醫療人工智能的缺點

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篇醫療人工智能的缺點范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

醫療人工智能的缺點范文第1篇

Abstract： Since 1956， when Dartmouth institute put forward the AI （Artificial Intelligence）， Artificial Intelligence in the past 50 years has achieved great development. Artificial Intelligence gradually formed with the three factions-symbol school， behaviorism school， connectionism school-led by the situation， each school has its own unique opinion. Based on the unique angle of view， the paper puts forward some opinions on the development of Artificial Intelligence.

關鍵詞： 人工智能；研究現狀；發展趨勢；社會力量

Key words： Artificial Intelligence；research status；development tendency；social force

中圖分類號：TP18 文獻標識碼：A 文章編號：1006-4311（2013）28-0005-03

0 引言

人工智能是自1956 Dartmouth學會后發展起來的新型學科，其有著涉及學科廣、需要技術高端、使用范圍廣等特點。在過去的50多年時間中人工智能經歷了學科發展中都會遇到的發展——否定——否定的否定階段，現在人工智能大致分成了符號主義學派、行為主義學派、聯結主義學派三大學派。其各有優勢，獨樹一幟。一直以來重大前沿科學研究都是以國家牽頭，等到時機成熟了再轉為民用。這樣無形中浪費了很多社會中的人才，比如android智能機的問世，當開發商源代碼公布后android智能機獲得了飛速的發展。這是社會資源集體作用的結果，人工智能能否通過這種方式獲得飛速的發展呢，文中給出了問題的答案。

1 人工智能的現狀

1.1 人工智能的發展過程 人工智能是由“人工”與“智能”組成。“人工”十分容易理解，也就是我們常說的人類開發研究出來的事物。“智能”則是十分復雜的一個詞匯，是指如由意識（Consciousness）、自我（Self）、思維（Mind）（包括無意識的思維（Unconscious_mind））等等組成的有機集合。通常我們所說的人工智能是指人本身的智能。總體來說人工智能（Artificial Intelligence，AI）是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。關于人工智能的傳說一直可以追述到埃及，直到電子計算機的問世才使人們真正具備了發展人工智能的基本技術，而直到1956年的Dartmouth學會之后“人工智能”才逐漸地被大家所熟知接受。人工智能作為一門自然科學、社會科學、技術科學交叉的邊沿學科，涉及哲學和數學，認知科學，心理學，神經生理學，計算機科學，控制論，不定性論，信息論，社會結構學，仿生學與科學發展觀等眾多前沿學科。二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智能），也被認為是二十一世紀（基因工程、納米科學、人工智能）三大尖端技術之一[1]。

人工智能在其過去的50多年時間里，有了長足的發展，但并不是十分順利。目前人們大致將人工智能的發展劃分成了五個階段：

第一階段：萌芽期（1956年之前）

自古以來，人類一直在尋找能夠提高工作效率、減輕工作強度的工具。只是受限于當時的科學技術水平，人們只能制作一些簡單的物品來滿足自身的需求。而人類的歷史上卻因此留下了很多膾炙人口的傳說。傳說可以追溯到古埃及時期，人們制造出了可以自己轉動的大門，自動涌出的圣泉。我國最早的記載是在公元前900多年，出現了能歌能舞的機器人。這一時期出現了各種大家：法國十七世紀的物理學家、數學家B.Pascal、德國十八世紀數學家、哲學家Leibnitz以及二十世紀的圖靈、馮·諾伊曼等。他們為人工智能的發展做出了十分重要的貢獻。

第二階段：第一次期（1956年-1966年）

1956年夏季，以麥卡賽、明斯基、羅切斯特和申農等為首的一批有遠見卓識的年輕科學家在Dartmouth學會上引發一場歷史性事件——人工智能學科的誕生。Dartmouth會議結束后，人工智能進入了一個全新的時代。會議上誕生了幾個著名的項目組：Carnegie-RAND協作組、IBM公司工程課題研究組和MIT研究組。在眾多科學家的努力下，人工智能取得了喜人的成果：1956年，Newell和Simon等人在定理證明工作中首先取得突破，開啟了以計算機程序來模擬人類思維的道路；1960年，McCarthy建立了人工智能程序設計語言LISP。此時出現的大量專家系統直到現在仍然被人使用，人工智能學科在這樣的氛圍下正在茁壯的成長。

第三階段：低谷發展期（1967年-八十年代初期）

1967年之后，人工智能在進行進一步的研究發展的時候遇到了很大的阻礙。這一時期沒有比上一時期更重要的理論誕生，人們被之前取得的成果沖昏了頭腦，低估了人工智能學科的發展難度。一時之間人工智能受到了各種責難，人工智能的發展進入到了瓶頸期。盡管如此，眾多的人工智能科學家并沒有灰心，在為下一個時期的到來積極的準備著。

第四階段：第二次期（八十年代中期-九十年代初期）

隨著其他學科的發展，第五代計算機的研制成功，人工智能獲得了進一步的發展。人工智能開始進入市場，人工智能在市場中的優秀表現使得人們意識到了人工智能的廣闊前景。由此人工智能進入到了第二次期，并且進入發展的黃金期。

