城市軌道交通中的信息融合應(yīng)用

城市軌道交通中的信息融合應(yīng)用摘要:本文簡介了信息融合方法,并針對城市軌道交通發(fā)展提出了遺傳算法與模糊控制結(jié)合進行監(jiān)控的方法,該方法簡單明了,便于直接使用。關(guān)鍵詞:信息融合,遺傳算法,模糊控制,城市軌道交通1引言 隨著城市軌道交通的發(fā)展,實時動態(tài)數(shù)據(jù)反映成為監(jiān)控機車狀態(tài)的重要組成部分,而遺傳算法與模糊控制方法所具有很好的魯棒性和形式上的簡單明了使得它必然可以在城市軌道交通上得到巨大應(yīng)用。遺傳算法是一種自然進化系統(tǒng)的計算模型,也是一種通用的求解優(yōu)化問題的適應(yīng)性搜索方法,尤其是后者得到人們關(guān)注和普遍使用。而模糊控制則是近代控制理論中建立在模糊結(jié)合論基礎(chǔ)上的一種基于語言規(guī)則與模糊推理的控制理論。 目前我國城市軌道交通建設(shè)正在蓬勃發(fā)展,伴隨是城市軌道交通信息的大量增多與多信息融合,而在信息融合中經(jīng)常會運用到遺傳算法與模糊規(guī)則相結(jié)合的方法。2信息融合結(jié)構(gòu)方法 信息融合由于其應(yīng)用上的復(fù)雜性和多樣性,決定了信息融合的研究內(nèi)容極其豐富,涉及的基礎(chǔ)理論較多。多傳感器信息融合根據(jù)信息表征的層次結(jié)構(gòu),其基本方法可分為3類: 數(shù)據(jù)層融合:在數(shù)據(jù)層融合中,每一個傳感器觀測物體并且組合來自傳感器的原始數(shù)據(jù).然后,進行特征識別過程.此過程一般是從原始數(shù)據(jù)中提取一個特征矢量來完成,并且根據(jù)此特征做出決策。 特征層融合:在特征層融合中,從觀測數(shù)據(jù)中提取許多特征矢量后把它們連接成單個矢量,下一步進行識別.在該情況下,需要的通訊帶寬減小,結(jié)果的精確性也相應(yīng)減小,主要是因為在原始數(shù)據(jù)中生成特征矢量的同時,信息也在丟失。 決策層融合:在決策層融合中,每一個傳感器依據(jù)本身的單源數(shù)據(jù)做出決策.這些決策被融合生成最后的決策,在上面闡述的3種結(jié)構(gòu)中,精確性是最差的,但需要的帶寬最小。 對于信息融合算法具體可以分為以下四類:估計方法、分類方法、推理方法和人工智能方法。2.1估計方法 加權(quán)平均法是最簡單、最直觀融合多傳感器低層數(shù)據(jù)的方法,該方法將由一組傳感器提供的冗余信息進行加權(quán)平均,并將加權(quán)平均值作為信息融合值;利用最小二乘法原理可導(dǎo)出的數(shù)據(jù)平滑程序在許多情況下能夠去除或減少測量過程中由于偶然因素帶來的誤差,使平滑后的數(shù)據(jù)一般會比原數(shù)據(jù)更有規(guī)律性;卡爾曼濾波用于實時融合動態(tài)的低層次冗余多傳感器數(shù)據(jù),該方法用測量模型的統(tǒng)計特性遞推決定在統(tǒng)計意義下是最優(yōu)的融合數(shù)據(jù)估計。2.2分類方法 分類方法主要有參數(shù)模板法和聚類分析。無監(jiān)督或自組織學(xué)習(xí)算法諸如學(xué)習(xí)向量量化法(learningvec-torquantization,LVQ),K—均值聚類(K—meansclus-tering),Kohonen特性圖(Kohonenfuturemap)也常用作多傳感器數(shù)據(jù)的分類。K—均值聚類算法是最常用的無監(jiān)督學(xué)習(xí)算法之一,而自適應(yīng)K—均值方法的更新規(guī)則成了Kohonen特性圖的基礎(chǔ)。此外自適應(yīng)共振理論(ART)、自適應(yīng)共振理論映射(ARTMAP)和模糊自適應(yīng)共振理論網(wǎng)絡(luò)(fuzzy—ARTnetwork)以自適應(yīng)的方法進行傳感器融合。它們能夠自動調(diào)整權(quán)值并且能在環(huán)境變化和輸入漂移的情況下保持穩(wěn)定。2.3推理方法 貝葉斯估計是融合靜態(tài)環(huán)境中多傳感器低層信息的一種常用方法.其信息描述為概率分布,適用于具有可加高斯噪聲的不確定性;D—S是基于證據(jù)理論的一種推理算法,是貝葉斯方法的擴展。該算法解決了概率中的兩個困難問題:一是能夠?qū)Α拔粗苯o出顯式表示;二是當(dāng)證據(jù)對一個假設(shè)部分支持時,該證據(jù)對假設(shè)否定的支持也能用明確的值表示出來。