1 引言
傳統(tǒng)控制中,對各傳感器采集的信息單獨(dú)進(jìn)行加工處理,割斷了各傳感器間信息的聯(lián)系,丟失了信息有機(jī)組合蘊(yùn)涵的信息特征,也造成了信息資源的浪費(fèi)。此外有時不僅割斷各個傳感器間的空間聯(lián)系,還割斷了時間聯(lián)系,這樣大大降低了控制的效果。
聚類融合控制(Cluster-Fusion Control)以信息融合和聚類分析為基礎(chǔ),并包含了模式識別、神經(jīng)網(wǎng)絡(luò)以及專家系統(tǒng)等內(nèi)容。聚類融合控制并不像常規(guī)控制那樣,直接利用傳感器的檢測數(shù)據(jù)進(jìn)行操作控制,而是融合傳感器數(shù)據(jù)根據(jù)知識庫中的規(guī)則將生產(chǎn)過程的狀態(tài)分成有限的類別,再根據(jù)每一類別所描述的過程行為特點(diǎn)進(jìn)行相應(yīng)的操作控制。
2 聚類融合控制系統(tǒng)結(jié)構(gòu)及算法
圖1 聚類融合控制系統(tǒng)結(jié)構(gòu)圖
聚類融合控制系統(tǒng)結(jié)構(gòu)如圖1所示[1],主要有四部分:信息融合、聚類分析、知識庫和控制策略。
2.1 信息融合
Waltz和Llinas對信息融合給出如下定義:信息融合是一種多層次、多方面的處理過程,這個過程是對多源數(shù)據(jù)進(jìn)行檢測、互聯(lián)、相關(guān)、估計(jì)和組合以達(dá)到精確的狀態(tài)估計(jì)和身份識別,以及完整的態(tài)勢評估和威脅評估[3]。
信息融合算法主要是指信息融合所需要的實(shí)現(xiàn)方法。對于多傳感器來說,信息具有多樣性和復(fù)雜性,包含有同質(zhì)信息和異質(zhì)信息,對于異質(zhì)信息常常需要先進(jìn)行數(shù)據(jù)分解,使之成為同質(zhì)信息。對信息融合方法的基本要求是具有魯棒性和并行處理能力。常用的信息融合算法如表1所示。
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(jī)、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(dú)采用一種方法往往具有一定的局限性,將各種方法進(jìn)行優(yōu)勢互補(bǔ)逐漸成為信息融合算法研究的重點(diǎn)。
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(diǎn)。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(dá)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(diǎn),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(shí)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(diǎn)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(diǎn)的問題。如與模擬退火相結(jié)合、與遺傳進(jìn)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(shí)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(jìn)行有監(jiān)督的指導(dǎo)。特別是在實(shí)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(jìn)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(jī)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(jìn)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(shí)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(jìn)信息融合算法進(jìn)一步提高系統(tǒng)性能。目前將模糊邏輯、神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算、粗集理論、支持向量機(jī)、小波變換、多尺度估計(jì)理論等技術(shù)有機(jī)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(jì)算的軟件和硬件,以滿足具有大量數(shù)據(jù)且計(jì)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(shí)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(shí)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(jìn)行二次融合等。
(3) 常規(guī)的聚類分析方法不具有線性的計(jì)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(jìn)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?yàn)閷斎霕颖久舾卸容^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。