CN101222524A - 一种分布式多传感协同测量方法及系统 - Google Patents

Abstract

本发明公开了一种分布式多传感协同测量方法及系统，该方法包括：建立一个多传感协同测量模型；获取区域的区域向量，且该区域向量自动转换成伴随向量；将多个偏微分方程组化为一个或几个序参量方程，通过序参量自组织演化以产生宏观结构，并得到不确定性问题决策的通用计算公式，其中，建立基于“合作－竞争－协调”过程的多传感协同测量机理模型，形成三层反馈式协同测量方法。所述系统包括：基于IPv4/IPv6的以太网方式进行数据通讯，其中，整个网络测试平台分为现场测控层、企业级监控层与远程测控层。

Description

一种分布式多传感协同测量方法及系统

技术领域

本发明涉及一种分布式多传感协同测量方法及系统，尤其涉及一种基于IPv4/IPv6共存智能测控系统的多传感协同测量方法及系统。

背景技术

随着科学技术的飞速发展，在工业自动化领域，要求检测与控制的信息量越来越大，速度越来越高。测控位置分散，任务复杂，系统庞大，加之，测控系统中现场测控点与中央管理层之间的信息交换量越来越大，配合也越来越密切，因此测控网络化应运而生。测控网络作为一种特殊的网络，肩负现场测量数据与控制信息的数据传输与交换的任务，自从上世纪70年代以来，基于不同总线的各种智能测控仪表及其组成的测控系统先后涌现，出现集散测控模式和现场总线测控模式。然而，国际上各知名企业基于自身利益考虑，所推出自有知识产权的各种现场总线协议标准存在兼容性差的问题，不同厂家产品互连、信息的无缝集成也就受到严重影响。以TCP/IP协议、以太网作为支撑技术的因特网技术自上世纪90年代以来迅猛发展，具有标准统一、传输速率高、价格低、接入方便等特点，为现代测控技术的网络化发展带来了机遇，基于TCP/IP的工业以太网测控系统关键技术已成为测控领域的研究热点。

然而工业现场应用在环境适应性、实时性、可靠性和安全性等方面有严格的要求，以太网是以办公自动化为目标设计的，并不完全符合工业环境的要求，将以太网应用于工业领域主要存在如下一些缺陷包括通信的不确定性、实时性不够、安全性需要提高以及现场设备互操作性差等。经过多年的努力，各研究单位主要通过提高以太网传输速率的、使用以太网交换技术、优先级技术、改进相关测控算法及修改通信协议等方法来提高工业以太网的各种性能，使得工业以太网的研究已取得了很大的发展，并使以太网应用于工业现场测控设备间的通信成为可能。随着测控网络技术快速发展，目前工业无线网络技术已逐渐渗透到工业现场，现场测控数据来源呈现有线与无线模式，测控节点行为更加复杂，因此要求现场测控网络除了应进一步满足强实时性、高可靠性、恶劣的工业现场环境适应性外，还需支持多样化功能等特殊特点。近几年来IPv6新一代网络技术的逐渐成熟，其网络总体性能较IPv4网络得到了较大提高，不仅扩展了IPv4网络中IP(Internet Protocol，互联网协议)地址范围和提供了多样化运行模式，而且在协议中提出了一套提升网络QoS(Quality ofService，服务质量)，方法以及对移动通信的支持等，这为网络化测控技术的扩展提供契机，将基于IPv6的新一代网络引入测控领域将是一个有意义的研究工作。通过构建IPv6测控网络，可以进一步提升测控平台的性能和丰富其功能。然而目前整个互联网络仍主要使用IPv4协议，IPv6应用到测控网络仍处于研究的初期阶段。因此在保证成本、网络性能的前提下，在测控现场采用IPv6网络，有效地实现一种IPv4/IPv6共存的测控网络模式成为一个关注的焦点。

IPv6新一代网络的引入，大大推动了网络化测控系统的分布式发展。面对现代测控任务趋于多样化、立体化发展，目标测控环境越来越复杂，观测范围要求越来越广，信息量骤然增大，必须进行多传感协同测量，即把IPv4/IPv6共存测控系统中各种繁多的多传感(多源、多形式)信息有效地进行组合协同处理，实现对多传感器资源(包括传感器本身的资源以及传感器之间的资源)进行协调管理，从时间上和空间上来动态优化配置系统多传感资源。协同学理论(简称协同论)是研究复杂系统中子系统(部件、元素)如何通过竞争合作从无序状态演化到具有确定宏观上的空间结构、时间结构或功能结构的有序状态。随着协同论在工程领域中发挥的作用不断扩大，协同论为协同测量研究提供一个全新的思路。故此如何基于协同学理论，对多传感资源进行优化配置是IPv4/IPv6共存智能测控系统中多传感协同测量非常重要的研究方向。

国内专利申请号为CN 03149108.1涉及一种基于仲裁者的测量协同问题解决方法，包括步骤：产生测量任务的节点向仲裁者发送测量请求消息；仲裁者对当前任务集进行并发划分，并使用仲裁算法对闭合任务集进行处理，从而得到该闭合任务集的无冲突任务集；仲裁者根据处理结果向请求消息的发送者和被请求者发送肯定或否定应答；接收到肯定应答的节点执行测量任务，任务执行完毕后通知仲裁者。本发明在网络测量系统上实现了互斥测量协同的能力。现有的网络测量系统均不支持测量协同和测量任务的互斥执行。虽然仲裁者可能会成为瓶颈，但该方法的灵活性较好，且升级只需要针对仲裁者进行即可，尤其适用于节点数目不是特别多的网络测量系统。该发明属于一种计算机通信网络中的多节点通信协同机制，不涉及测控领域中多传感协同机制。

国内专利申请号为CN03141153.3涉及一种完全分布式测量协同问题的解决方法。包括步骤：产生测量任务的请求节点向协同节点发送第一类测量请求消息；协同节点根据当前状态决定发送否定应答还是保持沉默；如果请求节点超时，则根据当前状态进行下列3类操作中的一种：(1)向协同节点发送第二类测量请求消息；(2)进行环检测；(3)保持沉默；收到第二类测量请求消息的协同节点根据当前状态决定发送否定应答还是肯定应答；接收到肯定应答的请求节点进入测量状态，并开始测量。本发明在网络测量系统上实现了互斥测量协同的能力。现有的网络测量系统均不支持测量协同和测量任务的互斥执行。该方法具有良好的处理冲突任务的能力，使得在任务并发性较强时仍然具有较好的任务执行能力。该发明涉及计算机和通信网络中的测量技术，不涉及测控领域中多传感协同机制。

