人工智能(AI)在电力系统中的应用

简要地介绍了人工智能技术的基本概念,并指出其在电力系统中的应用范围。对专家系统、人工神经网络、模糊理论、遗传算法等人工智能技术的基本概念进行了简单的介绍,并从实用化的观点对他们在电力系统故障诊断中的应用特点、存在问题进行分析,最后指出综合运用多种人工智能技术是电力系统中的人工智能技术应用的最新发展动向,并提出了有针对性的建议。     

人工神经网络理论及其应用

简要介绍了人工神经网络的发展过程和基本理论，从神经网络具有自学习功能、联想存储功能和高速寻找优化解的能力三个方面论述了其特点和优越性，详细阐述了在模式识别、信号处理、自动控制、人工智能、自适应的人机接口、优化计算、通信以及其它方面的应用，探讨和分析了其发展前景。     

浅议人工智能技术在电力自动化的应用

简要地介绍了人工智能技术的基本概念。对专家系统、人工神经网络、模糊理论、遗传算法等人工智能技术的含义进行了介绍,并对这些技术在电力系统中的应用和存在问题进行了分析。     

进化中的车辆生态——人工神经网络与车辆共舞

人工神经网络是一种新型的技术,主要是运用于建模中,其在人工智能领域应用比较广泛,而且能够解决复杂的线性问题,本文通过对人工神经网络进行分析,分析人工神经网络的构成,阐述人工神经网络在车辆工程中的使用,从而在一定程度上能够促进车辆工程的发展。     

忆阻器在人工神经网络方面的研究应用

忆阻器是一种具有类似突触特性、记忆特性的新型非线性器件,它具有无源性,低耗能,记忆特性以及纳米尺度等特点,因此常用于构建结构简单、权值灵活可调、集成度高的人工神经网络。而人工神经网络是现代信息处理和智能控制领域的一个重要方法,将忆阻器应用于人工神经网络方面将会加速实现人工智能时代的到来。此方面的研究有许多,比如忆阻器实现神经元电路的研究,忆阻器的智能PID控制器等,本文列举概括了忆阻器在人工神经网络方面的研究应用。     

一种雷达目标识别系统的结构

专家系统和人工神经网络，作为人工智能应用的两个分支，在实际应用中已有许多成功的范例。多年的研究成果表明对专家系统和人工神经网络的孤立研究都存在一定的局限性。本文提出将二者的集成系统，应用于雷达目标识别。     

人工神经网络的发展及现状

人脑由复杂的神经网络构成,拥有极强的信息处理、学习和记忆能力,并且具有功耗低、神经元密度高等特点。利用现有的电路元件搭建出类似大脑功能的人工神经网络成为当今人工智能研究的热点。在人工神经网络的研究中,信息的编码、神经元模型的建立以及突触的选择是最关键的3个要素。分别介绍了4种不同种类的编码方式和4种不同类型的神经元模型。对忆阻器用作神经突触的特点进行了简要阐述,并对其数学模型和对应的工作方式作了详细概括。     

基于计算智能的信息处理技术的研究与应用

计算智能是人工智能的重要分支,以数据为基础,主要借鉴连接主义和行为主义的思想,基于生物进化和细胞网络等机制,具有分布、并行、自适应、自组织和自学习等特点.首先介绍了计算智能的起源和概念,然后以人工神经网络、遗传算法、蚁群算法为例阐述了其原理和应用,最后介绍了在新技术条件下,计算智能的发展趋势及有待解决的一些问题.     

