CN107392317B - 一种智能环境运载机器人识别楼层的神经网络群体混合计算方法 - Google Patents

Abstract

本发明公开了一种智能环境运载机器人识别楼层的神经网络群体混合计算方法，该方法通过对采集的各种数据按照天气模式聚类后，再按照不同的天气模式，对波动的压力传感器读数进行FIR滤波处理后，再将其传输至数据分析模块进行神经网络学习，大大提高了楼层辨识的准确性、实时性。极大改善了压力传感器获取的数据的震荡的问题，极大提高了高度数据信号分析的精度；具有普遍适应性，能够应对各种海拔高度，各种地理位置，各种天气条件下的电梯楼层识别；并不局限于运载机器人在电梯内使用，还可以在楼道中进行楼层估计，也能应用于高空作业、无人机等领域。

Description

一种智能环境运载机器人识别楼层的神经网络群体混合计算 方法

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神经网络群体混合计算方法。

背景技术

目前，电梯控制系统获取电梯当前所在楼层的楼层号的方式是：在电梯的基站层设置感应元件，在电梯的轿厢上与感应元件相对应的位置安装感应接收器；当电梯经过基站层时，通过感应元件和感应接收器的相互作用，得知电梯处于基站层这一事实，从而将电梯的当前楼层号设置为基站层的楼层号(基站层的楼层号系统预先知道)；然后在电梯上行或下行时，通过自动加1或减1来计算电梯轿厢所在楼层的楼层号。

但是，对于独立的运载机器人系统而言，其一般独立地检测电梯的楼层号，现实条件下给现有电梯轿厢专门为运载机器人安装楼层信号交互系统设备的空间极为有限。在实践中，也并没有为安装第三方系统装置设计的电梯。目前，机器人识别电梯楼层方法有图像处理法、单片机楼层信息读取法和数字辅助片法。图像处理法即使用图像处理的方法识别电梯内部楼层数影像，由于图像处理法读取图像时一旦受到强光影响会造成很大误差。单片机楼层信息读取法通过单片机读取电梯信息识别楼层，运用简单，拥有较高识别率，但该法有一个大的弊端，此法必须在电梯内部进行改造，现有国际环境下电梯种类繁多，未形成统一标准，加上版权问题，第三方进行改造难度极大。数字辅助法是人为在环境中设置较易识别的信息用以机器人来视觉识别，辨识率高，但是一旦机器人的视线受到障碍物阻挡，将无法识别。早期开发的室内定位方法是基于多楼层环境的无源地标，用于识别机器人在电梯外的当前楼层数。为了克服以上不足，便于运载机器人独立在电梯内智能识别楼层，所以现在提出一种基于大气压测量的楼层辨识方法及系统。优点，适应所有环境

中国专利CN102009883B中公开一种电梯轿厢位置检测装置，包括电梯控制器；还包括有一大气压力检测海拔高度数据采集通讯电子板，安装在电梯轿厢中，并通过通讯电缆与电梯控制器连接；所述电梯控制器处理来自该大气压力检测海拔高度数据采集通讯电子板的传输信号而判断电梯轿厢在井道内的位置。然而，气压传感器读数随天气和高度而变化，读数具有波动性，单独依赖气压传感器来检测楼层将产生较大误差，上述专利没有考虑气压传感器输出信号的振荡和周期内读数的变化，如果使用在实践生产中，将导致无法获取此文所述的电梯轿厢因停电而失去的正确位置信息，具有安全隐患。

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神经网络群体混合计算方法，其目的在于克服上述方法中存在的不足，利用气压随高度、温度、湿度变化而变化的特征，对电梯所在环境数据进行特征融合处理，采用数据挖掘技术和分类建模处理，对机器人所在楼层进行实时判别。

一种智能环境运载机器人识别楼层的神经网络群体混合计算方法，包括以下步骤：

步骤1：采集各楼层气压数据样本；

所述各楼层气压数据是指运载机器人位于各个楼层在不同时间间隔区间中利用气压传感器、湿度传感器、温度传感器分别采集的大气压均值、湿度均值以及温度均值，一个样本是指运载机器人位于一个楼层在一个时间间隔区间中采集的大气压数据均值、湿度均值以及温度均值；

