1、目 錄,第1章 概 述 第2章 智能傳感器系統(tǒng)中經(jīng)典傳感技術(shù)基礎(chǔ) 第3章 不同集成度智能傳感器系統(tǒng)介紹 第4章 智能傳感器的集成技術(shù) 第5章 智能傳感器系統(tǒng)智能化功能的實(shí)現(xiàn)方法 第6章 通信功能與總線接口 第7章 智能技術(shù)在傳感器系統(tǒng)中的應(yīng)用 第8章 智能傳感器系統(tǒng)的設(shè)計(jì)與應(yīng)用 第9章 無線傳感器網(wǎng)絡(luò)技術(shù)概述,第7章 智能技術(shù)在傳感器系統(tǒng)中的應(yīng)用,要 點(diǎn)： 智能模糊傳感器； 人工神經(jīng)網(wǎng)絡(luò)在智能傳感器中的應(yīng)用。,模糊傳感器就是采用模糊集合理論方法，來實(shí)現(xiàn)測量的數(shù)值結(jié)果轉(zhuǎn)換為 人類語言的符號(hào)來表示。其核心部分是將測量結(jié)果的數(shù)值表示轉(zhuǎn)換為用人類 語言符號(hào)表示的單元模塊，亦即數(shù)值符號(hào)轉(zhuǎn)換器。 介紹模糊

2、傳感器的起源： 專業(yè)化通俗化； 數(shù)值化符號(hào)化； 簡單化智能化。,7.1 智能模糊傳感器,7.1.1 基礎(chǔ)知識(shí) 測量結(jié)果“符號(hào)化表示”的概念 1、測量的概念：以確定被測量值為目的的一組操作，亦或是將被測量與標(biāo)準(zhǔn)量進(jìn)行比較的過程。 2、測量領(lǐng)域的不斷擴(kuò)大和深化；被測對象的多維性和問題的復(fù)雜性；信息難以進(jìn)行定量描述；信息存儲(chǔ)等方面的問題，僅用數(shù)值符號(hào)來描述測量結(jié)果是不夠的。 3、符號(hào)化表示的優(yōu)點(diǎn)： 信息量緊湊，存儲(chǔ)量少； 無需建立精確模型； 允許數(shù)值測量有較大的非線性和較低的精度； 可以進(jìn)行推理、學(xué)習(xí)、并可以將人類經(jīng)驗(yàn)、專家知識(shí)與智能事先集成，易于理解。,4、在數(shù)學(xué)中描述量與量之間的關(guān)系有三條途徑：

3、 1）經(jīng)典的數(shù)學(xué)分析和集合論，它是描述與度量“確定性”量的數(shù)學(xué)方法。 2）概率論與數(shù)理統(tǒng)計(jì)，它是研究事先不能判定其發(fā)生與否的“隨機(jī)性”事件，但事件本身的含義仍是分明的。 3）模糊數(shù)學(xué)，它是用數(shù)學(xué)的方法來描述和研究具有“模糊性”事物的數(shù)學(xué)，用于解決本身概念都尚不分明的事物，并定量的研究這些客觀存在的模糊現(xiàn)象。 符號(hào)測量系統(tǒng)符號(hào)傳感器系統(tǒng) 1、符號(hào)測量系統(tǒng)的基本概念與組成 1）可以處理和實(shí)現(xiàn)數(shù)值測量和符號(hào)測量的測量系統(tǒng)，稱為符號(hào)測量系統(tǒng)。,2）基本構(gòu)成：由兩大部分組成 a）傳統(tǒng)的數(shù)值測量系統(tǒng)； b）數(shù)值符號(hào)轉(zhuǎn)換單元。 2、三種符號(hào)系統(tǒng) 1）數(shù)值符號(hào)系統(tǒng) 被測對象的有關(guān)物理參量向數(shù)值域的轉(zhuǎn)換或稱映射

4、，這就稱作用符號(hào)表示的傳統(tǒng)的測量系統(tǒng)。,a） b） c） ：映射關(guān)系；表示對象域向數(shù)值域映射的某種關(guān)系。 d） 之間的關(guān)系 e） 之間的關(guān)系 f） ： 到 關(guān)系的映射； 構(gòu)成了數(shù)值符號(hào)系統(tǒng)的關(guān)系概念。 2）語言符號(hào)系統(tǒng) 完成由數(shù)值域向偽語言符號(hào)域的轉(zhuǎn)換或稱映射。本身構(gòu)成數(shù)值符號(hào)轉(zhuǎn)換器，由軟件實(shí)現(xiàn)。,，,，,a） b） c）：映射關(guān)系，數(shù)值域語言域 d） 之間的關(guān)系 e） 之間的關(guān)系 f） ： 到 的映射關(guān)系； 構(gòu)成了語言符號(hào)系統(tǒng)的關(guān)系概念。 3）人類自然語言符號(hào)系統(tǒng) 直接將現(xiàn)實(shí)世界與自然語言符號(hào)域相對應(yīng)。亦即：,，,，,；,3、模糊傳感器的基本概念 采用模糊集合理論方法來構(gòu)成數(shù)值符號(hào)轉(zhuǎn)換單元，

5、以實(shí)現(xiàn)測量的數(shù)值結(jié)果轉(zhuǎn)換為人類自然語言符號(hào)表示的符號(hào)測量系統(tǒng)，稱為模糊傳感器。 模糊集合理論簡介 模糊集合是精確集合的推廣和擴(kuò)充，不能簡單判定“是”與“不是”。 精確集合的概念：一個(gè)對象要么符合該概念（屬于），要么不屬于該集合。 1、模糊集合（經(jīng)典集合） 一個(gè)對象組成的論域： ，或稱所有元素的集合，從U到閉區(qū)間0,1有映射 ，則稱 確定了U的一個(gè)模糊集合A，而 稱為模糊集合A的隸屬函數(shù)。 稱為論域U中元素x隸屬于模糊集合A的程度，簡稱x對A的隸屬度。,，隸屬度高； ，隸屬程度低。 精確集合是模糊集合的特殊形式。 2、確定隸屬函數(shù)的方法 模糊子集完全由其隸屬函數(shù)所描述。進(jìn)行模糊識(shí)別首先要獲取識(shí)別