复杂系统拓扑结构对人工神经网络的优化综述

随着人工神经网络在不同领域的成功应用,改变网络结构以优化其性能成为近年来的研究热点。由于人工神经网络具有广泛的连通性和复杂的结构,在获得高性能的同时,设计时间、布线成本和空间成本都更低的稀释型人工神经网络备受关注。复杂系统理论主要考虑结构对网络整体行为的影响,并将其应用于人工神经网络,使其具有更高的效率和更简单的结构。研究表明,复杂随机拓扑结构在连通性较低的情况下也要优于全连接人工神经网络。但根据神经生物学的研究,具有短特征路径长度和无标度分布的高度聚集的神经元更受青睐,且连接成本更低。因此,将小世界和无标度拓扑应用于人工神经网络成了相关领域的研究热点。文中总结和讨论了小世界、无标度和混合复杂网络与传统的全连接和随机结构对人工神经网络性能的影响。     

光学神经网络及其应用

由于光传输具备高通量、低延迟、低能耗等优势，光学神经网络有望应对目前人工智能技术发展中所面临的能耗和计算效率的挑战，成为近年来学术界和工业界的研究热点。光学神经网络的目标在于用光子作为物理载体构建人工神经网络算法中的基本计算单元，从而实现高性能的新型计算架构，并将其应用于实际问题的解决。本综述介绍了光学神经网络中关键光子器件的工作原理和特点、系统架构特征与应用场景。在跟踪大量国内外研究进展后，进一步分析了光学神经网在系统实现上所面临的挑战及发展趋势。     

进化计算与人工神经网络的结合

进化计算和人工神经网络作为两个工具在众多的研究领域得到了广泛应用。进化计算和人工神经网络本身也得到了很大的发展。类似于生物神经网络,人工神经网络（ Ａ Ｎ Ｎ） 由一些简单的处理单元组成,这些单元通过权值的连接而相互作用。 Ａ Ｎ Ｎ 因其鲁棒性、并行性及学习能力受到特别的重视。进化计算体现了生物进化中的四个要素,即：繁殖、变异、竞争和自然选择。目前泛指各种基于生物进化原理的仿真计算方法的总称。文中首先介绍了进化计算的有关概念,包括遗传算法、进化策略等,其次就其与人工神经网络技术相结合的方法作了进一步分析探讨。主要集中于进化的网络结构设计、进化的网络训练及其它结合方法等方面的有关问题。     

人工智能辅助的信道估计最新研究进展

作为第六代移动通信发展的主流方向,智能通信正在蓬勃发展中,且初步展示了其与传统通信方法相比的优势。人工智能辅助的信道估计作为智能通信的重要组成,在已有的研究成果中展示了其相比传统信道估计算法的优越性,尤其是基于压缩感知技术、超分辨技术、残差学习等开展的信道估计研究均获得了丰硕的成果。针对人工智能辅助的信道估计技术,结合近来学术界最新研究成果,分别从基于深度卷积神经网络、基于深度循环神经网络、基于超分辨技术、基于压缩感知技术 4 个维度展示了人工智能辅助的信道估计的全貌。最后,对比总结了4类信道估计方法优劣及其未来研究方向,展望了信道估计与深度学习结合的广阔前景。     

微透镜阵列光学实现卷积运算

卷积作为一种简单的线性平移不变运算,被广泛应用于图像处理的各个领域,其衍生出的卷积神经网络更是在人工智能领域中大放异彩。为了应对后摩尔时代AI推理芯片算力受限的问题,光学神经网络应运而生。光学卷积神经网络作为其中一个重要的研究热点对光学神经网络的发展起到了重要的推动作用。设计了一种光学卷积系统,基于微透镜阵列与透镜组成的匀光光路对光场所携带的图像做二维卷积,该系统可以光学实现图像平滑和锐化。当使用空间光调制器来投影卷积核和输入图像时,系统可以实现各种步长的三种卷积形式,也可以通过多次投影/平铺实现多通道的三维卷积,进而为实现光学卷积神经网络用于复杂的图像处理任务奠定基础。     

Research onconvolutional neural network for reservoir parameter prediction

As the branch of artificial intelligence,artificial neural network solved many difficult practical problems in pattern recognition and classification prediction field successfully.However,they cannot learn the feature from networks.In recent years,deep learning becomes more and more advanced,but the research on the field of geological reservoir pa-rameter prediction is still rare.A method to predict reservoir parameters by convolutional neural network was presented,which can not only predict reservoir parameters accurately,but also get features of the geological reservoir.The study es-tablished the convolutional neural network model.Results show that the convolutional neural network can be used for reservoir parameter prediction,and get high prediction precision.Moreover,convolutional features from convolutional neural network provided important support for geological modeling and logging interpretation.     

