服務熱線
86-132-17430013
品牌 | 其他品牌 |
---|
西門子代理商 西門子SM323數字量擴展模塊 西門子一級代理商 西門子SM323數字量擴展模塊
生物的學習系統隨處可見,從只有300個左右神經元的低級蛔蟲(秀麗隱桿線蟲),到有兩千億個神經元的成年大象的大腦,比比皆是。無論是在果蠅、蟑螂、黑猩猩或海豚體內,所有的神經元所做的事情都是一樣的:處理并傳遞信息。所有生物做這些事情的原因也是*的:避免危險,使物種地生存并繁衍,所有的生物必須能感知環境,并做出相應的反應,記住那些是危險信號,哪些是有益的信號。簡言之,無論對單個個體還是整個物種,學習都是其在自然界生存的必要條件。然而,這一鐵的規律也越來越適用于人造系統。
Volker Tresp博士是西門子機器研究領域內的資深人士,也是慕尼黑大學的電腦科學教授。他說,學習有三種:記憶(如,記住事實的能力)、技能(如,學習如何投球的能力)和抽象能力(如,從大量觀察中得出規律的能力)。電腦是*個領域內的高手,但目前正在另外兩個領域內迅速地趕超。例如,可以毫厘不差地生產出厚度均勻且平整的鋼板——西門子20多年來一直在這個領域處于地位。Tresp說,“在這里,較簡單的模式就是先給出預測,然后去檢驗產出品是否符合規格要。求。如,首先明確對高級鋼板產成品的要求,自動軋鋼廠結合傳感器提供的數據(成分、帶鋼溫度等),在已有信息的基礎上,估算所需的壓力。根據產出品數據相應地進行實時調整,終慢慢地算出正確的壓力,并產出符合厚度要求的鋼板。“以神經網絡為基礎的學習系統中,” Tresp解釋,“可以通過調整影響既定參數(如厚度)的全部因素的權重矩陣來實現這種調節的目標。”
除記憶和改進技能的能力外,人造系統正逐漸被用來進行概括或抽象個體的特點,以此來判斷它是否屬于某一個群體。光學字符識別(OCR)就是一個例子,它以前是用來高速掃描并分揀信件的。該技術約在1985年初次面世,與那時相比,現在其精確度已經有了驚人的提高,識別范圍也已從單個數字提高到95%以上手寫拉丁字母及90%以上阿拉伯語手寫體。其實,早在2007年,西門子ARTread學習系統就曾經榮獲文檔分析與識別會議組織的阿拉伯語光學字符識別(OCR)比賽*名。由于光學字符識別技術的高度可靠性,它已經開始被逐漸應用到諸如車牌自動識別和工業視覺中(如需了解更多信息,請參閱第67頁)。
機器學習能力將會如何發展呢?顯而易見的是,隨著感應器在能源和數字方面的大規模應用,可以很容易地通過本地和信息網絡獲得更多數據,機器學習發展的前景十分廣闊。網絡環境下的學習應用主要體現在兩個大型項目中。*個是Theseus項目,西門子主導MEDICO技術,該項目主要是從圖像和文本中提取語義信息,促成各種新的應用程序來改善醫生的工作流程。第二個項目是歐盟的大規模知識加速器項目(LarKC),研發可伸縮查詢、推理能力和鍵連資料的機器學習方法。“能夠和鍵連資料一起學習,” Tresp說,“這才是今天令人激動的地方!”
Arthur F. Pease
以神經系統為基礎的學習體系(1)基于輸入的信息(2)根據為期14天的培訓對未來7天的氣體需求做出預測(3)。
學習通過對部分學習(5)和*訓練(6)的隨機權重組合(4)在三個片段中得到反映。
以神經網絡為基礎的系統有能力處理大量的輸入數據,并調整終的輸出成果。為實現這一點,這種系統必須建立起一種數學模型來復制現實世界中相應的實物。這種模型本質上是一種決策單元的集合。從整體角度來看,可以通過矩陣形式來反映決策單元。取決于應用程序的復雜程度,可能要求數百個互動矩陣。
起初,決策單元之間的互動是隨機的。那么,當系統開始進入學習階段,其錯誤率——預期和實際觀察到的結果之間的差異——很高(4)。和真實的結果相比較后,錯誤率會被反饋到每個矩陣中(箭頭向右指向每個方框),然后就開始調整每個決策單元在內部的權重,避免隨機出現,并根據已學到的信息去修正每個輸入參數(箭頭從每個方框指向左側)。
每次這樣的往復都在不斷減少錯誤率,后,在上千次這樣的信息往復以后,系統就慢慢學會了如何描述完整的輸入信息流,結果就是*復制(6)——并終預測——現實世界的行為。
特別是,計數器模塊可以檢測快速高頻信號,并將計數器讀數和當前速度返回到控制器。計數器控制可通過數字量輸入和輸出信號來確保精確的計數器結果和系統中的快速響應。通過大量參數設置選項,可針對手邊的任務進行佳調整,降低控制負荷。
提供有以下計數器模塊:
含在供貨范圍之內:
含在供貨范圍之內: