瓶颈识别范文

瓶颈识别范文（精选3篇）

瓶颈识别 第1篇

瓶颈交通流失效(breakdown)是指瓶颈点在短时间内由畅通交通流变为拥挤交通流的现象, 是快速路拥挤的直接诱因。了解瓶颈点的交通特性是进行交通管理和控制的基础,而瓶颈交通流失效的判别则是确定交通流状态和分析交通流演变规律的关键。

目前,交通流失效的识别方法大多是将所有车道看作为1个整体,基于断面的数据进行分析, 因而该类方法假设同一断面的所有车道同时发生失效。然而由相关的研究和实际经验可知,交通流失效往往最先发生在1个车道上,然后再传播至所有车道,各个车道之间的失效时间存在差异。 Dehman等[1]证明了各个车道之间的交通流失效存在显著差异。Muoz和Daganzo[2]认为快速路出口匝道处存在全拥挤和半拥挤的2种交通状态。Ma等[3]提出基于车道速度阈值的失效识别法,但该种方法在临界速度的选取上较为复杂。

变形累积曲线法是目前广泛运用的1种瓶颈交通流失效识别方法,包括流量变形累积曲线、速度变形累积曲线和密度变形累积曲线。Cassidy, Bertini,Sun,王殿海等[4,5,6,7,8,9,10]利用变形累积曲线对失效前后的流量特征进行了比较,但同样是基于整个断面的数据进行分析。因此,笔者在现有研究的基础上,提出基于车道的瓶颈交通流失效识别方法,并与以往基于断面的失效识别方法进行比较分析。

1数据来源

笔者所采用的数据为上海市快速路感应线圈检测数据,该检测数据以20s作为采样间隔,包括每个车道的流量、地点速度、占有率等参数。由于检测设备故障等原因,部分线圈数据存在缺失或错误的情 况,经过筛选 之后,最后实际 利用2013年7月1日~7月3日、7月24日~7月27日共7d的线圈数据。选取上海市中环内线军工路出口匝道 附近常发 性瓶颈 (recurring bottleneck)作为分析对象,其检测线圈编号和布设图见图1。通过绘制每天的速度-时空分布图(contour函数),可以证明线圈ZNNX09处为常发性独立瓶颈点,拥挤范围一般为ZHNX09至ZHNX12。

2基于车道的瓶颈交通流失效识别方法

由流量-速度的关系图可知,同1个流量值可能对应饱和状态或非饱和状态,因此本文在分析交通流失效特征时,采用速度作为基础数据指标。

2.1基于车道分析方法的必要性

以2013年7月2日(星期二)的数据为例,绘制军工路出口匝道附近ZHNX09号线圈断面处内外车道的速度时变曲线,见图2。

分析图2可知,军工路出口匝道附近外侧车道(车道4)的速度一直低于内侧车道(车道1),故而每个车道从不拥挤状态转变为拥挤状态的临界速度存在较大差异。如采用常用的速度阈值识别方法[11],将70km/h作为瓶颈 交通流的 失效阈值,则可能会将车道4一直判定为拥挤状态,如果采用60km/h作为阈值,则有可能导致车道1在15:00~16:00时的拥挤 状态不能 被有效识 别。 因此,鉴于每个车道的交通特性存在较大的差别, 基于车道的失效识别方法对于更加微观和精细地分析拥挤过程显得十分重要。

2.2交通流失效识别基本方法

目前,瓶颈点交通流失效识别的方法主要分为阈值法和变形累积曲线法。阈值法是简单直观的识别方法,只需设定合理阈值,但其选择的主观性较强,也容易受到数据 噪声干扰[3,10,11,12,13]。而变形累积曲线法能够直接识别失效时刻,有效地减少数据噪声,因此本文主要基于此种方法。基于车道的瓶颈交通流失效识别法,即利用各个车道的速度变形累积曲线来分析瓶颈点的失效过程。

速度变形累积曲线法是在每1个时间间 隔内,将累积速度减去1个背景速度值,从而可以将每个时间间隔内的速度波动的“转折点”放大,较为精确和直观地确定瓶颈失效起止时刻。累积速度是指分析时段t内通过同一断面或车道的车辆速度之和,而背景速度的取值大小会影响变形累积曲线的图样,但不改变交通流的失效时刻,一般取分析时段内的平均值[9]。其计算公式如下。

