前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇模糊算法基本原理范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

模糊算法基本原理范文第1篇

關鍵詞：故障診斷；遺傳算法；神經網絡；小波分析

引言

遺傳算法GA（GeneticAlgorithms）模擬了達爾文的“適者生存，優勝劣汰”的自然進化論與孟德爾的遺傳變異理論是由Michigan大學Holland教授1975年在他的專著AdaptationinNaturalandArtificial首次提出。其基本流程如圖1。遺傳算法（GA）與傳統算法有很多不同之處，主要體現在GA適應性強，其使用的算子是隨機的，如交叉、變異和繁殖等算子不受確定性規則的控制。但這種搜索也不是盲目的，而是向全局最優解方向前進。直接使用適值函數進行適值計算，而不需要求優化函數的導數，使一些不可求導的優化函數也可用GA優化；GA具有較強的魯棒性，它能同時搜索解空間的多個點，從而使之收斂于全局最優解，而不至于陷入局部最優解；另外它還具有智能性和并行性，利用遺傳算法的方法，可以解決那些結構尚無人能理解的復雜問題。它已廣泛應用于函數優化、組合優化、模式識別和信號處理等領域，在處理復雜優化問題時遺傳算法顯示了巨大潛力，在實際工程應用中取得了巨大成功。由于上述特點，建立合理的模型，可以將GA用于設備的狀態監測和故障診斷之中。本文把近年來的有關GA用于故障診斷的文獻進行分析、歸納，總結出GA在故障診斷中的具體應用。

GA用于故障診斷從目前來看，有直接應用于故障診斷之中，主要用于提取特征向量，為診斷的后續處理作準備。有和其他的診斷方法相結合，研究得較多。

一、利用遺傳算法提取、優化特征參數

機械故障診斷是一個典型的模式分類問題。在診斷實踐中，由于診斷對象的復雜性，故障特征和故障類別的對應關系不甚明了，人們提出了大量的原始特征以進行故障識別。但由于特征向量之間存在一定的關聯性，且特征向量對不同故障的敏感程度不同，這對設備診斷的效率和準確率有重要的影響。要對這些特征向量進行優化，使它們能夠適應實際需要。

史東鋒等對回轉機械故障診斷中3類由同步振動引起的故障來分析，應用遺傳算法，染色體采用二進制編碼方式，以樣本類內、類間的距離判據為適應值函數，進行特征選擇，高效地剔除原始特征集的冗余特性，提高故障的識別精度。而用常規方法對得到的23個特征量進行分類，由于起高度的冗余性，很難取得理想的分類效果。

二、遺傳算法與人工神經網絡（ANN）的結合應用

人工神經網絡以其強有力的學習和并行處理能力為故障診斷提供了全新的理論方法和實現手段。神經網絡通過對經驗樣本的學習，將知識以權值和閾值的形式存儲在網絡中。網絡的輸入是被診斷對象的征兆即特征值，輸出則表示發生故障的可能性。神經網絡是以神經元為信息處理的基本單元，以神經元間的連接弧為信息通道，多個神經元聯結而成的網絡結構。神經網絡以其獨特的聯想、記憶和學習功能在機械設備故障診斷領域受到廣泛關注，其中研究較多的是BP神經網絡及其改進算法。

三、遺傳算法與模糊集理論的結合應用

模糊集理論是一種新的數據分析和處理方法，使用模糊集理論可以對決策表進行簡化，去除冗余屬性。故障模糊診斷的基本原理是利用模糊變換的原理、最大隸屬度和閾值原則，根據各故障的原因與征兆之間不同程度的因果關系，在綜合考慮所有征兆基礎上來診斷旋轉機械振動故障的可能原因。將模糊集理論應用到解決旋轉機械故障診斷問題時，要計算旋轉機械振動故障數據庫中的頻域征兆，使用模糊集理論對其進行約簡，根據約簡的結果生成規則。利用得到的規則對故障樣例進行診斷。

四、遺傳算法與小波理論的結合應用

小波變換作為新的信號處理手段，具有傳統傅立葉變換和加窗傅立葉變換無法比擬的優點。其特點是實現了對信號的多分辨率分析，便于對信號的總體和局部進行刻劃；且能將信號準確還原。利用它對信號的分解和重構特性，可有針對性地選取有關頻帶的信息和剔除、降低噪聲干擾，這對于機械故障診斷具有很大的實際意義。

模糊算法基本原理范文第2篇

【關鍵詞】圖像噪聲 濾波 FPGA

【中圖分類號】TN713 【文獻標識碼】A 【文章編號】1009-9646(2008)08-0190-02

1 改進非線性濾波算法的提出

在噪聲的數字信號處理中,主要研究的是高斯噪聲和椒鹽噪聲對圖像信號的污染的改善。圖像預處理的目的是改善圖像數據,抑制不需要的變形或者增強某些對于后續處理重要的圖像特征。目前最常用的圖像去噪濾波器是線性濾波器和非線性濾波器。

