一、导言
含糊传感器是在20世纪80年代末呈现的术语。跟着含糊理论技能的开展，含糊传感器也得到了国内外学者们的广泛重视。含糊传感器是在经典传感器数值丈量的根底上，经过含糊推理与常识集成，以自然言语符号描绘的方式输出丈量效果的智能传感器。一般以为，含糊传感器是以数值量为根底，能发生和处理与其相关丈量的符号信息的传感器材。
二、含糊传感器的研讨含义
传统的传感器是数值传感器，它将被丈量映射到实数会集，以数值符号来描绘被丈量状况，即对被测目标处以定量的描绘。这种办法既准确又谨慎，还能够给出许多定量的算术表达式，但跟着丈量范畴的不断扩展与深化，因为被测目标的多维性，被剖析问题的杂乱性或信息的直接获取、存储方面的困难等等原因，只进行单纯的数值丈量且对丈量效果以数值符号来描绘，这样做有很大缺点，例如：
（1）某些信息难以用数值符号来描绘。例如在产品质量鉴定中，人们常用的是“优”、“次优”、“合格”、“不合格”，也可用数字1，2，3，4来描绘，但数字在这儿已失掉一般的丈量值的含义，它仅作为一个符号，不能来表征被测实体的详细特征。
（2）许多数值化的丈量效果不易了解。如在丈量人体血压时，人们更重视的是：老年人的血压是否正常，青年人的血压是否偏高。而实测的数据往往不能被普通人读懂，因而满意不了人们的需求。
因而，有待用新的丈量理论和办法来补偿。含糊传感器正是习惯人类的生活实践、出产与科学实践的需求而提出的。
三、含糊传感器的理论根底
1、符号化表明原理
含糊言语是人类表述言语的一种，因为人们对自然界事物的知道存在着必定的含糊性，用含糊符号来表述信息具有较为简略、便利，且易于进行高层逻辑推理等长处。含糊符号化表明便是运用含糊数学的理论和办法，借助于专门的技能东西，把丈量得到的信息，用合适人们含糊概念的含糊言语符号加以描绘的进程。符号是信息的载体，是对一个物体或事情状况的描绘，它界说了实体的特征特色或实体间的联系。设Q为数值域，S为言语域，在各自的论域上有若干个元素qi、si，且表明为：
Q＝〈q1，q2，…〉 qi∈Q （1）
S＝〈s1，s2，…〉 si∈S （2）
一起，在论域Q和S上别离界说一组联系族：
R=〈R1，R2， …，Rn〉 Ri Q×Q×…×Q （3）
P=〈P1×P2×…×Pn〉 Pi S×S×…×S （4）
并且界说：D=〈Q，R〉，L=〈S，P〉
其间，D—目标联系体系，描绘数值域元素及其彼此联系；
L—符号联系体系，描绘符号域元素及其彼此联系。
设有两个映射M和F，M：Q→S，使得Si=M（qi），F:R→P，使得Pi=F（Ri）树立，且M Q×S和（qi，si） M，则称si是qi的一个符号。si的含义是qi从数值域下向言语域映射的投影，而对每一次丈量qi，符号si成为qi的描绘。体系原理如图1所示。
图1 符号化表明原理示意图
假如F映射是1对1映射，而M映射是同态映射，那么必定存在逆映射：F-1（Pi）＝Ri，M-1（si）＝qi。M映射能够是“单对单”或“多对单”映射。那么，在后一种状况下，符号域中的一个符号经M-1映射在数值域对应出的不是一个点，而是一个“子域”。因而，含糊符号化表明有必定的局限性，即在不同丈量结构下，同一丈量子集的元素对应不同的符号；或在同一丈量结构下，存在丈量子集的一些元素一起对应于不同的符号的状况。这一局限性可经过依据多值逻辑理论的多值符号化丈量来补偿。其基本思维是：在实体丈量会集，依据对实体的某一特征体现程度的不同，把丈量子集Q中的元素按特征从属度最大归类于某一子集，疏忽其他特征的体现，因而只要在丈量集上对实体集选取恰当多个特征表明，使之与丈量会集的元素相对应，就可把Q分红有限个含义相关又体现不同的子集{Qi}，对每一个Qi进行符号映射，然后完成对实体集多值符号化丈量。
2、多级映射原理
尽管符号具有高档逻辑表达、易了解、人类经历与常识易集成、较宽的冗余度等特色，但与数值丈量无限可分比较，符号化丈量描绘细节的程度和规模不行，尤其在运用符号对数值转化完成定量丈量时更为杰出。而多级映射原理在完成数值对符号和符号对数值转化的一起，能够扩展符号表明的详尽程度和规模。
图2 多级映射原理示意图
本文概述了含糊传感器的研讨含义及概念，扼要介绍了含糊传感器的理论根底及完成办法，并举例阐明了含糊传感器的运用。
多级映射的基本功用是完成数值→符号的改换和符号→数值改换。其原理如图2所示，它的信息传输分为两种状况：