第五階段：平穩發展期（九十年代之后）

國際互聯網的迅速發展使得人工智能的開發研究由之前的個體人工智能轉換為網絡環境下的分布式人工智能，之前出現的問題在這一時期得到了極大的解決。Hopfield多層神經網絡模型的提出，使人工神經網絡研究與應用再度出現了欣欣向榮的景象。人工智能已經滲入到了我們生活的方方面面。

1.2 人工智能的主要學派 人工智能發展的50多年時間里，經歷了符號主義學派、行為主義學派和聯結主義學派，三大學派各有特點，各自從不同的角度研究人工智能，為人工智能的發展做出了卓越的貢獻，在人工智能的發展史上留下了濃重的一筆。

1.2.1 符號主義學派 符號主義學派，又稱為邏輯主義、計算機學派或心理學派。符號主義學派理論基礎是物理符號系統假設和有限合理性原理，他們認為人類的認知基元是符號，認知的過程是對符號的計算與推理的過程。人與計算機均可以看做物理符號系統，因此人們可以使用計算機來模擬人的行為。符號主義學派認為人的認知基元可以通過計算機上的數學邏輯方法表示，然后通過計算機自身的邏輯運算方法模擬人類所具備的認知系統的機能和功能，進而實現人工智能[2]。

符號主義學派無視了認知基元的本質，對于所有的認知基元均使用數學邏輯方法表示。符號主義學派重點研究認知基元的邏輯表示以及計算機的推理技術，早期的眾多人工智能的研究都是在這一思想的推動下進行的。符號主義學派在歸結推理、翻譯、數學問題證明以及專家系統和知識工程做出了十分巨大的貢獻，為后期的人工智能研究打下了基礎。專家系統的出現更是將人工智能的研究推上了一個頂峰，其在礦業探究、醫療診查、教育推廣、工業設計的應用帶來了巨大的社會效益。

1.2.2 行為主義學派 行為主義又被稱作進化主義或控制論學派。行為主義學派認為智能取決于感知和行動，不需要像符號主義學派的邏輯知識以及推理。行為主義學派認為人的本質能力是行為能力、感知能力和維持生命及自我繁殖的能力，智能行為是人與現實世界環境的交互作用體現出來的。人工智能應像人類智能一樣通過逐步進化而實現，而與知識的表示和知識的推理無關[3]。行為主義學派的與傳統人工智能截然不同的觀點吸引了眾多的科學家，雖然到現在還沒有獨立完善的知識理論系統，但其在人工智能領域的獨樹一幟還是奠定了其霸主地位。該學派重點研究人類的控制行為，目前已有的機器昆蟲已經證明了行為主義學派的理論正確性。雖然大部分人認為機器昆蟲不能導致高級行為，但是行為主義學派的崛起標志著控制論在人工智能領域有著獨樹一幟的作用。

1.2.3 聯結主義學派 聯結主義學派是近年來最熱門的一個學派，又被成為仿生學派或心理學派，建立于網絡聯結基礎之上模仿人類大腦的結構和工作模式。聯結主義學派主要研究能夠進行非程序的，可適應環境變化的，類似人類大腦風格的信息處理方法的本質和能力，是基于神經網絡及網絡間的連接機制和學習算法的人工智能學派。持這種觀點的學者認為，認知的基本元素不是符號是神經細胞（神經元），認知過程是大量神經元的聯接，而大腦是一切智能活動的基礎，因而從大腦神經元及其連接機制出發進行研究，搞清楚大腦的結構以及它進行信息處理的過程和機理，就有望揭示人類智能的奧秘，從而真正實現人類智能在機器上的模擬。[4]

聯結主義學派通過模擬人類神經網絡模仿人類的認知行為，由此進行人工智能的學習記憶、模式識別。聯結主義學派構建了大量的神經網絡模型，方便在不同的情景模式下選擇相應的模型，進而快速的得出答案。聯結主義學派采用分布式存儲數據，對數據進行并行處理，這樣使得人工智能在處理問題的時候的速度有了明顯的提升，由此聯結主義學派在人工智能領域中受到大家的一致熱捧。

三大學派在人工智能的發展史上有著舉足輕重的作用，每一個學派的興起都代表人工智能的一個新高峰。三大學派各有優缺點，在人工智能領域三者相輔相成，人工智能學科在三大學派的帶領下正在茁壯成長。