線性濾波器是域平均法也稱均值濾波法,其算法是在像數據的窗口內的中間位置的值用窗口內所有像素數據的平均值取代。線性濾波器對高斯噪聲具有良好的濾出作用,然而,當信號頻譜與噪聲頻譜混疊時或者當信號中含有非疊加性噪聲時,線性濾波器的處理結果就很難令人滿意。而且均值算法會破壞圖像邊緣,模糊圖像細節。不利于特征識別,而且也不能有效濾出椒鹽噪聲[1]。

中值濾波器是基于次序統計完成信號恢復得一種典型的非線性濾波器,是一種減少邊緣模糊的非線性平滑方法,其基本原理是把數字圖像或數字序列中心位置的值用該點鄰域的中值替代[2]。中值濾波算法的特點是在去除噪音的同時,可以比較好地保留邊的銳度和圖像的細節在有序的一系列表中,中值是指位于中心的值。鄰域中亮度的中值不受個別噪聲毛刺的影響,因此中值平滑相當好地消除了沖激噪聲[3]。

根據對各種噪聲濾出的算法和效果的分析,設計了一種改進的中值濾波器進行濾波,它是一種鄰域運算,類似域卷積,但不是加權求和,其基本原理是把計算窗口中包含中間像素點的左上角、右上角、左下角和右下角的四個子鄰域的均值,選擇最大值作為輸出像素值,這樣既能濾出椒鹽噪聲,又可以濾出高斯噪聲,同時也能最大限度地保持圖像地細節。并且也很方便地利用FPGA實現。

其算法表達式為:

最后取最大的作為輸出像素值,即

(5)

式中:g(x,y),f(x,y)為像素灰度值。

2 FPGA實現方法

設計采用的是3×3模板處理圖像為128×128×8像素的灰度圖像。總體設計方案如圖1所示[4]。

由圖1可知,整個系統設計分為3大模塊:3×3模板生成模塊、中值濾波模塊和行列計數器模塊。D(7:0)為灰度圖像數據輸入端。整個系統有統一的時鐘信號clk和復位信號RST;DOUT(7:0)為圖像數據輸出端;DV為輸出數據有效標志。下面分別介紹各模塊功能和設計方法。

2.1 3X3模板生成模塊

該模塊原理框圖如圖2所示。

圖中r代表移位寄存器;FTFO代表先進先出存儲器。圖像數據以時鐘節拍從數據輸入端依次輸入。F1F0用來存儲一行的數據。以便使w11.w12…w33存放的正好是3×3模板所對應的圖像數據,如表1所示。當數據流不斷從數據輸入端輸入時,3×3模板對應的圖像數據不斷地跟著變化,這就可以對一幀圖像的所有像素都進行3×3模板處理[5]。

2.2 中值濾波模塊

該模塊部分原理框圖如圖3所示。

改進的中值濾波模塊其基本原理是對3×3模板中的左上、左下、右上、右下四個子領域的2×2窗口的數據取均值r11、r12、r21、r22進行排序。最后取排序中最大值作為中心像素點的數值輸出。

2.3 行列計數器模塊

該模塊結構如圖4所示,圖中:RSTN為復位端直接與全局復位信號Rs相連;EN為使能端;ClK為時鐘輸入端;rowpos為圖像行位置標志;colpos為圖像列位置標志。該模塊比較簡單只是起到計數功能,用來確定數據在圖像陣列中的位置。通過該模塊可以確定一幅圖像是否到達邊緣,或者傳輸完畢。

圖4行列計數模塊結構圖

計數部分VHDL源代碼如下:

architecture rc_counter of rc_counter is

begin

process( RSTn,Clk,En)

variable Co1Pos_var: intener:=0;

variable RowPos_var: intener:=0;

begin

if RSTn=’0'then

Co1Pos_var:=1;

Co1Pos

Row Pos_var:=0;

Row Pos

elsif rising_edge( Clk) then

if En=’1'then

Co1Pos_var:=Co1Pos_var+ 1;

if Co1Pos_var=num_cols then

Row Pos_var:=RowPos_var+1

Co1Pos_var:=0:

if RowPos_var=num_rows then

RowPos_var:=0:

end if:

end if:

Co1Pos

Row Pos

end if:

end if:

end process;

end re_counter;