在相同的天气环境下，在不同楼层采集的大气压值不同；不同时间间隔包括在各种天气条件下的时间间隔；

步骤2：对各楼层气压数据样本按照天气模式进行聚类，得到同一楼层在同一天气模式下的气压子样本集；

每个气压子样本集为步骤1采集的数据中同一楼层在同一天气模式下所有历史时间间隔中采集的气压均值；

步骤3：依次对每个气压子样本集中所有气压均值利用FIR滤波器进行滤波去噪处理；

所述FIR滤波器的系数采用蝙蝠算法进行寻优获取；

步骤4：利用所有去噪后的气压子样本集，构建各天气模式下的气压样本训练集；

每个天气模式下的气压样本训练子集包括同一天气模式下所有楼层的经过去噪后的气压子样本集，所有天气模式下的气压样本训练子集构成各天气模式下的气压样本训练集；

步骤5：利用各天气模式下的气压样本训练集构建基于天气模式的气压楼层预测模型；

依次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，训练神经网络，获得基于天气模式的气压楼层预测模型；

步骤6：利用运载机器人当前所在楼层层号和大气压、湿度以及温度，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7：利用运载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，所述所述FIR滤波器的系数采用蝙蝠算法进行寻优获取过程如下：

(1)将每只蝙蝠个体表示一组FIR滤波器系数，蝙蝠以随机方式在N维空间中扩散分布一组初始解，随机生成蝙蝠种群，N为滤波器阶数；

设定蝙蝠种群的数量,最大迭代次数搜索脉冲频率范围，蝙蝠个体最大脉冲频度和最大脉冲声音强度，蝙蝠搜索频度增加系数、声音强度衰减系数；

(3)设定适应度函数f：f＝1/J；

其中，为一个气压子样本集所有气压均值的平均值，y_i表示第i只蝙蝠对应的FIR滤波器将气压子样本集中气压均值过滤后的过滤气压均值，M表示气压子样本集中气压均值的数量；

经过FIR滤波器高度数据越平稳，则适应度函数值越大，蝙蝠个体越优秀；

(3)寻找出适应度值最大的蝙蝠个体，作为当前最优解x^*；

(4)利用当前最优解依次对所有蝙蝠个体的搜索脉冲频率、速度和位置进行更新；

(5)生成均匀分布随机数R₁′，判断R₁′＞R_i是否成立，如果成立，则利用当前最优解产生一个新的解，并利用新的解作为当前最优解，如果不成立，则接受(4)更新后的蝙蝠个体；

其中，R₁′的取值范围为[0,1]，R_i为第i只蝙蝠的脉冲频度；

(6)生成均匀分布随机数R₂′，判断R₂′＜A_i且f(x_i)＜f(x^*)是否成立，若成立，则利用(5)得到的新的解，对第i只蝙蝠的脉冲频度和脉冲声音强度进行更新，否则，不对蝙蝠进行更新；

其中，R₂的取值范围为[0,1]，A_i为第i只蝙蝠的脉冲声音强度；

(7)当所有更新后的蝙蝠均完成(5)和(6)的判断，从所有的蝙蝠个体中找出适应度最好的蝙蝠个体和适应度值；

(8)判断是否满足预设搜索精度或达到最大迭代次数，若满足，则进入(9)，否则返回(4)，直到找到满足设定的最优解条件为止；

(9)输出最优蝙蝠个体，得到最优蝙蝠个体对应的FIR滤波器的系数值。

进一步地，所述设定蝙蝠种群的数量取值范围为[120,300],最大迭代次数的取值范围为[300,2000],搜索脉冲频率范围[f_min＝0,f_max＝1.5]，蝙蝠个体最大脉冲频度和最大脉冲声音强度均设置为0.5，蝙蝠搜索频度增加系数为0.04、声音强度衰减系数为0.96。

进一步地，采用k-medoids聚类方法对各楼层气压数据样本按照天气模式进行聚类，具体过程如下：

步骤2.1：设定目标聚类数目为k个簇C_i，i＝1,2…,k，k取值范围[4,10]，随机选择k个样本为初始聚类中心o_i，i＝1,2…,k；

每个样本包括在一个时间间隔区间采集的大气压均值、湿度均值以及温度均值；

步骤2.2：根据各个样本与聚类中心的距离，将每个样本分配给与之最近的一个聚类中心所在的簇；

步骤2.3：计算每个簇代价函数为平方差函数E；公式如下，直到每个簇的E都达到最小，分类完毕。

其中，p为簇C_i中的样本，o_i为C_i中的聚类中心；

步骤2.4：判断每个簇的代价函数是否达到最小，若已达到最小，则当前分簇结果作为最终的聚类结果，否则，依次将每个簇中的中心与其他样本进行替换，返回步骤2.2重新分簇。

