第2章 递阶智能系统

1、*，上海工程大学机械工程学院，1，第2章分层智能系统，2.1分层智能系统概述2.2分层智能系统的信息处理2.3分层智能系统的数据融合2.4分层智能系统结构，*，上海工程大学机械工程学院，2.2.1分层智能系统概述。在信息量大的时代，人们面临着新的机遇和挑战：首先，如何探索和制作不同的传感器。第二，面对这些不确定、非线性、不稳定和多样化的信息，如何用不同的表示方法和技术构造智能控制系统。*，上海工程大学机械工程学院，3，1。信息等级1，系统通信信号2，操作说明3，现场设备运行状态信号，2.1分层智能系统概述，*上海工程科学大学机械工程学院，4，2。信息特征1。空间信息的主要特征是确定性和不确定性

2、(模糊性)、整体空间和子空间以及同步性。信息的复杂性复杂制造过程的信息往往是一种具有大滞后、多模态、时变和强干扰特性的复杂受控对象，2.1分层智能系统概述，*上海工程大学机械工程学院，5.3。信息污染复杂制造过程的信息受到污染，但不同层次信号的干扰程度不同。低电平信号被严重污染。例如，现场测量信号容易受到两种干扰的影响，即系统的原始干扰(原料特性的波动、操作的波动、设备状况的干扰等)。)和外部随机干扰(检测元件的干扰、电力系统的负荷、强电磁干扰、雷电干扰和其他自然现象等。)。2.1分层智能系统概述，*上海工程技术大学机械工程学院，6.2分层智能系统的信息处理，1。基本概念1，模式2，模式向量3

3、，模式识别4，模式识别优化5，训练6，样本7，样本变量和因变量：*上海工程技术大学机械工程学院，7，8。特征(变量)量9、噪声10、模式空间11、空间变换12、空间降维13、线性变换和非线性变换14、正向映射15、反向映射2.2、分层智能系统的信息处理，*上海工程技术大学机械工程学院，8.2。基本方法1。特征变量的选择特征变量的选择可分为选择特征变量和提取特征变量。一般来说，前者是指直接选择采集样品的一部分原始过程参数作为特征变量，而后者是指将上述选择的原始变量线性或非线性地组合成新的变量，然后将其中的一部分作为特征变量。选择方法：2.2分层智能系统的信息处理，*，上海工程大学机械工程学院，9

4、，(1)变量相关性当一个变量在一定范围内是某个值时，另一个变量会有一个或几个与之对应的定值，所以这两个变量之间存在相关性。相关性反映了这两个变量之间的变化有一定的规律性。(2)变量对目标的贡献是选择特征变量的重要依据。当一个变量对目标贡献很小时(例如，对样本进行分类)，它可以被移除。2.2分层智能系统的信息处理，*上海工程大学机械工程学院，10.2，滤波方法数字滤波：用计算机软件进行滤波，通过一定的计算程序对采样信号进行平滑，提高信噪比，消除或减少各种干扰信号，以保证计算机数据采集和控制系统的可靠性。模拟滤波：硬件滤波。与模拟滤波相比，数字滤波具有以下优点：(1)不需要增加任何硬件；(2)数字

5、滤波器可以由多个通道共享，从而降低成本，2.2分层智能系统的信息处理，*，上海工程大学机械工程学院，11.3。消除丢失样本在工业人工智能优化中，引入模糊理论的隶属度概念，为每个样本分配不同类型的隶属度，使计算机能够自动识别和删除任意维度空间中的丢失样本。2.2分层智能系统的信息处理，*，上海工程技术大学机械工程学院，12.1。分解与综合随着分布式智能仪器(传感器)数据处理和通信能力的提高，它可以保证传感器级和计算机级(中央级)两套数据处理和综合算法。在他们之间建立一个协调人。协调器首先用每个传感器的局部估计和协方差来表示全局估计和协方差和；然后，整个系统的全局估计被传送回传感器级的状态估计。2

6、.3分层智能系统的数据融合，*，上海工程技术大学机械工程学院，13.2。数据融合在复杂的制造过程中，传感器的种类很多，如温度、压力和流量传感器，它们的数量也很多，因此有必要对每个传感器的测量信号进行有效的融合。多传感器数据融合(或多源信息融合)已经成为一种基本而重要的融合算法，它为处理不确定、不准确和不完善的信息提供了一种有效的途径。它广泛应用于目标检测、识别、跟踪、态势评估、决策分析、机器人导航、故障诊断、数字图像处理等领域。2.3分层智能系统的数据融合，*上海工程大学机械工程学院，14。大系统稳态优化结构分为现场级、控制级、局部优化级和全局优化级，是一种递阶结构。它的智能程度遵循这样一个原则，即“智能增加，精度降低”。(1)现场级必须高精度执行局部控制任务，并满足某一部分的性能指标；(2)次高局部优化层次主要协调子任务的操作，只要求较低层次的操作精度，但必须具有较高的决策能力，甚至具有一定的学习功能；(3)最高层次的全局优化层作为语言组织者，具有相应的学习和决策能力，包括解