机器学习综述
摘要：为了对高层次结构的抽象的表示，需要有能够对深层结构学习的模型。深层结构是由非线性的多层次组成，如神经网络有许多隐藏的层。深层结构的参数优化是一项困难的任务，例如最近提出的深信念网络（DBN）学习算法很好解决了该问题并取得了一定的成功。深度学习是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络。
关键词：神经网络，无监督，深度学习，AI
1 引言
机器学习的核心是学习。机器学习的研究主旨是使用计算机模拟人类的学习活动,它是研究计算机识别现有知识、获取新知识、不断改善性能和实现自身完善的方法。机器学习研究的就是如何使机器通过识别和利用现有知识来获取新知识和新技能。它是人工智能的一个重要的研究领域。这里的学习意味着从数据中学习, 它包括有监督学习( Supervised Learning )、无监督学习( Unsupervised Learning) 和半监督学习( Semi- Supervised Learning )三种类别。
目前在机器学习研究领域影响较大的是H. Simon 的观点:学习是系统中的任何改进,这种改进使得系统在重复同样的工作或进行类似的工作时,能完成得更好。学习的基本模型就是基于这一观点建立起来的。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
深度学习中的主要困难，特别是在模式分类运用中，在数据的维数中学习的复杂性呈指数的线性增长。主流的方法是克服“维数灾难”，通过使用预处理数据的方式，这样能够降维以至于更够有效的处理。降维指的是特征提取，结果可
以说是在多模式识别系统智能中转换了特征提取过程中的人类工程，非常具有挑战性并且高度依赖于相关的应用。此外，如果提取了不完全或错误的特征，分类过程本质上表示非常有限。
2 浅层学习和深层学习
2.1 浅层学习
20世纪80年代末期，用于人工神经网络的反向传播算法（也叫Back Propagation算法或者BP算法）的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。这个热潮一直持续到今天。人们发现，利用BP算法可以让一个人工神经网络模型从大量训练样本中学习统计规律，从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显出优越性。这个时候的人工神经网络，虽也被称作多层感知机（Multi-layer Perception），但实际是只含有一层隐层节点的浅层模型。但是BP算法存在一些问题：（1）梯度越来越稀疏：从顶层越往下，误差校正信号越来越小；（2）收敛到局部最小值：尤其是从远离最优区域开始的时候（随机值初始化会导致这种情况的发生）；（3）一般，我们只能用有标签的数据来训练：但大部分的数据是没标签的，而大脑可以从没有标签的数据中学习；
20世纪90年代，各种各样的浅层机器学习模型相继被提出，例如支撑向量机（SVM，Support Vector Machines）、Boosting、最大熵方法（如LR，Logistic Regression）等。这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。这些模型无论是在理论分析还是应用中都获得了巨大的成功。相比之下，由于理论分析的难度大，训练方法又需要很多经验和技巧，这个时期浅层人工神经网络反而相对沉寂。
2.2 深层学习
2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要观点：（1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；（2）深度神经网络在训练上的难度，可以通过“逐层初始化”
（layer-wise pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。
深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：（1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；（2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。
2.3 深度学习过程
（1）采用无标定数据（有标定数据也可）分层训练各层参数，这一步可以看作是一个无监督训练过程，是和传统神经网络区别最大的部分（这个过程可以看作是feature learning过程）；
（2）基于第一步得到的各层参数进一步fine-tune整个多层模型的参数，这一步是一个有监督训练过程；第一步类似神经网络的随机初始化初值过程，由于DL 的第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。
3 机器学习方法的新发展
3.1 卷积神经网络（Convolutional Neural Networks）
CNNs是多层神经网络家族，特别是对两维数据设计，例如图像或视频。CNNs受到早期工作在时延神经网络（TDNN）的影响，通过在时间维度和用于语音和时间序列处理中共享权重以减少学习计算的需求。CNNs是第一个真正成功的深度学习方法，多层次的层次结构被成功的训练。CNNs是利用空间关系选择拓扑结构以减少参数的数量，它必须学习和生成前馈反向传播训练。CNNs是通过最小数据处理需要的目标而提出的一个深层学习框架。在CNNs中，一小部分图像（称为感受野）被视为对最低层输入的层次结构。信息一般通过不同的网络层传播，其中每一层运用数字滤波目的是为了获得观察数据最显著的特征。该方法提供了一个水平位移、尺度、旋转不变性，由于局部感受野允许神经元和处理单元访问最基本的单元，例如定向的边缘和角落。
但是，当权重太小时激活函数几乎是线性的，结果图像是模糊的，其他的权
重能够引起激活输出类似于与或功能。这些输出形式是一个新的特征映射，然后通过另一个卷积序列、子采样和激活函数。
在CNNs中层和空间信息的亲密关系，使得他们非常适合图像处理和理解，他们从图像中自动提取特征一般表现良好。在一些情况下Gabor滤波用来做一些初始的预处理模拟人类视觉回应视觉激发，在最近的工作中，研究人员已经运用CNNs到各种机器学习问题中，包括人脸检测，文献分析，语音识别。CNNs应用在视频中训练，主要目的是找到帧与帧之间连贯性，尽管这需要特定的CNNs。
3.2自动编码器（AutoEncoder）
3.2.1给定无标签数据，用非监督学习学习特征
在我们之前的神经网络中，我们输入的样本是有标签的，即（input, target），这样我们根据当前输出和target（label）之间的差去改变前面各层的参数，直到收敛。但现在我们只有无标签数据，我们将input输入一个encoder编码器，就会得到一个code，这个code也就是输入的一个表示，我们的目的是通过这个code来表示input。这样，我们加一个decoder解码器，这时候decoder就会输出一个信息，那么如果输出的这个信息和一开始的输入信号input是很像的（理想情况下就是一样的），很明显，这个code是靠谱的。所以，我们就通过调整encoder和decoder的参数，使得重构误差最小，这时候就得到了输入input信号的第一个表示了，也就是编码code。由于是无标签数据，所以误差的来源就是直接重构后与原输入相比得到。
3.2.2 通过编码器产生特征，然后训练下一层。这样逐层训练
得到第一层的code，我们的重构误差最小让我们相信这个code就是原输入信号的良好表达了，或者换种方式说，它和原信号是一模一样的（表达不一样，反映的是一个东西）。第二层和第一层的训练方式就没有差别了，我们将第一层输出的code当成第二层的输入信号，同样最小化重构误差，就会得到第二层的参数，并且得到第二层输入的code，也就是原输入信息的第二个表达。AutoEncoder存在一些变体，像稀疏自动编码器（Sparse AutoEncoder）、降噪自动编码器（Denoising AutoEncoders）和压缩自动编码器（Contractive AutoEncoder）。
但是，AutoEncoder不能用来分类数据，因为它没有学习如何去连结一个输入和一个类。它只是学会了如何去重构或者复现它的输入。或者说，它只是学习获得了一个可以良好代表输入的特征，这个特征可以最大程度上代表原输入信号。那么，为了实现分类，我们就可以在AutoEncoder的最顶的编码层添加一个分类器（例如罗杰斯特回归、SVM等），然后通过标准的多层神经网络的监督训练方法（梯度下降法）去训练。
