久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

圖1  聚類融合控制系統(tǒng)結(jié)構(gòu)圖

表1  常用信息融合算法比較

    應(yīng)用于信息融合的算法還有很多，比如卡爾曼濾波、支持向量機、遺傳算法、小波分析理論以及一些簡單的推理方法等等。由于信息融合應(yīng)用領(lǐng)域相當(dāng)廣泛，單獨采用一種方法往往具有一定的局限性，將各種方法進行優(yōu)勢互補逐漸成為信息融合算法研究的重點。

2.2  聚類分析

    聚類就是將一個數(shù)據(jù)單位（對象）的集合（活數(shù)據(jù)源）分割成為幾個稱為類或類別的子集，每個類內(nèi)的對象之間是相似的，但不同類的對象之間區(qū)別較大。聚類不同于分類，聚類是一個無監(jiān)督的學(xué)習(xí)過程，分類是有監(jiān)督的學(xué)習(xí)過程；分類時需要事先知道分類所依據(jù)的屬性值，而聚類時要找到這個分類屬性值。聚類分析是根據(jù)事物本身的特征研究對象分類的方法，它的依據(jù)原則是使同一類的對象具有盡可能大的相似性，而不同類中的對象具有盡可能大的差異性。

    聚類算法常見的有劃分法、層次法、基于密度法、基于網(wǎng)格法、基于模型法[5]。

    聚類算法從樣本對于類的隸屬度上可以劃分為：硬聚類、模糊聚類、可能性聚類[6]。

    其中模糊聚類是目前研究的熱點。模糊聚類常用的方法有傳遞閉包法、動態(tài)直接聚類法、最大樹法、基于攝動的模糊聚類方法FCMBP、系統(tǒng)聚類法、模糊C－均值法和模糊ISODATA算法等。目前聚類算法發(fā)展的方向是：

    (1)  C均值聚類算法：建立合適的目標(biāo)函數(shù)表達式，用數(shù)學(xué)規(guī)劃方法求解最優(yōu)解，如模糊C－均值聚類算法等。這類算法的主要缺陷是對初始化比較敏感，易于陷入局部極小點，收斂速度較慢。

    (2)  將傳統(tǒng)的聚類技術(shù)與神經(jīng)網(wǎng)絡(luò)結(jié)合：借助神經(jīng)網(wǎng)絡(luò)的并行實現(xiàn)以提高算法的收斂速度。
提出的有Kohonen聚類神經(jīng)網(wǎng)絡(luò)、模糊聚類神經(jīng)網(wǎng)絡(luò)等。它的優(yōu)點是收斂速度快，算法精度比較高。

    (3)  將傳統(tǒng)的聚類技術(shù)與現(xiàn)代優(yōu)化方法相結(jié)合：以克服聚類算法對初始化的敏感，克服易于陷入局部極小點的問題。如與模擬退火相結(jié)合、與遺傳進化算法相結(jié)合。但是這些算法收斂速度較慢。

2.3  知識庫

    信息融合和聚類分析的實現(xiàn)，除了要有適當(dāng)?shù)乃惴ㄍ猓€應(yīng)當(dāng)有必要的領(lǐng)域知識進行有監(jiān)督的指導(dǎo)。特別是在實際的工業(yè)控制系統(tǒng)中，這些知識就構(gòu)成了專家知識庫。

    圖1結(jié)合專家控制，筆者在聚類融合控制系統(tǒng)中采用的是一種能自學(xué)習(xí)的知識庫。對環(huán)境信息進行搜索、控制和邏輯思維以產(chǎn)生、修改與更新知識庫，目的是不斷地改善執(zhí)行環(huán)節(jié)的作用，因此在執(zhí)行機構(gòu)和學(xué)習(xí)環(huán)節(jié)之間引入反饋，使得在執(zhí)行任務(wù)期間獲得的信息可以反饋到學(xué)習(xí)環(huán)節(jié)。這樣通過對知識庫中的規(guī)則進行反饋的在線自學(xué)習(xí)，可得到更好的的控制效果[10]。

2.4  控制策略

    聚類融合控制中的控制策略要結(jié)合實際控制對象的需要。可以采用常規(guī)控制算法、自適應(yīng)控制算法、智能控制算法等。選擇控制策略的過程一般包括匹配、沖突解決和操作三步驟：

(1)  匹配：將當(dāng)前數(shù)據(jù)庫和知識庫中規(guī)則的條件相匹配，若兩者完全匹配，將按規(guī)則的操作部分執(zhí)行；

(2)  沖突解決：當(dāng)一條以上的規(guī)則和數(shù)據(jù)相匹配的時候，就需要決定首先使用哪一條規(guī)則；

(3)  操作：執(zhí)行規(guī)則中的操作部分。

3  聚類融合控制研究展望

    (1)  改進信息融合算法進一步提高系統(tǒng)性能。目前將模糊邏輯、神經(jīng)網(wǎng)絡(luò)、進化計算、粗集理論、支持向量機、小波變換、多尺度估計理論等技術(shù)有機地結(jié)合起來，以提高融合的性能和效率，是一個重要的發(fā)展趨勢。開發(fā)并行計算的軟件和硬件，以滿足具有大量數(shù)據(jù)且計算復(fù)雜的多傳感器融合的要求。

    (2)  將聚類融合和傳統(tǒng)控制、智能控制相結(jié)合，改善聚類融合控制系統(tǒng)的基本結(jié)構(gòu)，使其更實用化。如與PID控制、自適應(yīng)控制、解耦控制以及智能控制中模糊控制和神經(jīng)網(wǎng)絡(luò)控制等相結(jié)合。結(jié)合實際的工業(yè)控制系統(tǒng)的要求，在控制策略中調(diào)節(jié)PID的各個參數(shù)，或者信息融合后直接利用模糊控制器聚類，利用BP網(wǎng)絡(luò)進行二次融合等。

    (3)  常規(guī)的聚類分析方法不具有線性的計算復(fù)雜度，難以適用數(shù)據(jù)庫非常大的情況，而ART人工神經(jīng)網(wǎng)絡(luò)則可根據(jù)輸入的數(shù)據(jù)，作無監(jiān)督或無教師歸納（也可以進行有教師訓(xùn)練），自動形成和自確定數(shù)據(jù)類別。但ART網(wǎng)絡(luò)也有自己的缺陷，比如存在著丟失模式幅度信息，聚類中心的漂移；處理集群分布樣本時，效果很不理想；因為對輸入樣本敏感度較低，造成的分類錯誤等[9]。這樣使得ART網(wǎng)絡(luò)在聚類融合控制中存在著一定的局限性。如何在聚類融合控制中更好地使用ART網(wǎng)絡(luò)，也是值得人們研究的課題。