6、信息，而模糊識(shí)別信息可借助于隸屬函數(shù)獲得。因此確定隸屬函數(shù)是一項(xiàng)基本而又非常重要的工作。 1）隸屬函數(shù)的確定方法（也叫原則） a）通過模糊統(tǒng)計(jì)來確定； b）采用二元對比排序法； c）借用常見的模糊分布來確定； d）利用動(dòng)態(tài)信號(hào)處理的結(jié)果，經(jīng)過適當(dāng)轉(zhuǎn)換得到隸屬函數(shù)，如機(jī)械運(yùn)動(dòng) 系統(tǒng)的狀態(tài)； e）通過神經(jīng)網(wǎng)絡(luò)模型來學(xué)習(xí)和獲取隸屬函數(shù)；,f）主觀認(rèn)識(shí)、個(gè)人經(jīng)驗(yàn)、人為評(píng)分等。 2）幾種常見的隸屬函數(shù)及其曲線 設(shè)論域?yàn)閷?shí)數(shù)域U，若A為U上的模糊子集，則 又稱為A的模糊分布，簡記為 。 a）戒上型（偏小型） 適用于x很小的隸屬函數(shù)，論域x均取正值。 b）戒下型（偏大型）（下圖） 適用于x較大時(shí)的隸屬函數(shù)，

7、論域x均取正值。,c）中間對稱型 函數(shù)形式除了書上講的三種，還有：,尖分布： 哥西分布： 0,為正偶數(shù)， 書中講的柯西型，有的書上稱為正態(tài)分布。,嶺型分布：,3、模糊算子 兩個(gè)模糊集合A、B之間在0,1閉區(qū)間中的二元運(yùn)算。它的運(yùn)算規(guī)則與我 們以前學(xué)的集合的運(yùn)算概念相一致。 它的運(yùn)算結(jié)果最大為1，最小為0。其中模糊積就是它們的數(shù)值積： 4、含義映射 與描述映射 1）含義映射 ，亦即語言域Y上的任意一個(gè)元素 ，它的原像可用 表示，且等于數(shù)值域上的x，也就是說值x是語言的含義值。 2）描述映射 ，亦即數(shù)值域N上的任意一個(gè)元素x，它的像可用 表示，且等于符號(hào)域上的 ，就是說語言是數(shù)值x的描述。,5、模

8、糊語義和模糊描述 與上述概念相對應(yīng)。 1）模糊語義 ，語言值的模糊語義是 上的模 糊子集 的映射。 ：語言值的模糊語義為x。 2）模糊描述： ，數(shù)值量的模糊描述是 的模糊子集 的映射。 ，數(shù)值量x的模糊描述為a。 3）模糊關(guān)系 模糊關(guān)系R是指模糊語義和模糊描述之間的關(guān)系，它的隸屬函數(shù)為： 在語言域Y中給定一個(gè)語言量 ，模糊關(guān)系R就在數(shù)值域N中確定一個(gè)模糊,子集 ，則任意一個(gè)屬于數(shù)值域 N中的數(shù)值量x屬于模糊子集 的程度 由模糊關(guān)系隸屬函數(shù) 給定。 舉例說明： 一個(gè)汽車系統(tǒng)，語言域Y描述為：汽車系統(tǒng)故障，其中一個(gè)語言量為發(fā)動(dòng)機(jī)故障，對應(yīng)的數(shù)值域N的模糊子集有 ：氣缸溫度、氣缸磨損度、活塞外徑、氣

9、缸內(nèi)徑， 。對于噴油嘴的噴油量引起發(fā)動(dòng)機(jī)故障的概率或者說程度即為 。 同樣，在數(shù)值域N中也一樣。 有些概念性的東西，理解起來比較費(fèi)勁，關(guān)鍵是要仔細(xì)體會(huì)。 例如：一個(gè)人的血壓高，原因有：缺乏鍛煉、飲食不好、遺傳、工作環(huán)境的影響等等。同樣飲食不好，可能會(huì)引起：血壓高、血脂高、身體過胖、糖尿病等等。那么在有些時(shí)候要確定一個(gè)最主要的因素和結(jié)果。,6、基本符號(hào)測量分度和模糊分度 1）符號(hào)測量分度 目的：建立合適的與定量測量一致的符號(hào)化測量形式。 a）標(biāo)稱分度 表達(dá)了被測對象域和符號(hào)域Y的相等關(guān)系： 如果對象域上的兩個(gè)元素相等，則它們的像測量結(jié)果，也相等。 即：如果兩個(gè)人的身高相等均為1.85m，則他們都

10、屬于：高的范圍。 b）順序分度 （如：不同產(chǎn)家的同一類產(chǎn)品的質(zhì)量判定） 表達(dá)了集合和Y上相對應(yīng)的順序關(guān)系：,對象域上的順序關(guān)系應(yīng)與映射到符號(hào)域上的保持一致。 c）線性分度 表達(dá)了在對象域和符號(hào)域Y上的一個(gè)相等關(guān)系和一個(gè)相加運(yùn)算： d）映射關(guān)系與變換法則： 被測對象域和符號(hào)域之間的映射關(guān)系不是唯一的，它可以通過變換法則F變?yōu)?。 變換法則F的有效性：要保持其測量分度的類型的有效性不變。 標(biāo)稱分度的允許變換法則是任意一個(gè)一一映射； 順序分度的允許變換法則是任意一個(gè)單調(diào)增映射； 線性分度的允許變換法則是 ,0,0。,符號(hào)測量分度表達(dá)的是由被測對象域（亦即數(shù)值域）向符號(hào)域推導(dǎo)的過程。 2）模糊分度 目

11、的：從語言信息中推導(dǎo)出有意義的描述。 a）模糊對稱分度 符號(hào)域Y中的兩元素a和b :Y上的模糊子集； :N上的模糊子集； 對于關(guān)系式： 的舉例說明： 兩個(gè)人身高均為1.85，它們均為Y域上“高”，但是兩個(gè)人在Y域上的“高”，并不能說明兩個(gè)人的身高相等，也可能有差別。也就是上式?jīng)]有,可逆的關(guān)系存在。 b）模糊順序分度 的解釋：假定 是一個(gè)在 之間的實(shí)數(shù)值，則其隸屬函數(shù)為：,距離概念的解釋： 兩個(gè)集合：A、B a）最遠(yuǎn)距離； b）最近距離； c）平均距離（中心距離）； d）加權(quán)線性距離；歐幾里得距離；Minkowsky距離；極 小極大化距離。 貼近度的概念： 用距離來度量模糊度，在離散情況下需要求