3.3 限制的玻尔兹曼机（Restricted Boltzmann Machines）
假设有一个二部图，每一层的节点之间没有链接，一层是可视层，即输入数据层（v)，一层是隐藏层(h)，如果假设所有的节点都是随机二值变量节点（只能取0或者1值），同时假设全概率分布p(v,h)满足Boltzmann 分布，我们称这个模型是Restricted Boltzmann Machines (RBMs)。
RBMs通常使用对比差异学习过程来训练。这需要一定的实际操作经验来决定如何设定元参数数值的值，例如学习率，动量，质量成本，稀疏目标，权重初始值，隐藏单元的数量和每个小量的大小。这根据所使用的单元类型决定，是否随机的或确定的更新它们状态，对歌样本来说多久更新一次隐藏单元的状态，是否在每个数据向量开始时更新状态序列。另外，需要知道如何监控学习过程和何时终止训练。
然而，如果我们把隐藏层的层数增加，我们可以得到Deep Boltzmann Machine(DBM)；如果我们在靠近可视层的部分使用贝叶斯信念网络（即有向图模型，当然这里依然限制层中节点之间没有链接），而在最远离可视层的部分使用Restricted Boltzmann Machine，我们可以得到Deep Belief Networks（DBN）。
3.4 深度信念网络（Deep Belief Networks）
DBNs是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对P(Observation|Label)和P(Label|Observation)都做了评估，而判别模型仅仅而已评估了后者，也就是P(Label|Observation)。对于在深度神经网络应用传统的BP算法的时候，DBNs 遇到了以下问题：（1）需要为训练提供一个有标签的样本集；（2）学习过程较慢；（3）不适当的参数选择会导致学习收敛于局部最优解。
DBNs由多个限制玻尔兹曼机（Restricted Boltzmann Machines）层组成。
这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。
经典的DBN网络结构是由若干层RBM 和一层BP 组成的一种深层神经网络。DBN 在训练模型的过程中主要分为两步：
（1）分别单独无监督地训练每一层RBM网络,确保特征向量映射到不同特征空间时,都尽可能多地保留特征信息；
（2）在DBN的最后一层设置BP网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器。而且每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优,并不是对整个DBN的特征向量映射达到最优，所以反向传播网络还将错误信息自顶向下传播至每一层RBM，微调整个DBN网络。RBM网络训练模型的过程可以看作对一个深层BP网络权值参数的初始化,使DBN克服了BP网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。
上述训练模型中第一步在深度学习的术语叫做预训练，第二步叫做微调。最上面有监督学习的那一层，根据具体的应用领域可以换成任何分类器模型，而不必是BP网络。
4 总结与展望
机器学习的研究就是希望计算机能像人类那样具有从现实世界获取知识的能力,同时进一步发现人类学习的机理和揭示人脑的奥秘。
从目前的研究趋势来看,估计机器学习今后将在以下几个方面做更多的工作：（1）人类学习机制的研究;（2）发展和完善现有的学习方法, 并开展新的学习方法的研究;（3）建立实用的学习系统,特别是多种学习方法协同工作的集成化系统的研究;（4）机器学习有关理论及应用的研究。
参考文献
[1]Arel, I., Rose, D. C. and K arnowski, T. P. Deep machine learning - a new frontier in artificial intelligence research. Computational Intelligence Magazine, IEEE, vol. 5, pp. 13-18, 2010.
[2]Hinton, G. E. Learning multiple layers of representation. Trends in Cognitive Sciences, vol. 11, pp. 428-434, 2007.
[3]Hinton, G. E. A practical guide to training restricted boltzmann machines. Technical Report UTML TR 2010-003, University of Toronto, 2010.
[4]Erhan, D., Manzagol, P. A., Bengio, Y., Bengio, S. and Vincent, P. The difficulty of training deep architectures and the effect of unsupervised pretraining. In The Twelfth International Conference on Artificial Intelligence and Statistics (AISTATS), pp. 153–160, 2009.
[5]Erhan, D., Courville, A., Bengio, Y. and Vincent, P. Why Does Unsupervised Pre-training Help Deep Learning? In the 13th International Conference on Artificial Intelligence and Statistics (AISTATS), Chia Laguna Resort, Sardinia, Italy, 2010.
[6] S. Sukittanon, A. C. Surendran, J. C. Platt, and C. J. C. Burges, “Convolutional network s for speech detection,” Interspeech, pp. 1077–1080, 2004.
[7] Y. Bengio, “Learning deep architectures for AI,” Found. Trends Mach. Learn., vol. 2, no. 1, pp. 1–127, 2009.
[8] P. Y. Simard, D. Steinkraus, and J. C. Platt, “Best practices for convolutional neural networks applied to visual document analysis,” in Proc. 7th Int. Conf. Document Analysis and Recognition, 2003, pp. 958–963.
[9] G. E. Hinton, S. Osindero, and Y. Tem, “A fast learning algorithm for deep belief nets,” Neural Comput., vol. 18, pp. 1527–1554, 2006.
[10] G. E. Hinton and R. R. Salakhutdinov, “Reducing the dimensional ity of data with neural networks,” Science, vol. 313, no. 5786, pp. 504–507, 2006.
[11] H. Lee, R. Grosse, R. Ranganath, and A. Ng, “Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations,” in Proc. 26th Int. Conf. Machine Learning, 2009, pp. 609–616.