設計中還要處理發生在圖像的左邊緣、右邊緣、上邊緣和下邊緣的錯誤[6]。因為在邊緣處無法用3×3模板覆蓋住這個圖像。亦即也要覆蓋圖像外部一部分。這樣就無法使用上面的中值濾波模塊。把邊緣像素的結果簡單地設成“0”。若是圖像的邊緣,則把“0”通過中值濾波模塊。不加處理直接賦到DOUT輸出端;否則,調用中值濾波模塊。對輸入圖像數據進行中值濾波處理。

3 仿真結果分析

經過系統濾波后產生的圖像和MATLAB仿真圖像的對比如圖5所示。其中:(a)沒有噪聲的原始圖像;(b)高斯噪聲和椒鹽噪聲污染的圖像;(c)MATLAB的中值濾波函數后產生的輸出圖像。圖(d)改進算法中值濾波的MATLAB仿真圖像。通過比較,該濾波系統的濾波效果較傳統中值濾波效果有明顯改善,既有效濾出燥聲又最大限度保留邊緣細節。

(a)原始圖像(b)高斯和椒鹽干擾

(c)guss&pepper中值濾波 (d)改進算法中值濾波

圖5圖像對比

經測試,該中值濾波器能達到的最大時鐘頻率為63.959MHz。這意味著處理一幀128 ×128像素的灰度圖像只需約0.26ms。另外本系統只占用了EPM7128芯片中5980個slice,約占15％。

參考文獻

[1] 馬義德,張祥光.非線性濾波除噪技術綜述.蘭州大學學報,2005(2).

[2] 劉先鋒,沈勝宏.邊緣保留的圖像噪聲濾除方法.電子技術應用,2000(11).

[3] Cattlemen K.R,數字圖像處理.電子工業出版社.1998.

[4] 李雷鳴,張春煥.一種基于FPGA的圖像中值濾波器的硬件實現.電子工程師,2004(2).

[5] 陳鎮.中值濾波器的FPGA實現方案.紅外.第10期.

[6] 用FPGA實現嵌入式視頻圖像信號實時采集.試驗科學與技術.2005,6(2).

模糊算法基本原理范文第3篇

【關鍵詞】模糊控制 氯乙烯精餾 兩變量

1氯乙烯精餾工藝

裂解后生成的產物粗氯乙烯中含有大量雜質，雜質中有未參加反應的C2H2、HCL、有原料氣帶來的氣體H2、N2、O2、H20等，還有尚有少量的各種飽和或不飽和的一氯或多氯衍生物，如二氯乙烷、二氯乙烯、三氯乙烷等。產物中雜質主要由精餾裝置來脫除的，其中輕組分雜質采用低沸塔除去，重組分雜質用高沸塔除去。氯乙烯的提純主要操作就是精餾，在精餾整個過程中需要的設備包含氯化氫塔、低沸點塔、高沸點塔、氯化氫干燥器等設備，設備多。

氯乙烯精餾工藝中，生產工藝過程流程很長，反應機理復雜， 它具有復雜化工反應過程一系列的典型特性。而精餾塔又是個多輸入多輸出的對象，變量多，參數之間相互影響，關聯嚴重。

2模糊控制理論

模糊控制屬于智能控制。它是建立在人工經驗基礎之上。一些常規控制方法難以實現的復雜控制，熟練的操作人員往往憑借豐富的實踐經驗，很好的進行復雜控制，并取得滿意的控制結果。模糊控制算法就是借助模糊數學把操作人員的的實踐經驗進行定量化，得到控制規則，從而形成一種智能控制理論。

1、模糊控制系統

模糊控制系統是以模糊集理論、模糊語言變量和模糊邏輯推理為基礎的一種智能控制系統，它從行為上模仿人的思維方法和決策過程。模糊控制的基本原理如圖1所示。

將輸入的精確量偏差e和偏差變化率e進行模糊化，得到模糊化量E和CE，然后對模糊化量進行近似推理決策，得到模糊控制輸出u，輸出控制量u傳給現場的執行機構，執行機構根據控制量的大小去執行控制動作，實現對被控過程的控制。

2、模糊控制器的組成

模糊控制器主要由模糊化接口、推理機和解模糊接口三部分和知識庫（含數據庫和規則庫）構成的，模糊控制器的組成框圖如圖2所示。

3、模糊控制器的設計

（1）定義輸入輸出變量

模糊控制器設計的首要工作就是確定控制器的輸入輸出變量。

（2）定義所有控制變量的模糊化條件

根據受控系統的實際情況，對輸入變量的測量范圍和輸出變量的控制作用范圍，以確定誤差e、誤差變化ec及控制量u的模糊集和論域。然后對模糊變量賦值，確定其對應的隸屬函數，即確定論域內元素對模糊變量的隸屬度。其中，誤差e、誤差變化ec及控制量u的模糊集及其論域定義如下：