国内专利公开号为CN1542603的专利涉及一种基于实时操作系统的多传感器融合系统资源调配实现方法，在系统组成结构中，每个传感器的采集和处理分别独立封装在单独的任务模块里，对于每个任务模块独立编程，这些模块在实时操作系统的基础上并行运行。不同任务的轻重缓急由各自的优先级确定，任务之间的切换采用占先方式。各任务之间采用全局变量、事件对象以及用户自定义信息三种方式进行通讯，任务之间的同步通过临界区、互斥以及信号量三种方式实现。该发明为多传感器融合系统提供了一个资源调配实现方法，未涉及到多传感信息之间的协同处理方面。同感知问题的解决，实现了协同感知强度对共享工作空间的动态调控。

国内公开号为CN1694409的专利涉及一种基于协同感知强度Agent机制上的协同感知方法。是通过计算协同感知强度Agent，接收信息，然后依据自己的知识、规则和控制逻辑对信息进行处理并把信息转发出去，作用于协同工作空间中的协同任务，并实时动态地进行自我调整。本发明有效地实现了多个用户图案协同设计中协同感知问题的解决，实现了协同感知强度对共享工作空间的动态调控，未涉及到基于协同学理论进行多传感协同的方法。

国内还有其它一些主要采用不同方法进行多传感信息融合的相关专利：如国内公开号为CN1472673的专利涉及一种基于线性约束截断最小二乘的数据融合方法，对各传感器数据求取均方值，在此基础上设置自适应阈值，并判断是否存在异常传感器数据，以及哪个传感器数据存在脉冲噪声，得到检测矩阵，然后建立基于截断最小二乘(TLS)的初始融合目标函数，通过一系列变化，变成线性约束的截断最小二乘(LCTLS)的最优问题，进一步求取问题的拉格朗日函数，根据Kuhn-Tucker条件，得到对应求取最优解的方程组，建立全局收敛的递归神经网络，得到方程组的解，即优化问题的解。本发明使算法的鲁棒性大大提高，即使出现了脉冲噪声，也能具有无偏性，并在很快的时间内得到优质的解；国内申请号为CN02136098.7的专利涉及一种多传感器多目标信息融合方法，不同分布的传感器首先对环境进行检测以检测目标的存在，检测信息融合系统针对各传感器的检测结果进行融合，进而对目标进行状态跟踪和特征提取，状态信息融合系统和特征信息融合系统分别就各传感器的跟踪状态和特征矢量识别结果进行融合，进而得到相对精确的状态参数和准确的识别结果，决策信息融合系统则进行整体系统的决策融合，为下一步行动提供有利的决策。本发明建立了分布式集成化多传感器信息融合理论体系，可提高系统的探测概率、估计精度及识别概率，提供更加合理可行的决策算法。均未涉及到基于协同学理论进行多传感信息融合的方法。

本发明是基于IPv4/IPv6共存测控系统，基于协同论实现系统分布式多传感协同测量，该方法具有可自学习、自联想记忆和自寻优等优点，一方面通过在数学意义上严格处理网络的行为，准确地知道运行特性，所以不存在伪状态现象；另一方面，采用自上而下的构造方法，可避免自下而上方法带来的动力学行为不唯一性和不可控性。

发明内容

为解决上述中存在的问题与缺陷，本发明提供了一种分布式多传感协同测量方法及系统。

本发明是通过以下技术方案实现的：

本发明所涉及的一种分布式多传感协同测量方法，包括：

建立一个多传感协同测量模型；

获取区域的区域向量，且该区域向量自动转换成伴随向量；

通过协同论的原理，当测控系统自发形成空间结构、时间结构和时空结构在接近不稳定点时，消去快变量，使多个偏微分方程组化为一个或几个序参量方程，并得到不确定性决策的通用计算公式。

基于协同论，形成序参量自组织演化产生宏观系统的协同测量；

机理模型是基于“合作-竞争-协调”三步连续动态过程。

本发明还涉及一种分布式多传感协同测控系统，包括：

基于IPv4/IPv6的以太网方式进行数据通讯，其中，整个网络测控平台分为现场测控层、企业级监控层与远程测控层。

现场测控层，包括互联网协议6智能测控装置、互联网协议6模糊控制装置、现场受控设备模块及现场传感器，且该层采用互联网协议6，运行传输控制协议/互联网协议6协议栈，并由现场监控给予所述每个现场测控单元赋予一个互联网协议6地址通过以太网接口接入网络；

企业级监控层，包括以太网交换机或集线器、实时数据库服务器、测控测略服务器、Web服务器，该层网络与现场测控网络通过路由器进行连接，并采用主流测略的双协议栈方法进行通信，且该层使用互联网协议4并通过Web服务器与外界互联网相连。

远程测控层，该层是基于互联网的远程测控层，主要包括远程工作站和终端微机，且该层网络使用互联网协议4。

所述系统应用会话发起协议技术，建立数据连接、控制在线设备、自动注册及订阅信息。

本发明提供的技术方案的有益效果是：

通过一种基于协同学的分布式协同测量方法实施于IPv4/IPv6共存智能测控系统，将分布于现场的多个IPv6模式智能测控装置采集多个参量值，通过以太网接口将数据上传到基于IPv4的企业监控层中，进行实时的协同决策，并可由第三层监控处理结果。

附图说明

图1是本发明IPv4/IPv6共存智能测控系统的实施例图；

图2是本发明面向IPv4/IPv6共存智能测控系统的协同测量机理模型图；

图3是本发明面向IPv4/IPv6共存智能测控系统的发生涨落不确定性示例图；

图4是本发明面向IPv4/IPv6共存智能测控系统的多传感协同测量结构图；

图5是本发明多传感协同测量方法的算法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本实施例提供了一种分布式多传感协同测控系统，其中，

