值，可通過(guò)定位誤差值獲取。所以，相應(yīng)的誤差[χsit1]在全部誤差[χsit1]中最小。依據(jù)最小誤差原則，實(shí)現(xiàn)快速定位。

依據(jù)上述定位過(guò)程給出系統(tǒng)用于定位的主流程圖，如圖2所示。

（5） 在定位的基礎(chǔ)上完成跟蹤，則具體的跟蹤結(jié)果如下：

式中：[Ii，j]代表目標(biāo)圖像邊緣上的像素點(diǎn)；[S]代表圖像邊緣梯度向量；[t]代表目標(biāo)濾波值。

3.2 源代碼設(shè)計(jì)

本文設(shè)計(jì)的機(jī)器人視覺(jué)定位跟蹤系統(tǒng)軟件，是在Windows XP環(huán)境下，通過(guò)Visual C++ 6.0實(shí)現(xiàn)的，其關(guān)鍵跟蹤部分的源代碼如下：

4 仿真實(shí)驗(yàn)分析

為了驗(yàn)證本文設(shè)計(jì)的機(jī)器人視覺(jué)定位跟蹤系統(tǒng)的有效性，需要進(jìn)行相關(guān)的實(shí)驗(yàn)分析。實(shí)驗(yàn)將基于確定學(xué)習(xí)的跟蹤系統(tǒng)作為對(duì)比進(jìn)行分析，本文實(shí)驗(yàn)在Windows XP環(huán)境下，LabVIEW構(gòu)建系統(tǒng)平臺(tái)上完成。分別采用本文系統(tǒng)和基于確定學(xué)習(xí)的跟蹤系統(tǒng)對(duì)測(cè)試區(qū)域目標(biāo)進(jìn)行跟蹤，測(cè)試區(qū)域目標(biāo)圖像如圖3所示，兩種系統(tǒng)測(cè)試得到的結(jié)果分別如圖4、圖5所示。

由圖4、圖5可知，改進(jìn)算法進(jìn)行多人視覺(jué)定位中的防丟失效果要優(yōu)于傳統(tǒng)算法，這主要是因?yàn)楸疚脑O(shè)計(jì)的跟蹤系統(tǒng)，通過(guò)控制模塊對(duì)整個(gè)系統(tǒng)的各個(gè)模塊進(jìn)行協(xié)調(diào)和控制，再經(jīng)過(guò)圖像預(yù)處理模塊對(duì)目標(biāo)區(qū)域圖像進(jìn)行處理，并對(duì)區(qū)域目標(biāo)圖像信息進(jìn)行采集，將采集的信息發(fā)送至圖像預(yù)處理模塊進(jìn)行處理，完成整個(gè)系統(tǒng)模塊之間的信息交換，最終達(dá)到跟蹤的目的。采用本文系統(tǒng)對(duì)區(qū)域目標(biāo)圖像進(jìn)行跟蹤，從側(cè)面視角的角度，對(duì)本文系統(tǒng)和基于確定學(xué)習(xí)的跟蹤系統(tǒng)的跟蹤準(zhǔn)確率進(jìn)行比較，得到的結(jié)果如表1所示。分析表1可以看出，本文系統(tǒng)的準(zhǔn)確率一直高于基于確定學(xué)習(xí)的跟蹤系統(tǒng)，且準(zhǔn)確率一直在90%以上，說(shuō)明本文系統(tǒng)具有很高的跟蹤性能。

5 結(jié) 論

本文設(shè)計(jì)并實(shí)現(xiàn)了一種機(jī)器人視覺(jué)定位跟蹤系統(tǒng)。控制模塊作為系統(tǒng)的核心，主要負(fù)責(zé)整個(gè)系統(tǒng)各個(gè)模塊的協(xié)調(diào)和控制，通過(guò)圖像預(yù)處理模塊進(jìn)行處理，再用信息采集模塊對(duì)目標(biāo)圖像信息進(jìn)行采集；并通過(guò)通信模塊在整個(gè)系統(tǒng)模塊之間進(jìn)行信息的交換。在軟件設(shè)計(jì)過(guò)程中，在圖像處理的同時(shí)給出定位跟蹤程序代碼，實(shí)現(xiàn)目標(biāo)的定位跟蹤。仿真實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的系統(tǒng)具有很高的可行性和實(shí)用性。

參考文獻(xiàn)

[1] 梁棟，高瑋瑋，張艷，等.基于足底壓力圖像的靜態(tài)觸覺(jué)步態(tài)識(shí)別[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，41（10）：25?29.

[2] 王欣，唐俊，王年.基于雙層卷積神經(jīng)網(wǎng)絡(luò)的步態(tài)識(shí)別算法[J].安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2015（1）：32?36.

[3] 賁燁，張鵬，潘婷婷，等.線性插值框架下矩陣步態(tài)識(shí)別的性能分析[J].智能系統(tǒng)學(xué)報(bào)，2013（5）：415?425.

[4] 范玉紅，梁棟，鮑文霞.改進(jìn)的譜特征和足底邊緣距離的步態(tài)識(shí)別[J].安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2014（6）：37?43.

[5] 李一波，李昆.雙視角下多特征信息融合的步態(tài)識(shí)別[J].智能系統(tǒng)學(xué)報(bào)，2013，8（1）：74?79.

[6] 王蒙，孫運(yùn)強(qiáng)，姚愛(ài)琴.基于PCA和BP神經(jīng)網(wǎng)絡(luò)的步態(tài)識(shí)別系統(tǒng)研究[J].電子質(zhì)量，2014（3）：83?85.

[7] 鄭偉南，曲娜，程鳳芹，等.基于步態(tài)識(shí)別技術(shù)的熱釋電紅外安防預(yù)警系統(tǒng)研究[J].中國(guó)新通信，2014（23）：96?97.