（3）設計控制規則庫，建立模糊控制表

把專家和操作工的經驗用語言表達出來，形成模糊控制規則語句，描述眾多被控過程的模糊模型，最終建立模糊控制表。

3氯乙烯精餾工藝中模糊控制算法設計

對于氯乙烯精餾生產過程，經常研究的被控對象的數學模型是簡化的數學模型，是做了一些簡化假設，所以并不能很準確的表示被控對象的數學模型，因此可以根據系統的模糊關系，利用模糊條件寫出控制規則，設計出理想的控制系統。

針對氯乙烯精餾過程，設計氯乙烯精餾中低沸塔塔溫和塔釜液位兩變量模糊控制系統。其原理如圖3所示。其中，模糊控制是依據回路的偏差e1、e2和偏差變化量Δe1、Δe2，經過模糊運算得到控制信號u1、u2，送給低沸塔被控對象，引起被控變量y1、y2變化。經過低沸塔被控對象運行之后，得到的輸出值y1、y2再分別與被控變量的設定值比較。

模糊補償算法實現的是對被控對象的控制信號的補償，可以實現解耦控制，可以有效克服滯后，改善控制系統的品質，控制效果要比PID控制要好，但是，單純的模糊控制算法解耦效果并不是很好，而且控制結構復雜，參數整定麻煩。

參考文獻：

[1]鄭石子.聚氯乙烯生產與操作[M].北京：化學工業出版社. 2007

模糊算法基本原理范文第4篇

關鍵詞：刑事模糊圖像 Retinex算法 增強

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2012）11-0133-01

數字圖像技術的發展給刑事科學技術工作帶來了極大的方便，刑事圖像技術也由傳統的刑事照相技術發展為成熟的數字刑事圖像技術。新時期的刑事圖像技術學致力于刑事科學技術的光學成像研究和刑事圖像處理研究，模糊圖像的處理是刑事圖像處理工作中極具挑戰性的難題。

1、刑事模糊圖像形成因素

模糊圖像處理是對由于介質、客觀環境等因素造成的模糊圖像和退化圖像進行校正處理，使其清晰化，以利于圖像研判。刑事圖像的模糊有多種因素造成：一是非正確曝光退化，如非線性退化等；二是離（散）焦模糊，對焦不實使物體不能清晰的成像于焦平面上；三是運動模糊，運動模糊是指在曝光瞬間，照相機與被攝物體間有相對運動；四是噪聲干擾致使圖像模糊不清；五是監控視頻模糊，如安裝位置不合適、光線太暗或太亮、目標運動過快、攝像鏡頭對焦不實等，往往使影響資料變得模糊不清。

2、Retinex算法原理及應用特性

2.1　Retinex理論概述

Retinex（視網膜“Retina”和大腦皮層“Cortex”的縮寫）理論是一種建立在科學實驗和科學分析基礎上的基于人類視覺系統（Human　Visual　System）的圖像增強理論。該算法的基本原理模型最早是由Edwin　Land（埃德溫·蘭德）于19世紀70年代提出的一種被稱為具有顏色恒常性的色彩理論，并在顏色恒常性的基礎上提出的一種基于此理論的圖像增強方法。Retinex　理論的基本內容包括物體的顏色是由物體對長波（紅）、中波（綠）和短波（藍）光線的反射能力決定的，而不是由反射光強度的絕對值決定的；物體的色彩具有一致性，不受光照非均性的影響，即Retinex　理論是以色感一致性（顏色恒常性）為基礎的。鑒于Retinex原理，對于觀察圖像S中的每個點（x，y），用公式可以表示為：

S（x，y）=R（x，y）.L（x，y）

其中，S（x，y）為所觀察的圖像，R（x，y）是反射物體圖像，L（x，y）為入射光圖像。

2.2　Retinex算法的應用特點

Retinex理論的基本思想就是將原始圖像看成是由照射圖像和物體反射屬性組成，照射光圖像直接決定一幅圖像中像素能夠達到的動態范圍，物體反射屬性決定了圖像的內在性質，因此，在原始圖像中去除或降低照射圖像的影響從而保留本質的反射屬性是Retinex理論的基本思想。Retinex算法具有銳化、顏色恒常性、動態范圍壓縮大、色彩逼真度高等特點。

傳統的圖像增強算法，如線性變換、非線性變換、圖像銳化等只能增強圖像的某一類特征，如壓縮圖像的動態范圍，或增強圖像的邊緣等。Retinex算法可以在動態范圍壓縮、邊緣增強和顏色恒常三方面達到平衡，因此可以對各種不同類型的圖像進行自適應性地增強。

3、Retinex算法對數字模糊圖像處理的適用

3.1　Retinex算法對圖像的預處理

在多種以Retinex為核心的算法中，單尺度（Single-Scale　Retinex，SSR）算法和多尺度（Multi-Scale　Retinex，　MSR）算法是最具有代表性和最成熟的算法。利用多尺度Retinex灰度圖像增強算法對灰度圖像進行增強，在圖像的預處理階段對噪聲進行濾除，做到改善圖像顏色恒常性，壓縮圖像動態范圍，提高對比度，有效顯示淹沒在陰影、光照等區域中的細節，為下一步的特征提取提供必要的條件。

3.2　Retinex算法對場景模糊圖像的增強

場景的干擾常常致使物體成像模糊，如雨霧天條件下，戶外景物的對比度和顏色發生退化，計算機視覺系統無法正確檢測與跟蹤場景中目標，這就需要對雨霧天圖像或視頻作清晰化處理。Retinex　理論及相關算法是圖像增強的新思路，其理論基礎是色彩的恒常性，它通過模擬人眼觀察場景的方式，恢復因圖像采集設備限制而丟失的場景細節，達到增強圖像對比度，還原物體真實色彩的目的。

3.3　Retinex算法對圖像細節特征的增強

在圖像處理和計算機視覺領域，特征提取被廣泛運用，其效果很大程度上取決于圖像的質量。圖像在采集的過程中，多變的光照條件、物體間相互遮擋、采集設備自身限制等因素都會影響圖像質量，要想對質量差的圖像進行特征提取非常困難。基于Retinex理論的圖像增強算法能減少計算時間，將多種計算函數相結合，能夠有效地重建圖像細節達到增強圖像的目的，使增強后的圖像更適合于細節特征的提取。

Retinex算法是數字圖像處理的新算法，與其他傳統圖像處理算法相比，具有很大的優勢，能大量保留提取圖像的細節特征。在刑事圖像處理工作中，技術人員所感興趣的就是對偵破案件有用的細節特征。刑事圖像工作遇到的問題及其產生原因都是其他領域圖像處理所共有的，因此，Retinex理論同樣適用于刑事圖像處理研究，將基于Retinex理論的各種改進的Retinex算法直接應用到刑事模糊圖像處理工作中，勢必會給當前的刑事模糊圖像處理工作打開新的局面。

參考文獻

[1]李權合，畢篤彥，時平，何宜寶.基于Retinex和視覺適應性的圖像增強[J].中國圖形圖像學報，2010，15（12）：1728-1732.

[2]喬小燕，姬光榮，陳霧.一種改進的全局Re　tinex圖像增強算法及其仿真研究[J].系統仿真學報，2009，21（4）：1185-　1197.

模糊算法基本原理范文第5篇

關鍵詞:智能科學與技術專業;課程體系;教材建設

繼2004年北京大學率先在國內建立“智能科學與技術”本科專業之后,2005年,北京郵電大學、南開大學和西安電子科技大學;2006年,首都師范大學、北京信息科技大學、武漢工程大學和西安郵電學院;2007年,北京科技大學、廈門大學和湖南大學;2008年,河北工業大學和桂林電子科技大學;2009年,重慶郵電大學和大連海事大學;2010年,中南大學和上海理工大學先后經教育部批準先后設立了“智能科學與技術”本科專業[1-2]。在中國人工智能學會教育工作委員會的指導下,自2002年起,各相關專業教師定期召開智能科學與技術教育學術研討會,并出版教育論文專輯,大力推進了我國智能科學與技術教育的健康、快速發展,并對我國智能科學技術的人才培養和學科建設起到了極大的帶動作用。

作為一個發展中的新興專業,目前各高校仍主要結合自身基礎和特點建設該專業。如南開大學以智能技術與智能工程為核心專業課程[3];北京科技大學從社會需求角度出發,以提高學生軟件實踐能力為切入點[4];河北工業大學根據相關專業的就業現狀,以提高學生硬件實踐能力為著力點[5]。為了解決南開大學、北京科技大學和河北工業大學3所高校共同面臨的課程體系和教材建設等問題,三校教師分別于2010年6月16日和8月2日在南開大學、河北工業大學進行了兩次研討,現將研討成果匯總于此。

1研討背景

“智能科學與技術”專業自開辦以來,不可避免地要回答如下3個方面的問題:

1) 來自用人單位的問題:“智能科學與技術”專業是做什么的?與其他專業相比優勢何在?

2) 來自學生及家長的問題:“智能科學與技術”專業是學什么的?與其他專業相比優勢何在?

3) 來自教師自身的問題:“智能科學與技術”專業應該教什么?與其他專業相比優勢何在?