[12] Georey Hinton, “A Practical Guide to Training Restricted Boltzmann Machines,”August 2, 2010
[13] Marc’Aurelio Ranzato, Chri stopher Poultney, Sumit Chopra and Yang LeCun," Efficient Learning of Sparse Representations with an Energy-Based Model," in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007
[14] Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, "Greedy Layer-Wise Training of Deep Networks,” in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007
机器视觉技术发展现状 人类认识外界信息的80%来自于视觉，而机器视觉就是用机器代替人眼来做 测量和判断，机器视觉的最终目标就是使计算机像人一样，通过视觉观察和理解 世界，具有自主适应环境的能力。作为一个新兴学科，同时也是一个交叉学科，取“信息”的人工智能系统，其特点是可提高生产的柔性和自动化程度。目前机器视觉技术已经在很多工业制造领域得到了应用，并逐渐进入我们的日常生活。 机器视觉是通过对相关的理论和技术进行研究，从而建立由图像或多维数据中获机器视觉简介 机器视觉就是用机器代替人眼来做测量和判断。机器视觉主要利用计算机来模拟人的视觉功能，再现于人类视觉有关的某些智能行为，从客观事物的图像中提取信息进行处理，并加以理解，最终用于实际检测和控制。机器视觉是一项综合技术，其包括数字处理、机械工程技术、控制、光源照明技术、光学成像、传感器技术、模拟与数字视频技术、计算机软硬件技术和人机接口技术等，这些技术相互协调才能构成一个完整的工业机器视觉系统[1]。 机器视觉强调实用性，要能适应工业现场恶劣的环境，并要有合理的性价比、通用的通讯接口、较高的容错能力和安全性、较强的通用性和可移植性。其更强调的是实时性，要求高速度和高精度，且具有非接触性、实时性、自动化和智能 高等优点，有着广泛的应用前景[1]。 一个典型的工业机器人视觉应用系统包括光源、光学成像系统、图像捕捉系统、图像采集与数字化模块、智能图像处理与决策模块以及控制执行模块。通过 CCD或CMOS摄像机将被测目标转换为图像信号，然后通过A/D转换成数字信号传送给专用的图像处理系统，并根据像素分布、亮度和颜色等信息，将其转换成数字化信息。图像系统对这些信号进行各种运算来抽取目标的特征，如面积、 数量、位置和长度等，进而根据判别的结果来控制现场的设备动作[1]。 机器视觉一般都包括下面四个过程：
基于机器学习算法的文本分类方法综述 摘要：文本分类是机器学习领域新的研究热点。基于机器学习算法的文本分类方法比传统的文本分类方法优势明显。本文综述了现有的基于机器学习的文本分类方法，讨论了各种方法的优缺点，并指出了文本分类方法未来可能的发展趋势。 1.引言 随着计算机技术、数据库技术，网络技术的飞速发展，Internet的广泛应用，信息交换越来越方便，各个领域都不断产生海量数据，使得互联网数据及资源呈现海量特征，尤其是海量的文本数据。如何利用海量数据挖掘出有用的信息和知识，方便人们的查阅和应用，已经成为一个日趋重要的问题。因此，基于文本内容的信息检索和数据挖掘逐渐成为备受关注的领域。文本分类(text categorization，TC)技术是信息检索和文本挖掘的重要基础技术，其作用是根据文本的某些特征，在预先给定的类别标记(label)集合下，根据文本内容判定它的类别。传统的文本分类模式是基于知识工程和专家系统的，在灵活性和分类效果上都有很大的缺陷。例如卡内基集团为路透社开发的Construe专家系统就是采用知识工程方法构造的一个著名的文本分类系统，但该系统的开发工作量达到了10个人年，当需要进行信息更新时，维护非常困难。因此，知识工程方法已不适用于日益复杂的海量数据文本分类系统需求[1]。20世纪90年代以来，机器学习的分类算法有了日新月异的发展，很多分类器模型逐步被应用到文本分类之中，比如支持向量机(SVM，Support Vector Machine)[2-4]、最近邻法(Nearest Neighbor)[5]、决策树(Decision tree)[6]、朴素贝叶斯(Naive Bayes)[7]等。逐渐成熟的基于机器学习的文本分类方法，更注重分类器的模型自动挖掘和生成及动态优化能力，在分类效果和灵活性上都比之前基于知识工程和专家系统的文本分类模式有所突破，取得了很好的分类效果。 本文主要综述基于机器学习算法的文本分类方法。首先对文本分类问题进行概述，阐述文本分类的一般流程以及文本表述、特征选择方面的方法，然后具体研究基于及其学习的文本分类的典型方法，最后指出该领域的研究发展趋势。 2．文本自动分类概述 文本自动分类可简单定义为：给定分类体系后，根据文本内容自动确定文本关联的类别。从数学角度来看，文本分类是一个映射过程，该映射可以是一一映射，也可以是一对多映射过程。文本分类的映射规则是，系统根据已知类别中若干样本的数据信息总结出分类的规律性，建立类别判别公式或判别规则。当遇到新文本时，根据总结出的类别判别规则确定文本所属的类别。也就是说自动文本分类通过监督学习自动构建出分类器，从而实现对新的给定文本的自动归类。文本自动分类一般包括文本表达、特征选取、分类器的选择与训练、分类等几个步骤，其中文本表达和特征选取是文本分类的基础技术，而分类器的选择与训练则是文本自动分类技术的重点，基于机器学习的文本分来就是通过将机器学习领域的分类算法用于文本分类中来[8]。图1是文本自动分类的一般流程。
Mechanical Engineering and Technology 机械工程与技术, 2018, 7(6), 462-472 Published Online December 2018 in Hans. https://www.doczj.com/doc/0c9980373.html,/journal/met https://https://www.doczj.com/doc/0c9980373.html,/10.12677/met.2018.76057 Research Status and Key Technology Analysis of Vascular Robots Zhijian Zeng1, Yabo Deng1, Yongcong Huang1, Juan Xiong2, Zhongwei Hu1,3 1College of Mechanical and Electrical Engineering, Huaqiao University, Xiamen Fujian 2Huaqiao University Hospital, Xiamen Fujian 3Institute of Manufacturing Engineering, Huaqiao University, Xiamen Fujian