智能传感器的（应用）技术
附加图PID控制系统（上：模糊理论技术；下：专家系统技术）
1 多传感器信息融合技术
多传感器融合是指最佳地综合使用多传感器信息，使智能系统具有完成某一特定任务所需的完备信息。多传感器信息融合是指将经过集成处理的多传感器信息进行合成，形成对环境某一特征的一种表达方式。多传感器信息具有以下四个方面的特点：信息的冗余性、信息的互补性、信息的实时性、信息的低成本性。多传感器集成和信息融合技术在工业机器人、军事、航天、多目标跟踪、惯性导航和遥感等领域有广泛的应用前景，对于促进机器人向智能化、自主化发展有很重要的作用。主要的多传感器信息融合方法有：
（1）加权平均法
最简单、最直观融合多传感器底层数据的方法是加权平均法，该方法将对一组传感器提供的冗余信息进行加权平均，并将加权平均值作为信息融合值。HILARE移动机器人是首次用多传感器信息形成未知环境实物模型的移动机器人，由一组传感器（两维视觉、听觉、触觉、激光测距）提供的信息经过集成以得到环境物体的分布和相应于机器人的定位。
（2）卡尔曼滤波
卡尔曼滤波用于实时融合动态的低层次冗余多传感器数据，该方法用测量模型的统计特性递推决定在统计意义下最优的融合数据估计。卡尔曼滤波用于多传感器信息融合领域包括：采用图象序列的目标识别、机器人导航、多目标跟踪、惯性导航、遥感等。任何一个传感器节点失效不会导致整个系统失效，因而分散式的传感结构对传感器和信息处理单元的失效具有强鲁棒性和容错性。
（3）贝叶斯估计
贝叶斯估计是融合静态环境中多传感器低层信息的一种常用方法。其信息描述为概率分布，适用于具有可加高斯噪声的不确定性输入。当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。在对传感器数据进行融合时，必须确保测量数据代表同一实体，即需要对传感器测量进行一致性检验。采用概率距离dij和dji作为在传感器i和传感器j之间的一致性检验，这种方法的思路是剔除认为是处于误差状态的传感器信息而保留并使用“一致传感器”信息计算融合值。
（4）统计决策理论
采用统计决策理论(SDT)为多传感器产生的冗余定位信息的融合提出了广义的两步方法。与多贝叶斯估计相比较，统计决策理论中的不确定性为可加噪声，从而不确定性的适应范围更广。不同传感器观测到的数据必须经过一个鲁棒综合测试检验它的一致性，通过一致性检验的数据用鲁棒极值决策规则融合。
（5）D-S证据推理[8]
Dempster - shafer 证据推理是贝叶斯方法的扩展，它将严格的前提条件进行离开，从而使任何涉及前提概率的信息缺乏能够得以显示。在贝叶斯方法中，所有缺乏信息的前提环境特征指定为一个等价的先验概率。当一个传感器的有用附加信息或未知前提的数目大于已知前提的数目时，已知前提的概率变得不稳定，这是贝叶斯方法明显的不足。在Dempster- shafer方法中，这个缺陷可以通过不指定未知前提的先验概率而得到避免。
（6）模糊逻辑
采用模糊逻辑融合景象分析和目标识别信息，模糊逻辑是多值形逻辑，通过指定一个0到1之间的实数表示真实度，相当于隐式算子的前提，允许将多传感器信息融合过程中的不确定性直接表示在推理过程中。如果采用某种系统化的方法建模融合过程中的不确定性，则可以产生一致性模糊推理。
（7）神经网络
在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实质上是一个不确定性推理过程。神经网络可根据当前系统所接受到的样本的相似性，确定分类标准，这种确定方法主要表现在网络的权值分布上，同时可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。神经网络的研究对于多传感器集成和融合的建模提供了一种很好的方法，目前国外学者在将神经网络用于多传感器集成和信息融合中做了部分开创性的工作。先进的基于神经网络的多传感器融合方法有对某一传感器失效时系统具有容错性的自适应重构方法。基于神经网络的多传感集成与融合有如下特点：具有统一的内部知识表示形式，通过学习方法可将网络获得的传感信息进行融合，获得相关网络的参数（如连接矩阵、节点偏移向量等），并且可将知识规则转换成数字形式，便于建立知识库。利用外部环境的信息，便于实现知识自动获取及进行联想推理。能够将不确定环境的复杂关系，经过学习推理，融合为系统能理解的准确信号。由于神经网络具有大规模并行处理信息的能力，使得系统信息处理速度很快。
最近几年来，多传感器信息融合已从最初的军事和高技术领域拓展至工农业以及国民经济的各个方面。应用于电力、冶金、石化等复杂工业过程测控和故障诊断的多传感器信息融合则是一个极具研究前景的方向。
