工业控制网络的发展综述

工业控制网络的发展综述
工业控制网络的发展综述

2014 ~ 2015 学年第2 学期

《工业控制网络》

课程报告

题目:工业控制网络的发展综述

电气工程学院

2015年5月25 日

工业控制网络的发展综述

1.引言

工业控制网络在提高生产速度、管理生产过程、合理高效加工以及保证安全

生产等工业控制及先进制造领域起到越来越关键的作用。图1总结了工业控制网络的4大主要类型:传统控制网络、现场总线、工业以太网以及无线网络。传统控制网络现在已经很少使用,目前广泛应用的是现场总线与工业以太网,而工业以太网关键技术的研究是目前工业控制网络研究的热点。

图1 工业控制网络的主要分类

2.现场总线

现场总线控制系统FCS是在基地式气动控制信号控制系统、电动单元组合式模拟仪表控制系统、直接数字控制系统DDC、集散控制系统DCS之后发展起来的新一代控制系统,它将DCS 中集中与分散相结合的模式变成了新型的全分布式控制模式,控制功能彻底下放到现场,现场控制设备通过总线与管理信息层交换信息,代表了工业控制网络技术的发展方向。

2.1现场总线主要技术特点

现场总线打破了传统控制系统的结构形式,图2为现场总线控制系统与传统控制系统的结构对比。在传统模拟控制系统中采用一对一的设备连线,按控制回路分别进行连接,位于现场的测量变送器与位于控制室的控制器之间,控制器与位于现场的执行器、开关、马达之间均为一对一的物理连接;而在FCS中,所有的设备作为网络节点连接到总线上,不仅节省了电缆,而且还方便了布线。

图2 现场总线控制系统与传统控制系统的结构对比

2.3 主流现场总线的比较

目前现场应用比较广泛的现场总线主要有FF、Profibus-DP、CAN 总线等,这些现场总线在技术上各有特色,目前它们还不能相互代替而应用到所有的领域,几种总线的特性和应用对比见表1。

表1 几种现场总线的比较

3.工业以太网

以太网最早出现在上世纪70年代,是一种总线式局域网,采用CSMA / CD 协议,以太网是现有局域网采用的最通用的通信协议标准,包括在局域网中采用的电缆类型和信号处理方法。以太网在互联设备之间以100~1000 Mbps 甚至更高的速率传输信息包如图3。以太网组成的网络节点分为两大类:

图3工业以太网

(1)数据终端设备,如工作站、服务器、智能设备等;

(2)数据通信设备,接收和转发网络中数据包,如中继器、交换机和路由器等。

3.1工业以太网的主要技术特性

l) 系统响应的实时性。在工业自动化控制中需要及时地传输现场过程信息和操作指令,要能够支持和完成实时信息的通信。这不仅要求工业以太网传输速度要快,而且响应也要快,即响应实时性要好。

2 ) 网络传输的确定性。即要保证以太网设备间的传输不能发生冲突或数据的碰撞,让不同设备对网络资源的使用合理有序化。现在随着以太网速率不断提高,加上确定性调度算法的研究突破,使网络负荷进一步减轻、碰撞减少,系统的确定性已得到了很大的提高。

3) 要求极高的可靠性。工业控制网络必须连续运行,它的任何中断和故障都可能造成停产,甚至引起设备和人身事故,因此必须具有极高的可靠性。

3.2工业以太网的优点

1)具有相当高的数据传输速率( 目前已达到100Mb/s),能提供足够的带宽;

2)由于具有相同的通信协议,Ethernet 和TCP/IP 很容易集成到IT世界;

3)能在同一总线上运行不同的传输协议从而能建立企业的公共网络平台;

4)在整个网络中,运用了交互式和开放的数据存取技术;

5)沿用多年,已为众多的技术人员所熟悉,市场上能提供广泛的设置、维护和诊断工具,成为事实上的统一标准;

6)允许使用不同的物理介质和构成不同的拓扑结构。

3.3工业以太网技术的发展趋势与前景

未来工业以太网将在工业企业综合自动化系统中的现场设备之间的互连和信息集成中发挥越来越重要的作用。工业以太网技术的发展趋势将体现在以下几个方面:

(1)工业以太网与现场总线相结合的形式

近一段时间内,工业以太网技术的发展将与现场总线相结合,具体表现在:1)物理介质采用标准以太网连线,如双绞线、光纤等;

2)使用标准以太网连接设备(如交换机等),在工业现场使用工业以太网交换机;3)采用IEEE 802.3物理层和数据链路层标准、TCP/IP协议栈;

4)应用层(甚至是用户层)采用现场总线的应用层、用户层协议;

5)兼容现有成熟的传统控制系统,如DCS、PLC等;

4.无线网络

4.1工业无线网络概述

工业无线网络是从新兴的无线传感器网络发展而来的,具有低成本、低能耗、高度灵活性、扩展性强等特点,已经成为继现场总线技术后的又一个研究热点。由于工业现场环境复杂以及工业应用的特殊要求,工业无线网络面临着通信实时性、可靠性、安全性以及抗干扰能力等问题。

4.2工业无线网络发展现状

目前, 工业无线网络的研究热点主要集中于网络技术和通信协议方面。在数据管理、软件开发环境和工具等方面的研究工作还不多, 研究成果很少。工业无线

网络技术尚缺乏统一的国际标准, 这严重阻碍了无线网络技术的应用和普及。目前,无线通信在工业自动化领域的研究主要有以下几类:无线总线RFieldbus、无线传感器与执行器网络wSAN、基于IEEE 802.11的无线局域网WLAN以及基于IEEE 802.15的无线个域网WPAN等。以下对工业无线通讯标准的特点及应用进行简单介绍。

无线HART协议,要求HART无线通信技术保证支持产品的互操作性,与有线HART 仪表的无缝连接,提升HART智能仪表的智能和可连接性。

1个无线HART传感器网络由无线 HART网络设备、至少1个无线HART网关和1个无线HART网络管理器组成。其组成结构如图4所示。

图4无线HART网络的组成结构

无线HART标准为过程测量与控制、设备资产管理提供了一个健全的无线协议。无线HART是基于已经被人们熟悉并证实了的有线HART协议,通过与现有设备、工具和系统的兼容,使人们快速简便地感受无线技术的特点。