Received: Nov. 16th, 2018; accepted: Dec. 4th, 2018; published: Dec. 11th, 2018 Abstract In recent years, vascular robot technology has developed rapidly and gradually used in medical fields such as disease diagnosis, information collection, vascular dredge, drug delivery, etc. Ac-cording to different driving modes of vascular robots, the structure and driving modes of mi-cro-nano-scale and millimeter-scale vascular robots are analyzed in this paper. The principle and research status of different driving modes of vascular robots are summarized, including peristaltic driving, bionic swimming, bionic flagella driving, spiral driving and so on. The characteristics of various structures of current vascular robots are discussed, and the key technologies and devel-opment prospects of vascular robots are analyzed. Keywords Blood Vessel Robot, Driving Mode, Nano-Robot, MEMS Robot 血管机器人研究现状与关键技术问题分析 曾志坚1，邓亚博1，黄永聪1，熊娟2，胡中伟1,3 1华侨大学机电及自动化学院，福建厦门 2华侨大学校医院，福建厦门 3华侨大学制造工程研究院，福建厦门 收稿日期：2018年11月16日；录用日期：2018年12月4日；发布日期：2018年12月11日
工业机器人文献综述 生产力在不断进步，推动养科技的进步与革新，以建立更加合理 的生产关系。自工业革命以来，人力劳动己经逐渐被机械所取代，而这种变革为人类社会创造出巨大的财富，极大地推动了人类社会的进步时至今天，机电一体化，机械智能化等技术应运而生并己经成为时代的主旋律。 1.工业机器人的发展： 1.1 机器人概念的诞生 机器人技术一词虽然出现的较晚，但这一概念在人类的想象中却早已出现。自古以来，有不少科学家和杰出工匠都曾制造出具有人类特点或具有动物特征的机器人雏形。我国西周时期的能工巧匠就研制出了能歌善舞的伶人，这是我国最早的涉及机器人概念的文章记录，此外春秋后期鲁班制造过一只木鸟，能在空中飞行，体现了我国劳动人民的智慧。机器人一词由捷克作家--卡雷尔.恰佩克在他的讽刺剧《罗莎姆的万能机器人》中首次提出，剧中描述了一机器奴仆Robot。此次Robot被沿用下来，中文译成机器人。1942年美国科幻作家埃萨克.阿西莫夫在他的科幻小说《我.机器人》中提出了“机器人三大定律”，这三大定律后来成为学术界默认的研发原则。现代机器人出现于20世纪中期，当计算机技术出现，电子技术的进步，数控机床的出现及与机器人相关的控制技术和零件加工技术的成熟，为现代机器人的发展打下了基础。 1.2 国内机器人的发展史 在我国目前采用工业机器人的行业主要有汽车行业、摩托车、电 器、工程机械、石油化工等行业。我国作为亚洲第三大的工业机器人需求国，对于工业机器人的需求量在逐年增加，从而吸引了大批工业机器人的制造商，加快了我国工业机器人技术的发展第一阶段是20世纪80年代，我国为t跟踪国际机器人技术的道路，当时以原机械工业部为主，航天工业部等部门联合组织国内的相关研究单位开展了工业机器人的研究，先后推出了弧焊、点焊、喷漆等多种工业机器人。直到90年代，通过国家863计划等的K77，我国具备t独!)设计不}}生产工业机器人的能力，培养了一批高水平的研究生产队伍进入21世纪，中国的工业机器人发展进入t一个崭新的阶段，其中最大的特点是以企业为主体，以市场为导向、赢利为目标的机器人产业开发群体止在形成。尽管国外大的工业机器人公司为了占领中国不断扩大的市场，加大了其在中国的经销力度，但是中国的机器人企业以自己独有的市场信息优势、售前售后的服}}c势、针对中国企业的工艺特点的专门化设计优势努力争取自己的市场地位随养全球经济的一体化发展，世界制造中心向中国转移的趋势，中国工业机器人的产业会快速的发展起来，特别重要的是研制单位必须和需求紧密结合，让机器人走进工厂，实现真止的产业化。 经过20多年的探索，我国的工业机器人自动化技术取得t长足的发展，但是与世界发达国家相比，还有不小的差距;机器人应用工程起步也较晚，应用领域窄，生产线系统技术落后随养我国制造业-尤其是汽车行业的发展，对工业机器人的需求日益增长，工业机器人的拥有量远远不能满足需求量。尤其是基础零部件和元器件生产和制造、机器人可靠性以及成木等问题，都存在很多问题。尤其在大负载工业机器人方而，不仅产品长期大量依靠从国外引进，在维护、更新改造方而对国外的依赖也相当严重。 1.3国内外工业机器人的发展方向
机器视觉的辅助驾驶系统的视频中行人 实时检测识别研究文献综述 1机器视觉发展 国外机器视觉发展的起点难以准确考证，其大致的发展历程是：20世纪50年代提出机器视觉概念，20世纪70年代真正开始发展，20世纪80年代进入发展正轨，20世纪90年代发展趋于成熟，20世纪90年代后高速发展。在机器视觉发展的历程中，有3个明显的标志点，一是机器视觉最先的应用来自“机器人”的研制，也就是说，机器视觉首先是在机器人的研究中发展起来的；二是20世纪70年代CCD图像传感器的出现，CCD摄像机替代硅靶摄像是机器视觉发展历程中的一个重要转折点；三是20世纪80年代CPU、DSP等图像处理硬件技术的飞速进步，为机器视觉飞速发展提供了基础条件。 国内机器视觉发展的大致历程：真正开始起步是20世纪80年代，20世纪90年代进入发展期，加速发展则是近几年的事情。中国正在成为世界机器视觉发展最活跃的地区之一，其中最主要的原因是中国已经成为全球的加工中心，许许多多先进生产线己经或正在迁移至中国，伴随这些先进生产线的迁移，许多具有国际先进水平的机器视觉系统也进入中国。对这些机器视觉系统的维护和提升而产生的市场需求也将国际机器视觉企业吸引而至，国内的机器视觉企业在与国际机器视觉企业的学习与竞争中不断成长。 未来机器视觉的发展将呈现下列趋势: （1）技术方面的趋势是数字化、实时化、智能化 图像采集与传输的数字化是机器视觉在技术方面发展的必然趋势。更多的数字摄像机，更宽的图像数据传输带宽，更高的图像处理速度，以及更先进的图像处理算法将会推出，将会得到更广泛的应用。这样的技术发展趋势将使机器视觉系统向着实时性更好和智能程度更高的方向不断发展。 （2）产品方面：智能摄像机将会占据市场主要地位 智能摄像机具有体积小、价格低、使用安装方便、用户二次开发周期短的优点，非常适合生产线安装使用，越来越受到用户的青睐，智能摄像机所采用的许多部件与技术都来自IT行业，其价格会不断降低，逐渐会为最终用户所接受。因此，
