具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
实施例1:
一种适用于车辆自组网的基于模糊聚类算法的信息融合方法,含有以下步骤:
步骤S101:将本地消息和接收到的消息作为输入数据存储到原子消息缓存器中;
步骤S102:判断时间定时器T是否到期,若没有则返回步骤S101;
步骤S103:若定时器T到期,则从原子信息缓存器中取出已有的读数,利用模糊聚类方法将它们分入不同的消息类;
步骤S104:利用融合函数AF将同一类的消息融合;
步骤S105:融合后的消息将被存储在融合消息缓存器中等待传播。
所述步骤S102中为了提高消息融合效率,所提出的基于模糊聚类算法的信息融合系统架构是基于周期性定时控制器的。利用定时控制器来驱动消息融合机制工作。定义两个连续的融合操作之间的时间间隔为T。根据实际的网络需求,T值的选取可以是固定的或是动态可调的。
所述步骤S103中模糊聚类方法步骤如下:
假设节点v收集到的所有n个消息的集合表示为X(v)={x1 (v),x2 (v),…,xn (v)},并且每个消息有m个属性。
步骤S201:首先对每个消息的属性进行量化,并创建一个数据样本矩阵Dn×m。假设zik (v)是节点v的第i个消息对象中的第k个属性值,则节点v的第i个消息对象可以表示为一个m维向量xi (v)=(zi1 (v),zi2 (v),…,zim (v))。则节点v的Dn×m矩阵表示为:
步骤S202:基于选定的数学方法建立模糊相似关系矩阵Rn×m。在本发明中,采用经典的算术平均数最小的方法来描述消息对象xi (v)和消息对象xj (v)之间的模糊相似度rij (v),计算公式如下:
步骤S203:选取适当的λ值来获得划分矩阵Cn×m,如果rij (v)≥λ,则划分矩阵Cn×m第i行第j列的元素cij (v)将被设置为“1”,也意味着消息对象xi (v)和xj (v)是相似的。否则,cij (v)将设置为“0”。对于划分矩阵来说,只有相似的消息对象可以集成到同一个消息类中,这里的消息类指的就是同一个消息集群。此外,分类的结果与λ的取值大小有关,λ取值越大,分的类数越多,λ∈[0,1]。这种方法要预先知道分类数,如分类数不合理,就重新计算。可以根据实际应用需求,选取适当的λ值;
步骤S204:因为划分矩阵是直接基于相似矩阵建立的,所以可能存在相交的消息类。为此,基于划分矩阵建立邻接矩阵,对相交的消息类进行合并;
步骤S205:通过图的深度优先遍历算法,将所有的连接和类似的消息对象放入同一个消息类。
所述步骤S205中深度优先遍历算法使用步骤具体如下:假设深度优先遍历函数是dfs(oi),其中“oi”代表第i个访问的消息对象(i=1,2,...,n);邻接矩阵An×m是图的链式存储结构,其中aij (v)表示矩阵An×m第i行第j列的元素。在初始状态,所有的消息对象都还没有被访问过,它们的值被设定为“0”。首先访问第一个还没有被访问的消息对象o1,在这里,第一个搜查的消息对象o1可以随机选择。然后将访问的消息对象o1设置为“1”,表示这一消息对象已被访问。然后,搜索相邻的消息对象ow,这是与消息对象o1相连但还没有被访问的。如果ow存在,则重复对消息对象ow进行深度优先遍历,即调用dfs(ow)函数。如果所有的消息对象都已被访问,则停止上述过程。
所述步骤S104中融合函数AF是负责对原子信息进行处理,以此获得反映不同道路或车辆状况的融合消息,例如道路拥堵事件的发生、车辆异常信息等。其中原子消息是用来描述车辆状态信息的,当两车相遇,他们就可以通过交换原子消息知道彼此的行车状态。如果节点i的其中一个消息类中含有n个原子消息,x1 (i),x2 (i),…,xn (i)。融合后的消息用xr (i)表示,xr (i)=AF(x1 (i),x2 (i),…,xn (i))。为了更好的反映道路状况信息,将旧的消息属性中车辆的地理坐标修改为一个近似的地理覆盖范围,用交通状态Dr (i)近似表示,其中Dr (i)包含来自同一消息类的所有地理坐标。融合后的消息xr (i)的新属性表示为xr (i)=(sr (i),er (i),br (i),Dr (i),tr (i)),其中s为速度值,e为加速度值,b为刹车频率,t为消息的创建时间。融合函数AF的选取依据则跟具体应用需求有关,这里针对道路拥塞检测进行简单举例,计算公式如下:
