人工智能化的傳感器技術(shù)
發(fā)布時(shí)間:2018-02-06 責(zé)任編輯:wenwei
【導(dǎo)讀】12月15日,工信部正式印發(fā)了《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動(dòng)計(jì)劃》,為2018年到2020年人工智能發(fā)展指明了前進(jìn)的方向。計(jì)劃中的重點(diǎn)內(nèi)容是培育八項(xiàng)智能產(chǎn)品和四項(xiàng)核心基礎(chǔ),而智能傳感器正排在核心基礎(chǔ)的第一位,處于最基礎(chǔ)最重要的地位。
萬物相連技術(shù)鏈
傳感器、大數(shù)據(jù)、機(jī)器學(xué)習(xí)、人工智能和機(jī)器人是怎樣擰在一起了呢?在人工智能時(shí)代硬件和軟件是共生演化的,彼此影響的呢?
“物聯(lián)網(wǎng)”、“大數(shù)據(jù)”和“機(jī)器人”等,其實(shí)這些趨勢(shì)是相互聯(lián)系在一起的,擰成一個(gè)大趨勢(shì), 在這個(gè)鏈條里,每一環(huán)都會(huì)對(duì)下一環(huán)產(chǎn)生影響,如此產(chǎn)生積極的循環(huán)。 各種連接的設(shè)備里的傳感器會(huì)產(chǎn)生大量數(shù)據(jù),海量數(shù)據(jù)使得機(jī)器學(xué)習(xí)成為可能,機(jī)器學(xué)習(xí)的結(jié)果就是AI,而AI又指導(dǎo)機(jī)器人去更精確地執(zhí)行任務(wù),機(jī)器人的行動(dòng)又會(huì)觸發(fā)傳感器。這整個(gè)就是一個(gè)完整的循環(huán)。
1.傳感器產(chǎn)生數(shù)據(jù)
到2014年,連接到互聯(lián)網(wǎng)的設(shè)備超過了世界人口的總和。 Cisco預(yù)測(cè),到2020年,將有500億個(gè)相互連接的設(shè)備。而這些設(shè)備中大多都會(huì)安傳感器,可能用Electric Imp內(nèi)嵌傳感器,或者用Estimote外接一個(gè)傳感器。
設(shè)備中的傳感器會(huì)產(chǎn)生前所未有的海量數(shù)據(jù)。
2.數(shù)據(jù)支撐機(jī)器學(xué)習(xí)
在2020年,預(yù)計(jì)有35ZB的數(shù)據(jù)產(chǎn)生,也就是2009年數(shù)據(jù)量的44倍。到時(shí)候,不管是結(jié)構(gòu)化的、或更可能是沒有結(jié)構(gòu)化的數(shù)據(jù)都可以通過機(jī)器來處理,從而獲得大量洞見。
3.機(jī)器學(xué)習(xí)改善AI
機(jī)器學(xué)習(xí)依靠數(shù)據(jù)處理和模式識(shí)別,從而讓計(jì)算機(jī)不需要編程就能去學(xué)習(xí)。現(xiàn)在的海量數(shù)據(jù)和計(jì)算能力都在驅(qū)使機(jī)器學(xué)習(xí)的突破。
機(jī)器學(xué)習(xí)的十足威力,看看Google就知道了。
Google就是利用機(jī)器學(xué)習(xí),把法國每一個(gè)企業(yè)的位置、每一個(gè)住房、每一條街都繪制在地圖上了。整個(gè)過程只需1個(gè)小時(shí)。
4.人工智能指導(dǎo)機(jī)器人行動(dòng)
隨著計(jì)算機(jī)已經(jīng)在象棋和路標(biāo)方面做得比人類好了,我們就有理由對(duì)未來有更多期待。隨著更多的傳感器采集到的數(shù)據(jù)越來越多,這能優(yōu)化更多的機(jī)器學(xué)習(xí)算法,從而我們可以合乎邏輯地推斷,與機(jī)器人結(jié)合的計(jì)算機(jī)執(zhí)行任務(wù)的能力會(huì)呈指數(shù)級(jí)增長。
