CN110972074A - 多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法 - Google Patents

多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法 Download PDF

Info

Publication number
CN110972074A
CN110972074A CN201911170493.2A CN201911170493A CN110972074A CN 110972074 A CN110972074 A CN 110972074A CN 201911170493 A CN201911170493 A CN 201911170493A CN 110972074 A CN110972074 A CN 110972074A
Authority
CN
China
Prior art keywords
mobile
agent
track
lost
data
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.)
Pending
Application number
CN201911170493.2A
Other languages
English (en)
Inventor
孙磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Chengzhi Jiyuan Technology Co Ltd
Original Assignee
Beijing Chengzhi Jiyuan Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Chengzhi Jiyuan Technology Co Ltd filed Critical Beijing Chengzhi Jiyuan Technology Co Ltd
Priority to CN201911170493.2A priority Critical patent/CN110972074A/zh
Publication of CN110972074A publication Critical patent/CN110972074A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供多移动智能体群的单个智能体丢失位置找寻后轨迹重构方法，多移动智能体群是指多个移动智能体组成的集合，实现多个移动智能体间的实时数据通信、多机编队、协同行动，多智能体群具有“个体智能+通信网络＝整体运动行为”特点，组成移动体群的每个个体都具有一定的自主能力，由于天气或地理原因造成单个移动智能体丢失位置，对于单个丢失位置移动智能体采用邻近检测获取数据信息，根据接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等数据，实现对该丢失位置智能体位置找寻。采用基于时间序列和神经网络预测的方法，根据位置丢失前历史位置数据随时间变化的规律对轨迹预测，以及位置找寻后真实轨迹信息和轨迹预测信息的对比学习，从而完成丢失位置移动智能体在位置丢失期间的运行轨迹最优化重构，保证了丢失位置移动智能体在整个移动智能体群和全过程的轨迹完整性。

