神經(jīng)網(wǎng)絡(luò)卷積層的作用精選(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神經(jīng)網(wǎng)絡(luò)卷積層的作用主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)卷積層的作用范文

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)；圖像處理；訓(xùn)練時間

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）33-0167-04

如今在機器學(xué)習(xí)領(lǐng)域中，深度學(xué)習(xí)方法已經(jīng)占據(jù)了相當(dāng)重要的地位，通過模仿人X學(xué)習(xí)方式構(gòu)造模型，在圖像、文本、語音處理方面取得了顯著成果[1]。目前應(yīng)用較為廣泛的深度學(xué)習(xí)模型包含多層感知器模型（MLP）[2]，卷積神經(jīng)網(wǎng)絡(luò)模型和限制性玻爾茲曼機模型等[4]。多層感知器[2]網(wǎng)絡(luò)結(jié)構(gòu)的神經(jīng)節(jié)點一般分層排列，主要由輸入層，輸出層和一些隱層組成，同層之間的神經(jīng)元節(jié)點無連接，相鄰的兩層神經(jīng)元進(jìn)行全連接，前一層的神經(jīng)元的輸出作為后一層神經(jīng)元的輸入，但本身此種算法存在著一些問題，那就是它的學(xué)習(xí)速度非常慢，其中一個原因就是由于層與層之間進(jìn)行全連接，所以它所需要訓(xùn)練的參數(shù)的規(guī)模是非常大的，所以對其進(jìn)行改進(jìn)，產(chǎn)生了卷積神經(jīng)網(wǎng)絡(luò)模型。卷積神經(jīng)網(wǎng)絡(luò)模型在圖像識別方面的應(yīng)用十分廣泛[5，8，9]。從它的結(jié)構(gòu)上來看，層與層之間的神經(jīng)元節(jié)點采用局部連接模式，而并非MLP的全連接模型，這樣就降低了需要訓(xùn)練的參數(shù)的規(guī)模。而在它卷積層中，它的每一個濾波器作為卷積核重復(fù)作用于整個輸入圖像中，對其進(jìn)行卷積，而得出的結(jié)果作為輸入圖像的特征圖[6]，這樣就提取出了圖像的局部特征。而由于每一個卷積濾波器共享相同的參數(shù)，這樣也就大大降低了訓(xùn)練參數(shù)的時間成本。而本文，以卷積神經(jīng)網(wǎng)絡(luò)為研究對象，在其模型的基礎(chǔ)上通過對其結(jié)構(gòu)中卷積核也就是濾波器的大小進(jìn)行調(diào)整并結(jié)合卷積核個數(shù)調(diào)整和gpu加速等已有的訓(xùn)練提速方法，達(dá)到降低訓(xùn)練時間并且對識別結(jié)果并無太大影響的目的。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)在MLP的基礎(chǔ)上，已經(jīng)對結(jié)構(gòu)進(jìn)行了優(yōu)化，通過層與層之間的局部連接以及權(quán)值共享等方式對要訓(xùn)練的參數(shù)的進(jìn)行了大幅減低。

1.1局部連接

BP神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元在本層中呈線性排列狀態(tài)，層與層之間進(jìn)行全連接，而在卷積神經(jīng)網(wǎng)絡(luò)中，為了減少每層之間的可訓(xùn)練參數(shù)數(shù)量，對連接方式進(jìn)行了修改，相對于BP神經(jīng)網(wǎng)絡(luò)的全連接，卷積神經(jīng)網(wǎng)絡(luò)采取了局部連接的連接方式[7]，也就是說按照某種關(guān)聯(lián)因素，本層的神經(jīng)元只會與上層的部分神經(jīng)元進(jìn)行連接。

2.2 權(quán)值共享

在CNN中，卷積層中的卷積核也就是濾波器，重復(fù)作用在輸入圖像上，對其進(jìn)行卷積，最后的輸出作為他的特征圖，由于每個濾波器共享相同的參數(shù)，所以說他們的權(quán)重矩陣以及偏置項是相同的。

我們從上圖看出，相同箭頭連線的權(quán)值是共享的，這樣在原有的局部連接的基礎(chǔ)上我們又降低了每層需要訓(xùn)練的參數(shù)的數(shù)量。

2.3卷積過程

特征圖是通過濾波器按照特定的步長，對輸入圖像進(jìn)行濾波，也就是說我們用一個線性的卷積核對輸入圖像進(jìn)行卷積然后附加一個偏置項，最后對神經(jīng)元進(jìn)行激活。如果我們設(shè)第k層的特征圖記為[hk]，權(quán)重矩陣記為[Wk]，偏置項記為[bk]，那么卷積過程的公式如下所示（雙曲函數(shù)tanh作為神經(jīng)元的激活函數(shù)）：

2.4 最大池采樣

通過了局部連接與權(quán)值共享等減少連接參數(shù)的方式卷積神經(jīng)網(wǎng)絡(luò)中還有另外一個重要的概念那就是最大池采樣方法，它是一種非線性的采樣方法。最大池采樣法在對減少訓(xùn)練參數(shù)數(shù)量的作用體現(xiàn)在兩個方面：

1 ）它減小了來自m-1層的計算復(fù)雜度。

2 ）池化的單元具有平移不變性，所以即使圖像在濾波后有小的位移，經(jīng)過池化的特征依然會保持不變。

3卷積神經(jīng)網(wǎng)絡(luò)整體構(gòu)造以及減少訓(xùn)練時間的方法

3.1使用GPU加速

本次論文實驗中，使用了theano庫在python環(huán)境下實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)模型，在lenet手寫數(shù)字識別模型上進(jìn)行改進(jìn)，由于theano庫本身支持GPU加速，所以在訓(xùn)練速度上實現(xiàn)了大幅度的提高。

3.2 數(shù)據(jù)集的預(yù)處理

本次實驗使用的兩個數(shù)據(jù)集是mnist手寫數(shù)字庫以及cifar_10庫

Mnist手寫數(shù)字庫具有60000張訓(xùn)練集以及10000張測試集，圖片的像素都為28*28，而cifar_10庫是一個用于普適物體識別的數(shù)據(jù)集，它由60000張32*32像素的RGB彩色圖片構(gòu)成，50000張圖片組成訓(xùn)練集，10000張組成測試集。而對于cifar_10數(shù)據(jù)集來說，由于圖片都是RGB的，所以我們在進(jìn)行實驗的時候，先把其轉(zhuǎn)換為灰度圖在進(jìn)行存儲。由于實驗是在python環(huán)境下運行，theano函數(shù)庫進(jìn)行算法支持，所以我們把數(shù)據(jù)集進(jìn)行處理，此處我們對使用的數(shù)據(jù)集進(jìn)行了格式化。格式化的文件包括三個list，分別是訓(xùn)練數(shù)據(jù)，驗證數(shù)據(jù)和測試數(shù)據(jù)。而list中每個元素都是由圖像本身和它的相對應(yīng)的標(biāo)簽組成的。以mnist數(shù)據(jù)集為例，我們包含train_set，valid_set，test_set三個list，每個list中包含兩個元素，以訓(xùn)練集為例，第一個元素為一個784*60000的二維矩陣，第二個元素為一個包含60000個元素的列向量，第一個元素的每一行代表一張圖片的每個像素，一共60000行，第二個元素就存儲了對相應(yīng)的標(biāo)簽。而我們?nèi)∮?xùn)練樣本的10%作為驗證樣本，進(jìn)行相同的格式化，而測試樣本為沒有經(jīng)過訓(xùn)練的10000張圖片。在以cifar_10數(shù)據(jù)集為實驗對象時，把其進(jìn)行灰度化后，進(jìn)行相同的格式化處理方式。

3.3實驗?zāi)Ｐ徒Y(jié)構(gòu)

本次實驗是在python環(huán)境下基于theano函數(shù)庫搭建好的lenet模型進(jìn)行參數(shù)的調(diào)整，以達(dá)到在實驗準(zhǔn)確度可接受情況下減少訓(xùn)練時間的目的。

上圖為實驗中的基礎(chǔ)模型舉例說明實驗過程，首先以mnist數(shù)據(jù)集為例，我們的輸入圖像為一個28*28像素的手寫數(shù)字圖像，在第一層中我們進(jìn)行了卷積處理，四個濾波器在s1層中我們得到了四張?zhí)卣鲌D。在這里要特別的說明一下濾波器的大小問題，濾波器的大小可根據(jù)圖像像素大小和卷積神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)進(jìn)行設(shè)置，舉例說明，假如說我們的輸入圖像為28*28像素的圖像，我們把第一層卷積層濾波器大小設(shè)置為5*5，也就是說我們用一個大小為5*5的局部滑動窗，以步長為一對整張圖像進(jìn)行滑動濾波，則滑動窗會有24個不同的位置，也就是說經(jīng)過卷積處理后的C1層特征圖的大小為24*24。此處的濾波器大小可進(jìn)行調(diào)整，本論文希望通過對濾波器大小的調(diào)整，已達(dá)到減少訓(xùn)練時間的目的，并尋找調(diào)整的理論依據(jù)。C1層的特征圖個數(shù)與卷積過程中濾波器數(shù)量相同。S1層是C1經(jīng)過降采樣處理后得到的，也就是說四點經(jīng)過降采樣后變?yōu)橐粋€點，我們使用的是最大池方法，所以取這四個點的最大值，也就是說S1層圖像大小為12*12像素，具有4張?zhí)卣鲌D。而同理S1層經(jīng)過卷積處理得到C2層，此時我們?yōu)V波器的大小和個數(shù)也可以自行設(shè)置，得到的C2層有6張?zhí)卣鲌D，C2到S2層進(jìn)行降采樣處理，最后面的層由于節(jié)點個數(shù)較少，我們就用MLP方法進(jìn)行全連接。

