七大人工智能技术优化传感器系统

七种人工智能技术能够对传感器系统有所帮助，它们是：基于知识的系统、模糊逻辑、自动知识收集、神经网络、遗传算法、基于案例推理和环境智能。这些技术在传感器系统中的应用越来越广泛，不仅因为它们确实有效，还因为今天的计算机应用越来越普及。

这些人工智能技术具有最低的计算复杂度，可以应用于小型传感器系统、单一传感器或者采用低容量微型控制器阵列的系统。正确应用人工智能技术将会创造更多富有竞争力的传感器系统和应用。人工智能领域的其他技术进步也将会给传感器系统带来冲击，包括数据挖掘技术、多主体系统和分布式自组织系统。环境传感技术能够将很多微型电子处理器和传感器集成到日常物品中，使其具有智能。它们可以创造智能环境，与其他智能设备通讯，并与人类实现交互。给出的建议能够帮助用户更加直观地完成任务，但是这种集成技术的后果将会很难预测。使用环境智能和多种人工智能技术的组合能够将这种技术发挥到极致。

创建更智能的传感器系统

可以采用人工智能对传感器系统进行优化。人工智能作为计算机科学的一个分支出现于20世纪50年代，它繁衍出了很多功能强大的工具，在传感器系统中具有巨大作用，能够自动解决那些原本需要人类智能才能够解决的问题。

人工智能系统日渐进步，正在创造人类与数字传感器系统之间的无缝连接。虽然人工智能进入工业领域的进程较为缓慢，但是它必将带来灵活性、可重新配置能力和可靠性方面的进步。全新的系统设备在越来越多的任务中表现出超过人类的性能。随着它们与人类越来越紧密，我们将人类大脑与计算机能力结合起来，实现商讨、分析、推论、通讯和发明，然后我们就有可能书写人工智能的全新篇章。

人工智能结合了多种先进技术，赋予了机器学习、采纳、决策的能力，给予他们全新的功能。这一成就依赖于神经网络、专家系统、自组织系统、模糊逻辑和遗传算法等技术，人工智能技术将其应用领域扩展到了很多其他领域，其中一些领域需要对传感器信息进行解析和处理，例如装配、生物传感器、建筑建模、计算机视觉、切割工具诊断、环境工程、力值传感、健康监控、人机交互、网络应用、激光铣削、维护和检查、动力辅助、机器人、传感器网络和遥控作业等等。

这些人工智能方面的发展被引入到了更加复杂的传感器系统中。点击鼠标、轻敲开关或者大脑的思考都会将任何传感器数据转化为信息并发送给你。近期此项研究已经有所斩获，包括Portsmouth大学的工作，在如下七个领域中人工智能可以帮助传感器系统。

基于知识的系统

基于知识的系统也被称为专家系统，它是一种计算机应用程序，整合了大量与某一领域相关联的问题解决方案。专家系统通常有两个组成部分，知识数据库和推断机制。知识数据库以“如果-那么”的形式表述了这个领域内的各种知识，加上各种事实陈述、框架、对象和案例。推断机制对存储的知识进行操作，产生针对问题的解决方案。知识操作方法包含继承和约束条件(在基于框架和面向对象的专家系统)、检索并采纳案例(案例系统)和应用推断规则(规则系统)，具体取决于某些控制程序(前向或反向链接)和搜索策略(深度优先或者广度优先)。

基于规则的系统将系统的知识描述为“如果-那么-否则”的形式。特殊的知识可以用于据侧。这些系统善于以人类稔熟的形式呈现知识并作出决策。由于使用严格的规则限制，它们并不擅长于应对不确定的任务和不精确的场景。典型的规则系统具有四个组成部分：规则列表或者规则数据库(知识数据库的一种特殊形式)、推断引擎或者解析器(根据输入和规则数据库推断信息或者采取行动)、临时工作存储器、用户接口或者其他与外部世界的互通方法，将输入和输出信号接收进来和发送出去。

基于案例推理方法是基于过往问题的经验解决现有问题。这种解决方案被存储于数据库之中，作为人类专家的经验总结。当系统发生了前所未有的问题，它会将问题与过往问题对比，找到一个与现有问题最为相近的案例。然后按照过往的解决方案解决问题，并按照成功和失败与否更新数据库。基于案例推理系统通常被认为是规则系统的一种扩展，他们善于以人类稔熟的形式呈现知识，具有从过往案例学习并产生新案例的能力。

基于案例推理

基于案例推理针对计算机应用形成了四个步骤：

1、检索：给出目标问题，从内存检索相关案例以解决这个问题。案例包括问题、解决方案以及关于这个解决方案是如何得到的注释。

2、重用：将解决方案从过往案例映射到目标问题上。这一过程包括对新场景适应性变更。

3、修改：在将解决方案从过往案例映射到目标场景之后，测试新的解决方案在真实世界(或者仿真场景)中是否奏效，如果必要，进行修改。

4、保留：如果解决方案成功地解决了目标问题，那么将解决方案作为全新案例存储于内存中。

这一方法的争论点在于它采纳了一些未经证实的证据作为主要作业准则。没有统计相关数据作为支撑，很难确保结论的准确性。所有根据少量数据做出的推理都被认为是未经证实的证据。