12、和，在連續(xù)情況下需要求積分，當(dāng)論域元素很多，計(jì)算較困難，為此引入貼近度的概念；有幾種不同的定義貼近度的算法。,7.1.2 模糊傳感器的功能及結(jié)構(gòu) 模糊傳感器的功能 一方面具有智能傳感器的一般特點(diǎn)和功能，另一方面有自己的獨(dú)特功 能。 1、學(xué)習(xí)功能 主要綜合利用已有的知識(shí)、經(jīng)驗(yàn)，并達(dá)到擬人化表達(dá)的效果；功能本身 的需要。 學(xué)習(xí)方法：指導(dǎo)學(xué)習(xí)和自學(xué)習(xí)。 效果：自擬定檢測方案（相關(guān)被測量的選擇），相當(dāng)于一個(gè)專家系統(tǒng)。 2、推理功能 基于知識(shí)庫和模糊推理規(guī)則實(shí)現(xiàn)對傳感器信息的綜合處理。（基于模糊 邏輯方法處理由模糊性引起的不精確推理稱為模糊邏輯推理。）,3、感知功能 指模糊傳感器感知敏感元件確定的被測量

13、，輸出易于人類理解和掌握的自然語言符號(hào)量。 4、通信功能 內(nèi)部信息交換；外部信息交換。 總之，模糊傳感器相當(dāng)于一個(gè)不斷學(xué)習(xí)的學(xué)生。 模糊傳感器的結(jié)構(gòu) 1、基本邏輯結(jié)構(gòu) 參見下圖，其各主要框圖的功能及作用，書中已講得比較簡明，結(jié)合我們以前介紹給大家的故障診斷技術(shù)中的專家系統(tǒng)，應(yīng)該不難理解。其中的專家信號(hào)管理相當(dāng)于知識(shí)庫和模糊推理規(guī)則；而符號(hào)處理層更多的是推理機(jī)的功能。同時(shí)，從學(xué)習(xí)的角度，符號(hào)處理層應(yīng)該有信息輸入到專家信號(hào)管理框圖里，以作為新知識(shí)的積累和存貯。,2、基本結(jié)構(gòu)框圖 1）基本物理結(jié)構(gòu) 該結(jié)構(gòu)應(yīng)該是很容易被接受和理解。需要說明的是：專家信號(hào)通過人機(jī)接口與系統(tǒng)進(jìn)行聯(lián)系，一般是產(chǎn)品出廠前和定

14、期檢查以及系統(tǒng)更新時(shí)使用。 2）基本軟件結(jié)構(gòu) 與基本物理結(jié)構(gòu)相對應(yīng)。數(shù)值/符號(hào)轉(zhuǎn)換模塊和符號(hào)/數(shù)值轉(zhuǎn)換模塊相當(dāng)于A/D與D/A。軟件結(jié)構(gòu)在實(shí)際使用中，關(guān)鍵在于該軟件系統(tǒng)如何進(jìn)行有效合理的組織與設(shè)計(jì)，從而使之快速、有效、可靠。,3、多維模糊傳感器結(jié)構(gòu) 屬于相互關(guān)聯(lián)的多被測量傳感器系統(tǒng)，在上述工作的基礎(chǔ)上，主要的問題是解決信息融合的問題和在此基礎(chǔ)上知識(shí)庫的建立以及語言概念的生成。 1）基礎(chǔ)測量單元 敏感元件陣列、信號(hào)調(diào)理電路陣列、A/D陣列、數(shù)值預(yù)處理陣列組成，功能與傳統(tǒng)傳感器系統(tǒng)一致，輸出量是數(shù)值信號(hào)或其特征量 2）語言符號(hào)生成與處理單元 數(shù)值/語言符號(hào)轉(zhuǎn)換器陣列；概念合成器；知識(shí)庫；數(shù)據(jù)庫；學(xué)

15、習(xí)單元，它們組成了多維模糊傳感器的核心。主要功能：實(shí)現(xiàn)數(shù)值/語言符號(hào)的模糊轉(zhuǎn)換，輸出量是語言符號(hào)S（sentence語句，semantic語義）； a）知識(shí)庫的內(nèi)容 模糊集合及其對應(yīng)的隸屬函數(shù)； 生成概念的模糊推理規(guī)則； 檢測對象的特性背景知識(shí)。,多維模糊傳感器結(jié)構(gòu)框圖,如相同血壓值的不同人，其生成的符號(hào)肯定是不同的，指不同人的各種主要特征量。 測量系統(tǒng)的相關(guān)知識(shí)。 與系統(tǒng)本身的構(gòu)成與功能特性相關(guān)，如同樣稱重的衡器，桿秤與電子秤的差別，或者測同樣的量（如加速度）可采用不同的測量方法（電容法、應(yīng)變法）。 功能：產(chǎn)生對應(yīng)于模糊集合的隸屬函數(shù)。 通過前面我們講的各種方法，通過模糊語言關(guān)系自動(dòng)生成；

16、在專家的指導(dǎo)下，通過學(xué)習(xí)和訓(xùn)練來產(chǎn)生和修正隸屬函數(shù)。 b）模糊傳感器在使用前要進(jìn)行樣本訓(xùn)練，產(chǎn)生一概念序列，該序列中的每個(gè)元素由兩部分組成：術(shù)語概念和隸屬函數(shù)。,c）實(shí)際測量時(shí)，數(shù)值量的結(jié)果經(jīng)過該單元處理，得到屬于各個(gè)術(shù)語的隸屬度，再按模糊集運(yùn)算規(guī)則（如前面我們介紹的最小鄰域法規(guī)則）就可得到其對應(yīng)的符號(hào)輸出。 d）學(xué)習(xí)單元的作用 調(diào)整語言的概念、亦即術(shù)語； 調(diào)整隸屬函數(shù)； 增加新的概念序列等。 e）語言概念合成器 相當(dāng)于我們前面介紹的多傳感器信息融合的概念，只不過它是講符號(hào)域中的不同符號(hào)進(jìn)行融合后給出最恰當(dāng)?shù)恼Z言符號(hào)輸出。實(shí)際上是語言知識(shí)的綜合。它的融合方法將在下一節(jié)里介紹。,3）其他部分（S

17、/Q、人機(jī)接口、通信接口） 同前面的內(nèi)容基本相同。其中通信接口中符號(hào)量的變換與傳輸，計(jì)算機(jī)通信領(lǐng)域中已經(jīng)是非常成熟的技術(shù)。 7.1.3 模糊傳感器語言概念的產(chǎn)生方法 提供數(shù)值測量的語言描述。 方法：1）運(yùn)用語言間的語義關(guān)系 2）根據(jù)確定特定數(shù)值測量值的語言描述，通過插值產(chǎn)生其它測量 點(diǎn)的模糊描述。 通過語義關(guān)系產(chǎn)生概念 模糊傳感器可對應(yīng)被測數(shù)值量的變化范圍輸出多個(gè)語言描述，這些語言描述通過它們語義間的關(guān)系相聯(lián)系。 為了表述這種“關(guān)系”，首先需定義一個(gè)特殊概念屬概念?！皩俑拍睢敝笇?yīng)于數(shù)值域中那些最具有代表性的測量點(diǎn)或測量范圍的語言描述。,如：我們定義男性標(biāo)準(zhǔn)身高（按一個(gè)地區(qū)的統(tǒng)計(jì)數(shù)字來表示）為