無論是做什么、學什么還是教什么,歸根到底是課程體系和教材內容。無論是研究生課程下移(帶來學生接受知識的困難),還是在其他專業教學體系基礎上做簡單的增、刪、改(帶來學生知識結構的凌亂),都是不行的,長此以往的后果將是沒有優勢,只有劣勢。

南開大學、北京科技大學和河北工業大學3所高校的“智能科學與技術”專業建設都源于自動化專業基礎,而且都具有典型的工科特色;同時3所高校分別是教育部直屬“985”高校、教育部直屬國家“優勢學科創新平臺”建設項目試點高校和河北省屬“211”高校,3所高校的“智能科學與技術”專業分別于2006、2007和2008年招生。3所高校在“智能科學與技術”專業建設上的異同特點以及地域便利的條件,為優勢互補、交流融合提供了機遇。

2課程體系

根據研究任務的不同,智能科學技術涵蓋的內容可以劃分為智能科學、智能技術、智能工程三個層次[6]。

1) 智能科學:主要任務是研究人的智慧,建立人機結合系統理論,并用其模擬人的智慧。

2) 智能技術:在智能科學的框架內創建人機結合智能系統所需要的方法、工具和技術。

3) 智能工程:利用智能科學的理念和思想,充分運用智能技術工具創建各種應用系統。它是當前新技術、新產品、新產業的重要發展方向、開發策略和顯著標志。

根據上述智能科學技術的劃分,智能科學與技術專業的課程體系同樣劃分為理論、技術與工程應用3個層次,具體框架如圖1所示。

需要說明的是,由于課時、學時等因素的限制,有些課程需要包含未列入課程的部分內容。如智能科學與技術概論課程內含系統論的簡要介紹;智能控制系統包含可編程序控制器、智能傳感器、智能執行器等內容;智能工程包含若干典型智能系統實例。

3教材建設

經南開大學、北京科技大學和河北工業大學3所高校的討論,一致認為工科專業應以技術和工程應用兩個層次為核心,并將人工智能導論和智能信息處理兩門課程的教材合并為智能技術。同時,根據南開大學側重理論、北京科技大學側重軟件、河北工業大學側重硬件的原則進行分工,編寫對應課程的教學大綱和教材內容。

3.1智能技術

本課程包括智能計算和計算機視覺兩部分,分別介紹以對人腦的物理結構進行模擬為主要特征的聯接主義智能技術和以模擬人類視覺處理為主要特征的計算機視覺兩部分。它是智能技術的主干內容;也是實現智能技術、組成智能系統的重要工具,屬于本專業本科生的專業基礎課。通過智能技術的學習,學生應能夠掌握智能技術的基本原理和方法。通過課堂講解、,并配合一定的作業練習、上機實驗等環節,學生應初步具備運用智能技術和方法分析和解決問題的能力。本課程擬定90學時,其中授課54學時,實驗36學時。

教材內容包括智能計算和計算機視覺兩部分,智能計算部分包括神經網絡、模糊理論和遺傳算法/蟻群算法,計算機視覺包括計算機視覺導論、計算機視覺理論基礎、圖像預處理、圖像分割、物體識別、圖像理解、雙目立體視覺、三維視覺技術、主動視覺。

神經網絡講授單個神經元(感知器)的動作原理,與實際生物神經元的對應關系;講授BP神經網絡的組成,網絡的特性和對非線性函數的模擬功能;介紹BP算法的優、缺點;講授H網絡的組成結構,H網絡在解決優化問題的優越性。模糊理論講授模糊集合的概念,建立隸屬度函數的概念;介紹模糊規則的建立原則,模糊規則與模糊系統收入輸出量之間的關系;介紹模糊化以及模糊量精確化的幾種常用方法。遺傳算法和蟻群算法只作簡要介紹,重點介紹這兩種算法的特點和成功的應用實例,使學習者有一個感性認識,明確這種類型算法的“迭代”特點以及總體最優目標與個體行為之間的聯系。

計算機視覺理論基礎主要介紹Marr的視覺計算理論、圖像的相關知識、傅立葉變換基礎;圖像預處理主要介紹像素亮度變換、幾何變換、直方圖修正、局部預處理、圖像復原;圖像分割主要介紹閾值處理方法、基于邊界的分割方法、基于區域的分割方法;形狀表示與描述主要介紹鏈碼、使用片斷序列描述邊界、尺度空間方法、基于區域的形狀表示與描述;物體識別主要介紹知識的表示、統計模式識別、神經元網絡、遺傳算法、模擬退火、模糊系統;圖像理解主要介紹并行和串行處理控制、分層控制、非分層控制;雙目立體視覺主要介紹雙目立體視覺原理、精度分析、系統結構、立體成像、立體匹配、系統標定;三維視覺技術主要介紹結構光三維視覺原理、光模式投射系統、標定方法、光度立體視覺、由紋理恢復形狀、激光測距法;主動視覺主要介紹從陰影恢復形狀、從運動恢復結構、主動跟蹤。

