城市轨道交通中的信息融合应用

  来源:网络    时间:     
[关键词]交通运输  

    摘要:本文简介了信息融合方法,并针对城市轨道交通发展提出了遗传算法与模糊控制结合进行监控的方法,该方法简单明了,便于直接使用。关键词:信息融合,遗传算法,模糊控制,城市轨道交通
 
1引言
      随着城市轨道交通的发展,实时动态数据反映成为监控机车状态的重要组成部分,而遗传算法与模糊控制方法所具有很好的鲁棒性和形式上的简单明了使得它必然可以在城市轨道交通上得到巨大应用。遗传算法是一种自然进化系统的计算模型,也是一种通用的求解优化问题的适应性搜索方法,尤其是后者得到人们关注和普遍使用。而模糊控制则是近代控制理论中建立在模糊结合论基础上的一种基于语言规则与模糊推理的控制理论。
      目前我国城市轨道交通建设正在蓬勃发展,伴随是城市轨道交通信息的大量增多与多信息融合,而在信息融合中经常会运用到遗传算法与模糊规则相结合的方法。
2信息融合结构方法
      信息融合由于其应用上的复杂性和多样性,决定了信息融合的研究内容极其丰富,涉及的基础理论较多。多传感器信息融合根据信息表征的层次结构,其基本方法可分为3类:
      数据层融合:在数据层融合中,每一个传感器观测物体并且组合来自传感器的原始数据.然后,进行特征识别过程.此过程一般是从原始数据中提取一个特征矢量来完成,并且根据此特征做出决策。
      特征层融合:在特征层融合中,从观测数据中提取许多特征矢量后把它们连接成单个矢量,下一步进行识别.在该情况下,需要的通讯带宽减小,结果的精确性也相应减小,主要是因为在原始数据中生成特征矢量的同时,信息也在丢失。
      决策层融合:在决策层融合中,每一个传感器依据本身的单源数据做出决策.这些决策被融合生成最后的决策,在上面阐述的3种结构中,精确性是最差的,但需要的带宽最小。
      对于信息融合算法具体可以分为以下四类:估计方法、分类方法、推理方法和人工智能方法。
2.1估计方法
      加权平均法是最简单、最直观融合多传感器低层数据的方法,该方法将由一组传感器提供的冗余信息进行加权平均,并将加权平均值作为信息融合值;利用最小二乘法原理可导出的数据平滑程序在许多情况下能够去除或减少测量过程中由于偶然因素带来的误差,使平滑后的数据一般会比原数据更有规律性;卡尔曼滤波用于实时融合动态的低层次冗余多传感器数据,该方法用测量模型的统计特性递推决定在统计意义下是最优的融合数据估计。
2.2分类方法
      分类方法主要有参数模板法和聚类分析。无监督或自组织学习算法诸如学习向量量化法(learningvec-torquantization,LVQ),K—均值聚类(K—meansclus-tering),Kohonen特性图(Kohonenfuturemap)也常用作多传感器数据的分类。K—均值聚类算法是最常用的无监督学习算法之一,而自适应K—均值方法的更新规则成了Kohonen特性图的基础。此外自适应共振理论(ART)、自适应共振理论映射(ARTMAP)和模糊自适应共振理论网络(fuzzy—ARTnetwork)以自适应的方法进行传感器融合。它们能够自动调整权值并且能在环境变化和输入漂移的情况下保持稳定。
2.3推理方法
      贝叶斯估计是融合静态环境中多传感器低层信息的一种常用方法.其信息描述为概率分布,适用于具有可加高斯噪声的不确定性;D—S是基于证据理论的一种推理算法,是贝叶斯方法的扩展。该算法解决了概率中的两个困难问题:一是能够对“未知”给出显式表示;二是当证据对一个假设部分支持时,该证据对假设否定的支持也能用明确的值表示出来。
2.4人工智能
      人工智能方法对融合大量的传感器信息,用以非线性和不确定的场合颇有优势。可分为专家系统、神经网络和模糊逻辑。专家系统是一种基于人工智能的计算机信息系统。神经网络是一个具有高度非线性的超大规模连续时间自适应信息处理系统。模糊逻辑是多值逻辑,它允许将传感器信息融合过程中的不确定性直接表示在推理过程中。模糊集理论的基本思想是把普通集合中绝对隶属关系灵活化,使元素对集合的隶属度从原来只能取{0,1}中的值扩充到[0,1]区间中的任一数值,因此很适合于对传感器信息不确定性进行描述和处理。模糊集表达了一个不确定概念,应用模糊理论并结合其它手段与算法,如神经网络、遗传算法等,可以取得更好的融合结果。
3车速监控方法
3.1简介遗传算法
      按照达尔文的进化论中的适者生存理论,计算科学学者提出了进化算法。进化算法是一种基于自然选择和遗传变异等生物进化机制的全局性概率搜索方法。
      从整体上来讲,遗传算法是进化算法中产生最早、影响最大、应用也比较广泛的一个研究方向和领域,它不仅包含了进化算法的基本形式和全部优点,同时还具有若干独特性能,其优点主要有以下几个方面:
      1)遗传算法的搜索过程是从一群初始点开始搜索,而不是从单一的初始点开始搜索,这种机制意味着搜索过程可以有效地跳过局部极值点。
      2)遗传算法具有显著地隐式并行性(implicitpar-allelism),其进化算法虽然在每一代只对有限解个体进行操作,但处理的信息量为群体规模的高次方。
      3)遗传算法形式上简单明了,便于和其他方法结合。
      4)遗传算法具有很强的鲁棒性(robustness),即在存在噪声的情况下,对同一问题的遗传算法的多次求解中得到的结果是相似的。
3.2遗传算法对采集速度值融合
      列车速度可由车轮上的传感器采集的转速求得,但是所测速度会有一定误差,这时我们可以以短时间内采集速度作为初始代群体开始应用遗传算法进行信息优化,其过程如下例:
      取4个速度值(s/m):8,13,19,24。
      取适应值函数f(x)=x3 (f(x)=x3与f(x)=x有相同的递加递减关系)。
      以轮盘赌方式进行个体优胜劣汰的选择。
接着,我们按照遗传策略运用选择、交叉(变异概率pm很小,一般在0.005~0.01,设pm=0.01,则每代有4*5*0.01=0.2个变异,即认为在一代内不发生变异), 用以形成下一代群体;如表2: 

文章搜索
本类热门
本站所列资源部分收集自网上,本站与内容的出处无关,内容版权皆属原作者所有,如果你认为侵犯了您的版权,请通知我们,我们立即删除.