参见图1，该系统是通过基于协同学的分布式协同测量方法实施于IPv4/IPv6共存智能测控实现的，包括：

现场测控层、企业级监控层与远程测控层。

现场测控层，包括IPv6智能测控装置、IPv6模糊控制装置、现场受控设备模块及现场传感器，且该层采用IPv6，运行TCP/IPv6协议栈，并由现场监控给予所述每个现场测控单元赋予一个IPv6地址通过以太网接口接入网络；

企业级监控层，包括以太网交换机或集线器、实时数据库服务器、测控测略服务器、Web服务器，该层网络与现场测控网络通过路由器进行连接，并采用主流测略的双协议栈方法进行通信，且该层使用IPv4并通过Web服务器与外界互联网相连。

远程测控层，该层是基于互联网的远程测控层，主要包括远程工作站和终端微机，且该层网络使用IPv4。

所述系统中应用SIP(Session Initiation Protocol，会话发起协议)中间件技术，能够迅速便捷地建立数据连接、提供完全的即插即用功能，辅以在线设备控制、自动注册及订阅信息等功能。

参见图2，协同测量机理模型，基于协同学思想的阐述，协同学在网络化测控领域可形成一个观点：“测量确定性的过程即为测量协同的过程”。系统测量协同过程即：初始状态的配置，其中也包括部分有序化的子系统，属于这个子系统的序参量在竞争中取胜，最后支配整个系统并使其进入这个特定的有序状态，完成系统的宏观质变。通过测量协同，使得IP协同测控系统从不确定状态进入确定状态中，运用了这一机理，即各种特征的集合一旦给出，序参量间互相竞争，最终具有最强初始支撑的序参量(在平衡注意参数情况下，即对应初始模最大的序参量；在不平衡注意参数情况下，不仅与序参量初始值有关，而且还与注意参数大小有关)赢得胜利，从而呈现系统原来所缺少的特征。可以看出，在测量协同之际的互补过程和系统确定化过程的联想之间有一个完全对应的关系。

通过协同测量演化机理的分析，结合基于协同学理论发展起来的协同神经网络(SNN：Synergetic neural network)，建立一个基于“合作-竞争-协调”的多传感协同测量决策模型，模型由IPv4/IPv6共存智能测控系统的内部和外部元素及表示组成，具有三层结构，第一层是接受输入的模拟神经元，代表多传感点的输入；第一层各传感点通过合作将结果投射到代表序参量的第二层，其中各序参量进行竞争，如果通过若干步迭代后认知网络收敛达到稳定，说明某个序参量役使系统进入定常状态；第三层表示源自获胜序参量的输出，通过协调运算，最后可呈现系统协同测量结果。下面基于该模型，进行协同测量动力学方程的建立与推导。

协同测量动力学方程的建立及推导：

IPv4/IPv6共存智能测控系统是一个大区域的分布式复杂系统，由许多测控单元组成，设想测量量值的信息沿着系统演化的方向移动，当信息量达到某个阈值时，与之对应的某个测量量值就确定了。因此可用N个分量的状态向量来描述该系统：

q＝(V₁，V₂，L，V_N)    (1)

同样的，状态向量q服从如下方程随时间演化

$\hat{q}(x,t)=N(q,\▿,\mathrm{\α},x)+F\left(t\right)---\left(2\right)$

假设 $q=q_0+\underset{j}{\mathrm{\Σ}}{\mathrm{\ϵ}}_j\left(t\right)v_j\left(x\right)---\left(3\right)$

可得到：

$\underset{j}{\mathrm{\Σ}}{\mathrm{\ϵ}}_j\left(t\right)v_j\left(x\right)=\underset{j}{\mathrm{\Σ}}{\mathrm{\ϵ}}_j\left(t\right)L{v}_j\left(x\right)+N\left[\underset{j}{\mathrm{\Σ}}{\mathrm{\ϵ}}_j\left(t\right)v_j\left(x\right)\right]+F\left(t\right)---\left(4\right)$

引入伴随矢量v_k ⁺，它由正交关系 $\left(v_k^{+}{v}_{k^{\′}}\right)={\mathrm{\δ}}_{{\mathrm{kk}}^{\′}}$ 定义。可以证明，可构造一个具有如下性质的伴随向量集合：

$<v_k^{+}{v}_j>\&equiv;\&Integral;v_k^{+}\left(x\right)v_j\left(x\right)\mathrm{dV}={\mathrm{\&sigma;}}_{\mathrm{kj}}---\left(5\right)$

其中σ_kj是Kronecker算符。当k＝j时，σ_kj＝1，其它情况下σ_kj＝0。

通过定义：

${\&Integral;v}_k^{+}\left(x\right)F(t,x)\mathrm{dV}=F_k\left(t\right)---\left(6\right)$

${\&Integral;v}_k^{+}\left(x\right)\hat{N}\left[\underset{j}{\mathrm{\&Sigma;}}{\mathrm{\&epsiv;}}_j\left(t\right)v_j\left(x\right)\right]\mathrm{dV}=N_k\left[{\widetilde{\mathrm{\&epsiv;}}}_j\left(t\right)\right]---\left(7\right)$

结合如下性质：

Lv_j(x)＝λ_jv_j(x)

再用v_k ⁺乘式(4)，先进行内积再对空间求积分，式(4)可写成如下形式：

$\stackrel{.}{\mathrm{\&epsiv;}}={\mathrm{\&lambda;}}_k{\mathrm{\&epsiv;}}_k+{\tilde{N}}_k\left({\mathrm{\&epsiv;}}_j\right)+F_k\left(t\right)---\left(8\right)$

可根据特征值λ_j实部符号来区分两种模，即如实部是非负的，则其组态v(x)为非稳定模，用u表示；如为负，则为稳定模，用s表示。因此可以构造式(8)的有效解g(x，t)，于是得到：

$q=q_0+\underset{u}{\mathrm{\&Sigma;}}{\mathrm{\&epsiv;}}_u\left(t\right)v_u\left(x\right)+\underset{s}{\mathrm{\&Sigma;}}{\mathrm{\&epsiv;}}_s\left(t\right)v_s\left(x\right)---\left(9\right)$