3.4實驗參數(shù)改進(jìn)分析

由此可見，我們對濾波器的大小以及個數(shù)的改變，可以直接影響到卷積訓(xùn)練參數(shù)的個數(shù)，從而達(dá)到減少訓(xùn)練時間的目的。

從另一種角度來看，增大濾波器的大小，實際效果應(yīng)該相似于縮小輸入圖像的像素大小，所以這樣我們可以預(yù)測增大濾波器的大小會減少樣本的訓(xùn)練時間，但是這樣也可能會降低訓(xùn)練后的分類的準(zhǔn)確率，而濾波器的大小是如何影響訓(xùn)練時間以及分類準(zhǔn)確率的，我們通過對兩種圖片庫的實驗來進(jìn)行分析。

4 實驗結(jié)果與分析

4.1以mnist手寫數(shù)字?jǐn)?shù)據(jù)集作為實驗數(shù)據(jù)

我們知道卷積層可訓(xùn)練參數(shù)的數(shù)字與濾波器的大小和數(shù)字有關(guān)，所以我們通過對卷積層濾波器大小的變化來尋找較為普遍的可減少訓(xùn)練參數(shù)從而達(dá)到減少訓(xùn)練時間的目的。在實驗記錄中，我們表格縱列記錄兩層卷積層濾波器大小，橫列分別為對已經(jīng)過訓(xùn)練圖像識別和對未經(jīng)過訓(xùn)練的驗證圖像進(jìn)行識別的錯誤率，最后記錄每種濾波器大小搭配的使用時間。我們設(shè)定每次試驗都進(jìn)行100次重復(fù)訓(xùn)練，每次對權(quán)重矩陣進(jìn)行優(yōu)化。

此處我們記錄兩層濾波器大小之和作為橫坐標(biāo)，比較濾波器大小與實驗之間的關(guān)系。兩層濾波器大小相加后相同的元素我們把其對應(yīng)時間做平均。

4.2以cifar_10數(shù)據(jù)集作為實驗數(shù)據(jù)

同樣是以100次循環(huán)訓(xùn)練進(jìn)行測試，通過改變兩層中濾波器的大小來尋找減少訓(xùn)練時間的設(shè)定。

此處以同樣的方法，記錄兩層濾波器大小之和作為橫坐標(biāo)，比較濾波器大小與實驗之間的關(guān)系。

4.3實驗結(jié)果分析

從兩組試驗中，在不同的數(shù)據(jù)集下，我們得到了濾波器的大小與訓(xùn)練時間成反比的關(guān)系，而在減少了訓(xùn)練時間的同時確實增大了訓(xùn)練的錯誤率。

5 總結(jié)

通過實驗結(jié)果分析表明，增大卷積層濾波器大小的方法，在此兩種數(shù)據(jù)庫的情況下，是有效減小訓(xùn)練時間的方式，而在不同的數(shù)據(jù)庫對分類準(zhǔn)確率的影響程度不同，mnist手寫數(shù)字?jǐn)?shù)據(jù)庫中圖像之間的相似度非常高，所以濾波器的增大對準(zhǔn)確率產(chǎn)生的負(fù)面影響較小，而ifar_10數(shù)據(jù)集中圖像之間的相似度較小，所以增大濾波器的大小對其分類結(jié)果的準(zhǔn)確率的負(fù)面影響較大。

參考文獻(xiàn)：

[1]LeCun Y， Bengio Y， Hinton G. Deep learning[J]. Nature， 2015， 521（7553）： 436-444.

[2] Ruck D W， Rogers S K， Kabrisky M. Feature selection using a multilayer perceptron[J]. ]Journal of Neural Network Computing， 1990， 2（2）： 40-48.

[3]LeCun Y， Bengio Y. Convolutional networks for images， speech， and time series[J]. The handbook of brain theory and neural networks， 1995， 3361（10）： 1995.

[4] Larochelle H， Bengio Y. Classification using discriminative restricted Boltzmann machines[C]//Proceedings of the 25th international conference on Machine learning. ACM， 2008： 536-543.

[5]Krizhevsky A， Sutskever I， Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012： 1097-1105.

[6] Zeiler M D， Fergus R. Visualizing and understanding convolutional networks[C]//European Conference on Computer Vision. Springer International Publishing， 2014： 818-833.

[7] Jarrett K， Kavukcuoglu K， Lecun Y. What is the best multi-stage architecture for object recognition？[C]//2009 IEEE 12th International Conference on Computer Vision. IEEE， 2009： 2146-2153.

第2篇：神經(jīng)網(wǎng)絡(luò)卷積層的作用范文

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；反向傳播算法；仿射變換；sloth；python；theano

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2017）04-0096-02

隨著環(huán)保壓力的增大，各國已經(jīng)開始利用攝像頭來監(jiān)控漁船的捕撈活動，并運用機器學(xué)習(xí)技術(shù)來對漁船捕獲的魚類圖像進(jìn)行自動的識別與分類從而扼制非法的捕撈。

目前計算機性能的飛速發(fā)展、圖像數(shù)據(jù)采集設(shè)備的廉價與普及促進(jìn)了機器學(xué)習(xí)理論與方法的發(fā)展，數(shù)據(jù)科學(xué)家已經(jīng)可以構(gòu)建復(fù)雜的機器學(xué)習(xí)模型并利用從廉價的數(shù)碼攝像頭設(shè)備采集到大量的數(shù)據(jù)快速的訓(xùn)練模型。吳一全等[1]采用了手動選擇特征的方法， 基于支持向量機對5種魚進(jìn)行識別，各類魚的識別精度平均為83.33%。萬鵬等[2]計算魚的長軸方向各段的平均寬度與長度的比值并將其作為特征參數(shù)，利用3層BP（back propagation）神經(jīng)網(wǎng)絡(luò)對鯽魚和鯉魚進(jìn)行識別，識別精度為92.50%。但是這些方法都是基于手動選擇特征的機器學(xué)習(xí)方法，手動選擇特征的方法基于人的經(jīng)驗選擇特征， 會導(dǎo)致遺漏重要的特征， 導(dǎo)致分類準(zhǔn)確率低。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)能在訓(xùn)練過程中自動學(xué)到“好”特征，避免了手動選擇特征。本次研究采用了基于VGG16的卷積神經(jīng)網(wǎng)絡(luò)（CNN）來進(jìn)行魚類分類，并運用了數(shù)據(jù)集擴增方法，dropout方法， batch normalization方法來降低模型的過擬合。但是原始數(shù)據(jù)集背景干擾很大，船上的人、物體和甲板上捕獲的魚類糅合在一起，直接采用原始數(shù)據(jù)集訓(xùn)練會導(dǎo)致訓(xùn)練出的模型穩(wěn)定性不好。

基于上述分析，本文從原始數(shù)據(jù)出發(fā)，設(shè)計了一種目標(biāo)檢測方法，即在原始訓(xùn)練數(shù)據(jù)已經(jīng)有魚類類別標(biāo)簽的基礎(chǔ)上，再標(biāo)注上一層表示魚類在圖片中坐標(biāo)位置的標(biāo)簽，然后利用這些二次標(biāo)注過的數(shù)據(jù)訓(xùn)練模型，就可得到一個既能預(yù)測魚在圖片中的坐標(biāo)位置又能預(yù)測魚的分類的糅合模型。因為這兩種預(yù)測網(wǎng)絡(luò)在卷積層共同訓(xùn)練一套濾波器，所以在訓(xùn)練濾波器預(yù)測魚的坐標(biāo)位置時，訓(xùn)練完成的濾波器便能在另一方面輔助預(yù)測魚的分類，使特征提取只專注于魚的坐標(biāo)區(qū)域，這樣就有效的排除了背景干擾。實驗結(jié)果顯示此模型具有很高的識別精度和魯棒性，能在背景干擾很強的圖片數(shù)據(jù)集上準(zhǔn)確的完成魚類的識別和分類。

1 模型構(gòu)建

實驗數(shù)據(jù)來源于某組織舉辦的圖像識別競賽。數(shù)據(jù)通過固定在漁船某個位置的攝像頭采集，通過采集甲板上捕獲的魚類照片，共采集到3777張共8個分類的照片作為訓(xùn)練樣本，分別為長鰭金槍魚、大眼金槍魚、黃鰭金槍魚、鰍魚、月魚、鯊魚、其他、無魚類（表示沒有魚出現(xiàn)在照片里）。按一定比例做分層采樣，其中2984張用作訓(xùn)練集，394張用作驗證集，399張用作測試集。訓(xùn)練集用經(jīng)過錯切幅度值為0.15的仿射變換作數(shù)據(jù)集擴增來降低過擬合，因為在從原始數(shù)據(jù)集上分層采樣得來的小樣本數(shù)據(jù)集上驗證顯示當(dāng)錯切幅度值等于0.15時，模型在測試集上的分類精度最高。

在訓(xùn)練集上采用sloth@款圖片標(biāo)注工具手動標(biāo)注魚類在圖片中的位置，并把這些標(biāo)注結(jié)果和已有的魚類分類標(biāo)注結(jié)果當(dāng)做輸入數(shù)據(jù)和圖片數(shù)據(jù)一起傳給模型訓(xùn)練。

本次研究的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。卷積層采用了被廣泛使用在圖像分類任務(wù)中的VGG模型的卷積濾波器的權(quán)重[3]，并在其模型上作微調(diào)來實現(xiàn)本次研究的目標(biāo)。