2 對人工智能主要理論學派的評述

在過去的50多年時間中，人工智能獲得了巨大的發展，基本實現了從無到有的過程，構建了基本完善的理論知識體系，構建了各種模型，形成各種技術方法，但是人工智能的發展依然任重道遠，前景依然不容樂觀。三大主義學派有著自身獨到的優點，同時也有著各自的缺點，符號主義學派將人的認知基元符號用數學邏輯表示，通過計算機邏輯處理系統分析得出結果，但是在面對沒有明確結果的非確定問題時經常不能得出令人滿意的答案，它對信息要求十分精確完整，現實生活中的很多問題都不能滿足條件，因此符號主義學派的發展受到了一定的限制。行為主義學派認為智能取決于感知與行動，但是缺乏足夠的理論知識支撐學派觀點，而且缺乏足夠的成果表明理論的正確性。學派認為人工智能與知識的表達和知識推理無關，與人類認知的發展是不相符的。聯結主義學派采用仿生學的方法，模擬人腦的神經網絡，通過類似人腦的結構和運行機制模仿人類智能。這一觀點十分有吸引力，在提出之后馬上就有大量的支持者，但是人腦神經系統的復雜性遠遠超出人們的預知，現階段人們對人腦的構造以及運行機制還沒有深入的理解，在此基礎上想模擬出人腦的神經系統顯然是有些不不切實際。聯結主義學派的發展更多的受制于對人腦結構和運行機制的研究，因此其發展相對緩慢。綜上，三大學派固然有著自身的優勢，各自的成果，但是其同樣有著明顯的局限性，人工智能要想進一步發展必須要對現有的發展方式進行創新。

另一方面，人工智能在經歷了兩次期后再次回落到了平穩發展時期，社會公眾對人工智能的熱度有了明顯的降溫。人工智能的研究再次變成了國家以及一些超級公司的工作，擁有的資源有了大幅度的縮水，研究的進度也受到干擾。在此狀態下沒有重大的技術創新，人工智能恐怕很難再有重大的突破。

3 對人工智能發展的評述

3.1 對人工智能涵義的認識 同樣的詞匯在不同時期的有著不同的解釋，人工智能也不例外，大家都認可的人工智能是指在人類制造的機器工具上實現人類智能，即實現人類的認知能力、行為能力以及解決問題的能力。人類智能有著一個明確的特點，在面對未知問題時，人類智能能夠得出自身想要的答案，也就是消除答案的不確定性。符號主義學派的邏輯解決方式、行為主義學派模擬人的行為能力、聯結主義學派的神經網絡，三大主義學派各自以自身的方式實現了對問題消除或減弱不確定性。可見減弱甚至消除問題的不確定性也將是人工智能的一個研究方向。

3.2 人工智能研究模式的發展 目前人工智能領域中，符號主義學派通過數學邏輯表示人類的認知基元，對數學邏輯經過解讀分析，得到答案，進而實現智能。該學派重點運用還原思想，將人類的認知基元全部使用數學邏輯表示。行為主義學派認為人工智能取決于感知和行動，不需要學習知識與知識推理，是一步步，由低級到高級慢慢進化的。聯結主義學派是通過人工神經網絡的形式模仿人類智能，理論上講該方法是最符合人類智能的運行方式的。而在一系統中，最重要的是系統的運行機制，如何將接受到的信息轉化為我們的知識并通過表述、行為展示出來，在了解了人類智能的運行機制之后，人工智能將會更加符合人們的需求。

3.3 人工智能研究方法的發展 人工智能的目的是消除答案的不確定性，然后做出相應的反應。在消除答案不確定性的時候便有了各種方法，其中有一種便是突出解決問題的目標，在有明確目標的前提下會削弱干擾問題解決的條件，提高人工智能解決問題的效率。明確問題的目標便需要引入目標函數，在動態目標函數的引導下會減弱答案的不確定性。而在已有的人工智能基礎上設立人工智能模型，通過人工智能自身的計算結果結合目前的研究成果去優化目前的人工智能系統，則會提升人工智能的發展速度。

3.4 人工智能時期的發展 人工智能自發展到現在已經經歷了五個時期，在兩次期中人工智能均獲得了迅速的發展。然而現在人工智能的發展步入到了緩慢發展時期，如何將人工智能的發展緩慢時期加速度過同樣是十分嚴肅的問題，傳統說來需要重大的科學進步。我們往往認為人工智能屬于頂端科技只能由國家和超級公司研究，卻忽略了社會所擁有的重大的力量。小小的android智能手機在問世的短短時間內變改變了之前的市場格局，其中固然有著android智能手機的特點，但是我想他的市場策略同樣給與了莫大的助力。人工智能應該向android一樣，適當的開放出來一部分根基，放開其研究門檻，甚至鼓勵民間研究。量變引發質變，當有足夠專家在研究人工智能時，人工智能的研究會加快的。而且民間的研究成果也會作為經驗反作用于人工智能的進一步研究，實現科學與社會的雙贏。

4 結論

人工智能是人們長久以來的夢想，同時也是一門很有挑戰性的學科。像所有的學科一樣，人工智能會經歷各種各樣的挫折，但是，只要我們有信心、有毅力，我們相信人工智能終將會成為現實，融入到我們生活的方方面面，為我們的生活帶來極大的改變。

參考文獻：

[1]朱祝武.人工智能發展綜述[J].中國西部科技，2011，10（17）：8-10.

[2]陳慶霞.人工智能研究綱領的發展歷程和前景[J].科技信息，2008，20（33）：49，234.