进一步地，采用至少三种神经网络进行基于天气模式的气压楼层预测模型的训练，并从各天气模式下的气压样本训练集中随机选取出测试集，对各种神经网络的训练得到的基于天气模式的气压楼层预测模型输出的预测结果进行测试，选取测试精度最高的基于天气模式的气压楼层预测模型作为最终的预测模型。

进一步地，所述三种神经网络包括络BP神经网络、Elman神经网络以及模糊神经网络。

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神经网络群体混合计算方法，该方法通过对采集的各种数据按照天气模式聚类后，再按照不同的天气模式，对波动的压力传感器读数进行FIR滤波处理后，再将其传输至数据分析模块进行神经网络深度学习，大大提高了楼层辨识的准确性、实时性。极大改善了压力传感器获取的数据的震荡的问题，极大提高了高度数据信号分析的精度；具有普遍适应性，能够应对各种海拔高度，各种地理位置，各种天气条件下的电梯楼层识别；并不局限于运载机器人在电梯内使用，还可以在楼道中进行楼层估计，也能应用于高空作业、无人机等领域。

附图说明

图1为本发明所述方法的流程图；

图2为应用本发明所述方法识别楼层准确率示意图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

如图1所示，一种智能环境运载机器人识别楼层的神经网络群体混合计算方法，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-medoids聚类算法，设合适的模式有15个，得到单一楼层的模式1-模式15，建立各楼层模式集。

步骤5、将样品集的q个样本数据使用K-medoids聚类算法进行聚类操作，得到单一楼层的模式1-模式15。

步骤6、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15’，建立全楼层模式集。

步骤7、对于全楼层模式1’-模式15’，以同一模式下不同气压均值数据，使用蝙蝠算法优化的FIR滤波器进行滤波去噪处理

蝙蝠算法优化FIR滤波器系数具体步骤如下：

(1)将每只蝙蝠个体表示一组FIR滤波器系数，蝙蝠以随机方式在N维空间中扩散分布一组初始解，随机生成蝙蝠种群，N为滤波器阶数；设定蝙蝠总数目200，蝙蝠个体i最大脉冲频度R₀＝0.5和最大脉冲声音强度A₀＝0.5，蝙蝠搜索频度增加系数设为λ＝0.04、声音强度衰减系数α＝0.96、最大迭代次数N_max＝500、搜索脉冲频率范围[f_min＝0,f_max＝1.5]；

(2)设定适应度函数f：f＝1/J；

其中，为一个气压子样本集所有气压均值的平均值，y_i表示第i只蝙蝠对应的FIR滤波器将气压子样本集中气压均值过滤后的过滤气压均值，M表示气压子样本集中气压均值的数量；

经过FIR滤波器高度数据越平稳，则适应度函数值越大，蝙蝠个体越优秀；

(3)寻找出适应度值最大的蝙蝠个体，作为当前最优解x^*；

(4)利用当前最优解依次对所有蝙蝠个体的搜索脉冲频率、速度和位置进行更新；

(5)生成均匀分布随机数R₁′，判断R₁′＞R_i是否成立，如果成立，则利用当前最优解产生一个新的解，如果不成立则接受(4)中更新过后的位置。

其中，R₁′的取值范围为[0,1]，R_i为第i只蝙蝠的脉冲频度；

(6)生成均匀分布随机数R₂′，判断R₂′＜A_i且f(x_i)＜f(x^*)是否成立，若成立，则利用(5)得到的新的解，对第i只蝙蝠的脉冲频度和脉冲声音强度进行更新，否则，不对蝙蝠进行更新；