5.機(jī)器人采取行動(dòng)
不僅數(shù)以百計(jì)的公司在制作可以完成各種工作的機(jī)器人,機(jī)器人本身也會(huì)變得越來越智能, 而且借助AI的進(jìn)步,還能完成很多我們夢(mèng)寐以求的任務(wù)。
6.行動(dòng)觸發(fā)傳感器
機(jī)器采取行動(dòng)觸發(fā)傳感器來收集數(shù)據(jù),從而整個(gè)循環(huán)就完整了。
這就是整個(gè)人工智能生態(tài)的技術(shù)鏈。
人工智能技術(shù)優(yōu)化傳感器系統(tǒng)
人工智能技術(shù)能夠?qū)鞲衅飨到y(tǒng)有所幫助,它們是:基于知識(shí)的系統(tǒng)、模糊邏輯、自動(dòng)知識(shí)收集、神經(jīng)網(wǎng)絡(luò)、遺傳算法、基于案例推理和環(huán)境智能。這些技術(shù)在傳感器系統(tǒng)中的應(yīng)用越來越廣泛,不僅因?yàn)樗鼈兇_實(shí)有效,還因?yàn)榻裉斓挠?jì)算機(jī)應(yīng)用越來越普及。
這些人工智能技術(shù)具有最低的計(jì)算復(fù)雜度,可以應(yīng)用于小型傳感器系統(tǒng)、單一傳感器或者采用低容量微型控制器陣列的系統(tǒng)。正確應(yīng)用人工智能技術(shù)將會(huì)創(chuàng)造更多富有競(jìng)爭(zhēng)力的傳感器系統(tǒng)和應(yīng)用。
人工智能領(lǐng)域的其他技術(shù)進(jìn)步也將會(huì)給傳感器系統(tǒng)帶來沖擊,包括數(shù)據(jù)挖掘技術(shù)、多主體系統(tǒng)和分布式自組織系統(tǒng)。環(huán)境傳感技術(shù)能夠?qū)⒑芏辔⑿碗娮犹幚砥骱蛡鞲衅骷傻饺粘N锲分校蛊渚哂兄悄?。它們可以?chuàng)造智能環(huán)境,與其他智能設(shè)備通訊,并與人類實(shí)現(xiàn)交互。給出的建議能夠幫助用戶更加直觀地完成任務(wù),但是這種集成技術(shù)的后果將會(huì)很難預(yù)測(cè)。使用環(huán)境智能和多種人工智能技術(shù)的組合能夠?qū)⑦@種技術(shù)發(fā)揮到極致。
創(chuàng)建更智能的傳感器系統(tǒng)
可以采用人工智能對(duì)傳感器系統(tǒng)進(jìn)行優(yōu)化。人工智能作為計(jì)算機(jī)科學(xué)的一個(gè)分支出現(xiàn)于20世紀(jì)50年代,它繁衍出了很多功能強(qiáng)大的工具,在傳感器系統(tǒng)中具有巨大作用,能夠自動(dòng)解決那些原本需要人類智能才能夠解決的問題。
雖然人工智能進(jìn)入工業(yè)領(lǐng)域的進(jìn)程較為緩慢,但是它必將帶來靈活性、可重新配置能力和可靠性方面的進(jìn)步。全新的系統(tǒng)設(shè)備在越來越多的任務(wù)中表現(xiàn)出超過人類的性能。隨著它們與人類越來越緊密,我們將人類大腦與計(jì)算機(jī)能力結(jié)合起來,實(shí)現(xiàn)商討、分析、推論、通訊和發(fā)明。