4.3工业无线网络的发展趋势

无线通信网络技术在工业现场中的应用并不是简单的化有线为无线,它延伸了原有的工业网络的控制范围,并提供了极高的灵活性,成为有线网络、现场总线的一个有效补充。在未来的若干年内,工业无线网络将会得到快速的发展。但是无线通讯并不会代替有线通讯,无线只会在有线不能实现或成本比较高的地方代替有线。两种通讯技术结合起来,有线的稳定性、可靠性和无线的灵活性、经济性互相补充,将会有效地促进我国工业技术的发展。

5.工业控制网络技术未来发展方向

工业控制网络的发展历经了从传统控制网络到现场总线,再到目前广泛研究的工业以太网以及无线网络的过程。以太网的广泛使用为工业控制的发展提供了良好的基础结构,但如何保证工业通信的实时性是研究的关键。本文综述了目前广泛

研究的工业控制网络技术的几项关键技术。最后就工业控制网络未来发展的一些技术难题及相关解决方法进行总结,主要包括:

(1)提高通信的实时性; (2)提高通信的安全性; (3)提高通信可靠性; (4)多总线集成; (5)实时异构网络

6.总结

工业控制网络既是一个开放的通信网络,又是一个全分布控制系统,它作为智能设备的联系纽带,挂接在总线上,作为网络节点的智能设备连接成网络系统,并通过组态进一步构成自动化系统,实现基本控制、补偿计算、参数修改、报警、显示、监控、优化以及测、控、管一体化的综合自动化功能。工业控制网络是一个以智能传感器、自动控制、计算机、通信、网络等技术为主要内容的多学科交叉的新兴技术,在过程自动化、制造自动化、楼宇自动化、交通、电力等领域都有广泛的应用前景,被誉为21世纪最有希望的自动化技术。

模糊神经网络技术研究的现状及展望

模糊神经网络技术研究的现状及展望 摘要:本文对模糊神经网络技术研究的现状进行了综述,首先介绍了模糊控制技术和神经网络技术的发展,然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性,接着对模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述,指出了目前模糊神经网络的研究发展中还存在的一些问题,并对模糊神经网络的发展进行了展望。 关键字:模糊控制;神经网络;模糊神经网络 引言 系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此,通过模拟人类学习和自适应能力,人们提出了智能控制的思想。控制理论专家Austrom(1991)在IFAC大会上指出:模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上,并非建立在工业过程所产生的操作数据上,且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握,这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法,各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取了模糊逻辑和神经网络的优点,避免了两者的缺点,已成为当今智能控制研究的热点之一了。 1 模糊神经网络的提出 模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年,英国著名学者E.H.Mamdani将模糊逻辑和模糊语言用于工业控制,提出了模糊控制论。至今,模糊控制已成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。 人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮,其基本思想是从仿生学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆,分类和优化计算等功能,在解决高度非线性和严重不确定系统的控制问题方面,显示了巨大的优势和潜力 模糊控制系统与神经网络系统具有整体功能的等效性[2],两者都是无模型的估计器,都不需要建立任何的数学模型,只需要根据输入的采样数据去估计其需要的决策:神经网络根据学习算法,而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上,两者具有相同的正规数学特性,且共享同一状态空间[3]。 另一方面,模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是从输入到输出的“黑箱式”非线性映射,但不具备像模糊控制那样的因果规律以及模糊逻辑推理的将强的知识表达能力。将两者结合,后者正好弥补前者的这点不足,而神经网络的强大自学习能力则可避免模糊控制规则和隶属函数的主观性,从而提高模糊控制的置信度。 因此,模糊逻辑和神经网络虽然有着本质上的不同,但由于两者都是用于处理不确定性问题,不精确性问题,两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射能力[4];Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT,Fuzzy Approximation Theorem)[5];Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots 和Grabish(1993)、Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和神经网络有着密切联系,正是由于这类理论上的共性,才使模糊逻辑

工业控制网络复习重点

工业控制网络 题型: 填空(15*1’) 选择(10) 分析(2) 简答(5) 操作(10’) 第一章 1.现场总线 定义:国际电工委员会制定的国际标准IEC61158对现场总线(fieldbus)的定义: 安装在制造或过程区域的现场装置与控制室内的自动控制装置之间的数字式、串行、多点通信的数据总线称为现场总线。 现场总线——控制网络 现场总线——工业电话线 现场总线——底层控制网络 2.输入输出设备 总线上的数据输入设备:包括按钮、传感器、接触器、变送器、阀门等,传输其位置状态、参数值等数据;总线上的输出数据用于:驱动信号灯、接触器、开关、阀门等。 3.现场总线特点 ?适应工业应用环境。 ?要求实时性强,可靠性高,安全性好。 ?多为短帧传送。(短帧传输体现实时性) ?通信的传输速率相对较低。 4.几种现场总线 ?Foundation Fieldbus,FF ?LonWorks ?Profibus ?ControlNet ?DeviceNet ?CAN ?Hart 5.现场总线系统组成与组织结构 ?硬件: ◆总线电缆,又称为通信线、通信介质(媒体/媒介/介体)。 ◆连接在通信线上的设备称为总线设备,亦称为总线装置、节点(主节点、从节点)、站点 (主站、从站)。 软件包括: ?系统平台软件:为系统构建、运行以及为系统应用软件编程而提供环境、条件或工具的基础软件。 包括组态工具软件、组态通信软件、监控组态软件和设备编程软件。 ?系统应用软件:为实现系统以及设备的各种功能而编写的软件,包括系统用户程序软件、设备接口通信软件和设备功能软件。 6.在现场总线控制系统中,总线设备主要分为6类 ?变送器/传感器(输入设备);