18、1.74m，那么對應(yīng)數(shù)值1.74m的屬概念為：“適中”，若再定義低于1.70m為低，高于1.80m為高，則介于1.70m1.74m之間為“偏低”，介于1.74m1.80m為“偏高”，后兩個(gè)語義是在前面三個(gè)概念的基礎(chǔ)上通過語義關(guān)系產(chǎn)生的。 采用模糊理論描述語義關(guān)系產(chǎn)生新概念的方法為： 1）定義屬概念及其隸屬函數(shù)；隸屬函數(shù)的確定主要是根據(jù)對象特性和經(jīng) 驗(yàn)知識(shí)。 2）利用存貯于模糊傳感器中的模糊算子，產(chǎn)生新的模糊概念； 3）利用屬概念隸屬函數(shù)求得新產(chǎn)生概念的隸屬函數(shù)； 4）新概念若不符合測量要求，則通過訓(xùn)練算法修正其隸屬函數(shù)。 新生概念的隸屬函數(shù)的函數(shù)形式為： k：修正因子，,模糊算子在語言域中用漢

19、語詞匯來表達(dá)的話，基本上是修飾性的副詞。 插值法產(chǎn)生概念 1）數(shù)值域中特定的元素（又稱為特征測量量）的概念： 如前面我們講的身高：1.70，1.74，1.80均為數(shù)值域中的特定元素。若還包括體重量作為被測量，則：60kg，70kg，80kg亦為體重?cái)?shù)值域的特定元素，若再包括年齡，則該系統(tǒng)就變成了三維被測對象系統(tǒng)。 2）距離的概念 前面我們已經(jīng)講過了距離的概念。而這里講任意一點(diǎn) 及其與 之間的距離的概念，可以理解為 兩點(diǎn)之間 連線的點(diǎn)，而不是連線之外的點(diǎn)。,它的產(chǎn)生方法是： 1）在數(shù)值域中確定特定測量量或者說進(jìn)行特征抽取。 特征抽取的效果涉及具體問題的背景及識(shí)別者的知識(shí)、技巧和意志等。 2）建立

20、隸屬函數(shù)，包括特征量的隸屬函數(shù)和插值量的隸屬函數(shù)。 3）識(shí)別判決產(chǎn)生對應(yīng)插值的概念。 模糊傳感器對測量環(huán)境的適應(yīng)性 前面我們就講到特征量抽取時(shí)涉及到具體問題的背景知識(shí)，考慮測量背景知識(shí)的影響，需對數(shù)值測量的描述進(jìn)行適應(yīng)性處理。這正如書中講的具體溫度值在不同的測量對象中有不同的概念一樣。 處理的方法有兩種： 1）基于適應(yīng)函數(shù)的處理方法； 2）基于專家定性學(xué)習(xí)的方法。,1、基于適應(yīng)函數(shù)的處理方法 適應(yīng)函數(shù)的概念：從標(biāo)準(zhǔn)數(shù)值域到實(shí)際數(shù)值域之間的映射關(guān)系。 如：一般模擬信號(hào)作為420mA的標(biāo)準(zhǔn)信號(hào)輸出的轉(zhuǎn)換關(guān)系；再者一般產(chǎn)品的一些技術(shù)參數(shù)指標(biāo)都在25和一個(gè)標(biāo)準(zhǔn)大氣壓下給出的，在實(shí)際測量和使用中，實(shí)際環(huán)

21、境條件的變化會(huì)對相應(yīng)的參數(shù)指標(biāo)有影響。 適應(yīng)函數(shù)使用的約束條件： 1）與屬概念對應(yīng)的特征測量點(diǎn)不應(yīng)隨適應(yīng)函數(shù)的變化而變化，如前面講的“適中”的語義概念，對應(yīng)的特征測量點(diǎn)；4mA對應(yīng)零輸入。 2）特征測量點(diǎn)的描述應(yīng)保持線性。 2、專家指導(dǎo)下的定性學(xué)習(xí)法 該方法主要是通過比較專家和模糊傳感器對同一被測量定性描述的差異,性，然后根據(jù)這種差異性按一定的修正規(guī)則來進(jìn)行修正，以專家的定性描述作為標(biāo)準(zhǔn)（l(x)），一般分為三種情況： 1） ，通過“增加”模糊算子調(diào)整； 2） ，通過“不變”模糊算子調(diào)整； 3） ，通過“減少”模糊算子調(diào)整。 專家信息的輸入步驟中： “3）”點(diǎn)的解釋：被訓(xùn)練概念的模糊子集指兩個(gè)

22、相鄰被測量數(shù)值之間的范圍； “4）”點(diǎn)的解釋：如梯形隸屬函數(shù)中a、b兩點(diǎn)。,隸屬函數(shù)的訓(xùn)練算法 語言概念的產(chǎn)生主要是基于專家經(jīng)驗(yàn)和知識(shí)建立起來的，在實(shí)際測量中是否滿足實(shí)際使用需要，亦即隸屬函數(shù)是否準(zhǔn)確，需要進(jìn)行兩方面的工作： 1）通過標(biāo)準(zhǔn)樣本對對應(yīng)概念的隸屬函數(shù)進(jìn)行訓(xùn)練，亦即不斷調(diào)整和改 進(jìn)，使隸屬函數(shù)曲線調(diào)整到所需的形狀。 2）在實(shí)際應(yīng)用中亦要根據(jù)不同的測量環(huán)境作適當(dāng)?shù)恼{(diào)整。 這就相當(dāng)于開發(fā)一個(gè)產(chǎn)品，它的設(shè)計(jì)方案首先要進(jìn)行必要的驗(yàn)證和評(píng)審，最終是否合理還需顧客確認(rèn)。 舉例說明機(jī)器人。 我們在前面講述隸屬函數(shù)時(shí)，從隸屬函數(shù)曲線來看有的曲線是連續(xù)變化的，也有曲線是分段變化的，下面就這兩種情況作一