式中,V′(t)为变形累积速度值;V(t)为累积速度值;vi为第i个时间间隔内的速度,即为感应线圈检测到的地点速度;v0为背景速度;t为距离起点的时间间隔。

3基于车道与基于断面的识别方法比较

3.1失效时刻判定

以2013年7月2日ZHNX09线圈为例,绘制其断面及各个车道的速度变形累积曲线,见图3。图中曲线的斜率代表了速度的变化趋势,斜率逐渐增大意味着速度的上升,逐渐减小则速度下降。当速度变形累积曲线的斜率出现明显的降低,即出现“拐点”时,则认为交通流发生了失效, 将交通流从畅通状态转变为拥挤状态的时刻定义为“失效时间”。

由图3可知,军工路出口匝道附近各个车道的交通流失效时间存在差异,比如车道1与车道2的失效的时间相差3min 20s,与车道3和车道4的失效时间相差7min 40s。如果采用断面数据来判 别交通流 失效 ,则会早于 最内侧车 道4min 40s,晚于最外侧车道3min。对其他样本数据采用同样的方法进行分析,可得如图4所示的结果。

由图4可知,军工路出口匝道附近瓶颈的交通流失效最先由车道4开始,平均4min多之后才横向蔓延至车道1,即瓶颈点处内侧车道的失效时间始终会晚于外侧车道,而采用断面数据的失效时间则处于两者之间。因此,基于断面和基于车道的瓶颈失效识别方法存在较大的差别,前者是对整个断面拥挤状态的粗略估计,而后者则可更为精细地识别出各个车道的交通状态,有利于更有针对性的提出管理措施。

3.2半拥挤状态识别

由实际经验可知,在城市快速路的入口匝道或出口匝道的地方,往往出现外侧车道排队,而内侧车道仍然较为畅通的现象。笔者将这种同一断面的部分车道拥挤、部分车道畅通的状态称为半拥挤状态。如果采用断面数据作为分析对象,则只能将断面判定为拥挤状态或非拥挤状态,却不能有效识别半拥挤状态。

以2013年7月27日 (周六)的检测数 据为例,绘制ZHNX09线圈处断面和各个车道的速度变形累积曲线,见图5(车道3和车道4的累积变形曲线基本重叠)。若采用基于断面的识别方法, 则会判定瓶颈点在09:45时左右发生了瓶颈失效,但实际上车道1一直处于较为畅通状态,只有车道3和车道4发生了较为严重的拥挤情况,因此整个断面处于半拥挤的状态。

3.3拥挤的横向纵向传播分析

采用断面数据分析瓶颈点的交 通拥挤现 象时,只能分析拥挤的纵向传播规律,而不能进一步深入分析拥挤的横向传播特征,基于车道的识别方法在此方面具有重要的意义。以2013年7月24日(周三)的线圈检测数据为例,采用笔者提出的基于车道的瓶颈交通流失效识别方法,得到各检测断面不同车道发生失效的时间,见图6。

分析图6可知,军工路出口匝道附近的交通拥挤是从ZHNX09断面的外侧车道开始,约5min之后横向蔓延 至该断面 的内侧车 道。 比较分析ZHNX09断面和ZHNX10断面各车道的失效时间可发现,交通拥挤从ZHNX09断面处向上游传播至ZHNX10断面时,车道1至车道4所花费的时间分别约为1min,2min,5min,6min,说明此时已有内侧车道拥挤先于外侧车道的趋势。经ZHNX11断面之后,拥挤最终 纵向蔓延 至ZHNX12处,此时内侧车道交通流失效的时间比外侧车道反而早4min多。

由此可知,军工路出口匝道处的交通拥挤虽然先由外侧车道引起,之后横向扩散到整个断面, 但在向上游蔓延的过程当中,内侧车道其实比外侧车道更先发生交通流失效。一方面,内侧车道的道路条件和运行速度较之外侧车道相对较高, 说明通行效率较高的道路比通行效率较低的道路更容易受到交通拥挤的影响。另一方面,这种现象可能是由于出口匝道处的流出车辆为了尽快驶离出口匝道,在内侧车道的抢道换道行为频繁,加剧了内侧车道交通流的紊乱和拥挤,也可能与流出车流量的大小、车道流量分布均匀等有关。