Description

多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法
技术领域
本发明涉及工业、国防、航空、救援等多移动智能体群应用功能研究，多移动智能体群是指多个移动智能体组成的集合，实现多个移动智能体间的实时数据通信、多机编队、协同行动，多智能体群具有“个体智能+通信网络＝整体运动行为”特点，组成移动体群的每个个体都具有一定的自主能力，由于天气或地理原因造成单个移动智能体丢失位置，对于单个丢失位置移动智能体采用邻近检测获取数据信息，根据接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等数据，实现对该丢失位置智能体位置找寻。采用基于时间序列和神经网络预测的方法，根据位置丢失前历史位置数据随时间变化的规律对轨迹预测，以及位置找寻后真实轨迹信息和轨迹预测信息的对比学习，从而完成丢失位置移动智能体在位置丢失期间的运行轨迹最优化重构，保证了丢失位置移动智能体在整个移动智能体群和全过程的轨迹完整性。
背景技术
多移动智能体群是由不同个体相互协作、互相适应形成的连贯紧密的有机整体。移动智能体通过传感器技术获得自己的位置信息，从而保证移动智能个体与个体之间关系对群组整体行为表现，影响具体表现在如下三个方面：(1)聚集：使整个组群中的智能体紧密相邻；(2)距离保持：相邻智能体保持安全距离；(3)运动匹配：相邻智能体运动状态相同。如图1所示，多智能体的状态转移和回报都是建立在联合动作的条件下的。在陆地、陆空等复杂测环境、气候多样、背景复杂等移动智能体通过传感器会无法获得位置信息，以及恶劣天气背景混杂情况下，移动智能体通过传感器易受雨雪、雾霾、夜间等天气影响会无法获得位置信息，该智能体通过就近超过三个智能体采用邻近检测和接收信息，再结合优化的三边定位算法和三角角度测量上的算法，实现对丢失位置智能体位置找寻，避免丢失位置智能体与其它移动智能体群个体进行碰撞，为了在集体层面上保持有序的协同运动和行为，还要完成丢失位置移动智能体在位置丢失期间的运行轨迹重构。
时间序列预测是指利用获得的数据按时间顺序排成序列，分析其变化方向和程度，从而对未来若干时期可能达到的水平进行推测。时间序列预测的基本思想，就是将时间序列作为一个随机变量的一个样本，用概率统计的方法，从而尽可能减少偶然因素的影响。时间序列的特点：1.现实的、真实的一组数据，而不是数理统计中做实验得到的。既然是真实的，它就是反映某一现象的统计指标，因而，时间序列背后是某一现象的变化规律。2.动态数据。时间序列建模基本步骤是：1.用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。2.根据动态数据作相关图，进行相关分析，求自相关函数。如图2所示，太阳黑子数能显示出变化的趋势和周期。
神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，受到众多领域学者的关注。神经网络是机器智能的一部分，它模拟大脑的神经系统，更简单的说，就是人脑神经系统的一个数学模型。如图3-a所示，神经元与神经元之间依赖于突触的联接，突触的联接会受外界信息的影响或自身生长过程的影响而变化。正是通过神经元及其突触联接的可变性，使得大脑具有学习、记忆和认知等各种智能。如图3-b所示，神经元模型中x是多输入，a是单输出，连接权值w对应于突触。如图3-C所示，在实际应用中，人工神经网络模型加入阈值和激活函数处理。目前主要应用于函数逼近、模式识别、分类和数据压缩或数据挖掘。
发明内容
本发明的目的在于一种多移动智能体群的单个智能体丢失位置找寻后轨迹重构方法，移动智能体群是指多个移动智能体组成的集合，实现多个移动智能体间的实时数据通信、多机编队、协同行动，多智能体群具有“个体智能+通信网络＝整体运动行为”特点，组成移动体群的每个个体都具有一定的自主能力，由于天气或地理原因造成单个移动智能体丢失位置，对于单个丢失位置移动智能体采用邻近检测获取数据信息，根据接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等数据，实现对该丢失位置智能体位置找寻。采用基于时间序列和神经网络预测的方法，从而完成丢失位置移动智能体在位置丢失期间的运行轨迹最优化重构，保证了丢失位置移动智能体在整个移动智能体群和全过程的轨迹完整性。
单个移动智能体丢失位置前所有轨迹信息作为历史位置数据，对于该移动智能体历史位置数据在不同时间上的相继观察值排列而成的一组数字序列，时间序列分析是一种动态数据处理的统计方法，其本质特征就是相邻观测值的依赖性，随机时间序列分析所论及的就是对这种依赖性进行分析的技巧。基于随机过程理论和数理统计学方法，该移动智能体历史位置数据所遵从的规律，基于统计模型的建立与推断，以及时间序列的最优预测、控制与滤波等以用于位置丢失后随时间变化的轨迹预测。如图4-a所示，根据位置丢失前历史位置数据随时间变化的规律对轨迹预测，如图4-b所示，时间序列的预测用于位置丢失后随时间变化的轨迹。
采用误差反传算法或其变化形式的网络模型(简称BP网络)是一种多层网络的“逆推”学习算法。学习过程由信号的正向传播与误差的反向传播组成。如图5所示，正向传播时，输入样本从输入层传入，经隐层逐层处理后传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形势通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度，或进行到预订的设定的学习次数为止。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1是多移动智能体群体系结构；
图2是时间序列的预测太阳黑子数；
图3是脑神经和神经元模型；
图4是时间序列的预测用于位置丢失前后随时间变化的轨迹。；
图5是采用误差反传算法神经网络；
图6是位置丢失智能体找回位置具体数据处理过程；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
本实施例提供多智能体群是多个智能体组成的集合，具有自主性、分布性、协调性，并具有自组织能力、学习能力和推理能力。每个智能体具有其环境的一个局部视图并对其环境具有局部地作了反应的能力和权利。由于天气或地理原因造成单个移动智能体丢失位置，对于单个丢失位置移动智能体采用邻近检测获取数据信息，根据接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA) 等数据，实现对该丢失位置智能体位置找寻。信号强度渐变模型中，当定位终端离基站距离越远时，接收到的RSSI值变化会越来越小，这就会导致距离越远，基站与定位终端的距离误差越大，相应的造成定位误差变大，由此，我们可以采取加权的思想，将距离小的(精确度高)赋予较大的权值，距离大的(精确度低)的赋予较小的权值。对收集到的所有基站，经由id分为组n后，求组合数C(n，3)，并对每组分别进行三边定位；接着根据距离越大定位误差越大的原则，赋以权值(为每个基站到定位终端测得的距离)。最后，由每个组合得到的结果加权得到最终的定位结果。
单个移动智能体丢失位置前所有轨迹信息作为历史位置数据，对于该移动智能体历史位置数据在不同时间上的相继观察值排列而成的一组数字序列，时间序列分析具体的实现①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。③预测未来。预测该时间序列未来值，用于位置丢失后随时间变化的轨迹。
时间序列是按时间顺序的一组数字序列。其中，时间序列即是把客观过程一个变量或一组变量X(t) 将行量度，在时刻：t1＜t2＜…＜tn上得到以时间t为自变量、离散化的有序集合。
X(t1)，X(t2)，…，X(tn)自变量t丢失位置前所有轨迹信息作为历史位置数据，
首先采用简单算术平均法对数据进行处理，时间序列的各期观察值为
Figure RE-GSB0000186043190000031
式中
Figure RE-GSB0000186043190000032
表示观察值时间序列平均数；n表示观察时期数；Xt表示时间序列各组观察值。
利用不同的时期所对应的权数不同，来体现由于时间差异而取得的信息的重要性不同，或根据预测者的能力大小不同也可以利用加权法来体现其重要性的区别。加权算术平均法其公式是：
Figure RE-GSB0000186043190000033
式中Wi表示同的时期所对应的权数
BP神经网络通过对以往历史数据的学习，找出数据的变化趋势之间的非线性关系，并将其存储在网络具体的权值和阀值中，从而预测未来数据的走势。
Xn+m+k＝f(Xn，Xn+1，…，Xn+m)
用神经网络进行预测，即用神经网络通过一组数据点Xn，Xn+1，…，Xn+m，来拟合函数f，得出未来 (k＞1)n+m+k时刻数据的预测值。
当k＝1时，且网络的所有输入数据都是时间序列的实际观测值时所做的预测就是单步预测。
在进行预测时，把实际的时序观测值Xn，Xn+1，…，Xn+m，这m个数据输入网络，输出是下一时刻的预测值X′n+m+1，若要继续对Xn+m+2的值进行预测，则用实际观测值Xn+1，Xn+2，…，Xn+m+1作为输入数据，得到预测值X′n+m+2
当k＞1时，迭代一步预测，是先进行单步预测，再将网络输出的预测值反馈给网络输入端作为输入的一部分，用于下一步的预测。若开始预测时输入数据是实际的时序观测值Xn，Xn+1，…，Xn+m输出是下一时刻的预测值X′n+m+1，将X′n+m+1与Xn+1，Xn+2，…，Xn+m一起作为输入数据对Xn+m+2项进行估计，得到输出的预测值X′n+m+2，如此反复迭代，就得到对未来一段时期的预测值。
如图6所示位置丢失智能体找回位置具体数据处理过程，单个移动智能体在丢失位置前，位置找寻过程中，以及位置找寻后，采用神经网络预测的方法对轨迹预测，由于神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，该移动智能体神经网络由分布于若干层的节点组成，每个单节点都有自己的输入值、权重、求和与激活函数以及输出值，在处理之前，丢失位置前的位置数据作为训练数据集，位置找寻后位置数据作为测试数据集，然后将权重或输入，指派到第一层的每一个节点。每次重复时，系统处理输入，并与实际值相比较，得到度量后的误差，并反馈给系统，调整权重。调整后的权重都能更好地预测实际值，当达到预定义的最小误差水平时，从而实现位置丢失后随时间变化的轨迹预测。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法，其特征在于：
多移动智能体群是指多个移动智能体组成的集合，实现多个移动智能体间的实时数据通信、多机编队、协同行动，多智能体群具有“个体智能+通信网络＝整体运动行为”特点，组成移动体群的每个个体都具有一定的自主能力，由于天气或地理原因造成单个移动智能体丢失位置，对于单个丢失位置移动智能体采用邻近检测获取数据信息，根据接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等数据，实现对该丢失位置智能体位置找寻。采用基于时间序列和神经网络预测的方法，根据位置丢失前历史位置数据随时间变化的规律对轨迹预测，以及位置找寻后真实轨迹信息和轨迹预测信息的对比学习，从而完成丢失位置移动智能体在位置丢失期间的运行轨迹最优化重构，保证了丢失位置移动智能体在整个移动智能体群和全过程的轨迹完整性。
2.根据权利要求1所述的方法，其特征在于：
单个移动智能体丢失位置前所有轨迹信息作为历史位置数据，对于该移动智能体历史位置数据在不同时间上的相继观察值排列而成的一组数字序列，时间序列分析是一种动态数据处理的统计方法，其本质特征就是相邻观测值的依赖性，随机时间序列分析所论及的就是对这种依赖性进行分析的技巧。基于随机过程理论和数理统计学方法，该移动智能体历史位置数据所遵从的规律，基于统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等以用于位置丢失后随时间变化的轨迹预测。
3.根据权利要求1所述的方法，其特征在于：
单个移动智能体在丢失位置前，位置找寻过程中，以及位置找寻后，采用神经网络预测的方法对轨迹预测，由于神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，该移动智能体神经网络由分布于若干层的节点组成，每个单节点都有自己的输入值、权重、求和与激活函数以及输出值，在处理之前，丢失位置前的位置数据作为训练数据集，位置找寻后位置数据作为测试数据集，然后将权重或输入，指派到第一层的每一个节点。每次重复时，系统处理输入，并与实际值相比较，得到度量后的误差，并反馈给系统，调整权重。调整后的权重都能更好地预测实际值，当达到预定义的最小误差水平时，从而实现位置丢失后随时间变化的轨迹预测。
CN201911170493.2A 2019-11-26 2019-11-26 多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法 Pending CN110972074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911170493.2A CN110972074A (zh) 2019-11-26 2019-11-26 多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911170493.2A CN110972074A (zh) 2019-11-26 2019-11-26 多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法