第6篇：卷積神經(jīng)網(wǎng)絡(luò)的核心范文

不是新技術(shù) 聊聊圖像美化那些事

說(shuō)到圖像美化，就不得不提到Photoshop。很多朋友都知道，借助PS可以化腐朽為神奇，將人物P得美輪美奐。不過(guò)PS操作畢竟繁瑣，而隨著移動(dòng)設(shè)備的普及，越來(lái)越多類似PS的APP就逐漸在手機(jī)上流行起來(lái)，比如美圖秀秀、百變魔圖等。一些手機(jī)更是將美容功能融合到手機(jī)系統(tǒng)中，如美圖手機(jī)可以通過(guò)調(diào)用系統(tǒng)APIL問(wèn)相機(jī)，然后將采集到的畫面進(jìn)行美顏處理（圖1）。

隨著網(wǎng)絡(luò)直播的興起，APP美容技術(shù)也在不斷發(fā)展，它已經(jīng)不再局限于對(duì)靜態(tài)照片的美容，越來(lái)越多直播平臺(tái)可以使用APP對(duì)主播的動(dòng)態(tài)圖像進(jìn)行實(shí)時(shí)美化，比如將主播的小眼睛變大，把圓臉變成瓜子臉，幾乎實(shí)現(xiàn)了現(xiàn)實(shí)生活中的“整容”效果。

變美的背后――認(rèn)識(shí)APP美化原理

對(duì)于普通用戶來(lái)說(shuō)，在手機(jī)上進(jìn)行美顏操作都非常簡(jiǎn)單，比如美圖秀秀磨皮祛痘操作，只要在功能面板上選擇相應(yīng)的菜單，然后簡(jiǎn)單點(diǎn)擊選擇即可實(shí)現(xiàn)快速美容（圖2）。

不過(guò)這看似簡(jiǎn)單的操作背后卻是強(qiáng)大的圖片處理技術(shù)在支撐著。以簡(jiǎn)單的去痘操作為例。大家知道很多朋友臉上都有痘痘，這樣拍攝出來(lái)的照片，痘痘就會(huì)在你的臉上形成一個(gè)灰度值的變化。而如果一張照片上相臨的兩個(gè)區(qū)域灰度值相差比較大，在照片上就會(huì)形成噪點(diǎn)。因此祛痘操作實(shí)際上就是圖片處理上常用的“降噪”。降噪主要是通過(guò)一定的算法實(shí)現(xiàn)，比如濾波算法，它可以對(duì)周圍的點(diǎn)取均值來(lái)替代原先的值，使得圖片上的噪點(diǎn)看上去不那么明顯，反映在照片上就是人臉的痘痘消失了，看上去皮膚更為光滑。

因此當(dāng)我們?cè)诿阑疉PP中輕松點(diǎn)選去痘操作后，手機(jī)APP實(shí)際上在后臺(tái)先進(jìn)行噪點(diǎn)的判定（通過(guò)一個(gè)點(diǎn)的亮度和周圍點(diǎn)的亮度的差值進(jìn)行比較找到噪點(diǎn)），然后調(diào)用一定的算法進(jìn)行降噪，最后還要將經(jīng)過(guò)處理的圖片與原圖進(jìn)行混合（因?yàn)槿绻皇鞘褂锰幚砗蟮恼掌苋菀讈G失細(xì)節(jié)，使得處理后的照片看上去失真），并通過(guò)調(diào)整兩張圖片的混合權(quán)重，使得處理后的照片看起來(lái)既有美化效果，又不會(huì)給人“太假”的感覺(jué)。這也是一般美化APP處理圖片的常見(jiàn)流程（圖3）。

對(duì)于網(wǎng)絡(luò)主播的動(dòng)態(tài)美容則更為復(fù)雜，它首先要實(shí)現(xiàn)“人臉識(shí)別”。APP只有準(zhǔn)確識(shí)別到人臉才能進(jìn)行美容，人臉識(shí)別的核心技術(shù)則是深度學(xué)習(xí)技術(shù)。這種技術(shù)借助互聯(lián)網(wǎng)上海量的圖像數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，抓取到核心的特征，然后生成一種算法。這樣美顏APP就可以利用這些算法實(shí)現(xiàn)對(duì)主播們的動(dòng)態(tài)美容。比如對(duì)于主播膚色的調(diào)整，深度學(xué)習(xí)技術(shù)首先會(huì)抓取原圖和美膚處理后的圖片進(jìn)行比較，然后分析其中的差異，這樣經(jīng)過(guò)大量的學(xué)習(xí)后，它就可以在抓取到當(dāng)前主播原圖后使用特定的算法快速完成對(duì)主播的膚色處理，使得“美容”后的效果更為逼真、有效（圖4）。

同樣的，對(duì)于整容成瓜子臉、將小眼睛變大之類的美容效果，也都是使用類似的方式完成美化。這樣在直播時(shí)，從相機(jī)采集到每一幀的畫面，深度學(xué)習(xí)技術(shù)都會(huì)進(jìn)行人臉識(shí)別，再標(biāo)示出關(guān)鍵點(diǎn)的位置，然后結(jié)合圖像技術(shù)得到最終的美容效果。舉個(gè)簡(jiǎn)單的例子，現(xiàn)在網(wǎng)上流行的網(wǎng)紅臉，通過(guò)深度學(xué)習(xí)的人臉識(shí)別技術(shù)可以在抓取到當(dāng)前主播臉部數(shù)據(jù)后和網(wǎng)紅臉進(jìn)行比較，然后通過(guò)特定的算法進(jìn)行優(yōu)化，可以將主播整容為最受網(wǎng)友喜愛(ài)的臉型和膚色，這樣我們?cè)谥辈テ脚_(tái)看到的就是各種靚妹和帥哥，實(shí)際上功勞卻是后臺(tái)的人臉識(shí)別技術(shù)整容的結(jié)果。

寫在最好美化APP更讓人值得期待

第7篇：卷積神經(jīng)網(wǎng)絡(luò)的核心范文

關(guān)鍵詞：圖形圖像搜索 以圖搜圖 移動(dòng)電子商務(wù)

中圖分類號(hào)：G350 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2016）04（a）-0090-04

1 基于移動(dòng)電子商務(wù)的圖形圖像搜索

移動(dòng)電子商務(wù)，移動(dòng)設(shè)備輕便易攜、碎片化、娛樂(lè)化特征明顯，可隨時(shí)隨地滿足用戶的即時(shí)性消費(fèi)需求，由此，移動(dòng)終端日漸成為用戶網(wǎng)上購(gòu)物的重要選擇。同時(shí)，移動(dòng)購(gòu)物和生活場(chǎng)景相互交融，偶發(fā)性和沖動(dòng)型消費(fèi)快速滋長(zhǎng)，電商情境化趨勢(shì)日益彰顯；另一方面，智能移動(dòng)終端對(duì)音頻、視頻、圖像等各類信息采集方便，以圖片為例，其中適合圖像搜索的圖片為20%，假設(shè)0.5%人次成功轉(zhuǎn)移，1%平均購(gòu)買轉(zhuǎn)化率，平均購(gòu)物單價(jià)為200元，如，按平均10%的傭金計(jì)算，那么一年產(chǎn)業(yè)規(guī)模也超過(guò)220億元。加上其他收入，比如：廣告、手機(jī)搜索等，總體市場(chǎng)規(guī)模不低于600億元。

