Machine Learning and Pattern Recognition
1.Basic Introduction
1.Machine Learning
Learning is a very important feature of intelligent behavior.But the machine learning.H.A.simon believes that learning is adaptive changes made to the system,making the system more effective when completed the same or similar tasks next time.R.s.Michaiski said that learning is to construct or modify things for experienced representation.People engaged in the development if Expert-Systerm think that learning is the acquisition of knowledge.These views have different emphases.The first emphasizes the effect of the external behavior of learning,the second emphasizes the internal processes of learning and the third is mainly from the practical point of departure of knowledge engineering.
Machine learning has a very important position in the study of artificial intelligence.An intelligent system that does not have the ability to learn is difficult to be called a real intelligent systems. But in the past generally intelligent systems lack the capacity to learn. For example,they can not be self-correcting when errors are encountered; do not improve their performance through experience;does not automatically obtain and discovery the required knowledge.They are limited to deductive reasoning and lack of induction,so it can only prove the fact and theorem witch have existed,and do not discovery a new theorems,laws and rules.With the development of artificial intelligence, these limitations behave even more prominent.It is in this case,machine learning has gradually become one of the core of artificial intelligence research.Its application has been throughout all branches of artificial intelligence,such as expert systems,automated reasoning Natural language understanding,pattern recognition,computer vision, intelligent robotics and other fields.In particular,the typical expert system knowledge acquisition bottleneck problem,people have been trying to try to use machine learning methods to overcome them.
The research of machine learning is based on the understanding of physiology and cognitive science,build model or models of human understanding of the learning process,develop Various learning theories and learning methods;Learning algorithm research and general theoretical analysis,establish learning system with
application-specific task-oriented.The goal of this study affect each other and promote each other.
2.Pattern Recognition
Pattern recognition is a fundamental human intelligence,in everyday life,people often conducting"pattern recognition."With the rise
of the computer artificial intelligence occurred in the1940s and 1950s,Of course,one also hopes to use the computer to replace or extend the mental part ofhumanity.Pattern Recognition rapid and become a new discipline in the early1960s.Pattern recognition means(text and logical relationships between the values of)the characterization of the various forms of objects or phenomena information processing and analysis to describe phenomena or things,identification,classification and interpretation process,information science and an important part of artificial intelligence.
Pattern recognition research focuses on two aspects,One study of objects(including people)is how we perceive objects belonging to the scope of scientific knowledge,the second is given the task of how to use a computer to implement the theories and methods of pattern recognition.The former is a research physiologist,psychologists, biologists and neurophysiologists,the latter through the mathematicians,informatics experts and computer scientists,in recent decades efforts have been made in this research https://www.doczj.com/doc/9d5888305.html,ing computer to identify or classify a process.
Events or processes may be identified by text,sound,images,and other specific objects,these objects are different from the information in digitalform is called pattern information.
The number of classes of pattern recognition classification is determined by the specific identification problems.Sometimes,you can not know the actual number of classes at the start,you need to identify the system after repeated observations to determine the object to be identified.
Pattern recognitions have a relationship with statistical pattern recognition,psychology,linguistics,computer science,biology, cybernetics,etc.It also has relations with artificial intelligence research,image processing.Such as adaptive or self-organizing pattern recognition system contains artificial intelligence learning mechanisms; scene understanding of artificial intelligence research,natural language understanding also includes pattern recognition problems. Another example is pattern recognition preprocessing and feature extraction,image processing applicationstechnology sectors;image processing pattern recognition,image analysis techniques are applied.
2.The relationship
Pattern recognition is derived from engineering,it is a kind of problem(problem);Machine learning derived from mathematics,is a kind of method(methodology).For a specific pattern recognition problems,you can use handcrafted rule--based approach to solving,but more complicated PR problems often adopt the method of machine learning. 1.The classification of machine learning
According to the study of different pattern,the machine learning in general can be divided into four categories:
Supervised Learning
Training set with all the input of the target value is called supervised learning.This study aims to find the relationship between the input variables and target.According to the target value,supervised learning can be divided into two types of problems:if the target value is a discrete variable,called classification;If it is a continuous variable,called regression.