当用v_j ⁺乘式(9)，并用恒等式(5)，可得：

${\mathrm{\&epsiv;}}_j=<v_j^{+}q>---\left(10\right)$

对于ε_u，并用下式代替ε_s的方程，

可得到：

${\stackrel{.}{\mathrm{\&epsiv;}}}_s=-g_s({\mathrm{\&epsiv;}}_{u^{\&prime;}},{\mathrm{\&epsiv;}}_s)---\left(11\right)$

并采用v_j(x)乘以式(8)和式(11)，随后对j取和，可得：

$\stackrel{.}{q}=\underset{u}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_u<v_u^{+}q>v_u+\underset{u}{\mathrm{\&Sigma;}}{v}_u{\hat{N}}_u(<v_u^{+},q>)+\underset{s}{\mathrm{\&Sigma;}}{v}_s{g}_s(<v_j^{+}q>)+\hat{F}\left(t\right)---\left(12\right)$

同时借助于关系式：

$v_k^{+}=\underset{k^{\&prime;}=1}{\overset{M}{\mathrm{\&Sigma;}}}{A}_{{\mathrm{kk}}^{\&prime;}}{v}_k^{\&prime;}---\left(13\right)$

可由初始矢量v_k构造伴随矢量。这里的v_k′是v_k的转置矢量，其系数A_kk′，确定如下：

以v_k左乘式(13)的两边，根据正交关系式，得到：

${\mathrm{\&delta;}}_{{\mathrm{kk}}^{\&prime;}}=\underset{k^{\&prime;}=1}{\overset{M}{\mathrm{\&Sigma;}}}{A}_{{\mathrm{kk}}^{\&prime;}}\left(v_{k^{\&prime;}}^{\&prime;}{v}_{k^{\&prime;\&prime;}}\right),$ k＝1，...，M                (14)

引入缩写式：I＝(δ_kk″)，A＝(A_kk′)和V＝(v_k′′v_k″)。这样可以把式(14)再写成矩阵方程I＝AV，其解为：A＝V^-1

这样基于协同认知的动力学方法，将协同测量的动力学方程做如下表示：

$\stackrel{.}{q}=\underset{k}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_k{v}_k\left(v_k^{+}q\right)-D\underset{k\&NotEqual;k^{\&prime;}}{\mathrm{\&Sigma;}}{\left(v_{k^{\&prime;}}^{+}q\right)}^2\left(v_k^{+}q\right)v_k-S\left(q^{+}q\right)q+F\left(t\right)---\left(15\right)$

其中，常数D应被构成依赖于k和k′，即D→D_kk′；q是以输入信息q(0)为初始值的测量向量；λ_k称为协同参数，只有当它为正的时候，才可以最准确的描述测量量值；D和S指定系数，F(t)为系统运行中的测量不确定涨落力。式中第一项的v_k·v_k ⁺可以称为学习矩阵，当λ_k为正值时会导致q的指数增长，第三项是限制这种增长的因素，第二项用于对测量信息的辨别，实现描述量值信息的完备性。基于上面建立的协同测量系统的动力学方程，下面继续讨论系统协同测量的序参量方程和势函数。

当系统得到的一组由于产生不确定性而不完备的信息，比如，一组强噪声的数据或缺损的信息，我们称其为描述量值的测量信息向量q，q随着时间的推移逐步完善，最终经中间状态q(t)达到矢量v_k0，这个v_k0是描述量值的一个原始模式，即这个原始模式可以最准确的描述测量量值，它与初始的输入信息q(0)最为接近，用协同学的术语说就是使其处于这个原始模式的吸引谷底，这个动力学过程可简单的描述为：q(0)→q(t)→v_k0。

把信息向量q分解为原始向量和随机向量，即：

$q=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_k{v}_k+z,k=1,...,M---\left(16\right)$

其中 $\left(v_k^{+}z\right)=0,$ 定义q的伴随向量为：

$q^{+}=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_k{v}_k^{+}+z^{+},k=1,...,M---\left(17\right)$

其中(z+v_k)＝0，显然有：

$\left(v_k^{+}q\right)=\left(q^{+}{v}_k\right)---\left(18\right)$

将式(16)代入(18)，根据正交关系，得到序参量：

${\mathrm{\&xi;}}_k=\left(v_k^{+}q\right)---\left(19\right)$

可以证明得到下述形式的动力学方程：

$\stackrel{.}{q}=-\frac{\&PartialD;V}{\&PartialD;q^{+}},$ ${\stackrel{\&CenterDot;}{q}}^{+}=-\frac{\&PartialD;v}{\&PartialD;q}---\left(20\right)$

将式(15)乘以v_k ⁺，用上述v_k ⁺、v_k、z、z+之间的正交性关系及式(19)，可得到如下方程：

$\stackrel{\&CenterDot;}{{\mathrm{\&epsiv;}}_k}={\mathrm{\&lambda;}}_k{\mathrm{\&epsiv;}}_k-D\underset{k^{,}\&NotEqual;k}{\mathrm{\&Sigma;}}{\mathrm{\&epsiv;}}_{k^{,}}^2{\mathrm{\&epsiv;}}_k-S[\underset{k^{,}=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_{k^{,}}^2+\left(z^{+}z\right)]{\mathrm{\&epsiv;}}_k---\left(21\right)$

用正交于原型模式向量v_k的向量h_l ⁺乘以式(15)，并对各单个分量求和，可得到如下方程：

$\stackrel{\&CenterDot;}{z}=-S[\underset{k^{\&prime;}=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_{k^{\&prime;}}^2+\left(z^{+}z\right)]z---\left(22\right)$

由于式(22)右端乘以z的因子总为负，于是可知：

           |z|→0，当t→∞    (23)

于是，进行失稳分析，利用精确消去的支配原理，消去稳定模可得出序参量方程如下：

$\stackrel{\&CenterDot;}{{\mathrm{\&epsiv;}}_k}={\mathrm{\&lambda;}}_k{\mathrm{\&epsiv;}}_k-D\underset{k^{\&prime;}\&NotEqual;k}{\mathrm{\&Sigma;}}{\mathrm{\&epsiv;}}_{k^{\&prime;}}^2{\mathrm{\&epsiv;}}_k-S\left[\underset{k^{\&prime;}=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_{k^{\&prime;}}^2\right]{\mathrm{\&epsiv;}}_k---\left(24\right)$