4结束语

笔者在现有变形累积曲线方法的基础上,提出基于车道的瓶颈交通流失效识别方法,即利用各个车道的速度变形累积曲线来分别判定失效。 相比于以往基于断面的交通流失效识别方法,该识别方法更为精细和客观,不仅可以有效识别路段的半拥挤状态,也可深入分析拥挤的横向、纵向传播特性。经研究发现,出口匝道附近瓶颈的拥挤一般先始于外侧车道,经过一定时间之后再横向扩散至整个断面,但在向上游纵向蔓延的过程当中,内侧车道反而比外侧车道更容易发生拥挤。

瓶颈识别 第2篇

关键词：地铁,结构重要度,人员疏散,瓶颈识别,模拟

0 引言

地铁在各城市公共交通中担任重要角色, 承担城市中心区的大部分出行, 具有高密集度的客流量, 一旦发生灾害事故, 如地震或火灾, 往往很难及时进行有效处理, 极易产生人员群死群伤和巨大财产损失的重大后果[1,2,3,4]。因此, 迫切需要通过人员瓶颈识别找出系统制约点, 在灾害发生过程中加以防范, 保障地铁安全性[5,6]。

人员疏散瓶颈分为静态瓶颈和动态瓶颈。静态瓶颈是由于瓶颈处的实际集散能力弱或能力不匹配产生的, 具有稳定性和可预测性。动态疏散瓶颈的形成与人员的流动有很紧密的联系, 具有动态性、突发性、不稳定性和不可预测性。动态瓶颈对人员疏散影响巨大, 因而本文主要研究动态瓶颈, 以下简称瓶颈[7,8]。

为了准确识别动态瓶颈, 实现对动态瓶颈的量化和分级, 本文率先提出以“网络效率和元件结构重要度”的概念来评估瓶颈制约点。以某地铁站为例, 运用疏散模拟软件, 采用疏散瓶颈路径移除的方法, 得出不同瓶颈制约点撤出后的人员疏散时间值, 继而求出每一瓶颈路段的结构重要度排序等级, 从而得到各瓶颈路段对整个疏散过程的影响程度。

1 疏散瓶颈分析模型构建

动态疏散瓶颈的识别方法, 及各动态瓶颈的瓶颈效应分级可以用“网络效率和元件结构重要度”的概念来解释。对于一个网络G= (N, E) , N表示节点集, E表示路段集, d= (d1, d2, , dn) 表示需求向量。当需求固定时, 该网络的效率定义为:

式中, 分别表示路段a上的流量和出行的成本, 在建筑疏散网络模型中, 各路段上的出行成本用路段的出行时间表示。从上式中可以看出, 网络效率是负数, 与出行成本成反比。在人员疏散场景中, 该效率值可以用疏散流量和疏散所用时间来度量。

在固定需求的网络G中, 若撤出元件x后, 该网络效率相对于完整情况时效率的增长率, 就是元件x的结构重要度, 如式 (2) 。得到的数值越大, 其结构重要度就越大, 并且结果为负值的节点比为正值的节点重要度小。

这里的元件x可以是网络中的某一节点、路段或路径, 也可以是网络中的多个节点、路径或路段的集合。在计算网络中某一元件的结构重要度时, 如果这个元件是某条路段, 则只需要删除该路线即可, 如果选取的元件是网络结构中的一个节点, 在删除这个节点后, 还需要删除与该节点相连接着的所有路段。

利用EVACNET4建立疏散网络模型得到“瓶颈路段的鉴定”中的疏散过程中堵塞情况较严重的路段。通过疏散瓶颈路径移除, 再进行疏散模拟计算, 得到新的疏散数据, 继而利用计算网络元件结构重要度的方法进行运算统计, 列出每一瓶颈路段的结构重要度排序等级, 从而得到各瓶颈路段对整个疏散过程的影响程度大小。

2 场景分析

所选地铁车站分为站台层和站厅层。站台层位于地下一层, 它的主要功能是提供乘客候车和列车下客的空间, 长182.5m, 宽11.58m, 室内面积为2113m2。设置有4座楼梯和7座自动扶梯与站厅层相连接, 楼梯宽度为1.8m, 自动扶梯宽1m, 疏散时楼梯和自动扶梯是通往站厅层唯一的路径。站厅层位于地面, 主要负责乘客的管理、售票、检票等工作, 室内有效面积为3240m2。站厅层内有4处闸机, 这些闸机都规定好了开闭方向, 在每处闸机旁还设置了宽通道的双向闸机。出入口共设有5个, 疏散过程中假设全部乘客到达这些出入口处即为疏散完成。以“ES”表示自动扶梯、“SW”表示楼梯, 地铁构造图如图1所示。