23、討論。 1、連續(xù)隸屬函數(shù)訓(xùn)練方法,我們前面介紹的新生概念隸屬函數(shù)為： 對隸屬函數(shù)訓(xùn)練的結(jié)果是體現(xiàn)在對修正因子k值的最終確定，相對于傳統(tǒng)傳感器系統(tǒng)而言，相當(dāng)于“定標(biāo)”的概念。 訓(xùn)練步驟： 1）確定訓(xùn)練樣本所屬數(shù)值域的子集、范圍和對應(yīng)的語言域模糊子集； 2）確定該訓(xùn)練樣本在相關(guān)子集中的隸屬函數(shù)； 3）判定樣本相關(guān)子集中的隸屬度是否與希望的要求一致，若完全一致則維持原結(jié)果，否則需進(jìn)行修正，修正有兩種情況： a）不完全一致 指語言概念同訓(xùn)練樣本的狀態(tài)相符，但“精度”不夠。 b）完全不一致,指語言概念同訓(xùn)練樣本的狀態(tài)不相符。 實(shí)際上樣本訓(xùn)練主要是解決各模糊子集相互交叉部分的被測量語言概念的歸屬問題，對于

24、不交叉部分則是比較明確的。 2、分段隸屬函數(shù)的訓(xùn)練樣本 分段隸屬函數(shù)的訓(xùn)練相對于連續(xù)隸屬函數(shù)而言更簡明，其訓(xùn)練步驟及方法亦基本一致。最終歸結(jié)為對應(yīng)模糊子集的特征量和對應(yīng)數(shù)值域子集范圍的調(diào)整。 模糊綜合評(píng)判的概念 前面講的內(nèi)容基本上是針對單一變量進(jìn)行單獨(dú)評(píng)判的，而對于一個(gè)多被測量系統(tǒng)，且各個(gè)被測量之間可能還有一定的關(guān)聯(lián)性，那么它的語言概念的生成必須采用模糊綜合評(píng)判的方法來解決。,根據(jù)系統(tǒng)的復(fù)雜性程度，模糊綜合評(píng)判又分單級(jí)和多級(jí)兩種形式。模糊綜合評(píng)判基本上是先對各個(gè)因素進(jìn)行單獨(dú)評(píng)判，然后再對所有因素進(jìn)行綜合評(píng)判。 1、首先確定狀態(tài)原因集 ：可以是模糊的，也可以是非模糊的。 2、再確定權(quán)重集 引起各

25、種狀態(tài)的各種原因，其重要程度不盡相同，對狀態(tài)影響大的原因要特別重視。 對應(yīng)的 權(quán)集為： 各權(quán)數(shù) 應(yīng)符合歸一化和非負(fù)性的條件，亦即： ， 權(quán)重集可表示為原因集上的模糊子集：,的確定：根據(jù)知識(shí)、經(jīng)驗(yàn)或隸屬函數(shù)。 3、征兆集 是各狀態(tài)原因可能引起的各種不同的征兆所組成的集合。 ：可以是模糊的，也可以是非模糊的。 模糊綜合評(píng)判就是在綜合考慮所有征兆（亦即各被測量對應(yīng)符號(hào)域模糊子集）的基礎(chǔ)上，給出最終的語言概念。 4、單原因的模糊評(píng)判 目的：確定被評(píng)判對象在一個(gè)狀態(tài)原因的影響下對征兆集元素的隸屬程度。 設(shè)定 隸屬 的程度 ， 的評(píng)判結(jié)果可用模糊集合 表示：,，,單原因評(píng)判集： 它實(shí)際上是狀態(tài)原因評(píng)判集U

26、和征兆集V之間的一種模糊關(guān)系。 5、單原因的模糊綜合評(píng)判 對 各項(xiàng)乘上對應(yīng)的權(quán)數(shù) （ ），則模糊綜合評(píng)判式為：,：模糊綜合評(píng)判集； 稱為模糊綜合評(píng)判指標(biāo)。 它實(shí)際上是表達(dá)了一個(gè)狀態(tài)原因所引起的各種征兆出現(xiàn)的可能性大小。 7.1.4 模糊傳感器舉例 根據(jù)書中講述的內(nèi)容，我們要明確這樣幾點(diǎn)： 1）模糊傳感器用于處理用數(shù)值傳感器難以處理和解決的問題； 2）模糊傳感器可以輸出更容易被人所理解和接受的結(jié)果； 3）它具有學(xué)習(xí)和推理功能； 4）對于某些應(yīng)用領(lǐng)域，它有著更為有效的實(shí)現(xiàn)方法和功能。 模糊血壓傳感器 功能：相當(dāng)于醫(yī)學(xué)專家的處理水平，可以綜合環(huán)境及測量對象的背景知識(shí)對測量結(jié)果給出正確的評(píng)判。,1、功

27、能實(shí)現(xiàn)：見書中的敘述 2、隸屬函數(shù)產(chǎn)生的過程 1）初始隸屬函數(shù) 的確定為： 它是一個(gè)正態(tài)分布函數(shù)。為什么選用正態(tài)分布函數(shù)，這是因?yàn)橐婚_始最佳血壓值a的選定是按照大多數(shù)人的統(tǒng)計(jì)數(shù)值確定的，也就是說對應(yīng)某一年齡段，其血壓值的分布是一正態(tài)分布。 2）根據(jù)性別、年齡、職業(yè)對隸屬函數(shù)調(diào)整，實(shí)際上就是調(diào)整k值和a值。 模糊色彩傳感器 1）漫反射原理的概念 a）光的反射吸收與透射：當(dāng)光線投射到物體表面時(shí)，光線與物理表面相互作用后，會(huì)產(chǎn)生三種現(xiàn)象：反射現(xiàn)象；吸收現(xiàn)象；透射現(xiàn)象。一般依據(jù)材料性質(zhì)不同，其系數(shù)值各不相同，但對于同一表面，三系數(shù)和為1。,b）反射分布 方向性正直反射； 方向性漫散反射； 漫散反射。

28、c）透射分布,我們前面介紹的模糊智能傳感器是將人類習(xí)慣的語言符號(hào)變量和適合于 傳感器的量化特征聯(lián)系起來，同時(shí)強(qiáng)調(diào)對模糊性概念用可能性分布來解釋。 但是以特征提取為基礎(chǔ)的信號(hào)處理方法，在如何表示和提取特征、需要 多少特征，都存在很大的盲目性和低效率，識(shí)別過程必須經(jīng)歷從數(shù)據(jù)獲取、 特征提取到判決幾個(gè)階段，所需的運(yùn)算使得系統(tǒng)難以滿足實(shí)時(shí)性的要求。 神經(jīng)網(wǎng)絡(luò)技術(shù)是解決上述問題的有力工具。在前面幾章里的內(nèi)容中都曾 涉及到神經(jīng)網(wǎng)絡(luò)技術(shù)，但我們沒做介紹，準(zhǔn)備在本章主要內(nèi)容講完后再回過 頭去展開。 神經(jīng)網(wǎng)絡(luò)是由大量處理單元互連而成的網(wǎng)絡(luò)，它是在現(xiàn)代神經(jīng)生物學(xué)和 認(rèn)知科學(xué)對人類信息處理研究成果的基礎(chǔ)上提出來的，