或 $\stackrel{\&CenterDot;}{{\mathrm{\&epsiv;}}_k}={\mathrm{\&lambda;}}_k{\mathrm{\&epsiv;}}_k-S{\mathrm{\&epsiv;}}_k^3-(D+S)\underset{k^{\&prime;}=k}{\mathrm{\&Sigma;}}{\mathrm{\&epsiv;}}_{k^{\&prime;}}^2{\mathrm{\&epsiv;}}_k---\left(25\right)$

这些序参量服从初始条件： $\mathrm{\&epsiv;}\left(0\right)=\left(v_k^{+}q\left(0\right)\right).$ 其中式(25)第一项为自激励项，代表了模式对自身的反馈激励作用，如果没有其他抑制项，它将带来指数增长；第二项为自抑制项，它代表了模式对自身过度增长的抑制；第三项为侧抑制项，它代表了模式之间的相互抑制，任何一个序参量的增大都会对其他所有序参量产生抑制作用。

利用式(20)，得到序参量方程相应的势函数为：

$V=-\frac{1}{2}\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_k{\mathrm{\&xi;}}_k^2+\frac{1}{4}D\underset{k^{\&prime;}\&NotEqual;k}{\mathrm{\&Sigma;}}{\mathrm{\&xi;}}_{k^{\&prime;}}^2{\mathrm{\&xi;}}_k^2+\frac{1}{4}S{\left(\underset{k^{\&prime;}=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{k^{\&prime;}}^2\right)}^2---\left(26\right)$

通过求解序参量方程式(24)，可得到测量系统演化前后的状态，而对势函数(26)的分析可以确定系统的稳定性，表征了测量信息演化的过程，在协同测量中起着决定作用，这也就是用协同学处理测量问题的方法。

根据以上推导，将含有多个自由度的系统简化为只含序参量的方程，并且得到其势函数，通过求解方程，可以得到协同测量系统变化前后的状态。

根据协同学的推导，其相应的序参量方程和势函数分别为式(24)和式(26)所示。

因此有：

${\mathrm{\&lambda;}}_k{\text{\&xi;}}_k-D\underset{k^{,}\&NotEqual;k}{\mathrm{\&Sigma;}}{\mathrm{\&xi;}}_{k^{,}}^2{\mathrm{\&xi;}}_k-S\left(\underset{k^{,}=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{k^{,}}^2\right){\mathrm{\&xi;}}_k={\mathrm{\&xi;}}_k({\mathrm{\&lambda;}}_k-E+D{\mathrm{\&xi;}}_k^2)---\left(2\right)$

${\mathrm{\&xi;}}_k(n+1)-{\mathrm{\&xi;}}_k\left(n\right)=\mathrm{\&gamma;}({\mathrm{\&lambda;}}_k-E+D{\mathrm{\&xi;}}_k^2){\mathrm{\&xi;}}_k\left(n\right)---\left(28\right)$

其中，

$E=(D+S)\underset{J=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_J^2---\left(29\right)$

当系统达到稳定状态时有：

其中γ为迭代步长，它决定着协同测量势函数演化过程的稳定性。这样，机理模型三层网络结构的各层之间满足如下关系，从输入层到中间层之间有：

${\mathrm{\&xi;}}_k\left(0\right)=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{v}_{\mathrm{kj}}^{+}{q}_j\left(0\right)---\left(30\right)$

从中间层到输出层之间有：

$q_l\left(t\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_K\left(t\right)v_{\mathrm{lk}},l=\mathrm{1,2},K,N---\left(31\right)$

在三层网络中，中间层序参量按式(28)的动力学方程进行演化，从输入到输出的各神经元之间不断的竞争与协同，实现协同测量网络的自组织、自学习、自联想和自记忆等功能。在整个协同测量的势函数演化过程，系统受到定义各原型模式吸引域之间边界的参数D、抑制参数S及协同参数λ_k(k＝1，2，…，M)的影响。尤其λ_k，其控制着模式变化的速度，决定着序参量的终值大小。势函数所有极小值都对应于一个有序的模式，没有伪状态。对于协同参数λ_k＝C时，所有的吸引子的吸引效果是相等的，或者说，能量函数的势阱是等深的，序参量演化的终值为1或0；当在不平衡的协同参数作用下，它将决定势阱的深度，序参量演化的终值不一定为1或0，它们对应着系统演化的权重，最终联合决定着系统演化过程。可以通过证明得出，在平衡协同参数情况下，如果一开始|ε_k0|就大于其他的任何一个|ε|，则动力学将这个系统拉到稳定不动点ε_k0＝1，其他全部的ε＝0；如果一开始 $\left|{\mathrm{\&epsiv;}}_{k_1}\right|=\left|{\mathrm{\&epsiv;}}_{k_2}\right|=\&CenterDot;\&CenterDot;\&CenterDot;=\left|{\mathrm{\&epsiv;}}_{k_m}\right|$ 大于其他|ε_k|，则动力学就结束在这个对应的鞍点上。据此，仅仅是涨落力能够驱使系统进入属于k₁，k₂，…，k_m的任何一个不动点。

从上面的分析推导可以看出，自组织系统的方程实质上是齐次的，即q＝0必是它的一个解，但是，如果系统开始处于q＝0而且不动，则它永远保持在q＝0并且不发生自组织现象。所以在自然界的许多例子中，涨落总是存在的，IP模式测控复杂系统也不例外。参见图3，描述了涨落的作用，只要自组织现象存在并设系统处于某个态q₁，则涨落就会有可能使系统到达其它新的态。若没有涨落，系统决不会认识到态q₂，并且从态q₁发展到态q₂。在测控系统中来自外部因素的影响就体现了这种涨落的作用，最终得出协同测量的宏观结果。然而这是一个精确的归类过程，协同神经网络SNN(Synergetic Neural Network)处理的是一维问题，这就丢失了相邻测量值的相关属性，忽略了系统中的空间信息，因此要进一步提高补偿数据的精度，可进行横向数据的关联计算，体现出一种合作、竞争、协调的过程。