醫療人工智能的缺點范文第2篇

制造云大數據

眾所周知，人類社會正面臨著一場新的技術革命和新的產業變革。那么我們認為互聯網+人工智能的時代正在到來。怎么解讀人工智能？首先，網絡是一個泛在的互聯網，包括魍車幕チ網和互聯網+人工智能，其核心技術是七類技術深度融合，包括新互聯網技術、新一代信息技術、新人工智能技術、新能源技術、新材料技術、新生物技術以及新應用領域專業技術。互聯網時代特征總結為泛在互聯、數據驅動，共享服務，跨界融合，自主智慧和萬眾創新。

當然，制造業作為國民經濟、國計民生和國家安全的重要基石，正面臨全球新技術革命和產業變革的挑戰，特別是新一代信息通信技術，核心就是要發展智能制造技術產業和應用。對我國來說面臨的五大挑戰是：第一要從技術跟隨到創新以及到超越，第二要從傳統制造向數字化、網絡化、智能化轉變，第三從粗放型制造向質量效益性轉變，第四從資源消耗到綠色制造轉型，最后要由生產型制造到生產+服務型制造轉變。

其核心問題就是要貫徹創新協調綠色開放共享發展理念，要走中國特色的工業化道路，以創新發展為主題，以制造業提高質量增加效益為中心，特別強化兩化融合，而且要推進智能制造主攻方向。

云制造的概念首先是基于泛在網絡，其次是借助新興大制造技術、信息通信技術、智能科學技術及制造應用領域四類技術深度融合。數字化、網絡化、智能化作為技術手段，構成一個以用戶為中心的統一經營的智慧硬軟資源和能力的服務云。這實際上就是人、機、物互聯服務，或者是現在提出的工業互聯網的概念。

用戶通過智慧終端和智慧云制造服務平臺能隨時隨地按照需要獲取智慧制造的資源和能力，要對整個全系統全生命周期產業鏈里面的人機物信息技術自主的智慧的感知，互聯協同分析認知和決策控制與執行，促進制造全系統及全生命周期活動中的人組織、經營管理、技術設備三要素及信息流、物流、資金流、知識流、服務流集成優化，形成一種基于法在網絡、用戶為中心、人機物信息融合。

智慧云模式是什么，手段是什么，業態是什么，特征是什么，實施內容是什么，以及目標是什么都值得探討。

我們把它叫智慧，因為強調三種深度融合：人物與環境信息深度融合，數字化、網絡化智能化的深度融合，工業化和信息化的深度融合。同時，很重要的基于大數據的并行、協同、實時、互聯、智能的進行創新。根據這樣一個理念所構成的系統，我們把它叫做智慧云制造系統或者簡單說智慧制造云。概念模型包含幾大部分內容，一是制造資源的能力和資源，這里面包括軟的、硬的，包括能力和智能互聯產品；二是制造云池；三是制造全生命周期的智慧云。其核心支持就是智慧云制造的平臺。

綜上，智慧制造云是一種互聯網+人工智能時代的模式手段。制造模式是以用戶為中心的互聯服務協同個性柔性社會化智能制造產品以及服務用戶的模式，它的手段就是四類技術深度融合的數字化網絡化作為技術手段，構成一個智慧化的人機物環境信息互聯系統，體現數字化、物聯化、虛擬化、協同化、定制化、柔性化和社會化的產品。

那么智慧制造云、工業云里面的大數據實際上是全系統全生命周期里面的三要素、五個流里不斷產生的四個大數據，包含制造全生命周期里面的各種數據，有企業經營管理的數據，有技術產品設備的數據。有結構化、半結構化和非結構化數據，有靜態數據、動態數據和實時數據。

智慧制造云大數據的特點，除了四個云以外，和大量、高速、多樣、價值以外，還加上了多元符合模態、數據類型異構等。其作用簡單來說能精準高效智能地用到全生命周期的活動，促進云制造的智慧化，目標實現產業研制、管理服務效率質量成本能耗，實現產品加服務為主導的隨時隨地的按需個性化指導。

目前，大數據在感知基礎上，有六類大數據關鍵技術，關鍵技術在制造云里有新的需求。首先大數據的集成與清洗，就是把不同來源、格式、特點性質的數據及數據源在邏輯上或物理上有機地接入平臺并進行新審查和教研，得到干凈、一致的數據。第二技術就是大數據存儲和管理，采用云存儲和分布式存儲技術及高吞吐量數據庫技術與非結構化數據訪問技術，實現運輸集中的數據經濟、高效、高可靠、容錯的管理與服務。第三大數據分析挖掘，從這些海量的隨機的數據中要找出有價值的東西，比如說現在分布式計算引擎，數據分析機器學習等，對我們制造云要以應用目標為導向，導出相應算法軟件。同時需要建立云制造應用系統定量分析的人工智能分析模型，數據不是直接用的，是通過模型來的。可視化，各種各樣數據可視化而且能應用，比如多維數據分析，虛擬現實等，對目前綜合處理顯示多維數據以及交互需求是非常重要的。其次是大數據的標準和質量，對智慧云多類型標準需求不限，而且交易和交互要作為一個導向。最后就是安全，全生命周期里面要安全，像隱私保護、數據水印以及區塊鏈技術等。