29、它的特點(diǎn)如下：,7.2 人工神經(jīng)網(wǎng)絡(luò)在智能傳感器中的應(yīng)用,1）具有很強(qiáng)的適應(yīng)能力、學(xué)習(xí)能力、容錯(cuò)能力和魯棒性； 2）信號(hào)處理過程接近人類思維活動(dòng)； 3）具有高度并行運(yùn)算能力； 4）可以實(shí)時(shí)實(shí)現(xiàn)最優(yōu)信號(hào)處理算法。 神經(jīng)網(wǎng)絡(luò)技術(shù)的主要應(yīng)用領(lǐng)域：模式分類、機(jī)器視覺、機(jī)器聽覺、智能 計(jì)算、機(jī)器人控制、信息處理、組合優(yōu)化問題求解、聯(lián)想記憶等許多領(lǐng)域。,7.2.1 神經(jīng)網(wǎng)絡(luò)基本知識(shí) 人工神經(jīng)網(wǎng)絡(luò)模型 現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型已達(dá)上百種，隨著應(yīng)用研究的不斷深入，新的模型還在不斷推出。在信號(hào)處理和模式識(shí)別領(lǐng)域，應(yīng)用最多的是以下四種基本模型和它們的改進(jìn)型。 1）Hopfield神經(jīng)網(wǎng)絡(luò)（反饋網(wǎng)絡(luò)）； 2）多層感知器，

30、其中的BP網(wǎng)絡(luò)的應(yīng)用率最高，達(dá)到80 90； 3）自組織神經(jīng)網(wǎng)絡(luò)，又稱自學(xué)習(xí)網(wǎng)絡(luò)或競爭網(wǎng)絡(luò)； 4）概率神經(jīng)網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)的基本理論主要涉及到穩(wěn)定性、學(xué)習(xí)算法、動(dòng)態(tài)性能等幾個(gè)方面，但是不管是什么模型的神經(jīng)網(wǎng)絡(luò)，神經(jīng)元均是它們的基本組成單元。按書中的基本神經(jīng)元模型： 見下圖,在多個(gè)輸入量的作用下產(chǎn)生輸出量，輸出量為： 第j個(gè)神經(jīng)元輸出量對第i個(gè)神經(jīng)元的作用強(qiáng)度用 表示，它的值稱為權(quán)值。第i神經(jīng)元輸入總和稱為激活函數(shù)，如果 超過相應(yīng)的閥值 ，就會(huì)產(chǎn)生一個(gè)輸出來激勵(lì)下一個(gè)神經(jīng)元。而這兩個(gè)神經(jīng)元間的連接關(guān)系由作用函數(shù)（或稱傳遞函數(shù)） 來體現(xiàn)。 舉例說明：人的動(dòng)機(jī)與人的行為之間的關(guān)系，動(dòng)機(jī)與結(jié)果及其之間

31、的法律問題。常用作用函數(shù)的類型：,，,1）閥值型神經(jīng)元，又稱MP模型 它是二值型神經(jīng)元，輸出狀態(tài)取值為1或0，如外界事件的存在與否而在人腦產(chǎn)生“有”或“無”的概念，冰和水之間的分界溫度0。 2）S型神經(jīng)元模型 又稱連續(xù)型神經(jīng)元模型，輸出量在某一范圍內(nèi)連續(xù)取值。如人體對外界溫度變化所產(chǎn)生的感受，假定25為一中性點(diǎn)。 它的輸入輸出特性是非線性的。 3）分段線性型 輸入輸出特性滿足一定的區(qū)間線性關(guān)系 如人對某一追逐物的逃避速度。 實(shí)際上上述模型均是在生物神經(jīng)系統(tǒng)研究成果的基礎(chǔ)上演繹出來的。,神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 是由基本神經(jīng)元按一定的拓?fù)浣Y(jié)構(gòu)構(gòu)成群體并行分布式處理的計(jì)算結(jié)構(gòu)。根據(jù)拓?fù)浣Y(jié)構(gòu)不同，分：分層網(wǎng)絡(luò)，

32、相互連接型網(wǎng)絡(luò)。 1、分層網(wǎng)絡(luò)（如多層感知器） 對于分層網(wǎng)絡(luò)的研究，早期僅局限于單層結(jié)構(gòu)，但單層結(jié)構(gòu)在實(shí)際應(yīng)用中有很大的局限性。隨著研究的不斷深入和發(fā)展，兩層和三層結(jié)構(gòu)可以很好的解決應(yīng)用中的一些問題，層數(shù)越多功能越強(qiáng)，但太多會(huì)使問題變得過于復(fù) 雜。 書中介紹的是一種三層網(wǎng)絡(luò)結(jié)構(gòu)，它包括：輸入層、隱含層、輸出層，是一種用得比較多得網(wǎng)絡(luò)結(jié)構(gòu)。每層節(jié)點(diǎn)數(shù)（或者說神經(jīng)元數(shù)）的確定： 1）輸入層：對應(yīng)輸入量個(gè)數(shù)。 2）隱含層：一般來說個(gè)數(shù)不限，但不能少于3個(gè)，5個(gè)以上效果就比較好，越多效果越好，實(shí)際應(yīng)用一般取59之間 。,3）輸出層：對應(yīng)輸出量個(gè)數(shù)。 2、相互連接型結(jié)構(gòu)（如自學(xué)習(xí)網(wǎng)絡(luò)） 它的特點(diǎn)是：神經(jīng)

33、網(wǎng)絡(luò)在接受外界輸入時(shí)，將會(huì)分成不同的區(qū)域，不同的區(qū)域?qū)Σ煌哪Ｊ骄哂胁煌捻憫?yīng)特征，即不同的神經(jīng)元以最佳的方式響應(yīng)不同性質(zhì)的信號(hào)激勵(lì)，從而形成一種拓?fù)湟饬x上的有序圖，它是一種非線性的映射關(guān)系。 例如：從甲地到乙地有幾條路可走，但具體是哪條路最好？ 學(xué)習(xí)與記憶 1、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 對于神經(jīng)網(wǎng)絡(luò)而言，學(xué)習(xí)的過程實(shí)際上就是樣本訓(xùn)練的過程，通過訓(xùn)練，調(diào)整網(wǎng)絡(luò)的連接權(quán)值。 1）這種調(diào)整方式或者說學(xué)習(xí)規(guī)則有兩種： a）相關(guān)學(xué)習(xí)規(guī)則（Hebb學(xué)習(xí)律）,，：學(xué)習(xí)因子 相當(dāng)于一種開環(huán)系統(tǒng)。 b）誤差修正學(xué)習(xí)規(guī)律（學(xué)習(xí)規(guī)則） 采用該種學(xué)習(xí)律的多層網(wǎng)絡(luò)又稱誤差后向傳播網(wǎng)絡(luò) 2）學(xué)習(xí)類型：分有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)，差