人工智能結(jié)合了多種先進(jìn)技術(shù),賦予了機(jī)器學(xué)習(xí)、采納、決策的能力,給予他們?nèi)碌墓δ?。這一成就依賴于神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、自組織系統(tǒng)、模糊邏輯和遺傳算法等技術(shù),人工智能技術(shù)將其應(yīng)用領(lǐng)域擴(kuò)展到了很多其他領(lǐng)域,其中一些領(lǐng)域需要對(duì)傳感器信息進(jìn)行解析和處理,例如裝配、生物傳感器、建筑建模、計(jì)算機(jī)視覺、切割工具診斷、環(huán)境工程、力值傳感、健康監(jiān)控、人機(jī)交互、網(wǎng)絡(luò)應(yīng)用、激光銑削、維護(hù)和檢查、動(dòng)力輔助、機(jī)器人、傳感器網(wǎng)絡(luò)和遙控作業(yè)等等。
這些人工智能方面的發(fā)展被引入到了更加復(fù)雜的傳感器系統(tǒng)中。點(diǎn)擊鼠標(biāo)、輕敲開關(guān)或者大腦的思考都會(huì)將任何傳感器數(shù)據(jù)轉(zhuǎn)化為信息并發(fā)送給你。近期此項(xiàng)研究已經(jīng)有所斬獲, 在如下七個(gè)領(lǐng)域中人工智能可以幫助傳感器系統(tǒng)。
1、基于知識(shí)的系統(tǒng)
基于知識(shí)的系統(tǒng)也被稱為專家系統(tǒng),它是一種計(jì)算機(jī)應(yīng)用程序,整合了大量與某一領(lǐng)域相關(guān)聯(lián)的問題解決方案。
專家系統(tǒng)通常有兩個(gè)組成部分,知識(shí)數(shù)據(jù)庫和推斷機(jī)制。知識(shí)數(shù)據(jù)庫以“如果-那么”的形式表述了這個(gè)領(lǐng)域內(nèi)的各種知識(shí),加上各種事實(shí)陳述、框架、對(duì)象和案例。推斷機(jī)制對(duì)存儲(chǔ)的知識(shí)進(jìn)行操作,產(chǎn)生針對(duì)問題的解決方案。知識(shí)操作方法包含繼承和約束條件(在基于框架和面向?qū)ο蟮膶<蚁到y(tǒng))、檢索并采納案例(案例系統(tǒng))和應(yīng)用推斷規(guī)則(規(guī)則系統(tǒng)),具體取決于某些控制程序(前向或反向鏈接)和搜索策略(深度優(yōu)先或者廣度優(yōu)先)。
基于規(guī)則的系統(tǒng)將系統(tǒng)的知識(shí)描述為“如果-那么-否則”的形式。特殊的知識(shí)可以用于據(jù)側(cè)。這些系統(tǒng)善于以人類稔熟的形式呈現(xiàn)知識(shí)并作出決策。
由于使用嚴(yán)格的規(guī)則限制,它們并不擅長于應(yīng)對(duì)不確定的任務(wù)和不精確的場(chǎng)景。典型的規(guī)則系統(tǒng)具有四個(gè)組成部分:規(guī)則列表或者規(guī)則數(shù)據(jù)庫(知識(shí)數(shù)據(jù)庫的一種特殊形式)、推斷引擎或者解析器(根據(jù)輸入和規(guī)則數(shù)據(jù)庫推斷信息或者采取行動(dòng))、臨時(shí)工作存儲(chǔ)器、用戶接口或者其他與外部世界的互通方法,將輸入和輸出信號(hào)接收進(jìn)來和發(fā)送出去。
基于案例推理方法是基于過往問題的經(jīng)驗(yàn)解決現(xiàn)有問題。這種解決方案被存儲(chǔ)于數(shù)據(jù)庫之中,作為人類專家的經(jīng)驗(yàn)總結(jié)。當(dāng)系統(tǒng)發(fā)生了前所未有的問題,它會(huì)將問題與過往問題對(duì)比,找到一個(gè)與現(xiàn)有問題最為相近的案例。然后按照過往的解決方案解決問題,并按照成功和失敗與否更新數(shù)據(jù)庫?;诎咐评硐到y(tǒng)通常被認(rèn)為是規(guī)則系統(tǒng)的一種擴(kuò)展,他們善于以人類稔熟的形式呈現(xiàn)知識(shí),具有從過往案例學(xué)習(xí)并產(chǎn)生新案例的能力。
2、基于案例推理
基于案例推理針對(duì)計(jì)算機(jī)應(yīng)用形成了四個(gè)步驟:
