第3章 机器感知人工智能基础.ppt

《第3章 机器感知人工智能基础.ppt》由会员分享，可在线阅读，更多相关《第3章 机器感知人工智能基础.ppt（71页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、1 第2章 脑与认知机器感知032 第2章 脑与认知目录/Contents3.13.13.23.2传感器基本特性与分类信号的处理方法3.33.3多传感器信息融合技术3.43.4无线传感网络的概念与应用3 第2章 脑与认知目录/Contents3.13.1传感器基本特性与分类一、传感器二、传感器的静态特性三、传感器的动态特性四、传感器的分类4 第3章 机器感知3.1传感器基本特性与分类传感器的定义：”能感受规定的被测量件并按照一定的规律(数学函数法则)转换成可用信号的器件或装置，通常由敏感元件和转换元件组成”。(国家标准GB/T 7665-2005)传感器基本特性：指传感器输出与输入之间的关系特

2、性，是传感器的内部结构参数作用关系的外部特性表现。由其内部结构参数决定。传感器测量形式:静态(稳态或准静态)和动态(周期变化或瞬态)。前者的信号不随时间变化(或变化很缓慢)，后者的信号是随时间变化而变化的。因此，传感器所表现出来的基本特性可大致分为静态特性和动态特性。一、传感器5 第3章 机器感知3.1传感器基本特性与分类1.定义：传感器的静态特性是指传感器在静态信号的作用下，描述其输出与输入之间的一种关系特性。2.输入输出关系：3.静态特性方程：4.衡量静态特性参数：线性度、迟滞特性、灵敏度、重复性、分辨率、漂移、稳定性等。1.传感器的静态特性6 第3章 机器感知3.1传感器基本特性与分类2

3、.静态特性参数线性度7 第3章 机器感知3.1传感器基本特性与分类1.定义：传感器在正（输入量增大）、反（输入量减小）行程中特性曲线不重合的现象称为迟滞特性。对于大小相同的输入信号，传感器对应的输出信号的大小不一定相同。3.静态特性参数迟滞特性3.该特性反映的是传感器结构材料方面和机械部分无法避免的弱点。8 第3章 机器感知3.1传感器基本特性与分类1.定义：传感器在稳态信号作用的下，输出的变化量y与输入的变化量x之比，称为灵敏度K，即：4.静态特性参数灵敏度2.说明：灵敏度不是越大越好，灵敏度越大，表明系统的稳定性越差；灵敏度越小，表明系统的稳定性越好。传感器的灵敏度会随着某些因素的改变而发

4、生变化。例如，传感器的灵敏度可能随着被测量的增大而逐渐减小；对于同一变换原理的传感器，其工作点的变化也可能使灵敏度发生变化，从而会产生灵敏度误差。9 第3章 机器感知3.1传感器基本特性与分类1.定义：重复性表示传感器在输入信息按同一方向（单调增大或减小）连续做全量程多次重复测量时，所得的输入输出特性曲线不一致的程度。5.静态特性参数重复性3.按照相同的输入条件，多次重复测量的输入输出特性曲线的重合度越高，说明其重复性越好，误差也越小。10 第3章 机器感知3.1传感器基本特性与分类6.静态特性参数分辨率11 第3章 机器感知3.1传感器基本特性与分类7.静态特性参数漂移12 第3章 机器感知

5、3.1传感器基本特性与分类1.定义：稳定性是指传感器或系统在相当长时间内仍然能够保持其性能的能力，又称为长期工作稳定性。2.测试时我们通常先将传感器的输出调至零点或某一特定值，在相隔4h、8h等固定时间或相隔一定的工作次数后，再读出此时的输出值，前后两次输出值的差值即为传感器的稳定性误差。8.静态特性参数稳定性13 第3章 机器感知3.1传感器基本特性与分类1.定义：传感器的动态特性是指传感器在动态信号的作用下，描述传感器输出与输入之间的关系特性。2.测量要求：既要精确地测量每一时刻信号幅值的大小，又要测量和记录动态信号在变化过程中的波形。3.动态误差：一般情况下，传感器的输出信号无法与输入信