基于协同测量机理模型的决策方法：

参见图4，基于协同测量机理模型，建立协同测量动力学方程，并对协同测量机理进行数学推导，得出协同测量机理的演化过程是一种合作-竞争-协调的过程，合作过程，根据区域的多组测量向量获取区域向量，并且将该区域向量自动转换成的伴随向量进行计算，构造出序参量，形成协同神经网络；竞争过程，通过将多传感点输入到神经网络，当各传感点通过合作投射到决策序参量时，其各序参量之间进行竞争，当序参量迭代后认知网络收敛达到稳定，则该序参量使系统进入定常状态；协调过程，将系统进入定常状态的序参量输出的测量数据进行协调运算，得到系统协同测量的结果。下面依据此结论，提出如下基于协同测量机理模型的决策新方法，该方法的执行过程主要包括三个阶段，首先是网络的学习过程，然后是预决策过程，最后是决策过程。其算法流程参见图5，算法内容描述如下：

(1)获取合适的多传感参数的系列原始向量，作为样本集Z，向量维数为n；

(2)基于比例的K-均值聚类思想，建立在误差平方和准则基础之上，确定最终的区域向量，其个数为M，必须满足M≤N，并进行初始化；

(3)计算区域向量的伴随向量v_kj ⁺，构造序参量，形成SNN；

(4)机制演化过程的系列参数D、S、γ及λ_k确定，完成预处理，获得协同基准向量；

(5)结合预处理结果，基于平均值修正不确定性实时测量向量，求得协同决策结果。协同测量方法的具体实现首先进行基于比例聚类的区域向量选择。对  于协同测量机里模型来说，网络、向量的初始化主要在于选择适当的训练模式进行学习训练，协同学习是一个中心问题。因为在网络的学习、训练期间对于每个类，不只是只有一个样本，而是一个样本集。若选取所有的样本来记忆，由于同一类中不同样本存在差异，即会使网络的吸引域十分混乱，系统每一时刻的每一组测量数据之间存在一定的相关性，在某种前提条件下，即可归类为一个区域向量。区域向量选择是一个重要的方面，本机制基于聚类分析思想，因为最小平方准则对数据中的异常值是高度敏感的，因此该思想建立在误差平方和准则基础之上，为得到最优结果，先选择一些明显的样本作为聚类中心，然后把其余的点融合到各类中，于是每个类选取一个“代表”来进行记忆，完成区域向量的准确运算，其方法具体如下：

设样本集为z，第i数据样本X_i＝[x_i1x_i2…x_in]，因此样本集可表示为如下的一个k×n数据矩阵：

$\left[\begin{array}{c}{x}_{11}{x}_{12}\text{\&CenterDot;\&CenterDot;\&CenterDot;}{x}_{1n}\\ x_{21}{x}_{22}{\&CenterDot;\&CenterDot;\&CenterDot;x}_{2n}\\ ...\\ x_{k1}{x}_{k2}\&CenterDot;\&CenterDot;\&CenterDot;x_{\mathrm{kn}}\end{array}\right]$

根据比例聚类思想，将样本集进行转化，如下式所示，

$\left[\begin{array}{c}{x}_{11}{x}_{12}\&CenterDot;\&CenterDot;\&CenterDot;x_{1n}\\ x_{21}{x}_{22}\&CenterDot;\&CenterDot;\&CenterDot;x_{2n}\\ ...\\ x_{k1}{x}_{k2}\&CenterDot;\&CenterDot;\&CenterDot;x_{\mathrm{kn}}\end{array}\right]=\left[\begin{array}{c}{a}_{11}{a}_{12}\&CenterDot;\&CenterDot;\&CenterDot;a_{1n}\\ a_{21}{a}_{22}\&CenterDot;\&CenterDot;\&CenterDot;a_{2n}\\ ...\\ a_{k1}{a}_{k2}\&CenterDot;\&CenterDot;\&CenterDot;a_{\mathrm{kn}}\end{array}\right]$

其中 $a_{\mathrm{ij}}=\frac{x_{il}}{x_{\mathrm{ij}}},$ 用样本集A＝[A₁ A₂…A_n]表示矩阵 $\left[\begin{array}{c}{a}_{11}{a}_{12}\&CenterDot;\&CenterDot;\&CenterDot;a_{1n}\\ a_{21}{a}_{22}\&CenterDot;\&CenterDot;\&CenterDot;a_{2n}\\ ...\\ a_{k1}{a}_{k2}\&CenterDot;\&CenterDot;\&CenterDot;a_{\mathrm{kn}}\end{array}\right].$ 设样本集A含有m个类型，特征空间R＝T₁UT₂U…UT_m，基于误差平方和作为聚类准则函数。

①设定m个作为初始聚类中心的代表样本 $Z=\{Z_1^1,Z_2^1,\&CenterDot;\&CenterDot;\&CenterDot;,Z_m^1\}$ (上脚标为寻找聚类中心的迭代次数)；

②取样本A_i，若有 $|A_i-Z_j^n|<|A_i-Z_l^n|$ (i＝1，2，…，k；j，l＝1，2，…，m(l≠j)，n是迭代次数)，则 $A_i\&Element;T_j^n,$ T_j ⁿ是聚类中心为z_j ⁿ样本集合：

③得到新的聚类中心 $Z_j^{n+1}=\frac{1}{n_j}\underset{A\&Element;T_j^n}{\mathrm{\&Sigma;}}A,(j=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,m),$ n_j为z_j类中所包含的样本数；

④若 $Z_j^{n+1}=Z_j^n,$ (其中j＝1，2，…，m)则程序结束，此时 $Z=\left[\begin{array}{c}{Z}_{11}{Z}_{12}\&CenterDot;\&CenterDot;\&CenterDot;Z_{1n}\\ Z_{21}{Z}_{22}\&CenterDot;\&CenterDot;\&CenterDot;Z_{2n}\\ ...\\ Z_{m1}{Z}_{m2}\&CenterDot;\&CenterDot;\&CenterDot;Z_{\mathrm{mn}}\end{array}\right].$ 否则令n＝n+1，转到②；

⑤对m个区域向量进行零均值和归一化处理，得到v_k，其中k＝1，2，…，m，也即获得网络模型中的v_lk权值向量。

完成了区域向量的求取，下面需要对伴随向量的求取。由于测控平台的测控数据各自之间存在一定的继承关系，基于上面的聚类算法所得出的区域向量不能保证正交，而新颖反馈式协同神经网络采用通用的M-P广义逆求解算法，其最大优势恰好就是不需要原始向量正交化，同时兼顾精度和速度等要求。下面对M-P广义逆矩阵进行求解。