工业控制的应用现状和发展趋势

现代工业控制总线的发展趋势 前言 随着计算机、通信、自动控制、微电子等技术的发展,大量智能控制芯片和智能传感器的不断出现,以及在传感器、通信和计算机领域所取得的巨大成就使人们对系统综合性能尤其是安全性能提出了越来越高的要求:希望能对系统设备的工作状况进行实时监测和控制,并在此基础上实现设备的智能维护。对企业自动化设备而言,对其工作状况进行远程监测和控制,不仅可方便设备管理者随时了解设备工作状态,设备出现异常时主动报警,便于及时维修,还可拓宽设备服务范围,提高工作性能,延长使用寿命。这一目标的实现对控制网络在开放性、互连性、分散性等方面提出了更高要求。 一分散控制系统(DCS) 当前工业控制计算机的应用范围仍以大系统、分散对象、连续生产过程(如冶金、石化、电力)为主,采用分布式系统结构的分散控制系统仍在发展。由于开放结构和集成技术的发展,进一步扩展了大型分散控制系统的应用。 1. 应用现状 DCS自1975年问世以来,大约有3次比较大的变革,70年代操作站的硬件、操作系统、监视软件都是专用的,由各DCS厂家自己开发并没有动态流程图,通信网络基本上是轮询方式;80年代通信网络较多使用令牌方式;90年代操作站出现了通用系统,90年代末通信网络有的部分遵循TCP/IP协议,有的开始采用以太网。20多年来,DCS已广泛应用于各工业领域并趋于成熟,成为工业控制系统的主流。 虽以现场总线为基础的FCS发展很快,最终将取代传统DCS,但其发展仍面临一些问题,如统一标准、仪表智能化等。而传统控制系统的维护和改造还需DCS,因此FCS完全取代传统DCS尚有较长过程。现DCS的新产品的特点为:系统开放、管控一体化及带有先进控制软件,DCS生产厂家也从事FCS的研发、生产和推广应用。

Hopfield神经网络综述

题目:Hopfield神经网络综述 一、概述: 1.什么是人工神经网络(Artificial Neural Network,ANN) 人工神经网络是一个并行和分布式的信息处理网络结构,该网络结构一般由许多个神经元组成,每个神经元有一个单一的输出,它可以连接到很多其他的神经元,其输入有多个连接通路,每个连接通路对应一个连接权系数。 人工神经网络系统是以工程技术手段来模拟人脑神经元(包括细胞体,树突,轴突)网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络,它是生物神经网络的一种模拟和近似。主要从两个方面进行模拟:一是结构和实现机理;二是从功能上加以模拟。 根据神经网络的主要连接型式而言,目前已有数十种不同的神经网络模型,其中前馈型网络和反馈型网络是两种典型的结构模型。 1)反馈神经网络(Recurrent Network) 反馈神经网络,又称自联想记忆网络,其目的是为了设计一个网络,储存一组平衡点,使得当给网络一组初始值时,网络通过自行运行而最终收敛到这个设计的平衡点上。反馈神经网络是一种将输出经过一步时移再接入到输入层的神经网络系统。 反馈网络能够表现出非线性动力学系统的动态特性。它所具有的主要特性为以下两点:(1).网络系统具有若干个稳定状态。当网络从某一初始状态开始运动,网络系统总可以收敛到某一个稳定的平衡状态; (2).系统稳定的平衡状态可以通过设计网络的权值而被存储到网络中。 反馈网络是一种动态网络,它需要工作一段时间才能达到稳定。该网络主要用于联想记忆和优化计算。在这种网络中,每个神经元同时将自身的输出信号作为输入信号反馈给其他神经元,它需要工作一段时间才能达到稳定。 2.Hopfiel d神经网络 Hopfield网络是神经网络发展历史上的一个重要的里程碑。由美国加州理工学院物理学家J.J.Hopfield 教授于1982年提出,是一种单层反馈神经网络。Hopfiel d神经网络是反馈网络中最简单且应用广泛的模型,它具有联想记忆的功能。 Hopfield神经网络模型是一种循环神经网络,从输出到输入有反馈连接。在输入的激励下,会产生不断的状态变化。 反馈网络有稳定的,也有不稳定的,如何判别其稳定性也是需要确定的。对于一个Hopfield 网络来说,关键是在于确定它在稳定条件下的权系数。 下图中,第0层是输入,不是神经元;第二层是神经元。

最新神经网络最新发展综述汇编

神经网络最新发展综述 学校:上海海事大学 专业:物流工程 姓名:周巧珍 学号:201530210155

神经网络最新发展综述 摘要:作为联接主义智能实现的典范,神经网络采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程,是人工智能发展中的重要方法,也是当前类脑智能研究中的有效工具。目前,模拟人脑复杂的层次化认知特点的深度学习成为类脑智能中的一个重要研究方向。通过增加网络层数所构造的“深层神经网络”使机器能够获得“抽象概念”能力,在诸多领域都取得了巨大的成功,又掀起了神经网络研究的一个新高潮。本文分8个方面综述了其当前研究进展以及存在的问题,展望了未来神经网络的发展方向。 关键词: 类脑智能;神经网络;深度学习;大数据 Abstract: As a typical realization of connectionism intelligence, neural network, which tries to mimic the information processing patterns in the human brain by adopting broadly interconnected structures and effective learning mechanisms, is an important branch of artificial intelligence and also a useful tool in the research on brain-like intelligence at present. Currently, as a way to imitate the complex hierarchical cognition characteristic of human brain, deep learning brings an important trend for brain-like intelligence. With the increasing number of layers, deep neural network entitles machines the capability to capture “abstract concepts” and it has achieved great success in various fields, leading a new and advanced trend in neural network research. This paper summarizes the latest progress in eight applications and existing problems considering neural network and points out its possible future directions. Key words : artificial intelligence; neural network; deep learning; big data 1 引言 实现人工智能是人类长期以来一直追求的梦想。虽然计算机技术在过去几十年里取得了长足的发展,但是实现真正意义上的机器智能至今仍然困难重重。伴随着神经解剖学的发展,观测大脑微观结构的技术手段日益丰富,人类对大脑组织的形态、结构与活动的认识越来越深入,人脑信息处理的奥秘也正在被逐步揭示。如何借助神经科学、脑科学与认知科学的研究成果,研究大脑信息表征、转换机理和学习规则,建立模拟大脑信息处理过程的智能计算模型,最终使机器掌握人类的认知规律,是“类脑智能”的研究目标。 类脑智能是涉及计算科学、认知科学、神经科学与脑科学的交叉前沿方向。类脑智能的

