CN117533919A - 一种智能感应电梯门 - Google Patents
一种智能感应电梯门 Download PDFInfo
- Publication number
- CN117533919A CN117533919A CN202310905322.XA CN202310905322A CN117533919A CN 117533919 A CN117533919 A CN 117533919A CN 202310905322 A CN202310905322 A CN 202310905322A CN 117533919 A CN117533919 A CN 117533919A
- Authority
- CN
- China
- Prior art keywords
- data
- elevator door
- neural network
- cluster
- sensor
- 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
Links
- 230000006698 induction Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000007621 cluster analysis Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000007787 long-term memory Effects 0.000 claims abstract description 5
- 230000000306 recurrent effect Effects 0.000 claims abstract description 5
- 230000006403 short-term memory Effects 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 9
- 235000012571 Ficus glomerata Nutrition 0.000 claims description 8
- 244000153665 Ficus glomerata Species 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 6
- 238000011426 transformation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 230000001934 delay Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B13/00—Doors, gates, or other apparatus controlling access to, or exit from, cages or lift well landings
- B66B13/02—Door or gate operation
- B66B13/14—Control systems or devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B13/00—Doors, gates, or other apparatus controlling access to, or exit from, cages or lift well landings
- B66B13/24—Safety devices in passenger lifts, not otherwise provided for, for preventing trapping of passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B13/00—Doors, gates, or other apparatus controlling access to, or exit from, cages or lift well landings
- B66B13/30—Constructional features of doors or gates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种智能感应电梯门，包括：传感器数据处理模块，基于卡尔曼滤波器对传感器数据进行处理以减少噪声和干扰，后成为原声数据；神经网络训练模块，使用神经网络对所述原声数据优化输出信号，采用递归神经网络与长短期记忆网络结合，并通过使用梯度下降算法进行训练；应用特征层面提取模块，通过小波变换和离散小波变换提取上述训练后得到的输出信号的特征，成为特征集合数据；训练数据处理模块，根据聚类分析方法对所述特征集合数据进行处理，以获得最佳神经网络模型。该发明提供的智能感应电梯门，保证传感器检测数据的灵敏度，从而提高电梯门的感应效能。
Description
技术领域
本发明涉及电梯开关门感应技术领域，具体涉及一种智能感应电梯门。
背景技术
根据公开(公告)号：CN208829086U，公开(公告)日：2019-05-07，公开的一种智能感应的电梯门，可知电梯开关门感应技术主要采用红外线传感器检测通过电梯门的红外线被截断状态判断是否电梯是否处于上人/下人阶段。而红外线传感器的布置，一般是分布在电梯门顶部，或者电梯门两侧，采用线性阵列的方式进行排布。
由于电梯运行，上下人是一个频繁的过程，所以传感器是需要在复杂环境中进行监测和控制的。但是在这些环境中，传感器信号往往存在大量的其他因素被干扰，如噪音、其他光线等等因素，均会影响传感器的灵敏度和准确性。从而就是发生我们常见的电梯门夹人，电梯门检测有人处于门处无法关闭的现象，或者是红外传感器报错等问题的发生。
发明内容
本发明的目的是提供一种智能感应电梯门，用于解决上述问题。
为了实现上述目的，本发明提供如下技术方案：一种智能感应电梯门，包括：
传感器数据处理模块，基于卡尔曼滤波器对传感器数据进行处理以减少噪声和干扰，后成为原声数据；
神经网络训练模块，使用神经网络对所述原声数据优化输出信号，采用递归神经网络与长短期记忆网络结合，并通过使用梯度下降算法进行训练；
应用特征层面提取模块，通过小波变换和离散小波变换提取上述训练后得到的输出信号的特征，成为特征集合数据；
训练数据处理模块，根据聚类分析方法对所述特征集合数据进行处理，以获得最佳神经网络模型。
作为优选的，所述卡尔曼滤波器对所述传感器数据的处理步骤包括以下几个步骤：
S11、预测计算，
X(k|k-1)＝A*X(k-1|k-1)+B*u(k)
P(k|k-1)＝A*P(k-1|k-1)*A'+Q
S12、更新计算，
K(k)＝P(k|k-1)*H'*(H*P(k|k-1)*H'+R)^-1
X(k|k)＝X(k|k-1)+K(k)*(Z(k)-H*X(k|k-1))
P(k|k)＝(I-K(k)*H)*P(k|k-1)*(I-K(k)*H)'+K(k)*R*K(k)'
其中：
X(k|k-1)表示在时刻k-1的先验物理状态；
X(k|k)表示在时刻k的后验物理状态；
u(k)为外部输入，A和B为状态转移矩阵和控制输入转移矩阵；
P(k|k-1)表示在时刻k-1的物理状态估计的协方差；
Q为过程噪声协方差矩阵；
K(k)为卡尔曼增益矩阵；
Z(k)为时刻k的观测值；
H为观测矩阵；
R为测量噪声方差矩阵。
作为优选的，所述小波变换方法对特征提取包括以下步骤：
S21、对所述输出信号进行小波分解，得到其不同尺度下的小波系数；
S22、对小波系数进行阈值处理，保留系数中的重要特征；
S23、将阈值处理后的系数进行小波重构，得到传感器的a类数据；
作为优选的，所述离散小波变换方法对特征提取包括以下步骤：
S31、针对传感器数据进行时频分析，得到其在不同时间和频率上的能量分布；
S32、提取时频分布中的重要特征，其包括能量峰值、时间延迟以及频率偏移；
S33、将提取到的重要特征用于优化传感器输出信号，得到传感器的b类数据。
作为优选的，所述应用聚类分析的层次聚类方法包括以下步骤：
S41、将训练数据集中的传感器信号进行分组，每组数据都具有相似的结构和特征；
S42、对每组数据进行层次聚类，以获得聚类树；
S43、从聚类树中选择合适的聚类簇，并将其用于神经网络的训练。
作为优选的，所述应用聚类分析还包括对K均值聚类的处理方法，其步骤包括：
S51、对训练数据集中的传感器信号进行分组，每组数据都具有相似的结构和特征；
S52、选择K值；
S53、在训练数据集上运行K均值聚类算法以获得聚类簇，聚类簇的中心即为该簇内的所有数据的平均值；
S54、将聚类簇的中心用于神经网络的训练。
作为优选的，所述卡尔曼滤波器和神经网络程序均可运行于单片机内。
在上述技术方案中，本发明提供的一种智能感应电梯门，具备以下有益效果：通过卡尔曼滤波方法以及神经网络训练方法相结合，对传感器采集的初级数据进行滤波降噪处理后，代入神经网络训练模型内进行特征提取，从而获取最佳神经网络模型，以保证传感器检测数据的灵敏度，从而提高电梯门的感应效能，规避传统的由于传感器敏感度不高造成的电梯门夹人，电梯门检测有人处于门处无法关闭的现象发生。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的模块结构示意图；