34、別體現(xiàn)在有無學(xué)習(xí)規(guī)則。 2、神經(jīng)網(wǎng)絡(luò)的記憶 主要體現(xiàn)在權(quán)值上，因?yàn)樵摍?quán)值的獲得是通過學(xué)習(xí)將獲取的知識(shí)信息凝聚起來的表現(xiàn)。,7.2.2 前向網(wǎng)絡(luò)（感知機(jī)、BP網(wǎng)絡(luò)、競爭學(xué)習(xí)網(wǎng)絡(luò)） 感知機(jī) 它屬于兩層網(wǎng)絡(luò)結(jié)構(gòu)，僅由輸入層和輸出層構(gòu)成 1）訓(xùn)練要素： 訓(xùn)練樣本：通過給定樣本輸入量和希望的輸出量對網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 訓(xùn)練規(guī)則：亦即權(quán)值修正方法。 2）權(quán)值修正法：采用學(xué)習(xí)規(guī)則。 BP網(wǎng)絡(luò)（這里的“BP”主要指它的學(xué)習(xí)算法） 1、BP(Back Propagation)網(wǎng)絡(luò)模型 1）采用多層網(wǎng)絡(luò)結(jié)構(gòu)，層與層之間多采用全互連方式；同一層單元之間不連接。 2）作用函數(shù)為： 通用形式： ， ：樣本輸入值。,3）權(quán)值

35、修正法：采用學(xué)習(xí)規(guī)則 2、學(xué)習(xí)算法 1）對通用形式作用函數(shù)的解釋 ：偏置值或稱閥值，正閥值的作用是將激勵(lì)函數(shù)沿橫軸向右平移， 的作用是改變激勵(lì)函數(shù)的形狀。采用較小的 會(huì)使作用函數(shù)接近閥值型，而較大的 則對應(yīng)平滑變化的作用函數(shù)。 2）對全部學(xué)習(xí)樣本（M個(gè)），系統(tǒng)的均方誤差為： ， ：樣本計(jì)算值， ：希望值。 ， ：樣本數(shù)， ：單元數(shù)。 3）它的學(xué)習(xí)法則是指推廣的規(guī)則，在學(xué)習(xí)過程中，系統(tǒng)通過調(diào)整連接權(quán)值和偏置值，使 盡可能快的下降。 4）為了使過程收斂，調(diào)整連接權(quán)值與偏置值，每次調(diào)整的增量,與梯度（ ）成比例。 經(jīng)過推導(dǎo)，可得： ， 0， 這就是學(xué)習(xí)規(guī)則。 5）輸出層的連接權(quán)值與非輸出層的連接權(quán)值

36、的計(jì)算過程有所差別，這種差別主要體現(xiàn)在輸入量對輸出量誤差的求導(dǎo)上。 6）BP算法權(quán)值修正公式 7）比較好的學(xué)習(xí)方法： 每次取一組樣本，分別求出每個(gè)樣本所對應(yīng)的的,而每次權(quán)值的調(diào)整取它們的平均值。 8）整個(gè)學(xué)習(xí)過程： a）隨機(jī)地給出一組不完全相同的數(shù)值作為權(quán)值初始值； b）取一組樣本，依次將其中每一個(gè)樣本作為網(wǎng)絡(luò)輸入，計(jì)算網(wǎng)絡(luò)輸出值； c）計(jì)算每個(gè)樣本對應(yīng)的 ，再根據(jù)上式求 ，由此調(diào)整權(quán)值； d）如訓(xùn)練樣本未使用完，取另一組樣本，轉(zhuǎn)至（b）； 否則根據(jù)誤差準(zhǔn)則判定是否收斂于一組穩(wěn)定權(quán)值。 9） 越大，學(xué)習(xí)速度可能會(huì)越快，但也可能引起振蕩效應(yīng)，為此在權(quán)值修正公式中再加上一個(gè)“慣性項(xiàng)”（書中稱勢態(tài)項(xiàng)

37、） ，：勢態(tài)因子,的作用：有益于抑制振蕩，但延長了學(xué)習(xí)時(shí)間。 10）學(xué)習(xí)結(jié)果的判定 用網(wǎng)絡(luò)的均方根值誤差來定量反映學(xué)習(xí)性能。 ，當(dāng) 時(shí)， 則表明學(xué)習(xí)結(jié)果滿足要求。 改善方法：采用遺傳算法等。 3、競爭網(wǎng)絡(luò) 對于競爭網(wǎng)絡(luò)的結(jié)構(gòu)和機(jī)理，書中已講得比較明確，這里僅介紹一下競爭算法的步驟： 1）權(quán)值初始化并選定鄰域的大小，所謂鄰域大小指與某一節(jié)點(diǎn)相連的所有節(jié)點(diǎn)數(shù)；,2）確定輸入模式； 3）計(jì)算空間距離： ， ：節(jié)點(diǎn)i與j之間的權(quán)值。 4）選擇節(jié)點(diǎn) ，它滿足 5）按下式改變 和其鄰域節(jié)點(diǎn)的連接強(qiáng)度。 的鄰域， 6）返回到2），直至滿足 （給定誤差）,，,7.2.3 反饋網(wǎng)絡(luò) Hopfield網(wǎng)絡(luò)結(jié)構(gòu) 特

38、點(diǎn)： 1）屬于單層互連神經(jīng)網(wǎng)絡(luò)； 2）任意兩個(gè)神經(jīng)元之間都有連接； 3）分為離散型和連續(xù)型。 離散型Hopfield網(wǎng)絡(luò) 神經(jīng)元的輸出為離散值，1和0 （或1），它們分別代表神經(jīng)元 的激活和抑制狀態(tài)。神經(jīng)元在時(shí)刻 t的狀態(tài)用向量表示為：,權(quán)值矩陣： ， ， ，閾值矢量： ；則： 和 定義了一個(gè)唯一的N維的離散型Hopfield網(wǎng)絡(luò)。 1、衡量這種神經(jīng)網(wǎng)絡(luò)的性能指標(biāo)： 1）穩(wěn)定性，在t時(shí)刻，對于任意 ，有 ； 2）存貯容量，指網(wǎng)絡(luò)的穩(wěn)定點(diǎn)個(gè)數(shù)； 3）吸引域半徑，指網(wǎng)絡(luò)進(jìn)入穩(wěn)定狀態(tài)時(shí)初始狀態(tài)的集合的Hamming球的半徑； 4）收斂時(shí)間，指網(wǎng)絡(luò)從某一起始狀態(tài)進(jìn)入穩(wěn)定點(diǎn)狀態(tài)所需的時(shí)間。 2、網(wǎng)絡(luò)的工