工业控制网络发展

工业控制系统的网络化发展及现状研究 发布: 2009-10-26 | 作者: | 来源: 0引言 随着计算机技术、通信技术和控制技术的发展,传统的控制领域正经历着一场前所未有的变革,开始向网络化方向发展。控制系统的结构从最初的CCS(计算机集中控制系统),到第二代的DCS(分散控制系统),发展到现在流行的FCS(现场总线控制系统)[1]。对诸如图像、语音信号等大数据量、高速率传输的要求,又催生了当前在商业领域风靡的以太网与控制网络的结合。这股工业控制系统网络化浪潮又将诸如嵌入式技术、多标准工业控制网络互联、无线技术等多种当今流行技术融合进来,从而拓展了工业控制领域的发展空间,带来新的发展机遇。 1计算机控制系统的发展 计算机及网络技术与控制系统的发展有着紧密的联系。最早在50年代中后期,计算机就已经被应用到控制系统中。60年代初,出现了由计算机完全替代模拟控制的控制系统,被称为直接数字控制(DirectDigitalControl,DDC)。70年代中期,随着微处理器的出现,计算机控制系统进入一个新的快速发展的时期,1975年世界上第一套以微处理为基础的分散式计算机控制系统问世,它以多台微处理器共同分散控制,并通过数据通信网络实现集中管理,被称为集散控制系统(DistributedControlSystem,DCS)。 进入80年代以后,人们利用微处理器和一些外围电路构成了数字式仪表以取代模拟仪表,这种DDC的控制方式提高了系统的控制精度和控制的灵活性,而且在多回路的巡回采样及控制中具有传统模拟仪表无法比拟的性能价格比。 80年代中后期,随着工业系统的日益复杂,控制回路的进一步增多,单一的DDC 控制系统已经不能满足现场的生产控制要求和生产工作的管理要求,同时中小型计算机和微机的性能价格比有了很大提高。于是,由中小型计算机和微机共同作用的分层控制系统得到大量应用。 进入90年代以后,由于计算机网络技术的迅猛发展,使得DCS系统得到进一步发展,提高了系统的可靠性和可维护性,在今天的工业控制领域DCS仍然占据着主导地位,但是DCS不具备开放性,布线复杂,费用较高,不同厂家产品的集成存在很大困难。

Hopfield神经网络综述

题目: Hopfield神经网络综述 一、概述: 1.什么是人工神经网络(Artificial Neural Network,ANN) 人工神经网络是一个并行和分布式的信息处理网络结构,该网络结构一般由许多个神经元组成,每个神经元有一个单一的输出,它可以连接到很多其他的神经元,其输入有多个连接通路,每个连接通路对应一个连接权系数。 人工神经网络系统是以工程技术手段来模拟人脑神经元(包括细胞体,树突,轴突)网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络,它是生物神经网络的一种模拟和近似。主要从两个方面进行模拟:一是结构和实现机理;二是从功能上加以模拟。 根据神经网络的主要连接型式而言,目前已有数十种不同的神经网络模型,其中前馈型网络和反馈型网络是两种典型的结构模型。 1)反馈神经网络(Recurrent Network) 反馈神经网络,又称自联想记忆网络,其目的是为了设计一个网络,储存一组平衡点,使得当给网络一组初始值时,网络通过自行运行而最终收敛到这个设计的平衡点上。反馈神经网络是一种将输出经过一步时移再接入到输入层的神经网络系统。 反馈网络能够表现出非线性动力学系统的动态特性。它所具有的主要特性为以下两点:(1).网络系统具有若干个稳定状态。当网络从某一初始状态开始运动,网络系统总可以收敛到某一个稳定的平衡状态; (2).系统稳定的平衡状态可以通过设计网络的权值而被存储到网络中。 反馈网络是一种动态网络,它需要工作一段时间才能达到稳定。该网络主要用于联想记忆和优化计算。在这种网络中,每个神经元同时将自身的输出信号作为输入信号反馈给其他神经元,它需要工作一段时间才能达到稳定。 2.Hopfield神经网络 Hopfield网络是神经网络发展历史上的一个重要的里程碑。由美国加州理工学院物理学家J.J.Hopfield 教授于1982年提出,是一种单层反馈神经网络。Hopfield神经网络是反馈网络中最简单且应用广泛的模型,它具有联想记忆的功能。 Hopfield神经网络模型是一种循环神经网络,从输出到输入有反馈连接。在输入的激励下,会产生不断的状态变化。 反馈网络有稳定的,也有不稳定的,如何判别其稳定性也是需要确定的。对于一个Hopfield 网络来说,关键是在于确定它在稳定条件下的权系数。 下图中,第0层是输入,不是神经元;第二层是神经元。

神经网络的应用及其发展

神经网络的应用及其发展 [摘要] 该文介绍了神经网络的发展、优点及其应用和发展动向,着重论述了神经网络目前的几个研究热点,即神经网络与遗传算法、灰色系统、专家系统、模糊控制、小波分析的结合。 [关键词]遗传算法灰色系统专家系统模糊控制小波分析 一、前言 神经网络最早的研究20世纪40年代心理学家Mcculloch和数学家Pitts合作提出的,他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过三个阶段:1947~1969年为初期,在这期间科学家们提出了许多神经元模型和学习规则,如MP模型、HEBB学习规则和感知器等;1970~1986年为过渡期,这个期间神经网络研究经过了一个低潮,继续发展。在此期间,科学家们做了大量的工作,如Hopfield教授对网络引入能量函数的概念,给出了网络的稳定性判据,提出了用于联想记忆和优化计算的途径。1984年,Hiton教授提出Boltzman机模型。1986年Kumelhart等人提出误差反向传播神经网络,简称BP 网络。目前,BP网络已成为广泛使用的网络;1987年至今为发展期,在此期间,神经网络受到国际重视,各个国家都展开研究,形成神经网络发展的另一个高潮。神经网络具有以下优点: (1) 具有很强的鲁棒性和容错性,因为信息是分布贮于网络内的神经元中。 (2) 并行处理方法,使得计算快速。 (3) 自学习、自组织、自适应性,使得网络可以处理不确定或不知道的系统。 (4) 可以充分逼近任意复杂的非线性关系。 (5) 具有很强的信息综合能力,能同时处理定量和定性的信息,能很好地协调多种输入信息关系,适用于多信息融合和多媒体技术。 二、神经网络应用现状 神经网络以其独特的结构和处理信息的方法,在许多实际应用领域中取得了显著的成效,主要应用如下: (1) 图像处理。对图像进行边缘监测、图像分割、图像压缩和图像恢复。

工业控制网络复习题 --电子科技大学

《工业控制网络》复习题 一、概念题 1、现场总线:安装在制造或过程区域的现场装置与控制室内的自动控制装置之间的数字式、串行、多点通信的数据总线称为现场总线。 2、模拟数据编码:分别用模拟信号的不同幅度、不同频率、不同相位来表达数据的0、1状态的,称为模拟数据编码。 3、数字数据编码:用高低电平的矩形脉冲信号来表达数据的0、1状态的,称为数字数据编码。 4、单极性码:信号电平是单极性的数字数据编码。 5、双极性编码:信号电平为正、负两种极性的数字数据编码。 6、归零码(RZ):在每一位二进制信息传输之后均返回零电平的数字数据编码。 7、非归零码(NRZ):在整个码元时间内维持有效电平的数字数据编码。 8、差分码:用电平的变化与否来代表逻辑“1”和“0”的数字数据编码。 9、基带传输:就是在数字通信的信道上按数据波的原样进行传输,不包含有任何调制。 10、载波传输:采用数字信号对载波进行调制后实行传输。 11、单工通信:指传送的信息始终是一个方向,而不进行与此相反方向的传送。 12、半双工通信:指信息流可在两个方向上传输,但同一时刻只限于一个方向传输。 13、全双工通信:指能同时作双向通信。 14、广播式网络:仅有一条通信信道,由网络上的所有机器共享。短的消息,即按某种语法组织的分组或包,可以被任何机器发送并被其它所有的机器接收。分组的地址字段指明此分组应被哪台机器接收。一旦收到分组,各机器将检查它的地址字段。如果是发送给它的,则处理该分组,否则将它丢弃。 15、点到点网络:由一对机器之间的多条连接构成。为了能从源到达目的地,这种网络上的分组可能必须通过一台或多台中间机器。 16、类:一组表示同种系统组件的对象。一个类是一个对象的一种概括。一个类中所有的对象在形式和行为上是相同的,但是它们可以包含不同的属性值。 17、实例:一个对象的一个明确的真实(物理)事件。 18、属性:一个对象的一个外部可视特性或特点的一种描述。

人工智能发展综述

人工智能发展综述 摘要:概要的阐述下人工智能的概念、发展历史、当前研究热点和实际应用以及未来的发展趋势。 关键词:人工智能; 前景; 发展综述 人工智能(Artificial Intelligence)自1956 年正式问世以来的五十年间已经取得了长足的进展,由于其应用的极其广泛性及存在的巨大研究开发潜力, 吸引了越来越多的科技工作者投入人工智能的研究中去。尤其是八十年代以来出现了世界范围的开发新技术的高潮,许多发达国家的高科技计划的重要内容是计算机技术,而尤以人工智能为其基本重要组成部分。人工智能成为国际公认的当代高技术的核心部分之一。 1什么是人工智能 美国斯坦福大学人工智能研究中心尼尔逊教授给人工智能下了这样一个定义:人工智能是关于知识的学科, 是怎样表示知识以及怎样获得知识并使用知识的科学。从人工智能所实现的功能来定义是智能机器所执行的通常与人类智能有关的功能,如判断、推理、证明、识别学习和问题求解等思维活动。这些反映了人工智能学科的基本思想和基本内容, 即人工智能是研究人类智能活动的规律。若是从实用观点来看,人工智能是一门知识工程学:以知识为对象,研究知识的获取、知识的表示方法和知识的使用。 从计算机应用系统的角度出发,人工智能是研究如何制造智能机器或智能系统,来模拟人类智能活动的能力,以延伸人们智能的科学。如果仅从技术的角度来看,人工智能要解决的问题是如何使电脑表现智能化,使电脑能更灵活方效地为人类服务。只要电脑能够表现出与人类相似的智能行为,就算是达到了目的,而不在乎在这过程中电脑是依靠某种算法还是真正理解了。人工智能就是计算机科学中涉及研究、设计和应用智能机器的—个分支,人工智能的目标就是研究怎样用电脑来模仿和执行人脑的某些智力功能,并开发相关的技术产品,建立有关的理论。 2 人工智能历史 当然,人工智能的发展也并不是一帆风顺的,人工智能的研究经历了以下几