輸入層將不同尺寸的圖片統(tǒng)一轉(zhuǎn)換成244*244大小。

匯合層（max pooling）是指取一小塊像素區(qū)域的像素最大值，作用是可減少數(shù)據(jù)量，控制過擬合。

全連接層的權(quán)重采用反向傳播算法（back propagation）訓(xùn)練，參數(shù)尋優(yōu)采用隨機梯度下降方法。動態(tài)學(xué)習(xí)率設(shè)定方法采用了 Adam方法，可根據(jù)損失函數(shù)在迭代訓(xùn)練中產(chǎn)生的信息自動調(diào)整學(xué)習(xí)率。

激活層函數(shù)采用RELU方法，公式為。最后一層預(yù)測魚類分類的激活曾需要把對應(yīng)于各個分類的分?jǐn)?shù)值轉(zhuǎn)換成總和為1的對應(yīng)于各個分類的概率值，所以激活函數(shù)采用Softmax方法，公式如下

由于卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)強大的表示能力，為了降低模型的過擬合以及加快模型的訓(xùn)練速度，本次工作在激活曾后面再依次加入一層dropout層和batch normalization層。dropout層是指隨機的舍棄一部分激活曾神經(jīng)元的值，并將其置為0[4]。batch normalization層是指規(guī)范化每層激活層的輸出，并加入4個規(guī)范化參數(shù)來抑制模型訓(xùn)練過程中的反規(guī)范化現(xiàn)象[5]。

2 程序?qū)崿F(xiàn)

具體的軟件實現(xiàn)采用python編程語言和keras框架平臺。keras底層采用輕量易用的theano框架，并依賴計算機的顯卡來進(jìn)行更快速的訓(xùn)練工作。整個圖像分類的軟件框架主要由4部分組成，分別是輸入圖像數(shù)據(jù)處理、模型各個網(wǎng)絡(luò)層的實現(xiàn)及拼接、模型編譯、模型訓(xùn)練及預(yù)測。下面按數(shù)據(jù)在模型中流動的順序具體的闡述各個部分的程序?qū)崿F(xiàn)。

2.1 輸入圖像數(shù)據(jù)處理

第3篇：神經(jīng)網(wǎng)絡(luò)卷積層的作用范文

人工智能、大數(shù)據(jù)、光纖網(wǎng)絡(luò)等技術(shù)的發(fā)展和改進(jìn)，人類社會已經(jīng)進(jìn)入到了“互聯(lián)網(wǎng)+”時代，有力的促進(jìn)了信息化系統(tǒng)的普及和使用，比如證券交易所開發(fā)了結(jié)算交易系統(tǒng)，政府機關(guān)開發(fā)了電子政務(wù)系統(tǒng)，旅游景區(qū)開發(fā)了旅游住宿管理系統(tǒng)等，提高了行業(yè)智能化、自動化和共享化水平?；ヂ?lián)網(wǎng)雖然為人們帶來了極大的方便，提高了各行業(yè)的信息化水平，但是其也面臨著海量的安全攻擊威脅，比如數(shù)以萬計的病毒或木馬，都給互聯(lián)網(wǎng)的應(yīng)用帶來了極大的障礙。目前，網(wǎng)絡(luò)中流行的攻擊包括病毒木馬、DDOS攻擊等，這些病毒木馬常常發(fā)生各類型的變異，比如2018年初爆發(fā)的勒索病毒，攻擊了很多政企單位的服務(wù)器，導(dǎo)致終端操作系統(tǒng)無法登錄和訪問，傳統(tǒng)的防火墻、殺毒軟件等網(wǎng)絡(luò)安全防御軟件已經(jīng)無法滿足需求，需要引入大數(shù)據(jù)技術(shù)，以便能夠?qū)⒈粍臃烙夹g(shù)改進(jìn)為主動防御技術(shù)，及時的查處網(wǎng)絡(luò)中的病毒或木馬，從而可以提高互聯(lián)網(wǎng)防御水平。

1.網(wǎng)絡(luò)安全防御現(xiàn)狀研究

網(wǎng)絡(luò)安全防御經(jīng)過多年的研究，已經(jīng)吸引了很多的學(xué)者和企業(yè)開發(fā)先進(jìn)的防御技術(shù)，比如360安全衛(wèi)士、訪問控制列表、防火墻等，同時還提出了一些更加先進(jìn)的深度包過濾和自治網(wǎng)絡(luò)等防御技術(shù)，這些技術(shù)均由許多的網(wǎng)絡(luò)安全防御學(xué)者、專家和企業(yè)進(jìn)行研究提出，已經(jīng)在網(wǎng)絡(luò)中部署喝應(yīng)用，一定程度上提高了網(wǎng)絡(luò)防御水平。（1）防火墻防火墻是一種部署于因特網(wǎng)和局域網(wǎng)之間防御工具，其類似一個過濾器，可以不熟一些過濾規(guī)則，從而可以讓正常的數(shù)據(jù)通過防火墻，也可以阻止攜帶病毒或木馬的數(shù)據(jù)通過防火墻，防火墻經(jīng)過多年的部署，已經(jīng)誕生了數(shù)據(jù)庫防火墻、網(wǎng)絡(luò)防火墻、服務(wù)器防火墻等，使用枚舉規(guī)則禁止查看每一個協(xié)議是否正常，能夠防御一定的病毒或木馬。（2）殺毒軟件殺毒軟件也是一個非常關(guān)鍵的程序代碼，可以在殺毒軟件系統(tǒng)的服務(wù)器中保存檢測出的病毒或木馬基因特征片段，將這些片段可以與網(wǎng)絡(luò)中的數(shù)據(jù)信息進(jìn)行匹配，從而可以查找網(wǎng)絡(luò)中的病毒或木馬，及時的將其從網(wǎng)絡(luò)中清除。殺毒軟件為了能夠準(zhǔn)確的識別病毒，目前引入了許多的先進(jìn)技術(shù)，這些技術(shù)包括脫殼技術(shù)、自我保護技術(shù)等，同時目前也吸引了更多的網(wǎng)絡(luò)安全防御公司研究殺毒軟件，最為著名的軟件廠商包括360、瑞星、江民、卡巴斯基等，同時騰訊公司、搜狗公司也開發(fā)了自己的安全管理技術(shù)，大大的提高網(wǎng)絡(luò)防御能力。（3）訪問控制列表訪問控制列表是一個易于配置、安裝簡單和管理容易的網(wǎng)絡(luò)安全防御工具，設(shè)置了黑白兩個關(guān)鍵名單，白名單收錄了安全數(shù)據(jù)源IP地址，黑名單收錄了非法的數(shù)據(jù)源IP地址。訪問控制列表已經(jīng)可以在四個層次配置防御策略，分別是目錄及控制級、入網(wǎng)訪問控制級、屬性控制級和權(quán)限控制級。訪問控制列表級別越高訪問性能越好，但是工作效率非常慢，不能夠?qū)崟r升級訪問控制列表，因此應(yīng)用的場所比較簡單，一般都是不重要的中小學(xué)實驗室等，許多大型政企單位都不用這個防御措施。（4）深度包過濾深度包過濾能夠嵌入到硬件中形成一個固件，這樣就可以快速的采集網(wǎng)絡(luò)中的數(shù)據(jù)，然后利用深度包過濾的枚舉檢查規(guī)則，不僅檢查數(shù)據(jù)包的頭部IP地址、目的IP地址，還檢查數(shù)據(jù)包中的內(nèi)容，以便能夠深入到數(shù)據(jù)包內(nèi)部檢查是否存在病毒或木馬，一旦發(fā)現(xiàn)就可以啟動防御軟件。深度包過濾可以實施穿透式檢查規(guī)則，分析每一個協(xié)議字段，深入到內(nèi)部檢查的更加詳細(xì)和全面，從而避免病毒或木馬隱藏在數(shù)據(jù)包內(nèi)部，因此深度包過濾已經(jīng)在很多領(lǐng)域得到應(yīng)用，比如阿里云、騰訊云、百度云等都采用了這些技術(shù)，許多的政企單位也采用了深度包過濾技術(shù)，進(jìn)一步提高了數(shù)據(jù)防御水平。（5）自治網(wǎng)絡(luò)自治網(wǎng)絡(luò)作為一種先進(jìn)的互聯(lián)網(wǎng)安全防御技術(shù)，其采用了自動愈合的建設(shè)理念，在網(wǎng)絡(luò)中構(gòu)建了一個冗余策略，一旦網(wǎng)絡(luò)受到病毒或木馬的攻擊，此時自治網(wǎng)絡(luò)就可以將這些一部分網(wǎng)絡(luò)設(shè)備隔離，同時形成一個新傳輸通道為網(wǎng)絡(luò)設(shè)備提供連接，知道數(shù)據(jù)修復(fù)完畢之后才能夠?qū)⑦@些網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)納入到網(wǎng)絡(luò)中。自治網(wǎng)絡(luò)可以實現(xiàn)自我防御，也可以調(diào)動網(wǎng)絡(luò)信息安全的許多的資源，將網(wǎng)絡(luò)病毒導(dǎo)入備用服務(wù)器，此時就可以殺滅這些病毒。

2.基于大數(shù)據(jù)的網(wǎng)絡(luò)安全防御系統(tǒng)設(shè)計

網(wǎng)絡(luò)安全防御系統(tǒng)集成了很多先進(jìn)的技術(shù)，尤其是快速的數(shù)據(jù)采集和大數(shù)據(jù)分析技術(shù)，能夠?qū)鹘y(tǒng)的被動網(wǎng)絡(luò)安全防御模式轉(zhuǎn)變?yōu)橹鲃?，提高網(wǎng)絡(luò)安全防御性能。本文結(jié)合傳統(tǒng)的網(wǎng)絡(luò)安全防御功能及引入的大數(shù)據(jù)技術(shù)，給出了網(wǎng)絡(luò)安全防御系統(tǒng)的主要功能，這些功能包括四個關(guān)鍵方面，分別是數(shù)據(jù)采集功能、大數(shù)據(jù)圖1基于大數(shù)據(jù)的網(wǎng)絡(luò)安全防御系統(tǒng)功能分析功能、網(wǎng)絡(luò)安全防御功能和防御效果評估功能。（1）網(wǎng)絡(luò)數(shù)據(jù)采集功能目前，人們已經(jīng)進(jìn)入到了“互聯(lián)網(wǎng)+”時代，網(wǎng)絡(luò)部署的軟硬件資源非常多，訪問的用戶頻次數(shù)以億計，因此網(wǎng)絡(luò)安全防御首先需要構(gòu)建一個強大的數(shù)據(jù)采集功能，可以及時的采集網(wǎng)絡(luò)中的軟硬件數(shù)據(jù)資源，將這些網(wǎng)絡(luò)數(shù)據(jù)發(fā)送給大數(shù)據(jù)分析功能。網(wǎng)絡(luò)數(shù)據(jù)采集過程中可以引入深度包過濾功能，利用這個深度包過濾可以快速的采集網(wǎng)絡(luò)數(shù)據(jù)，提高網(wǎng)絡(luò)數(shù)據(jù)采集速度。（2）大數(shù)據(jù)分析和處理功能網(wǎng)絡(luò)數(shù)據(jù)采集完畢之后，系統(tǒng)將數(shù)據(jù)發(fā)送給大數(shù)據(jù)分析和處理模塊，該模塊中包含了很多的病毒基因片段或特征，可以針對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行智能分析，將預(yù)處理后的網(wǎng)絡(luò)數(shù)據(jù)與學(xué)習(xí)到的特征進(jìn)行對比，以便能夠發(fā)現(xiàn)這些數(shù)據(jù)信息中是否潛藏著木馬或病毒，發(fā)現(xiàn)之后及時的將其發(fā)送給安全防御模塊。（3）網(wǎng)絡(luò)安全防御功能網(wǎng)絡(luò)安全防御與傳統(tǒng)的防御技術(shù)一致，采用木馬或病毒查殺軟件，因此一旦發(fā)現(xiàn)網(wǎng)絡(luò)中存在病毒或木馬，此時就可以啟動網(wǎng)絡(luò)安全防御工具，及時的將網(wǎng)絡(luò)中的病毒或木馬殺滅，并且可以跟蹤病毒或木馬來源，從而可以鎖定源頭服務(wù)器，將源頭清除掉。如果源頭涉及到犯罪就可以獲取這些證據(jù)，同時將這些證據(jù)發(fā)送給公安機關(guān)進(jìn)行偵破。（4）防御效果評估功能網(wǎng)絡(luò)安全防御功能完成之后，系統(tǒng)可以針對處理效果進(jìn)行評估，從而可以獲取網(wǎng)絡(luò)系統(tǒng)中的殺毒信息，將這些網(wǎng)絡(luò)病毒消滅，避免網(wǎng)絡(luò)中的病毒或木馬復(fù)發(fā)。網(wǎng)絡(luò)安全防御效果評估之后，還可以跟蹤大數(shù)據(jù)分析的準(zhǔn)確度，一旦準(zhǔn)確度降低就可以及時進(jìn)行學(xué)習(xí)，從而提高網(wǎng)絡(luò)安全防御性能。大數(shù)據(jù)是一種非常關(guān)鍵的數(shù)據(jù)處理和分析技術(shù)，可以利用多種算法，比如BP神經(jīng)網(wǎng)絡(luò)算法、支持向量機、深度學(xué)習(xí)、K-means算法等挖掘數(shù)據(jù)中潛在的知識，這些知識對人們是有價值的，能夠幫助人們進(jìn)行決策。本文為了能夠更好的展示互聯(lián)網(wǎng)應(yīng)用性能，重點描述了深度學(xué)習(xí)算法分析互聯(lián)網(wǎng)安全數(shù)據(jù)過程。深度學(xué)習(xí)算法是一種多層次的卷積神經(jīng)網(wǎng)絡(luò)，包括兩個非常關(guān)鍵的層次結(jié)構(gòu)，一個是卷積層稱為病毒數(shù)據(jù)特征提取層，一個卷積層為病毒數(shù)據(jù)特征映射層，可以識別病毒數(shù)據(jù)中的特征數(shù)據(jù)，同時將池化層進(jìn)行處理，壓縮和處理池化層數(shù)據(jù)信息，比如進(jìn)行預(yù)處理、二值化等，刪除病毒數(shù)據(jù)中的一些明顯的噪聲特征。池化層可以將海量的病毒數(shù)據(jù)進(jìn)行壓縮，減少卷積神經(jīng)網(wǎng)絡(luò)分析時設(shè)置的參數(shù)，解決卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練時容易產(chǎn)生的過度擬合問題，避免病毒識別模型陷入到一個過度擬合狀態(tài)，避免無法提高病毒識別能力，還會提升病毒識別處理開銷。全連接層就是一個關(guān)鍵分類器，可以將學(xué)習(xí)到的病毒知識標(biāo)記到一個特征空間，這樣就可以提高病毒識別結(jié)果的可解釋性。卷積神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)和訓(xùn)練之后，其可以形成一個動態(tài)優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)，這個結(jié)構(gòu)可以在一定時期內(nèi)保持不變，能夠?qū)崿F(xiàn)病毒特征的識別、分析，為病毒識別提供一個準(zhǔn)確的結(jié)果。

第4篇：神經(jīng)網(wǎng)絡(luò)卷積層的作用范文

關(guān)鍵詞：視覺注意；自頂向下；顯著性；對象信息；卷積神經(jīng)網(wǎng)

中圖分類號：TP391.41

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-9081（2016）11-3217-05

0 引言

視覺注意機制的研究是探索人眼視覺感知的重要一環(huán)。在過去幾十年中，如何用計算模型模擬人眼視覺注意過程一直是核心問題。盡管取得了很大的進(jìn)步，但是快速準(zhǔn)確地在自然場景中預(yù)測人眼視覺注意區(qū)域仍然具有很高的挑戰(zhàn)性。顯著性是視覺注意的一項重要研究內(nèi)容，它反映了區(qū)域受關(guān)注的程度。本文的研究著眼于顯著性計算模型，更多模型對比和模型分類可以參考Borji等[1]的文章。視覺注意存在兩種機制：自底向上（Bottom-up）和自頂向下（Top-down）。過去的研究中，大多數(shù)的計算模型是基于自底向上的信息，即直接從圖像像素獲取特征。

自底向上顯著性計算模型開創(chuàng)性工作源自于文獻(xiàn)[2]的Itti模型，該模型是很多其他模型的基礎(chǔ)和對照基準(zhǔn)，它通過整合多種低層次特征，如顏色、亮度、方向等，給出一個顯著度的概率分布圖。Harel等[3]在Itti模型的基礎(chǔ)上引入圖算法，通過計算節(jié)點間特征值相似性和空間位置距離進(jìn)行差異性度量獲取顯著圖。近年來隨著深度學(xué)習(xí)技術(shù)在目標(biāo)識別領(lǐng)域的成功應(yīng)用[4]，研究者們對特征學(xué)習(xí)產(chǎn)生了更多的興趣。Borji等[5]通過稀疏編碼方法獲取特征，使用圖像塊的稀疏表示結(jié)合局部和全局統(tǒng)計特性計算圖像塊的稀有性（rarity），稀有性反映了當(dāng)前圖像塊中心位置的顯著性。Vig等[6]通過訓(xùn)練多個神經(jīng)網(wǎng)絡(luò)獲取層次特征，然后自動優(yōu)化特征組合。特征提取的過程可以看作是一種隱式空間映射，在映射空間中使用簡單的線性模型進(jìn)行顯著或非顯著的分類。以上學(xué)習(xí)方法獲得的特征都是一些低層次特征，對圖像中的邊緣和特定紋理結(jié)構(gòu)敏感。此外，部分研究人員希望從數(shù)學(xué)統(tǒng)計和信號處理的角度來度量顯著性。Bruce等[7]根據(jù)最大化信息采樣的原則構(gòu)建顯著性模型。Li等[8]總結(jié)了多種基于頻域的視覺注意研究工作，提出了一種基于超復(fù)數(shù)傅里葉變換（Hypercomplex Fourier Transform）的視覺注意模型，并展示了其他多種基于頻域的模型在某種程度上都是此模型的特例。

以上模型均為數(shù)據(jù)驅(qū)動的顯著性模型，模擬人眼視覺注意過程中自底向上的機制。由于人眼視覺注意過程中不可避免地受到知識、任務(wù)、經(jīng)驗、情感等因素的影響，因而整合自底向上和自頂向下信息的視覺注意研究受到更多的關(guān)注?，F(xiàn)有模型整合的自頂向下信息可以分為三類：任務(wù)需求、場景上下文和對象特征。

