基于人工免疫模式识别的故障诊断方法研究
计算机测量与控制.2011.19(5) C omputer Measurement &C ontrol
自动化测试
收稿日期:2010 09 20; 修回日期:2010 10 30。
基金项目:黑龙江省科技学院引进高层次人才科研启动基金资助(06 43)。
作者简介:于宗艳(1980 ),女,黑龙江人,工学硕士,主要从事智能控制、智能算法方向的研究。
文章编号:1671 4598(2011)05 1044 03 中图分类号:TP181
文献标识码:A
基于人工免疫模式识别的故障诊断方法研究
于宗艳1,韩连涛2
(1 黑龙江科技学院电气与信息工程学院,黑龙江哈尔滨 150027;
2 哈尔滨威帝电子股份有限公司,黑龙江哈尔滨 150036)
摘要:提出了一种基于人工免疫模式识别的故障诊断方法,将故障视为抗原,基于生物免疫系统的克隆选择、超变异、免疫记忆以及多样性保持等机制生成能够表示和识别抗原的记忆抗体,然后采用基于KNN 的阈值分类法对抗原即故障进行识别;以抽油机井为对象进行仿真研究,阈值取1,与输入故障距离最近的记忆抗体个数取3和5两个值进行试验,仿真结果表明算法的诊断准确率均为100%。通过对变异抗原的识别,表明该方法具有较好的泛化能力。
关键词:故障诊断;人工免疫;克隆选择;抗体;抗原
Research of Fault Diagnosis Method Based on
Artificial Immune Pattern Recognition
Yu Zo ng yan 1
,H an liantao
2
(1 Faculty of Electr ic and Informat ion Eng ineering ,
H eilo ng jiang Inst itute of Science and T echnolog y,Har bin 150027,China;2 H arbin VI T I electr onics sto ck co rpor at ion lt d,Har bin 150036,China)
Abstract:A fault diagnosis m ethod based on artificial immun e pattern recognition is propos ed.T he fault is regarded as the antigen.M emory antibodies used to figure an d recognize antigens are produced based on th e mechan ism of clone selection,hyp er-mutation,imm une memory and diversity maintain.T hen the antigens i. e.faults are recognized us ing th e classification m ethod based on KNN and threshold.T he s imulations are done through the ex perim ents of the pu mp-jack,in w hich the th resh old is 1,the number of th e memory antibodies w hich are nearest to the inpu t faults are 3and 5,the res ult sh ow that the accuracy is 100%.T he good generalization of the algorithm is proved through recognizing the mu tations of the antigens u sing the meth od proposed.
Key words:fault diagn osis;artificial immun e;clone s election;antib ody;an tig en
0 引言
故障诊断也是一个模式识别的过程,而模式识别一般分两步进行:第一步利用样本进行学习;第二步利用学习好的系统
对实测数据进行分类。基于人工免疫模式识别的故障诊断方法借鉴生物免疫系统的免疫应答机理[1],首先基于生物免疫系统的克隆选择、超变异、免疫记忆和免疫细胞之间的刺激和抑制作用等机理[2 3],引入遗传学中的选择、交叉和变异算子以保证抗体的多样性,生成能够表示和识别抗原即故障形式的记忆抗体集合,然后用建立好的记忆抗体集合对故障形式进行识别分类以达到故障诊断的目的。
1 算法描述
算法采样实数编码形式来表示抗体、抗原,将故障形式作为抗原,根据训练样本建立一个记忆抗体集合,识别和表示抗原结构,这是算法的第一步,为了更好地描述故障的特征,本文提出了对多个抗原生成记忆抗体的思想。第二步用学习好的记忆抗体集合对抗原即故障形式进行识别。
为了定量地描述免疫细胞分子和抗原之间的相互作用,Per elson 和O ster 于1979年提出形态空间(shape-space)模型[4],基于形态空间模型将抗体、抗原分别表示如下:在一个P 维形态空间S p 中,抗体、抗原分别由P 个归一化变量来描述,对应故障诊断中状态的P 个特征值,即抗体:A b ={x 1,x 2, ,x P },抗原:A g ={y 1,y 2, y P },则抗体和抗原集合分别表示如下:AB ={A b i i =1,2, ,N },AG ={Ag i i =1,2, M },其中N 和M 分别是抗体和抗原的个数。x i 和y i (i =1,2, ,P )分别称为抗体A b 和抗原A g 的基因,在下面的算法中,直接对个体的基因进行变异等操作。1 1 生成记忆抗体集合
针对某种类型的故障生成相应的记忆抗体集合,思路如下:首先随机生成初始抗体集合AB ,而抗原集合A G 是由某种类型的训练故障数据组成的集合。在每一代,对每一个抗原A g i 都产生相应的记忆抗体,并存放在刻画抗原A g i 的记忆抗体集合M i 中,M i 的规模为10,若M i 中抗体的个数大于10,则用与抗原亲和力较高的新的抗体替换原有的与抗原亲和力相对较低的记忆抗体。在每一代中,提呈给每一个抗原A g i 的抗体集合A B 是不变的,而当一代结束后得到的抗体集合A B 的进化结果将作为下一代提呈给抗原集合A G 的抗体。当规定代数结束后,将刻画不同抗原的记忆抗体集合M i 合并得到记忆抗体集合M ,算法的目的就是将抗体集合AB 进化得到能够识别和表示某种故障类型的记忆抗体集合M 。算法的步骤
1044
第5期于宗艳,等:基于人工免疫模式识别的故障诊断方法研究
如下。
(1)初始化:抗体集合A B及其规模nab,抗原集合A G
及其规模nag,循环代数g
max
,抗体相似系数 ,刻画抗原
A g i(i=1,2, ,nag)的记忆库M i的规模nm。
(2)对A G中的每一个抗原A g i(i=1,2, ,nag),完成
如下:
计算A g i与A B中所有抗体A b j(j=1,2, ,nab)的亲
和力。亲和力公式如下:
af f j=e(-Ag i-Ab j)(1)
根据轮盘赌选择法对A B中的抗体进行选择。然后对
A B中的抗体进行遗传交叉和变异[5],得到子代,它的规模也
为nab,加入到父代中得到集合A B1,其规模为2nab。