科技写作 学院（系）：医疗器械与食品学院 年级专业：生物医学工程 学生姓名：朱安阳 学号： 152631974 指导教师：袁敏
摘要 20世纪60年代以来，随着仿生技术、控制技术和制造技术进一步发展，现代仿生学和机器人科学相结合，在机器人的结构仿生、材料仿生、功能仿生、控制仿生以及群体仿生等多个方面取得了大量可喜成果和积极进展。然而，伴随着人类医疗诊断、探索太空、建设航天站、开发海洋、军事作战与反恐侦察等任务和需求的增加，人们对机器人的性能也提出了更高的要求，于是生物机器人应运而生。 生物机器人就是完完全全和我们人类一样，用有生命的材料构成的而不是用金属材料构成的机器人。它们是利用自然界中的动物作为运动本体的机器人，通过把微电极植入与动物运动相关的脑核团或者方向感受区，并施加人工模拟的神经电信号，从而达到控制动物运动，利用动物特长代替人类完成人所不能和人所不敢的特殊任务。 与传统的仿生机器人相比，生物机器人在能源供给、运动灵活性、隐蔽性、机动性和适应性方面具有更明显的优势，可以广泛应用在海洋开发、探索太空、反恐侦查、危险环境搜救以及狭小空间检测等各方面。近年来对生物运动规律和动物机器人的研究受到更多的重视。本文主要对对国内外生物机器人的研制工作做了综述，并介绍其应用前景及对其未来发展进行了展望。 关键词：生物机器人；运动诱导；神经控制；研究现状；发展方向
1.课题的研究现状 自20世纪90年代开始，生物机器人的研究历史仅有短短的10年，然而这短短十年又是生物机器人研究成果丰硕的十年，各国科研人员都相继开展了动物机器人的研究工作，尤其是美国，日本等科技发达国家，它们的研究成果代表着这一领域的最高水平，国在这一领域的研究尚在起步阶段，但也已有了不俗的进展。 1.1 国外的研究现状 在国外，美国、日本以及欧盟较早地开始了纳米生物机器人的研究。纳米生物机器人的组件可以是单个的原子或分子，但利用自然界存在的、具有一定结构和功能的原子团或分子的集合分子功能器件组装纳米机器人，更加高效和现实可行，即按照分子仿生学原理，利用大量存在的天然分子功能器件设计、组装纳米生物机器人。美国 2000年开始了国家纳米技术计划，国家卫生研究院(NIH)和国家癌症研究所(NIC)于2002年开展了DNA分子马达的研究。NASA高级概念研究院(NIAC)和Rutgers大学在2002年提出了纳米生物机器人研究50年发展规划；2002年日本Osaka大学启动了生命科学前沿研究计划，其中包括 ATP马达的研究；欧盟2002年正式推出了研究纳米技术的第6框架计划，其中纳米生物技术的研究重点为生物分子或复合物的处理、操纵和探测。 图 1-1 昆虫机器人
重庆理工大学 毕业设计（论文）文献综述题目机器人行走机构设计 二级学院重庆汽车学院 专业机械设计制造及其自动化班级 姓名学号 指导教师系主任 时间
评阅老师签字：
机器人行走机构 吴俊 摘要：行走机器人是机器人学中的一个重要分支。行走机构可以是轮式的、履带式的 和腿式的等，能适应地上、地下、水中、空中、宇宙等作业环境的各种移动机构。本 文从国内外的研究状况着手，介绍了行走机器人的发展历史，研究现状和发展趋势。本文还介绍了国内最新的研究成果。 关键字：机器人行走机构发展现状应用 Keyword:robot travelling mechanism developing current situation application 一，前言 行走机器人是机器人学中的一个重要分支。关于行走机器人的研究涉及许多方面，首先，要考虑移动方式，可以是轮式的、履带式的和腿式的等；其次，必须考虑 驱动器的控制，以使机器人达到期望的行为；第三，必须考虑导航或路径规划。因此，行走机器人是一个集环境感知、动态决策与规划、行为控制与执行等多种功能于一体 的综合系统。机器人的机械结构形式的选型和设计，应该根据实际需要进行。在机器 人机构方面，应当结合机器人在各个领域及各种场合的应用，开展丰富而富有创造性 的工作。对于行走机器人，研究能适应地上、地下、水中、空中、宇宙等作业环境的 各种移动机构。当前，对足式步行机器人、履带式和特种机器人研究较多，但大多数 仍处于实验阶段，而轮式移动机器人由于其控制简单，运动稳定和能源利用率高等特点，正在向实用化迅速发展，从阿波罗登月计划中的月球车到美国最近推出的NASA 行星漫游计划中的六轮采样车，从西方各国正在加紧研制的战场巡逻机器人、侦察车 到新近研制的管道清洗检测机器人，都有力地显示出行走机器人正在以其使用价值和 广阔的应用前景而成为智能机器人发展的方向之一。 二、课题国内外现状 多足步行机器人是一种具有冗余驱动、多支链、时变拓扑运动机构, 是模仿多足 动物运动形式的特种机器人, 是一种足式移动机构。所谓多足一般指四足及四足其以上, 常见的多足步行机器人包括四足步行机器人、六足步行机器人、八足步行机器人等。 步行机器人历经百年的发展, 取得了长足的进步, 归纳起来主要经历以下几个 阶段: 第一阶段, 以机械和液压控制实现运动的机器人。 第二阶段, 以电子计算机技术控制的机器人。 第三阶段, 多功能性和自主性的要求使得机器人技术进入新的发展阶段。 三、研究主要成果 国内多足步行机器人的研究成果[1]： 1991年,上海交通大学马培荪等研制出JTUWM[1]系列四足步行机器人。JTUWM-III是模仿马等四足哺乳动物的腿外形制成,每条腿有3个自由度,由直流伺服
基于机器视觉的工件识别和定位文献综述 1.前言 1.1工业机器人的现状与发展趋势 机器人作为一种最典型的应用范围广、技术附加值高的数字控制装备，在现代先进生产制造业中发挥的作用越来越重要，机器人技术的发展将会对未来生产和社会发展起到强有力的推动作用。《2l 世纪日本创建机器人社会技术发展战略报告》指出，“机器人技术与信息技术一样，在强化产业竞争力方面是极为重要的战略高技术领域。培育未来机器人产业是支撑2l 世纪日本产业竞争力的产业战略之一，具有非常重要的意义。” 研发工业机器人的初衷是为了使工人能够从单调重复作业、危险恶劣环境作业中解脱出来，但近些年来，工厂和企业引进工业机器人的主要目的则更多地是为了提高生产效率和保证产品质量。因为机器人的使用寿命很长，大都在10 年以上，并且可以全天后不间断的保持连续、高效地工作状态，因此被广泛应用于各行各业，主要进行焊接、装配、搬运、加工、喷涂、码垛等复杂作业。伴随着工业机器人研究技术的成熟和现代制造业对自动生产的需要，工业机器人越来越被广泛的应用到现代化的生产中。 现在机器人的价格相比过去已经下降很多，并且以后还会继续下降，但目前全世界范围的劳动力成本都有所上涨，个别国家和地区劳动力成本又很高，这就给工业机器人的需求提供了广阔的市场空间，工业机器人销量的保持着较快速度的增长。工业机器人在生产中主要有机器人工作单元和机器人工作生产线这两种应用方式，并且在国外，机器人工作生产线已经成为工业机器人主要的应用方式。以机器人为核心的自动化生产线适应了现代制造业多品种、少批量的柔性生产发展方向，具有广阔的市场发展前景和强劲生命力，已开发出多种面向汽车、电气机械等行业的自动化成套装备和生产线产品。