CN107368926A - 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 - Google Patents
一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 Download PDFInfo
- Publication number
- CN107368926A CN107368926A CN201710630329.XA CN201710630329A CN107368926A CN 107368926 A CN107368926 A CN 107368926A CN 201710630329 A CN201710630329 A CN 201710630329A CN 107368926 A CN107368926 A CN 107368926A
- Authority
- CN
- China
- Prior art keywords
- floor
- air pressure
- synoptic
- model
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005267 amalgamation Methods 0.000 title claims abstract description 6
- 238000012545 processing Methods 0.000 title claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 239000002245 particle Substances 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 16
- 230000007935 neutral effect Effects 0.000 claims description 12
- 238000003064 k means clustering Methods 0.000 claims description 6
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 230000002459 sustained effect Effects 0.000 abstract description 2
- 230000001131 transforming effect Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 210000002186 septum of brain Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法，利用成本较低的温度、湿度、气压传感器搜集数据，建立数据库，针对气压随高度变化的特性，采用大数据处理技术，利用CPSO优化的ELMAN神经网络模型完成预测模型的建立，实现运载机器人在各种环境下的电梯楼层自适应辨识，有效解决了不同环境下同一高度气压值变动导致楼层辨识不准的情况。此外，本发明无需对电梯内部或外部进行改造，具有极高的普适性。
Description
技术领域
本发明属于机器人控制领域，特别涉及一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法。
背景技术
运载机器人作为一种自动化运输工具，有着广阔的发展前景。由于现代复杂的运输要求，运载机器人需要实现多楼层的运输服务。而运载机器人如何实现楼层辨识，至今仍是一个难点。
目前，运载机器人识别电梯所到楼层主要有两种方案，一种是加装外部设备实现信息交互识别，另一种是让机器人实现自主识别。第一种情况下，通过电梯内部改造，建立电梯与运载机器人的交互，机器人就可以准确识别楼层，然而基于安全性、便捷性考虑，现实条件下给现有电梯轿厢专门安装运载机器人楼层信号交互系统非常困难。因此在现阶段下，采用第二种方案更为合理。
机器人自主辨识楼层可以通过机器视觉、GPS、气压测量等方式实现。图像处理是一种方便、可行的方法，即机器人通过电梯内部楼层标号、外部楼层标号或其他具备楼层典型图像信息的标号进行识别，该方法识别率高，但在强光照射、视觉遮挡等特殊条件下，该方法难以实现楼层的辨识。GPS是测量高度的主要方式之一，得到了广泛的应用。然而，由于GPS自身存在误差，且电梯内部环境封闭、信号较弱，在电梯内部采用GPS定位楼层存在很大困难。气压同样可以测量高度，其基本原理是气压会随着海拔的升高而降低。气压的测量相对比较独立，更加适合机器人自主辨识楼层。但是，即使在同一位置，气压也会随着时间、温度、湿度、风等的变化而变化。直接用气压感知来辨识楼层会导致频繁出错。
发明内容
本发明提供了一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法，其目的在于克服现有技术的不足，利用CPSO优化的Elman神经网络的分类模型，结合实时检测的气压数据，准确获得机器人所在楼层的层号。
一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法，包括以下步骤：
步骤1：采集楼层历史信息数据，构建楼层信息数据库；
所述楼层历史信息数据包括各楼层在各种天气条件下不同时间间隔区间中的天气观测值，所述天气观测值包括温度、湿度以及气压；
步骤2：对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合，每一种天气模式对应一组温度区间、湿度区间以及气压区间；
所述样本是指在一个时间间隔内采集的天气观测值均值，时间间隔是将历史数据采集时间作为一个连续的时间段，进行等间距划分，设定为1小时；
步骤3：获取用于构建基于天气模式的气压楼层预测模型的训练集合；