6、号具有完全一致的时间函数，这种输出与输入之间存在的差异被称为动态误差。输出量达到稳定状态时与理想输出量之间的差别。当输入量发生突变时，输出量从当前稳态变化到另一个稳态的过渡过程中的误差。一、传感器的动态特性14 第3章 机器感知3.1传感器基本特性与分类1.目的：帮助我们从测量误差的角度分析产生动态误差的原因以及研究减小动态误差的措施。2.角度：从时域和频域两个方面分别采用瞬态响应法和频率响应法来分析。3.从时域方面，研究阶跃函数、脉冲函数和斜波函数等函数的响应特性。通常取输入函数为阶跃信号的输出响应来进行研究，此时的响应称为传感器的阶跃响应或瞬态响应。4.在频域方面，一般是研究采用正弦函数作

7、为输入信号得到的频率输出响应特性，此时的响应称为频率响应或稳态响应。1.动态特性的研究方法与数学模型15 第3章 机器感知3.1传感器基本特性与分类2.动态响应特性通式16 第3章 机器感知3.1传感器基本特性与分类1、零阶环节（零阶传感器、比例环节、无惯性环节），又称为理想环节。传感器的输出总是与输入保持固定的比例关系，在时间上没有滞后发生，与频率无关。实际不存在零阶环节传感器，只有在特定范围内时，某些高阶传感器系统才可以近似地看成是零阶环节的传感器：2、一阶环节（一阶传感器）：3、二阶环节（二阶传感器）：2.零阶、一阶、二阶动态响应环节17 第3章 机器感知3.1传感器基本特性与分类1.定

8、义：对于线性定常系统，在初始条件为零的情况下，输出量（响应函数）的拉普拉斯变换与输入量（激励函数）的拉普拉斯变换之比称为该系统的传递函数。2.公式：H(S)为 传递函数，可以作为动态模型来描述传感器的动态响应特性。3.面对复杂系统时，先分析每个单元传递函数的响应特性，然后再分析出总的传递函数与总的响应特性。若总的响应特性无法满足总体要求时，则改进对每个单元环节来满足要求。3.传递函数18 第3章 机器感知3.1传感器基本特性与分类4.阶跃响应和时域动态性能指标19 第3章 机器感知3.1传感器基本特性与分类4.阶跃响应和时域动态性能指标20 第3章 机器感知3.1传感器基本特性与分类5.正弦响

9、应和频域动态性能指标传感器在正弦波输入时的动态特性，即传感器的频域特性：传感器的幅频特性：传感器的相频特性：21 第3章 机器感知3.1传感器基本特性与分类5.幅频特性和相频特性曲线相频特性曲线幅频特性曲线22 第3章 机器感知3.1传感器基本特性与分类6.传感器的频域动态性能指标23 第3章 机器感知3.1传感器基本特性与分类三.传感器的分类按用途：压力敏和力敏传感器、位置传感器、液位传感器、能耗传感器、速度传感器、加速度传感器、射线辐射传感器、热敏传感器。按工作原理：振动传感器、湿敏传感器、磁敏传感器、气敏传感器、真空度传感器、生物传感器等。按输出信号：模拟式传感器、数字式传感器。按被测量

10、类别：物理传感器、化学传感器、生物传感器。24 第3章 机器感知3.1传感器基本特性与分类1.物理传感器1.原理：利用物理效应进行信号变换的传感器，利用某些敏感元件的物理性质或某些功能材料的特殊物理性能进行被测非电量的变换。2.按构成原理，分为结构型传感器和物性型传感器。结构型传感器是利用结构参数变化实现信号转换，以结构(如形状、尺寸等)为基础，通过物理规律来感受被测量，进而转换为电信号。物性型传感器就是利用某些特定的功能材料本身所具有的内在特性或内在效应感受被测量,并将其转换为可用电信号的传感器。3.按能量，分为能量转换型传感器和能量控制型传感器。能量转换型传感器将非电能量转换为电能量，不需

11、要外接电源，因此又称为有源传感器，也称为换能器。能量控制型传感器需要外部电源供给能量，因此又称为无源传感器。25 第3章 机器感知3.1传感器基本特性与分类2.化学传感器1.原理：化学传感器是能将各种物质的特性（如气体、离子、电解质浓度、空气湿度等）定性地或者定量地转变为电信号的仪器。2.按检测对象来分，化学传感器可分为湿度传感器、离子传感器与气体传感器。3.应用：广泛应用于化学分析、化学工业的在线检测、环保检测、临床医学与基础医学、农业生态学研究以及军事应用中。4.发展趋势：以环境保护和监控为主的各种气体传感器备受重视。电化学传感器在当今化学传感器主流类别中位居第三。嗅觉（电子鼻）和味觉（电