在发达国家，机器人自动化生产线已经应用到了各行各业，并且已经形成一个庞大的产业链。像日本的FANUC、MOTOMAN，瑞典的ABB、德国的KUKA、意大利的COMAU 等都是国际上知名的被广泛用于自动化生产线的工业机器人。这些产品代表着当今世界工业机器人的最高水平。 我国的工业机器人前期发展比较缓慢。当将被研发列入国家有关计划后，发展速度就明显加快。特别是在每次国家的五年规划和“863”计划的重点支持下，我国机器人技术的研究取得了重大发展。在机器人基础技术和关键技术方面都取得了巨大进展，科技成果已经在实际工作中得到转化。以沈阳新松机器人为代表的国内机器人自主品牌已迅速崛起并逐步缩小与国际品牌的技术差距。 机器人涉及到多学科的交叉融合，涉及到机械、电子、计算机、通讯、控制等多个方面。在现代制造业中，伴随着工业机器人应用范围的扩大和机器人技术的发展，机器人的自动化、智能化和网络化的程度也越来越高，所能实现的功能也越来越多，性能越来越好。机器人技术的内涵已变为“灵活应用机器人技术的、具有实在动作功能的智能化系统。”目前，工业机器人技术正在向智能机器和智能系统的方向发展，其发展趋势主要为：结构的模块化和可重构化；控制技术的开放化、PC 化和网络化；伺服驱动技术的数字化和分散化；多传感器融合技术的实用化；工作环境设计的优化和作业的柔性化以及系统的网络化和智能化等方面。 1.2机器视觉在工业机器人中的应用 工业机器人是FMS（柔性加工）加工单元的主要组成部分，它的灵活性和柔性使其成为自动化物流系统中必不可少的设备，主要用于物料、工件的装卸、分捡和贮运。目前在全世界有数以百万的各种类型的工业机器人应用在机械制造、零件加工和装配及运输等领域，
燕山大学 本科毕业设计（论文）文献综述 课题名称：顺序动作机械手 学院（系）：机械工程学院 年级专业：机电控制 学生姓名：杨忠合 指导教师：郑晓军 完成日期： 2014.03.25
一、课题国内外现状 目前国内机械于主要用于机床加工、铸锻、热处理等方面，数量、品种、性能方面都不能满足工业生产发展的需要。所以，在国内主要是逐步扩大应用范围，重点发展铸造、热处理方面的机械手，以减轻劳动强度，改善作业条件，在应用专用机械手的同时，相应的发展通用机械手，有条件的还要研制示教式机械手、计算机控制机械手和组合机械手等。同时要提高速度，减少冲击，正确定位，以便更好的发挥机械手的作用。此外还应大力研究伺服型、记忆再现型，以及具有触觉、视觉等性能的机械手，并考虑与计算机连用，逐步成为整个机械制造系统中的一个基本单元。 国外机械手在机械制造行业中应用较多，发展也很快。目前主要用于机床、横锻压力机的上下料，以及点焊、喷漆等作业，它可按照事先指定的作业程序来完成规定的操作。国外机械手的发展趋势是大力研制具有某种智能的机械手。使它具有一定的传感能力，能反馈外界条件的变化，作相应的变更。如位置发生稍许偏差时，即能更正并自行检测，重点是研究视觉功能和触觉功能。目前已经取得一定成绩。目前世界高端工业机械手均有高精化，高速化，多轴化，轻量化的发展趋势。定位精度可以满足微米及亚微米级要求，运行速度可以达到3M/S，量新产品达到6轴，负载2KG的产品系统总重已突破100KG。更重要的是将机械手、柔性制造系统和柔性制造单元相结合，从而根本改变目前机械制造系统的人工操作状态。同时，随着机械手的小型化和微型化，其应用领域将会突破传统的机械领域，而向着电子信息、生物技术、生命科学及航空航天等高端行业发展。 二、研究主要成果 机械手通常用作机床或其他机器的附加装置，如在自动机床或自动生产线上装卸和传递工件，在加工中心中更换刀具等，一般没有独立的控制装置。有些操作装置需要由人直接操纵，如用于原子能部门操持危险物品的主从式操作手也常称为机械手。 搬运机械手仿真设计和制作，机械手的机械结构主要包括由两个电磁阀控制的气缸来实现机械手的上升下降运动及夹紧工件的动作，两个转速不同的电动机分别通过两线圈控制电动机的正反转，从而实现小车的进退运动，并利用ADAMS 软件对搬运机械手进行建模，对其进行运动学及动力学仿真，
基于机器视觉的产品识别检测技术研究 摘要：机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标特征，如面积、数量、位置，再根据预设的允许度和其他条件输出结果，包括尺寸、个数、合格/不合格、标识有无等，实现自动识别功能。机器视觉的研究是从20世纪60年代中期开始70年代已形成几个重要研究分支：目标制导的图像处理、图像处理和分析的并行运算、序列图像分析和运动参量求值、视觉知识的表示、视觉系统的知识库等。 关键词：机器视觉；CCD相机；图像处理；产品检测。
引言 机器视觉就是用机器代替人眼来做测量和判断，它是一项综合技术，其中包括数字图像处理技术、控制技术、电光源照明技术、光学成像技术、传感技术、模拟与数字视频技术等，机器视觉更强调实用性，要求能够适应工业生产中恶略的环境，要有通用的工业接口。电视摄像技术的成熟与计算机技术的发展使得机器视觉研究成为可能，它作为早期人工智能的一部分，由于技术条件的限制进展缓慢。后来在随着计算机技术的快速发展，机器视觉的研究得到了迅速发展在国外，机器视觉的应用普及主要体现在半导体及电子行业，机器视觉系统在产品检测方面已经得到了广泛的应用。在中国机器视觉技术应用开始与90年代，目前国内机器视觉大多为外国品牌，不过随着机器视觉的应用，国内公司技术上已经逐渐成熟。与此同时，随着配套基础设施建设的完善，技术、资金的积累，各行各业对机器视觉技术的工业自动化、智能化需求开始广泛出现。国内高校校、研究所和企业在这个领域进行了积极探索和大胆尝试，这都将促进工业检测自动化技术向智能化发展。
纳米材料综述 一、基本定义 1990年7月，第一届国际纳米科学技术会议在美国巴尔的摩举办，标志着 纳米科学技术的正式诞生。 1、纳米 纳米是一种长度单位，1纳米=1×10-9米，即1米的十亿分之一，单位符 号为 nm。 2、纳米技术 纳米技术是在单个原子、分子层次上对物质的种类、数量和结构形态进行 精确的观测、识别和控制的技术，是在纳米尺度范围内研究物质的特性和 相互作用，并利用这些特性制造具有特定功能产品的多学科交叉的高新技 术。其最终目标是人类按照自己的意志直接操纵单个原子、分子，制造出 具有特定功能的产品。 纳米技术的发展大致可以划分为3个阶段： 第一阶段(1990年即在召开“Nano 1”以前主要是在实验室探索各种纳米粉体的制备手段，合成纳米块体(包括薄膜，研究评估表征的方法，探索纳米材料的特殊性能。研究对象一般局限于纳米晶或纳米相材料。 第二阶段 (1990年～1994年人们关注的热点是设计纳米复合材料： ?纳米微粒与纳米微粒复合(0-0复合， ?纳米微粒与常规块体复合(0-3复合， ?纳米复合薄膜(0-2复合。 第三阶段(从1994年至今纳米组装体系研究。它的基本内涵是以纳米颗粒 以及纳米丝、管等为基本单元在一维、二维和三维空间组装排列成具有纳米结构的体系的研究。 3、纳米材料 材料基本构成单元的尺寸在纳米范围即1~100纳米或者由他们形成的材料就称为纳米 材料。纳米材料和宏观材料迥然不同，它具有奇特的光学、电学、磁学、热学和力学等方面的性质。