基于人工神经网络预测探究文献综述

基于人工神经网络的预测研究文献综述专业:电子信息工程班级:08级2班作者:刘铭指导老师:熊朝松 引言 随着多媒体和网络技术的飞速发展及广泛应用,人工神经网络已被广泛运用于各种领域,而它的预测功能也在不断被人挖掘着。人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。现代计算机构成单元的速度是人脑中神经元速度的几百万倍,对于那些特征明确,推理或运算规则清楚地可编程问题,可以高速有效地求解,在数值运算和逻辑运算方面的精确与高速极大地拓展了人脑的能力,从而在信息处理和控制决策等方面为人们提供了实现智能化和自动化的先进手段。但由于现有计算机是按照冯·诺依曼原理,基于程序存取进行工作的,历经半个多世纪的发展,其结构模式与运行机制仍然没有跳出传统的逻辑运算规则,因而在很多方面的功能还远不能达到认得智能水平。随着现代信息科学与技术的飞速发展,这方面的问题日趋尖锐,促使科学和技术专家们寻找解决问题的新出路。当人们的思想转向研究大自然造就的精妙的人脑结构模式和信息处理机制时,推动了脑科学的深入发展以及人工神经网络和闹模型的研究。随着对生物闹的深入了解,人工神经网络获得长足发展。在经历了漫长的初创期和低潮期后,人工神经网络终于以其不容忽视的潜力与活力进入了发展高潮。这么多年来,它的结构与功能逐步改善,运行机制渐趋成熟,应用领域日益扩大,在解决各行各业的难题中显示出巨大的潜力,取得了丰硕的成果。通过运用人工神经网络建模,可以进行预测事物的发展,节省了实际要求证结果所需的研究时间。 正是由于人工神经网络是一门新兴的学科,它在理论、模型、算法、应用和时限等方面都还有很多空白点需要努力探索、研究、开拓和开发。因此,许多国家的政府和企业都投入了大量的资金,组织大量的科学和技术专家对人工神经网络的广泛问题立项研究。从人工神经网络的模拟程序和专用芯片的不断推出、论文的大量发表以及各种应用的报道可以看到,在这个领域里一个百家争鸣的局面已经形成。 为了能深入认识人工神经网络的预测功能,大量收集和阅读相关资料是非常必要的。搜集的资料范围主要是大量介绍人工神经网路,以及认识和熟悉了其中重要的BP网络。参考的著作有:马锐的《人工神经网络原理》,胡守仁、余少波的《神经网络导论》以及一些相关论文,董军和胡上序的《混沌神经网络研究进展和展望》,朱大奇的《人工神经网络研究现状及其展望》和宋桂荣的《改进BP算法在故障诊断中的应用》,这些

石油化工行业工业控制网络安全

石油化工行业工业控制网络 安全 -标准化文件发布号:(9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII

石油化工行业工业控制网络安全 石油化工企业是典型的资金和技术密集型企业,生产的连续性很强,装置和重要设备的意外停产都会导致巨大的经济损失,因此生产过程控制大多采用DCS等先进的控制系统,DCS控制系统的供应商主要有霍尼韦尔、艾默生、横河电机、中控科技等。 1. 石油化工行业网络安全分析 石油化工企业是典型的资金和技术密集型企业,生产的连续性很强,装置和重要设备的意外停产都会导致巨大的经济损失,因此生产过程控制大多采用DCS等先进的控制系统,DCS控制系统的供应商主要有霍尼韦尔、艾默生、横河电机、中控科技等。 在早期,由于信息化程度水平有限,控制系统基本上处于与信息管理层处于隔离状态。因此,石化企业的信息化建设首先从信息层开始,经过10多年的建设积累,石化&化工行业信息层的信息化建设已经有了较好的基础,涉及到了石油勘探、开发、炼油、化工、储运、销售、数据管理等诸多研究领域,企业在管理层的指挥、协调和监控能力,提高上传下达的实时性、完整性和一致性都有很大提升,相应的网络安全防护也有了较大提高。与其他行业一样,在信息管理层面,石化石化企业大量引入IT技术,同时也包括各种 IT 网络安全技术,包括如防火墙、IDS、VPN、防病毒等常规网络安全技术,这些技术主要面向商用网络应用,应用也相对成熟。 与此同时,在信息技术不断发展的推动下,石化&化工企业的生产管理理念和技术也在不断发展,DCS发展到今天,已经进入了第四代,新一代DCS呈现的一个突出特点就是开放性的提高。石化&化工企业普遍开始采用基于ERP/SCM、MES和PCS三层架构的的管控一体化信息模型思想,随着两化融合政策的推进,越来越多的石化企业实施MES系统,使管理实现了管控一体化。

《工业控制网络》课程教学大纲

《工业控制网络》课程教学大纲 课程编码:T1060260 课程中文名称:工业控制网络 课程英文名称:INDUSTRIAL CONTROL NETWORK 总学时:40讲课学时:28 实验学时:12学分: 2.5 授课对象:电气工程及其自动化专业 先修课程:电路集成电子技术嵌入式系统原理及应用 一、课程教学目的 工业控制网络即现场总线是3C(Computer,Communication and Control)技术发展汇集成的结合点,是信息技术、数字化智能化网络发展到现场的结果。现场总线是自动化及电气工程领域当前和今后的发展热点。现场总线已在国民经济各个领域和国防领域中获得了广泛应用,而且应用得越来越普遍。例如,对于电气工程领域,在现代电机驱动与控制装置(如变频器)中、在数字化变电站、配电系统/继电保护装置中、在智能电器中、在楼宇自动化装置中,几乎均要求配置现场总线通信接口;对于国防领域,在航空航天设备、舰船、装甲车辆中均使用了现场总线系统。 本课程以现场总线基本技术及其节点设计为主要内容,目的是使学生掌握现场总线通信与网络基本知识,学会阅读并理解现场总线协议/规范,能够设计一般设备的现场总线通信接口,掌握典型现场总线系统的基本应用技术,并为学生进行现场总线系统设计和现场总线分析奠定一定的基础。 二、教学内容及基本要求 本课程的主要内容包括计算机网络与现场总线的基础知识、国际标准现场总线及其它主流现场总线协议/规范、现场总线节点设计以及现场总线系统应用技术基础。 第1章绪论 现场总线的发展历程、概念、组成、技术特点与优点,标准及应用领域。 第2章数据通信与计算机网络基础 数据编码方式、信号传输方式、通信方式等数据通信基础知识;网络拓扑结构、传输介质、硬件组成与介质访问控制方式等计算机网络基础知识;协议分层、接口和服务、服务原语等计算机网络基本理论;OSI参考模型和TCP/IP参考模型及其优缺点,OSI参考模型与TCP/IP参考模型的比较。 第3章控制器局域网——CAN CAN总线的产生及其发展历程,CAN总线的技术特点,CAN节点的分层结构,CAN的一些基本概念,报文传送及其帧类型,错误类型及其界定,位定时要求,CAN总线基本技术阐释与分析,CAN控制器及接口芯片:SJA1000、82C250,CAN节点设计,CAN系统应用实例。 第4章DeviceNet DeviceNet简介,DeviceNet的连接(CAN标识符区的DeviceNet使用、连接建立概述、预定义主/从连接组、客户机和服务器的连接终点),DeviceNet信息协议(显式信息、输入/输出信息、分段/ 重组、重复MAC ID检测协议),DeviceNet通信对象类,网络访问状态机制,预定义主/从连接组,构建DeviceNet网络的步骤及所需的硬件和软件,DeviceNet节点设计、DeviceNet系统应用实例。 第5章ControlNet

人工神经网络综述

目录 1 人工神经网络算法的工作原理 (3) 2 人工神经网络研究内容 (4) 3 人工神经网络的特点 (5) 4 典型的神经网络结构 (6) 4.1 前馈神经网络模型 (6) 4.1.1 自适应线性神经网络(Adaline) (6) 4.1.1.1网络结构 (6) 4.1.1.2学习算法步骤 (7) 4.1.1.3优缺点 (7) 4.1.2单层感知器 (8) 4.1.2.1网络结构 (8) 4.1.2.2学习算法步骤 (9) 4.1.2.3优缺点 (9) 4.1.3多层感知器和BP算法 (10) 4.1.3.1网络结构: (10) 4.1.3.2 BP算法 (10) 4.1.3.3算法学习规则 (11) 4.1.3.4算法步骤 (11) 4.1.3.5优缺点 (12) 4.2反馈神经网络模型 (13) 4.2.1 Hopfield神经网络 (13) 4.2.1.1网络结构 (13) 4.2.1.2 学习算法 (15) 4.2.1.3 Hopfield网络工作方式 (15) 4.2.1.4 Hopfield网络运行步骤 (15) 4.2.1.5优缺点 (16) 4.2.2海明神经网络(Hamming) (16) 4.2.2.1网络结构 (16) 4.2.2.2学习算法 (17) 4.2.2.3特点 (18) 4.2.3双向联想存储器(BAM) (19) 4.2.3.1 网络结构 (19) 4.2.3.2学习算法 (19) 4.2.3.4优缺点 (21) 5.人工神经网络发展趋势以及待解决的关键问题 (22) 5.1 与小波分析的结合 (22) 5.1.1小波神经网络的应用 (23) 5.1.2待解决的关键技术问题 (23) 5.2混沌神经网络 (23) 5.2.1混沌神经网络的应用 (24) 5.2.2待解决的关键技术问题 (24)

人工神经网络综述

人工神经网络综述 摘要:人工神经网络是属于人工智能的一个组成部分,它的提出是基于现代神经科学的相关研究,并且在诸多领域得到了广泛的应用,为人工智能化的发展提供了强大的动力。首先论述了人工神经网络的发展历程,并介绍了几种常见的模型及应用现状,最后总结了当前存在的问题及发展方向。 关键词:神经网络、分类、应用 0引言 多年以来,科学家们不断从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度探索人脑工作的秘密,希望能制作模拟人脑的人工神经元。特别是近二十年来。对大脑有关的感觉器官的仿生做了不少工作,人脑含有数亿个神经元,并以特殊的复杂形式组成在一起,它能够在计算某些问题(如难以用数学描述或非确定性问题等)时,比目前最快的计算机还要快许多倍。大脑的信号传导速度要比电子元件的信号传导要慢百万倍,然而,大脑的信息处理速度比电子元件的处理速度快许多倍,因此科学家推测大脑的信息处理方式和思维方式是非常复杂的,是一个复杂并行信息处理系统。在研究过程中,近年来逐渐形成了一个新兴的多学科交叉技术领域,称之为“人工神经网络”。神经网络的研究涉及众多学科领域,这些领域互相结合、相互渗透并相互推动。 1人工神经网络概述 1.1人工神经网络的发展 人工神经网络是20世纪80年代以来人工智能领域中兴起的研究热点,因其具有独特的结构和处理信息的方法,使其在许多实际应用中取得了显著成效。 1.1.1人工神经网络发展初期 1943年美国科学家家Pitts和MeCulloch从人脑信息处理观点出发,采用数理模型的方法研究了脑细胞的动作和结构及其生物神经元的一些基本生理特性,他们提出了第一个神经计算模型,即神经元的阈值元件模型,简称MP模型,这是人类最早对于人脑功能的模仿。他们主要贡献在于结点的并行计算能力很强,为计算神经行为的某此方面提供了可能性,从而开创了神经网络的研究。1958年Frank Rosenblatt提出了感知模型(Pereeptron),用来进行分类,并首次把神经网络的研究付诸于工程实践。1960年Bernard Widrow等提出自适应线形元件ADACINE网络模型,用于信号处理中的自适应滤波、预测和模型识别。 1.1.2人工神经网络低谷时期