基于案例推理这一概念的宗旨就是将过往问题的解决方案应用在当前问题上。这种解决方案被存储于数据库之中，作为人类专家的经验总结。当系统发生了前所未有的问题，它会将问题与过往问题对比，找到一个与现有问题最为相近的案例。然后按照过往的解决方案解决问题，并按照成功和失败与否更新数据库。

基于案例推理系统通常被认为是规则系统的扩展。和规则系统类似，基于案例推理系统善于以人类稔熟的方式呈现知识，不但如此，基于案例推理系统还具有从过往案例学习并产生新案例的能力。图1所示为基于案例推理系统。

图1 所示是基于案例推理系统，和基于规则的系统一样，基于案例推理系统的擅长之处在于以人类稔熟的方式呈现信息;同时，基于案例推理系统也具有从过去案例学习进而创建新增案例的能力。

很多专家系统再开发时都采用了一种被称为“壳”的程序，它是一种配备了完整的推断和知识存储设备但是并不具备相关领域内知识的专家系统。一些复杂的专家系统的构建依赖于“开发环境”，后者比壳的应用更加灵活，为用户提供了构建自定义判断和知识呈现方法的机会。

专家系统恐怕是这些技术中最为成熟的一种，有很多商业壳系统和开发工具可供使用。一旦某一领域内的知识被导入了专家系统，构建整个系统的过程就相对简单了。由于专家系统便于使用，所以应用广泛。在传感器系统中，有很多应用领域，包括选择传感器输入、解析信号、状态监控、故障诊断、机器和过程控制、机器设计、过程规划、生产规划和系统配置。专家系统的应用还包括装配、自动编程、复杂智能车辆的控制、检查规划、预测危险、选择工具和加工策略、工序规划和工厂扩建的控制。

模糊逻辑

普通规则专家系统有一个劣势，就是它无法应对超出知识数据库范围的情况。当这种情况出现时，这些规则系统无法给出结果。这些情况发生时系统就会“当机”，而不似人类专家在面对全新问题的时候表现出来的是性能降低。

模糊逻辑的使用，引入了人类判断所具有的定型判断和不精确的特性，可以提升专家系统的适应性。模糊逻辑将变量值变为一种语言上的描述，这些描述的含义就是模糊集合，而判断正是依据这些表述所做出。

模糊专家系统使用模糊逻辑来应对不完全数据或者被部分损坏的数据所带来的不确定性。这种技术使用模糊集合的数学理论来仿真人类判断的过程。人类可以很轻松地在决策过程中应对语意不明的情况(灰色地带)，而机器认为这很难。图2所示为模糊逻辑控制器的架构。

图2所示为模糊逻辑控制器的架构。

模糊逻辑有在传感器系统中有很多应用，因为这一范畴的知识并不精确。模糊逻辑非常适用于那些在结构和对象无法精确匹配的领域、解析度受限的场合、数字重构方法和图像处理领域。在结构对象识别领域和场景解析领域都有模糊集合的应用。模糊专家系统适用于要求处理不确定性和不精确性的场合。它们不具备学习的能力，因为系统的关键参数都已经预设好了，无法改变。

模糊逻辑在协同作业机器人领域、汽车机器人、感知预测、供应链管理和焊接领域获得了成功。

自动知识获取

收集某一领域内的知识以构建知识数据库是非常复杂且耗时的，它往往是搭建专家系统的瓶颈所在。自动知识收集技术被开发出来以解决这一问题。这种学习程序通常要求采用多个案例作为学习的输入。每一个案例都具有多种属性参数，并按类型归类。一种方法就是采用“分治策略”，根据某一策略对各种属性进行筛选，将原有的案例集合划分为子集合，然后归纳学习程序建立决策树并将给定的案例集合正确分类。决策树能够表述从集合中的特定案例产生出什么知识。这一方法还可以后续应用于处理那些没有被案例集合覆盖的情况。

另一种方法被称为“覆盖法”，归纳学习程序的目标是找到一组被某一类型的案例所共同持有的属性，并将这一共同属性作为“如果”的部分，将类型做为“然后”的部分。程序将集合中符合规则的案例移除直至没有共同属性。

图3所示为一个用于测试环境智能对提升能效的试验系统。

还有一种使用逻辑程序代替命题逻辑的方法就是对案例进行描述然后表述全新的概念。这种方法使用了更加强大的预测逻辑来描述训练案例和背景知识，然后表述全新概念。预测逻辑允许使用不同型式的训练案例和背景知识，它允许归纳过程的结果(归纳概念)以带有变量的一阶子句的形式描述，而不仅限于由属性-值对组成的零阶命题子句。这种系统主要有两种类型，第一种是由上自下的归纳/总结方法，第二种是反向解析原理。