Unsupervised Learning
All input variables without a target value are called unsupervised learning.This study aims to find the internal links between the input variables.According to the specific internal contact type,unsupervised learning also can be divided into a variety of problems,such as clustering, density estimation,the visualization.
Semi-supervised Learning
Input variables some have the target value and some have no is called semi-supervised learning.In fact,the book did not refer directly to semi-supervised learning.
Reinforcement learning
This type of learning is on the basis of supervised learning,it allows the machine to choose training data.At the same time,training in access to information at the same time also can bring the cost or loss,triggering
a tradeoff.
2.The basic process of machine learning
The most basic of the machine learning process is:
1.Determine the type of model
2.To determine the model complexity(i.e.,the number of free parameters)
3.Make sure all the parameters of each model
4.Finally,the comparison between model one of the best choice,also known asmodel selection
Trainning model generally refers to one or a set of analytical expressions,through which can use the analytic method to express knowledge or direct optimization decision.According to the generalization ability is different,trainning model can only face the step3,also can at the same time to cover all4steps.Trainning cannot express for the part of the model,either through conputational algorithm to enumeration or more,or to specific application model assumptions. Over fitting and Model Selection
The specific meaning of over fitting description is not clear in the book,generally refers to such a phenomenon:sometimes the model error on the training set is very small,but a large error on the training set.
If algorithm over fitting phenomena,traditionally to choosing a
subset of the training data(called the validation set),and based on the validation set to do the model selection.
The difference between the validation data and test data is that the former can be in another part of the run of the training data,different run for the same set of data to take a different training-to divide the validation;While the latter is not used in the process of training,is usually used in the experiment.
The validation of the faults are two:
1.The validation takes up extra training data,the data in the application are particularly affected.Cross-validation technology is used to alleviate the defects.It in turn to select a small number of data from the training set to do the validation set,and finally to combine multiple results.But cross-validation to introduce several rounds of the validation,increased the amount of calculation.
2.As a result of the existence of the validation,training model can not according to the training data parsing model comparison.When need to enumerate compare model complexity parameters change,the validation of miscellaneous complexity index rose.
3.Pattern recognition method
Decision theory method
Also known as statistical method,and it is a way that the develop early.Identify the object first and make digital transformation to fit the computer.A model is often represented with a large amount of information.Many pattern recognition systems in the digital link after preprocessing,also used to remove the interference with information and reduce some deformation and distortion.After,that is followed for feature extraction from digital or after preprocessing of input patterns extracted a set of features.So-called feature is the measure of a selected it for normal deformation and distortion remains the same or almost the same,and only contain redundant information of as little as possible. Feature extraction process map the input mode from the object space to feature space.At this time,the model can be used a point in the feature space or a feature vector representation.This mapping not only compress the amount of information,and easy to classification.In decision theory method,the feature extraction is very important,but there is no general theoretical guidance,only by analyzing specific recognition object the feature selection.Feature extraction can be carried out after the classification,that is,from the feature space and then mapped to the decision space.For introducing the identification function,calculated from characteristic vector corresponding to various other identification function value,the categorized by identifying function values.