将所有样本中的气压均值按照天气模式进行划分后，对相同天气模式下所有楼层的气压均值进行合并，得到同一天气模式下全楼层的所有气压均值和对应楼层层号的训练子集，所有天气模式下的全楼层训练子集构成训练集合；
步骤4：构建基于天气模式的气压楼层预测模型；
将每个天气模式下全楼层的所有气压均值训练子集中的气压均值作为输入数据，各气压均值对应楼层层号作为输出数据，训练基于CPSO优化的Elman神经网络的分类模型，获得基于天气模式的气压楼层预测模型；
步骤5：利用机器人当前所在楼层层号和天气观测值，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；
步骤6：利用机器人上装载的气压传感器采集机器人所乘电梯所在楼层的实时气压，输入气压楼层预测模型中，输出机器人所乘电梯所在的楼层层号。
进一步地，所述基于CPSO优化的Elman神经网络的分类模型，是以同一天气模式下不同气压均值数据及相应的楼层层号分别作为输入和输出训练数据，建立Elman神经网络模型进行分类训练获得；
其中，所建立的Elman神经网络模型的网络连接权值和隐含层阈值采用CPSO算法进行优化选择。
进一步地，所述Elman神经网络模型的网络连接权值和隐含层阈值采用CPSO算法进行优化选择的过程如下：
(1)以Elman神经网络模型的连接权值和隐含层阈值作为粒子，并对粒子种群进行随机初始化；
设定粒子种群大小、最大迭代次数、最大惯性权重、最小惯性权重以及学习因子；
(2)将同一天气模式下各楼层的所有历史样本输入所述Elman神经网络模型，得到每个样本的分类结果，以所有样本的楼层分类结果和真实楼层结果之间的平均绝对值误差为适应度函数，依次计算每个粒子的适应度
(3)如果当前粒子适应度优于个体极值，则用当前粒子更新个体极值；如果当前粒子优于全局极值，则用当前粒子更新全局极值；
(4)利用设定的最大惯性权重、最小惯性权重、学习因子来更新粒子的速度和位置；
(5)根据CPSO算法引入混沌扰动和混沌搜索来更新群体最优粒子；
(6)判断是否达到最大迭代次数，达到则停止迭代，输出最优粒子对应的最优网络连接权值和最优隐含层阈值，否则，返回(3)继续迭代。
进一步地，所述粒子种群规模取值范围为[10,100]，最大迭代次数取值范围为[100,1000]，最大惯性权重取值范围为[0.70-0.95]、最小惯性权重取值范围为[0.05-0.30]、两个学习因子取值范围为[1.1-3.0]。
进一步地，采用k-means聚类方法，对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合。
进一步地，采用HS优化k-means的初始聚类中心，具体过程如下：
步骤A：从单一楼层样品集Ai中的q个样本中随机选取与单一楼层模式数相同的n个样本作为k-means的初始聚类中心，再随机选取s个样本作为更新和声；
设置和声记忆库保留概率HMCR，微调扰动率PAR，和迭代次数Tmax；
步骤B：从单一楼层样品集Ai中的q个样本中，随机选取一个大小为n+s的初始群体放入和声记忆库，以离和声记忆库内个体最近的[q/(n+s)]+1个样本点到个体的欧氏距离之和最短作为适应度函数；
适应度越小，对应的个体的解越好；
初始群体中每一个个体对应该楼层的一个时间间隔区间内的温度、湿度、气压均值，
步骤C：根据HS算法，以概率HMCR在和声记忆库中搜索新解，以概率1-HMCR在和声记忆库外的样本可能值域中搜索得到新解；
和声记忆库外变量可能值域是指集合{q-n-s}；
步骤D：以概率PAR对新解产生局部扰动，判断新解是否优于和声记忆库内的最差的s个解，若是，则用新解代替最差解，获得新的和声记忆库，若不是，则返回步骤C，继续迭代；
步骤F：判断是否达到迭代次数Tmax，若满足，输出最优的n个解。
进一步地，所述初始聚类中心n取值范围为[5，30]，更新和声s的取值范围为[1，20]，和声记忆库保留概率HMCR取值范围为[0.80，0.96]，微调扰动率PAR取值范围为[0.01，0.10]，迭代次数Tmax取值范围为[100，1000]。
有益效果
本发明提供了一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法，利用成本较低的温度、湿度、气压传感器搜集数据，建立数据库，针对气压随高度变化的特性，采用大数据处理技术，利用CPSO优化的Elman神经网络完成预测模型的建立，实现运载机器人在各种环境下的电梯楼层自适应辨识，有效解决了不同环境下同一高度气压值变动导致楼层辨识不准的情况。此外，本发明无需对电梯内部或外部进行改造，具有极高的普适性。
在聚类过程中，采用HS优化的k-means聚类算法对楼层信息数据进行聚类，HS算法用于优化选择k-means算法的初始聚类中心，由于k-means聚类算法对数据具有稳健的聚类能力，将HS算法与k-means聚类算法结合，可以极大提升模型的聚类效果。
利用CPSO优化的Elman神经网络模型完成预测模型的建立，CPSO算法用于优化选择Elman神经网络的权值和阈值，提高了Elman神经网络的全局搜索能力，减少了过拟合情况的发生，且Elman神经网络模型具有优良的多维映射能力，将CPSO算法与Elman神经网络模型相结合，使得预测模型更加稳定、准确。
附图说明
图1为本发明所述方法的原理流程图；
图2为本发明中HS优化的k-means模型构建流程图；
图3为本发明中CPSO优化的Elman神经网络模型构建流程图
图4为应用本发明所述识别方法进行楼层识别准确率示意图。
具体实施方式
如图1所示，一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法，包括以下步骤：
步骤1、在机器人投入使用前，搜集楼栋不同时间下各楼层的温度、湿度、气压数据，建立数据库且在机器人投入使用后数据库仍然保持更新。以10层楼为例。
步骤2、将楼层编号为楼层1-楼层10，将数据按照不同楼层进行分类。