Borji等[9]提出了一種構(gòu)建任務(wù)驅(qū)動的視覺注意模型的聯(lián)合貝葉斯方法。Zhang等[10]提出了一種使用貝葉斯框架整合自底向上和自頂向下顯著性信息的方法。Siagian等[11]利用多種低層次特征對場景主旨進(jìn)行建模，使用場景主旨引導(dǎo)視覺注意的轉(zhuǎn)移。考慮到任務(wù)需求和場景上下文建模的復(fù)雜性，研究人員將對象特征視為一種高層次的知識表示形式引入視覺注意模型中。Judd等[12]和Zhao等[13]通過將低層次特征和對象特征整合在一個學(xué)習(xí)框架下來獲得特征整合過程中每張?zhí)卣鲌D的疊加權(quán)重，但是模型使用的對象特征只有人臉、行人、車輛等有限的幾種。Borji等[14]遵循了同樣的方法，但是在整合過程中添加了更多特征并且結(jié)合了其他顯著性模型的結(jié)果，最后用回歸、支撐向量機（Support Vector Machine， SVM）、 AdaBoost等多種機器學(xué)習(xí)算法結(jié)合眼動跟蹤數(shù)據(jù)進(jìn)行訓(xùn)練。實驗結(jié)果表明對象特征引入較大地提高了模型性能。Xu等[15]將特征劃分為像素級、對象級和語義級三個層次，并重點探索對象信息和語義屬性對視覺注意的作用；然而，模型中的對象級和語義級特征是手工標(biāo)定的，因而不是一種完全意義上的計算模型。

總的來看，雖然部分模型已經(jīng)使用對象特征作為自頂向下的引導(dǎo)信息，但是在對象特征的獲取和整合上仍有很大的局限性。首先，對不包含特定對象的場景適應(yīng)性較差；其次，對象特征描述困難，通常是通過特定目標(biāo)檢測方法獲取對象特征，計算效率低下；此外，對象特征的簡單整合方式不符合人眼的視覺感知機制。本文提出了一種結(jié)合深度學(xué)習(xí)獲取對象特征的視覺注意計算模型，重點研究了對象級特征的獲取和整合方法。算法結(jié)構(gòu)如1所示，其中像素級突出圖獲取采用現(xiàn)有視覺注意模型的方法，對象級突出圖獲取采用本文提出的基于卷積神經(jīng)網(wǎng)（Convolutional Neural Network， CNN）的特征學(xué)習(xí)和基于線性回歸的特征整合方法。實驗結(jié)果表明，對象級特征的引入可以明顯提高顯著性預(yù)測精度，預(yù)測結(jié)果更符合人類視覺注意效果。

1 對象信息獲取

1.1 對象特征

大量實驗證據(jù)表明對象特征引導(dǎo)視覺注意的轉(zhuǎn)移。視覺注意中引入對象特征是為了獲得圖像中對象位置等信息，目的與計算機視覺中的目標(biāo)檢測類似。因而，已有的視覺注意計算模型的對象特征通常是通過特定目標(biāo)檢測方法獲得。其中，Viola&Jones人臉檢測和Felzenszwalb車輛行人檢測是最常用的方法。文獻(xiàn)[12-14]均使用此類方法引入對象特征。由于這一類特征針對特定對象樣本進(jìn)行設(shè)計和訓(xùn)練，因而推廣能力不強。

li=fixations（obji）area（obji）（3）

其中： fixations（）表示落入當(dāng)前對象區(qū)域的正樣本的數(shù)目；area（）表示對象區(qū)域面積。li衡量當(dāng)前對象單位面積受關(guān)注的程度，對象單位面積受關(guān)注程度越高，其在對象整合過程中的權(quán)重應(yīng)越高，因而li與疊加權(quán)重成正比。

式（4）通過一個線性回歸模型對已有樣本數(shù)據(jù)進(jìn)行訓(xùn)練，獲得對象整合疊加權(quán)重W：

L=WF（4）

其中：F={F1，F(xiàn)2，…，F(xiàn)N}為訓(xùn)練樣本數(shù)據(jù)集合；L={l1，l2，…，lN}為訓(xùn)練樣本標(biāo)簽集合。

測試時根據(jù)式（5）～（6）獲得對象級突出圖：

3 顯著圖生成

視覺注意是自底向上和自頂向下兩種機制作用的結(jié)果。完全使用自頂向下的對象特征進(jìn)行顯著區(qū)域預(yù)測有一定缺陷，主要表現(xiàn)在以下幾個方面：首先，知識是對訓(xùn)練樣本數(shù)據(jù)的抽象表示，由于神經(jīng)網(wǎng)絡(luò)的規(guī)模和訓(xùn)練樣本中對象種類的限制，場景中部分對象對應(yīng)的特征沒有被抽象在網(wǎng)絡(luò)結(jié)構(gòu)中；其次，部分不具有明確語義的區(qū)域被錯誤地認(rèn)為是對象，對視覺注意形成錯誤的引導(dǎo)；另外，人眼視覺注意轉(zhuǎn)移的生理學(xué)機制并不清楚，興趣區(qū)可能落在不具有對象特征區(qū)域中。因此，使用像素級特征給出低層次顯著性信息是必要的。

視覺注意模型中常用的像素級特征有顏色、亮度、方向等[2-3，12]。本文直接使用GBVS（Graph-Based Visual Saliency）算法[4]整合多種像素級特征獲取像素級突出圖Spixel。式（7）給出了整合的方法：

其中：S（i， j）為最終給出的視覺注意顯著圖；N（）為歸一化操作；λ控制對象級突出圖與像素級突出圖的相對權(quán)重，通過實驗分析可知λ=0.4時效果較好。當(dāng)圖像中不存在顯著物體或無法獲得高置信度的對象信息時，圖像任意位置Sobj（i， j）=0，此時完全由像素級特征驅(qū)動的視覺注意引導(dǎo)。

4 實驗結(jié)果及分析

本次實驗是以Visual Studio 2012為實驗平臺，選取OSIE和MIT數(shù)據(jù)集作為實驗數(shù)據(jù)。OSIE數(shù)據(jù)集包含700張含有一個或多個明顯語義對象的圖片以及15名受試者的眼動跟蹤數(shù)據(jù)，此外該數(shù)據(jù)集還提供了語義對象統(tǒng)計及人工標(biāo)注的精確對象區(qū)域。MIT數(shù)據(jù)集包含1003張自然場景圖片以及15名受試者的眼動跟蹤數(shù)據(jù)。這兩個數(shù)據(jù)集是當(dāng)前視覺注意研究領(lǐng)域中較大的數(shù)據(jù)集。為了驗證本文方法的準(zhǔn)確率，將本文算法與GBVS[4]、 Itti[2]、 Judd[3]、 AIM[10]、LG[8]等視覺注意方法進(jìn)行對比。

對比實驗中使用的評價指標(biāo)為ROC（Receiver Operating Characteristic）曲線，實現(xiàn)方法與文獻(xiàn)[12，15]相同。圖6～8為實驗對比結(jié)果，顯著區(qū)域百分比是通過對歸一化顯著圖作閾值處理獲得，真正率（True Positive Rate）反映當(dāng)前落入顯著區(qū)域的樣本占所有樣本的比例。通過變化顯著區(qū)域百分比獲得ROC曲線。為了更直觀比較算法效果，實驗結(jié)果圖中標(biāo)注了每種算法的AUC（Area Under Curve）值，AUC值通過計算ROC曲線下的面積獲得。AUC值越大表示該方法給出的顯著性預(yù)測結(jié)果越準(zhǔn)確。

圖6為利用對象級突出圖作為顯著圖在OSIE數(shù)據(jù)集上的實驗結(jié)果。相對于RCNN算法， fasterRCNN算法使用了更深層次的網(wǎng)絡(luò)結(jié)構(gòu)和更多對象類別的訓(xùn)練樣本，具有較高的對象位置預(yù)測準(zhǔn)確率和對象檢出率。實驗分析可以看出，使用fasterRCNN算法生成對象級突出圖可以更好進(jìn)行顯著性預(yù)測。同時，人臉特征（FACE）的引入進(jìn)一步提升了預(yù)測準(zhǔn)確性，從一個側(cè)面說明了對象性信息對視覺注意的轉(zhuǎn)移具有引導(dǎo)作用。

圖7是多種視覺注意算法在OSIE數(shù)據(jù)集上的ROC曲線，可以看出本文方法實驗效果明顯好于其他算法。僅次于本文算法的是GBVS和Judd，Itti的準(zhǔn)確率較差。圖中對象級特征曲線為使用fasterRCNN結(jié)合人臉特征生成對象級突出圖獲得，由于該方法完全使用自頂向下的對象特征，顯著性預(yù)測準(zhǔn)確率明顯弱于其他方法，因而證明了引入像素級特征必要性。圖8為MIT數(shù)據(jù)集上的實驗結(jié)果，本文方法和Judd算法為最好的兩種方法，實驗結(jié)果相差不大。AIM和LG方法效果較差。本文方法和Judd方法均使用了對象特征，可以看出整合了對象特征的方法相對于完全自底向上模型有明顯優(yōu)勢。

圖9中給出了多種算法顯著圖的直觀對比。與其他方法強調(diào)對象邊緣不同，本文結(jié)合了對象信息的方法可以有效突出圖像中的完整對象區(qū)域。

5 結(jié)語

本文提出一種結(jié)合對象信息的視覺注意方法。與傳統(tǒng)的視覺注意整合對象方法相比，該方法利用卷積神經(jīng)網(wǎng)學(xué)到的對象特征，獲取圖像中對象位置等信息；然后通過一個線性回歸模型將同一幅圖像的多個對象加權(quán)整合，獲得對象級突出圖；最后，根據(jù)視覺注意的層次整合機制，將低層次特征和對象特征進(jìn)行融合形成最終的顯著圖。本文方法在不同數(shù)據(jù)集上的準(zhǔn)確率要高于現(xiàn)有模型。針對包含明顯對象的圖像，本文方法克服了部分現(xiàn)有模型由于邊緣強化效果導(dǎo)致的顯著區(qū)域預(yù)測不準(zhǔn)的問題。本文方法仍然存在一定局限性，未來的工作將嘗試非線性對象整合以及增大訓(xùn)練樣本數(shù)量和網(wǎng)絡(luò)規(guī)模以獲取更多種對象特征。