Syntactic methods
Also called structure method or linguistics.Its basic idea is to put
a model described as the combination of simpler subpattern,su
b model and can be described as the combination of simpler subpattern,end up with a tree structure to describe,at the bottom of the simplest primitive subpattern called mode.In syntacti
c approach selecte
d primitiv
e problem is equivalent to select characteristic problems in decision theory method. Usually requires the selected primitives reflects on model provides a compact description o
f its structural relationship,and easy to use the syntax method to extract them.Obviously,the primitive itself should not contain important structural information.Model to a set of motifs and to describe their combination relationship,referred to as the model to describe the statement,the same as in the language sentence combination of words and phrases,words with the same character combinations. Primitive rules combined into patterns,by so-called syntax to specify. Once primitives have been identified,the identification process can be through the syntactic analysis,the analysis of the given pattern statement is in line with the specified syntax,meet is of a kind of grammar points in the class.Choice depends on the nature of the problem of pattern recognition method.If the identified object is very complex,and contains rich structural information,general syntax methods;By the object recognition is not very complex or do not contain obvious structural information,generally USES decision theory method.These two methods cannot be separated,in syntactic approach,primitive itself is made of decision theory method to extract.In application,combine the two methods were applied to different levels,often can get good effect.
Statistical pattern recognition
Statistical pattern recognition(statistic pattern recognition),the basic principle is:the similarities of the samples in the pattern space close to each other,and form a"group",namely"birds of a feather flock together."Its analysis method based on pattern characteristic vector measured by Xi=(xi1,xi2,...,xid)T(I=1,2,...,N),will be under a given pattern C class1omega,omega2,...,omega c,and then according to the distance between the model function to discriminant classification. Among them,T transposed;N as sample points;D characteristic number for sample.Statistical pattern recognition is the main method is: discriminant function method,near neighbour classification,nonlinear mapping method,characteristic analysis,the main factor analysis method, etc.