步骤3、设定相邻两整点的每小时为时间间隔，提取10个楼层每小时内温度、湿度、气压的均值。
步骤4、对每一个单一楼层，将温度、湿度、气压的均值作为观测值，将每个时间间隔区间的观测值作为样品，则楼层1-楼层10构成样品集A1-A10，设每个样品集包括200个样品。对各样品集建立k-means聚类算法，并使用HS(和声搜索算法)优化k-means的初始聚类中心，设合适的模式有10个，得到单一楼层的模式1-模式10，建立各楼层模式集。
HS优化k-means的初始聚类中心步骤如下：
(1)从单一楼层样品集Ai中随机选取与单一楼层模式数相同的10个样本作为k-means的初始聚类中心，再随机选取10个样本作为更新和声，设置和声记忆库保留概率0.92，微调扰动率0.03，和迭代次数200。
(2)在200个样本中，随机找到一个大小为20的初始群体放入和声记忆库，群体中每一个个体对应该楼层的一组时间间隔区间内的温度、湿度、气压均值，按照离和声记忆库内个体最近的11个样品点到个体的欧氏距离之和最短原则进行搜索；
(3)根据HS算法，以概率0.92在和声记忆库中搜索新解，以概率0.08在和声记忆库外变量可能值域中搜索；
(4)以概率0.03对新解产生局部扰动，判断新解是否优于和声记忆库内的最差解，若是，则用新解代替最差解，获得新的和声记忆库，若不是，则继续迭代；
(5)判断是否达到迭代次数200，若满足，输出最优的10个解。
K-means计算步骤如下：
(1)从200个样品中选择HS选择的10个样品作为初始聚类中心；
(2)根据每个距离对象的均值(中心对象)，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
(3)重新计算每个(有变化)聚类的均值(中心对象)；
(4)循环(2)到(3)直到聚类不再发生变化为止。
步骤5、提取所有楼层同一模式(同时间段)下各样品数据的气压均值数据，得到全楼层模式1’-模式10’，建立全楼层模式集。
步骤6、如图2所示，对于全楼层模式1’-模式10’，以同一模式下不同气压均值数据为输入，以相应的楼层数为输出，建立CPSO(混沌粒子群算法)优化的Elman神经网络进行训练，得到训练模型1’-模型10’，建立模型集。
CPSO优化的Elman神经网络计算步骤如下：
(1)利用CPSO算法产生Elman神经网络模型的连接权值和隐含层阈值的粒子种群，并随机生成粒子的速度和位置，设置粒子群规模为30、最大迭代次数为250、最大惯性权重0.9、最小惯性权重0.1、两个学习因子均为1.2；
(2)以楼层平均绝对值预测误差作为目标适应度函数，计算每个粒子的适应度值，如果当前粒子适应度优于个体极值，则用当前粒子更新个体极值；如果当前粒子优于全局极值，则用当前粒子更新全局极值；
(4)根据CPSO算法，带入最大惯性权重0.9、最小惯性权重0.1、两个学习因子1.2来更新粒子的速度和位置；
(5)根据CPSO算法引入混沌扰动和混沌搜索更新群体最优粒子；
(6)判断是否达到最大迭代次数250次，达到则停止迭代，输出网络最优权值和阈值，否则继续迭代；
(7)以优化后的网络权值和阈值作为Elman神经网络的初始参数，建立并训练网络，得到训练模型。
步骤7、设机器人开始工作时，处于楼层5。机器人获取楼层5的温度、湿度、气压数据(瞬时值或短时间内的均值)，根据各楼层模式集，与对应楼层5进行模式识别，判断此时模式为楼层5的模式8；根据全楼层模式集，找出此时对应的全楼层模式8’；同理，根据模型集，找出此时对应的模型8’。
步骤8、机器人得到指令前往楼层9，此时初始化微处理器和COM端口。
步骤9、机器人到达楼层7，电梯停止，机器人收集当前气压数据(瞬时值或短时间内的均值)。
步骤10、机器人将当前气压数据带入训练好的模型8’进行判定，此时输出为楼层7，机器人继续停留在电梯内，等待电梯下一次停止；
步骤11、机器人到达楼层9，电梯停止，机器人收集当前气压数据(瞬时值或短时间内的均值)，并将当前气压数据带入训练好的模型8’进行判定，此时输出为楼层9，则机器人在电梯门充分打开后离开电梯。
利用本发明所提出的方法对某运载机器人识别楼层的准确率进行试验检验，试验说明如下：(1)在不同日期分别运行辨识方法100次，合计运行10天，共计1000次；(2)机器人的车载笔记本自动读取电梯PLC的楼层信息，同时但机器人运行到不同楼层后，运用本专利所提出的方法识别当前层的楼层信息并存储到机器人的车载笔记本中；(3)对比分析本专利所提出的方法的识别准确率。试验结果见图4所示，在这1000次试验中，本专利所提出的方法成功识别出当前机器人楼层次969次(输出“1”代表识别成功)，错误识别21次(输出“0”代表识别错误)，因此识别成功率为96.9％，表明本发明所述识别方法准确度高。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法，其特征在于，包括以下步骤：
步骤1：采集楼层历史信息数据，构建楼层信息数据库；
所述楼层历史信息数据包括各楼层在各种天气条件下不同时间间隔区间中的天气观测值，所述天气观测值包括温度、湿度以及气压；
步骤2：对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合，每一种天气模式对应一组温度区间、湿度区间以及气压区间；
所述样本是指在一个时间间隔内采集的天气观测值均值，时间间隔是将历史数据采集时间作为一个连续的时间段，进行等间距划分，设定为1小时；
步骤3：获取用于构建基于天气模式的气压楼层预测模型的训练集合；
将所有样本中的气压均值按照天气模式进行划分后，对相同天气模式下所有楼层的气压均值进行合并，得到同一天气模式下全楼层的所有气压均值和对应楼层层号的训练子集，所有天气模式下的全楼层训练子集构成训练集合；
步骤4：构建基于天气模式的气压楼层预测模型；
将每个天气模式下全楼层的所有气压均值训练子集中的气压均值作为输入数据，各气压均值对应楼层层号作为输出数据，训练基于CPSO优化的Elman神经网络的分类模型，获得基于天气模式的气压楼层预测模型；