计算A B1中的所有抗体与抗原A g i的亲和力。
选择n ab+nab/2个高亲和力的抗体,进行单位克隆,
然后对克隆后的抗体进行超变异,并对超变异后的抗体进行归
一化。超变异公式如下:
A b new=A b o ld- (A b old-A g i)(2)
其中,Ab old、Ab new分别为变异前、后的抗体, = A g i-
A b old 为学习率。
重新计算这n ab+nab/2个经历超变异后的抗体与抗原
A g i的亲和力。
清除低亲和力的抗体,使集合A B1中剩下nab+nab/4
个高亲和力的抗体,并选取亲和力高的前nm个抗体加入到对
应于抗原A g i的记忆库M i中,若记忆库M i中抗体个数大于
nm,则用新生成的高亲和力抗体替换原有的低亲和力的记忆
抗体。
根据公式(3)、(4)和(5)计算A B1中抗体的期望
值,并根据基于期望值对抗体进行促进和抑制,其期望值越小
表明其密度越高或与其它抗体越相似,而与抗原的亲和力越
小,所以为了保证抗体的多样性和提高算法的收敛速度,要清
除这样的抗体[6],依此类推,直到A B1中剩下n ab个记忆抗
体。抗体ab v的期望值定义为:
e v=ax iv
C v
(3)
其中,C v为抗体ab v的浓度,公式如下:
C v= n3-1
w=1
S v,w
nab
(4)
其中,
S v,w=1 af f v,w/max{a f f v,w} 1
0af f v,w/max{af f v,w}>
(5)
其中,af f v,w=e-ab v-ab w,为抗体ab v和抗体ab w之间的亲和力, 为抗体相似系数,v=1,2, ,n3,w=1,2, ,n3且v w。
将A B1中的抗体加入到抗体集合AB2中:A B2 [AB2:A B1]。
(3)对所有抗原产生的抗体集合A B2依据浓度大小进行总体抑制,浓度计算方法见公式(4)和(5)。保留n ab个抗体进入下一代提呈给抗原:A B=A B2。
(4)检验停止准则,即是否达到循环代数g max,若满足,则转入(5),否则返回到(2)。
(5)将对应于抗原A g i(i=1,2, ,nag)的记忆库M i 进行合并,得到总体记忆库M。
(6)输出结果M。
1 2 故障的识别与诊断
应用上述方法对每种故障类型产生相应的记忆抗体集合,并进行合并。然后输入检验故障数据作为抗原,对其进行识别和诊断。
最临近法(K NN)和阈值识别法是两种常用的分类方法,其中,K NN识别法的思路是:如果一个样本在特征空间中的k个最相似的样本中的大多数属于某个类别,则该样本也属于这个类别,本文将其用于故障的识别和诊断时发现,当故障类型为非训练样本时,或者由于工况等原因特征参数发生变化,甚至类型发生变异的故障,使用该方法诊断时会出现误诊的现象。而对于文献[7]中采用的阈值诊断法,即累计与待识别故障之间的欧几里德距离小于给定阈值的抗体的个数,并根据每种故障模式的抗体激活的概率判断故障的类型,使用该方法需要设置好阈值的大小,过大会造成误诊,过小又会出现漏诊。
本文针对上述两种方法的特点,提出一种基于阈值的K NN识别法,即首先根据标准故障样本设置一个阈值 ,然后计算输入故障与所有故障类型的记忆抗体之间的欧几里德距离,将小于给定阈值的距离进行排序,取出前k个与输入故障距离最近的记忆抗体,并诊断出输入故障的类型。
使用本文提出的方法能提高故障识别和诊断的准确率,同时又可省去对阈值的不断调整步骤。
2 仿真研究
应用本文提出的算法对抽油机井的3种故障类型进行诊断,即无故障、双凡尔漏失和抽油杆断脱故障。训练样本和测试样本均以无线巡检系统采集到的抽油机的电机电流信号为特征参数,每个样本由不同时间的10个电流采样值组成。将每种故障类型的训练样本分成2组,并取每组的平均值,作为该故障类型的训练数据即抗原并使用相对于最大值和最小值之差的方法对数据进行归一化。
算法参数设置如下:初始抗体个数nab=20,刻画每种故障类型的记忆抗体的个数nM=20,每个抗原对应的记忆抗体个数nm=nM/nA g=10,循环代数g max=50,抗体相似性系数 =0 8,首先将数据归一化处理,然后产生记忆抗体集合,对无故障、双凡尔漏失和断脱3种故障类型分别产生20个抗体,共60个抗体,其中前20个、中间20个以及后20个记忆抗体分别对应无故障类型,双凡尔漏失故障和断脱故障。使用基于阈值的K N N识别法输入故障进行识别和诊断。其中,阈值 是根据标准故障样本确定的,方法如下:计算上述3种类型的标准故障样本集合与相应的记忆抗体集合之间的欧几里德距离,得到平均距离、最小距离和最大距离,参照这3个值确定阈值 =1。k取3和5两个值进行试验。输入的检验故障样本见表1到表3,对其进行归一化处理,故障诊断结果见表4和表5。
从诊断结果可以看出,当k=3和k=5时算法的诊断准确率均为100%。为了验证本文提出的诊断方法对变异抗原的识别能力,从表1到表3的检验数据中选择3个不同故障类型的抗原,分别为无故障类型的样本2,双凡尔漏失和抽油杆断脱的样本4。按照一定的变异概率对抗原的基因在不同的范围
1045
计算机测量与控制 第19卷
表1 无故障类型检验数据
变量样本1样本2样本3样本4x 180 091982 213690 700177 9703x 263 118871 075072 135868 4229x 354 632255 162756 753952 5106x 456 223553 571455 693153 0410x 554 632253 571455 162752 5106x 646 145747 736950 919445 0849x 762 588458 345176 379145 6153x 849 328256 753953 571457 8147x 946 676147 736949 328245 6153x 10
46 6761
46 6761
49 3282
43 4936
表2 双凡尔漏失检验数据
变量样本1样本2样本3样本4x 149 858648 267351 980249 3282x 250 919448 267348 267349 3282x 347 736952 510653 571454 1018x 447 206551 449853 041048 7977x 557 814745 615349 328250 9194x 662 588452 5106
54 6322
61 5276
x 757 814759 405960 997260 9972x 850 389058 875563 649258 8755x 946 676156 223563 118850 3890x 10
48 2673
49 8586
55 1627
47 2065
表3 抽油杆断脱检验数据
变量样本1样本2样本3样本4x 156 753955 693171 075056 2235x 271 075077 970397 065162 0580x 373 727079 561593 352264 1796x 459 405959 936365 770960 9972x 544 554537 659141 372054 6322x 641 902443 493651 980251 4498x 750 919456 223576 379156 2235x 862 058067 892582 744062 0580x 957 814756 223565 240562 5884x 10