In statistical pattern recognition,bayesian decision rule is theoretically solved of optimal classifier design problem,but its implementation must first solve probability density estimation problem more difficult.BP neural network directly from the observed data(the training sample)to study,is more simple and effective method,thus obtained the widespread application,but it is a kind of heuristic techniques,the lack of a specified engineering practice solid
theoretical basis.Breakthrough in statistical inference theory research in cause of modern theories of statistical learning theory,VC,the theory is not only based on strict mathematical successfully answered the problem of the theory of artificial neural network and deduced a new learning method called support vector machine(SVM).
计算机视觉与图像处理、模式识别、机器学习学科之间的关系 在我的理解里，要实现计算机视觉必须有图像处理的帮助，而图像处理倚仗与模式识别的有效运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。纵观一切关系，发现计算机视觉的应用服务于机器学习。各个环节缺一不可，相辅相成。 计算机视觉（computer vision），用计算机来模拟人的视觉机理获取和处理信息的能力。就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。 图像处理（image processing），用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本内容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。 模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。这些对象与数字形式的信息相区别，称为模式信息。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。 机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。
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/9d5888305.html,/journal/met https://https://www.doczj.com/doc/9d5888305.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
工业机器人研究综述 ） 摘要：介绍了工业机器人的三个组成部分——主体，控制系统，驱动系统。探讨了目前工业机器人技术的驱动系统，并且分析了工业机器人控制策略的种类 以及目前工业机器人控制系统的特点。同时，基于工业机器人的三个组成部分，提出了工业机器人的技术发展展望，最后总结了目前工业机器人技术的发展。 关键词：工业机器人控制系统驱动系统 Review of industrial robots Abstract:Three components of industrial robots - body, control systems and drive systems are introduced. Explores the current industrial robot technology drive system,and analyzed the type of industrial robot control strategies and the current industrial robot control system characteristics.At the same time, Based on the three components of industrial robots, Proposed Technical Development Prospect of industrial robots, and finally summarizes the current industrial robot technology. 1、工业机器人体系结构 工业机器人一般由主体、控制系统和驱动系统三个部分构成，如图1.1所示。 主体即工业机器人的执行机构，包括手部、腕部和臂部，有的机器人甚至还有
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
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
模式识别与机器学习期末考查 思考题 1：简述模式识别与机器学习研究的共同问题和各自的研究侧重点。 机器学习是研究让机器（计算机）从经验和数据获得知识或提高自身能力的科学。 机器学习和模式识别是分别从计算机科学和工程的角度发展起来的。然而近年来，由于它们关心的很多共同问题（分类、聚类、特征选择、信息融合等），这两个领域的界限越来越模糊。机器学习和模式识别的理论和方法可用来解决很多机器感知和信息处理的问题，其中包括图像/视频分析、（文本、语音、印刷、手写）文档分析、信息检索和网络搜索等。近年来，机器学习和模式识别的研究吸引了越来越多的研究者，理论和方法的进步促进了工程应用中识别性能的明显提高。 机器学习：要使计算机具有知识一般有两种方法；一种是由知识工程师将有关的知识归纳、整理，并且表示为计算机可以接受、处理的方式输入计算机。另一种是使计算机本身有获得知识的能力，它可以学习人类已有的知识，并且在实践过程中不总结、完善，这种方式称为机器学习。机器学习的研究，主要在以下三个方面进行：一是研究人类学习的机理、人脑思维的过程；和机器学习的方法；以及建立针对具体任务的学习系统。机器学习的研究是在信息科学、脑科学、神经心理学、逻辑学、模糊数学等多种学科基础上的。依赖于这些学科而共同发展。目前已经取得很大的进展，但还没有能完全解决问题。 模式识别：模式识别是研究如何使机器具有感知能力，主要研究视觉模式和听觉模式的识别。如识别物体、地形、图像、字体（如签字）等。在日常生活各方面以及军事上都有广大的用途。近年来迅速发展起来应用模糊数学模式、人工神经网络模式的方法逐渐取代传统的用统计模式和结构模式的识别方法。特别神经网络方法在模式识别中取得较大进展。理解自然语言计算机如能“听懂”人的语言（如汉语、英语等），便可以直接用口语操作计算机，这将给人们带来极大的便利。计算机理解自然语言的研究有以下三个目标：一是计算机能正确理解人类的自然语言输入的信息，并能正确答复（或响应）输入的信息。二是计算机对输入的信息能产生相应的摘要，而且复述输入的内容。三是计算机能把输入的自然语言翻译成要求的另一种语言，如将汉语译成英语或将英语译成汉语等。目前，研究计算机进行文字或语言的自动翻译，人们作了大量的尝试，还没有找到最佳的方法，有待于更进一步深入探索。 机器学习今后主要的研究方向如下： 1)人类学习机制的研究；
连续机器人的研究现状与展望 摘要：本文首先针对连续机器人的研究价值进行了阐述，接着从驱动方式、支撑结构和运动能力三个方面归纳了连续体操作单元的设计特点，然后总结了连续机器人的应用现状以及存在的问题，最后，从建模与控制理论、自主化运动以及信息融合技术三个方面对连续体机器人的未来研究的研究工作进行了展望。 1.引言 传统机器人通常由少数连杆和驱动关节串联而成，尽管这些机器人被证明对许多任务非常有效，但它们并非没有限制，主要表现在缺乏可操作性与总体自由度低两个方面。在作业空间狭窄或工作空间存在众多非结构化障碍物时，传统的由刚性构件组成的机器人难以灵活运作，该类应用领域己成为机械手臂发展的一个技术瓶颈，迫切需要研究新型的机械手臂的运动机理和操作方式用于该问题。 与传统的工业机器人相比，连续体机器人的机械部件不包含刚性连杆和可识别的旋转关节，能够依靠连续弯曲的核心结构或骨架使机器人主体弯曲成光滑连续曲线。连续机器人的设计灵感来自天然动物的柔顺运动，如象鼻[1]、章鱼臂[2]和舌头[3]等，其优异的柔顺性和灵活性使之在杂乱或非结构化的环境中也能成功完成任务。连续体机器人对工作空间狭小的环境和非结构化的现实环境具有独特的适应能力，除了末端可以安装执行器完成操作外，机器人本体也可以作为执行器完成抓取动作，并且其尺寸可做到比传统机器人更小，是对传统关节式机器人应用场景的良好补充。 2. 研究现状 基于动物柔顺器官的仿生设计，连续机器人不存在明显的关节，但通常是由单一操作单元或多段操作单元串联而成的，其操作单元按不同的分类方式可以归纳如下： 2.1按驱动方式分类 连续体机器人根据机械驱动方法和位置的不同，可以大致分为“内部驱动方式”、“外部驱动方式”和“混合驱动方式”。内部驱动方式的驱动器位于机构表层或者内部，对机器人直接驱动，常见的有气压和液压驱动；外部驱动方式是将驱动器置于机器人本体之外，通过拉丝等方式进行驱动，，有利于小型化的发展，是目前常见的设计方式；混合驱动方式为内部驱动与外部驱动的组合如图1所示。 2.2按支撑结构分类 为了保持整个机器人的整体形状并实现机器人的弯转，连续体机器人通常采用如下三种支撑形式：（1）流体支撑。向连续体机器人密封内腔注入一定压力的流体可以起到支撑与驱动的双重作用。（2）表面层支撑。在机器人圆柱形内表面或外表面通常覆盖弹性树脂层、硅胶层或其他具有一定弯曲刚度的弹性层来实现支撑作用。（3）轴心支撑。在机器人轴心固结弹性复合材料，例如弹簧、柔性管类和万向节支架等。对于不同的支撑方式，同样可以组合应用，如图2展示的是表层支撑和轴心支撑的混合应用形式。 2.3按运动能力分类 根据连续体机器人的运动能力，可以将其分为3种类型：（1）单自由度型。此类型操作单元主要实现单一指定平面内的弯曲运动，多节该类“仿生柔性手指”
·在一个10类的模式识别问题中，有3类单独满足多类情况1，其余的类别满足多类情况2。问该模式识别问题所需判别函数的最少数目是多少？ 应该是252142 6 *74132 7=+=+ =++C 其中加一是分别3类 和 7类 ·一个三类问题，其判别函数如下： d1(x)=-x1, d2(x)=x1+x2-1, d3(x)=x1-x2-1 (1)设这些函数是在多类情况1条件下确定的，绘出其判别界面和每一个模式类别的区域。 (2)设为多类情况2，并使：d12(x)= d1(x), d13(x)= d2(x), d23(x)= d3(x)。绘出其判别界面和多类情况2的区域。
(3)设d1(x), d2(x)和d3(x)是在多类情况3的条件下确定的，绘出其判别界面和每类的区域。 ·两类模式，每类包括5个3维不同的模式，且良好分布。如果它们是线性可分的，问权向量至少需要几个系数分量？假如要建立二次的多项式判别函数，又至少需要几个系数分量？（设模式的良好分布不因模式变化而改变。） 如果线性可分，则4个 建立二次的多项式判别函数，则102 5 C 个 ·(1)用感知器算法求下列模式分类的解向量w: ω1: {(0 0 0)T , (1 0 0)T , (1 0 1)T , (1 1 0)T } ω2: {(0 0 1)T , (0 1 1)T , (0 1 0)T , (1 1 1)T } 将属于ω2的训练样本乘以（-1），并写成增广向量的形式。 x ①=(0 0 0 1)T , x ②=(1 0 0 1)T , x ③=(1 0 1 1)T , x ④=(1 1 0 1)T x ⑤=(0 0 -1 -1)T , x ⑥=(0 -1 -1 -1)T , x ⑦=(0 -1 0 -1)T , x ⑧=(-1 -1 -1 -1)T 第一轮迭代：取C=1，w(1)=(0 0 0 0) T 因w T (1) x ① =(0 0 0 0)(0 0 0 1) T =0 ≯0，故w(2)=w(1)+ x ① =(0 0 0 1) 因w T (2) x ② =(0 0 0 1)(1 0 0 1) T =1>0，故w(3)=w(2)=(0 0 0 1)T 因w T (3)x ③=(0 0 0 1)(1 0 1 1)T =1>0，故w(4)=w(3) =(0 0 0 1)T 因w T (4)x ④=(0 0 0 1)(1 1 0 1)T =1>0，故w(5)=w(4)=(0 0 0 1)T 因w T (5)x ⑤=(0 0 0 1)(0 0 -1 -1)T =-1≯0，故w(6)=w(5)+ x ⑤=(0 0 -1 0)T 因w T (6)x ⑥=(0 0 -1 0)(0 -1 -1 -1)T =1>0，故w(7)=w(6)=(0 0 -1 0)T 因w T (7)x ⑦=(0 0 -1 0)(0 -1 0 -1)T =0≯0，故w(8)=w(7)+ x ⑦=(0 -1 -1 -1)T 因w T (8)x ⑧=(0 -1 -1 -1)(-1 -1 -1 -1)T =3>0，故w(9)=w(8) =(0 -1 -1 -1)T 因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第二轮迭代。 第二轮迭代： 因w T (9)x ①=(0 -1 -1 -1)(0 0 0 1)T =-1≯0，故w(10)=w(9)+ x ① =(0 -1 -1 0)T
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
模式识别研究进展 刘成林，谭铁牛 中国科学院自动化研究所 模式识别国家重点实验室 北京中关村东路95号 摘要 自20世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别(Pattern Recognition)是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，是人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt的感知机[1]和Nilsson的学习机[2]就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20世纪80年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。 模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/视频的处理、分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain等人的综述[3]已经全面介绍了2000年以前模式分类方面的进展，本文侧重于2000年以后的研究进展。
四足步行机器人文献综述 移动机器人按移动方式大体分为两大类；一是由现代车辆技术延伸进展成轮式移动机 器人（包括履带式）；二是基于仿生技术的运动仿生气器人。运动仿生气器人按移动方式分 为足式移动、蠕动、蛇行、游动及扑翼飞行等形式,其中足式机器人是研究最多的一类运动 仿生气器人。 自然环境中有约50％的地势，轮式或履带式车辆到达不了，而这些地点如森林，草地 湿地，山林地等地域中拥有庞大的资源，要探测和利用且要尽可能少的破坏环境，足式机器 人以其固有的移动优势成为野外探测工作的首选，另外，如海底和极地的科学考察和探究， 足式机器人也具有明显的优势，因而足式机器人的研究得到世界各国的广泛重视。现研制成 功的足式机器人有1足，2足，4足，6足，8足等系列，大于8足的研究专门少。曾长期作为人类要紧交通工具的马，牛，驴，骆驼等四足动物因其优越的野外行走能 力和负载能力自然是人们研究足式机器人的重点仿生对象。因而四足机器人在足式机器人中 占有专门大的比例。长期从事足式机器人研究的日本东京工业大学的広濑茂男等学者认为：从 稳固性和操纵难易程度及制造成本等方面综合考虑，四足机是最佳的足式机器人形式[1]，四 足机器人的研究深具社会意义和有用价值。
四足机器人的研究可分为早期探究和现代自主机器人研究两个 时期。中国古代的“木牛流马”以及国外十九世纪由Rygg 设计的“机械马”，是人类对足式行走行机器的早期探究。而Muybridge 在1899 年用连续摄影的方法研究动物的行走步态，则是人们研究足式机器人的开端。20世纪60年代，机器人进入了以机械和液压操纵实现运动的进展时期。美国学者Shigley（1960）和Baldwin（1966）都使用凸轮连杆机构设计了机动的步行车[2]。这一时期的研究成果最具代表性的是美国的Mosher于19 68 年设计的四足车“Walking Truck”[3]（图1）。 80年代，随着运算机技术和机器人操纵技术的广泛研究和应用，真正进入了具有自主行为的现代足式机器人的广泛研究时期。 2、现代自主机器人的研究状况 以微型运算机技术广泛应用为标志的现代四足机器人的研究和应用受到世界广泛的关 注。现代四足机器人研究最系统和取得研究成果最多的是日本东京工业大学的広濑茂男等领 导的広癞·福田机器人研究室（HIROSE·FUKUSHIMA ROBTICS L AB），该实验室从80年代 开始四足机的研究，连续研究20多年，共试制成功3个系列、12款四足机器人。发表有关研 究论文172篇[4]。其它如美国的 MIT,卡耐基梅隆大学，加拿大，德国，法国，新加坡，韩国 等国家均有四足机器人样机研制成功。国内也进行了四足机器人的基础研究和试验研究，如 吉林工业大学，北京航空航天大学、上海交通大学，哈尔滨工业大学，中国科技大学等单位。 表1列出了国内外要紧从事研究四足机的单位和其研制的典型样机型。
人工智能与模式识别 摘要：信息技术的飞速发展使得人工智能的应用范围变得越来越广，而模式识别作为其中的一个重要方面，一直是人工智能研究的重要方向。在介绍人工智能和模式识别的相关知识的同时，对人工智能在模式识别中的应用进行了一定的论述。模式识别是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词：模式识别；数字识别；人脸识别中图分类号； Abstract:The rapid development of information technology makes the application of artificial intelligence become more and more widely. Pattern recognition, as one of the important aspects, has always been an important direction of artificial intelligence research. In the introduction of artificial intelligence and pattern recognition related knowledge at the same time, artificial intelligence in pattern recognition applications were discussed.Pattern recognition is a basic human intelligence, the emergence of the 20th century, 40 years of computer and the rise of artificial intelligence in the 1950s, pattern recognition technology has made great progress. Pattern recognition and statistics, psychology, linguistics, computer science, biology, cybernetics and so have a relationship. It has a cross-correlation with artificial intelligence and image processing. The potential of pattern recognition is huge. Key words:pattern recognition; digital recognition; face recognition; 1引言 随着计算机应用范围不断的拓宽，我们对于计算机具有更加有效的感知“能
模式识别与机器学习期末考查 试卷 研究生姓名：入学年份：导师姓名：试题1：简述模式识别与机器学习研究的共同问题和各自的研究侧重点。 答：（1）模式识别是研究用计算机来实现人类的模式识别能力的一门学科，是指对表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。主要集中在两方面，一是研究生物体（包括人）是如何感知客观事物的，二是在给定的任务下，如何用计算机实现识别的理论和方法。机器学习则是一门研究怎样用计算机来模拟或实现人类学习活动的学科，是研究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。主要体现以下三方面：一是人类学习过程的认知模型；二是通用学习算法；三是构造面向任务的专用学习系统的方法。两者关心的很多共同问题，如：分类、聚类、特征选择、信息融合等，这两个领域的界限越来越模糊。机器学习和模式识别的理论和方法可用来解决很多机器感知和信息处理的问题，其中包括图像/ 视频分析（文本、语音、印刷、手写）文档分析、信息检索和网络搜索等。 （2）机器学习和模式识别是分别从计算机科学和工程的角度发展起来的，各自的研究侧重点也不同。模式识别的目标就是分类，为了提高分类器的性能，可能会用到机器学习算法。而机器学习的目标是通过学习提高系统性能，分类只是其最简单的要求，其研究更
侧重于理论，包括泛化效果、收敛性等。模式识别技术相对比较成熟了，而机器学习中一些方法还没有理论基础，只是实验效果比较好。许多算法他们都在研究，但是研究的目标却不同。如在模式识别中研究所关心的就是其对人类效果的提高，偏工程。而在机器学习中则更侧重于其性能上的理论证明。试题2：列出在模式识别与机器学习中的常用算法及其优缺点。答：（1）K 近邻法算法作为一种非参数的分类算法，它已经广泛应用于分类、 回归和模式识别等。在应用算法解决问题的时候，要注意的两个方面是样本权重和特征权重。 优缺点：非常有效，实现简单，分类效果好。样本小时误差难控制，存储所有样本，需要较大存储空间，对于大样本的计算量大。（2）贝叶斯决策法 贝叶斯决策法是以期望值为标准的分析法，是决策者在处理 风险型问题时常常使用的方法。 优缺点：由于在生活当中许多自然现象和生产问题都是难以完全准确预测的，因此决策者在采取相应的决策时总会带有一定的风险。贝叶斯决策法就是将各因素发生某种变动引起结果变动的概率凭统计资料或凭经验主观地假设，然后进一步对期望值进行分析，由于此概率并不能证实其客观性，故往往是主观的和人为的概率，本身带有一定的风险性和不肯定性。虽然用期望的大小进行判断有一些风险，但仍可以认为贝叶斯决策是一种兼科学性和实效性于一身的比较完善的用于解决风险型决策问题的方法，在实际中能够广泛应
文献综述 摘要目前有关并联机器人精度方面的研究工作还比较薄弱,为采取有效措施提高并联机构的精度,通过对3-RRR并联机器人机构的分析,针对传统D-H参数法的局限性,采用微分理论,建立了该并联机器人机构的精度模型,通过计算机仿真,针对单条支链多个结构参数误差,比较全面的分析了结构参数对输出位姿误差以及位姿变化对机器人机构精度的影响。分析结果为:机构中所有结构误差随着X轴正向增大而单调增大;运动支链在关节转角处的误差单调上升的比其他结构快。为该机器人机构实际误差补偿与控制提供了理论依据。 关键词3-RRR 并联机器人精度 一、发展趋势 由于20世纪70年代机电一体化技术的不断发展和广泛应用，使传统意义上的机器和机构的概念已有很大的发展。“现代机械”概念的形成成为机构学发展的一个新的里程碑，可以毫不夸张地说，现代机构学正在逐步形成。机构学中不断新内容、新方法、新理论正有待于我们去研究。现代机构的类型综合和设计方法将会不断展开，逐步深入。将机构扩大为驱动元件与机构的集合将会大大有利于机构的创新和机构运动控制的研究和应用。对驱动元件进行可编程控制即可实现复杂多变的输出运动，使原来“刚性化”的输出发展成“柔性化”输出，从而使机构有了质的变化，有利于设计现代机械。现代机构已经在实际中得到应用，但对它的类型综合、运动学、动力学的研究才刚刚起步，有待深入。可以预期，现代机构学将会深入研究和广泛应用。机械系统的动力特性及动态稳定性将提高，现代机械向高速、高精度、高可控方向发展，通过机械系统的动力学建模及解法的研究、动力分析和综合的研究，它将大大提高现代机械的设计水平的工作性能。 二、并联机器人构型设计准则 1、在进行机构形式设计时，除了要满足规定的运动形式、运动规律或运动轨迹外，还应该 遵循下面几项准则： （1）机构的运动链要尽可能的短。完成同样的动作要求，应该优先选用机构构件数和运动副数少的机构，以简化其结构从而减轻重量、降低成本、减少由于零件的制造误差而形成的运动链的积累误差，运动链短有利于提高机构的刚度，减少振动。 （2）在运动副的选择上，优先选用低副。低副机构的运动元素加工方便，容易保证配合的精度以及有较高的承载能力。 （3）适当选用原动机，使机构有好的动力学性能。 2、并联机器人的尺度设计原则 以往，我们在设计阶段为了确定机器人操作手机构的尺寸和确定机器人操作手在工作空间内部的位置和姿态时多数是靠经验和直觉。现在，为了开发出高精度、高速度和高效率的并联机器人，我们在机构的综合设计时要考虑到它的工作空间的体积和形状、奇异位形、输出的各向同性等条件。但是，在全局最优的机构尺度综合设计中，顾全到上述的所有条件是十分困难的。国内外的学者提出了许多机构综合的标准，以便在满足指定的设计指标下，机
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