定理1

设各区域向量组成的是m×n矩阵A，M-P广义逆矩阵记为A⁺，则满足如下全部四个条件，

①AA⁺A＝A；

②A⁺AA⁺＝A⁺；

③(A⁺A)^H＝A⁺A；

④(AA⁺)^H＝AA⁺的n×m矩阵A⁺存在而且唯一。

定理2

设存在酉矩阵P和Q，使得：

$P^H\mathrm{AQ}=\left[\begin{array}{c}D,0\\ \mathrm{0,0}\end{array}\right]---\left(32\right)$

这里D＝diag(d₁，d₂，…，d_r)，且d₁≥d₂≥…≥d_r＞0。

基于矩阵的奇异值分解定理可知，

$A=P\left[\begin{array}{c}D,0\\ 0,0\end{array}\right]Q^H---\left(33\right)$

从定理1中的四个满足条件出发，事实上，

$A{A}^{+}A=\mathrm{AQ}\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]P^{H}A=P\left[\begin{array}{c}D,0\\ \mathrm{0,0}\end{array}\right]\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]\left[\begin{array}{c}D,0\\ \mathrm{0,0}\end{array}\right]Q^H$

$=P\left[\begin{array}{c}D,0\\ \mathrm{0,0}\end{array}\right]Q^H=A;---\left(34\right)$

$A^{+}A{A}^{+}=Q\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]P^H\mathrm{AQ}\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]P^H=Q\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]\left[\begin{array}{c}D,0\\ \mathrm{0,0}\end{array}\right]\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]P^H$

$=Q\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]P^H=G---\left(35\right)$

$A^{+}A=Q\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]P^{H}A=Q\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]\left[\begin{array}{c}D,0\\ \mathrm{0,0}\end{array}\right]Q^H={\left(A^{+}A\right)}^H---\left(36\right)$

$A{A}^{+}=\mathrm{AQ}\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]P^H=P\left[\begin{array}{c}D,0\\ \mathrm{0,0}\end{array}\right]\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]P^H={\left(A{A}^{+}\right)}^H---\left(37\right)$

因此M-P广义逆矩阵A⁺的表达式为：

$A^{+}=Q\left[\begin{array}{c}{D}^{-1},0\\ \mathrm{0,0}\end{array}\right]P^H$

其中当m＝n＝r时，A可逆时，则A^-1满足定理1的全部条件，故可得A⁺＝A^-1。根据A⁺，可获得网络模型中的v_kj ⁺权值向量。

基于求取的区域向量v_lk和伴随向量v_kj ⁺，可根据如下公式

${\mathrm{\&xi;}}_K=\left(V_K^{+}q\right)---\left(38\right)$

从而很容易求得m个中间层序参量ξ_k。多个序参量根据如下公式(前面推导结果)进行自组织演化，

${\mathrm{\&xi;}}_k(n+1)-{\mathrm{\&xi;}}_k\left(n\right)=\mathrm{\&gamma;}({\mathrm{\&lambda;}}_k-E+D{\mathrm{\&xi;}}_k^2){\mathrm{\&xi;}}_k\left(n\right)---\left(39\right)$

其中， $E=(D+S)\underset{J=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_J^2$

对于参数D、S、γ应选取适当的值，一般取D＝S＝1，网络的稳定性主要取决于γ的值，取γ＝1/E的形式，可以自适应的调整步长，保证了网络的稳定快速收敛。协同参数λ_k的选择决定着序参量的终值大小，取协同注意参数λ_k＝C，序参量演化的终值为1或0，此时决策的问题有主要的外部涨落决定因素，导致系统快速呈现动力学自组织演化结果，从而可获得决策的预结果，由下式(前面推导结果)计算得出：

$q_l\left(t\right)\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_k\left(t\right)v_{\mathrm{lk}},l=\mathrm{1,2},K,N---\left(40\right)$

预结果的得出，即可获得对应的Z_p(p＝1，2…，m)协同向量，该协同向量作为协调计算中的基准，该基准准确反映了实时测量数据向量之间的关系，可由w_ij来体现其中各维之间关系，

$w_{\mathrm{ij}}=\frac{z_{\mathrm{pj}}}{z_{\mathrm{pi}}}---\left(41\right)$

当该实时测量数据向量中只有单维数据Q_lj出现不确定情况时，可推导出如下公式：

$O_j=\frac{1}{n-1}\underset{i=1,i\&NotEqual;j}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{li}}{w}_{\mathrm{ij}}---\left(42\right)$

其中Q_j为单维数据Q_lj的确定化过程结果。

当该实时测量数据向量中有两维数据Q_lj和Q_lt出现不确定情况时，可推导出如下公式：

$\left\{\begin{array}{c}{O}_j=\frac{1}{n-2}\underset{i=1,i\&NotEqual;j,i\&NotEqual;t}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{li}}{w}_{\mathrm{ij}}\\ O_t=\frac{1}{n-k+1}(\underset{i=1,i\&NotEqual;j,\&CenterDot;\&CenterDot;\&CenterDot;i\&NotEqual;t}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{li}}{w}_{\mathrm{it}}+O_j{w}_{\mathrm{jt}})\end{array}\right.---\left(43\right)$

$=\frac{1}{n-2}\underset{i=1,i\&NotEqual;j,i\&NotEqual;t}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{li}}{w}_{\mathrm{it}}$