12、子舌）等新一代仿生学传感器将是当前时期化学传感器的另一个重要研究方向。26 第3章 机器感知3.1传感器基本特性与分类3.生物传感器1.原理：生物传感器是近年来发展很快的一类传感器，它是一种对生物物质敏感并将其浓度转换为电信号进行检测的仪器。2.分类：生物传感器由两部分组成。第一部分是功能识别物质，其作用是对被测物质进行特定识别。第二部分是电、光信号转换装置，此装置的作用是把在功能膜上进行的识别被测物所产生的化学反应转换成便于传输的电信号或光信号。3.应用：生物传感器的最大特点是在分子水平上识别被测物质。目前，生物传感器不仅在化学工业的监测上有所应用，而且在医学诊断、环境保护与监测等方面都有着

13、广泛的应用前景。27 第2章 脑与认知目录/Contents3.13.1特征工程一、特征工程二、数据预处理三、特征缩放四、特征编码五、特征选择六、特征提取七、总结28 第3章 机器感知3.2特征工程特征工程 通过测量仪器获得原始数据之后，很难直接从中发现其规律，所以需要对原始数据进行处理。人工智能领域，目前主要是用机器学习的方法对原始数据进行处理。原始数据处理的第一步就是特征工程，特征工程就是对原始数据进行处理（主要是去除原始数据中的冗余信息），提炼出特征作为输入供算法和模型使用，使机器学习算法取得更好的效果。29 第3章 机器感知3.2特征工程一.数据预处理1.内容：一般针对原始数据本身有问

14、题的情况，包括数据的缺失、有异常值、不平衡等问题。但是数据的预处理要慎重，有的时候预处理会丢失一些关键信息或者后续造成模型训练的过拟合，所以对于数据预处理要结合具体情况。2.常用的数据类型有两种：结构化数据，这类数据可以用二维表结构来逻辑表达实现。如数字、符号等。非结构化数据。这类数据无法用数字或者统一的结构来表示，主要包括文本、图片、音频等数据。接下来主要介绍结构化数据和非结构化数据中的典型代表（图像数据）两种数据的数据预处理方法。30 第3章 机器感知3.2特征工程处理结构化数据缺失值1.数据缺失原因：信息暂时无法获取，或者获取信息的代价太大；信息被遗漏，人为的输入遗漏或者数据采集设备的遗

15、漏；属性不存在。2.缺失影响：数据挖掘建模将丢失大量的有用信息；数据挖掘模型表现出的不确定性更加显著，模型中蕴含的规律更难把握包含空值的数据会使建模过程陷入混乱，导致不可靠的输出。3.处理方法：当仅少量样本缺失时，直接使用含有缺失值的特征。当大多数样本都缺少特征时，删除含有缺失值的特征。插值补全缺失值。31 第3章 机器感知3.2特征工程插补补全缺失值（最常用）1.均值/中位数/众数补全2.同类均值/中位数/众数补全3.固定值补全4.建模预测5.高维映射6.多重插补7.压缩感知和矩阵补全8.手动补全9.最近邻补全32 第3章 机器感知3.2特征工程图片数据扩充1.对于图片数据，常见问题是训练数

16、据不足。模型所能获取的信息源于，训练数据包含的信息和模型的形成过程中（包括构造、学习、推理等）人们提供的先验信息。如果训练数据不足，模型可以获取的信息比较少，需提供更多先验信息保证模型效果。2.先验信息：作用于模型和数据两方面。3.后果：如果训练图像数据不足，会导致模型过拟合问题。4.解决过拟合办法：基于模型的方法：主要是采用降低过拟合风险的措施。基于数据的方法：主要就是数据扩充，根据先验知识，保持特点信息，对原始数据进行适当变换以达到扩充数据集的效果。33 第3章 机器感知3.2特征工程异常值处理1.定义：异常值是指样本中的个别值，其数值明显偏离其余的观测值。异常值也称为离群点，异常值分析也