Publications (1)

Publication Number Publication Date
CN110972074A true CN110972074A (zh) 2020-04-07

Family

ID=70031669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911170493.2A Pending CN110972074A (zh) 2019-11-26 2019-11-26 多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法

Country Status (1)

Country Link
CN (1) CN110972074A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111988744A (zh) * 2020-08-31 2020-11-24 重庆邮电大学 一种基于用户移动模式的位置预测方法
CN112309115A (zh) * 2020-10-27 2021-02-02 华中科技大学 基于多传感器融合的场内外连续位置检测与停车精确定位方法
CN112689122A (zh) * 2020-11-30 2021-04-20 贵州力创科技发展有限公司 一种基于移动通信大数据的人群流动监控方法及系统
CN115166634A (zh) * 2022-05-18 2022-10-11 北京锐士装备科技有限公司 一种多手段结合的无人机飞手定位方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111988744A (zh) * 2020-08-31 2020-11-24 重庆邮电大学 一种基于用户移动模式的位置预测方法
CN111988744B (zh) * 2020-08-31 2022-04-01 重庆邮电大学 一种基于用户移动模式的位置预测方法
CN112309115A (zh) * 2020-10-27 2021-02-02 华中科技大学 基于多传感器融合的场内外连续位置检测与停车精确定位方法
CN112309115B (zh) * 2020-10-27 2022-04-15 华中科技大学 基于多传感器融合的场内外连续位置检测与停车精确定位方法
CN112689122A (zh) * 2020-11-30 2021-04-20 贵州力创科技发展有限公司 一种基于移动通信大数据的人群流动监控方法及系统
CN115166634A (zh) * 2022-05-18 2022-10-11 北京锐士装备科技有限公司 一种多手段结合的无人机飞手定位方法及系统

Similar Documents

Publication Publication Date Title
CN110972074A (zh) 多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法
CN106815971B (zh) 一种基于rbf神经网络的滑坡灾害预报方法
Shiri et al. Estimating daily pan evaporation from climatic data of the State of Illinois, USA using adaptive neuro-fuzzy inference system (ANFIS) and artificial neural network (ANN)
CN107707657B (zh) 基于多传感器的安全监护系统
CN102622418B (zh) 一种基于bp神经网络的预测装置及设备
Liu et al. A survey on rainfall forecasting using artificial neural network
Akgüngör et al. An artificial intelligent approach to traffic accident estimation: Model development and application
CN110401978B (zh) 基于神经网络和粒子滤波多源融合的室内定位方法
CN102622515A (zh) 一种天气预测方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
Sreelakshmi et al. Neural networks for short term wind speed prediction
CN113988263A (zh) 工业物联网边缘设备中基于知识蒸馏的空时预测方法
CN114418183B (zh) 畜禽健康体征大数据物联网检测系统
CN112529270A (zh) 基于深度学习的水流量预测模型
CN113688200B (zh) 一种基于决策树的特殊人群行动轨迹收集方法及系统
CN109862625A (zh) 一种基于深度学习的短波测向灵活组网方法
JPH0949884A (ja) ニューラルネットワークを用いた局地的気象予測方法
CN115062764A (zh) 光照度智能调节与环境参数物联网大数据系统
Parsapoor et al. Reinforcement _recurrent fuzzy rule based system based on brain emotional learning structure to predict the complexity dynamic system
Oyediran et al. Performance evaluation of neural network MLP and ANFIS models for weather forecasting studies
CN111473768B (zh) 一种建筑物安全智能检测系统
CN114417242A (zh) 畜禽活动信息的大数据检测系统
Lei The Reconstruction of the Historical Moving Path for Certain Lost Agent in One Multi-mobile Intelligence Agent Group
Loh et al. Application of discrete wavelet transformation with artificial neural network in Kelantan water level prediction
Nimvari et al. Accurate prediction of differential GPS corrections using fuzzy cognitive map

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200407