隨著移動(dòng)電子商務(wù)日益興起，圖形圖像搜索已能為客戶帶來(lái)全新的用戶體驗(yàn)。在購(gòu)物領(lǐng)域，非常典型的就是服裝服飾等非標(biāo)類產(chǎn)品，占到整個(gè)電子商務(wù)的55%市場(chǎng)份額。淘寶用戶只要看到了目標(biāo)商品，就可以使用圖片搜索功能對(duì)比同款產(chǎn)品的市場(chǎng)價(jià)格，也能找到更多相似款。這是移動(dòng)電子商務(wù)能帶來(lái)的極致便捷體驗(yàn)。圖形圖像搜索技術(shù)一直受到巨頭們的青睞，百度為深入研究“深度學(xué)習(xí)”算法，特地設(shè)立了IDL（Institute of Deep Learning）研究院。谷歌更是在短短幾年內(nèi)，陸續(xù)收購(gòu)了七八家涉足圖像識(shí)別的技術(shù)公司，并試圖以谷歌眼鏡搶占智能移動(dòng)終端的場(chǎng)景入口。圖圖搜利用微信公眾號(hào)，以微信拍照購(gòu)物搜索功能，率先成為第一家接入微信的圖像搜索引擎網(wǎng)站。谷歌、騰訊、百度等大公司也都在圖片搜索領(lǐng)域有資源投入，為圖片購(gòu)物搜索發(fā)展帶來(lái)了壓力的同時(shí)，更為市場(chǎng)帶來(lái)了各大圖像技術(shù)競(jìng)相追逐的動(dòng)力。

2 典型應(yīng)用舉例

2.1 手機(jī)購(gòu)物網(wǎng)站相似商品搜索

可以是用戶上傳圖片搜索，也可以是站內(nèi)圖片點(diǎn)擊搜索。（如圖1所示）

2.2 移動(dòng)拍照購(gòu)物

隨手拍照―― 準(zhǔn)確搜到相關(guān)商品。（如圖2所示）

2.3 區(qū)域搜索

給定一張時(shí)尚或明星圖片，根據(jù)自主的圖片選定區(qū)域，能夠識(shí)別與圖片選定區(qū)域內(nèi)容相似的其他商品圖片，然后根據(jù)相似度排序。（如圖3所示）

3 關(guān)鍵技術(shù)總結(jié)

3.1 圖像搜索系統(tǒng)結(jié)構(gòu)

基于移動(dòng)電子商務(wù)的圖形圖像搜索技術(shù)，通常的做法包括IEEE的標(biāo)準(zhǔn)，都是用圖像特征值來(lái)實(shí)現(xiàn)的。搜索引擎將目標(biāo)圖片進(jìn)行特征提取，形成一組特征描述或特征向量。當(dāng)用戶搜索時(shí)，將查詢圖像的特征描述與數(shù)據(jù)庫(kù)中其他圖像的特征描述進(jìn)行自動(dòng)匹配，并返回匹配結(jié)果。（如圖4所示）

3.2 核心技術(shù)

上述圖像搜索系統(tǒng)的技術(shù)核心就是對(duì)圖像特征的提取，特征提取是計(jì)算機(jī)視覺(jué)和圖像處理中的一個(gè)概念。它指的是使用計(jì)算機(jī)提取圖像信息，決定每個(gè)圖像的點(diǎn)是否屬于一個(gè)圖像特征。特征被檢測(cè)后它可以從圖像中被抽取出來(lái)，這個(gè)過(guò)程可能需要許多圖像處理的計(jì)算機(jī)，其結(jié)果被稱為特征描述或者特征向量。

常用的圖像特征有顏色（Color）、紋理（Texture）、形狀（Shape）、空間（Space）關(guān)系等。

（1）顏色特征：顏色特征是一種全局特征，描述了圖像或圖像區(qū)域所對(duì)應(yīng)的景物的表面性質(zhì)。一般顏色特征是基于像素點(diǎn)的特征，此時(shí)所有屬于圖像或圖像區(qū)域的像素都有各自的貢獻(xiàn)。顏色直方圖是最常用的表達(dá)顏色特征的方法，其優(yōu)點(diǎn)是不受圖像旋轉(zhuǎn)和平移變化的影響，進(jìn)一步借助歸一化還可不受圖像尺度變化的影響，其缺點(diǎn)是沒(méi)有表達(dá)出顏色空間分布的信息。此外，顏色特征提取還有顏色集、顏色矩、顏色聚合向量、顏色相關(guān)圖等方法。

（2）紋理特征：紋理特征也是一種全局特征，它與顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算。在模式匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會(huì)由于局部的偏差而無(wú)法匹配成功。在檢索具有粗細(xì)、疏密等方面較大差別的紋理圖像時(shí)，利用紋理特征是一種有效的方法。常用的紋理特征提取與匹配方法有灰度共生矩陣、Voronio棋盤格特征法和結(jié)構(gòu)法、隨機(jī)場(chǎng)模型法、Tamura紋理特征、自回歸紋理模型、小波變換等。

（3）形狀特征：各種基于形狀特征的檢索方法都可以比較有效地利用圖像中感興趣的目標(biāo)來(lái)進(jìn)行檢索。通常情況下，形狀特征有兩類表示方法：一類是輪廓特征；另一類是區(qū)域特征。圖像的輪廓特征主要針對(duì)物體的外邊界，而圖像的區(qū)域特征則關(guān)系到整個(gè)形狀區(qū)域。典型的形狀特征描述方法有傅里葉形狀描述符法、Hough變換檢測(cè)平行直線方法、有限元法（Finite Element Method或FEM）、旋轉(zhuǎn)函數(shù)（Turning）和小波描述符（Wavelet Deor）等方法。

