Part 1: Overview—AI &CI Part 2: Introduction to AI Part 3: Representation of Knowledge Part 4: 知识推理技术 Part 5: Artificial Neural Network（ANN）

• 可测试性概述 • 固有测试性设计 • 机内自测试技术---BIT • 设计实例

 工业控制  智能系统  检测系统  智能电网

一、可测试性概述 二、固有测试性设计 三、机内自测试技术---BIT 四、设计实例

Part 1: Overview—AI &CI Part 2: Introduction to AI Part 3: Representation of Knowledge Part 4: 知识推理技术 Part 5: Artificial Neural Network（ANN）

一、从传统仪器到智能仪器 仪器仪表、智能仪器、重要性认识 二、智能仪器的分类、基本结构与特点 4个层次、2种结构、3个特点 三、推动智能仪器发展的主要技术 传感器,AD,单片机和PC,DSP, FPGA/CPLD,软件,网络与通信 四、《智能仪器设计基础》课程框架

4.1 模糊逻辑的数学基础 4.1.1 模糊集合 4.1.2 模糊集合的表示方法 4.1.3 模糊集合的运算 4.1.4 隶属函数确定方法 4.1.5 模糊关系 4.2 模糊逻辑的推理 4.2.1 模糊命题 4.2.2 模糊逻辑 4.2.3 模糊语言 4.2.4 模糊推理 4.3 模糊控制系统概述 4.3.1 模糊控制系统的构成 4.3.2 模糊控制系统的原理 4.4 模糊控制器原理 4.5 模糊控制器设计基础 4.6 双入单出模糊控制器设计 4.6.1 模糊化 4.6.2 模糊控制器规则、模糊关系 4.6.3 清晰化 4.6.4 控制表计算程序

4.1 模糊逻辑的数学基础 4.1.1 模糊集合 4.1.2 模糊集合的表示方法 4.1.3 模糊集合的运算 4.1.4 隶属函数确定方法 4.1.5 模糊关系 4.2 模糊逻辑的推理 4.2.1 模糊命题 4.2.2 模糊逻辑 4.2.3 模糊语言 4.2.4 模糊推理 4.3 模糊控制系统概述 4.3.1 模糊控制系统的构成 4.3.2 模糊控制系统的原理 4.4 模糊控制器原理 4.5 模糊控制器设计基础 4.6 双入单出模糊控制器设计 4.6.1 模糊化 4.6.2 模糊控制器规则、模糊关系 4.6.3 清晰化 4.6.4 控制表计算程序

油箱壳外形复杂,拉深成形过程中容易出现侧壁起皱和圆角处破裂的缺陷,成形工艺参数的确定非常重要.结合分类与回归决策树(classification and regression tree,CART)的人工智能技术和模型交叉验证方法,通过调用Python平台开源库Scikit-Learn对油箱壳拉深成形数值模拟结果进行知识挖掘,筛选出对油箱壳拉深成形影响大的工艺参数;以基尼指数(Gini index)最小化作为最优特征值及最优切分点选择的依据,构建了工艺参数与性能指标关系的CART决策树,提取出了可靠的工艺设计规则.油箱壳拉深实例表明,CART决策树理论的知识发现技术是实现板料成形过程数值模拟结果潜在知识挖掘的可行途径

一、从传统仪器到智能仪器 二 、智能仪器的分类、基本结构与特点 三、 推动智能仪器发展的主要技术 四、《智能仪器设计基础》课程框架