sr (i)=∑k=1 lsk (i)/1;
er (i)=∑k=1 lek (i)/1;
br (i)=∑k=1 lbk (i)/1;
Dr (i)=∪k=1 l(σk (i),ρk (i));
tr (i)=max(t1 (i),t2 (i),…,tl (i))。
其中l为同一消息类中原子消息的个数,k为其中第k个消息,k=1,2,…,l。通过对新融合后的消息属性进行判断,将得到一个更为直观的道路服务水平。此外,它可以提供更加可靠和有价值的流量信息,特别是可以在很短的时间来检测拥塞事件。
实施例2:
本发明适用于网络节点组成相同,通常指节点通信能力相同,即有相同的最大通信半径;节点已被全网络范围分配统一的IP地址或MAC地址等身份标识;车辆间利用无线网络互相交换状态信息,包括速度值、刹车频率和加速度值。
图1为本发明实施例应用场景示意图。该示意图表示在某一时刻,城市道路中截取的一段东西向的双向车道。在向东行驶的车道上发生了道路拥堵现象,而向西行驶的车道上车辆行驶正常。假设车辆9接收到从邻居车辆1、2、3、4、8、10发来的六个原子消息,将其表示为{x1 (9),x2 (9),x3 (9),x4 (9),x5 (9),x6 (9)}。在对所收集到的原子事件进行模糊聚类后,将会根据消息属性(速度值s、加速度值e和刹车频率b)得到两个消息类{x1 (9),x2 (9),x3 (9),x4 (9)}、{x5 (9),x6 (9)},以此区分不同的道路状况。然后将各消息类中的原子消息进行消息融合,还可以利用融合后的消息进行判决,获得拥堵路段的准确信息。这样就能在减少通信量提高传输效率的同时,还保证了道路状况消息的准确性。
在本发明中,原子消息,指用来描述车辆状态信息的消息,当两车相遇,他们就可以通过交换原子消息知道彼此的行车状态;相邻车辆节点,指位于车辆节点通信半径之内,可相互交换原子消息的车辆;消息属性,在这里是指车辆的一些状态信息,如加速度值、速度值、刹车频率等。图1中车辆1至6为示例路段上向东车道上行驶的车辆,车辆7至10为邻近车道上向西行驶的车辆,车辆1至4出现拥堵状态,其他车辆为正常行驶状态。图1中虚线箭头代表车辆9收集到的原子消息传输方向。
图2为本发明消息融合机制的流程图。首先将本地消息和接收到的消息作为输入数据存储到原子消息缓存器中;然后判断时间定时器T是否到期,若没有则继续收集原子消息;若定时器T到期,则从原子信息缓存器中取出已有的读数,利用模糊聚类方法将它们分入不同的消息类;最后利用融合函数AF按照一定的融合规则将同一类的消息融合,融合后的消息将被存储在融合消息缓存器中等待传播。
图3为本发明模糊聚类的流程图。假设节点v收集到的所有n个消息的集合表示为X(v)={x1 (v),x2 (v),…,xn (v)},并且每个消息有m个属性。首先对每个消息的属性进行量化,并创建一个数据样本矩阵Dn×m。假设zik (v)是节点v的第i个消息对象中的第k个属性值,则节点v的第i个消息对象可以表示为一个m维向量xi (v)=(zi1 (v),zi2 (v),…,zim (v)。则节点v的Dn×m矩阵表示为:
然后基于选定的数学方法建立模糊相似关系矩阵Rn×m。在本发明中,采用经典的算术平均数最小的方法来描述消息对象xi (v)和消息对象xj (v)之间的模糊相似度rij (v),计算公式如下:
选取适当的λ值来获得划分矩阵Cn×m,如果rij (v)≥λ,则划分矩阵Cn×m第i行第j列的元素cij (v)将被设置为“1”,也意味着消息对象xi (v)和xj (v)是相似的。否则,cij (v)将设置为“0”。对于划分矩阵来说,只有相似的消息对象可以集成到同一个消息类中,这里的消息类指的就是同一个消息集群。此外,分类的结果与的λ取值大小有关,λ取值越大,分的类数越多,λ∈[0,1]。这种方法要预先知道分类数,如分类数不合理,就重新计算。可以根据实际应用需求,选取适当的λ值。因为划分矩阵是直接基于相似矩阵建立的,所以可能存在相交的消息类。为此,基于划分矩阵建立邻接矩阵,对相交的消息类进行合并。最后通过图的深度优先遍历算法,将所有的连接和类似的消息对象放入同一个消息类。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。