（4）空間關(guān)系特征：所謂空間關(guān)系，是指圖像中分割出來(lái)的多個(gè)目標(biāo)之間的相互的空間位置或相對(duì)方向關(guān)系，這些關(guān)系也可分為連接/鄰接關(guān)系、交疊/重疊關(guān)系和包含/包容關(guān)系等，空間關(guān)系特征的使用可加強(qiáng)對(duì)圖像內(nèi)容的描述區(qū)分能力。提取圖像空間關(guān)系特征可以有兩種方法：一種方法是首先對(duì)圖像進(jìn)行自動(dòng)分割，劃分出圖像中所包含的對(duì)象或顏色區(qū)域，然后根據(jù)這些區(qū)域提取圖像特征；另一種方法則簡(jiǎn)單地將圖像均勻地劃分為若干規(guī)則子塊，然后對(duì)每個(gè)圖像子塊提取特征。

自從Hinton在2012年將深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）帶入到圖像分類領(lǐng)域后，深度學(xué)習(xí)在圖像處理相關(guān)領(lǐng)域的研究一下子變得異?；馃崞饋?lái)?；谏疃葘W(xué)習(xí)原理的圖像檢索，更多的是從一種圖像理解的角度來(lái)進(jìn)行的，得到的是一種更加抽象的描述，也可以理解為“語(yǔ)義”，它更多的是在解釋這個(gè)圖像描繪的是什么物體或者什么場(chǎng)景之類的。這種仿照人腦的識(shí)別過(guò)程而設(shè)計(jì)的深度神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)提取圖片中的語(yǔ)義信息，彌補(bǔ)了其他傳統(tǒng)算法在這方面的不足。（如圖5所示）

3.3 應(yīng)用集成設(shè)計(jì)

應(yīng)用集成設(shè)計(jì)如圖6所示。

3.4 系統(tǒng)關(guān)鍵技術(shù)指標(biāo)

（1）該平臺(tái)表現(xiàn)出良好的用戶服務(wù)支持能力。經(jīng)系統(tǒng)實(shí)際運(yùn)行測(cè)試，目前平臺(tái)已入駐企業(yè)近萬(wàn)家，平臺(tái)運(yùn)行平穩(wěn)，響應(yīng)速度快，具有良好的用戶體驗(yàn)。（2）項(xiàng)目自上線以來(lái)，該平臺(tái)運(yùn)行平穩(wěn)，在高性能單服務(wù)器上支持并發(fā)搜索5 000以上。（3）擁有的圖像算法，搜索結(jié)果效率高，核心算法庫(kù)搜索響應(yīng)速度

4 產(chǎn)業(yè)機(jī)遇與面臨問(wèn)題

圖像搜索，可以簡(jiǎn)單地認(rèn)為是“以圖搜圖”，但又不只是圖像識(shí)別這么簡(jiǎn)單。如果把圖像搜索等同于圖片識(shí)別，它并不算什么高超的技術(shù)，不同領(lǐng)域的圖像識(shí)別技術(shù)已經(jīng)趨于成熟。識(shí)別只是圖像搜索的第一步，第二步是理解，第三步是檢索，每一步都存在著技術(shù)難點(diǎn)。在移動(dòng)互聯(lián)網(wǎng)時(shí)代，圖片已逐漸替代文字成為了移動(dòng)終端的主要信息載體，圖形圖像搜索以圖搜圖的產(chǎn)品特點(diǎn)，天然貫通了移動(dòng)終端到電子商務(wù)平臺(tái)圖片信息傳遞的過(guò)程，利用圖像搜索服務(wù)來(lái)引導(dǎo)移動(dòng)電子商務(wù)消費(fèi)已成為趨勢(shì)。

5 圖形圖像搜索的發(fā)展方向

在移動(dòng)電子商務(wù)領(lǐng)域內(nèi)，對(duì)比其他搜索產(chǎn)品，將對(duì)以下三點(diǎn)技術(shù)指標(biāo)進(jìn)行重點(diǎn)研究和提升：（1）實(shí)現(xiàn)“所見(jiàn)即所得”，讓圖像搜索由被動(dòng)到主動(dòng)；（2）實(shí)現(xiàn)動(dòng)態(tài)圖像搜索，手機(jī)網(wǎng)絡(luò)視頻購(gòu)物；（3）實(shí)現(xiàn)移動(dòng)場(chǎng)景下對(duì)“線下實(shí)體”的搜索，成為用戶的第三只眼。

參考文獻(xiàn)

[1]余飛.基于HTML5的圖形圖像協(xié)同處理技術(shù)研究與實(shí)現(xiàn)[D].長(zhǎng)江大學(xué)，2015.

[2]陳微微.基于顏色特征提取的圖像搜索引擎研究[D].重慶理工大學(xué)，2012.

第8篇：卷積神經(jīng)網(wǎng)絡(luò)的核心范文

【關(guān)鍵詞】智能終端 續(xù)航 快速充電

1 引言

電池續(xù)航是目前智能終端體驗(yàn)的最大瓶頸，這是普通消費(fèi)者與專業(yè)人士的共識(shí)。過(guò)去幾年，智能手機(jī)市場(chǎng)被硬件軍備競(jìng)賽所籠罩，手機(jī)在硬件配置上遵循摩爾定律，但不包括電池技術(shù)，續(xù)航體驗(yàn)問(wèn)題的日益突出本質(zhì)上是手機(jī)電池需求過(guò)快增長(zhǎng)與電池續(xù)航技術(shù)更新緩慢之間矛盾惡化的結(jié)果。除了智能手機(jī)，智能可穿戴設(shè)備、物聯(lián)網(wǎng)IoT等新興智能終端領(lǐng)域，也面臨著同樣的問(wèn)題。

體驗(yàn)痛點(diǎn)意味著市場(chǎng)機(jī)遇，在終端硬件競(jìng)爭(zhēng)進(jìn)入平穩(wěn)期后，電池續(xù)航能力成為一個(gè)重要的焦點(diǎn)，終端產(chǎn)業(yè)鏈上下游各方競(jìng)相研發(fā)低功耗新技術(shù)與新方案。本文從產(chǎn)業(yè)鏈視角，剖析智能手機(jī)、可穿戴及IoT終端產(chǎn)業(yè)鏈的關(guān)鍵環(huán)節(jié)為解決續(xù)航問(wèn)題正在或者即將開始應(yīng)用的新技術(shù)與新方案。