41 9024
36 0679
39 2503
57 2843
表4 KNN 识别法诊断结果(k =3)
类型样本距离最近的3个记忆抗体结果无
故障18109正确22027正确3813正确4191817正确双凡尔漏失
1373432正确2262423正确3222527正确4393537正确断脱
1
424345正确2474950正确3504748正确4
51
57
55
正确
内进行变异,并且使用已生成的记忆抗体集合对其进行识别和
诊断。以无故障类型为例,在给定一个变异概率和变异范围下对抗原进行变异,然后对其进行识别和诊断20次,将诊断的准确率列在表6中,其它两种情况的诊断结果见表7和表8。
表5 KNN 识别法诊断结果(k =5)
类型序号距离最近的5个记忆抗体结果无故障
1109731正确21519131612正确3910371正确4
1411121715正确双凡尔漏失
136********正确22829212223正确33029282526正确43132343339正确断脱
1
4246484449正确24246414448正确34750454943正确4
53
51
54
58
57
正确
从诊断结果中可看出,对于不同的故障类型,记忆抗体对
变异抗原的识别能力也不同,而对于同一类型的故障,在不同的变异范围内识别能力也有较大的差异,因为变异范围直接决定了抗原的类型,变异范围越小,识别能力越强,在(-10,10)的变异范围内,无故障类型和断脱故障的识别概率几乎都达到了1,而对于漏失故障,识别概率也都在0 56以上,而对于不同的变异概率差别不大。
表6 诊断结果(无故障变异抗原)
变异
概率
结果变
异范围0 10 41(0,10)
1 01 01 0(10,20)1 00 930 94(20,30)0 80 830 64(30,40)0 290 70 48(40,50)0 480 450 35(-10,0)1 01 01 0(-20,-10)0 980 950 94(-30,-20)0 70 530 56(-40,-30)0 560 840 48(-50,-40)
0 07
0 48
0 1
表7 诊断结果(漏失故障变异抗原)
变异
概率
结果变
异范围0 10 41(0,10)
0 600 670 65(10,20)0 360 20 27(20,30)0 130 10 2(-10,0)0 560 60 58(-20,-10)0 20 150 28(-30,-20)
0 07
0 48
0 1
(下转第1049页)
1046
第5期王晓霞,等:基于FBG 传感器皮革弹性测量设计与实现
图4 FBGs 的波长漂移与拉力关系
0 3mm,纯铜厚度为0 15~0 075mm 。
由图3可知,各镀层FBG 和参考温度测量温度变化曲线
基本一致,由图4可知,各镀层FBG 和参考拉力测量拉力变化曲线基本一致,表明理论公式推导正确,实验与理论值较为接近,并且灵敏度提高了5~15倍,这表明系统设计合理,虽然用了各种消除噪音和误差方法,但仍存在一些误差。
4 结论
本系统采用宽夹子把皮革样品两端固定好,并把一个F BG1传感器固定在夹子上,并在沿皮革样品发生形变方向放置F BG2传感器,很好地解决温度、皮革拉伸力间相互交叉感染问题。
给F BG 金属镀层不仅可以提高光纤传感器的机械强度和
保护F BG 传感器信号不受到破坏,更的重要是能大大提高传感器的测量精度。
皮革弹性测量系统的实现,不仅提供一种科学的、合理的皮革感官特性测试方法,促进传统经验型向现代科学型转变;另外该系统可以实现多点和分布式测量,在皮革领域有很好的应用前景。
参考文献:
[1]佘集锋.球形崩裂试验仪检测皮革鞋面强度和伸展高度[J].中
国西部科技,2006,(5):29.
[2]路 华,马建中.皮革弹性的分析及表征[J].中国皮革,2008,
37(3):48.
[3]董继先,张 三,张晓镭,等.皮革感官特性参数力学表征方法
[J ].皮革科学与工程,2008,18(16):41 44.
[4]高嶋昭一.博士毕业论文.FBG sensor 用 坑井内压力、温度
和流速测量系统研究[D].日本仙台:日本东北大学环境科学研究科新妻研究室,2003.
[5]Liu Y,Gou Z,Zhang Y,et al.Simu ltan eous p ress ure and tempera
ture measurement w ith p olymer coated fiber Bragg grating [J].E lectro.Lett,2000,36(6):564 566.
[6]王晓霞,浅沼宏.同时测量多参数FBG 传感器的应用与研究[J].
电子元件与材料,2007,26(6):58 60.
[7]王晓霞,刘 炜,王卫林,等.镀层材料对FBG 传感器温度灵敏
度的影响与研究[J].材料导报,2009,23(5):56 58.
(上接第1046页)
表8 诊断结果(断脱故障变异抗原)
变异
概率
结果变异范围0 10 41(0,10)
1 01 00 94(10,20)0 70 80 73(20,30)0 130 20 27(-10,0)1 01 01 0(-20,-10)0 750 570 53(-30,-20)
0 2
0 15
0 1
从诊断结果中还可以看出,本文提出的故障诊断方法对于
无故障类型、双凡尔漏失故障和抽油杆断脱故障能够识别的变异范围分别在(-30,30)、(-10,10)和(-20,20)之间,该方法对变异抗原的识别能力能够达到实际应用的要求。
3 结论
本文提出了基于免疫应答机理的故障诊断方法,采用实数编码方式,使得算法计算效率高,通用性强;提出了对多个抗原生成记忆抗体的机制,使得生成的记忆抗体能够对故障特征进行更好的描述,针对多个抗原的特点提出了对同一个抗原生成的记忆抗体基于生存期望值进行促进和抑制,对于同一故障类型的抗原生成的记忆抗议基于浓度进行促进和抑制的策略,有效地避免了早熟问题;本文在遗传算子的基础上引入了克隆选择和超变异机制,使得新产生的抗体与抗原以更高的亲和力
匹配,从而加快记忆抗体的生成速度,同时保证了抗体的多样性;为了提高分类的准确性,本文设计一种基于阈值的K N N
分类法。应用本文提出的方法对抽油机进行故障诊断,得到了满意的结果,通过对变异抗原进行识别,表明该方法具有较好的泛化能力。
该方法能够使用较少的故障数据即抗原获得表达抗原结构的记忆抗体,非常适合故障数据难以获得的小样本故障诊断问题。下一步研究工作是分析算法的参数对算法性能的影响。
参考文献:
[1]莫宏伟,吕淑萍,管凤旭,等.基于人工免疫网络记忆的新型分
类器研究[J].计算机工程与应用,2004,40(36):28.
[2]刘文业,何怡刚,等.模糊免疫算法及其在模拟电路故障诊断中的
应用[J].计算机测量与控制,2008,16(8):1070 1073.[3]尹向雷,郑恩让,张 玲.抄纸过程水分定量的改进型模糊免疫
PID 控制[J].计算机测量与控制,2010,18(2):354 355.[4]Perelson A S,Oster G F.Th eoretical studies of clon e selection:
M in imal antibody repertoire size and reliab ility of self-nons elf dis crim ination [J].J T hero Biol,1979,(81):645.