大數據的云化

第三個問題就是大數據云化。直接把大數據遷入模型軟件，第二是直接提供DAAS，第三個就是風險，最后一個就是大數據的可視化，基于大數據可視化技術實現智慧制造云里面的風險和顯示。

云里面大數據怎么用也值得探討。第一類是航天產品電纜數據化設計，也就是說把電纜有關的經驗數據和綜合分析性能數據收集過來，放到電纜數據工程里面，實現了電纜數據化生產的一體化，產生效果后有60%以上研制時間開展產品質量提升。第二類是醫藥，利用現在制造云里面官方電子病例、醫療等信息系統提取海量臨床數據，挖掘藥物效用及治療方法，從而為醫藥研發提供參考。第三類是航天制造和生產比如博世、力士樂等智能生產。第四類就是維修，比如C919健康管理，需要實時檢測大數據中心。根據上面的情況，智慧制造云在大數據當中是很重要的。

最后提點建議。首先當然是大數據已經成為智慧制造云建設和運行的重要資源，如果沒有大數據、沒有云、沒有人工智能，那最后肯定是做不到智慧化制造。而研究實踐需要從技術、應用、產業三方面來協調，進行各個層次的技術創新和人才培養。

從技術應用和產業方面，概括性地提幾點想法：第一，從技術上要做到重視大數據、信息通信技術、人工智能技術、系統工程技術與制造領域等多種技術的深度融合。要搞大數據，必須要做到這幾個技術的深度融合，這是我們的一個觀點。第二，離不開云，因此要對面向用戶大數據的云服務技術進行研究。第三，要重視基于大數據制造全生命周期里面的新模式、流程、手段的研究。最后，要進行符合共享經濟商業模式的技術研究，當然還有安全和相應標準的制定與評估。

從應用角度來看，要“四個突出”。第一要以突出制造特色和行業特點來開展；第二要突出問題導向，問題在哪，競爭力缺點就在哪；第三要突出大數據驅動的智慧云制造管理運行模式、手段和業態的變革；第四要突出三要素與五流的綜合集成化、優化和智慧化。

醫療人工智能的缺點范文第3篇

【關鍵詞】氣體識別;自組織神經網絡

1.引言

氣體識別在環境保護、化工控制、家用報警、食品保鮮、溫室環境控制、航空航天等領域有著廣泛的應用。應用氣體傳感器進行多組份氣體的定性定量研究，可以極大的降低測量成本，減小測量周期，并可實現在線的實時測量。但由于當前氣體傳感器普遍存在著交叉敏感和選擇性差等缺點，使用單一傳感器很難實現多組份氣體的檢測分析。為解決以上問題，一方面可以采用新材料、新工藝來改善傳感器本身的性能;另一方面可以將現有的氣體傳感器構成陣列，并與自組織神經網絡技術相結合。本文采用后者的原理，即通過多個敏感程度不同的氣體傳感器組成傳感器陣列，結合神經網絡模式識別算法進行氣體識別分析。

人工神經網絡（Artificial Neuron Networks，ANN）人工神經網絡（Artificial Neutral Networks，ANN）是一個由大量簡單處理單元廣泛連

接而成的復合網絡系統。神經元結構是受到生物神經元的啟發而得來的。目前應用的神經網絡類型有很多，其中應用最廣的是BP神經網絡，神經網絡需要學習的過程，即利用外部條件作用于神經網絡，使其能重新對外界做出反應。將氣體傳感器陣列與采用BP算法進行訓練的人工神經網絡模式識別技術相結合形成的氣體識別系統，是利用傳感器陣列對混合氣體的高維響應模式來實現對混合氣體的定量檢測。其中傳感器陣列的選取、傳感器信號的預處理方法、BP神經網絡的結構和參數以及測量環境是影響系統性能的可能因素。

2.人工嗅覺系統

人工嗅覺系統是一種化學分析系統，它由一個具有部分專一性的電子化學傳感器陣列和一個合適的模式識別系統組成。由于人工嗅覺系統主要模仿的是生物的嗅覺系統，所以人工嗅覺系統也可被稱為“電子鼻”或者電子嗅覺系統。

2.1 電子鼻簡介

電子鼻這個術語開始出現于二十世紀八十年代晚期，當時它被用于1987年的一個學術會議。較為科學的電子鼻的概念出現于1994年英國Warwick大學的J.W.Gardner發表的文章中，并且J.W.Gardner綜述了世界各國人工嗅覺系統的發展概況。

電子鼻模仿人的鼻子的功能，以電訊號的方式予以表達，可以工作在惡劣或有毒的環境下，在食品、化工、環保、醫療診斷、檢驗等方面有很重要的應用，其關鍵技術就是氣體傳感器陣列。