39、作方式（三種） 1）串行方式：在某一時(shí)刻，只有一個(gè)神經(jīng)元的狀態(tài)按下式發(fā)生變換。,2）部分并行方式：在某一時(shí)刻，部分神經(jīng)元的狀態(tài)發(fā)生變化 3）全并行（同步）方式：在某一時(shí)刻，所有神經(jīng)元狀態(tài)均發(fā)生變化。 連續(xù)狀態(tài)Hopfield神經(jīng)網(wǎng)絡(luò) 指神經(jīng)元的輸出不再是離散值0和1，而可以在某一區(qū)間連續(xù)變化。 為第i個(gè)神經(jīng)元的傳遞函數(shù)，通常取連續(xù)、有界和單調(diào)增長的函數(shù)。 應(yīng)用領(lǐng)域：信號(hào)分解、自適應(yīng)濾波、譜估計(jì)、A/D變換等。 見下圖,7.2.4 神經(jīng)網(wǎng)絡(luò)技術(shù)在智能傳感器中的應(yīng)用 在上一節(jié)里我們主要介紹了神經(jīng)網(wǎng)絡(luò)技術(shù)的一些基本知識(shí)，通過學(xué)習(xí)，我們知道了神經(jīng)元的基本特征，它是神經(jīng)網(wǎng)絡(luò)的構(gòu)成元素，神經(jīng)元之間的關(guān)系由

40、作用函數(shù)來建立。應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)來解決實(shí)際問題，一般按以下幾個(gè)步驟進(jìn)行： 1）根據(jù)處理對象選擇神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和模型（或稱作用函數(shù)）； 2）確定權(quán)值修正算法，那么這里有相關(guān)學(xué)習(xí)法（Hebb學(xué)習(xí)律）、誤差 修正學(xué)習(xí)法（學(xué)習(xí)律），還有規(guī)則的推廣形式：BP算法。 3）提供一定量的標(biāo)準(zhǔn)樣本進(jìn)行網(wǎng)絡(luò)的樣本訓(xùn)練，以確定最終權(quán)值。那么在整個(gè)訓(xùn)練過程中，一個(gè)要注意訓(xùn)練方法，再者判定訓(xùn)練的結(jié)果是否符合要求。 神經(jīng)網(wǎng)絡(luò)技術(shù)在智能傳感器中所能解決的問題： 1）非線性修正和在線標(biāo)定；,2）信號(hào)濾波，實(shí)現(xiàn)對噪聲干擾信號(hào)的抑制； 3）信號(hào)的分解與提取，亦即從強(qiáng)的背景噪聲中提取微弱有用 信號(hào)； 4）靜態(tài)誤差的綜合修正； 5）通

41、過傳感器的信息融合消除交叉靈敏度的影響； 6）進(jìn)行傳感器的故障診斷和信號(hào)恢復(fù)。 下面我們對前面涉及到神經(jīng)網(wǎng)絡(luò)的部分內(nèi)容重新認(rèn)識(shí)一下： 1、（6.2） 多傳感器信息融合技術(shù)中的傳感器陣列信息融合之例三： 功能：自動(dòng)識(shí)別未知?dú)怏w的類別和混合氣體的濃度 1）硬件結(jié)構(gòu) a）陣列由四個(gè)單元組成，每一個(gè)單元含有一個(gè)氣敏電阻，一個(gè)加熱電阻和一個(gè)測溫電阻。 b）信號(hào)調(diào)理電路：使每個(gè)單元都在最佳溫度狀態(tài)下工作。,c）微處理器系統(tǒng)：信號(hào)采集、溫度控制、數(shù)據(jù)融合。 2）人工神經(jīng)網(wǎng)絡(luò)技術(shù) 采用三層BP網(wǎng)絡(luò)結(jié)構(gòu)，作用函數(shù)選用S型，具體過程與我們前面講的內(nèi)容完全一致。 3）識(shí)別效果 可以達(dá)到一般的信息處理方法所不能做的效

42、果，若增加在線標(biāo)定功能，可以大大降低對氣體傳感器本身選擇性及時(shí)間穩(wěn)定性的要求。 4）存在的問題 a）如何進(jìn)一步提高精度； b）如何進(jìn)一步提高對環(huán)境的適應(yīng)性，也就是使之更“聰明”。 這就相當(dāng)于一個(gè)小學(xué)生，教會(huì)他的題型他可能會(huì)做，但是題型有所變化，聰明的孩子可能還會(huì)做，一般的孩子可能就一籌莫展了。,2、（6.5）自診斷中6.5.3人工神經(jīng)網(wǎng)絡(luò)方法 應(yīng)用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行傳感器系統(tǒng)的故障診斷和信號(hào)恢復(fù)是基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)如下方面的優(yōu)越性。 I）具有強(qiáng)的非線性擬合能力 非線性可以用高階多項(xiàng)式來擬合，而高階多項(xiàng)式的每一項(xiàng)均可作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)，這樣一來，不僅僅解決了非線性的問題，而且取得串行計(jì)算變換為并行計(jì)算的效果。 II）它可以是一個(gè)多輸入多輸出系統(tǒng)，因此輸出信息是可以根據(jù)需要設(shè)定，亦即確定相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)和輸出模式。因此它具有分類和細(xì)化能力。 III）實(shí)時(shí)性效果比較好，可以進(jìn)行在線監(jiān)測。 IV）具有自學(xué)習(xí)能力，以適應(yīng)環(huán)境變化引起系統(tǒng)參數(shù)時(shí)變和未知干擾輸入信號(hào)的影響。,V）信號(hào)的分解功能。利用它具有信號(hào)分解的功能，再利用多傳感器信息融合的能力，可以將故障傳感器的輸出信號(hào)恢復(fù)出來（前提：該故障傳感器輸出信號(hào)所包含的信息必須存在于其它傳感器之中）。 1）人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 采用了多層前饋神經(jīng)網(wǎng)絡(luò)，亦即BP網(wǎng)絡(luò) 優(yōu)點(diǎn)：能夠很好地近似非線性映射；能夠任意精度一