基于神经网络的网络流量预测算法研究

网络流量预测有助于网络服务质量的提升和网络资源的合理分配,对优化网络管理与运营、保障用户体验质量至关重要.因特网业务的急剧增加和基础网络的快速发展导致网络流量变得更加复杂多样,传统网络流量预测模型难以保证较高的预测精度,而神经网络作为人工智能的重要分支,在预测复杂网络流量时具有显著优势.简述反向传播神经网络、径向基神经...     

The Future of Memristors: Materials Engineering and Neural Networks

From Deep Blue to AlphaGo, artificial intelligence and machine learning are booming, and neural networks have become the hot research direction. However, due to the size limit of complementary metal–oxide–semiconductor (CMOS) transistors, von Neumann-based computing systems are facing multiple challenges (such as memory walls). As the number of transistors required by the neural network increases, the development of neural networks based on the von Neumann computer is limited by volume and energy consumption. As the fourth basic circuit element, memristor shines in the field of neuromorphic computing. The new computer architecture based on memristor is widely considered as a substitute for the von Neumann architecture and has great potential to deal with the neural network and big data era challenge. This article reviews existing materials and structures of memristors, neurophysiological simulations based on memristors, and applications of memristor-based neural networks. The feasibility and advancement of implementing neural networks using memristors are discussed, the difficulties that need to be overcome at this stage are put forward, and their development prospects and challenges faced are also discussed.     

Face Image Recognition Based on Convolutional Neural Network

With the continuous progress of The Times and the development of technology,the rise of network social media has also brought the“explosive”growth of image data.As one of the main ways of People’s Daily communication,image is widely used as a carrier of communication because of its rich content,intuitive and other advantages.Image recognition based on convolution neural network is the first application in the field of image recognition.A series of algorithm operations such as image eigenvalue extraction,recognition and convolution are used to identify and analyze different images.The rapid development of artificial intelligence makes machine learning more and more important in its research field.Use algorithms to learn each piece of data and predict the outcome.This has become an important key to open the door of artificial intelligence.In machine vision,image recognition is the foundation,but how to associate the low-level information in the image with the high-level image semantics becomes the key problem of image recognition.Predecessors have provided many model algorithms,which have laid a solid foundation for the development of artificial intelligence and image recognition.The multi-level information fusion model based on the VGG16 model is an improvement on the fully connected neural network.Different from full connection network,convolutional neural network does not use full connection method in each layer of neurons of neural network,but USES some nodes for connection.Although this method reduces the computation time,due to the fact that the convolutional neural network model will lose some useful feature information in the process of propagation and calculation,this paper improves the model to be a multi-level information fusion of the convolution calculation method,and further recovers the discarded feature information,so as to improve the recognition rate of the image.VGG divides the network into five groups(mimicking the five layers of AlexNet),yet it USES 3*3 filters and combines them as a convolution sequence.Network deeper DCNN,channel number is bigger.The recognition rate of the model was verified by 0RL Face Database,BioID Face Database and CASIA Face Image Database.     

人工智能在网络故障预警的应用

大数据时代,人工智能有了飞速发展。作为人工智能的重要分支之一,机器学习在网络运维有广泛的应用前景。本文结合网络故障预警工作,梳理了机器学习的主要算法模型,重点探讨了人工智能应用于故障预警的难点和关键技术：加权的样本采样、时序样本的特征值提取、使用随机森林模型和深度神经网络模型时的参数设置。