17、称为离群点分析。2.原理：异常值分析是检验数据是否有录入错误以及含有不合常理的数据。3.异常值常用检测方法：（1）简单统计（2）3原则（3）箱型图（4）基于模型预测34 第3章 机器感知3.2特征工程异常值处理4.专门用于检测异常点的方法比较常用：One Class SVM和孤立森林（Isolation Forest）。5.异常值处理方法：删除含有异常值的记录：直接将含有异常值的记录删除；视为缺失值：将异常值视为缺失值，利用缺失值处理的方法进行处理；平均值修正：可用前后两个观测值的平均值修正该异常值；不处理：直接在具有异常值的数据集上进行数据挖掘；6.比较：删除含有异常值的记录可能会导致造成样

18、本量不足，改变变量的原有分布，造成分析结果的不准确。视为缺失值处理的好处是可以利用现有变量的信息，对异常值（缺失值）进行填补。35 第3章 机器感知3.2特征工程处理类别不平衡问题1.类别不平衡：指分类任务中存在某个或者某些类别的样本数量远多于其他类别的样本数量的情况。2.解决办法：（1）扩充数据集（2）尝试其他评价指标（3）对数据集进行重采样（4）尝试人工生成数据样本（5）尝试不同分类算法3.对于类别不平衡问题，还是需要具体问题具体分析，如果有先验知识可以快速挑选合适的方法来解决，否则最好就是逐一测试每一种方法，然后挑选最好的算法。36 第3章 机器感知3.2特征工程二、特征缩放：归一化1.

19、概念：归一化(Normalization)，也称为标准化，这里不仅仅是对特征，实际上对于原始数据也可以进行归一化处理，它是将特征（或者数据）都缩放到一个指定的大致相同的数值区间内。2.归一化原因：某些算法要求样本数据或特征的数值具有零均值和单位方差；为了消除样本数据或者特征之间的量纲影响，即消除数量级的影响。3.数量级的影响：数量级的差异将导致量级较大的属性占据主导地位。数量级的差异会导致迭代收敛速度减慢。所有依赖于样本距离的算法对于数据的数量级都非常敏感。37 第3章 机器感知3.2特征工程常用归一化方法：38 第3章 机器感知3.2特征工程特征缩放：正则化39 第3章 机器感知3.2特征工

20、程三、特征编码1.常用的特征编码方法：（1）序号编码(Ordinal Encoding)（2）独热编码(One-hot Encoding)（3）二进制编码(Binary Encoding)（4）二元化（5）离散化2.对于线性模型，通常使用“海量离散特征+简单模型”。3.对于非线性模型（比如深度学习），通常使用“少量连续特征+复杂模型”。4.对于离散化的常用方法是分桶。40 第3章 机器感知3.2特征工程四、特征选择1.定义：从给定的特征集合中选出相关特征子集的过程称为特征选择(feature selection)。2.对当前学习任务有用的属性或者特征，称为相关特征(relevant featu

21、re)；对当前学习任务没用的属性或者特征，称为无关特征(irrelevant feature)。3.常见的特征选择分为三类方法：过滤式(filter)、包裹式(wrapper)、嵌入式(embedding)41 第3章 机器感知3.2特征工程1.特征选择原理1.特征选择的原因：维数灾难问题。2.冗余特征(redundant feature)：它们所包含的信息可以从其他特征中推演出来。冗余特征通常都不起作用，去除它们可以减轻模型训练的负担。3.方法：产生一个候选子集，评价出它的好坏。基于评价结果产生下一个候选子集，再评价其好坏。这个过程持续进行下去，直至无法找到更好的后续子集为止。42 第3章

22、机器感知3.2特征工程2.子集搜索：解决根据评价结果获取下一个候选特征子集问题1、步骤：给定特征集合A=A1,A2,Ad，首先将每个特征看作一个候选子集（即每个子集中只有一个元素），然后对这 d 个候选子集进行评价。假设A2最优，于是将 A2作为第一轮的选定子集。然后在上一轮选定子集中加入一个特征，构成包含两个特征的候选子集。假定 A2,A5,A2，于是将A2,A5作为第二轮的选定子集。假定在第 k+1 轮时，本轮的最优的特征子集不如上一轮的最优的特征子集，则停止生成候选子集，并将上一轮选定的特征子集作为特征选择的结果。2、双向bidirectional搜索：每一轮逐渐增加选定的相关特征（这些

23、特征在后续迭代中确定不会被去除），同时减少无关特征。43 第3章 机器感知3.2特征工程3.子集评价：评价候选特征子集的好坏44 第3章 机器感知3.2特征工程4.特征选择方法 主要区别在于特征选择部分是否使用后续的学习器：过滤式(filter)：先对数据集进行特征选择，其过程与后续学习器无关，即设计一些统计量来过滤特征，并不考虑后续学习器问题；包裹式(wrapper)：实际上就是一个分类器，它是将后续的学习器的性能作为特征子集的评价标准；嵌入式(embedding)：实际上是学习器自主选择特征。最简单的方法是：去掉取值变化小的特征。再结合以上三种特征选择方法。45 第3章 机器感知3.2特征

24、工程5.过滤式选择1、该方法先对数据集进行特征选择，然后再训练学习器。特征选择过程与后续学习器无关。也就是先采用特征选择对初始特征进行过滤，然后用过滤后的特征训练模型。2、优点是计算时间上比较高效，而且对过拟合问题有较高的鲁棒性；缺点是倾向于选择冗余特征，即没有考虑到特征之间的相关性。3、方法：Relief 方法、方差选择法、相关系数法、卡方检验、互信息法。46 第3章 机器感知3.2特征工程6.包裹式选择1.包裹式特征选择直接把最终将要使用的学习器的性能作为特征子集的评价原则。其目的就是为给定学习器选择最有利于其性能、量身定做的特征子集。2.优点是直接针对特定学习器进行优化，考虑到特征之间的

25、关联性，因此通常包裹式特征选择比过滤式特征选择能训练得到一个更好性能的学习器。缺点是由于特征选择过程需要多次训练学习器，故计算开销要比过滤式特征选择要大得多。3.LVW（Las Vegas Wrapper，拉斯维加斯包裹）是一个典型的包裹式特征选择方法。它是拉斯维加斯方法（Las Vegas method）框架下使用随机策略来进行子集搜索，并以最终分类器的误差作为特征子集的评价标准。47 第3章 机器感知3.2特征工程7.嵌入式选择1.嵌入式特征选择是将特征选择与学习器训练过程融为一体，两者在同一个优化过程中完成的。即学习器训练过程中自动进行了特征选择。2.常用的方法包括：利用正则化，如L1,

26、L2 范数，主要应用于如线性回归、逻辑回归以及支持向量机(SVM)等算法；使用决策树思想，包括决策树、随机森林、梯度提升（Gradient Boosting）等。48 第3章 机器感知3.2特征工程五、特征提取1.特征提取一般是在特征选择之前，它提取的对象是原始数据，目的就是自动地构建新的特征，将原始数据转换为一组具有明显物理意义（比如 Gabor、几何特征、纹理特征）或者统计意义的特征。2.一般常用的方法包括降维（PCA、ICA、LDA等）、图像方面的SIFT、Gabor、HOG等、文本方面的词袋模型、词嵌入模型等。49 第3章 机器感知3.2特征工程7.图像特征提取常用方法：SIFT（Sc

27、ale Invariant Feature Transform，尺度不变特征变换）SURF（Speeded Up Robust Features，加速稳健特征）HOG（Histogram of Oriented Gradient，方向梯度直方图）LBP（Local Binary Pattern，局部二值模式）8.文本特征提取常用模型：词袋模型、N-gram模型、词嵌入模型50 第3章 机器感知3.2特征工程六、总结：特征提取和特征选择1.特征提取与特征选择都是为了从原始特征中找出最有效的特征。2.区别：特征提取强调通过特征转换的方式得到一组具有明显物理或统计意义的特征；而特征选择是从特征集合中

28、挑选一组具有明显物理或统计意义的特征子集。3.作用：两者都能帮助减少特征的维度、数据冗余，特征提取有时能发现更有意义的特征属性，特征选择的过程经常能表示出每个特征的重要性对于模型构建的重要性。51 第2章 脑与认知目录/Contents3.33.3多源信息融合技术一、多源信息融合概述二、多源信息融合的优点三、多源信息融合的基本原理四、信息融合模型五、多源信息融合算法六、多元信息融合的应用52 第3章 机器感知3.3多元信息融合技术一、多信息融合概述随着人们对多目标检测需求的增多，多源检测技术大量地应用于我们的日常生活中。如何正确、有效的综合处理由多源检测带来的复杂、庞大的信息量已慢慢成为机器感

29、知领域的一大热点问题。多源信息融合也可称之为多源数据融合，简单来说就是指将来自多个传感器的测量数据进行综合处理，从而获得对被测目标更加全面且准确的信息。53 第3章 机器感知3.3多元信息融合技术一、多信息融合的优点1、测量得到的信息更加丰富2、提高空间分辨率3、测量的快速性4、测量系统成本的降低5、提高测量系统的鲁棒性二、多信息融合的基本原理1、多个不同类型的传感器获取目标的数据；2、对输出数据进行特征提取，从而获得特征矢量；3、对特征矢量进行模式识别，完成各传感器关于目标的属性说明；4、将各传感器关于目标的属性说明数据按照统一目标进行分组，即关联；5、利用融合算法对每一个目标各个传感器数据

30、进行合成，得到该目标的一致性解释54 第3章 机器感知3.3多元信息融合技术三、信息融合模型信息融合功能模型55 第3章 机器感知3.3多元信息融合技术三、信息融合模型信息融合结构信息融合串联结构信息融合并联结构信息融合混合连接模型56 第3章 机器感知3.3多元信息融合技术三、信息融合模型信息融合的级别数据级融合结构特征级融合结构决策级融合结构57 第3章 机器感知3.3多元信息融合技术四、多源信息融合算法多源信息融合算法框图58 第3章 机器感知3.3多元信息融合技术四、多源信息融合算法基于贝叶斯估计的信息融合过程59 第3章 机器感知3.3多元信息融合技术四、多源信息融合算法人工神经网络

31、神经元模型神经网络结构举例60 第3章 机器感知3.3多元信息融合技术五、多源信息融合的应用多源信息在军事领域中的应用军事指挥系统信息融合模型神经网络结构举例61 第3章 机器感知3.3多元信息融合技术六、多源信息融合的应用多源信息融合在林业生产领域中的应用 现代化的林业生产自动化设备已经具备了复杂的末端执行器（如机械手），这些末端执行器的能够按照要求顺利完成各项任务离不开对接收到的传感器信息的正确理解，在这其中多源信息融合技术起到了重要的支撑作用。多源信息融合在工业机器人领域的应用 应用于工业领域的机器人通常需要具备灵巧、准确的抓取和触碰能力，以完成搬运、制造和装配等任务。多源信息融合在医疗

32、领域中的应用 X光图像、核磁共振图像与超声波图像等，需通过各式各样的成像机制，让人体器官和细胞的医学图像可以呈现出各种不同类别的特征和细节，医生通过综合这些信息来诊断病症，可以很大程度上避免误诊的发生。62 第2章 脑与认知目录/Contents3.43.4无线传感网络一、无线传感网络基础二、无线传感网络的拓扑结构三、无线传感网络的特征四、无线传感网络的关键技术五、无线传感网络的应用六、物联网与无线传感器网络七、射频识别技术与无线传感器网络63 第3章 机器感知3.4无线传感网络一、无线传感网络基础无线网络分类无线传感器网络的系统架构64 第3章 机器感知3.4无线传感网络二、无线传感器网络的

33、拓扑结构无线传感器网络的平面结构示意图无线传感器网络的Mesh结构示意图无线传感器网络的分级结构示意图无线传感器网络的混合结构示意图65 第3章 机器感知3.4无线传感网络三、无线传感器网络特征1、大规模的网络2、自组织的网络3、以数据为中心的网络4、可靠的网络5、强动态性的网络四、无线传感器网络的关键技术1、时间同步机制2、定位技术3、能量管理4、安全机制5、强动态性的网络66 第3章 机器感知3.4无线传感网络五、无线传感器网络的应用1、军事应用3、环境应用无线传感器网络坦克位置探测系统无线传感器网络森林防火系统 美国加州大学伯克利分校的环境工程和计算机科学家们采用无线传感器网络，让建筑物