2.2 人工嗅覺系統的原理及基本組成部分

人工嗅覺系統主要是受生物的嗅覺系統啟發和影響，以下是該系統中的關鍵因素：

（1）對微量、痕量氣體分子瞬時敏感的監測器，以得到與氣體化學成分相對應的信號;

（2）對檢測到的信號進行識別與分類的數據處理器，將有用的信號與噪聲加以分離;

（3）將測量數據轉換為感官評定指標的智能解釋器，得到合理的感官結果。

2.3 氣體傳感器

氣體傳感器是一種將氣體的成分、濃度等信息轉換為可以被人員、儀器儀表、計算機等利用的信息的裝置。

2.3.1 半導體氣體傳感器

半導體氣體傳感器在氣體傳感器中約占60%，根據其機理分為電導型和非電導型，電導型中又分為表面型和容積控制性。

2.3.2 表面敏感型傳感器元件

表面敏感型傳感器元件SnO2-Pd、ZnO-PT、AgO、Pt-SnO2，可檢測氣體為CO、NO2和氟利昂等，傳感材料Pt-SnO2的氣體傳感器可檢測氣體為可燃性氣體如H2、CO、CH4等。

2.3.3 容積控制型傳感材料

容積控制型傳感材料有TiO2、CoO-MgO-SnO2等，其半導體氣體傳感器可檢測氣體為液化石油氣、酒精和燃燒爐氣尾氣等。

3.神經網絡

人工神經網絡（Artificial Neuron Networks，ANN）是近年來人工智能的一個重要科學分支。二十世紀五十年代末人工神經網絡系統開始作為人工智能的一種重要計算工具逐漸受到重視。進入二十世紀八十年代后期，人工神經網絡的研究進入了一個新的。主要原因是：一方面經過幾十年迅速發展起來的以邏輯符號處理為主的人工智能理論和馮-諾依曼計算機在處理諸如視覺、聽覺、形象思維和聯想記憶等智能信息問題時遇到挫折;另一方面，具有并行分布處理模式的人工神經網絡本身的研究取得了巨大的進展。

神經網絡具有一些不同于其它計算方法的性質和特點以及它自身是基于人類大腦結構和功能而建立起來的，因此具有很多和人類智能類似的特點。首先，神經網絡將信息存儲在大量的神經元中，具有內在的知識索引功能。信息在網絡中使用兩種方式被保留：一種是神經元之間的連接，另一種是連接權重因子。其次，人工神經網絡具有對周圍環境自學習、自適應功能，也可用于處理帶噪聲的、不完整的數據集。在人工神經網絡中，輸入與輸出的關系不是由單獨的神經元直接負責的，相反是與神經元的輸入輸出有關。最后，人工神經網絡模擬人類的學習過程。人類大多數的學習和求解過程都是采用嘗試法，而人工神經網絡可以以相同的方式運行。

神經元（neuron）即神經網絡中的基本處理單元，也就是節點。一般節點由輸入與輸出、權重因子、內部閥值和函數形式四部分組成。

圖1 神經元模型

圖1給出了一個基本的神經元模型，它具有R個輸入，每個輸入都通過一個適當的權值wli和下一層相連，網絡輸出可表示為：

式中，n為該神經元（序號l）的總輸入;

f（n）為神經元輸入輸出關系的函數，稱為作用函數、響應函數或傳遞函數。

人工神經網絡的拓撲結構是指它的處理單元是如何相互連接的，主要由輸入層、隱含層和輸出層組成。每一節點的輸出被送到下一層的所有節點。通過將這些處理單元組成層，將其相互連接起來，并對連接進行加權，從而形成神經網絡的拓撲結構，將若干個人工神經元作為有向圖的節點，可連接成人工神經網絡。其中每一層對于人工神經網絡的成功都非常關鍵。可以將人工神經網絡輸入層、隱含層和輸出層看成為一個通過輸入層的所有節點輸入特定信息的黑箱。人工神經網絡通過節點之間的相互連接關系來處理這些信息，最后從輸出層的節點給出最終結果。

4.誤差反向傳播網絡（BP網絡）

1985年，以Rumelhart和McClelland為首提出了至今仍廣泛接受和使用的誤差反向傳播學習算法。按照這一算法進行訓練的多層神經網絡被直接稱為BP神經網絡。BP網絡是一種多層前饋型神經網絡，其神經元的傳遞函數是S型函數，輸出量為0到1之間的連續量，它可以實現從輸入到輸出的任意非線性映射。其權值的調整采用反饋傳播學習算法。

目前，在人工神經網絡的實際應用中，絕大部分的神經網絡模型都采用BP網絡及其變化形式。BP網絡主要用于以下四方面：

（1）函數逼近：用輸入矢量和相應的輸出矢量訓練一個網絡以逼近一個函數;

（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯系起來;

（3）分類：把輸入矢量所定義的合適方式進行分類;