1、檢索:給出目標(biāo)問題,從內(nèi)存檢索相關(guān)案例以解決這個(gè)問題。案例包括問題、解決方案以及關(guān)于這個(gè)解決方案是如何得到的注釋。
2、重用:將解決方案從過往案例映射到目標(biāo)問題上。這一過程包括對(duì)新場(chǎng)景適應(yīng)性變更。
3、修改:在將解決方案從過往案例映射到目標(biāo)場(chǎng)景之后,測(cè)試新的解決方案在真實(shí)世界(或者仿真場(chǎng)景)中是否奏效,如果必要,進(jìn)行修改。
4、保留:如果解決方案成功地解決了目標(biāo)問題,那么將解決方案作為全新案例存儲(chǔ)于內(nèi)存中。
這一方法的爭(zhēng)論點(diǎn)在于它采納了一些未經(jīng)證實(shí)的證據(jù)作為主要作業(yè)準(zhǔn)則。沒有統(tǒng)計(jì)相關(guān)數(shù)據(jù)作為支撐,很難確保結(jié)論的準(zhǔn)確性。所有根據(jù)少量數(shù)據(jù)做出的推理都被認(rèn)為是未經(jīng)證實(shí)的證據(jù)。
基于案例推理這一概念的宗旨就是將過往問題的解決方案應(yīng)用在當(dāng)前問題上。這種解決方案被存儲(chǔ)于數(shù)據(jù)庫之中,作為人類專家的經(jīng)驗(yàn)總結(jié)。當(dāng)系統(tǒng)發(fā)生了前所未有的問題,它會(huì)將問題與過往問題對(duì)比,找到一個(gè)與現(xiàn)有問題最為相近的案例。然后按照過往的解決方案解決問題,并按照成功和失敗與否更新數(shù)據(jù)庫。
基于案例推理系統(tǒng)通常被認(rèn)為是規(guī)則系統(tǒng)的擴(kuò)展。和規(guī)則系統(tǒng)類似,基于案例推理系統(tǒng)善于以人類稔熟的方式呈現(xiàn)知識(shí),不但如此,基于案例推理系統(tǒng)還具有從過往案例學(xué)習(xí)并產(chǎn)生新案例的能力。圖1所示為基于案例推理系統(tǒng)。
圖示1是基于案例推理系統(tǒng),和基于規(guī)則的系統(tǒng)一樣,基于案例推理系統(tǒng)的擅長之處在于以人類稔熟的方式呈現(xiàn)信息;同時(shí),基于案例推理系統(tǒng)也具有從過去案例學(xué)習(xí)進(jìn)而創(chuàng)建新增案例的能力。
很多專家系統(tǒng)再開發(fā)時(shí)都采用了一種被稱為“殼”的程序,它是一種配備了完整的推斷和知識(shí)存儲(chǔ)設(shè)備但是并不具備相關(guān)領(lǐng)域內(nèi)知識(shí)的專家系統(tǒng)。一些復(fù)雜的專家系統(tǒng)的構(gòu)建依賴于“開發(fā)環(huán)境”,后者比殼的應(yīng)用更加靈活,為用戶提供了構(gòu)建自定義判斷和知識(shí)呈現(xiàn)方法的機(jī)會(huì)。
專家系統(tǒng)恐怕是這些技術(shù)中最為成熟的一種,有很多商業(yè)殼系統(tǒng)和開發(fā)工具可供使用。一旦某一領(lǐng)域內(nèi)的知識(shí)被導(dǎo)入了專家系統(tǒng),構(gòu)建整個(gè)系統(tǒng)的過程就相對(duì)簡(jiǎn)單了。由于專家系統(tǒng)便于使用,所以應(yīng)用廣泛。在傳感器系統(tǒng)中,有很多應(yīng)用領(lǐng)域,包括選擇傳感器輸入、解析信號(hào)、狀態(tài)監(jiān)控、故障診斷、機(jī)器和過程控制、機(jī)器設(shè)計(jì)、過程規(guī)劃、生產(chǎn)規(guī)劃和系統(tǒng)配置。專家系統(tǒng)的應(yīng)用還包括裝配、自動(dòng)編程、復(fù)雜智能車輛的控制、檢查規(guī)劃、預(yù)測(cè)危險(xiǎn)、選擇工具和加工策略、工序規(guī)劃和工廠擴(kuò)建的控制。
3、模糊邏輯
普通規(guī)則專家系統(tǒng)有一個(gè)劣勢(shì),就是它無法應(yīng)對(duì)超出知識(shí)數(shù)據(jù)庫范圍的情況。當(dāng)這種情況出現(xiàn)時(shí),這些規(guī)則系統(tǒng)無法給出結(jié)果。這些情況發(fā)生時(shí)系統(tǒng)就會(huì)“當(dāng)機(jī)”,而不似人類專家在面對(duì)全新問題的時(shí)候表現(xiàn)出來的是性能降低。
模糊邏輯的使用,引入了人類判斷所具有的定型判斷和不精確的特性,可以提升專家系統(tǒng)的適應(yīng)性。模糊邏輯將變量值變?yōu)橐环N語言上的描述,這些描述的含義就是模糊集合,而判斷正是依據(jù)這些表述所做出。
模糊專家系統(tǒng)使用模糊邏輯來應(yīng)對(duì)不完全數(shù)據(jù)或者被部分損壞的數(shù)據(jù)所帶來的不確定性。這種技術(shù)使用模糊集合的數(shù)學(xué)理論來仿真人類判斷的過程。人類可以很輕松地在決策過程中應(yīng)對(duì)語意不明的情況(灰色地帶),而機(jī)器認(rèn)為這很難。圖2所示為模糊邏輯控制器的架構(gòu)。
圖2所示為模糊邏輯控制器的架構(gòu)。
模糊邏輯有在傳感器系統(tǒng)中有很多應(yīng)用,因?yàn)檫@一范疇的知識(shí)并不精確。模糊邏輯非常適用于那些在結(jié)構(gòu)和對(duì)象無法精確匹配的領(lǐng)域、解析度受限的場(chǎng)合、數(shù)字重構(gòu)方法和圖像處理領(lǐng)域。在結(jié)構(gòu)對(duì)象識(shí)別領(lǐng)域和場(chǎng)景解析領(lǐng)域都有模糊集合的應(yīng)用。模糊專家系統(tǒng)適用于要求處理不確定性和不精確性的場(chǎng)合。它們不具備學(xué)習(xí)的能力,因?yàn)橄到y(tǒng)的關(guān)鍵參數(shù)都已經(jīng)預(yù)設(shè)好了,無法改變。
模糊邏輯在協(xié)同作業(yè)機(jī)器人領(lǐng)域、汽車機(jī)器人、感知預(yù)測(cè)、供應(yīng)鏈管理和焊接領(lǐng)域獲得了成功。
4、自動(dòng)知識(shí)獲取
收集某一領(lǐng)域內(nèi)的知識(shí)以構(gòu)建知識(shí)數(shù)據(jù)庫是非常復(fù)雜且耗時(shí)的,它往往是搭建專家系統(tǒng)的瓶頸所在。自動(dòng)知識(shí)收集技術(shù)被開發(fā)出來以解決這一問題。這種學(xué)習(xí)程序通常要求采用多個(gè)案例作為學(xué)習(xí)的輸入。每一個(gè)案例都具有多種屬性參數(shù),并按類型歸類。一種方法就是采用“分治策略”,根據(jù)某一策略對(duì)各種屬性進(jìn)行篩選,將原有的案例集合劃分為子集合,然后歸納學(xué)習(xí)程序建立決策樹并將給定的案例集合正確分類。決策樹能夠表述從集合中的特定案例產(chǎn)生出什么知識(shí)。這一方法還可以后續(xù)應(yīng)用于處理那些沒有被案例集合覆蓋的情況。
另一種方法被稱為“覆蓋法”,歸納學(xué)習(xí)程序的目標(biāo)是找到一組被某一類型的案例所共同持有的屬性,并將這一共同屬性作為“如果”的部分,將類型做為“然后”的部分。程序?qū)⒓现蟹弦?guī)則的案例移除直至沒有共同屬性。
還有一種使用邏輯程序代替命題邏輯的方法就是對(duì)案例進(jìn)行描述然后表述全新的概念。這種方法使用了更加強(qiáng)大的預(yù)測(cè)邏輯來描述訓(xùn)練案例和背景知識(shí),然后表述全新概念。預(yù)測(cè)邏輯允許使用不同型式的訓(xùn)練案例和背景知識(shí),它允許歸納過程的結(jié)果(歸納概念)以帶有變量的一階子句的形式描述,而不僅限于由屬性-值對(duì)組成的零階命題子句。這種系統(tǒng)主要有兩種類型,第一種是由上自下的歸納/總結(jié)方法,第二種是反向解析原理。
已經(jīng)出現(xiàn)了不少的學(xué)習(xí)程序,例如ID3,它是一種分治策略程序;AQ程序采用了覆蓋法;FOIL程序是采用了歸納/總結(jié)方法的ILP系統(tǒng);GOLEM程序是采用反向解析方法的ILP系統(tǒng)。雖然大多數(shù)程序產(chǎn)生的都是明確的決策規(guī)則,但是也有一些算法能夠產(chǎn)生模糊規(guī)則。要求以嚴(yán)格的格式提供案例集合(明確的屬性和明確的分類)在傳感器系統(tǒng)和傳感器網(wǎng)絡(luò)中很容易滿足,因此自動(dòng)學(xué)習(xí)技術(shù)在傳感器系統(tǒng)中應(yīng)用頗為廣泛。這種類型的學(xué)習(xí)適合于那些屬性是以離散的或者符號(hào)的形式所表示,而并非適用于具有連續(xù)屬性值的傳感器系統(tǒng)案例。一些推斷學(xué)習(xí)應(yīng)用的例子包括激光切割、礦石檢測(cè)和機(jī)器人應(yīng)用。
圖3所示為一個(gè)虛擬系統(tǒng)流程圖,顯示了系統(tǒng)如何從圖像傳感器收集數(shù)據(jù)。視覺數(shù)據(jù)和CAD模型數(shù)據(jù)被搭配使用,用來確定對(duì)象列表,對(duì)象列表隨后被發(fā)送給焊接識(shí)別模塊,然后采用人工智能技術(shù)明確焊接要求。
5、神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)也可以從案例中提取領(lǐng)域知識(shí),它們提取的領(lǐng)域知識(shí)并非以表征的方式描述,例如規(guī)則或者決策樹,而且它們可以同時(shí)應(yīng)對(duì)連續(xù)數(shù)據(jù)和離散數(shù)據(jù)。它們也具有與模糊專家系統(tǒng)類似的不錯(cuò)的歸納能力。神經(jīng)網(wǎng)絡(luò)是大腦的計(jì)算機(jī)模型,神經(jīng)網(wǎng)絡(luò)模型通常假設(shè)計(jì)算過程可以使用多個(gè)簡(jiǎn)單的被稱為神經(jīng)元的單元所描述,神經(jīng)元可以相互連接并行作業(yè)。
最常見的神經(jīng)網(wǎng)絡(luò)是多層感知器,它是一種前饋網(wǎng)絡(luò):所有信號(hào)以一種方向傳輸,從輸入到輸出。前饋網(wǎng)絡(luò)能夠在輸入空間和輸出空間進(jìn)行靜態(tài)映射:在某一時(shí)刻的輸出僅與這一時(shí)刻的輸入構(gòu)成函數(shù)關(guān)系。周期型網(wǎng)絡(luò)中,某些神經(jīng)元的輸出反饋會(huì)同一個(gè)神經(jīng)元或者反饋回之前層級(jí)的神經(jīng)元,可以認(rèn)為具有動(dòng)態(tài)內(nèi)存:這種網(wǎng)絡(luò)在某一時(shí)刻的輸出受當(dāng)前輸入和之前輸入和輸出的影響。