參考文獻(xiàn)：

第5篇：神經(jīng)網(wǎng)絡(luò)卷積層的作用范文

關(guān)鍵詞：人工智能；科技情報；自動感知

中圖分類號：TP18文獻(xiàn)標(biāo)志碼：A文章編號：2095-2945（2020）32-0057-02

Abstract：Fromtheperspectiveofartificialintelligence，peoplerequireasignificantimprovementintheaccuracyofscientificandtechnologicalinformationservices，sothatitsvaluecontinuestorise，bringingchallengesandopportunitiesforintelligencework.Bysummarizingthecontentsofartificialintelligenceandscientificandtechnologicalinformation，combinedwithartificialintelligencetechnology，thispaperstudiestheautomaticperceptionofscientificandtechnologicalinformationneedsconcerningthekeypoints，contentperceptionandotheraspects，highlightingthewisdom，intelligenceandefficiencyofscientificandtechnologicalinformationwork，andoptimizingtheautomaticperceptionscheme.

Keywords：artificialintelligence；scientificandtechnologicalinformation；automaticperception

前言

當(dāng)前科技情報服務(wù)對象不僅局限于特定的行業(yè)和領(lǐng)域，已經(jīng)逐漸滲透至某一技術(shù)和個人，情報機構(gòu)只有提升情報分析和反應(yīng)能力才可以滿足新需求。因此，機構(gòu)有必要加強對用戶需求的感知度，依托人工智能技術(shù)構(gòu)建科技情報的感知框架，提升感知工作的合理性和高效性，進(jìn)而挖掘科技情報感知領(lǐng)域的價值。

1人工智能及科技情報感知概述

1.1人工智能分析

人工智能又稱AI，伴隨著計算速度、核心算法的優(yōu)化，該技術(shù)已經(jīng)在神經(jīng)網(wǎng)絡(luò)、自然語言、機器學(xué)習(xí)等方面趨于成熟。當(dāng)前人工智能技術(shù)可以定制個性化任務(wù)，結(jié)合不同的環(huán)境響應(yīng)個體需求，制定解決方案[1]。因此，人工智能技術(shù)能夠快速處理海量數(shù)據(jù)，若人類智力水平已無法滿足嚴(yán)苛工作要求，可以借助人工智能技術(shù)處理復(fù)雜工作。同時，科技情報感知模塊屬于綜合預(yù)測過程，因此有必要結(jié)合人工智能技術(shù)制定科技情報感知方案，實現(xiàn)情報工作向智慧化、個性化、精準(zhǔn)化方向發(fā)展。

1.2情報感知分析

科技情報感知主要是工作人員針對采集到的數(shù)據(jù)完成處理、分析，進(jìn)而滿足受眾對于情報的需求，并對今后其發(fā)展過程進(jìn)行預(yù)測。學(xué)者劉記曾指出，依托科技情報感知工作可以為實現(xiàn)國家治理體系和治理能力現(xiàn)代化提供支持，加快情報刻畫、情報感知以及情報響應(yīng)能力的建設(shè)進(jìn)程。其中，情境感知的研究具有一定復(fù)雜度，G.Chen通過調(diào)查情境信息、情境類型、情境傳播等模型和系統(tǒng)，分析情境感知的應(yīng)用程序，得出情境感知是領(lǐng)域普適學(xué)習(xí)的關(guān)鍵。例如，借助情境感知可以為用戶提供體溫、運動路徑、溫度等方面的服務(wù)。

因此，科技情報感知工作對于我國情報治理、預(yù)先感知等方面影響較大，結(jié)合人工智能技術(shù)創(chuàng)新科技情報感知模塊已是大勢所趨。當(dāng)前大數(shù)據(jù)時代科技情報已經(jīng)不僅停留于文獻(xiàn)領(lǐng)域，正逐漸向多種數(shù)據(jù)源模式發(fā)展，要求科技情報軟硬件不斷升級優(yōu)化，數(shù)據(jù)存儲和處理水平逐漸升級，進(jìn)而滿足社會對情報數(shù)據(jù)的需求。

2人工智能視域下科技情報需求自動感知研究

2.1融合關(guān)鍵點

（1）創(chuàng)新驅(qū)動。當(dāng)前科技情報需求逐漸向科技創(chuàng)新領(lǐng)域發(fā)展，依托我國創(chuàng)新驅(qū)動的發(fā)展戰(zhàn)略，基于科學(xué)技術(shù)完成升級和發(fā)展。將科學(xué)技術(shù)和科技情報相結(jié)合后，情報工作的創(chuàng)新性較強，具有數(shù)字化和智慧化優(yōu)勢，并突出情報工作的個性化和精準(zhǔn)性。因此，依托人工智能技術(shù)完成科技情報的自動感知十分關(guān)鍵，是當(dāng)前科技發(fā)展的必經(jīng)之路。

（2）前瞻性定位。新時期資源的網(wǎng)絡(luò)化和數(shù)字化發(fā)展為科技情報研究工作提供大數(shù)據(jù)支持，可以在海量數(shù)據(jù)的收集、分析、處理方面發(fā)揮優(yōu)勢。傳統(tǒng)的數(shù)據(jù)研究方式很難在大量數(shù)據(jù)的基礎(chǔ)上提升情報研究質(zhì)量，同時會增加研究人員的任務(wù)量。且每位工作人員自身的專業(yè)知識、情報敏感度、知識狀態(tài)存在差異性，導(dǎo)致最終得出的情報結(jié)果不同甚至差異化較大。應(yīng)用人工智能技術(shù)完成科技情報的自動感知十分重要，可以突出工作的準(zhǔn)確性、高效性和穩(wěn)定性。因此，將新興人工智能技術(shù)和傳統(tǒng)情報服務(wù)工作相融合是現(xiàn)代情報領(lǐng)域的關(guān)鍵，如自動獲取和加工情報、高速處理文本信息、人工智能決策平臺、依托語義內(nèi)容的科研成果評價等[2]。

2.2內(nèi)容感知

（1）感知系統(tǒng)分析。大數(shù)據(jù)背景下，科技情報預(yù)測和傳播功能受到重視和應(yīng)用，屬于科技領(lǐng)域的研究熱點，可以對競爭、合作、研究方面進(jìn)行正確的價值判斷?？萍记閳蟾兄饕劳锌煽?、豐富的數(shù)據(jù)，借助“互聯(lián)網(wǎng)+大數(shù)據(jù)”模式獲取信息，在多種資料中得到關(guān)鍵的信息和數(shù)據(jù)，進(jìn)而完成科技情報的感知工作。同時，數(shù)據(jù)源具有冗余度高、形式多樣、存儲量大的優(yōu)勢，因此能夠落實科技情報感知工作，篩選數(shù)據(jù)源、除去冗余數(shù)據(jù)、分析剩余有效信息。借助數(shù)據(jù)集模式與知識儲備庫、感知數(shù)據(jù)庫一同為感知過程提供信息支持。內(nèi)容感知系統(tǒng)內(nèi)的數(shù)據(jù)源并非固定不變，且信息的更新速度較快、技術(shù)淘汰時間較短，因此內(nèi)容感知是實時更新、持續(xù)變化的數(shù)據(jù)系統(tǒng)?；谙嚓P(guān)輔助項目，幫助用戶了解工作內(nèi)容。例如，借助“科技情報產(chǎn)品報告”為感知系統(tǒng)研究和應(yīng)用提供支持，該報告可以幫助用戶了解系統(tǒng)，提前評估系統(tǒng)實際能力，便于用戶針對性提出情報需求。

（2）系統(tǒng)實現(xiàn)模式。a.數(shù)據(jù)源存儲。若想發(fā)揮科技情報的自動感知作用，系統(tǒng)內(nèi)需要具備大容量數(shù)據(jù)集合，進(jìn)而為感知產(chǎn)品提供分析支持。同時，數(shù)據(jù)處理過程中對于信息查詢、存儲挑戰(zhàn)較大。因此，本課題結(jié)合Neo4j數(shù)據(jù)庫、互聯(lián)網(wǎng)技術(shù)提升數(shù)據(jù)處理和存儲效率，提高系統(tǒng)適應(yīng)水平，保證其良好的查詢效率。Neo4j數(shù)據(jù)庫主要劃分為兩類應(yīng)用模式：服務(wù)器模式、內(nèi)嵌模式。本課題利用內(nèi)嵌模式，借助Java-API，將Neo4j數(shù)據(jù)庫和圖模型相互整合。由于API的特點是數(shù)據(jù)結(jié)構(gòu)靈活，因此可以通過直接編碼的模式和圖數(shù)據(jù)庫完成交互操作。b.數(shù)據(jù)源分類。若想對數(shù)據(jù)源完成自動分類，建議識別數(shù)據(jù)源的結(jié)構(gòu)功能。例如，利用機器學(xué)習(xí)、詞匯特征等方式劃分?jǐn)?shù)據(jù)源的功能及結(jié)構(gòu)。依托數(shù)據(jù)源要素、類型詞匯特點、詞匯分布特征等方面，依托神經(jīng)網(wǎng)絡(luò)內(nèi)分類器訓(xùn)練模式，圍繞領(lǐng)域技術(shù)、專題、情報報告、組織數(shù)據(jù)庫等方面對數(shù)據(jù)源進(jìn)行分類[3]。c.構(gòu)建任務(wù)抽取模型。結(jié)合用戶需求抽取目標(biāo)任務(wù)可以充分發(fā)揮科技情報的自動感知優(yōu)勢，優(yōu)化RNN模塊。在研究階段利用Bi-LSTM-CRF、卷積網(wǎng)絡(luò)模型抽取數(shù)據(jù)源，并借助長短時雙向記憶模型化解RNN梯度爆炸、消失情況。抽取模型內(nèi)的輸入數(shù)據(jù)是卷積，包含知識元素、句子、詞等特征向量，而輸出數(shù)據(jù)則依托（Conditionalrandomfield）條件隨機得到結(jié)果完成預(yù)測。此模型借助多元組的方式展示數(shù)據(jù)源抽取結(jié)果，圍繞數(shù)據(jù)源性質(zhì)、事項、主體、依據(jù)、對象等要素進(jìn)行連接。

2.3情境感知

（1）情境感知系統(tǒng)。情境感知系統(tǒng)內(nèi)部因素種類較多，且科技情報感知階段需要依據(jù)情境完成，并對感知結(jié)果造成影響。因此，在開展科技情報感知工作時，建議對特定用戶完成重新評估。同時，情境感知在情報感知工作中十分關(guān)鍵，若忽視結(jié)果會對外部情境產(chǎn)生較大影響，使預(yù)測工作喪失精準(zhǔn)度。因此，應(yīng)基于外部情境條件定位事物發(fā)展方向，得到精準(zhǔn)感知結(jié)果，發(fā)揮情報前瞻性優(yōu)勢。其中在獲取情境數(shù)據(jù)時應(yīng)關(guān)注“小數(shù)據(jù)”，即初始結(jié)構(gòu)化數(shù)據(jù)，此類資源雖數(shù)量較小，但是內(nèi)部包含價值信息，可以獲取歷史情境信息。此外，問題情境應(yīng)圍繞橫向和縱向兩個層面分析，橫向維度是梳理本層實際情況，針對性選擇研究方法和處理方式；縱向維度則依托時間節(jié)點理清情境信息。

（2）系統(tǒng)執(zhí)行方案。情境感知系統(tǒng)建設(shè)主要內(nèi)容是借助科技手段獲取某一情境內(nèi)的數(shù)據(jù)并完成融合。因此，情境感知技術(shù)實際上是借助人工智能中傳感器等技術(shù)，依托計算機感知當(dāng)前情境，完成感知應(yīng)用、智能識別、決策支持，具有無干擾的優(yōu)勢。情境感知包含情境獲取、處理、應(yīng)用三個階段。其中，情境獲取主要依靠傳感器終端獲取設(shè)備關(guān)聯(lián)、用戶關(guān)聯(lián)、資源關(guān)聯(lián)、環(huán)境關(guān)聯(lián)情境，并將上述情境信息轉(zhuǎn)變?yōu)閿?shù)字信號，利用嵌入系統(tǒng)完成判斷和處理；情境處理過程則借助建模的方式控制情境信息，構(gòu)建信息數(shù)據(jù)庫。整合情境感知信息并協(xié)調(diào)對應(yīng)的組合，控制資源分布并將其嵌入至感知數(shù)據(jù)庫內(nèi)；服務(wù)應(yīng)用階段相當(dāng)于人工智能處理模塊，可以結(jié)合用戶需求提供合理服務(wù)。

2.4需求-反饋機制

（1）工作過程。需求-反饋機制實際上可以體現(xiàn)用戶和人工智能間的關(guān)聯(lián)性，屬于科技情報感知的關(guān)鍵環(huán)節(jié)，包含自動感知信息、數(shù)據(jù)、產(chǎn)品模塊。依托人工智能技術(shù)，通過AI方式減輕工作人員任務(wù)量。其中，AI能夠智能化處理多領(lǐng)域工作，如醫(yī)療、教育、駕駛、金融、安防等。在科技情報感知領(lǐng)域引入人工智能技術(shù)可以準(zhǔn)確、高效、及時地開展情報工作，提升工作效率、減少決策偶然性、加快數(shù)據(jù)分析處理速度。同時，科技情報感知工作的主體是用戶，首先需要將其對產(chǎn)品的需求發(fā)送至AI處，其次借助人工智能模塊分析、整合內(nèi)外感知數(shù)據(jù)庫信息，最后向用戶反饋情報產(chǎn)品和相關(guān)結(jié)果。

（2）情報感知產(chǎn)品。情報感知產(chǎn)品主要結(jié)合用戶產(chǎn)品需求，依據(jù)感知數(shù)據(jù)庫內(nèi)的條件因素預(yù)測今后用戶對于情報產(chǎn)品的需求，進(jìn)而在后續(xù)工作中有針對性地向用戶推送產(chǎn)品信息，為科技情報工作的可持續(xù)發(fā)展提供支持。因此，人工智能和科技情報感知工作相結(jié)合可以充分發(fā)揮自動感知優(yōu)勢，降低對工作人員決策的依賴性。專業(yè)人員依據(jù)多種數(shù)據(jù)源進(jìn)行分析與評估，最終得出精準(zhǔn)的感知結(jié)果。同時，人工智能技術(shù)的應(yīng)用可以自動形成情報感知產(chǎn)品，并向用戶推送反饋數(shù)據(jù)，由主動感知向自動感知發(fā)展，契合新時期情報3.0的發(fā)展趨勢，加快國家科技決策和科技創(chuàng)新發(fā)展進(jìn)程。

第6篇：神經(jīng)網(wǎng)絡(luò)卷積層的作用范文

1 當(dāng)前電力行業(yè)熱工自動化技術(shù)的發(fā)展

隨著世界高科技的飛速發(fā)展和我國機組容量的快速提高，電廠熱工自動化技術(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；另一方面隨著廠級監(jiān)控和管理信息系統(tǒng)（SIS）、現(xiàn)場總線技術(shù)和基于現(xiàn)代控制理論的控制技術(shù)的應(yīng)用，給熱工自動化系統(tǒng)注入了新的活力。

1.1 DCS的應(yīng)用與發(fā)展

火電廠熱工自動化系統(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展。

1.1.1 DCS應(yīng)用范圍的迅速擴展

20世紀(jì)末，DCS在國內(nèi)燃煤機組上應(yīng)用時，其監(jiān)控功能覆蓋范圍還僅限D(zhuǎn)AS、MCS、FSSS和SCS四項。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，但實際上近幾年DCS的應(yīng)用范圍迅速擴展，除了一大批高參數(shù)、大容量、不同控制結(jié)構(gòu)的燃煤火電機組（如浙江玉環(huán)電廠1000MW機組）的各個控制子系統(tǒng)全面應(yīng)用外，脫硫系統(tǒng)、脫硝系統(tǒng)、空冷系統(tǒng)、大型循環(huán)流化床（CFB）鍋爐等新工藝上都成功應(yīng)用。可以說只要工藝上能夠?qū)崿F(xiàn)的系統(tǒng)，DCS都能實現(xiàn)對其進(jìn)行可靠控制。

1.1.2 單元機組控制系統(tǒng)一體化的崛起

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

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

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

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

隨著電子技術(shù)的發(fā)展，近年來DCS系統(tǒng)在結(jié)構(gòu)上發(fā)生變化。過去強調(diào)的是控制功能盡可能分散，由此帶來的是使用過多的控制器和接口間連接。但過多的控制器和接口間連接，不一定能提高系統(tǒng)運行可靠性，相反到有可能導(dǎo)致故障停機的概率增加。何況單元機組各個控制系統(tǒng)間的信號聯(lián)系千絲萬縷，互相牽連，一對控制器故障就可能導(dǎo)致機組停機，即使沒有直接導(dǎo)致停機，也會影響其它控制器因失去正確的信號而不能正常工作。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)系密切的多個控制系統(tǒng)和非常復(fù)雜的控制功能集中在一對控制器中，以及上述所說的單元機組采用一體化控制系統(tǒng)，正成為DCS應(yīng)用技術(shù)發(fā)展的新方向，這不但減少了故障環(huán)節(jié)，還因內(nèi)部信息交換方便和信息傳遞途徑的減少而提高了可靠性。

此外，隨著近幾年DCS應(yīng)用技術(shù)的發(fā)展，如采用通用化的硬件平臺，獨立的應(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功能的實現(xiàn)，一鍵啟動技術(shù)的成功應(yīng)用等，都為DCS增添了新的活力，功能進(jìn)一步提高，應(yīng)用范圍更加寬廣。

1.2 全廠輔控系統(tǒng)走向集中監(jiān)控

一個火電廠有10多個輔助車間，國內(nèi)過去通常都是由PLC和上位機構(gòu)成各自的網(wǎng)絡(luò)，在各車間控制室內(nèi)單獨控制，因此得配備大量的運行人員。為了提高外圍設(shè)備控制水平和勞動生產(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，目前各個輔助車間的控制已趨向適度集中，整合成一個輔控網(wǎng)（簡稱BOP 即Balance Of Plant的縮寫）方向發(fā)展，即將相互獨立的各個外圍輔助系統(tǒng)，利用計算機及網(wǎng)絡(luò)技術(shù)進(jìn)行集成，在全廠IT系統(tǒng)上進(jìn)行運行狀況監(jiān)控，實現(xiàn)外圍控制少人值班或無人值班。

近幾年新建工程迅速向這個方向發(fā)展。如國華浙能寧海電廠一期工程（4×600MW）燃煤機組BOP覆蓋了水、煤、灰等共13個輔助車間子系統(tǒng)的監(jiān)控，下設(shè)水、煤、灰三個監(jiān)控點，集中監(jiān)控點設(shè)在四機一控室里，打破了傳統(tǒng)的全廠輔助車間運行管理模式，不但比常規(guī)減員30%，還提升了全廠運行管理水平。整個輔控網(wǎng)的硬件和軟件的統(tǒng)一，減少了庫存?zhèn)淦穫浼叭粘９芾砭S護費用[1]。由于取消了多個就地控制室，使得基建費用和今后的維護費用都減少。一些老廠的輔助車間也在進(jìn)行BOP改造，其中浙江省第一家完成改造的是嘉興發(fā)電廠2×300MW機組，取得較好效果。

1.3 變頻技術(shù)的普及應(yīng)用與發(fā)展

變頻器作為控制系統(tǒng)的一個重要功率變換部件，以提供高性能變壓變頻可控的交流電源的特點，前些年在火電廠小型電機（如給粉機、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，動態(tài)響應(yīng)速度，低速轉(zhuǎn)動力矩，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)濟及社會效益上產(chǎn)生的顯著效應(yīng)，因此繼一些中小型電機上普遍應(yīng)用后，近年來交流變頻調(diào)速技術(shù)，擴展到一些高壓電機的控制上試用，如送、引風(fēng)機和給水泵電機轉(zhuǎn)速的控制等。

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

1.4 局部系統(tǒng)應(yīng)用現(xiàn)場總線

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

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

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

1.5 熱工控制優(yōu)化技術(shù)的應(yīng)用發(fā)展

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

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

圖1 機組汽溫控制原理示意圖

圖1中，用基于狀態(tài)空間算法的狀態(tài)觀測器解決汽溫這種大滯后對象的延遲造成的控制滯后，焓值變增益控制器解決蒸汽壓力的變化對溫度控制的影響，基于模型的Smith預(yù)估器對導(dǎo)前溫度的變化進(jìn)行提前控制；通過自學(xué)習(xí)功能塊實時補償減溫水閥門特性的變化；而對再熱汽溫控制，盡量以煙道擋板作為調(diào)節(jié)手段，不采用或少采用減溫水作為控制手段，以提高機組效率；在機組協(xié)調(diào)控制模塊中，采用非最小化形式描述的離散卷積和模型，提高系統(tǒng)的魯棒性；根據(jù)控制品質(zhì)的二次型性能指標(biāo)連續(xù)對預(yù)測輸出進(jìn)行優(yōu)化計算，實時對模型失配、時變和干擾等引起的不確定性因素進(jìn)行補償，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)荷率變化時的響應(yīng)時間為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)，動態(tài)基本控制在5℃以內(nèi)。

1.6 SIS系統(tǒng)的應(yīng)用發(fā)展

SIS系統(tǒng)是實現(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、實時信息共享的橋梁，其功能包括廠級實時數(shù)據(jù)采集與監(jiān)視，廠級性能計算與分析。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)電廠實際情況確定是否設(shè)置）[3]。自從國家電力公司電力規(guī)劃總院在2000年提出這一概念和規(guī)劃后，至今估計有200家多電廠建立了SIS系統(tǒng)，可謂發(fā)展相當(dāng)迅速。

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

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

2 電力行業(yè)熱工自動化系統(tǒng)的未來發(fā)展動向及前景

隨著國家法律對環(huán)保日益嚴(yán)格的要求和計算機網(wǎng)絡(luò)技術(shù)的進(jìn)步，未來熱工系統(tǒng)將圍繞 “節(jié)能增效，可持續(xù)發(fā)展”的主題，向智能化、網(wǎng)絡(luò)化、透明化，保護、控制、測量和數(shù)據(jù)通信一體化發(fā)展，新的測量控制原理和方法不斷得以應(yīng)用，將使機組的運行操作和故障處理，象操作普通計算機一樣方便。

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

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

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

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

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

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

2.2 過程控制優(yōu)化軟件將得到進(jìn)一步應(yīng)用

進(jìn)一步提高模擬量控制系統(tǒng)的調(diào)節(jié)范圍和品質(zhì)指標(biāo)，是火電廠熱工自動化控制技術(shù)研究的一個方向。雖然目前有關(guān)自適應(yīng)、狀態(tài)預(yù)測、模糊控制及人工神經(jīng)網(wǎng)絡(luò)等技術(shù)，在電廠控制系統(tǒng)優(yōu)化應(yīng)用的報道有不少，但據(jù)筆者了解真正運行效果好的不多。隨著電力行業(yè)競爭的加劇，安全、經(jīng)濟效益方面取得明顯效果、通用性強、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、）將會在電廠得到親睞、進(jìn)一步發(fā)展與應(yīng)用。

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

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

2.3 現(xiàn)場總線與DCS相互依存發(fā)展

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

2.3.1 現(xiàn)場總線與DCS的關(guān)系

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

2.3.2 現(xiàn)場總線與PLC的關(guān)系

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

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

2.4 輔助車間（系統(tǒng)）集控將得到全面推廣

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

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

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

（3）各個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，其操作員站的人機界面很有可能不一致。因此選型時應(yīng)注意上位機軟件，設(shè)計統(tǒng)一的人機界面，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)能否實現(xiàn)設(shè)計目標(biāo)，除了自身的技術(shù)以外，很大程度上取決于輔助系統(tǒng)本身的自動投入情況。因此高可靠性的執(zhí)行機構(gòu)、動作靈活可靠的限位開關(guān)、智能化的變送器將會得到應(yīng)用；

2.5 單元機組監(jiān)控系統(tǒng)的物理配置趨向集中布置

過去一個集控室的概念，通常為一臺單元機組獨用或為二臺機組合用，電子室分成若干個小型的電子設(shè)備間，分別布置在鍋爐、汽輪機房或其它主設(shè)備附近。其優(yōu)點是節(jié)省了電纜。但隨著機組容量的提高、計算機技術(shù)的發(fā)展和管理水平的深化，近幾年集控室的概念擴大，出現(xiàn)了全廠單元機組集中于一個控制室，單元機組的電子設(shè)備間集中，現(xiàn)場一般的監(jiān)視信號大量采用遠(yuǎn)程I/O柜的配置方式趨勢，如浙江省國華浙能寧海發(fā)電廠（獲國家金獎），一期工程四臺機組一個控制室集中監(jiān)控，單元機組電子室集中，提高了機組運行管理水平。

2.6 APS技術(shù)應(yīng)用

APS是機組級順序控制系統(tǒng)的代名詞。在機組啟動中，僅需按下一個啟動控制鍵，整個機組就將按照設(shè)計的先后順序、規(guī)定的時間和各控制子系統(tǒng)的工作情況，自動啟停過程中的相關(guān)設(shè)備，協(xié)調(diào)機爐電各系統(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，自動地完成整臺機組的啟停。但由于設(shè)備自身的可控性和可用率不滿足自動化要求，加上一些工藝和技術(shù)上還存在問題，需要深入地分析研究和改進(jìn)，所以目前燃煤機組實施APS系統(tǒng)的還不多見。

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

2.7 無線測量技術(shù)應(yīng)用

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

2.8 提高熱工自動化系統(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、保護信號的取信方式和配置、保護連鎖信號的定值和延遲時間設(shè)置，以及熱控人員的檢修和維護水平方面，都還存在一些不足之處，由此使得熱控保護系統(tǒng)誤動作引起機組跳閘事件還時有發(fā)生。在電力生產(chǎn)企業(yè)面臨安全考核風(fēng)險增加和市場競爭加劇的環(huán)境下，本著電力生產(chǎn)“安全第一，預(yù)防為主”的方針，以及效益優(yōu)先原則，從提高熱工自動化系統(tǒng)的可靠性著手，深入開展技術(shù)研究，是熱工自動化系統(tǒng)近期的一項急需進(jìn)行的工作。提高熱工自動化系統(tǒng)的可靠性技術(shù)研究工作，包括控制軟硬件的合理配置，采集信號的可靠性、干擾信號的抑制，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，將會采用安全型控制器、安全型PLC系統(tǒng)或者它們的整合，保護采集信號將會更多的采用三選二判斷邏輯。獨立的測量裝置需要設(shè)計干擾信號抑制功能。此外基建機組一味以最低價中標(biāo)的招標(biāo)模式也應(yīng)得到扭轉(zhuǎn)（最低價中標(biāo)，迫使廠商通過減少配置來降低投標(biāo)價，導(dǎo)致控制系統(tǒng)可靠性下降）。

2.9 火電廠機組檢修運行維護方式將改變

隨著電力市場的競爭，發(fā)電企業(yè)將趨向集約化經(jīng)營和管理結(jié)構(gòu)扁平化，為提高經(jīng)濟效益，發(fā)電企業(yè)在多發(fā)電，以提高機組利用小時的同時，將會通過減少生產(chǎn)人員的配備，密切與外包檢修企業(yè)之間的聯(lián)系，讓專業(yè)檢修隊伍取替本廠檢修隊伍的方式來提高勞動生產(chǎn)率。因此檢修維修工作社會化將是一種趨勢。此外DCS的一體化及其向各功能領(lǐng)域滲透，提高電廠整體協(xié)調(diào)和信息化、自動化水平的同時，也將會使電廠原專業(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，因此檢修維護方式也將因此而改變，比如讓生產(chǎn)廠家和公司承擔(dān)DCS和相關(guān)設(shè)備的檢修工作。

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