（4）數據壓縮：減少輸出矢量維數以便于傳輸和存儲。

對于神經網絡算法，使用基于誤差反向傳遞的神經網絡算法設第p個模式XP=（X1P，X1P，…XNP，）T，p=1，2，…，N（N為模式個數），將其視為BP網絡的輸入，yip為其實際輸出，隱含層和輸出層各單元的激活函數采用sigmoid函數，即：

一般基于BP的神經網絡算法具體步驟如下：

Step1、構造網絡，初始化網絡的權矩陣，設置學習因子，動態因子，跌代次數和允許誤差;

Step2、從一個網絡開始，提供訓練模式;

Step3、開始訓練第k個網絡;

Step4、前向傳播過程，對所有訓練模式，計算網絡的實際輸出并與目標輸出相比較，如果誤差超過運行誤差，則進行下一步，否則訓練第k+1個網絡;

Step5、反向傳播過程：計算隱含層和輸出層各單元的誤差精度，修正權值和閥值：

式中，為學習效率;

di為教師信號或希望輸出;

為實際輸出yi與希望輸出di之差，其中yi和xj是取1或0的離散值。

Step6、繼續訓練第k個網絡。

BP網絡的訓練函數有traingd、traingdm、traingdx、trainrp、traincgf、traincgp等。由于BP網絡的簡單性，在人工嗅覺系統的模式識別部分占有很大的比例，許多以前和現在的一些成熟人工嗅覺系統的產品仍然使用BP神經網絡進行模式識別。

BP網絡的學習是通過求解一個優化問題完成的，從數學的角度看，它是通過函數逼近擬合曲面（線）的想法，并且將其轉化為一個非線性優化問題而求解。BP網絡是對簡單的非線性函數進行復合，經過多次復合后，則可以實現復雜的函數，但存在BP學習算法收斂速度慢、不完備性和隱節點數只能憑經驗選取。

由于存在上述問題，科學家們從利用線性的自適應步長加速BP算法和增加動量項來去除收斂過程中的局部最小點。模擬退火（Simulated Annealing，簡稱SA）思想是由Metopolis等人提出的，它可以很好的避免局部最小點的出現，把它用在優化中是由Kirkpatrick等人提出的。組合優化問題的解空間中的每一個點都代表一個解。不同的解有著不同的目標函數值。優化過程就是在解空間中尋找目標函數的最小解。

SA算法的特點是通用性強、可達到全局最小。傳統的啟發式搜索算法如快速下降法，每次都是向改進解的方向搜索，往往只能找到一個局部最優解，而不是全局最優解。而SA算法在系統朝能量減少這個總趨勢的過程中，允許解的搜索以一定的概率向較差的方向走，以避開局部最小，而最終穩定到全局能量最小的狀態。

5.利用自組織神經網絡進行氣體識別

將被測氣體按所需測量精度和濃度范圍按成份分成不同的濃度等級，采用標準氣體配置這些等級的不同成份氣體的所有組合作為標準模態來訓練神經網絡。通過識別某一未知氣體樣本的模式，即可以得到未知氣體的成份濃度。例如，選用N種互相參比配制混合氣體樣本。根據傳感器的靈敏范圍，將配制的氣體濃度限制在a1到am以內，濃度變化間隔為l。這樣每種氣體有m種濃度模式，共計可得到mN個樣本。采用這些樣本作為原始數據訓練自組織神經網絡，就可以實現在這一濃度范圍內的最大誤差為l的氣體定量測量。

醫療人工智能的缺點范文第4篇

關鍵詞：生物活性物質；正交試驗設計；Levenberg-Marquardt算法；預測

中圖分類號：TP301 文獻標識碼：A 文章編號：1009-3044（2012）32-7802-05

生物活性物質是指對人類高級生命活動具有調節功能的生理活性成分。在枸杞、柑橘等果實中富含黃酮、多糖等多種生物活性物質[1，　2]。其中，枸杞總黃酮具有清除自由基、抗氧化、抗突變、抗腫瘤、抗菌、抗病毒和調節免疫、防治血管硬化、降血糖等功能[3]；柑橘果皮中類黃酮類物質具有抗腫瘤以及保護心腦血管等多種保健和醫療功能[4]。通過發酵法釀制的枸杞、柑橘果酒因為風味好、能保留較多活性物質而深受人們青睞。受發酵溫度、糖添加量、酵母添加量及pH　值等因素影響，果酒中生物活性物質的最終含量波動性很大[5]，如何有效地掌握活性物質波動的內在規律，正確地預測出活性物質的變化趨勢，對于果酒的發酵過程優化，進一步提高果酒的營養和保健價值具有重要的指導意義。

醫療人工智能的缺點范文第5篇

關鍵詞：自動化藥房；發展趨勢；解決方法

1 藥房自動化的優勢

1.1提升醫院的經濟效益，自動化藥房在帶來醫院效益的同時，也改變了醫院的經營管理模式。運用成熟的計算機技術、自動化技術，建立醫院的綜合'大藥房'。節約了門診藥房、住院藥房的開支，工作效率卻大大提高。