其中Q_t为Q_lt的推算结果，Q_j是为Q_lj确定化结果。

由上面思路可进行类推，当实时数据向量中有k维数据同时出现不确定情况时，同样可推导出如下公式：

$\left\{\begin{array}{c}{O}_j=\frac{1}{n-k}\underset{i=1,i\&NotEqual;j,\&CenterDot;\&CenterDot;\&CenterDot;i\&NotEqual;t}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{li}}{w}_{\mathrm{ij}}\\ O_i=\frac{1}{n-k+1}(\underset{i=1,i\&NotEqual;j,\&CenterDot;\&CenterDot;\&CenterDot;i\&NotEqual;t}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{li}}{w}_{\mathrm{it}}+O_j{w}_{\mathrm{jt}})=\frac{1}{n-k}\underset{i=1,i\&NotEqual;j,\&CenterDot;\&CenterDot;\&CenterDot;i\&NotEqual;t}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{li}}{w}_{\mathrm{it}}\\ .\\ .\\ .\\ O_h=\frac{1}{n-k+(h-1)}(\underset{i=1,i\&NotEqual;j,\&CenterDot;\&CenterDot;\&CenterDot;i\&NotEqual;t}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{li}}{w}_{\mathrm{ih}}+O_j{w}_{\mathrm{jh}}+\&CenterDot;\&CenterDot;\&CenterDot;+O_p{w}_{\mathrm{ph}})\end{array}\right.---\left(44\right)$

$=\frac{1}{n-k}\underset{i=1,i\&NotEqual;j,\&CenterDot;\&CenterDot;\&CenterDot;,i\&NotEqual;t}{\overset{n}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{li}}{w}_{\mathrm{ih}}$

其中k＜n，Q_j为第一个不确定性维的推算结果，Q_t为第二个推算结果，Q_p为第k-1个推算结果，Q_h为第k个确定化结果。由上述公式的推导可知，当k≥n时，该通用公式不成立，然而对应测控系统来分析，其中的协同测量维数最大为n，并不存在k＞n这种情况；当出现k＝n时，那意味着整个系统完全瘫痪不能工作，这种情况出现的概率非常低，已经超出了外界环境(干扰、噪声等)引起的涨落现象所研究的问题。

本发明解决类似领域的共性问题，可广泛应用于化工、粮食及军用弹药仓库、香烟、药品、纺织制造行业以及直接推广到现代温室中等复杂测控系统的多传感管理与信号处理中。主要有如下以下三个特点：

(1)基于协同学进行多传感协同测量处理具有可自学习、自联想记忆和自寻优等优点，一方面通过在数学意义上严格处理网络的行为，准确地知道运行特性，所以不存在伪状态现象；另一方面，采用自上而下的构造方法，可避免自下而上方法带来的动力学行为不唯一性和不可控性，大大降低IPv4/IPv6共存智能测控系统随机不确定性问题；

(2)提出的基于比例聚类来实现区域向量，确定区域向量个数m等于向量维数n。方法对测量数据中的异常值高度敏感，降低吸引域混乱程度，减小训练时间；

(3)通过改变决策模型中的学习矩阵v_k·v_k ⁺就可以进行不同类型决策问题的智能决策，因此可推广到大规模复杂系统决策问题研究中。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种分布式多传感协同测量方法，其特征在于，包括：

A建立一个多传感协同测量模型；

B获取区域的区域向量，且该区域向量自动转换成伴随向量；

C将多个偏微分方程组化为一个或几个序参量方程，并得到多维不确定性决策的通用计算公式。

2.根据权利要求1所述的分布式多传感协同测量方法，其特征在于，所述步骤A还包括：

A1基于协同论，形成序参量自组织演化产生宏观系统的协同测量；

A2机理模型是基于“合作-竞争-协调”三步连续动态过程。

3.根据权利要求2所述的分布式多传感协同测量方法，其特征在于，所述步骤A2主要包括：

合作过程，根据区域的多组测量向量获取区域向量，并且将该区域向量自动转换成的伴随向量进行计算，构造出序参量，形成协同神经网络；

竞争过程，通过将多传感点输入到神经网络，当各传感点通过合作投射到决策序参量时，其各序参量之间进行竞争，当序参量迭代后认知网络收敛达到稳定，则该序参量使系统进入定常状态；

协调过程，将系统进入定常状态的序参量输出的测量数据进行协调运算，得到系统协同测量的结果。

4.根据权利要求1所述的分布式多协同测量方法，其特征在于，所述步骤C还包括：

根据协同论的原理，当测控系统自发形成空间结构、时间结构和时空结构在接近不稳定点时，消去快变量，得到序参量的方程。

5.根据权利要求1或3所述的分布式多传感协同测量方法，其特征在于，所述对序参量输出的数据进行协调运算的方法包括：

将序参量演化过程的参数进行预处理，得到协同基准向量；

根据预处理的结果，并基于平均值修正不确定性实时测量向量，得到协同测量结果。

6.根据权利要求5所述的分布式多传感协同测量方法，其特征在于，所述协同测量运算之前要确定协同自组织决策过程的系列参数，该参数包括：

指定系数D和S、协同参数λ_k与迭代步长γ，取D＝S＝1，λ_k取一常数C，取γ＝1/E，并调整步长以协同测量网络的稳定快速收敛，其中 $E=(D+S)\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_j^2,$ ξ为序参量。

7.根据权利要求5所述的分布式多传感协同测量方法，其特征在于，所述选定的误差平方和聚类准则函数中，首先确定聚类中心的数量M与原始向量维数N相等，以保证系统确定化决策结果的精度，其中为获取多传感协同测量的向量基准奠定基础，比例聚类的样本集转化是通过将每个原始向量中的每一维数值都除以第一维数值实现的。

8.一种分布式多传感协同测量系统，其特征在于，所述系统是基于IPv4/IPv6的以太网方式进行数据通讯，其中，整个网络测控平台分为现场测控层、企业级监控层与远程测控层。

9.根据权利要求8所述的分布式多传感协同测量系统，其特征在于，其中：

现场测控层，包括IPv6智能测控装置、IPv6模糊控制装置、现场受控设备模块及现场传感器，且该层采用IPv6协议，运行TCP/IPv6协议栈，并由现场监控给予所述每个现场测控单元赋予一个IPv6地址通过以太网接口接入网络；

企业级监控层，包括以太网交换机或集线器、实时数据库服务器、测控测略服务器、Web服务器，该层网络与现场测控网络通过路由器进行连接，并采用主流测略的双协议栈方法进行通信，且该层使用IPv4协议并通过Web服务器与外界互联网相连；

远程测控层，该层是基于互联网的远程测控层，主要包括远程工作站和终端微机，且该层网络使用IPv4协议。

10.根据权利要求8所述的分布式多传感协同测量系统，其特征在于，该系统应用会话发起协议技术，建立数据连接、控制在线设备、自动注册及订阅信息。

Images