神经网络的应用及其发展

神经网络的应用及其发展 来源:辽宁工程技术大学作者:苗爱冬 [摘要] 该文介绍了神经网络的发展、优点及其应用和发展动向,着重论述了神经网络目前的几个研究热点,即神经网络与遗传算法、灰色系统、专家系统、模糊控制、小波分析的结合。 [关键词]遗传算法灰色系统专家系统模糊控制小波分析 一、前言 神经网络最早的研究20世纪40年代心理学家Mcculloch和数学家Pitts 合作提出的,他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过三个阶段:1947~1969年为初期,在这期间科学家们提出了许多神经元模型和学习规则,如MP模型、HEBB学习规则和感知器等;1970~1986年为过渡期,这个期间神经网络研究经过了一个低潮,继续发展。在此期间,科学家们做了大量的工作,如Hopfield教授对网络引入能量函数的概念,给出了网络的稳定性判据,提出了用于联想记忆和优化计算的途径。1984年,Hiton教授提出Boltzman机模型。1986年Kumelhart等人提出误差反向传播神经网络,简称BP 网络。目前,BP网络已成为广泛使用的网络;1987年至今为发展期,在此期间,神经网络受到国际重视,各个国家都展开研究,形成神经网络发展的另一个高潮。神经网络具有以下优点: (1) 具有很强的鲁棒性和容错性,因为信息是分布贮于网络内的神经元中。 (2) 并行处理方法,使得计算快速。 (3) 自学习、自组织、自适应性,使得网络可以处理不确定或不知道的系统。 (4) 可以充分逼近任意复杂的非线性关系。 (5) 具有很强的信息综合能力,能同时处理定量和定性的信息,能很好地协调多种输入信息关系,适用于多信息融合和多媒体技术。 二、神经网络应用现状 神经网络以其独特的结构和处理信息的方法,在许多实际应用领域中取得了显著的成效,主要应用如下: (1) 图像处理。对图像进行边缘监测、图像分割、图像压缩和图像恢复。 (2) 信号处理。能分别对通讯、语音、心电和脑电信号进行处理分类;可用于海底声纳信号的检测与分类,在反潜、扫雷等方面得到应用。 (3) 模式识别。已成功应用于手写字符、汽车牌照、指纹和声音识别,还可用于目标的自动识别和定位、机器人传感器的图像识别以及地震信号的鉴别等。 (4) 机器人控制。对机器人眼手系统位置进行协调控制,用于机械手的故障诊断及排除、智能自适应移动机器人的导航。 (5) 卫生保健、医疗。比如通过训练自主组合的多层感知器可以区分正常心跳和非正常心跳、基于BP网络的波形分类和特征提取在计算机临床诊断中的应用。 (6) 焊接领域。国内外在参数选择、质量检验、质量预测和实时控制方面都

动态神经网络综述

动态神经网络综述 摘要 动态神经网络(DNN)由于具有很强的学习能力和逼近任意非线性函数的特点而被广泛应用。本文系统介绍了该网络的几种常见模型,并在此基础之上介绍它的基本学习算法、功能、应用领域、实际推广。 关键词:动态神经网络,模型,功能,算法,应用 Abstract Dynamic Neural Network (DNN) has been widely applied by means of the strong ability of learning and the characteristic of approximating any nonlinear function. The paper mainly introduces several models of common dynamic neural network, and dynamic neural network's function, basic algorithm, application and promotion. Keywords: DNN, Models , Function , Algorithm , Application

1、绪论 人工神经网络(Artificial Neural Networks,简写为ANNs)是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)和之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达[1]。 神经网络按是否含有延迟或反馈环节,以及与时间是否相关分为静态神经网络和动态神经网络,其中含有延迟或反馈环节,与时间直接有关的神经网络称为动态神经网络[2]。动态神经网络具有很强的学习能力和逼近任意非线性函数的特点,自20世纪80年代末以来,将动态神经网络作为一种新的方法引入复杂非线性系统建模中引起了工程控制领域许多学者的关注[3]。动态神经网络现在已经广泛地用于模式识别、语音识别、图象处理、信号处理、系统控制、AUV自适应航向和机器人控制、故障检测、变形预报、最优化决策及求解非线性代数问题等方面。 本文第二章主要介绍了动态神经网络的分类,基本模型和算法;第三章主要介绍了动态神经网络的应用;第四章简要介绍了神经网络的改进方法。 2、DNN网络的基本模型和算法 根据结构特点,可以将动态神经网络分为3类:全反馈网络结构,部分反馈网络结构以及无反馈的网络结构。 反馈网络(Recurrent Network),又称自联想记忆网络,如下图所示: 图2-1 反馈网络模型 反馈网络的目的是为了设计一个网络,储存一组平衡点,使得当给网络一组初始值时,网络通过自行运行而最终收敛到这个设计的平衡点上。 反馈网络能够表现出非线性动力学系统的动态特性。它所具有的主要特性为以下两点: 第一、网络系统具有若干个稳定状态。当网络从某一初始状态开始运动,网络系统总可以收敛到某一个稳定的平衡状态; 第二、系统稳定的平衡状态可以通过设计网络的权值而被存储到网络中。 反馈网络根据信号的时间域的性质的分类为

神经网络综述

神经网络综述 宁波工程学院Ningbo University of Technology 摘要: 神经网络可以指向两种,一个是生物神经网络,一个是人工神经网络。 生物神经网络:一般指生物的大脑神经元,细胞,触点等组成的网络,用于产生生物的意识,帮助生物进行思考和行动。 人工神经网络:是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。 Neural network can point the two, the one is biological neural network,the other one is artificial neural network. Biological neural networkis a kind likes Structure of synaptic connection of brain that can do the mathematical model of information processing .Biological neural networkis is uesd to produce biological consciousness, help to think and act. Artificial neural network is an abstraction and simulation of the basic characteristics of the human brain; and also it is a kind of imitating the behavior characteristics of Animal neural networks for distributed parallel algorithm which is for mathematical model of information processing. 人的大脑和计算机技术一直是科技前沿的研究方向,自从神经网络的出现,两个不相干的领域慢慢地结合在一起。但是神经网络是什么?有哪些作用?下面给出解释。 定义: 思维学普遍认为,人类大脑的思维有三种基本方式,分为抽象(逻辑)思维、形象(直观)思维和灵感(顿悟)思维。逻辑性的思维是根据逻辑规则进行推理的过程,这一过程可以写成指令,让计算机执行,获得结果。而直观性(形象)的思维是将分布式存储的信息综合起来,结果是忽然间产生想法或解决问题的办法。这种思维方式的有以下两个特点:一是信息通过神经元上的兴奋模式分布储在网络上;二是信息处理通过神经元之间同时相互作用的动态过程来完成的。人工神经网络就是模拟第二种人类思维方式。人工神经网络是由大量具备简单功能的人工神经元相互联接而成的自适应非线性动态系统。虽然单个神经元的结构和功能比较简单,但大量神经元连接构成的网络系统行为却异常复杂。人工神经网络基本功能模仿了人脑行为的若干基本特征,反映了人脑的基本功能,但并非人脑的真实写照,只是某种对人脑模仿、简化和抽象。人工神经网络具有并行信息处理特征,依靠网络系统的复杂程度,通过调整内部大量节点之间相互连接的关系,适应环境、总结规则、完成某种运算、识别或过程控制,从而达到处理信息的目的。

相关文档
最新文档