步骤5：利用机器人当前所在楼层层号和天气观测值，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；
步骤6：利用机器人上装载的气压传感器采集机器人所乘电梯所在楼层的实时气压，输入气压楼层预测模型中，输出机器人所乘电梯所在的楼层层号。
2.根据权利要求1所述的方法，其特征在于，所述基于CPSO优化的Elman神经网络的分类模型，是以同一天气模式下不同气压均值数据及相应的楼层层号分别作为输入和输出训练数据，建立Elman神经网络模型进行分类训练获得；
其中，所建立的Elman神经网络模型的网络连接权值和隐含层阈值采用CPSO算法进行优化选择。
3.根据权利要求2所述的方法，其特征在于，所述Elman神经网络模型的网络连接权值和隐含层阈值采用CPSO算法进行优化选择的过程如下：
(1)以Elman神经网络模型的连接权值和隐含层阈值作为粒子，并对粒子种群进行随机初始化；
设定粒子种群大小、最大迭代次数、最大惯性权重、最小惯性权重以及学习因子；
(2)将同一天气模式下各楼层的所有历史样本输入所述Elman神经网络模型，得到每个样本的分类结果，以所有样本的楼层分类结果和真实楼层结果之间的平均绝对值误差为适应度函数，依次计算每个粒子的适应度
(3)如果当前粒子适应度优于个体极值，则用当前粒子更新个体极值；如果当前粒子优于全局极值，则用当前粒子更新全局极值；
(4)利用设定的最大惯性权重、最小惯性权重、学习因子来更新粒子的速度和位置；
(5)根据CPSO算法引入混沌扰动和混沌搜索来更新群体最优粒子；
(6)判断是否达到最大迭代次数，达到则停止迭代，输出最优粒子对应的最优网络连接权值和最优隐含层阈值，否则，返回(3)继续迭代。
4.根据权利要求3所述的方法，其特征在于，所述粒子种群规模取值范围为[10,100]，最大迭代次数取值范围为[100,1000]，最大惯性权重取值范围为[0.70-0.95]、最小惯性权重取值范围为[0.05-0.30]、两个学习因子取值范围为[1.1-3.0]。
5.根据权利要求1-4任一项所述的方法，其特征在于，采用k-means聚类方法，对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合。
6.根据权利要求5所述的方法，其特征在于，采用HS优化k-means的初始聚类中心，具体过程如下：
步骤A：从单一楼层样品集Ai中的q个样本中随机选取与单一楼层模式数相同的n个样本作为k-means的初始聚类中心，再随机选取s个样本作为更新和声；
设置和声记忆库保留概率HMCR，微调扰动率PAR，和迭代次数Tmax；
步骤B：从单一楼层样品集Ai中的q个样本中，随机选取一个大小为n+s的初始群体放入和声记忆库，以离和声记忆库内个体最近的[q/(n+s)]+1个样本点到个体的欧氏距离之和最短作为适应度函数；
初始群体中每一个个体对应该楼层的一个时间间隔区间内的温度、湿度、气压均值，
步骤C：根据HS算法，以概率HMCR在和声记忆库中搜索新解，以概率1-HMCR在和声记忆库外的样本可能值域中搜索得到新解；
步骤D：以概率PAR对新解产生局部扰动，判断新解是否优于和声记忆库内的最差的s个解，若是，则用新解代替最差解，获得新的和声记忆库，若不是，则返回步骤C，继续迭代；
步骤F：判断是否达到迭代次数Tmax，若满足，输出最优的n个解。
7.根据权利要求6所述的方法，其特征在于，所述初始聚类中心n取值范围为[5，30]，更新和声s的取值范围为[1，20]，和声记忆库保留概率HMCR取值范围为[0.80，0.96]，微调扰动率PAR取值范围为[0.01，0.10]，迭代次数Tmax取值范围为[100，1000]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710630329.XA CN107368926B (zh) | 2017-07-28 | 2017-07-28 | 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710630329.XA CN107368926B (zh) | 2017-07-28 | 2017-07-28 | 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107368926A true CN107368926A (zh) | 2017-11-21 |
| CN107368926B CN107368926B (zh) | 2018-07-10 |
Family
ID=60307913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710630329.XA Active CN107368926B (zh) | 2017-07-28 | 2017-07-28 | 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107368926B (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108733921A (zh) * | 2018-05-18 | 2018-11-02 | 山东大学 | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 |
| CN108764827A (zh) * | 2018-05-15 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 移动考勤方法、装置、计算机设备及存储介质 |
| CN109596165A (zh) * | 2018-11-23 | 2019-04-09 | 湖南城市学院 | 一种智能地理信息动态预警布控系统及方法 |