1.2省時、準確，藥房工作人員只需要提前把藥品儲備在機器內，收到處方后，掃描處方，自動化設備會以最優化的排列用自動化方式供給出藥。日過配置全自動進藥機，可以實現自動完成多品種大量藥品的發藥工作。

1.3藥品數量管理精確，由于進藥數目一定，對藥品各個流通環節加強經濟性管理，控制藥品成本投入，減少藥品耗損，實現精確的藥品數量管理。

1.4克服了傳統藥房存在的不足

1.4.1傳統藥房 傳統的藥房是藥品的集散重地，藥品的存放條件、方式直接影響著藥品的質量，而這又關系著患者的身心健康，藥品的保管一直是門診藥房的一大重癥[2]。以往的溫濕度調節都是人工控制，保證通風、分類擺放保證藥品的質量。

1.4.2自動化藥房 醫院藥房擺藥設備的自動化在確保藥品質量的基礎上，提高了工作效率，節省了人力，其成熟可靠的技術性能充分體現了科學、智能、高效、準確、低污染、安全的特點，是現代化藥房發展的必然趨勢。

2 醫院藥房自動化的描述

2.1想必醫院藥房的藥架大家都略知一二，傳統的這種藥架是我國醫院目前最常見的陳列，傳統的藥房基本上肩負著藥品購進、養護、保管及調配工作，基本是繞著'藥品'進行著被動的管理。隨著醫療制度的改革和'一切以患者為中心'的服務理念'漸入人心，門診藥房作為和患者溝通的直接窗口，不能只進行簡單的收方發藥，而是要打破傳統，利用自己的知識走向患者，向他們普及醫藥方面的常識。在藥房有限的醫務人員中還要去為患者提供咨詢，而且藥房的工作效率還要正常進行，這就要求我們的藥房有所改變，一些藥房自動化的研發的機構也應運而生，如蘇州的艾隆科技[1]。藥房自動化不僅是某個醫院一個局部的稍微改變的星星之火，它已有燎原之勢，也必然是醫院未來發展的一個趨勢。

2.2總的來說，自動化藥房必須滿足以下三個基本功能：發藥：自動化藥房必須按照電子處方要求準確發放藥品到患者手中；儲藥：自動化藥房必須能夠儲存和管理一定數量的盒裝藥品，確保發藥高峰期藥品供給；上藥：自動化藥房必須能夠自動或者半自動把藥盒放在確定的藥品儲位上。

2.3醫院藥房自動化是醫院藥房現代化建設中的關鍵環節，利用先進的自動化技術對藥品的管理、發放進行的全自動控制，從而實現藥品發放的零差錯、提高工作效率、完成對藥品的數據管理。

2.4醫院藥房自動化在國際上已經是一項熟練的技術，但在我國目前還處于起步階段。這項技術通過人工智能和機傳輸手段可以極大地提高藥品在零售終端儲運的效率，減少差錯率。

3 我國自動化藥房存在的問題

3.1自動化藥房存在數量少 在我國，自動化藥房還不普遍。各個省市、縣、鄉鎮醫院仍處于傳統模式狀態。

3.2自動化藥房技術不成熟藥品儲備數量少。在蘇大附一院，使用的機器是半自動的，每個格子里存放的藥品數量少，一個上午下來就必須加藥，以維持下午患者取藥的需要。藥品傳送速度慢。雖然藥品經過掃描處方可以自動出來，但速度不太理想。往往是人在等藥出來而不是藥等人。另一部分還要人工去調配，降低了藥房的工作效率。

3.3存在問題的原因分析 我國藥房現代化建設起步晚，各個醫院的經濟實力也各不相同，規模大、經濟實力強的醫院可以引進先進的技術，率先實現醫院現代化、自動化；實力一般的醫院只能在大醫院實驗成功了，市場上該技術運用成熟了，才開始改革，否則承擔的風險會讓它們承擔不了藥房自動化技術需要我們來用心琢磨，藥品傳送速度慢，就必須找原因，對癥下藥。

4 推動醫院藥房自動化普及和如何克服存在的問題

4.1基于醫藥改革的大環境和醫院的現狀，在充分了解自動化藥房的優勢下，巨大的投入成本限制了推廣的力度。目前，我市幾家醫院已完成了藥房自動化改造，例如無錫人民醫院、無錫101醫院和無錫第九人民醫院。

4.2任何新技術的運用都離不開人的主觀能動性，在藥房自動化改造上也如是。充分整合手工調劑與自動化藥房間的互動，積極探索新設備的最大資源優勢，通過制度建設來保障藥品的質量安全是實現人駕馭設備的必由之路。

4.3①應該提高醫院藥房人員的計算機水平和操作能力，②醫院藥房人員還要注意使用機器后的維護和養護從而克服自動化藥房存在的一些缺點。

5 結語

醫院門診藥房自動化的優勢日漸體現，它彌補了傳統藥房審方不嚴格、配藥速度慢等重癥，備受醫療界的青睞，在政府宣傳推廣下，正逐步走向各醫療機構。它的發展必將成為各醫院的首選。

參考文獻：