已经出现了不少的学习程序，例如ID3，它是一种分治策略程序;AQ程序采用了覆盖法；FOIL程序是采用了归纳/总结方法的ILP系统;GOLEM程序是采用反向解析方法的ILP系统。虽然大多数程序产生的都是明确的决策规则，但是也有一些算法能够产生模糊规则。要求以严格的格式提供案例集合(明确的属性和明确的分类)在传感器系统和传感器网络中很容易满足，因此自动学习技术在传感器系统中应用颇为广泛。这种类型的学习适合于那些属性是以离散的或者符号的形式所表示，而并非适用于具有连续属性值的传感器系统案例。一些推断学习应用的例子包括激光切割、矿石检测和机器人应用。

图4所示为一个虚拟系统流程图，显示了系统如何从图像传感器收集数据。视觉数据和CAD模型数据被搭配使用，用来确定对象列表，对象列表随后被发送给焊接识别模块，然后采用人工智能技术明确焊接要求。

神经网络

神经网络也可以从案例中提取领域知识，它们提取的领域知识并非以表征的方式描述，例如规则或者决策树，而且它们可以同时应对连续数据和离散数据。它们也具有与模糊专家系统类似的不错的归纳能力。神经网络是大脑的计算机模型，神经网络模型通常假设计算过程可以使用多个简单的被称为神经元的单元所描述，神经元可以相互连接并行作业。

最常见的神经网络是多层感知器，它是一种前馈网络：所有信号以一种方向传输，从输入到输出。前馈网络能够在输入空间和输出空间进行静态映射：在某一时刻的输出仅与这一时刻的输入构成函数关系。周期型网络中，某些神经元的输出反馈会同一个神经元或者反馈回之前层级的神经元，可以认为具有动态内存：这种网络在某一时刻的输出受当前输入和之前输入和输出的影响。

不显性表述的“知识”通过对神经网络进行训练而内置于神经网络内。某些神经网络能够使用预先定义的特定输入模式进行训练，进而产生预期的输出模式。实际输出和预期输出之间的差异用来对神经元之间连接的强度和权值进行修正。这种方法被称为监督训练。在多层感知器中，监督训练的反向传播算法通常用来传播来自于输出神经元的误差，然后计算出隐含层神经元的修正权值。

人工神经网络通常具有输入和输出，在输入和输出之间的隐藏层完成处理任务。输入是独立的变量，而输出是相互关联的。人工神经网络是具有可配置内部参数的灵活的数学方程。为了精确地展现复杂的关系，通过训练算法来调整这些参数。在简单训练模式下，输入案例和相应的预期输出同时展现给网络，通过尽可能多的案例进行重复进行自调整过程。一旦训练结束，人工神经网络就能够接受全新的输入，预测正确的输出。为了产生输出，网络只需要按方程计算即可。唯一的假设就是在输入数据和输出数据之间存在某种连续的函数关系。神经网络适用于映射设备、模式归类或者模式补全(自动联想内容寻址内存和模式关联器)。

图5所示为传感器系统针对焊接识别模块做出焊接要求建议。这一模块评估建议并决定最佳的焊接轨迹。建议随后被发送给实际的机器人程序生成器。

近期的应用包括特征识别、热交换器、焊点检查、点焊参数优化、电力、触觉显示和车辆传感系统。

遗传算法

遗传算法是一种随机最优化过程，其灵感来自于自然演化。遗传算法能够在复杂的多向搜索中产生全局最优解决方案，无需针对问题本身的特定知识。遗传算法已经在传感器系统中找到了用武之地，包括复杂组合或者多参数优化，包括装配、装配流水线平衡、故障诊断、健康监控和动力方向盘。

环境智能

环境智能在最近几十年获得了长足的发展，见证了人类在数字控制环境中便利的工作过程，电子设备可以预测他们的行为并做出响应。环境智能的概念用于实现人类和传感器系统之间的无缝匹配，满足实际的预期的需求。工业领域内的应用尚有局限，但是新型的更加智能且具有更高交互性的系统已经处在研究阶段。

扩展系统

人工智能能够增加通讯的有效性、减少故障、最小化误差并延长传感器的寿命。在过去40年间，人工智能技术带来了一系列功能强大的工具，如前文所列。这些工具在传感器系统中的应用越来越广泛。合理地采用新型人工智能技术方法将会有助于构建更加具有竞争力的传感器系统。由于工程师对这种技术的陌生以及使用这些工具仍旧存在的技术壁垒，也许还需要另一个10年工程师们才能够接纳它们。然而，这一领域的研究不会停歇，很多新型传感器应用正在出现，这些技术的搭配使用将会发挥出更大的作用。