不顯性表述的“知識(shí)”通過對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練而內(nèi)置于神經(jīng)網(wǎng)絡(luò)內(nèi)。某些神經(jīng)網(wǎng)絡(luò)能夠使用預(yù)先定義的特定輸入模式進(jìn)行訓(xùn)練,進(jìn)而產(chǎn)生預(yù)期的輸出模式。實(shí)際輸出和預(yù)期輸出之間的差異用來對(duì)神經(jīng)元之間連接的強(qiáng)度和權(quán)值進(jìn)行修正。這種方法被稱為監(jiān)督訓(xùn)練。在多層感知器中,監(jiān)督訓(xùn)練的反向傳播算法通常用來傳播來自于輸出神經(jīng)元的誤差,然后計(jì)算出隱含層神經(jīng)元的修正權(quán)值。
人工神經(jīng)網(wǎng)絡(luò)通常具有輸入和輸出,在輸入和輸出之間的隱藏層完成處理任務(wù)。輸入是獨(dú)立的變量,而輸出是相互關(guān)聯(lián)的。人工神經(jīng)網(wǎng)絡(luò)是具有可配置內(nèi)部參數(shù)的靈活的數(shù)學(xué)方程。為了精確地展現(xiàn)復(fù)雜的關(guān)系,通過訓(xùn)練算法來調(diào)整這些參數(shù)。在簡(jiǎn)單訓(xùn)練模式下,輸入案例和相應(yīng)的預(yù)期輸出同時(shí)展現(xiàn)給網(wǎng)絡(luò),通過盡可能多的案例進(jìn)行重復(fù)進(jìn)行自調(diào)整過程。一旦訓(xùn)練結(jié)束,人工神經(jīng)網(wǎng)絡(luò)就能夠接受全新的輸入,預(yù)測(cè)正確的輸出。
為了產(chǎn)生輸出,網(wǎng)絡(luò)只需要按方程計(jì)算即可。唯一的假設(shè)就是在輸入數(shù)據(jù)和輸出數(shù)據(jù)之間存在某種連續(xù)的函數(shù)關(guān)系。神經(jīng)網(wǎng)絡(luò)適用于映射設(shè)備、模式歸類或者模式補(bǔ)全(自動(dòng)聯(lián)想內(nèi)容尋址內(nèi)存和模式關(guān)聯(lián)器)。
圖4所示為傳感器系統(tǒng)針對(duì)焊接識(shí)別模塊做出焊接要求建議。這一模塊評(píng)估建議并決定最佳的焊接軌跡。建議隨后被發(fā)送給實(shí)際的機(jī)器人程序生成器。
近期的應(yīng)用包括特征識(shí)別、熱交換器、焊點(diǎn)檢查、點(diǎn)焊參數(shù)優(yōu)化、電力、觸覺顯示和車輛傳感系統(tǒng)。
6、遺傳算法
遺傳算法是一種隨機(jī)最優(yōu)化過程,其靈感來自于自然演化。遺傳算法能夠在復(fù)雜的多向搜索中產(chǎn)生全局最優(yōu)解決方案,無需針對(duì)問題本身的特定知識(shí)。遺傳算法已經(jīng)在傳感器系統(tǒng)中找到了用武之地,包括復(fù)雜組合或者多參數(shù)優(yōu)化,包括裝配、裝配流水線平衡、故障診斷、健康監(jiān)控和動(dòng)力方向盤。
7、環(huán)境智能
環(huán)境智能在最近幾十年獲得了長足的發(fā)展,見證了人類在數(shù)字控制環(huán)境中便利的工作過程,電子設(shè)備可以預(yù)測(cè)他們的行為并做出響應(yīng)。環(huán)境智能的概念用于實(shí)現(xiàn)人類和傳感器系統(tǒng)之間的無縫匹配,滿足實(shí)際的預(yù)期的需求。工業(yè)領(lǐng)域內(nèi)的應(yīng)用尚有局限,但是新型的更加智能且具有更高交互性的系統(tǒng)已經(jīng)處在研究階段。
擴(kuò)展系統(tǒng)
人工智能能夠增加通訊的有效性、減少故障、最小化誤差并延長傳感器的壽命。在過去40年間,人工智能技術(shù)帶來了一系列功能強(qiáng)大的工具,如前文所列。這些工具在傳感器系統(tǒng)中的應(yīng)用越來越廣泛。合理地采用新型人工智能技術(shù)方法將會(huì)有助于構(gòu)建更加具有競(jìng)爭(zhēng)力的傳感器系統(tǒng)。由于工程師對(duì)這種技術(shù)的陌生以及使用這些工具仍舊存在的技術(shù)壁壘,也許還需要另一個(gè)10年工程師們才能夠接納它們。然而,這一領(lǐng)域的研究不會(huì)停歇,很多新型傳感器應(yīng)用正在出現(xiàn),這些技術(shù)的搭配使用將會(huì)發(fā)揮出更大的作用。
從智能工廠的應(yīng)用,對(duì)電網(wǎng)、空氣、公路等監(jiān)測(cè)網(wǎng)絡(luò)的實(shí)施,傳感器的發(fā)展領(lǐng)域一直在不斷的擴(kuò)大。計(jì)劃落地后,現(xiàn)在又提出人工智能飛進(jìn)千家萬戶,家用產(chǎn)品會(huì)變得越來越智能,萬物互聯(lián)時(shí)代正在飛速的發(fā)展,未來人們的生活可能方方面面都離不開最基礎(chǔ)的傳感器。這對(duì)于傳感器行業(yè)來說,是莫大的機(jī)遇。
機(jī)遇往往伴隨著挑戰(zhàn),傳感器行業(yè)也面臨著很多問題,如何研發(fā)出符合市場(chǎng)潮流和計(jì)劃中要求的傳感器?如何讓傳感器在同類傳感器中脫穎而出?只有跟隨時(shí)代發(fā)展的潮流,才能有正確的方向,掌握了核心技術(shù),才能立于不敗之地,對(duì)于傳感器行業(yè)來說,只有抓住這個(gè)機(jī)遇,注重研發(fā)和市場(chǎng)需求,才能更上一層樓。
本文轉(zhuǎn)載自傳感器技術(shù)。
推薦閱讀:
特別推薦
- 克服碳化硅制造挑戰(zhàn),助力未來電力電子應(yīng)用
- 了解交流電壓的產(chǎn)生
- 單結(jié)晶體管符號(hào)和結(jié)構(gòu)
- 英飛凌推出用于汽車應(yīng)用識(shí)別和認(rèn)證的新型指紋傳感器IC
- Vishay推出負(fù)載電壓達(dá)100 V的業(yè)內(nèi)先進(jìn)的1 Form A固態(tài)繼電器
- 康佳特推出搭載AMD 銳龍嵌入式 8000系列的COM Express緊湊型模塊
- 村田推出3225尺寸車載PoC電感器LQW32FT_8H系列
技術(shù)文章更多>>
- 高性能碳化硅隔離柵極驅(qū)動(dòng)器如何選型,一文告訴您
- 貿(mào)澤電子新品推薦:2024年第三季度推出將近7000個(gè)新物料
- 大聯(lián)大世平集團(tuán)的駕駛員監(jiān)控系統(tǒng)(DMS)方案榮獲第六屆“金輯獎(jiǎng)之最佳技術(shù)實(shí)踐應(yīng)用”獎(jiǎng)
- X-CUBE-STL:支持更多STM32, 揭開功能安全的神秘面紗
- 觸摸式OLED顯示屏有望重新定義汽車用戶界面
技術(shù)白皮書下載更多>>
- 車規(guī)與基于V2X的車輛協(xié)同主動(dòng)避撞技術(shù)展望
- 數(shù)字隔離助力新能源汽車安全隔離的新挑戰(zhàn)
- 汽車模塊拋負(fù)載的解決方案
- 車用連接器的安全創(chuàng)新應(yīng)用
- Melexis Actuators Business Unit
- Position / Current Sensors - Triaxis Hall
熱門搜索
音頻IC
音頻SoC
音頻變壓器
引線電感
語音控制
元件符號(hào)
元器件選型
云電視
云計(jì)算
云母電容
真空三極管
振蕩器
振蕩線圈
振動(dòng)器
振動(dòng)設(shè)備
震動(dòng)馬達(dá)
整流變壓器
整流二極管
整流濾波
直流電機(jī)
智能抄表
智能電表
智能電網(wǎng)
智能家居
智能交通
智能手機(jī)
中電華星
中電器材
中功率管
中間繼電器