| CN110909857A (zh) * | 2019-11-26 | 2020-03-24 | 重庆锐云科技有限公司 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
| CN112309374A (zh) * | 2020-09-30 | 2021-02-02 | 音数汇元(上海)智能科技有限公司 | 服务报告生成方法、装置和计算机设备 |
| US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
| US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
| US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
| US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
| US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
| US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
| US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
| US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
| US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
| US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
| US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
| US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
| US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
| US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
| AU2019357615B2 (en) | 2018-10-11 | 2023-09-14 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
| US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
| US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106793067A (zh) * | 2016-11-29 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于联合网络的多楼层室内定位方法及服务器 |
| CN106792553A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于wifi的多楼层定位方法及服务器 |
| CN106851585A (zh) * | 2017-01-12 | 2017-06-13 | 杭州电子科技大学 | 一种基于气压计和WiFi的混合楼层定位方法 |
-
2017
- 2017-07-28 CN CN201710630329.XA patent/CN107368926B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106792553A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于wifi的多楼层定位方法及服务器 |
| CN106793067A (zh) * | 2016-11-29 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于联合网络的多楼层室内定位方法及服务器 |
| CN106851585A (zh) * | 2017-01-12 | 2017-06-13 | 杭州电子科技大学 | 一种基于气压计和WiFi的混合楼层定位方法 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12020476B2 (en) | 2017-03-23 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
| US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
| US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
| US12086097B2 (en) | 2017-07-24 | 2024-09-10 | Tesla, Inc. | Vector computational unit |
| US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
| US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
| US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
| CN108764827A (zh) * | 2018-05-15 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 移动考勤方法、装置、计算机设备及存储介质 |
| CN108733921A (zh) * | 2018-05-18 | 2018-11-02 | 山东大学 | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 |
| US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
| US12079723B2 (en) | 2018-07-26 | 2024-09-03 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
| US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
| US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
| US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
| US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
| CN109596165A (zh) * | 2018-11-23 | 2019-04-09 | 湖南城市学院 | 一种智能地理信息动态预警布控系统及方法 |
| US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
| US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
| US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
| US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
| CN110909857A (zh) * | 2019-11-26 | 2020-03-24 | 重庆锐云科技有限公司 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
| CN112309374A (zh) * | 2020-09-30 | 2021-02-02 | 音数汇元(上海)智能科技有限公司 | 服务报告生成方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107368926B (zh) | 2018-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107368926B (zh) | 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 | |
| CN111079602B (zh) | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 | |
| CN111461292B (zh) | 一种无人机实时轨迹预测方法 | |
| CN107423412B (zh) | 一种基于气象传感时序模式的运载机器人智能识别楼层的方法 | |
| CN107368858B (zh) | 一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法 | |
| CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
| CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
| CN108197743A (zh) | 一种基于深度学习的预测模型软测量方法 | |
| CN113259331A (zh) | 一种基于增量学习的未知异常流量在线检测方法及系统 | |
| CN113526282B (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
| CN109740052A (zh) | 网络行为预测模型的构建方法及装置、网络行为预测方法 | |
| CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
| CN114167898A (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
| CN112200346B (zh) | 一种天气波动过程划分与匹配的短期风电功率预测方法 | |
| CN114997217B (zh) | 一种基于rfid传感标签及igwo-elm的变压器故障诊断方法 | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
| CN117935388B (zh) | 一种基于联网的高速公路计费监控系统和方法 | |
| CN107403195B (zh) | 一种运载机器人识别楼层的气象参数智能融合处理方法 | |
| CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
| CN114049968A (zh) | 传染病发展趋势预测方法、系统、装置及存储介质 | |
| CN116029604B (zh) | 一种基于健康舒适度的笼养肉鸭养殖环境调控方法 | |
| CN116229720A (zh) | 一种智能车路系统的交通事故判别方法 | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
| CN117009841A (zh) | 一种模型训练方法、电机故障诊断方法和微控制器 | |
| CN115600498A (zh) | 一种基于人工神经网络的风速预报订正方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |