智能检测技术PPT文件格式下载.ppt

智能检测技术PPT文件格式下载.ppt

《智能检测技术PPT文件格式下载.ppt》由会员分享，可在线阅读，更多相关《智能检测技术PPT文件格式下载.ppt（56页珍藏版）》请在冰豆网上搜索。

用心：

要会思考，在做每一件事情的时候都要学会问一个为什么。

这样才能加深理解、举一反三。

追本溯源才是学习的真谛。

开心：

要学会享受生活。

我们除了工作学习，还有家人朋友，还要享受爱情亲情友情，享受自然美景，享受文化艺术，享受一切。

4天意：

要抓住机遇。

这里的天，不是上帝，不是佛祖，是你自己。

天上不会掉馅饼的（给你），但是，你得备着个盘子，等天上掉馅饼的时候，你可以接得住。

这个盘子就是你自己的知识、能力、阅历，还有你愿意改变的勇气。

人意：

要学会自己做抉择。

经商创业、豪宅名车、帅哥美女、埋头科研、出国深造？

哪一个适合你？

抉择往往是困难的。

选择一条适合自己的道路，听取他人的建议但不盲从。

坚持自己，相信自己。

51、绪论一、传统检测技术及特点敏感元件敏感元件信号放大与变换信号放大与变换显示装置显示装置被测参数被测参数用敏感元件将被测参数转换成易于观测的信息量，通过用敏感元件将被测参数转换成易于观测的信息量，通过显示装置给出被测参数的具体的信息显示装置给出被测参数的具体的信息。

特点。

特点1、敏感元件与被测参数、敏感元件与被测参数“一一对应一一对应”：

被测参数就是待：

被测参数就是待测参数；

敏感元件的输出与被测参数之间有确定的函数关系；

测参数；

测量结果主要取决于敏感元件。

2、敏感元件不能满足新的测量要求、敏感元件不能满足新的测量要求我们该怎样做？

6二、智能检测技术将人工智能的技术和方法应用于参数的检测一定要有敏感元件一定应用了人工智能技术敏感元件1x1敏感元件2x2敏感元件nxn（推理推理）（知识库知识库）智能体智能体y1y2ym7二、智能检测技术各种的推理技术各种的推理技术专家系统专家系统故障诊断故障诊断人工神经元网络算法人工神经元网络算法遗传算法遗传算法模糊集合理论模糊集合理论多信息融合技术（多传感器，虚拟多传感多信息融合技术（多传感器，虚拟多传感器信息融合）器信息融合）8二、智能检测技术应用：

1、难测参数（现有传感器测量误差大；

无合适的传感器）2、重要的设备和对象92、人工智能一般原理一、人工智能的发展2、人工智能一般原理二、人工智能系统的组成输入输入/输出输出知识表示知识表示知识库知识库知识求解、推理知识求解、推理智能体11三、状态空间法与图搜索法状态空间法是基于解答空间的问题表示和求解方法。

（寻找最佳路径）用状态空间图表示，节点代表状态，弧线代表状态空间的关系操作符12举例（重排九宫）280314657281304657284310657208314657286314057左移上移下移右移节点初始节点弧线子节点120384657目标节点13图搜索方法

（1）广度优先搜索法

（2）深度优先搜索（3）启发式搜索1415

（1）广度优先搜索法特点特点逐行搜索，先进先出；

总可以找到目标节点；

搜索效率低16广度优先搜索算法启动启动S0放入放入OPEN表表OPEN表表=空空？

取取OPEN表中最前面的节点表中最前面的节点N放入放入CLOSED表，冠以序号表，冠以序号n节点节点N=Sg?

N可扩展可扩展？

扩展扩展N，将其子节点依次放入，将其子节点依次放入OPEN表末尾，冠以指向表末尾，冠以指向N的返回指针的返回指针成功成功失败失败YYYNNN1718

（2）深度优先搜索特点：

特点：

晚生成的节点优先扩展不一定能找到目标节点搜索效率高19（3）启发式搜索对OPEN表各节点进行评价，择优扩展评价函数：

E（x）=d（x）+h（x）mind（x）已花的代价h（x）到目标节点所需的代价2021（4）代价图345634例如：

推销员旅行22四、谓词逻辑与逻辑推理

（1）原子公式由谓词符号和若干个项组成的谓词公式。

是谓词逻辑的最小单位RED（flower）INDOOR（robot,room1）GREATER（x,3）23

（2）合适公式由多个原子公式应用连词构成的复合谓词公式合取（），“与”原子公式1原子公式2析取（V），“或”原子公式1V原子公式2非（），“否”原子公式蕴涵（），“条件结论”原子公式1原子公式2等价（）24（3）量词全称量词（）“所有”（）INDOOR（x,room1）存在量词（）“有”（）INDOOR（x,room1）25（4）合适公式的性质26（5）逻辑推理（归结原理）文字：

一个原子或原子公式的否定子句：

有文字的析取组成的公式PVQTPVRTQVRT消解原理27举例喜欢三国演义者必读水浒；

若某书与儒林外史同类，则一定不与水浒同类；

没有人喜欢的书不会和三国演义同类；

俞平伯只读与红楼梦同类的书。

求证：

如果红楼梦与儒林外史同类，则俞平伯一定不喜欢三国演义。

LIKE（x，三国演义）READ（x，水浒）SAMESORT（y，儒林外史）SAMESORT（y，水浒）LIKE（x，y）SAMESORT（y，三国演义）READ（俞平伯，y）SAMESORT（y，红楼梦）求证：