34、能够自我感觉并意识到自身的状况，并自动告诉管理部门建筑物的状态信息，并且能够自动按照优先级来进行一系列自我修复工作。4、医疗健康 在病变器官观察方面，通过在人体器官内植入一些微型传感器，可以随时观测器官的生理状态，发现器官的功能恶化，及时采取治疗措施从而挽救病人生命。2、工业应用67 第3章 机器感知3.4无线传感网络六、物联网与无线传感器网络物联网（The Internet of things）是新一代信息技术的重要组成部分。它是通过射频识别（RFID）、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议，把任何物体与互联网相连接，进行信息交换和通信，以实现对物体的智能化识别、

35、定位、跟踪、监控和管理的一种网络。广义的讲，物联网是一个未来发展的愿景68 第3章 机器感知3.4无线传感网络七、射频识别技术与无线传感器网络1、无线传感器网络和RFID系统的差异无线传感器网络RFID系统目的侦测环境及其中物体的参数侦测标注物体的出现与位置成分传感器节点，汇聚节点，管理节点标签，阅读器记录ZigBee标准，wi-fi标准RFID标准通信多跳单跳移动性静态传感节点标签随物体可编程性可编程封装性系统价格中等价格便宜配置随机或固定固定3、物联网环境下的无线传感器网络技术1）先进测试技术及网络化测控；2）智能化传感器网络节点的研究；3）传感器网络组织结构及底层协议的研究；4）对传感器

36、网络自身的检测与控制；5）传感器网络的安全以及RFID与无线传感器网络融合技术。2、无线传感器网络和RFID的整合 由于无线传感器网和RFID在技术之间的不同，整合可能会把它们的优点组合起来。无线传感器网有许多优点，像多单跳通信，侦测能力和可编成的传感节点。另一方面，无线传感器网也需要RFID整合，首先，RFID标签很便宜。考虑到经济方面，在一些无线传感器网应用中，用RFID标签来取代无线传感节点来减低成本智能家居系统节点模型69 第3章 机器感知本章小结传感器作为机器感知中的关键部分，其基本特性可以分为静态特性和动态特性。静态特性包括：线性度、迟滞特性、灵敏度、重复性、分辨率、漂移、稳定性；

37、动态特性包括：时域动态性能指标和频域动态性能指标。传感器按照被测量类别可以分为物理传感器、化学传感器和生物传感器。特征工程旨在挖掘从传感器获取的原始数据中的关键信息，包含数据预处理、特征缩放、特征编码、特征选择和特征提取。多源信息融合技术克服了单传感器测量的诸多缺点，是处理复杂测量问题的一种重要方法。多源信息融合的优点有：测量得到的信息更加丰富、提高空间分辨率、测量的快速性、测量系统成本的降低、提高测量系统的鲁棒性。多源信息融合算法主要包括基于物理模型的算法、基于特征推理技术的算法和基于感知模型的算法三大类。无线传感器网络指由大量静止或移动的传感器以自组织和多跳的方式构成的无线网络，是一种集信

38、息获取、信息处理、信息融合和信息传输于一体的智能网络信息系统。其在军事国防、环境监测、医疗健康、智能家居、危险区域远程控制等许多领域都具有广泛的应用前景70 第3章 机器感知思考题与习题 3-1 简述传感器静态特性含义、静态特性性能指标及其公式表示。3-2 简述传感器动态特性含义及其分析方法。3-3 求出图3-31所示的电位器式传感器的数学模型。已知：为可变电阻的总长度，为实际测量位置处可变电阻的长度。3-4 举例说明生产生活中的传感器应用。3-5 尝试使用主成分分析法（PCA）对公开数据集鸢尾花数据进行降维3-6 简述多源信息融合研究的必要性。3-7 简述多源信息融合的原理。3-8 结合身边的例子，简述神经网络在信息融合中的应用。3-9 什么是无线传感器网络，无线传感器网络的系统架构是什么？3-10无线传感器网络的拓扑结构分为哪几种，请简要阐述。3-11时钟同步的含义是什么，为什么要进行时钟同步？3-12物联网的定义是什么，请举例说明物联网环境下无线传感器网络的应用。图3-31 零阶传感器和响应特性71 第2章 脑与认知谢谢观赏