其次，我们还可以在分散系统的各个仪器仪表中采用微处理器、微型芯片技术，设计模糊控制程序，并设定各种测量数据的临界值。利用模糊规则进行模糊推理，对事物的各种模糊关系进行不同类型的模糊决策。这种方法优势在于不需要建立被控对象的数学模型，也无需大量测试数据，只需根据经验和适当控制规则，就能应用芯片离线计算、现场调试，实现所需精确度和分析速度。

特别是在传感器测量领域，智能自动化技术应用更为广泛。通过软件实现信号滤波，如快速傅立叶变换、小波变换等技术，可以简化硬件，加强信噪比，改善动态特性。但是，这需要确定传感器动态数学模型，而且高阶滤波器实时性较差。运用神经网络技术，可以实现自相关滤波和自适应滤波。充分利用人工神经网络强大的自学习能力，无论在适用性或快速实时性方面，都将大大超过复杂函数式。

然而，在实时与非实时、快变与缓变、确定与模糊数据之间存在相互支持与矛盾的情况下，对象特征提取融合直至最终决策，将成为难点。在此情况下，神经网络或模糊逻辑将成为最佳选择。例如，在混合气体识别中，可采用自组织映射网络和BP网络相结合；在食品味觉信号检测中，可使用遗传算法训练过的模糊神经网络。

(2)虚拟仪器结构设计中的应用

虚拟仪器结构设计结合了计算机硬件软化和软件模块化，不仅提高了测量精确度，还提升了智能自动化水平。这主要得益于VXI即插即用的总线标准，以及最新Labwindows/CVI 5.0内建开发工具上的智能手段，使驱动代码可根据用户需求生成，同时保持高层编程接口的一致性。此外，由于多线程安全运行、高性能仿真功能以及接口独立性的引入，使得驱动效率显著提升，同时减少了维护成本。

(3)仪器仪表网络化中的应用

随着仪器连接到Web并通过模式识别软件区分不同的状态，便可实现远程监控和数据采集。此外，由于分布式系统能够跨越以太网实施远程任务，便能有效地管理资源并提供更多灵活性的服务。而且，因为每个用户都可以同时对同一过程进行监控，便能迅速响应问题并调整生产流程，从而提高整个生产过程的效率。

最后，由于智能重构信息处理技术，可以基于FPGA灵活配置指令级到任务级并行计算，使其运行速度达到通用计算机数百倍之上，这对于未来智能自动化发展具有重要意义。综上所述，我国以至全球instrumentation industry 的发展水平预计将因这些新兴科技而飞跃前进，而我们正处于一个创新的黄金时代，每一步探索都可能开启全新的可能性，为人类社会带来巨大的变化及福祉！