SAMESORT（红楼梦，儒林外史）LIKE（俞平伯，三国演义）28LIKE（x，三国演义）READ（x，水浒）SAMESORT（y，儒林外史）SAMESORT（y，水浒）LIKE（x，y）SAMESORT（y，三国演义）READ（俞平伯，y）SAMESORT（y，红楼梦）求证：

SAMESORT（红楼梦，儒林外史）LIKE（俞平伯，三国演义）子句：

LIKE（x，三国演义）VREAD（x，水浒）子句：

SAMESORT（y，儒林外史）VSAMESORT（y，水浒）子句：

LIKE（x，y）VSAMESORT（y，三国演义）子句：

READ（俞平伯，y）VSAMESORT（y，红楼梦）对求证的取否SAMESORT（红楼梦，儒林外史）LIKE（俞平伯，三国演义）子句：

SAMESORT（红楼梦，儒林外史）；

LIKE（俞平伯，三国演义）29*Measurementofgas-liquidtwo-phaseflowComplicatedflowsystemParameterstobemeasured:

Singlephaseflowrate;

Totalflowrate;

Phasefraction;

FlowpatternBubbleflowSlugflowAnnularflowWaveflowFlowpatternsingas-liquidtwo-phaseflowsStratifiedflow3、基于神经网络的检测

（1）生物神经元模型生物神经元模型细胞体细胞体轴突轴突突触突触树突树突细胞体细胞体轴突轴突突触突触树突树突当神经元所有输入的总效应达到阈值电平时，才产生电脉冲通过轴突输出当神经元所有输入的总效应达到阈值电平时，才产生电脉冲通过轴突输出31

（2）人工神经元模型为激激发函数函数n-110x0x1Xn-1fy人工神经元模型320vf（v）10vf（v）1-1（a）阶跃函数）阶跃函数（b）符号函数）符号函数0vf（v）1-11-10vf（v）1（c）分段函数）分段函数（d）Sigmoid函数函数为激激发函数函数33（3）人工神经网络x0x1Xn-1ijjtO1O2Ol34（4）基于反向传播网络的学习（BP算法）神经网络比较计算R希望输出输出输入神经网络学习系统35求其中，其中，36（5）多样本BP训练算法增量型学习算法1）取）取，Emax；

选取；

选取R各初值各初值2）P1=1，E=03）由）由XP1、R求求OP14）计算）计算及及5）求）求R（与单样本一样计算），并（与单样本一样计算），并R=R+R6）若）若P1P，P1=P1+1，转，转3）否则转否则转7）7）若）若EEmax，训练结束，训练结束否则转否则转2）37（5）多样本BP训练算法累积型学习算法11）取）取，EmaxEmax；

选取RR各初值各初值22）P1=1P1=1，E=0E=033）由）由XXP1P1、RR求求OOP1P144）计算）计算及及55）若）若P1PP1P，P1=P1+1P1=P1+1，转，转33）否则转否则转66）66）若）若EEmaxEEmax，训练结束，训练结束，否则转否则转77）77）求）求RR，并，并R=R+R=R+RR，转，转22）38累积型学习算法中R的求取对于每一个样本对于每一个样本XP1，计算，计算进一步求得进一步求得39单个样本：

（6）径向基函数（RBF）神经网络X为输入向量为输入向量第第j个基函数的中心；

个基函数的中心；

中心宽度中心宽度40（RBF）神经网络的学习学习率学习率，动量因子动量因子41（7）神经网络的设计11、网络结构的选择、网络结构的选择22、输入输出节点数的确定、输入输出节点数的确定33、中间层层数及节点数的选择、中间层层数及节点数的选择44、各参数的初始值的确定、各参数的初始值的确定55、学习率的确定、学习率的确定66、样本数的确定、样本数的确定77、神经网络的不断训练、神经网络的不断训练42*predictthetemperatureofthe12thlayerTemperaturepredictioninchemicalreactiontowerStructureofCarbonationTowerTailgasPre-carbonatedammoniacalbrineCarbonatedammoniacalbrineChilledwaterChilledwaterCoolingwaterCoolingwaterCalcininggasIICalcininggasI*TemperaturepredictioninchemicalreactiontowerInputvariables:

flowrateofcarbonatedammoniacalbrine;

flowrateofpre-carbonatedammoniacalbrine;

flowrateofcalcininggasI;

flowrateofcalcininggasII;

temperatureof5thlayer;

temperatureof7thlayer;

temperatureof17thlayer;

temperatureof23thlayerthequantityofheatremovedbythecoolingwaterandchilledwaterPretreatmentoftheinputvariablesTDNNTransformTDNNoutputtomodeloutputThestructureofpredictionmodel*69.5Time（min）ComparisonbetweenthemodeloutputandactualtemperaturebasedonTDNNmodel010020030040050060070080090066.56767.56868.569ActualModelOutputTemperature（）067.56868.56969.5ActualModelOutputTime（min）Temperature（）Comparisonbetweent