日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

圖1  聚類融合控制系統結構圖

表1  常用信息融合算法比較

    應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。由于信息融合應用領域相當廣泛，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

    聚類就是將一個數據單位（對象）的集合（活數據源）分割成為幾個稱為類或類別的子集，每個類內的對象之間是相似的，但不同類的對象之間區別較大。聚類不同于分類，聚類是一個無監督的學習過程，分類是有監督的學習過程；分類時需要事先知道分類所依據的屬性值，而聚類時要找到這個分類屬性值。聚類分析是根據事物本身的特征研究對象分類的方法，它的依據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、動態直接聚類法、最大樹法、基于攝動的模糊聚類方法FCMBP、系統聚類法、模糊C－均值法和模糊ISODATA算法等。目前聚類算法發展的方向是：

    (1)  C均值聚類算法：建立合適的目標函數表達式，用數學規劃方法求解最優解，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)  將傳統的聚類技術與神經網絡結合：借助神經網絡的并行實現以提高算法的收斂速度。
提出的有Kohonen聚類神經網絡、模糊聚類神經網絡等。它的優點是收斂速度快，算法精度比較高。

    (3)  將傳統的聚類技術與現代優化方法相結合：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。如與模擬退火相結合、與遺傳進化算法相結合。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，除了要有適當的算法外，還應當有必要的領域知識進行有監督的指導。特別是在實際的工業控制系統中，這些知識就構成了專家知識庫。

    圖1結合專家控制，筆者在聚類融合控制系統中采用的是一種能自學習的知識庫。對環境信息進行搜索、控制和邏輯思維以產生、修改與更新知識庫，目的是不斷地改善執行環節的作用，因此在執行機構和學習環節之間引入反饋，使得在執行任務期間獲得的信息可以反饋到學習環節。這樣通過對知識庫中的規則進行反饋的在線自學習，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合實際控制對象的需要。可以采用常規控制算法、自適應控制算法、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：將當前數據庫和知識庫中規則的條件相匹配，若兩者完全匹配，將按規則的操作部分執行；

(2)  沖突解決：當一條以上的規則和數據相匹配的時候，就需要決定首先使用哪一條規則；

(3)  操作：執行規則中的操作部分。

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性能。目前將模糊邏輯、神經網絡、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有機地結合起來，以提高融合的性能和效率，是一個重要的發展趨勢。開發并行計算的軟件和硬件，以滿足具有大量數據且計算復雜的多傳感器融合的要求。

    (2)  將聚類融合和傳統控制、智能控制相結合，改善聚類融合控制系統的基本結構，使其更實用化。如與PID控制、自適應控制、解耦控制以及智能控制中模糊控制和神經網絡控制等相結合。結合實際的工業控制系統的要求，在控制策略中調節PID的各個參數，或者信息融合后直接利用模糊控制器聚類，利用BP網絡進行二次融合等。

    (3)  常規的聚類分析方法不具有線性的計算復雜度，難以適用數據庫非常大的情況，而ART人工神經網絡則可根據輸入的數據，作無監督或無教師歸納（也可以進行有教師訓練），自動形成和自確定數據類別。但ART網絡也有自己的缺陷，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網絡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網絡，也是值得人們研究的課題。