[5]王小平,曹立明.遗传算法 理论、应用与软件实现[M ].西安:
西安交通大学出版社,2002.
[6]莫宏伟.人工免疫系统原理与应用[M ].哈尔滨:哈尔滨工业大
学出版社,2003.
[7]杨江云.数控机床在线状态监测与故障诊断研究[D].上海:东华
大学,2004.
1049
故障诊断理论方法综述
故障诊断理论方法综述 故障诊断的主要任务有：故障检测、故障类型判断、故障定位及故障恢复等。其中：故障检测是指与系统建立连接后，周期性地向下位机发送检测信号，通过接收的响应数据帧，判断系统是否产生故障；故障类型判断就是系统在检测出故障之后，通过分析原因，判断出系统故障的类型；故障定位是在前两部的基础之上，细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备；故障恢复是整个故障诊断过程中最后也是最重要的一个环节，需要根据故障原因，采取不同的措施，对系统故障进行恢复一、基于解析模型的方法 基于解析模型的故障诊断方法主要是通过构造观测器估计系统输出，然后将它与输出的测量值作比较从中取得故障信息。它还可进一步分为基于状态估计的方法和基于参数估计的方法，前者从真实系统的输出与状态观测器或者卡尔曼滤波器的输出比较形成残差，然后从残差中提取故障特征进而实行故障诊断；后者由机理分析确定系统的模型参数和物理元器件之间的关系方程，由实时辨识求得系统的实际模型参数，然后求解实际的物理元器件参数，与标称值比较而确定系统是否发生故障及故障的程度。基于解析模型的故障诊断方法都要求建立系统精确的数学模型，但随着现代设备的不断大型化、复杂化和非线性化，往往很难或者无法建立系统精确的数学模型，从而大大限制了基于解析模型的故障诊断方法的推广和应用。 二、基于信号处理的方法 当可以得到被控测对象的输入输出信号，但很难建立被控对象的解析数学模型时，可采用基于信号处理的方法。基于信号处理的方法是一种传统的故障诊断技术，通常利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，识别和评价机械设备所处的状态。基于信号处理的方法又分为基于可测值或其变化趋势值检查的方法和基于可测信号处理的故障诊断方法等。基于可测值或其变化趋势值检查的方法根据系统的直接可测的输入输出信号及其变化趋势来进行故障诊断，当系统的输入输出信号或者变化超出允许的范围时，即认为系统发生了故障，根据异常的信号来判定故障的性质和发生的部位。基于可测信号处理的故障诊断方法利用系统的输出信号状态与一定故障源之间的相关性来判定和定位故障，具体有频谱分析方法等。 三、基于知识的方法 在解决实际的故障诊断问题时，经验丰富的专家进行故障诊断并不都是采用严格的数学算法从一串串计算结果中来查找问题。对于一个结构复杂的系统，当其运行过程发生故障时，人们容易获得的往往是一些涉及故障征兆的描述性知识以及各故障源与故障征兆之间关联性的知识。尽管这些知识大多是定性的而非定量的，但对准确分析故障能起到重要的作用。经验丰富的专家就是使用长期积累起来的这类经验知识，快速直接实现对系统故障的诊断。利用知识，通过符号推理的方法进行故障诊断，这是故障诊断技术的又一个分支——基于知识的故障诊断。基于知识的故障诊断是目前研究和应用的热点，国内外学者提出了很多方法。由于领域专家在基于知识的故障诊断中扮演重要角色，因此基于知识的故障诊断系统又称为故障诊断专家系统。如图1.1
人工智能地研究方向和应用领域
人工智能的研究方向和应用领域 人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。广义的人工智能包括人工智能、人工情感与人工意志三个方面。 一、研究方向 1.问题求解 人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题归约这样的人工智能基本技术。今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和工程师所应用。有些程序甚至还能够用经验来改善其性能。 2.逻辑推理与定理证明 逻辑推理是人工智能研究中最持久的子领域之一。其中特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。 1976年7月，美国的阿佩尔(K.Appel)等人合作解决了长达124年之久的难题--四色定理。他们用三台大型计算机，花去1200小时CPU时间，并对中间结果进行人为反复修改500多处。四色定理的成功证明曾轰动计算机界。 3.自然语言理解 NLP(Natural Language Processing)自然语言处理也是人工智能的早期研究领域之一，已经编写出能够从内部数据库回答用英语提出的问题的程序，这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。有些程序甚至能够在一定程度上翻译从话筒输入的口头指令(而不是从键盘打入计算机的指令)。目前语言处理研究的主要课题是：在翻译句子时，以主题和对话情况为基础，注意大量的一般常识--世界知识和期望作用的重要性。
模式识别的研究现状与发展趋势
模式识别的研究现状与发展趋势 摘要：随着现今社会信息技术的飞速发展, 人工智能的应用越来越广泛, 其中模式识别是人工智能应用的一个方面。而且现今的模式识别的应用也越来越得到大家的重视与支持，在各方面也有重大的进步。模式识别也成为人们身边不可或缺的一部分。关键词：人工智能，技术，模式识别，前景 Abstract：In the modern society with the rapid development of information technology, the application of a rtificial intelligence is more and more extensive, among them pattern recognition is one of the ap ply of artificial intelligence. And now the application of pattern recognition is also more and more to get everyone's attention and support, in various aspects have significant progress. Pattern rec ognition has become an integral part of people around. Keywords: Artificial Intelligence, Technology,Pattern Recognition, prospects 一，引言 如今计算机硬件的高速发展, 以及计算机应用领域的不断开拓, 人们开始要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说, 目前一般计算机却无法直接感知它们, 我们常用的键盘、鼠标等外部设备, 对于这些外部世界显得无能为力。虽然摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换, 并与计算机联机, 但由于识别技术不高, 而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下, 成为开拓计算机应用的瓶颈, 也与其高超的运算能力形成强烈的对比。于是, 着眼于拓宽计算机的应用领域, 提高其感知外部信息能力的学科———模式识别, 便得到迅速发展。 人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式, 是对人类感知外界功能的模拟, 研究的是计算机模式识别系统, 也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用范围遍及遥感、生物医学图象和信号的分析、工业产品的自动无损检验、指纹鉴定、文字和语音识别、机器视觉地圈模式识别等方面。 二，现状 以地图模式识别为例，地图模式识别是由计算机来对地图进行识别与理解, 并借助一定的技术手段, 让计算机研究和分析地图上的各种模式信息, 获取地图要素的质量意义。其计算处理的过程类似于人对地图的阅读。 地图模式识别是近年来在地图制图领域中新兴的一门高新技术, 是信息时代人工智能、模式识别技术在地图制图中的具体应用。由于它是传统地图制图迈向数字地图制图的一座桥梁, 因此,地图模式识别遥感技术、地理信息系统一起, 被称为现代地图制图的三大技术。 目前, 地图模式识别由于具有广泛的应用价值和发展潜力,因而受到了人们的普遍重视。尤其是随着现今的计算机及其外部硬件环境的不断提高, 科技不过发展的情况下，
TE过程及故障诊断方法研究
摘要 化工生产过程是复杂的动态系统,该生产过程一般是在高温高压、低温真空、有毒或腐蚀性等极端条件下进行的,生产系统和设备一旦发生故障，将会造成经济损失，甚至造成人员伤亡和环境污染。利用故障诊断技术提高系统的可靠性和安全性，已经引起了企业和学术界的高度重视，并在该研究领域取得了丰富的研究成果。 本文主要对田纳西－伊斯曼过程(Tennessee - Eastman Process,TEP)进行了模拟与仿真研究。首先在查阅文献基础上对故障诊断方法进行了概述。并对TE过程中的五大操作单元进行了研究。其中包括反应器、冷凝器、汽/液分离器、压缩机及汽提塔五大操作单元。在此基础上，对主元分析的故障诊断法的原理和算法进行了研究，并以TE过程为背景,调用其化工过程数据，编写MATLAB程序实现T2图、Q图以及贡献图，采用主元分析法对TE过程进行了仿真实验研究，证明主元分析方法的有效性。 关键词：TE过程;故障诊断;模拟;T2统计;Q统计
Abstract The chemical production process is a complex dynamic system .The process is generally carried out under the extreme environment which may have high temperature, high pressure,low-temperature vacuum ,poison or corrosiveness etc.. When the industrial production devices result in fault,it will bring economical loss or even cause human injuries and environmental problems .Improving the dependability and security depending on fault diagnosis technology is paid attention by companies and researchers ,lots of achievements have been obtained in fault diagnosis field. This thesis mainly imitate and studied the Tennessee - Eastman process(Tennessee - Eastman Process, TEP). Then described that five big operation elements in TE process. In which including reactor, condenser, steam, fluid separator, compressor and stripper five big operation unit.Method has carried out classification on TE process and the malfunction diagnose.In this foundation，studied the principal component analysis method. Taking the TE process as an application background ,we programmed the MATLAB algorithm of PCA, drawed the T2 statistic 、Q statistic and contribution map ,proved the validity of the method. Keywords: TE pross; Fault diagnosis; imitate; T2statistic; Qstatistic
DX3004模式识别与人工智能--教学大纲
《模式识别与人工智能》课程教学大纲 一、课程基本信息 课程代码：DX3004 课程名称：模式识别与人工智能 课程性质：选修课 课程类别：专业与专业方向课程 适用专业：电气信息类专业 总学时： 64 学时 总学分： 4 学分 先修课程：MATLAB程序设计；数据结构；数字信号处理；概率论与数理统计 后续课程：语音处理技术；数字图像处理 课程简介： 模式识别与人工智能是60年代迅速发展起来的一门学科，属于信息，控制和系统科学的范畴。模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。模式识别技术主要分为两大类：基于决策理论的统计模式识别和基于形式语言理论的句法模式识别。模式识别的原理和方法在医学、军事等众多领域应用十分广泛。本课程着重讲述模式识别的基本概念，基本方法和算法原理，注重理论与实践紧密结合，通过大量实例讲述如何将所学知识运用到实际应用之中去，避免引用过多的、繁琐的数学推导。这门课的教学目的是让学生掌握统计模式识别基本原理和方法，使学生具有初步综合利用数学知识深入研究有关信息领域问题的能力。 选用教材： 《模式识别》第二版，边肇祺，张学工等编著[M]，北京：清华大学出版社，1999； 参考书目： [1] 《模式识别导论》，齐敏，李大健，郝重阳编著[M]. 北京：清华大学出版社，2009； [2] 《人工智能基础》，蔡自兴，蒙祖强[M]. 北京：高等教育出版社，2005； [3] 《模式识别》，汪增福编著[M]. 安徽：中国科学技术大学出版社，2010； 二、课程总目标 本课程为计算机应用技术专业本科生的专业选修课。通过本课程的学习，要求重点掌握统计模式识别的基本理论和应用。掌握统计模式识别方法中的特征提取和分类决策。掌握特征提取和选择的准则和算法，掌握监督学习的原理以及分类器的设计方法。基本掌握非监督模式识别方法。了解应用人工神经网络和模糊理论的模式识别方法。了解模式识别的应用和系统设计。要求学生掌握本课程的基本理论和方法并能在解决实际问题时得到有效地运用，同时为开发研究新的模式识别的理论和方法打下基础。 三、课程教学内容与基本要求 1、教学内容： （1）模式识别与人工智能基本知识； （2）贝叶斯决策理论； （3）概率密度函数的估计； （4）线性判别函数； （5）非线性胖别函数；
模式识别研究进展-刘成林and谭铁牛
模式识别研究进展 刘成林，谭铁牛 中国科学院自动化研究所 模式识别国家重点实验室 北京中关村东路95号 摘要 自20世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别(Pattern Recognition)是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，是人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt的感知机[1]和Nilsson的学习机[2]就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20世纪80年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。 模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/视频的处理、分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain等人的综述[3]已经全面介绍了2000年以前模式分类方面的进展，本文侧重于2000年以后的研究进展。
故障诊断技术研究及其应用
故障诊断技术研究及其应用 1 引言 以故障为研究对象是新一代系统可靠性理论研究的重要特色，也是过程系统自动化技术从实验室走向工程的重要一环。最近二十多年来，以故障检测、故障定位、故障分离、故障辨识、故障模式识别、故障决策和容错处理为主要内容的故障诊断与处理技术，已成为机械设备维护、控制系统系统可靠性研究、复杂系统系统自动化、遥科学、复杂过程的异变分析、工程监控和容错信号处理等领域重点关注和广泛研究的问题。 诊断(Diagnostics)一词源于希腊文，含义为鉴别与判断，是指在对各种迹象和症状进行综合分析的基础上对研究对象及其所处状态进行鉴别和判断的一项技术活动[1]。故障诊断学则是专门以考察和判断对象或系统是否存在缺陷或其运行过程中是否出现异常现象为主要研究对象的一门综合性技术学科。它是诊断技术与具体工程学科相结合的产物，是一门新兴交叉学科。故障诊断与处理技术，作为一门新兴技术学科，可划分为如下三个不同的研究层次： (1) 以设备或部件为研究对象，重点分析和诊断设备的缺陷、部件的缺损或机械运转失灵，这通常属于设备故障诊断的研究范畴； (2) 以系统为研究对象，重点检测和分析系统的功能不完善、功能异常或不能够完成预期功能，这属于系统故障检测与诊断的研究范畴； (3) 以系统运行过程为研究对象，考察运行过程出现的异常变化或系统状态的非预期改变，这属于过程故障诊断的研究范畴。 概而言之，故障诊断研究的是对象故障或其功能异常、动作失败等问题，寻求发现故障和甄别故障的理论与方法。无论是设备故障诊断、系统故障诊断还是过程故障诊断，都有着广泛的研究对象、实在的问题背景和丰富的研究内容。本文将从故障诊断与处理技术的研究内容、典型方法和应用情况等三个方面，对故障诊断及相关技术的发展状况做一综述，同时简要指出本研究方向的若干前沿。 2 故障诊断与处理的主要研究内容 故障诊断与处理是一项系统工程，它包括故障分析、故障建模、故障检测、故障推断、故障决策和故障处理等五个方面的研究内容。 2.1 故障分析 故障是对象或系统的病态或非常态。要诊断故障，首先必须对故障与带故障的设备、系统、过程都有细致分析和深入研究，明确可能产生故障的环节，故障传播途径，了解故障的典型形式、表现方式、典型特征以及故障频度或发生几率，结合对象的物理背景了解故障产生的机理、故障关联性和故障危害性。 常用的故障分析方法有对象和故障环节的机理分析法、模拟法、数值仿真或系统仿真法和借助数学模型的理论分析法等。 2.2 故障建模 模型分析是现代分析的基本方法，对复杂对象的故障诊断同样具有重要应用价值。为了定量或定性地分析故障、诊断故障和处理故障，建立故障的模型和带故障对象的模型是十分
人工智能与模式识别
人工智能与模式识别 摘要：信息技术的飞速发展使得人工智能的应用围变得越来越广，而模式识别作为其中的一个重要方面，一直是人工智能研究的重要方向。在介绍人工智能和模式识别的相关知识的同时，对人工智能在模式识别中的应用进行了一定的论述。模式识别是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词：模式识别；数字识别；人脸识别中图分类号； Abstract: The rapid development of information technology makes the application of artificial intelligence become more and more widely. Pattern recognition, as one of the important aspects, has always been an important direction of artificial intelligence research. In the introduction of artificial intelligence and pattern recognition related knowledge at the same time, artificial intelligence in pattern recognition applications were discussed.Pattern recognition is a basic human intelligence, the emergence of the 20th century, 40 years of computer and the rise of artificial intelligence in the 1950s, pattern recognition technology has made great progress. Pattern recognition and statistics, psychology,
智能故障诊断方法研究与仿真
物理与电子信息工程学院本科毕业设计（论文） 诚信承诺书 1、本人郑重地承诺所呈交的毕业设计（论文），是在指导教师 老师的指导下严格按照学校和学院有关规定完成的。 2、本人在毕业论文（设计）中引用他人的观点和参考资料均加以注释和说明。 3、本人承诺在毕业论文（设计）选题和研究过程中没有抄袭他人研究成果和伪造相关数据等行为。 4、在毕业论文（设计）中对侵犯任何方面知识产权的行为，由本人承担相应的法律责任。 毕业论文（设计）作者签名： 班级：学号： 年月日
目录 摘要................................................................................................................................................ II Abstract .......................................................................................................................................... II 1 引言 (1) 1.1 课题背景与意义 (1) 1.2 相关研究综述 (1) 1.3 本课题的主要研究内容 (2) 1.4 论文组织结构 (2) 2 粒子滤波算法理论分析 (3) 2.1 蒙特卡洛方法 (3) 2.2 贝叶斯定理 (5) 2.3 粒子滤波算法 (5) 3 基于粒子滤波的故障诊断分析 (10) 3.1 故障诊断的基本原理 (10) 3.1.1 故障诊断的发展现状 (10) 3.1.2 故障诊断的定义与分析方法 (10) 3.1.3 故障诊断的方法分类 (11) 3.2 基于粒子滤波的故障诊断方法 (12) 3.3 粒子滤波算法故障诊断仿真结果 (14) 4 结论与展望 (14) 致谢 (15) 参考文献 (16) 附件1 程序代码 (17)
浅析人工智能中的图像识别技术
浅析人工智能中的图像识别技术 本文从网络收集而来，上传到平台为了帮到更多的人，如果您需要使用本文档，请点击下载按钮下载本文档（有偿下载），另外祝您生活愉快，工作顺利，万事如意！ 图像识别技术是信息时代的一门重要的技术，其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展，人类对图像识别技术的认识越来越深刻。图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。文章简单分析了图像识别技术的引入、其技术原理以及模式识别等，之后介绍了神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。从中可以总结出图像处理技术的应用广泛，人类的生活将无法离开图像识别技术，研究图像识别技术具有重大意义。 1 图像识别技术的引入 图像识别是人工智能科技的一个重要领域。图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。图像识别，顾名思义，就是对图像做出各种处理、分析，最终识别我们所要研究的
目标。今天所指的图像识别并不仅仅是用人类的肉眼，而是借助计算机技术进行识别。虽然人类的识别能力很强大，但是对于高速发展的社会，人类自身识别能力已经满足不了我们的需求，于是就产生了基于计算机的图像识别技术。这就像人类研究生物细胞，完全靠肉眼观察细胞是不现实的，这样自然就产生了显微镜等用于精确观测的仪器。通常一个领域有固有技术无法解决的需求时，就会产生相应的新技术。图像识别技术也是如此，此技术的产生就是为了让计算机代替人类去处理大量的物理信息，解决人类无法识别或者识别率特别低的信息。 图像识别技术原理 其实，图像识别技术背后的原理并不是很难，只是其要处理的信息比较繁琐。计算机的任何处理技术都不是凭空产生的，它都是学者们从生活实践中得到启发而利用程序将其模拟实现的。计算机的图像识别技术和人类的图像识别在原理上并没有本质的区别，只是机器缺少人类在感觉与视觉差上的影响罢了。人类的图像识别也不单单是凭借整个图像存储在脑海中的记忆来识别的，我们识别图像都是依靠图像所具有
航空发动机的故障诊断方法研究
摘要 通过回顾航空维修理论及技术的发展历程，分析了以可靠性为中心的维修思想的优越性,阐述了几种航空维修方式各自的特点,指出了新维修思想所带来的革命性成果,即保证安全的前提下降低了维护成本和维修工作量。最后，对新维修思想在我国的应用途径与前景提出了自己的观点。 关键词: 可靠性; 航空维修; 视情; 事后。 1课题背景及其意义 航空维修是随着飞机的诞生而出现的,它是一门综合性的学科。随着科学技术的发展,航空维修经历了从经验维修、以预防为主的传统维修阶段到以可靠性为中心和逻辑决断法的现代维修阶段。目前航空维修已经是一门系统性的学科。 1传统和现代维修思想的对比 1.1传统的维修思想 按照传统的观念,航空维修就是对航空技术装备进行维护和修理的简称,即为保持和恢复航空技术装备实现规定功能而采取的一系列工程技术活动。其基本思想是安全第一,预防为主,也就是按使用时间进行预防性维修工作,通过定时检查、定期修理和翻修来控制飞机的可靠性。这种以定时维修为主的传统维修思想将飞机的安全性与各系统、部件、附件、零件的可靠性紧密相联,认为预防性维修工作做得越多,飞机就越可靠,翻修间隔期的长短是控制飞机可靠性的重要因素。西方通常将这种以定期全面翻修为主的预防维修思想也叫定时维修思想称之为翻修期控制思想。 1.2 现代维修思想的形成 随着航空工业的发展,飞机设计及可靠性、维修性都有了极大提高,特别是余度技术的采用使飞行安全基本有了保障。维修手段上检测设备日益完善,磁粉、着色、荧光、X光等无损探伤手段和电子计算机得到普遍运用。详细的寿命统计资料的积累、疲劳对飞机结构影响程度的掌握,充实了维修经验和理论知识,使可靠性理论和维修性理论得到发展。另外,维修的经济性、维修方针的适用性也越来越多地成为航空维修工作中必须考虑的问题。自此,新的维修思想应运而生,以可靠性为中心的现代维修思想在对传统的航空维修思想继承和发展的基础上对航空维修的历史。经验和理论知识进行概括和总结,除了仍坚持传统维修思想
模式识别方法简述
XXX大学 课程设计报告书 课题名称模式识别 姓名 学号 院、系、部 专业 指导教师 xxxx年 xx 月 xx日
模式识别方法简述 摘要：模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的( 数值的、文字的和逻辑关系的) 信息进行处理和分析, 以对事物或现象进行描述、辨认、分类和解释的过程, 是信息科学和人工智能的重要组成部分。模式识别研究主要集中在两方面, 一是研究生物体( 包括人) 是如何感知对象的，属于认识科学的范畴, 二是在给定的任务下, 如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家和神经生理学家的研究内容, 后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力, 已经取得了系统的研究成果。 关键词：模式识别; 模式识别方法; 统计模式识别; 模板匹配; 神经网络模式识别 模式识别(Pattern Recognition)是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随着2 0 世纪4 0 年代计算机的出现以及5 0 年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。（计算机）模式识别在2 0 世纪6 0 年代初迅速发展并成为一门新学科。 模式识别研究主要集中在两方面, 一是研究生物体( 包括人) 是如何感知对象的，属于认识科学的范畴, 二是在给定的任务下, 如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家和神经生理学家的研究内容, 后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力, 已经取得了系统的研究成果。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。例如自适应或自组织的模式识别系统包含了人工智能的学习机制；人工智能研究的景物理解、自然语言理解也包含模式识别问题。又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。 模式识别是一种借助计算机对信息进行处理、判别的分类过程。判决分类在
模式识别及应用--教学大纲
《模式识别及应用》课程教学大 纲 ( 06、07级) 编号：40021340 英文名称：Pattern Recognition and Its Applications 适用专业：电子信息工程 责任教学单位：电子工程系电子信息 教研室 总学时：32 学分：2 考核形式：考查 课程类别：专业课 修读方式：必修 教学目的：模式识别是电子信息工程专业的一门专业必修课。通过该课程的学习，学生能够掌握模式识别的基本理论和主要方法，并且能掌握在大量的模式样本中获取有用信息的原理和算法，通过课外上机练习，学会编写模式识别的算法程序，达到理论和实践相结合的目的，使学生了解模式识别的应用领域，为将来从事这一方面的研究打下初步基础。 主要教学内容及要求：由于本课程的目标是侧重在应用模式识别技术，因此在学习内容上侧重基本概念的讲解，辅以必要的数学推导，使学生能掌握模式识别技术中最基本的概念，以及最基本的处理问题方法。 本课程安排了一些习题，以便学生能通过做练习与实验进一步掌握课堂知识，学习了本课程后，大部分学生能处理一些简单模式识别问题，如设计获取信息的手段，选择要识别事物的描述方法以及进行分类器设计。 第一章概论 1.掌握模式识别的概念 2.熟悉模式识别系统 3.熟悉模式识别的应用 第二章统计模式识别——概率分类法 1. 掌握概率分类的判别标准 （1）Bayes法则 （2）Bayes风险 （3）基于Bayes法则的分类器 （4）最小最大决策 （5）Neyman-pearson决策 2. 熟悉正态密度及其判别函数 （1）正态密度函数 （2）正态分布样品的判别函数 3.了解密度函数的估计 第三章聚类分析 1. 掌握基于试探的聚类算法 （1）基于最近邻规则的试探法 （2）最大最小距离法 2.熟悉层次聚类算法 3.熟悉动态聚类法 （1）K均值算法 （2）迭代自组织的数据分析算法4.了解合取聚类法、最小张树分类法 第四章模糊模式识别 1.掌握模糊信息处理的基本概念 2.熟悉模糊识别信息地获取 3.熟悉模糊综合评判 4.熟悉基于识别算法的模糊模式识别 5.熟悉模糊聚类分析 第五章神经网络识别理论及模型 1.掌握人工神经网络基本模型 2.熟悉神经网络分类器 3.熟悉模糊神经网络系统 4.熟悉神经网络识别模型及相关技术 第六章特征提取与选择 1.掌握类别可分性判据 2.掌握基于可分性判据进行变换的特征提取与选择 3.掌握最佳鉴别矢量的提取 4.熟悉离散K-L变换及其在特征提取与选择中的应用 5.熟悉基于决策界的特征提取 6.熟悉特征选择中的直接挑选法 本课程与其他课程的联系与分工：本课程的先修课程是线性代数、概率与数理统计。它与数字图像处理课可并开。所学知识可以直接应用于相关课题的毕业设计中，并可为学生在研究生阶段进一步深入学习模式识别理论和从事模式识别方向的研究工作打下基础。
汽车故障诊断方法的研究
汽车故障诊断方法的研究 随着新材料、新技术、新工艺在汽车生产、制造中的不断运用,现代汽车的技术性能越来越好。但在其结构越来越复杂的同时,故障诊断难度也越来越大,传统的诊断方法和诊断汽车无论是其精度和使用方便性,还是对汽车技术发展的适应性均不能满足用户的需要。为了提高故障诊断技术,需不断完善诊断理论和方法,必须广泛应用各学科的最新成果,借助数学工具和计算机,发展适用于诊断的边缘技术。因此,汽车故障诊断技术得到迅猛发展,已成为当今科技研究的热点之一。 1 汽车故障诊断技术经历的发展时期: 1.1 人工离线监测与诊断 这一时期主要是有经验的汽车故障诊断人员或工程维修人员利用常规检测仪表或较复杂的分析仪器对汽车进行人工巡检，根据自己的经验对汽车的状态以及发展趋势做出判断。例如维修工通过敲打车轮发出的声音来判断车轮是否有故障。这种监测方式只能对汽车做出简单的判断。这种监测方式下，监测仪器仅仅是作为辅助工具，监测人员的经验和责任心对诊断结果的准确性影响很大。 1.2 单机集中在线监测诊断 这种诊断技术是以一台计算机作为中心，并配备有信号分析处理、工况监测、故障诊断模块。汽车的所有监测情况，如传感器信息等等，都传送到这台计算机，并由此机分析诊断。 1.3 基于局域网的远程故障诊断 它是分布式监测诊断系统的一种新的形势，并由单纯的监测诊断功能向监测、诊断、管理和调度的集成化发展。监测诊断以直接服务于汽车的维修为目标。这种系统需要建设企业主干网、分支城域网、现场总线集散技术、资料高速公路、现场仪表、通讯系统等。 1.4 基于Internet的远程诊断 汽车的远程监控与诊断是计算机科学、通讯技术与故障诊断技术的结合。随着Internet 技术，特别是Web技术的迅速发展，使得基于Internet的远程应用系统的实现成为可能。将故障诊断系统架构于Internet计算环境中，与传统故障诊断系统相比，可大大增强诊断系统的能力。这是一种现代化故障诊断技术与现代网络相结合的一种新型诊断技术。 2 汽车故障诊断技术
人工智能中的模式识别
人工智能与模式识别 摘要：模式识别(Pattern Recognition)是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词:人工智能模式识别模式识别的方法模式识别的应用模式识别的发展潜力 正文: 模式识别的定义是借助计算机，就人类对外部世界某一特定环境中的客体、过程和现象的识别功能(包括视觉、听觉、触觉、判断等)进行自动模拟的科学技术。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。(计算机)模式识别在20世纪60年代初迅速发展并成为一门新学科。 模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数 值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般说来，有监督的分类往往需要提供大量已知类别的样本，但在实际问题中，这是存在一定困难的，因此研究无监督的分类就变得十分有必要了。 此外，模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。 模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。 模式识别与很多学科都有联系，它与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。例如自适应或自组织的模式识别系统包含了人工智能的学习机制；人工智能研究的景物理解、自然语言理解也包含模式识别问题。又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。 模式识别的方法主要有决策理论方法和句法方法，模式识别方法的选择取决于问题的性质。如果被识别的对象极为复杂，而且包含丰富的结构信息，一般采用句法方法；被识别对象不很复杂或不含明显的结构信息，一般采用决策理论方法。这两种方法不能截然分开，在句法方法中，基元本身就是用决策理论方法抽取的。在应用中，将这两种方法结合起来分别施加于不同的层次，常能收到较好的效果。 模式识别的应用非常广泛，比较典型的有：1 文字识别：在信息技术及计算机技术日益普及的今天，如何将文字方便、快速地输入到计算机中已成为影响人机接口效率的一个重要瓶颈，也关系到计算机能否真正在我过得到普及的应用。
模式识别研究进展
模式识别研究进展 摘要：自20 世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别（Pattern Recognition）是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt 的感知机和Nilsson 的学习机就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20 世纪80 年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识 别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/ 视频的处理、 分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain 等人的综述[3] 已经全面介绍了2000 年以前模式分类方面的进展，本文侧重于2000 年以后的研究进展。 2. 历史回顾 现代模式识别是在20 世纪40 年代电子计算机发明以后逐渐发展起来的。在更早的
模式识别
科技学院 火电厂自动化专题论述报告 名称：《模式识别专题》 院系：动力工程系 班级：自动化12 学号： 学生姓名： 指导教师： 成绩： 日期：2016年1月15日
一、前言 模式识别（英语：Pattern Recognition），就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。随着计算机技术的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息（通过视觉器官来获得）和声学信息（通过听觉器官来获得）的识别。这是模式识别的两个重要方面。市场上可见到的代表性产品有光学字符识别、语音识别系统。 模式识别是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随 着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。(计算机)模式识别在20世纪60年代初迅速发展并成为一门新学科。 模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进 行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分 二、正文 1、模式识别定义 人们在观察事物或现象的时候，常常要寻找它与其他事物或现象的不同之处，并根据 一定的目的把各个相似的但又不完全相同的事物或现象组成一类。字符识别就是一个典型的例子。例如数字“4”可以有各种写法，但都属于同一类别。更为重要的是，即使对于某种写法的“4”，以前虽未见过，也能把它分到“4”所属的这一类别。人脑的这种思维能力就构成了“模式”的概念。在上述例子中，模式和集合的概念是分未弄的，只要认识这个集合中的有限数量的事物或现象，就可以识别属于这个集合的任意多的事物或现象。为了强调从一些个别的事物或现象推断出事物或现象的总体，我们把这样一些个别的事物或现象叫作各个模式。也有的学者认为应该把整个的类别叫作模去，这样的“模式”是一种抽象化的概念，如“房屋”等都是“模式”，而把具体的对象，如人民大会堂，叫作“房屋”这类模式中的一个样本。这种名词上的不同含义是容易从上下文中弄淸楚的。 2、发展简史 早期的模式识别研究着重在数学方法上。20世纪50年代末，F．罗森布拉特提出了一种简化的模拟人脑进行识别的数学模型——感知器，初步实现了通过给定类别的各个样本对识别系统进行训练，使系统在学习完毕后具有对其他未知类别的模式进行正确分类的能力。1957年，周绍康提出用统计决策理论方法求解模式识别问题，促进了从50年代末开始的模式识别研究工作的迅速发展。1962年，R．纳拉西曼提出了一种基于基元关系的句法识别方法。付京孙(K．S． Fu）在笮的理论及应用两方^行了系统的卓有成效的研究，并于1974