城市軌道交通中的信息融合應(yīng)用

1、城市軌道交通中的信息交融應(yīng)用摘要:本文簡介了信息交融 方法 ,并針對城市軌道 交通 開展 提出了遺傳算法與模糊控制結(jié)合進展監(jiān)控的方法,該方法簡單明了,便于直接使用。關(guān)鍵詞:信息交融,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開展,實時動態(tài)數(shù)據(jù)反映成為監(jiān)控機車狀態(tài)的重要組成局部,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宏大 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。而模糊控制那么是近代控制 理論 中建立在模糊結(jié)合論根底上的一種基于語言規(guī)

2、那么與模糊推理的控制理論。目前 我國城市軌道交通建立正在蓬勃開展,伴隨是城市軌道交通信息的大量增多與多信息交融,而在信息交融中經(jīng)常會運用到遺傳算法與模糊規(guī)那么相結(jié)合的方法。2信息交融構(gòu)造方法信息交融由于其應(yīng)用上的復(fù)雜性和多樣性,決定了信息交融的 研究 內(nèi)容 極其豐富,涉及的根底理論較多。多傳感器信息交融根據(jù)信息表征的層次構(gòu)造,其根本方法可分為3類:數(shù)據(jù)層交融:在數(shù)據(jù)層交融中,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,進展特征識別過程.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。特征層交融:在特征層交融中,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

3、量,下一步進展識別.在該情況下,需要的通訊帶寬減小,結(jié)果的準確性也相應(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,信息也在喪失。決策層交融:在決策層交融中,每一個傳感器根據(jù)本身的單源數(shù)據(jù)做出決策.這些決策被交融生成最后的決策,在上面闡述的3種構(gòu)造中,準確性是最差的,但需要的帶寬最小。對于信息交融算法詳細可以分為以下四類: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、最直觀交融多傳感器低層數(shù)據(jù)的方法,該方法將由一組傳感器提供的冗余信息進展加權(quán)平均,并將加權(quán)平均值作為信息交融值;利用最小二乘法原理可導出的數(shù)據(jù)平滑程序在許多情況下可以去除或減少測量過程中由于偶然因

4、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交融動態(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)的交融數(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)視或自組織 學習 算法諸如學習向量量化法(learningvec-torquantization,LVQ),K均值聚類(Kmeansclus-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)視學習算法之一,而自適應(yīng)K均值方法的更新規(guī)那么成了Kohonen特性圖的根底。此外自適應(yīng)共振理

5、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) (fuzzyARTnetwork)以自適應(yīng)的方法進展傳感器交融。它們可以自動調(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交融靜態(tài)環(huán)境中多傳感器低層信息的一種常用方法.其信息描繪為概率分布,適用于具有可加高斯噪聲的不確定性;DS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:一是可以對“未知給出顯式表示;二是當證據(jù)對一個假設(shè)局部支持時,該證據(jù)對假設(shè)否認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交融大量的傳感器信息,用以非線性和不確定的場

6、合頗有優(yōu)勢?？煞譃閷＜蚁到y(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交融過程中的不確定性直接表示在推理過程中。模糊集理論的根本思想是把普通集合中絕對隸屬關(guān)系靈敏化,使元素對集合的隸屬度從原來只能取0,1中的值擴大到0,1區(qū)間中的任一數(shù)值,因此很適宜于對傳感器信息不確定性進展描繪和處理。模糊集表達了一個不確定概念,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,可以獲得更好的交融結(jié)果。3車速監(jiān)控方法3.1簡介遺傳算法按照達爾文的進化論中的適者生存理論,計算 科

7、學 學者提出了進化算法。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根本形式和全部優(yōu)點,同時還具有假設(shè)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展操作,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

8、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屢次求解中得到的結(jié)果是相似的。3.2遺傳算法對采集速度值交融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)用遺傳算法進展信息優(yōu)化,其過程如下例: 取適應(yīng)值函數(shù)f(x)=x3 (f(x)=x3與f(x)=x有一樣的遞加遞減關(guān)系)。以輪盤賭方式進展個體優(yōu)勝劣汰的選擇。由上表可見,隨著一代的遺傳操作,群體的平均適應(yīng)度進步了,當前群體最正確個體也得到了改善。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

9、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)如以下圖2所示,其橫坐標標示速度快慢,縱坐標為隸屬度。為了 計算 簡單,進步運算速度,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)那么如表3:4完畢語本文對日益 開展 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)歷,且模糊控