地铁疏散过程, 自动扶梯的运行状态和闸机的流通方向对疏散起着主要制约作用。根据地铁安全疏散相关规范, 自动扶梯在火灾时不可用于疏散, 但在实际过程, 往往因为可用通道的不足而投入使用, 在疏散模拟过程中应该重点考虑。闸机通常分为门扉式闸机和三杆门式闸机:门扉式闸机在疏散时可以完全打开, 疏散时没有方向限制, 而三杆门式闸机则只能按固定的方向转动, 疏散时不能逆向通行。因此, 闸机特殊节点有以下情况:当全部闸机都是门扉式闸机时, 其不受方向限制, 疏散时人员均可通过闸机行走;设置有部分三杆式闸机, 由于其转动方向固定, 疏散人员不能逆向通行, 疏散过程单向通行, 只能借助每个闸机旁的双向宽通道闸机进行疏散;设置有部分三杆式闸机, 但考虑到疏散过程人员密度大、速度快, 金属杆式的分隔装置可能对人员造成伤害, 所以不投入使用, 双向宽通道闸机时疏散的唯一通道。

将上述站台层和站厅层的疏散场景结合起来, 整个地铁站的疏散场景可分为以下6种:自动扶梯可用闸机全部可用;自动扶梯可用闸机按方向开放;自动扶梯可用双向宽通道闸机可用;自动扶梯不可用闸机全部可用;自动扶梯不可用闸机按方向开放;自动扶梯不可用双向宽通道闸机可用。

3 模拟结果

3.1 疏散时间分析

通过运用EVACNET4软件建立模型, 得到六种疏散场景的疏散结果如表1。

表中, 数据竖向对比可以看出闸机的类型及其开闭状态对疏散时间的影响, 横向对比则可看出自动扶梯的可用与否对疏散的影响。当自动扶梯的运行情况相同时, 闸机的类型不论是门扉式还是三杆门式, 只要能够用于疏散, 疏散时间的改变程度为0%, 对疏散基本上不会造成影响;但是当闸机是三杆门式且不用于疏散时, 疏散时间增加了37.3%, 可见, 疏散过程可以采用门扉式的闸机应该完全打开供人员通行、三杆门式的闸机按其规定方向通行的方式。闸机类型及通行方向相同时, 自动扶梯不可用相对于可用疏散时间增长了76.5%, 自动扶梯的影响程度明显比闸机大, 并且当自动扶梯不可用时, 疏散时间超过了规定的6分钟, 因此, 自动扶梯必须用于该地铁的安全疏散。自动扶梯和闸机对地铁站的安全疏散都会造成一定程度的影响, 疏散的最理想场景则是自动扶梯用于疏散, 同时闸机为门扉式, 疏散时完全打开通行, 即疏散场景1的情况, 下面的分析也着重针对场景1进行分析。

3.2 人员拥堵情况分析

根据疏散时的人员路径选择情况及依据拥堵率系数求出的瓶颈点, 绘制出人员疏散路径图如图2。图中人物和箭头图标表示疏散过程中人员的行走路径, 深色区域表示疏散瓶颈处。从拥堵率来看, 站台层动态瓶颈主要分布在楼梯和自动扶梯处, 站厅层人员疏散的瓶颈则主要位于5处疏散目的地和部分闸机的位置。7处自动扶梯全是疏散瓶颈处, 而4座楼梯只有两座是疏散瓶颈, 这主要源于自动扶梯宽度仅1m, 较楼梯窄0.8m, 可见通道宽度在疏散过程中会有很大的影响, 决定着该处是否会形成疏散瓶颈[9]。同时, 站厅层中人员都朝着出口行走, 由于受出口宽度的限制, 人员逐渐会在出口处聚集, 形成瓶颈[10]。

