于是神经网络或模糊逻辑将成为最值得选用的方法。例如，气体传感阵列用于混合气体识别，在信号处理方法上可采用自组织映射网络和BP网络相结合，先进行分类，再识别组分，将传统方法的全程拟合转化为分段拟合，以降低算法的复杂度，提高识别率。又如，食品味觉信号的检测和识别的难度，曾一度是研究与开发单位的主要障碍所在。

如今可利用小波变换进行数据压缩和特征提取，然后将数据输入用遗传算法训练过的模糊神经网络，则大大提高了对简单复合味的识别率。再如，在布匹面料质量的*定，柔性*作手对触觉信号的处理，机器的故障诊断领域，智能自动化技术也都取得了大量的成功实例。

(3)仪器仪表网络化中的应用

由于仪器与计算机一旦组成网络，即可凭借智能化软硬件(诸如模式识别、神经网络的自学习、自适应、自组织和联想记忆功能)，充分发挥灵活调用和合理配置网上各种计算机和仪器仪表的各自资源特性和潜力，产生11>2的组合优势。例如，目前已可使用连接到Web的数字万用表和示波器，通过因特网和模式识别软件区别不同的时空条件和仪器仪表的类别特征以及测出临界值，作出不同的特征响应;也可使用分布式数据采集系统代替过去单独使用的数据采集设备，以至可跨越以太网或其他网络，实施远程测量和采集数据，并进行分类的存储和应用。

网络化的智能测量环境将网上各种类型，不同任务的计算机和仪器仪表有机地联系在一起，完成各种形式的任务要求，如在某地采集数据后送往各种需要这些数据的地方，把相同数据按需拷贝多份，送往各需要部门;或者定期将测量结果送往远方数据库保存，供需要时随时调用。

而多个用户可同时对同一过程进行监控，例如各部门工程技术人员、质量监控人员以及主管领导人员可同时分别在相距遥远的各地监测、控制同一生产运输过程，不必亲临现场而又能及时收集各方面数据，进行决策或建立数据库，分析现象规律。一旦发生问题，可立即展现眼前或重新配置，或即时商讨决策，立即采取相应措施。

另外，智能重构信息处理技术也将为仪器仪表创造更广阔的活动舞台。结合了计算机与专用集成电路(ASIC)优点的可重构计算机，不仅要根据不同的计算任务对大量的可编程逻辑单元阵列(FPGA)作出灵活的相应配置，其指令级、比特级、流水线级以至任务级的并行计算，使其运行速度达到通用计算机的数百倍以上。

综上所述，随着智能自动化技术应用的日益深入及应用范围与规模的不断扩大，我国的仪器仪表产业的发展水平必将快速迈向更高阶段。