2 智能手機(jī)續(xù)航解決方案

從耗電角度，芯片、顯示屏是智能手機(jī)的耗電主體，也是未來(lái)器件研發(fā)的關(guān)注焦點(diǎn)。電池新材質(zhì)、新技術(shù)的應(yīng)用是續(xù)航困境解決的根本。軟硬一體的節(jié)電優(yōu)化、快充則是終端廠商競(jìng)爭(zhēng)的焦點(diǎn)。

2.1 芯片低功耗設(shè)計(jì)

作為智能手機(jī)計(jì)算處理的耗電大戶，如何降低手機(jī)采用的各種芯片的功耗是降低整機(jī)功耗的基礎(chǔ)環(huán)節(jié)。芯片產(chǎn)業(yè)鏈一直在研究提升性能的同時(shí)降低功耗，如何在性能與功耗之間取得平衡是未來(lái)芯片技術(shù)發(fā)展的焦點(diǎn)之一。

（1）芯片指令集精簡(jiǎn)與架構(gòu)優(yōu)化

ARM公司處于智能終端芯片生態(tài)鏈的頂端，在成立之初就致力于低功耗設(shè)計(jì)，為智能手機(jī)設(shè)計(jì)了ARM精簡(jiǎn)指令集（相對(duì)復(fù)雜指令集）。2011年11月，ARMARM V8指令集，將手機(jī)芯片帶入64位時(shí)代。2013年，蘋果首次采用A7處理器，高通、聯(lián)發(fā)科等廠商也于2014年開始應(yīng)用。目前采用ARM精簡(jiǎn)指令集和內(nèi)核的芯片已經(jīng)成為手機(jī)及其它智能設(shè)備的主流配置。

為解決手機(jī)芯片“核戰(zhàn)”帶來(lái)的功耗問(wèn)題，ARM公司推出big LITTLE（大小核）架構(gòu)[1]，將重效能的“大”核與低功耗的“小”核搭配使用，在滿足手機(jī)高性能需求的同時(shí)兼顧低功耗?！按蟆焙薈ortex-A57重效能，設(shè)計(jì)主要源自Cortex-A15，但基于ARM所作的優(yōu)化（如數(shù)據(jù)預(yù)取及增加Registers等），Cortex-A57處理32bit軟件比Cortex-A15快20%至30%。在實(shí)際使用中A57的功耗問(wèn)題較為突出，不少采用A57內(nèi)核的芯片出現(xiàn)發(fā)熱問(wèn)題，例如高通驍龍810等。為此，ARM在2015年初優(yōu)化后的Cortex-A72內(nèi)核，若采用16nm工藝，相比上一代的28工藝下的Cortex-A15，性能達(dá)到3.5倍，而功耗可降低75%。“小”核Cortex-A53則在提供足夠的性能下，盡量縮小芯片面積及功耗，沒(méi)有采用Cortex-A57較耗電的亂序執(zhí)行管線設(shè)計(jì)，而改用簡(jiǎn)單按序執(zhí)行管線設(shè)計(jì)。Cortex-A53提供與上一代采用ARM v7指令集的Cortex-A9等級(jí)的效能，但芯片面積更小，可在同制程下比Cortex-A9縮小40%。如果使用20nm制程的話，面積僅為32nm Cortex-A9的1/4，有助于在降低成本同時(shí)降低功耗。

（2）通過(guò)制程工藝提升降低功耗

相比較指令集和芯片架構(gòu)設(shè)計(jì)，芯片工藝制程的升級(jí)對(duì)功耗的降低更加立竿見(jiàn)影，這也是近年來(lái)工藝制程升級(jí)迭代升級(jí)加快的重要推動(dòng)力。

英特爾、三星和臺(tái)積電三巨頭處于芯片制造領(lǐng)域的第一方陣。三星的14nm FinFET（Fin Field-Effect Transistor，鰭式場(chǎng)效晶體管）工藝已經(jīng)量產(chǎn)出貨（三星Exynos 7420芯片），臺(tái)積電16nm FinFET也將規(guī)模量產(chǎn)；蘋果最新的A9處理將分別采用這兩家最先進(jìn)的工藝制程。

同時(shí)，半導(dǎo)體制程從14nm/16nm開始進(jìn)入3D時(shí)代，相比較之前的2D晶體管，3D FinFET具有低功耗、面積小的優(yōu)點(diǎn)。

（3）射頻低功耗方案

在降低功耗層面，智能手機(jī)射頻芯片不如主芯片受關(guān)注，但降低功耗也一直是主流趨勢(shì)。

4G射頻面臨的核心挑戰(zhàn)是解決服務(wù)需求和網(wǎng)絡(luò)容量爆炸式增長(zhǎng)所需的更多蜂窩頻段（目前全球頻段總數(shù)已達(dá)到40個(gè)）。多家公司推出成套的射頻解決方案，包括集成模塊、多模多頻器件、包絡(luò)功率追蹤等，高通公司的RF360解決方案[2]是其中的代表。在功率放大器PA中集成天線開關(guān)、支持各種模式和頻段（從GSM之后的所有主要蜂窩制式和目前3GPP協(xié)議中的全部頻段）的組合，支持全球漫游。包絡(luò)功率追蹤器（ET）根據(jù)信號(hào)的瞬態(tài)需求來(lái)調(diào)整功率放大器（PA）電源，是傳統(tǒng)平均功率追蹤器（APT）的升級(jí)，APT根據(jù)功率水平分組而不是瞬時(shí)信號(hào)需求來(lái)調(diào)整功率放大器的供電量。包絡(luò)功率追蹤器與終端調(diào)制解調(diào)器交互工作，調(diào)整傳輸功率以滿足被傳輸內(nèi)容的瞬時(shí)需求，而不是在恒定功率下的長(zhǎng)時(shí)間間隔后調(diào)整，功耗降低最高達(dá)20%，發(fā)熱降低近30%（基于高通公司的測(cè)試和分析）。這延長(zhǎng)了電池續(xù)航時(shí)間，減少了智能手機(jī)超薄機(jī)身內(nèi)部的發(fā)熱。

（4）智能芯片軟硬一體化優(yōu)化

隨著芯片硬件設(shè)計(jì)和工藝制程的提升，智能芯片平臺(tái)應(yīng)運(yùn)而生。智能芯片平臺(tái)是硬件與軟件一體化方案，將人工智能、卷積神經(jīng)網(wǎng)絡(luò)、大數(shù)據(jù)等技術(shù)應(yīng)用到手機(jī)芯片平臺(tái)，將進(jìn)一步降低芯片功耗。高通最新的驍龍820（明年初上市）即是這樣的有益嘗試。