3.3 瓶颈重要度

通过对人员疏散过程和瓶颈位置的分析, 观察出疏散过程中瓶颈主要分布在楼梯、自动扶梯处。因此, 我们选取了该地铁车站中的6处自动扶梯和2处楼梯作为研究对象, 研究的疏散瓶颈对象为:ES1.2, ES2.2, ES3.2, ES4.2, ES5.2, ES6.2, SW2.2, SW4.2。未撤除瓶颈状态下的疏散时间为255s, 撤除瓶颈后的疏散时间及依据疏散时间求得的结构重要度如表2。

根据表2中各瓶颈结构重要度的排序, 可以看出楼梯SW4.2的结构重要度最大, 其对疏散过程的影响力也就最突出, 如果在疏散过程中SW4.2瓶颈处没有被很好的处理, 致使瓶颈效应升级, 疏散能力瘫痪, 则会导致疏散时间的大幅度增加, 人员可能不会在规定时间内安全撤离出地铁站, 造成人员伤亡和财产损失。同样, 其他7处瓶颈对安全疏散都有相应程度的影响, 比较突出的两处疏散瓶颈是楼梯SW4.2和自动扶梯ES3.2, 这两处瓶颈如果在疏散过程中没有采取有效的措施及时的进行处理, 影响人员的安全疏散, 可能会造成严重的后果。

4 结论

基于结构重要度的疏散瓶颈识别方法, 以疏散时间为网络效率指标, 用撤除瓶颈后的疏散时间变化状况评估疏散瓶颈结构重要度, 排序得出不同瓶颈对系统制约性大小, 该方法能够实现疏散瓶颈的定量评价, 可行性高, 对保障地铁运营安全具有重大意义。模拟结果显示:

1) 地铁站内的自动扶梯对疏散时间的影响很大, 发生火灾等特殊事件时, 自动扶梯是保障人员安全撤离的重要通道, 应将自动扶梯停止运行, 当作楼梯使用。

2) 闸机对人员的疏散有一定程度的影响, 但只要疏散过程中闸机正常工作, 人员均能在规定的时间内完成疏散。

3) 对比分析两种闸机的优劣, 建议在建设综合交通枢纽时, 主要以门扉式闸机为检票通道。同时, 由于楼梯比自动扶梯出入口宽度更大, 形成瓶颈概率小, 在车站设计规划时, 应根据车站容量合理分配自动扶梯和楼梯的数量。

4) 模拟运算找出车站的疏散瓶颈所在, 通过计算疏散瓶颈的结构重要度, 将各瓶颈按其对车站安全疏散的影响程度排序, 并针对不同重要度的疏散瓶颈, 提出相应的改进措施, 为车站人员安全疏散提供技术参考。

参考文献

[1]贺利工, 史聪灵, 钟茂华, 等.浅谈地铁地下区间侧向疏散平台疏散[J].中国安全生产科学技术, 2013, 9 (7) :49-53HE Li-gong, SHI Cong-ling, ZHONG Mao-hua, et al.Analysis and discussion on passenger evacuation by lateral emergency evacuation platform in metro tunnel[J].Journal of Safety Science and Technology, 2013, 9 (7) :49-53

[2]Roh J S, Ryou H S, Park W H, et al.CFD simulation and assessment of life safety in a subway train fire[J].Tunnelling and Underground Space Technology, 2009, 24 (4) :447-453

[3]Jiang C S, Yuan F, Chow W K.Effect of varying two key parameters in simulating evacuation for subway stations in China[J].Safety science, 2010, 48 (4) :445-451

[4]Kim E S, Cho J H, Kim M H.The Study of Outflow Rate of Stair and Turnstile in Subway Station-Comparison between Measurement and Simulation[J].Journal of Korean Institute of Fire Science and Engineering, 2010, 24 (3) :33-38

[5]Yi-fan L I, Jun-min C, Jie J I, et al.Analysis of Crowded Degree of Emergency Evacuation at“Bottleneck”Position in Subway Station Based on Stairway Level of Service[J].Procedia Engineering, 2011, 11:242-251

[6]Yunfang W, Qizong W, Jian M.Feasible analysis and model building of urban subway service carriage for women, children and seniors[C].Service Systems and Service Management (ICSSSM) , 2012 9th International Conference on.IEEE, 2012:651-653

[7]Hu C, Liu J, Ma Y, et al.An Analysis on the Park-andRide Travel Selection from the Perspective of Bottleneck Theory[M].Advances in Information Technology and Education.Springer Berlin Heidelberg, 2011:241-249