图1 纳米颗粒材料SEM图 二、纳米材料的基本性质 由于纳米材料是由相当于分子尺寸甚至是原子尺寸的微小单元组成，也正因为这样，纳米材料具有了一些区别于相同化学元素形成的其他物质材料特殊的物理或是化学特性例如：其力学特性、电学特性、磁学特性、热学特性等，这些特性在当前飞速发展的各个科技领域内得到了应用。科学家们和工程技术人员利用纳米材料的特殊性质解决了很多技术难题，可以说纳米材料特性促进了科技进步和发展。 1、力学性质 高韧、高硬、高强是结构材料开发应用的经典主题。具有纳米结构的材料强度与粒径成反比。纳米材料的位错密度很低，位错滑移和增殖符合Frank-Reed模型，其临界位错圈的直径比纳米晶粒粒径还要大，增殖后位错塞积的平均间距一般比晶粒大，所以纳米材料中位错滑移和增殖不会发生，这就是纳米晶强化效应。金属陶瓷作为刀具材料已有50多年历史，由于金属陶瓷的混合烧结和晶粒粗大的原因其力学强度一直难以有大的提高。应用纳米技术制成超细或纳米晶粒材料时，其韧性、强度、硬度大幅提高，使其在难以加工材料刀具等领域占据了主导地位。使用纳米技术制成的陶瓷、纤维广泛地应用于航空、航天、航海、石油钻探等恶劣环境下使用。 2、热学性质 纳米材料的比热和热膨胀系数都大于同类粗晶材料和非晶体材料的值，这是由于界面原子排列较为混乱、原子密度低、界面原子耦合作用变弱的结果。因此在储热材料、纳米复合材料的机械耦合性能应用方面有其广泛的应用前景。例如Cr-Cr2O3颗粒膜对太阳光有强烈的吸收作用，从而有效地将太阳光能转换为热能。 3、电学性质 由于晶界面上原子体积分数增大，纳米材料的电阻高于同类粗晶材料，甚至发生尺寸诱导金属——绝缘体转变（SIMIT）。利用纳米粒子的隧道量子效应和库仑堵塞效应制成的纳米电子器件具有超高速、超容量、超微型低能耗的特点，有可能在不久的将来全面取代目前的常规半导体器件。2001年用碳纳米管制成的纳米晶体管，表现出很好的晶体三极管放大特性。并根据低温下碳纳米管的三极管放大特性，成
攀爬机器人文献综述 攀爬机器人文献综述 对攀登机器人结构点性能计算和实验的研究 摘要 本文介绍了并联攀爬机器人性能的运动学和动力学研究，从而避免结构框架上的节点。为了避免结构节点，攀爬并联机器人可以取得某种确定的动作。一系列的动作组合起来，可以方便沿着结构节点的攀登运动。必须对并联攀爬机器人的姿态予以研究，因为在其独特的配置下，姿势能够驱动机器人。此外，需要对执行机构为了避免机构节点而产生的力进行评估。因此本文的目的要表明，Stewart–Gough 并行平台能够作为攀爬机器人，与其他机器人相反，并行攀爬机器人能后轻易而优雅地避免结构节点。为了支持第一部分中描述的模拟结果，实验测试平台已经发展到围绕结构节点对并联攀爬机器人地动力性能进行研究。获得的结果非常有趣，显示了潜在的在工业中使用平行S-G机器人作为攀岩机器人的存在。 关键词：爬壁机器人、动力学、并联机器人、奇点
一简介 当需要在一些危险或者难以到达的地方执行任务时，具有在不同结构上攀爬和滑行能力的机器人是非常重要的，比如在检查和维修金属桥梁、通信天线以及深入核工业结构内部过程中使用的机器人。通常，这些类型的金属结构是由聚合在一起的杆构成，是一种联合机械，每一个都可以描述为棱柱元素变截面和尺寸的扩展。所有这些元素组合产生晶格不同的几何结构，其中结构性因素在不同点的结合称为结构节点。这类结构的尺寸和形状取决于它应用的设计。在这一类型设置中不同任务的机器人化已经被广泛地记载在文献中。在许多情况下，有人提出使用连接机构和多腿机器人来实现位移的随即移动。另外，许多这些机器人是被设计用来在墙壁或管道攀爬和工作。一些建议的解决方案在机械上是非常复杂的，需要在运动控制方面有高水平的发展和阐述。一种用来给双层底部板件焊接的机器人正在研制当中。该型机器人是由一种有选择顺应性装配机器手臂配置的四足机器组成。该机器人通过抓住加强筋移动，但由于其几何结构不能移动通过结构节点。Balaguer提出了一种能够在复杂的三维金属基结构的爬壁机器人。该机器人采用“毛毛虫“的概念来取代这些结构，并实时生成控制设计从而确保稳定的自我支持。Longo建议一个城市侦察双足机器人。这种机器人能够在表面上实现交替移动，并且小到足以穿越密闭空间。Minor and Rossman 提出了一种有腿的机器人，能够通过移动其身体从而产生推力。这些机器人的结构让它们沿着管道和梁结构，并通过内爬管道，但机器人不能够避免节点。在本篇论文中提出的机器人能够围绕结构节点移动。 对于位移和攀爬金属结构的最优解问题在理论上是基于一种原理，动力执行机构是机器人结构的一部分，直接连接到并联机器人地末端，并用一种几何技巧克服了用于微小运动时的障碍。此外，机器人要轻便，机械结构简单，具有大的载荷和高速运转能力。这些条件基本都是由并联机器人实现。基于这个原因，用一种改进的的并联机器人作为攀爬机器人完全是有可能的。 基本上，并联机器人用于攀登必须用适当的夹具系统改变两个环中的一个，并取代另一个环，并通过预先设定的位移方向实现几何构型的动作。对并联机器人而言，这个过程简单且自然。
文献综述 随着社会经济的发展，企业所面临的外部经营环境发生了明显的变化。战略管理和项目管理作为应对变化的有效手段被越来越多的企业所采用，同时，随着企业规模的扩大，项目的数量和规模急剧扩增，企业中的项目越来越多，企业在面临众多项目而资源有限的情况下，如何组织好、协调好多个项目，同时又要使其与企业战略目标一致成为亟待解决的问题。项目组合管理架起了战略管理与项目管理的桥梁，它是帮助实现项目与企业战略相结合的有效理论和工具。 1 项目组合管理理论 项目组合管理要对每一个项目进行商业价值和利益的评判，集合成项目组合的战略价值，去实现一定的组织目标和利益,项目组合不再是简单的进行多个项目的管理[1]。 项目组合管理是将一系列项目纳入到同一个组合当中,这个组合有独立的项目组合评审报告记录了各个项目的目标、成本、时限、专业技术水平、资源、风险和其他的关键因素。然后项目执行主管便能从整体上把握该组合，恰当地配置资源和调整项目，以使部门的利益回报最大化[2]。 项目组合管理是将单个项目、活动和所需资源与公司战略相联系的过程，从而确保投入的有限资源具有最高的价值和最低的风险。此外，这个过程允许贯穿整个组织的战略沟通，进而更好的选择和执行那些支持公司战略的项目和活动，同时剔除那些劣质项目[3]。 项目组合管理是对项目集进行选择、评价、策划、实施、管理的有效过程[4]。 PMI对组合管理的定义为[5]: 项目组合管理不是简单地管理多个项目,每个项目组合都需要根据自身的商业价值和公司战略来评价,并且要实现一定的商业目标或商业利益。 PMBOK2004这样定义项目组合 组织依据其具体的目标来管理项目组合。项目组合管理的目标之一
龙源期刊网 https://www.doczj.com/doc/0c9980373.html, 机器学习概述 作者：李炜 来源：《科技视界》2017年第12期 【摘要】机器学习成为人工智能、模式识别领域的共同研究热点，其理论方法已经被广 泛应用于解决实际工程应用及科学领域的复杂问题。随着技术的快速发展，以统计为基础的机器学习受到人们的关注，并在语音、自然语言、视觉等领域获得成功应用。本文主要阐述了机器学习的分类，介绍几种常用的机器学习方法。 【关键词】机器学习分类；人工智能；P-N Leraning 0 概述 机器学习是实现人工智能领域的一个重要的研究分支，其研究的主要内容是实现利用计算机程序让带有处理器及计算功能的机器可以随着经验的增加提高处理问题的性能。目前，机器学习的理论已经被广泛的应用到，如智能视频监控、生物识别、无人驾驶等各个领域。 1 机器学习的发展及分类 机器学习基本上可分为 4 个阶段。第一阶段：上世纪 50 年代到 60 年代中期，系统通过自身不断的学习输入、输出反馈，完善系统参数及本身的性能。第二阶段：从 1960 年代中叶到70 年代中，该阶段主要是对系统结构的研究，如通过逻辑结构或者图结构来解释描述机器内 部结构。第三阶段的时间是从上世纪 70 年代中到 80 年代中期，主要通过研究学习策略和学习方法来提高改善学习的效率，同时引入知识数据库，此阶段机器学习取得了长足的发展；1986 年至今，神经网络的引入，及人工智能的需要，人们对机器学了得连接机制进行了研 究。 目前机器学习领域的研究一般可分四类，即无监督学习、监督学习、半监督学习以及增强学习[1-2]。 1.1 无监督学习 无监督学习是一种自学习的分类方式，对没标记的训练样本进行学习，发掘未知数据间隐藏的结构关系。无监督学习和核密度估计方法非常相似。常用的无监督学习有关联规则学习和聚类学习 1.2 监督学习 监督学习是有人工参与的一种学习。监督学习一般分为 3 步，第一标记样本，第二训练，第三模型概率估计。其大概过程如下：（1）输入样本的特征向量和样本类别标记，（2）训
文献综述 河北科技师范学院 文献综述 题目：基于计算机视觉测量技术 姓名：张力坤 一．国内外现状 机器视觉自起步发展到现在，已有将近20年的发展历史。应该说机器视觉作为一种应用系统，其功能特点是随着工业自动化的发展而逐渐完善和发展的。 目前全球整个视觉市场总量大概在70~80亿美元，是按照每年8.8%的增长速度增长的。而在中国，这个数字目前看来似乎有些庞大，但是随着加工制造业的发展，中国对于机器视觉的需求将承上升趋势。 何谓机器视觉？ 简言之，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。 正是由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。在中国，这种应用也在逐渐被认知，且带来最直接的反应就是国内对于机器视觉的需求将越来越多。 机器视觉在国内外的应用现状在国外，机器视觉的应用普及
从流量分类、路由优化、服务质量（Q os）/体验质量（Q o E ）预测、资源管理和安全性的角度，回顾了机器学习算法如何应用于SDN 领域。介绍篇： 异构网络增加了网络的复杂性，在有效组织，管理和优化网络资源方面带来了许多挑战。（什么是异构网络） 在网络中运用智能化方法是解决这些问题的方法之一。如知识平面方法（KP ）：ML +认知技术将automation,recommendation and intelligence带入互联网。 由于传统网络固有的分布特征，每个节点（路由或交换机）只能查看系统的一小部分并对其进行操作。SDN 可以对其进行帮助。 在SDN 中应用机器学习是合适的原因： 1. 图形处理单元GPU 和张量处理单元TPU 等技术为机器学习提供了很好的机会； 2.集中式SDN 控制器具有全局网络视图，能够收集各种网络数据，便于机器学习算法的应用。 3.基于实时和历史网络数据，机器学习技术可以通过执行数据分析，网络优化和网络服务的自动提供来为SDN 控制器提供智能化。 4.SDN 可编程性使机器学习算法生成的最优网络解决方案（如配置或资源分配）能够在网络上执行。 （图1 综述总体路线图） 第一二节：相关工作。 第三节：SDN 背景知识。 第四节：介绍常用的ML 算法 第五节：从流量分类、路由优化、服务质量（Q o S ）/体验质量(QoS)预测、资源管理和安全等方面对ML算法在SDN领域的应用进行了综述，并详细说明了机器学习在每一类中的应用。 第六节：讨论未来的研究方向：高质量的训练数据集、分布式多控制器平台、提高网络安全性、跨层网络优化和增量部署SDN。 第七节：软件定义其它。 SDN 网络架构（图2） 机器学习和sdn 的综述 2018年11月29日20:01
纳米机器人在生物学上的应用 学号：34 姓名:100821234 学院：生命科学技术学院班级：10082 12 摘要：纳米技术与分子生物学的结合将开创分子仿生学新领域。分子仿生学模仿细胞生命过程的各个环节，以分子水平上的生物学原理为参照原型，设计制造各种各样的可对纳米空间进行操作的“功能分子器件”———纳米机器人。纳米机器人的研制和开发将成为２１世纪科学发展的一个重要方向。关键字：纳米技术纳米机器人分子马达1前沿：纳米机器人的研究属于分子仿生学的范畴，它根据分子水平的生物学原理为设计原型，设计制造可对纳米空间进行操作的“功能分子器件”。纳米生物学的近期设想，是在纳米尺度上应用生物学原理，发现新现象，研制可编程的分子机器人，也称纳米机器人。合成生物学对细胞信号传导与基因调控网络重新设计，开发“在体” （in vivo）或“湿”的生物计算机或细胞机器人，从而产生了另种方式的纳米机器人技术。 2纳米生物学与纳米机器人 纳米生物学的设想，是在纳米尺度上应用生物学原理，发现新现象，研制可编程的分子机器人，也称纳米机器人。涉及的内容可归纳为以下三个方面： ①在纳米尺度上了解生物大分子的精细结构及其与功能的联系。 ②在纳米尺度上获得生命信息，例如，利用扫描隧道显微镜获取细胞膜和细胞表面的结构信息等。 ③纳米机器人的研制。 纳米机器人是纳米生物学中最具有诱惑力的内容。 第一代纳米机器人是生物系统和机械系统的有机结合体，这种纳米机器人可注入人体血管内，进行健康检查和疾病治疗。还可以用来进行人体器官的修复工作、作整容手术、从基因中除去有害的DNA，或把正常的ＤＮＡ安装在基因中，使机体正常运行[1]。 第二代纳米机器人是直接从原子或分子装配成具有特定功能的纳米尺度的分子装置。 第三代纳米机器人将包含有纳米计算机，是一种可以进行人机对话的装置。 3纳米机器人不久将进入我们的生活 用不了多久，个头只有分子大小的纳米机器人将源源不断地进入人类的日常生活。它们将为我们制造钻石、舰艇、鞋子、牛排和复制更多的机器人。要它们停止工作只需启动事先设定的程序。表面来看，上述想法近乎不可思议：一项单一的技术在应用初期就能治病、延缓衰老、清理有毒的废物、扩大世界的食物供应、筑路、造汽车和造楼房？这并非天方夜谭，也许在21世纪中叶前就可以实现。全世界的研究机构都在想方设法将这些设想变成现实。美国总统克林顿曾经宣布成立美国国家纳米研究机构，承诺提供50亿美元进行这方面的尝试。 其实，纳米技术一词由来已久。理查德·费恩曼是继爱因斯坦之后最有争议和最伟大的理论物理学家，1959年他在一次题目为《在物质底层有大量的空间》的演讲中提出：将来人类有可能建造一种分子大小的微型机器，可以把分子甚至单个的原子作为建筑构件在非常细小的空间构建物质，这意味着人类可以在最底层空间制造任何东西。从分子和原子着手改变和组织分子是化学家和生物学家意欲到达的目标。这将使生产程序变得非常简单，你只需将获取到的大量的分子进行重新组合就可形成有用的物体。事实上，每一个细胞都是一个活生生的纳米技术应用的实例：细胞不仅将燃料转化为能量，而且按照储存在DNA中的信息来建造和激活蛋白质和酶，通过对不同物种的DNA进行重组，基因工程家已经学会建造新的这类