控制网

图1  聚类融合控制系统结构图

表1  常用信息融合算法比较

    应用于信息融合的算法还有很多，比如卡尔曼滤波、支持向量机、遗传算法、小波分析理论以及一些简单的推理方法等等。由于信息融合应用领域相当广泛，单独采用一种方法往往具有一定的局限性，将各种方法进行优势互补逐渐成为信息融合算法研究的重点。

2.2  聚类分析

    聚类就是将一个数据单位（对象）的集合（活数据源）分割成为几个称为类或类别的子集，每个类内的对象之间是相似的，但不同类的对象之间区别较大。聚类不同于分类，聚类是一个无监督的学习过程，分类是有监督的学习过程；分类时需要事先知道分类所依据的属性值，而聚类时要找到这个分类属性值。聚类分析是根据事物本身的特征研究对象分类的方法，它的依据原则是使同一类的对象具有尽可能大的相似性，而不同类中的对象具有尽可能大的差异性。

    聚类算法常见的有划分法、层次法、基于密度法、基于网格法、基于模型法[5]。

    聚类算法从样本对于类的隶属度上可以划分为：硬聚类、模糊聚类、可能性聚类[6]。

    其中模糊聚类是目前研究的热点。模糊聚类常用的方法有传递闭包法、动态直接聚类法、最大树法、基于摄动的模糊聚类方法FCMBP、系统聚类法、模糊C－均值法和模糊ISODATA算法等。目前聚类算法发展的方向是：

    (1)  C均值聚类算法：建立合适的目标函数表达式，用数学规划方法求解最优解，如模糊C－均值聚类算法等。这类算法的主要缺陷是对初始化比较敏感，易于陷入局部极小点，收敛速度较慢。

    (2)  将传统的聚类技术与神经网络结合：借助神经网络的并行实现以提高算法的收敛速度。
提出的有Kohonen聚类神经网络、模糊聚类神经网络等。它的优点是收敛速度快，算法精度比较高。

    (3)  将传统的聚类技术与现代优化方法相结合：以克服聚类算法对初始化的敏感，克服易于陷入局部极小点的问题。如与模拟退火相结合、与遗传进化算法相结合。但是这些算法收敛速度较慢。

2.3  知识库

    信息融合和聚类分析的实现，除了要有适当的算法外，还应当有必要的领域知识进行有监督的指导。特别是在实际的工业控制系统中，这些知识就构成了专家知识库。

    图1结合专家控制，笔者在聚类融合控制系统中采用的是一种能自学习的知识库。对环境信息进行搜索、控制和逻辑思维以产生、修改与更新知识库，目的是不断地改善执行环节的作用，因此在执行机构和学习环节之间引入反馈，使得在执行任务期间获得的信息可以反馈到学习环节。这样通过对知识库中的规则进行反馈的在线自学习，可得到更好的的控制效果[10]。

2.4  控制策略

    聚类融合控制中的控制策略要结合实际控制对象的需要。可以采用常规控制算法、自适应控制算法、智能控制算法等。选择控制策略的过程一般包括匹配、冲突解决和操作三步骤：

(1)  匹配：将当前数据库和知识库中规则的条件相匹配，若两者完全匹配，将按规则的操作部分执行；

(2)  冲突解决：当一条以上的规则和数据相匹配的时候，就需要决定首先使用哪一条规则；

(3)  操作：执行规则中的操作部分。

3  聚类融合控制研究展望

    (1)  改进信息融合算法进一步提高系统性能。目前将模糊逻辑、神经网络、进化计算、粗集理论、支持向量机、小波变换、多尺度估计理论等技术有机地结合起来，以提高融合的性能和效率，是一个重要的发展趋势。开发并行计算的软件和硬件，以满足具有大量数据且计算复杂的多传感器融合的要求。

    (2)  将聚类融合和传统控制、智能控制相结合，改善聚类融合控制系统的基本结构，使其更实用化。如与PID控制、自适应控制、解耦控制以及智能控制中模糊控制和神经网络控制等相结合。结合实际的工业控制系统的要求，在控制策略中调节PID的各个参数，或者信息融合后直接利用模糊控制器聚类，利用BP网络进行二次融合等。

    (3)  常规的聚类分析方法不具有线性的计算复杂度，难以适用数据库非常大的情况，而ART人工神经网络则可根据输入的数据，作无监督或无教师归纳（也可以进行有教师训练），自动形成和自确定数据类别。但ART网络也有自己的缺陷，比如存在着丢失模式幅度信息，聚类中心的漂移；处理集群分布样本时，效果很不理想；因为对输入样本敏感度较低，造成的分类错误等[9]。这样使得ART网络在聚类融合控制中存在着一定的局限性。如何在聚类融合控制中更好地使用ART网络，也是值得人们研究的课题。