[8]Osorio C, Bierlaire M.An analytic finite capacity queueing network model capturing the propagation of congestion and blocking[J].European Journal of Operational Research, 2009, 196 (3) :996-1007

[9]陈绍宽, 刘爽, 肖雄, 等.基于M/G/c/c模型的地铁车站楼梯通道疏散能力瓶颈分析[J].铁道学报, 2012, 34 (1) :7-12CHEN Shao-kuan, LIU Shuang, XIAO Xiong, et al.M/G/c/c-based model of passenger evacuation capacity of stairs and corridors in metro stations[J].Journal of the China Railway Society, 2012, 34 (1) :7-12

瓶颈识别 第3篇

以密码、密钥等作为其识别手段的传统身份识别技术已经被广泛应用于现实生活中, 但受到其易复制性与易丢失性等因素的影响, 在很大程度上影响着该技术的发展, 并促使了拥有更高性能的识别技术被研发出来。其中, 智能识别技术就是基于新时期计算机人工智能技术的发展而不断发展起来的, 并作为一种数据自动采集、识别与录入的人工智能技术, 被广泛应用于各个领域中, 为人们的生活、工作带来极大的便利。但是, 就真正意义上的智能应用, 智能识别技术应用仍存在一定瓶颈, 下面作者就该问题作简要分析。

1 语音智能识别技术应用瓶颈分析

从某种意义上来说, 语音智能识别技术的最终目的就是为了让计算机能够听懂人类语言, 从而执行人的某项操作。该技术作为现阶段人工智能研究的一个主要方向与人机语音交互实现的一个关键技术, 一直以来都备受各国人工智能研究领域的重点关注。而且, 各种基于语音智能识别技术的产品也日渐被开发出来, 并应用于各个领域, 并表现出极大的应用优势, 如语音通信系统、声控电话交换等。如今, 虽然伴随各种人工智能电子产品的日渐研发, 特别是进入21 世纪后, 嵌入式的语音处理及其识别技术也有了较大进步, 基于语音识别的芯片业也日渐增加。但是, 也需看到, 语音识别技术应用仍存在着一些技术瓶颈, 而且如何通过实现芯片同人工智能技术的有机结合来更好发展语音智能识别技术, 也成为了本世纪一个重要的研究内容。

1.1 可靠性有待提高

一方面, 语音智能识别技术必须排除实际应用中各种声学环境对其造成的不良影响。因为在公共场合, 人能有意识排除外界噪声来获得自己想要的声音, 然而计算机虽已实现智能化, 但你不可能指望它在那些嘈杂环境中能够准确捕捉到你的声音, 大大限制了该技术的应用范围。所以, 若想在嘈杂环境中应用语音智能识别技术, 就需要使用特殊抗噪麦克风, 但这对于多数用户而言, 是不可能实现的;另一方面, 日常生活中, 人们说话较随意, 语言习惯较明显, 如带有明显地方口音、经常重复、停顿, 或插入, 完全不受语法控制等, 而这些语音对于经过标准式“朗读语音”存储的设备来讲, 是很难识别的。为此, 逐步提升语音智能识别技术的可靠性, 显得很有必要。

1.2 词汇量有待丰富

可以说, 语音识别系统可识别词汇量的多少, 在很大程度上决定了系统可完成事情的程度, 若系统所配置声学模型与语音模型限制较多, 当用户所引用词汇不在系统存储范围内时, 或是突然从英文转中文、俄文、韩文、日文等语言时, 系统很可能出现输入混乱情况。为此, 今后伴随系统建模方式的逐步革新、各种搜索计算法效率的逐步提升于与硬件资源的日渐发展, 语音智能识别系统很可能实现词汇量无限制与多种语言的混合, 这样一来, 即便用户使用多种语言, 系统也是能准确识别出来的[1]。