3.2智能控制理論與技術

本課程是“智能科學與技術”專業的一門重要專業課程,目的是使學生了解智能科學與控制理論結合所產生之智能控制理論的基本概念和應用價值;使學生熟知當前主流智能控制技術的種類,并掌握模糊控制、神經網絡控制以及進化計算、群體智能的基礎知識,了解智能技術與傳統控制方法的結合點;加強MATLAB仿真實驗的訓練,以使學生更好地理解基礎知識,培養學生使用高級智能控制方法解決實際控制問題的能力。本課程的學習將使學生加深對控制理論的理解,明晰智能技術在控制中的應用技巧,也為本科生繼續深造打下基礎。本課程擬定64學時,其中授課54學時,實驗10學時。

教材內容包括智能控制概論,介紹智能控制的發展歷程和應用領域,簡介幾種重要的智能控制方法;專家控制,簡介專家系統的基本結構,講授專家PID控制器的原理與設計方法;模糊控制,講授模糊數學基礎知識、傳統的模糊控制原理和控制器設計與實現方法、模糊PID控制的兩種形式,特別是PID控制參數的模糊整定技術;神經網絡控制,講授前饋神經網絡和遞歸神經網絡中幾種典型的網絡模型以及學習算法、基于神經網絡的線性系統辨識技術、神經網絡逆?？刂频?進化計算與控制,講授進化計算的概念、遺傳算法的原理及其與其他智能方法的結合,介紹遺傳機器人學;群體智能與控制,講授蟻群算法的基本原理及其在控制問題中的應用,介紹群體機器人學。

3.3單片機原理與應用

本課程是“智能科學與技術”專業的一門專業課程,目的是使學生了解單片機的組成原理及常用控制算法的實現;掌握51系列單片機指令系統和一般匯編程序設計編寫方法;熟悉常用的單片機硬件擴展技術;在此基礎上,熟練掌握控制算法的單片機程序編寫與調試。本課程擬定54學時,其中授課38學時,實驗16學時。

教材內容包括單片機系統概述,介紹單片機定義、單片機發展過程及單片機硬件結構;單片機指令系統及程序設計,介紹指令系統和匯編語言程序設計;硬件資源及接口技術,介紹硬件資源和接口技術;單片機使用技術,介紹抗干擾技術、C語言應用程序設計;依次介紹PID控制器、狀態反饋控制器、模糊控制器、系統辨識、卡爾曼濾波、滑?？刂破鳌⒆顑灴刂破?、魯棒控制器、自適應控制器、神經網絡控制器的歷史沿革、基本原理、常用形式和單片機具體實現方法。

3.4嵌入式系統

本課程以當前主流的嵌入式系統技術為背景,以嵌入式系統原理為基礎,以嵌入式系統開發體系為骨架,以嵌入式控制系統開發為目標,較為全面地介紹嵌入式系統的基本概念、軟硬件的基本體系結構、軟硬件開發方法、相關開發工具、應用領域、熱門領域的開發實例以及當前的一些前沿動態,為學生展示較為完整的嵌入式控制系統領域概況。本課程擬定64學時,其中授課48學時,實驗16學時。

教材依據嵌入式控制系統的特征,將控制算法、嵌入式系統硬件、操作系統、應用程序設計及組態軟件作為統一的技術平臺介紹,突出嵌入式技術在控制系統中應用的特點,重點介紹嵌入式控制系統軟硬件、電路、操作系統、實時性、可靠性等特性,從軟件體系結構及開發的角度出發,強調實時調度、Bootloader、BSP、嵌入式實時多任務系統設計、交叉開發與仿真開發等關鍵技術,并特別引入了工業控制中需要的電磁兼容性設計和大量的典型嵌入式控制系統實例設計。通過本課程的學習,學生不但可以學會使用工具開發嵌入式軟硬件,而且可以從總體角度選擇適當的技術和方法,全面規劃和設計嵌入式系統。

3.5智能工程

本課程是“智能科學與技術”專業的一門核心專業課程。面向智能技術的實際應用,著眼于解決工程應用中的技術問題,從典型系統設計案例分析出發,通過大量實驗提高學生的工程實踐能力。本課程擬定36學時,全部為授課學時。

教材內容包括智能工程概論,介紹智能工程現狀、工程設計原則和工程實際流程;常用傳感器原理,介紹傳感器一般特性、光電式傳感器和視覺傳感器;典型智能系統設計案例,包括智能移動機器人、智能電梯群控電梯等系統。