其中，R₂′的取值范围为[0,1]，A_i为第i只蝙蝠的脉冲声音强度；

(7)当所有更新后的蝙蝠均完成(5)和(6)的判断，从所有的蝙蝠个体中找出适应度最好的蝙蝠个体和适应度值；

(8)判断达到最大迭代次数500，若满足，则进入(9)，否则返回(4)，直到找到满足设定的最优解条件为止；

(9)输出最优蝙蝠个体，得到最优蝙蝠个体对应的FIR滤波器的系数值。

步骤6、对于全楼层模式1’-模式15’，同一模式下经过FIR滤波器滤波去噪的不同气压均值数据分为训练样本和检验样本。以气压均值数据为输入，以相应的楼层数为输出，使用三种神经网络进行训练包括BP神经网络、Elman神经网络以及模糊神经网络(ANFIS)，三种神经网络模型训练完成后，使用检验样本得到每个神经网路对于训练模型的正确估计楼层次数，选择出每个模型最适合的神经网络，得到训练模型1’-模型15’，建立模型集。

本实例中所使用的三种神经网络训练步骤如下：

BP神经网络训练过程：

1、初始化BP神经网络，训练模型最大迭代次数为2000次，学习率0.01，阈值为0.00004，其余均使用系统默认参数。

2、以同一模式下经过FIR滤波器滤波去噪的不同气压均值数据为输入，以相应的楼层数为输出。

3、如果训练中模型达到阈值或者到达最大迭代次数，训练完毕，输出对应楼层该神经网络模型。

Elman神经网络训练过程：

1、初始化Elman神经网络，训练模型最大迭代次数为2000次，学习率0.01，阈值为0.00004，隐藏层连接函数为’tansig’,输出层连接函数为’purelin’，其余均使用默认参数。

2、以同一模式下经过FIR滤波器滤波去噪的不同气压均值数据为输入，以相应的楼层数为输出。

3、如果训练中模型达到阈值或者到达最大迭代次数，训练完毕，输出对应楼层该神经网络模型。

ANFIS神经网络训练过程：

1、初始化模糊神经神经网络，训练模型最大迭代次数为2000次，学习率0.01，随机初始化模糊隶属度函数中心，宽度和系数，其余均使用默认参数。

2、以同一模式下经过FIR滤波器滤波去噪的不同气压均值数据为输入，以相应的楼层数为输出。

3、如果训练中模型到达最大迭代次数，训练完毕，输出对应楼层该神经网络模型。

步骤8、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’，该模型对应神经网络为模糊神经网络。

步骤9、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10、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11、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12、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，试验工况如下：(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2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962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96.2％，表明本发明所述方法的楼层识别准确度高。

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 (6)

1.一种智能环境运载机器人识别楼层的神经网络群体混合计算方法，其特征在于，包括以下步骤：

步骤1：采集各楼层气压数据样本；

所述各楼层气压数据是指运载机器人位于各个楼层在不同时间间隔区间中利用气压传感器、湿度传感器、温度传感器分别采集的大气压均值、湿度均值以及温度均值，一个样本是指运载机器人位于一个楼层在一个时间间隔区间中采集的大气压数据均值、湿度均值以及温度均值；

步骤2：对各楼层气压数据样本按照天气模式进行聚类，得到同一楼层在同一天气模式下的气压子样本集；

每个气压子样本集为步骤1采集的数据中同一楼层在同一天气模式下所有历史时间间隔中采集的气压均值；

步骤3：依次对每个气压子样本集中所有气压均值利用FIR滤波器进行滤波去噪处理；

所述FIR滤波器的系数采用蝙蝠算法进行寻优获取；

步骤4：利用所有去噪后的气压子样本集，构建各天气模式下的气压样本训练集；

每个天气模式下的气压样本训练子集包括同一天气模式下所有楼层的经过去噪后的气压子样本集，所有天气模式下的气压样本训练子集构成各天气模式下的气压样本训练集；

步骤5：利用各天气模式下的气压样本训练集构建基于天气模式的气压楼层预测模型；

依次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，训练神经网络，获得基于天气模式的气压楼层预测模型；

步骤6：利用运载机器人当前所在楼层层号和大气压、湿度以及温度，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7：利用运载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，所述所述FIR滤波器的系数采用蝙蝠算法进行寻优获取过程如下：