首要是数值对符号的转化，并且是由数值域Q中的元素qi经过映射M的榜首级M1映射到符号域S的子集Si，假如子集Si描绘详尽程度不行，则能够进行第二级映射M2，映射M2将qi映射到次子集Sij，经过若干级映射能够得到描绘qi信息的符号sy；
其次，则是符号对数值的转化，由经过多级映射得到的符号sy经过映射M-1得到数字值qj。
因为自然言语体现概念的局限性，主张多级映射的级数为3级。例如，关于0℃～100℃的温度规模，每级选用7个概念，在映射级数为3级时，精度到达0.3℃。关于不需求人们直接参与的中心丈量效果状况，多级映射级数能够依据需求加以确认。映射级数的多少另一方面还取决于每一级中包括概念（元素）的个数，每一级概念个数多则需求的映射级数就相应少。假如多级映射运用于包括数值输出在内的含糊传感器研讨，则映射级数和传感器改换非线性差错是相关的，映射级数应该经过给定的丈量不确认度加以确认。
四、含糊传感器的结构及完成办法
1、含糊传感器的结构
含糊传感器的简化结构图如图3所示。可见，含糊传感器首要由传统的数值丈量单元和数值－符号转化单元组成。其中心部分便是数值－符号转化单元。但在数值－符号转化单元中进行的数值含糊化转化为符号的作业有必要在专家的指导下进行。
图3 含糊传感器结构示意图
2、含糊传感器的完成办法
综上所述，要完成含糊传感器就在于寻觅丈量数值与含糊言语之间的改换办法，即数值的含糊化，来生成相应的言语概念。所谓言语概念生成便是要界说一个含糊言语映射作为数值域到言语域的含糊联系，然后将数值域中的数值量映射到符号域上，以完成含糊传感器的功用。这儿的言语值用含糊调集来表明，含糊调集则由论域和从属函数构成。因而含糊言语映射便是要求取相应言语概念所对应数值域上的含糊从属函数。怎么进行概念生成是完成含糊传感器的要害。现在有许多办法能够完成含糊传感器的功用。
国外许多学者对含糊传感器的完成办法进行过评论，这儿扼要介绍几种：
Foulloy算法简介：含糊传感器规划的本质是含糊改换算法的规划，即参阅集的挑选与含糊量化。其进程是首要依据专家或熟练工人的常识和经历获取相应丈量范畴的一级数值/言语改换战略，然后运用含糊推理办法求取相应从属函数。Foulloy提出了依据语义联系的概念生成办法，首要，由论域的含义来界说一个通用的概念，称属概念，使之对应数值域中论域上的首要区间，然后在此根底上界说新概念，以发生其它语义值及其含义，新概念经过言语批改器内部主动生成。Foulloy还提出了依据已知点集经过内插办法完成的含糊状况传感器，每一学习点经过Delaunay三角法在丈量空间的笛卡尔积上结构含糊切割，三角法用于树立与进程状况相关的符号的含糊含义。
Benoit E等人评论了运用符号信息时，符号语义与被丈量信息在特定使命环境下的联系，以为含糊传感器有必要依据丈量联系来结构，并且应该能够重组以习惯不同的丈量联系。并提出了将根底概念作为先验信息提供给传感器，其他概念由运算主动生成的规划思维。这种办法保留了概念之间的相对语义，但不能确保与丈量联系符号阐明的一致性，因而有必要考虑环境对丈量联系的批改问题，他提出了依据定性学习以及经过复合调理阐明的函数办法来进行批改。他提出了依据Delaunay多维空间的三角丈量的线性插值来结构含糊切割的新办法，用以树立选用多元件丈量的含糊传感器。
Stipanicer D等人以为含糊传感器是一种智能丈量设备，由简略挑选的传感器和推理器组成，将被丈量转化为适于人类感知和了解的信号。因为常识库中存储了丰厚的专家常识和经历，它能够经过简略、廉价的传感器丈量适当杂乱的现象。
五、含糊传感器的运用
现在，含糊传感器已被广泛运用，并且已进入往常百姓家，如含糊操控洗衣机中布量检测、水位检测、水的浑浊度检测，电饭煲中的水、饭量检测，含糊手机充电器等。别的，含糊间隔传感器、含糊温度传感器、含糊颜色传感器等也是国外专家们研发的效果。跟着科技的开展，科学分支的彼此交融，含糊传感器也运用到了神经网络、模式识别等体系中。
六、结束语
含糊传感器的呈现，不只拓宽了经典丈量学科，并且使丈量科学向人类的自然言语了解方面迈出了重要的一步。含糊传感器尽管在颜色、间隔等范畴有一些成功的运用，但仅仅涣散的、单个的，远未构成体系的理论体系和技能结构，完成含糊传感器的许多要害技能没有彻底处理，还需广阔丈量作业者的持续探究。