3.6智能機器人

課程通過對一個具有代表性的仿人機器人的拆解,將知識點拆解成6個主要教學模塊:1)機器人控制模塊,介紹各類控制模塊的原理與組成;2)機器人運動系統,介紹電機與舵機的原理與控制方法;3)機器人動作系統,介紹機器人各部件的協調控制;4)機器人視覺系統,介紹典型的超聲波、影像傳感器的原理與識別算法;5)機器人表現系統原理,介紹人與機器人的交互原理;6)機器人通信系統原理,介紹機器人之間的數據與信息傳遞方法。學生學習時,能夠與基礎知識相聯系,并能掌握機器人這門技術,為從事機器人產品研發工作打下堅實的基礎。本課程擬定54學時,其中授課44學時,實驗10學時。

教材面向“智能科學與技術”專業,同時兼顧信息類專業學生編寫,根據這類專業學生的知識結構和特點組織內容。從具體的機器人控制需求出發,將自動控制的基本理論和機器人控制特點相結合,講授機器人控制系統的組成、規律、特點和設計方法。理論上反映當前的最新進展,內容上考慮初學者的需求,側重普及性、實用性和新穎性,結構體系符合信息類和控制類專業學生的特點,力求簡潔、清楚,對技術的敘述遵循目標、問題、理論依據、實現方法、實際情況、發展方向的方式。做到重點突出,符合實際,滿足需要,指導性強。

3.7智能控制系統

本課程是“智能科學與技術”專業的一門專業課程,使學生了解智能控制系統的基礎知識;掌握智能控制系統中最新的智能傳感技術、智能控制器、智能執行能執行器及智能網絡與接口技術;掌握智能控制系統中多個關鍵硬件裝置的識別及其使用。通過學習多個智能控制系統的開發實例,學生應掌握智能控制系統的設計方法與技術,堅實地掌握最新智能控制系統知識,提高理論聯系實際的能力,并為學習其他課程的打下堅實基礎。本課程擬定64學時,其中授課48學時,實驗16學時。

教材內容包括概述,介紹智能控制系統的基本概念、基本內容和機構及其發展趨勢;智能傳感系統,講授智能數據采集技術、傳感器智能化的數據處理方法、多傳感器信息融合的方法、智能傳感器實現方法與典型實例;智能控制器設計,講授基于單片機的智能控制器設計及其應用、基于高性能嵌入式ARM的智能控制器設計及其應用、基于PLC的智能控制器設計及其應用;智能電動執行器,講授智能電動執行器的硬件實現技術,軟件設計技術以及典型的智能電動執行器實例及其應用;智能網絡與接口技術,講授無線傳感器智能網絡,工業現場總線網絡以及智能傳感器、智能控制器和智能執行器的網絡接口實現技術;智能控制系統設計實例,綜合利用前面的知識設計網絡化智能壓力傳感器的系統設計、基于聲音定位的智能機器人系統設計、基于微機電慣性傳感器的汽車多路況智能防撞系統的設計、大型設備的PLC智能控制系統設計。

4結語

通過南開大學、北京科技大學和河北工業大學3所高校的研討,我們凝練出較完整的“智能科學與技術”專業課程體系,體現出本專業的特色;提出可供3所高校共同使用的教學大綱和教材內容,體現出學生培養的工程實踐導向。這些研究成果可以為開辦“智能科學與技術”專業的兄弟院校進一步研討提供藍本,也可以為籌建該專業的高校所參考。

注:本文受到北京科技大學教學研究會第六批教學研究課題、北京科技大學教育教學研究基金青年教師教育教學研究立項項目、河北工業大學教改項目(2010-12)支持。

參考文獻:

[1] 王萬森,鐘義信,韓力群,等. 我國智能科學技術教育的現狀與思考[J]. 計算機教育,2009(11):10-14.

[2] 教育部關于公布2009年度高等學校專業設置備案或審批結果的通知[S]. 教高〔2010〕2號,2010.

[3] 方勇純,劉景泰. 南開大學“智能科學與技術”專業教學體系與實驗環境建設[J]. 計算機教育,2009(11):21-25.

[4] 石志國,劉冀偉,王志良.“智能科學與技術”本科專業軟件實踐類課程建設探討[J]. 計算機教育,2009(11):93-97.

[5] 劉作軍,張磊,楊鵬,等. 談我校增設“智能科學與技術”專業的設想與措施[J]. 計算機教育,2009(11):53-56.

[6] 盧桂章. 無處不在的智能技術[J]. 計算機教育,2009(11):68-72.

A Study on the Course System and Textbook Construction for the Discipline of

Intelligence Science and Technology

YANG Peng1, ZHANG Jian-xun2, LIU Ji-wei3, ZHANG Lei1

(1. Hebei University of Technology, Tianjin 300130, China; 2.Nankai University, Tianjin 300071, China;

3. University of Science and Technology Beijing, Beijing 100083, China)