图2为本发明实施例提供的流程结构示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1所示，一种智能感应电梯门，包括：
传感器数据处理模块，基于卡尔曼滤波器对传感器数据进行处理以减少噪声和干扰，后成为原声数据；
神经网络训练模块，使用神经网络对原声数据优化输出信号，采用递归神经网络与长短期记忆网络结合，并通过使用梯度下降算法进行训练；
应用特征层面提取模块，通过小波变换和离散小波变换提取上述训练后得到的输出信号的特征，成为特征集合数据；
训练数据处理模块，根据聚类分析方法对特征集合数据进行处理，以获得最佳神经网络模型。
进一步的，卡尔曼滤波器对传感器数据的处理步骤包括以下几个步骤：
S11、预测计算，
X(k|k-1)＝A*X(k-1|k-1)+B*u(k)
P(k|k-1)＝A*P(k-1|k-1)*A'+Q
S12、更新计算，
K(k)＝P(k|k-1)*H'*(H*P(k|k-1)*H'+R)^-1
X(k|k)＝X(k|k-1)+K(k)*(Z(k)-H*X(k|k-1))
P(k|k)＝(I-K(k)*H)*P(k|k-1)*(I-K(k)*H)'+K(k)*R*K(k)'
其中：
X(k|k-1)表示在时刻k-1的先验物理状态；
X(k|k)表示在时刻k的后验物理状态；
u(k)为外部输入，A和B为状态转移矩阵和控制输入转移矩阵；
P(k|k-1)表示在时刻k-1的物理状态估计的协方差；
Q为过程噪声协方差矩阵；
K(k)为卡尔曼增益矩阵；
Z(k)为时刻k的观测值；
H为观测矩阵；
R为测量噪声方差矩阵。
再者，小波变换方法对特征提取包括以下步骤：
S21、对输出信号进行小波分解，得到其不同尺度下的小波系数；
S22、对小波系数进行阈值处理，保留系数中的重要特征；
S23、将阈值处理后的系数进行小波重构，得到传感器的a类数据；
更为进一步的，离散小波变换方法对特征提取包括以下步骤：
S31、针对传感器数据进行时频分析，得到其在不同时间和频率上的能量分布；
S32、提取时频分布中的重要特征，其包括能量峰值、时间延迟以及频率偏移；
S33、将提取到的重要特征用于优化传感器输出信号，得到传感器的b类数据。
其次，应用聚类分析的层次聚类方法包括以下步骤：
S41、将训练数据集中的传感器信号进行分组，每组数据都具有相似的结构和特征；
S42、对每组数据进行层次聚类，以获得聚类树；
S43、从聚类树中选择合适的聚类簇，并将其用于神经网络的训练。
作为优选的，应用聚类分析还包括对K均值聚类的处理方法，其步骤包括：
S51、对训练数据集中的传感器信号进行分组，每组数据都具有相似的结构和特征；
S52、选择K值；
S53、在训练数据集上运行K均值聚类算法以获得聚类簇，聚类簇的中心即为该簇内的所有数据的平均值；
S54、将聚类簇的中心用于神经网络的训练。
此外，卡尔曼滤波器和神经网络程序均可运行于单片机内。
实施例二
基于实施例一提供的装置对上述装置模块运行进行步骤解释，结合图2可知，包括以下步骤：
A、卡尔曼滤波器对传感器数据进行预测计算：X(k|k-1)＝A*X(k-1|k-1)+B*u(k)，P(k|k-1)＝A*P(k-1|k-1)*A'+Q；然后再执行更新计算： K(k)＝P(k|k-1)*H'*(H*P(k|k-1)*H'+R)^-1，X(k|k)＝X(k|k-1)+K(k)*(Z(k)-H*X(k|k-1)) ，P(k|k)＝(I-K(k)*H)*P(k|k-1)*(I-K(k)*H)'+K(k)*R*K(k)'以减少噪声和干扰，后成为原声数据；
B、使用神经网络对原声数据优化输出信号，采用递归神经网络与长短期记忆网络结合，并通过使用梯度下降算法进行训练；
C、通过小波变换和离散小波变换提取上述训练后得到的输出信号的特征，成为特征集合数据：
C-1、对输出信号进行小波分解，得到其不同尺度下的小波系数；
C-2、对小波系数进行阈值处理，保留系数中的重要特征；
C-3、将阈值处理后的系数进行小波重构，得到传感器的a类数据；
C-4、针对传感器数据进行时频分析，得到其在不同时间和频率上的能量分布；
C-5、提取时频分布中的重要特征，其包括能量峰值、时间延迟以及频率偏移；
C-6、将提取到的重要特征用于优化传感器输出信号，得到传感器的b类数据。
根据聚类分析方法对特征集合数据进行处理，以获得最佳神经网络模型
D、根据聚类分析方法对特征集合数据进行处理，以获得最佳神经网络模型；其中：
D-1、应用聚类分析的层次聚类方法包括以下步骤：
