基于ARM的多传感器信息融合在工业控制中的应用

liyf

0 引言

现代工业生产以综合、复杂、大型、连续为特点，采用大量传感器来监测和控制生产过程。多传感器系统的出现导致信息量剧增，采用信息融合技术可更有效地利用信息资源。在复杂的工业控制系统中，控制过程需同时涉及多个信息，特别是各信息间的联系，信息的有机组合蕴涵的信息特征以及信息的整体状况，并需要根据综合状况所描述的过程运行特点进行控制。故将嵌入式系统与信息融合技术相结合，以解决用传统控制难于解决的问题。
1 多传感器信息融合
1.1 多传感器信息融合的概念
多传感器信息融合是指协调使用多个传感器，把分布在不同位置的多个传感器所提供的局部不完整观测量及相关联数据库中的相关信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，并加以互补，降低其不确定性，获得对物体或环境一致性描述过程。即对来自多个传感器的数据进行多级别、多方面、多层次的处理，从而产生新的有意义信息，这是任何单一传感器所无法获得的。
1.2 多传感器信息融合的方法
常用的信息融合方法有加权平均法、卡尔曼滤波、经典推理法、贝叶斯估计、D-S证据决策理论、品质因素法、模板法、熵理论、聚类分析、模糊推理、产生式规则、遗传算法、神经网络。其中，神经网络方法具有很强的信息处理能力，对复杂的工业智能监测控制系统及在处理不确定性的信息上，神经网络是一个强有力的工具，因而为信息融合提供了一个很好的方法。
神经网络用于信息融合的基本思想是：根据当前系统所接受到的样本相似性，确定分类标准。确定的方法主要表现在网络权值的分布上，同时可以采用神经网络学习功能来获取知识，得到不确定性推理机制。采用神经网络中的自适应谐振理论ART(Adaptive Resonance Theory)的方法。图1是可处理模拟信息的ART-2的网络示意图。
竞争学习机制和自稳学习机制是自适应谐振理论(ART)的基础。竞争学习机制只改变与竞争得胜者有关的各个权重系数，而其他所有的权重系数皆维持不变。通过学习，不同客体的观察向量集合都找到了各自相应的获胜输出分量，因而根据获胜者的编号就能自然地对它们进行分类。
自稳学习机制由信息反馈通道、比较机制及相应的算法构成，其工作过程描述如下：1)竞争选择运算；2)构成反馈信息通道；3)比较相似度；4)调整权重系数。
[table]

[tr]
[td]