2.2 顯示屏

智能手機(jī)進(jìn)入大屏?xí)r代（主流尺寸5寸、5.5寸），屏幕成為手機(jī)耗電比例最大的模塊。大屏、PPI不斷升級(jí)帶來(lái)的后果是功耗的顯著提升。

改進(jìn)屏幕材質(zhì)是降低屏幕功耗的有效解決方案之一。OLED有機(jī)電激發(fā)光二極管自發(fā)光、無(wú)需背光源，可有效降低功耗。IGZO將以往難度極高的銦、鎵、鋅與氧結(jié)晶化，實(shí)現(xiàn)了全新的原子排列的結(jié)晶構(gòu)造，基于這一獨(dú)特的細(xì)致的排列方式，IGZO顯示屏具備極強(qiáng)的穩(wěn)定性。同時(shí)，IGZO具有極高的電子遷移率，遷移率越高，電阻率越小，通過(guò)相同電流時(shí)，功耗也就越小。

對(duì)于傳統(tǒng)的LCD顯示屏，采用增加面板開口率、降低驅(qū)動(dòng)電壓、提高背照燈光源―白色LED的發(fā)光效率，以及提高光學(xué)材料性能等方式，通過(guò)對(duì)輸入影像信號(hào)及周圍亮度的伽瑪校正以及畫面亮度控制等圖像處理，來(lái)降低顯示面板功耗。

另外，可通過(guò)軟件降低屏幕分辨率、灰度顯示等方式來(lái)降低功耗，增加續(xù)航能力。

2.3 電池

解決續(xù)航問(wèn)題的根本手段是開源方式，即增加電池容量及發(fā)展新型高效電池技術(shù)。但近年來(lái)電池技術(shù)尚無(wú)突破性進(jìn)展，太陽(yáng)能電池、鎂離子電池、超級(jí)電容等電池新材的商用進(jìn)展并不樂(lè)觀，對(duì)比而言，鋰離子電池的改進(jìn)技術(shù)仍是業(yè)界的重心和最為現(xiàn)實(shí)的解決方案。

當(dāng)下電池的主流是聚合物鋰電池芯，以石墨作為負(fù)極，石墨碳負(fù)極電池的能量密度，達(dá)到600Wh/L差不多已到極限，而引入硅負(fù)極材料來(lái)提升電池能量密度已是業(yè)界公認(rèn)的方向之一，即以硅碳代替石墨，將石墨負(fù)極電池變成硅基負(fù)極電池。

目前一般手機(jī)廠商的電池能量密度大都在560～

580Wh/L，熱門機(jī)型中，小米note電池容量為3 000mAh，

能量密度為676.5Wh/L；華為榮耀6 Plus為3 600mAh，電池能量密度為595Wh/L。據(jù)悉，業(yè)界多家手機(jī)廠家在新的手機(jī)方案中測(cè)試650～720Wh/L的高密度硅負(fù)極電池，如采用純硅負(fù)極材料能量密度有望達(dá)到900Wh/L。2015年，基于硅負(fù)極材料的700Wh/L高能量密度電池產(chǎn)品將實(shí)現(xiàn)規(guī)模商用。特別需要關(guān)注的是，除了能量密度外，安全、膨脹、循環(huán)等性能指標(biāo)也是高能量密度電池要重點(diǎn)解決的問(wèn)題。

另外，4.35V高壓電池技術(shù)、硅碳陽(yáng)極技術(shù)、納米陶瓷涂層覆膜技術(shù)等也是鋰離子電池改進(jìn)的方向。

2.4 快速充電

發(fā)展節(jié)電技術(shù)的同時(shí)，快速充電正成為一項(xiàng)可快速大規(guī)模應(yīng)用和普及的折中方案。從原理上來(lái)看，快充的實(shí)現(xiàn)主要通過(guò)增加電壓或電流或兩者同時(shí)增加來(lái)實(shí)現(xiàn)。

主流的芯片供應(yīng)商高通和聯(lián)發(fā)科均已快充解決方案，并集成到芯片平臺(tái)中。在芯片廠商解決方案中，高通的Quick Charge快充方案[3]生態(tài)系統(tǒng)最為成熟，已經(jīng)發(fā)展到QuickCharge 2.0，有兩種規(guī)格：Class A（5V/9V/12V）與ClassB（5V/9V/12V/20V）；芯片方面，高通全系列芯片支持。聯(lián)發(fā)科Pump Express[4]允許充電器根據(jù)電流決定充電所需的初始電壓，由PMIC發(fā)出脈沖電流指令，通過(guò)USB的Vbus傳送給充電器，充電器依照這個(gè)指令調(diào)整輸出電壓，電壓逐漸增加至5V 達(dá)到最大充電電流。

快充產(chǎn)業(yè)鏈包括協(xié)議、適配器（充電IC）、電源管理芯片、芯片平臺(tái)等。除前述的高通、聯(lián)發(fā)科外，還有TI的Max Charge、Fairchild的ACCP（Adaptive Charger Communication Protocol）等快充協(xié)議及方案?？斐鋮f(xié)議之間目前還不互通，主流的電源IC廠商產(chǎn)品均開始支持多種快充協(xié)議。

終端廠商中，OPPO的VOOC閃充[5]最具代表性，現(xiàn)已發(fā)展到2.0版。VOOC采用降低電壓增大電流的充電方式（5V/4.5A），將充電控制電路從手機(jī)側(cè)移到適配器側(cè)，同時(shí)需要一系列專門定制的配件，包括適配器（新增充電控制電路+智能MCU控制）、電池（定制8觸點(diǎn)）、數(shù)據(jù)線、電路、接口（7pin）等。

從成本角度看，相比普通的充電方案，快充在充電IC、保護(hù)電路、電池等方面需要增加成本。VOOC專屬方案成本最高，高通Quick Charge方案次之，聯(lián)發(fā)科Pump Express則相對(duì)比較經(jīng)濟(jì)。

在快速充電體驗(yàn)方面，終端廠商目前的期望基本上是10分鐘完成30%充電，30分鐘完成70%充電。

2.5 軟硬一體節(jié)電技術(shù)方案

對(duì)智能手機(jī)而言，單個(gè)維度或器件的節(jié)電遠(yuǎn)遠(yuǎn)不夠，基于網(wǎng)絡(luò)、用戶使用行為等方面的軟硬一體節(jié)電方案是產(chǎn)業(yè)鏈的重點(diǎn)研究對(duì)象。業(yè)內(nèi)正在進(jìn)行優(yōu)化方向包括操作系統(tǒng)層面的資源調(diào)度優(yōu)化、情景感知節(jié)電、基站黑名單管理優(yōu)化等。

操作系統(tǒng)層面的調(diào)度優(yōu)化主要是基于APP應(yīng)用行為優(yōu)化調(diào)度Android系統(tǒng)資源，基于應(yīng)用層的性能需求進(jìn)行CPU處理能力（大小核）的智能調(diào)度、動(dòng)態(tài)電源調(diào)度管理以及軟硬一體調(diào)度優(yōu)化等。

基于情景感知的節(jié)電方案能夠有效識(shí)別用戶走路、跑步、駕駛、睡覺(jué)等狀態(tài)，以便提供針對(duì)性省電措施。垂直整合軟件系統(tǒng)，通過(guò)調(diào)頻管理、LCD背光管理、協(xié)議優(yōu)化、后臺(tái)應(yīng)用管理、運(yùn)行進(jìn)程管控、外設(shè)開關(guān)管理等，有效降低整機(jī)功耗。根據(jù)用戶所處情景，配合動(dòng)態(tài)調(diào)頻、動(dòng)態(tài)降幀、進(jìn)程冷卻等，可降低整機(jī)功耗。情景感知技術(shù)需要基于大數(shù)據(jù)積累進(jìn)行迭代優(yōu)化。

基站黑名單管理優(yōu)化能夠自動(dòng)偵測(cè)網(wǎng)絡(luò)環(huán)境，減少乒乓切換，降低待機(jī)功耗。網(wǎng)絡(luò)信號(hào)的小范圍波動(dòng)容易引發(fā)手機(jī)乒乓選網(wǎng)，大量消耗手機(jī)電量。通過(guò)大量的外場(chǎng)數(shù)據(jù)為基礎(chǔ)進(jìn)行建模，建立和優(yōu)化干擾小區(qū)的識(shí)別算法，形成黑名單功耗優(yōu)化技術(shù)。

3 可穿戴及IoT終端續(xù)航解決方案分析

如果說(shuō)智能手機(jī)的續(xù)航問(wèn)題影響的僅僅是用戶體驗(yàn)，對(duì)于手環(huán)、智能手表、智能眼鏡等新興的可穿戴及IoT（Internet of Things，物聯(lián)網(wǎng)）終端而言，續(xù)航問(wèn)題則是生存問(wèn)題，在一定程度上決定了該品類的市場(chǎng)前景和空間。

可穿戴及IoT終端最大的瓶頸是設(shè)備尺寸與電池材料的限制，電池容量難以支撐用戶的體驗(yàn)需求。智能手機(jī)需要處理比較復(fù)雜多媒體運(yùn)算，而可穿戴及IoT終端的功能則一般相對(duì)簡(jiǎn)單，業(yè)界從一開始就采用低功耗技術(shù)。

3.1 芯片及傳感器低功耗方案

第9篇：卷積神經(jīng)網(wǎng)絡(luò)的核心范文

【關(guān)鍵詞】電力行業(yè)；熱工自動(dòng)化；發(fā)展前景

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(guó)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(chǎng)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。

1.1DCS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。

1.1.1DCS應(yīng)用范圍的迅速擴(kuò)展。

20世紀(jì)末，DCS在國(guó)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?？梢哉f(shuō)只要工藝上能夠?qū)崿F(xiàn)的系統(tǒng)，DCS都能實(shí)現(xiàn)對(duì)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。

（1）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。

（2）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(lái)的傳遞過(guò)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。

（3）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(lái)越多的電廠所采用。

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

（1）隨著電子技術(shù)的發(fā)展，近年來(lái)DCS系統(tǒng)在結(jié)構(gòu)上發(fā)生變化。過(guò)去強(qiáng)調(diào)的是控制功能盡可能分散，由此帶來(lái)的是使用過(guò)多的控制器和接口間連接。但過(guò)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(wàn)縷，互相牽連，一對(duì)控制器故障就可能導(dǎo)致機(jī)組停機(jī)，即使沒(méi)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(duì)控制器中，以及上述所說(shuō)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。

（2）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。

（1）一個(gè)火電廠有10多個(gè)輔助車間，國(guó)內(nèi)過(guò)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(jiǎn)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)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)控制少人值班或無(wú)人值班。

（2）近幾年新建工程迅速向這個(gè)方向發(fā)展。如國(guó)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(kù)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。

1.3變頻技術(shù)的普及應(yīng)用與發(fā)展。

（1）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(lái)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。

（2）因?yàn)樘N(yùn)藏著巨大的節(jié)能潛力，可以預(yù)見(jiàn)隨著高壓變頻器可靠性的提高、一次性投資降低和對(duì)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(chǎng)總線。

（1）自動(dòng)化技術(shù)的發(fā)展，帶來(lái)新型自動(dòng)化儀表的涌現(xiàn)，現(xiàn)場(chǎng)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(chǎng)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(guó)家，現(xiàn)場(chǎng)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(guó)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(chǎng)總線。

（2）我國(guó)政府從“九五”起，開始投資支持現(xiàn)場(chǎng)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(chǎng)總線對(duì)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(chǎng)總線在電廠的應(yīng)用仍處于探討摸索階段，近二年我國(guó)有十多個(gè)工程應(yīng)用了現(xiàn)場(chǎng)總線，但都是在局部系統(tǒng)上，其中： 某電廠，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(guó)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(guó)內(nèi)首家在過(guò)程控制中采用現(xiàn)場(chǎng)總線技術(shù)的火力發(fā)電廠。

（3）某電廠的補(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(chǎng)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。控制系統(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)。現(xiàn)場(chǎng)設(shè)備層之間采用Profibus-DP現(xiàn)場(chǎng)總線通訊。主環(huán)網(wǎng)采用光纜，分支現(xiàn)場(chǎng)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(chǎng)總線環(huán)形光纜網(wǎng)構(gòu)成冗余配置，所有現(xiàn)場(chǎng)儀表和氣動(dòng)閥門定位器（均采用帶PA總線接口），通過(guò)DP/PA耦合器連接到現(xiàn)場(chǎng)總線上。中低壓電器設(shè)備（MCC）采用具有現(xiàn)場(chǎng)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(yáng)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(lái)控制，閥島與現(xiàn)場(chǎng)總線連接。這是國(guó)內(nèi)在局部過(guò)程控制中全面采用現(xiàn)場(chǎng)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(chǎng)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。