(1)将每只蝙蝠个体表示一组FIR滤波器系数，蝙蝠以随机方式在N维空间中扩散分布一组初始解，随机生成蝙蝠种群，N为滤波器阶数；

设定蝙蝠种群的数量,最大迭代次数搜索脉冲频率范围，蝙蝠个体最大脉冲频度和最大脉冲声音强度，蝙蝠搜索频度增加系数、声音强度衰减系数；

(2)设定适应度函数f：f＝1/J；

<mrow> <mi>J</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>M</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>y</mi> <mo>^</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

其中，为一个气压子样本集所有气压均值的平均值，y_i表示第i只蝙蝠对应的FIR滤波器将气压子样本集中气压均值过滤后的过滤气压均值，M表示气压子样本集中气压均值的数量；

(3)寻找出适应度值最大的蝙蝠个体，作为当前最优解x^*；

(4)利用当前最优解依次对所有蝙蝠个体的搜索脉冲频率、速度和位置进行更新；

(5)生成均匀分布随机数R₁′，判断R₁′＞R_i是否成立，如果成立，则利用当前最优解产生一个新的解，并利用新的解作为当前最优解，如果不成立，则接受(4)更新后的蝙蝠个体；

其中，R₁′的取值范围为[0,1]，R_i为第i只蝙蝠的脉冲频度；

(6)生成均匀分布随机数R₂′，判断R₂′＜A_i且f(x_i)＜f(x^*)是否成立，若成立，则利用(5)得到的新的解，对第i只蝙蝠的脉冲频度和脉冲声音强度进行更新，否则，不对蝙蝠进行更新；

其中，R₂的取值范围为[0,1]，A_i为第i只蝙蝠的脉冲声音强度；

(7)当所有更新后的蝙蝠均完成(5)和(6)的判断，从所有的蝙蝠个体中找出适应度最好的蝙蝠个体和适应度值；

(8)判断是否满足预设搜索精度或达到最大迭代次数，若满足，则进入(9)，否则返回(4)，直到找到满足设定的最优解条件为止；

(9)输出最优蝙蝠个体，得到最优蝙蝠个体对应的FIR滤波器的系数值。

3.根据权利要求2所述的方法，其特征在于，所述设定蝙蝠种群的数量取值范围为[120,300],最大迭代次数的取值范围为[300,2000],搜索脉冲频率范围[f_min＝0,f_max＝1.5]，蝙蝠个体最大脉冲频度和最大脉冲声音强度均设置为0.5，蝙蝠搜索频度增加系数为0.04、声音强度衰减系数为0.96。

4.根据权利要求1-3任一项所述的方法，其特征在于，采用k-medoids聚类方法对各楼层气压数据样本按照天气模式进行聚类，具体过程如下：

步骤2.1：设定目标聚类数目为k个簇C_i，i＝1,2…,k，k取值范围[4,10]，随机选择k个样本为初始聚类中心o_i，i＝1,2…,k；

每个样本包括在一个时间间隔区间采集的大气压均值、湿度均值以及温度均值；

步骤2.2：根据各个样本与聚类中心的距离，将每个样本分配给与之最近的一个聚类中心所在的簇；

步骤2.3：计算每个簇代价函数为平方差函数E；公式如下，直到每个簇的E都达到最小，分类完毕；

<mrow> <mi>E</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>&amp;Element;</mo> <msub> <mi>C</mi> <mi>j</mi> </msub> </mrow> </munder> <mo>|</mo> <mi>p</mi> <mo>-</mo> <msub> <mi>o</mi> <mi>i</mi> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>

其中，p为簇C_i中的样本，o_i为C_i中的聚类中心；

步骤2.4：判断每个簇的代价函数是否达到最小，若已达到最小，则当前分簇结果作为最终的聚类结果，否则，依次将每个簇中的中心与其他样本进行替换，返回步骤2.2重新分簇。

5.根据权利要求4所述的方法，其特征在于，采用至少三种神经网络进行基于天气模式的气压楼层预测模型的训练，并从各天气模式下的气压样本训练集中随机选取出测试集，对各种神经网络的训练得到的基于天气模式的气压楼层预测模型输出的预测结果进行测试，选取测试精度最高的基于天气模式的气压楼层预测模型作为最终的预测模型。

6.根据权利要求5所述的方法，其特征在于，所述三种神经网络包括BP神经网络、Elman神经网络以及模糊神经网络。