2.4人工智能人工智能方法對融合大量的傳感器信息,用以非線性和不確定的場合頗有優(yōu)勢。可分為專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊邏輯。專家系統(tǒng)是一種基于人工智能的計算機信息系統(tǒng)。神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性的超大規(guī)模連續(xù)時間自適應(yīng)信息處理系統(tǒng)。模糊邏輯是多值邏輯,它允許將傳感器信息融合過程中的不確定性直接表示在推理過程中。模糊集理論的基本思想是把普通集合中絕對隸屬關(guān)系靈活化,使元素對集合的隸屬度從原來只能取{0,1}中的值擴充到[0,1]區(qū)間中的任一數(shù)值,因此很適合于對傳感器信息不確定性進行描述和處理。模糊集表達(dá)了一個不確定概念,應(yīng)用模糊理論并結(jié)合其它手段與算法,如神經(jīng)網(wǎng)絡(luò)、遺傳算法等,可以取得更好的融合結(jié)果。3車速監(jiān)控方法3.1簡介遺傳算法 按照達(dá)爾文的進化論中的適者生存理論,計算科學(xué)學(xué)者提出了進化算法。進化算法是一種基于自然選擇和遺傳變異等生物進化機制的全局性概率搜索方法。 從整體上來講,遺傳算法是進化算法中產(chǎn)生最早、影響最大、應(yīng)用也比較廣泛的一個研究方向和領(lǐng)域,它不僅包含了進化算法的基本形式和全部優(yōu)點,同時還具有若干獨特性能,其優(yōu)點主要有以下幾個方面: 1)遺傳算法的搜索過程是從一群初始點開始搜索,而不是從單一的初始點開始搜索,這種機制意味著搜索過程可以有效地跳過局部極值點。 2)遺傳算法具有顯著地隱式并行性(implicitpar-allelism),其進化算法雖然在每一代只對有限解個體進行操作,但處理的信息量為群體規(guī)模的高次方。 3)遺傳算法形式上簡單明了,便于和其他方法結(jié)合。 4)遺傳算法具有很強的魯棒性(robustness),即在存在噪聲的情況下,對同一問題的遺傳算法的多次求解中得到的結(jié)果是相似的。3.2遺傳算法對采集速度值融合 列車速度可由車輪上的傳感器采集的轉(zhuǎn)速求得,但是所測速度會有一定誤差,這時我們可以以短時間內(nèi)采集速度作為初始代群體開始應(yīng)用遺傳算法進行信息優(yōu)化,其過程如下例: 取4個速度值(s/m):8,13,19,24。 取適應(yīng)值函數(shù)f(x)=x3 (f(x)=x3與f(x)=x有相同的遞加遞減關(guān)系)。 以輪盤賭方式進行個體優(yōu)勝劣汰的選擇。接著,我們按照遺傳策略運用選擇、交叉(變異概率pm很小,一般在0.005～0.01,設(shè)pm=0.01,則每代有4*5*0.01=0.2個變異,即認(rèn)為在一代內(nèi)不發(fā)生變異), 用以形成下一代群體;如表2: 由上表可見,隨著一代的遺傳操作,群體的平均適應(yīng)度提高了,當(dāng)前群體最佳個體也得到了改善。隨著迭代次數(shù)的增加,群體將逐漸進化到該問題的最優(yōu)解。3.3模糊控制 首先設(shè)列車監(jiān)控速度的模糊語言集合如下:{快,稍快,適中,稍慢,慢}設(shè)定其相應(yīng)的語言變量,記作:F(fast)=快LF(littlefast)=稍快E(equal)=適中LS(littleslowly)=稍慢S(slowly)=慢 其相應(yīng)隸屬度函數(shù)如下圖2所示,其橫坐標(biāo)標(biāo)示速度快慢,縱坐標(biāo)為隸屬度。為了計算簡單,提高運算速度,采用了線性函數(shù)。 以D表示速度狀態(tài),U表示輸出,P表示加速,LP稍加速,F表示保持目前狀態(tài),LN表示稍減速,N表示減速根據(jù)模糊關(guān)系制定相應(yīng)模糊規(guī)則如表3:4結(jié)束語 本文對日益發(fā)展的城市軌道交通提出了一種遺傳算法與模糊邏輯相結(jié)合的監(jiān)控方法,形式上簡單明了,應(yīng)用中可有效簡捷地實現(xiàn)人的控制策略與經(jīng)驗,且模糊控制中不需被控對象的數(shù)學(xué)模型即可較好控制。參考文獻(xiàn):[1]何友,王國宏,彭應(yīng)寧等多傳感器信息融合及應(yīng)用[2]羅志增,蔣靜坪機器人感覺與多信息融合[3]李敏強,芤紀(jì)松,林丹,李書全遺傳算法的基本理論與應(yīng)用