（1）隨著過(guò)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(lái)越難以滿足火電廠熱力流程對(duì)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(guò)程控制領(lǐng)域中得到應(yīng)用。如基于過(guò)程模型并在線動(dòng)態(tài)求解優(yōu)化問(wèn)題的模型預(yù)測(cè)控制（簡(jiǎn)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(lái)實(shí)現(xiàn)復(fù)雜被控對(duì)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(guò)程中取得較好效果。

（2）如某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。

（3） 圖1中，用基于狀態(tài)空間算法的狀態(tài)觀測(cè)器解決汽溫這種大滯后對(duì)象的延遲造成的控制滯后，焓值變?cè)鲆婵刂破鹘鉀Q蒸汽壓力的變化對(duì)溫度控制的影響，基于模型的Smith預(yù)估器對(duì)導(dǎo)前溫度的變化進(jìn)行提前控制；通過(guò)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(duì)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(duì)預(yù)測(cè)輸出進(jìn)行優(yōu)化計(jì)算，實(shí)時(shí)對(duì)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)。

1.6SIS系統(tǒng)的應(yīng)用發(fā)展。

（1）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(guó)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。

（2）但是自從SIS系統(tǒng)投運(yùn)以來(lái)，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(lái)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(méi)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(chǎng)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(méi)有統(tǒng)一的標(biāo)準(zhǔn)也緩慢了其功能的應(yīng)用。

（3）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(guó)電力市場(chǎng)發(fā)展的趨勢(shì)，將給發(fā)電廠特別是大型的現(xiàn)代化發(fā)電廠帶來(lái)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(lái)發(fā)展動(dòng)向及前景

隨著國(guó)家法律對(duì)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(lái)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(cè)量和數(shù)據(jù)通信一體化發(fā)展，新的測(cè)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。

（1）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(méi)有多大提高。雖然許多智能化的監(jiān)視、控制軟件在國(guó)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(guó)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(shì)，因此未來(lái)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。

（2）如：儀表智能管理軟件，將對(duì)現(xiàn)場(chǎng)智能傳感器進(jìn)行在線遠(yuǎn)程組態(tài)和參數(shù)設(shè)置、對(duì)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(guò)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。

（3）閥門智能管理軟件將對(duì)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(cè)試，判斷閥門閥桿是否卡澀， 閥芯是否有磨損等，通過(guò)閥門性能狀況的全面評(píng)估，為實(shí)現(xiàn)預(yù)測(cè)性維護(hù)提供決策。

（4）重要轉(zhuǎn)動(dòng)設(shè)備的狀態(tài)智能管理軟件將對(duì)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(cè)多種技術(shù)，通過(guò)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。

（5）智能化報(bào)警軟件將對(duì)報(bào)警信號(hào)進(jìn)行匯類統(tǒng)計(jì)、分析和預(yù)測(cè)，對(duì)機(jī)組運(yùn)行趨勢(shì)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(cè)、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(lái)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(cè)性、主動(dòng)式為主的維護(hù)方式過(guò)渡，檢修計(jì)劃將根據(jù)機(jī)組實(shí)際狀況安排。

2.2過(guò)程控制優(yōu)化軟件將得到進(jìn)一步應(yīng)用。

（1）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(cè)、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(jìng)爭(zhēng)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。

（2）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(duì)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(zhǎng)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(lái)，單機(jī)AGC方式將會(huì)向全廠負(fù)荷分配方式轉(zhuǎn)變。

（3）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?；痣姀S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(chǎng)總線與DCS相互依存發(fā)展。

未來(lái)一段時(shí)間里，現(xiàn)場(chǎng)總線將與DCS、PLC相互依存發(fā)展，現(xiàn)場(chǎng)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(chǎng)總線完善自身的功能。

2.3.1現(xiàn)場(chǎng)總線與DCS的關(guān)系。

現(xiàn)場(chǎng)總線作為一個(gè)完整的現(xiàn)場(chǎng)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(cè)和執(zhí)行等現(xiàn)場(chǎng)儀表信號(hào)仍采用模擬量信號(hào)，無(wú)法滿足工程師站上對(duì)現(xiàn)場(chǎng)儀表進(jìn)行診斷、維護(hù)和管理的要求，限制了控制過(guò)程視野，因此DCS通過(guò)容入通信協(xié)議國(guó)際標(biāo)準(zhǔn)化的現(xiàn)場(chǎng)總線和適合現(xiàn)場(chǎng)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(chǎng)或由現(xiàn)場(chǎng)智能驅(qū)動(dòng)器代替，功能簡(jiǎn)單且相對(duì)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(chǎng)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(guò)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(chǎng)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(chǎng)總線與PLC的關(guān)系。

（1）現(xiàn)場(chǎng)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(chǎng)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(chǎng)總線和PLC的制造商間關(guān)系密切，如、ProfiBus等本身就是由PLC的主要生產(chǎn)供貨商支持開發(fā)。

（2）由于電廠現(xiàn)場(chǎng)的環(huán)境惡劣，溫度高、灰塵多、濕度變化大，因此現(xiàn)場(chǎng)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(duì)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(guò)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(guò)程中，目前要解決好以下問(wèn)題：

（1）輔控系統(tǒng)I/O點(diǎn)數(shù)量大，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(wèn)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(wèn)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(guò)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(chǎng)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(shì)。

2.6APS技術(shù)應(yīng)用。

（1）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(guò)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(wèn)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(jiàn)。

（2）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(shì)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(chǎng)競(jìng)爭(zhēng)能力行之有效的方法，將會(huì)成為未來(lái)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(wú)線測(cè)量技術(shù)應(yīng)用。

無(wú)線測(cè)量技術(shù)能監(jiān)視和控制運(yùn)行過(guò)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(guò)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(cè)量等，都可能通過(guò)無(wú)線測(cè)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(chǎng)競(jìng)爭(zhēng)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(cè)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(guò)減少配置來(lái)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。

（1）隨著電力市場(chǎng)的競(jìng)爭(zhēng)，發(fā)電企業(yè)將趨向集約化經(jīng)營(yíng)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(guò)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(lái)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(shì)。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。