1.3 成本有待降低, 体积有待减小

对于任何一项技术的发展而言, 在保证质量的同时, 最大限度降低其成本是实现技术商业化发展的关键所在, 且普遍通过规模生产形式来实现。但对于语音智能识别技术而言, 要想做到降低其成本, 还存在较大困难。因为对于那些功能、性能要求较高的应用, 多带有“量身定制”的标记, 若想规模生产, 条件还不是很成熟;只有在那些对功能、性能要求不是很高的语音识别应用上, 才有可能规模生产出部分低成本产品, 而这些规模产品在实际应用中又可能受到功能与性能的限制[2]。另外, 微型化也将是今后语音智能识别技术实现商业化发展的一个重要手段, 而要想实现这一点, 同该技术本身发展程度与微电子芯片技术发展程度, 均有着密切的关系。为此, 把那些有着先进性能与完善功能的语音识别借助系统固化到那些更加微小的模块或芯片上, 用以最大限度降低成本, 也就成为了今后语音智能识别技术真正实现广泛应用的关键所在。

2 视觉智能识别技术应用瓶颈分析

同语音智能识别技术瓶颈相比较, 视觉智能识别技术应用瓶颈似乎更多, 难度也更大。就应用基本原理而言, 两者一致, 均是通过对相关信息实时采集、存储来实现智能识别的。然而在具体操作过程中, 两者却存在较大差别, 因为视觉智能识别技术主要针对的是各种图像的设备, 如指纹识别、人脸识别等。而在这些图像识别中, 也存在着一些应用瓶颈。

2.1 人脸识别技术

该技术主要是通过对人脸几个关键部位进行识别、分析, 并通过采集几个表情作为其存储数据, 来进行对比、识别分析。但目前为止, 关于自动人脸识别研究已经取得了一些可喜成就, 但就其实际应用而言, 仍存在着一些较难解决的问题, 如人脸的非刚体、发型的变化与表情、化妆的多样性以及环境光照复杂性等, 都给人脸识别带来了较大困难。即便是大量来自生理学、神经认知科学与自模式识别、心理学以及计算机视觉等众多领域的专家们经过40 多年对自动人脸识别技术的深入研究, 仍被很多问题困扰着, 得不到有效的解决办法。换个角度来想, 即便是人类自己, 即使每天都在根据他人面孔来区别亲人、朋友、同事与陌生人, 但有时候也很难准确叙述出自己为什么能对他们进行区分, 特别是对于双胞胎, 虽然可区别他们, 但却说不出如何区分、鉴别。可想而知, 人都如此, 更何况同人类视觉系统存在较大差异的图像采集设备, 而且从某种意义上来说, 计算机智能识别技术同人脑相比, 还是存在一定差距的。为此, 若要想计算机能够像人一样自动、准确识别人脸, 必然需要不同领域研究者们的继续努力。

2.2 指纹识别技术

众所周知, 每个人的指纹都是不同的, 指纹可以说是一个人独有的特征, 而“指纹识别”, 指的就是通过对这些指纹纹路图案、断点与交叉点的识别来实现身份的识别, 有着唯一性、终生不变性与可获得性、防欺骗性等特点, 现实生活中, 人们多用指纹识别技术来设置密码, 用以保护个人信息[3]。但是, 在看到其优点的同时, 也需看到, 一个人的指纹其实很容易留在各处, 通过复制这些指纹痕迹来进行相关操作, 将在一定程度上影响到系统正确判断, 故该识别技术其实也存在着一定危险性。而且, 虽然系统已经识别了已有指纹, 然而实际上一些人与群体的指纹其实特征不是很明显, 有时较难成像, 进而无法进行指纹识别。如在“签到打卡机”上, 若是录入指纹手指出现破皮、损伤情况, 是比较难识别的, 而这也在一定程度上影响到指纹识别技术的应用。

总的来说, 虽然人脸识别与指纹识别技术已经被广泛应用于各领域中, 特别是密码设置中, 但在实际应用中, 问题仍是有的, 而这也正表示视觉智能识别技术仍有着较大研究、发展空间, 需要投入更多精力去解决这些瓶颈, 用以推动计算机人工智能识别技术的发展。

3 结束语

综上所述, 人工智能识别技术在快速发展的同时, 也存在着一些技术瓶颈, 从而在一定程度上影响到智能识别技术实现“智能”的程度。为此, 要想真正实现计算机完全智能控制, 还需从各方面入手, 加入财力、物力、人力的投资, 对其各方面功能、性能加以优化、完善, 从而使之智能水平得到不断提升, 为人们的生活、工作带来更多的便利。

参考文献

[1]周娟.计算机人工智能识别技术应用瓶颈分析[J].软件导刊, 2014 (9) :28-29.