S41、将训练数据集中的传感器信号进行分组，每组数据都具有相似的结构和特征；
S42、对每组数据进行层次聚类，以获得聚类树；
S43、从聚类树中选择合适的聚类簇，并将其用于神经网络的训练；
D-2、应用聚类分析还包括对K均值聚类的处理方法，其步骤包括：
S51、对训练数据集中的传感器信号进行分组，每组数据都具有相似的结构和特征；
S52、选择K值；
S53、在训练数据集上运行K均值聚类算法以获得聚类簇，聚类簇的中心即为该簇内的所有数据的平均值；
S54、将聚类簇的中心用于神经网络的训练。
综上，通过卡尔曼滤波方法以及神经网络训练方法相结合，对传感器采集的初级数据进行滤波降噪处理后，代入神经网络训练模型内进行特征提取，从而获取最佳神经网络模型，以保证传感器检测数据的灵敏度，从而提高电梯门的感应效能，规避传统的由于传感器敏感度不高造成的电梯门夹人，电梯门检测有人处于门处无法关闭的现象发生
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。
Claims (9)
1.一种智能感应电梯门，其特征在于，包括：
传感器数据处理模块，基于卡尔曼滤波器对传感器数据进行处理以减少噪声和干扰，后成为原声数据；
神经网络训练模块，使用神经网络对所述原声数据优化输出信号，采用递归神经网络与长短期记忆网络结合，并通过使用梯度下降算法进行训练；
应用特征层面提取模块，通过小波变换和离散小波变换提取上述训练后得到的输出信号的特征，成为特征集合数据；
训练数据处理模块，根据聚类分析方法对所述特征集合数据进行处理，以获得最佳神经网络模型。
2.根据权利要求1所述的一种智能感应电梯门，其特征在于，所述卡尔曼滤波器对所述传感器数据的处理步骤包括以下几个步骤：
S11、预测计算，
X(k|k-1)＝A*X(k-1|k-1)+B*u(k)
P(k|k-1)＝A*P(k-1|k-1)*A'+Q
S12、更新计算，
K(k)＝P(k|k-1)*H'*(H*P(k|k-1)*H'+R)^-1
X(k|k)＝X(k|k-1)+K(k)*(Z(k)-H*X(k|k-1))
P(k|k)＝(I-K(k)*H)*P(k|k-1)*(I-K(k)*H)'+K(k)*R*K(k)'
其中：
X(k|k-1)表示在时刻k-1的先验物理状态；
X(k|k)表示在时刻k的后验物理状态；
u(k)为外部输入，A和B为状态转移矩阵和控制输入转移矩阵；
P(k|k-1)表示在时刻k-1的物理状态估计的协方差；
Q为过程噪声协方差矩阵；
K(k)为卡尔曼增益矩阵；
Z(k)为时刻k的观测值；
H为观测矩阵；
R为测量噪声方差矩阵。
3.根据权利要求1所述的一种智能感应电梯门，其特征在于，所述小波变换方法对特征提取包括以下步骤：
S21、对所述输出信号进行小波分解，得到其不同尺度下的小波系数；
S22、对小波系数进行阈值处理，保留系数中的重要特征；
S23、将阈值处理后的系数进行小波重构，得到传感器的a类数据。
4.根据权利要求1所述的一种智能感应电梯门，其特征在于，所述离散小波变换方法对特征提取包括以下步骤：
S31、针对传感器数据进行时频分析，得到其在不同时间和频率上的能量分布；
S32、提取时频分布中的重要特征，其包括能量峰值、时间延迟以及频率偏移；
S33、将提取到的重要特征用于优化传感器输出信号，得到传感器的b类数据。
5.根据权利要求1所述的一种智能感应电梯门，其特征在于，所述应用聚类分析的层次聚类方法包括以下步骤：
S41、将训练数据集中的传感器信号进行分组，每组数据都具有相似的结构和特征；
S42、对每组数据进行层次聚类，以获得聚类树；
S43、从聚类树中选择合适的聚类簇，并将其用于神经网络的训练。
6.根据权利要求1所述的一种智能感应电梯门，其特征在于，所述应用聚类分析还包括对K均值聚类的处理方法，其步骤包括：
S51、对训练数据集中的传感器信号进行分组，每组数据都具有相似的结构和特征；
S52、选择K值；
S53、在训练数据集上运行K均值聚类算法以获得聚类簇，聚类簇的中心即为该簇内的所有数据的平均值；
S54、将聚类簇的中心用于神经网络的训练。
7.根据权利要求1所述的一种智能感应电梯门，其特征在于，所述卡尔曼滤波器和神经网络程序均可运行于单片机内。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述智能感应电梯门的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述智能感应电梯门的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905322.XA CN117533919A (zh) | 2023-07-24 | 2023-07-24 | 一种智能感应电梯门 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905322.XA CN117533919A (zh) | 2023-07-24 | 2023-07-24 | 一种智能感应电梯门 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117533919A true CN117533919A (zh) | 2024-02-09 |
Family
ID=89782917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310905322.XA Pending CN117533919A (zh) | 2023-07-24 | 2023-07-24 | 一种智能感应电梯门 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117533919A (zh) |
-
2023
- 2023-07-24 CN CN202310905322.XA patent/CN117533919A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021056724A1 (zh) | 异常检测方法、装置、电子设备及存储介质 | |
| Frei et al. | Intrinsic time-scale decomposition: time–frequency–energy analysis and real-time filtering of non-stationary signals | |
| CN103019669B (zh) | 一种来自局部设计模型的软件测试案例生成的方法及系统 | |
| CN102288843A (zh) | 一种电能质量扰动信号检测方法 | |
| CN103809439B (zh) | 一种适用于遥操作系统控制参数的递阶辨识方法 | |
| CN104021289A (zh) | 一种非高斯非稳态噪声建模方法 | |
| CN110909480B (zh) | 一种水轮机振动信号的去噪方法与装置 | |
| CN110797031A (zh) | 语音变音检测方法、系统、移动终端及存储介质 | |
| CN103310113A (zh) | 一种基于频带分离和数据建模的通用血糖预测方法 | |
| CN105259410A (zh) | 一种强噪声干扰下的欠采样波形的频率估计方法及其装置 | |
| CN115993504B (zh) | 一种电气设备的智能故障诊断方法及系统 | |
| CN111709350B (zh) | 基于fcm聚类的低频振荡模态参数识别方法及系统 | |
| US20220269988A1 (en) | Abnormality degree calculation system and abnormality degree calculation method | |
| CN109214318B (zh) | 一种寻找非稳态时间序列微弱尖峰的方法 | |
| CN117533919A (zh) | 一种智能感应电梯门 | |
| CN103530857B (zh) | 基于多尺度的卡尔曼滤波图像去噪方法 | |
| CN108548669B (zh) | 一种工程装备传动系统故障诊断方法及系统 | |
| WO2023093029A1 (zh) | 唤醒词能量计算方法、系统、语音唤醒系统及存储介质 | |
| CN103840793B (zh) | 一种形态滤波方法及装置 | |
| CN110459197A (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
| CN105654964A (zh) | 录音音频设备源认定方法和装置 | |
| CN113011597B (zh) | 一种回归任务的深度学习方法和装置 | |
| CN117828285B (zh) | 一种生产数据管理系统及方法 | |
| CN118094201B (zh) | 一种自适应多变量故障特征提取与增强方法 | |
| CN112116917A (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 |
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 |