城市軌道交通中的信息融合應用摘要:本文簡介了信息融合方法,并針對城市軌道交通發展提出了遺傳算法與模糊控制結合進行監控的方法,該方法簡單明了,便于直接使用。關鍵詞:信息融合,遺傳算法,模糊控制,城市軌道交通1引言 隨著城市軌道交通的發展,實時動態數據反映成為監控機車狀態的重要組成部分,而遺傳算法與模糊控制方法所具有很好的魯棒性和形式上的簡單明了使得它必然可以在城市軌道交通上得到巨大應用。遺傳算法是一種自然進化系統的計算模型,也是一種通用的求解優化問題的適應性搜索方法,尤其是后者得到人們關注和普遍使用。而模糊控制則是近代控制理論中建立在模糊結合論基礎上的一種基于語言規則與模糊推理的控制理論。 目前我國城市軌道交通建設正在蓬勃發展,伴隨是城市軌道交通信息的大量增多與多信息融合,而在信息融合中經常會運用到遺傳算法與模糊規則相結合的方法。2信息融合結構方法 信息融合由于其應用上的復雜性和多樣性,決定了信息融合的研究內容極其豐富,涉及的基礎理論較多。多傳感器信息融合根據信息表征的層次結構,其基本方法可分為3類: 數據層融合:在數據層融合中,每一個傳感器觀測物體并且組合來自傳感器的原始數據.然后,進行特征識別過程.此過程一般是從原始數據中提取一個特征矢量來完成,并且根據此特征做出決策。 特征層融合:在特征層融合中,從觀測數據中提取許多特征矢量后把它們連接成單個矢量,下一步進行識別.在該情況下,需要的通訊帶寬減小,結果的精確性也相應減小,主要是因為在原始數據中生成特征矢量的同時,信息也在丟失。 決策層融合:在決策層融合中,每一個傳感器依據本身的單源數據做出決策.這些決策被融合生成最后的決策,在上面闡述的3種結構中,精確性是最差的,但需要的帶寬最小。 對于信息融合算法具體可以分為以下四類:估計方法、分類方法、推理方法和人工智能方法。2.1估計方法 加權平均法是最簡單、最直觀融合多傳感器低層數據的方法,該方法將由一組傳感器提供的冗余信息進行加權平均,并將加權平均值作為信息融合值;利用最小二乘法原理可導出的數據平滑程序在許多情況下能夠去除或減少測量過程中由于偶然因素帶來的誤差,使平滑后的數據一般會比原數據更有規律性;卡爾曼濾波用于實時融合動態的低層次冗余多傳感器數據,該方法用測量模型的統計特性遞推決定在統計意義下是最優的融合數據估計。2.2分類方法 分類方法主要有參數模板法和聚類分析。無監督或自組織學習算法諸如學習向量量化法(learningvec-torquantization,LVQ),K—均值聚類(K—meansclus-tering),Kohonen特性圖(Kohonenfuturemap)也常用作多傳感器數據的分類。K—均值聚類算法是最常用的無監督學習算法之一,而自適應K—均值方法的更新規則成了Kohonen特性圖的基礎。此外自適應共振理論(ART)、自適應共振理論映射(ARTMAP)和模糊自適應共振理論網絡(fuzzy—ARTnetwork)以自適應的方法進行傳感器融合。它們能夠自動調整權值并且能在環境變化和輸入漂移的情況下保持穩定。2.3推理方法 貝葉斯估計是融合靜態環境中多傳感器低層信息的一種常用方法.其信息描述為概率分布,適用于具有可加高斯噪聲的不確定性;D—S是基于證據理論的一種推理算法,是貝葉斯方法的擴展。該算法解決了概率中的兩個困難問題:一是能夠對“未知”給出顯式表示;二是當證據對一個假設部分支持時,該證據對假設否定的支持也能用明確的值表示出來。2.4人工智能人工智能方法對融合大量的傳感器信息,用以非線性和不確定的場合頗有優勢。可分為專家系統、神經網絡和模糊邏輯。專家系統是一種基于人工智能的計算機信息系統。神經網絡是一個具有高度非線性的超大規模連續時間自適應信息處理系統。模糊邏輯是多值邏輯,它允許將傳感器信息融合過程中的不確定性直接表示在推理過程中。模糊集理論的基本思想是把普通集合中絕對隸屬關系靈活化,使元素對集合的隸屬度從原來只能取{0,1}中的值擴充到[0,1]區間中的任一數值,因此很適合于對傳感器信息不確定性進行描述和處理。模糊集表達了一個不確定概念,應用模糊理論并結合其它手段與算法,如神經網絡、遺傳算法等,可以取得更好的融合結果。3車速監控方法3.1簡介遺傳算法 按照達爾文的進化論中的適者生存理論,計算科學學者提出了進化算法。進化算法是一種基于自然選擇和遺傳變異等生物進化機制的全局性概率搜索方法。 從整體上來講,遺傳算法是進化算法中產生最早、影響最大、應用也比較廣泛的一個研究方向和領域,它不僅包含了進化算法的基本形式和全部優點,同時還具有若干獨特性能,其優點主要有以下幾個方面: 1)遺傳算法的搜索過程是從一群初始點開始搜索,而不是從單一的初始點開始搜索,這種機制意味著搜索過程可以有效地跳過局部極值點。 2)遺傳算法具有顯著地隱式并行性(implicitpar-allelism),其進化算法雖然在每一代只對有限解個體進行操作,但處理的信息量為群體規模的高次方。 3)遺傳算法形式上簡單明了,便于和其他方法結合。 4)遺傳算法具有很強的魯棒性(robustness),即在存在噪聲的情況下,對同一問題的遺傳算法的多次求解中得到的結果是相似的。3.2遺傳算法對采集速度值融合 列車速度可由車輪上的傳感器采集的轉速求得,但是所測速度會有一定誤差,這時我們可以以短時間內采集速度作為初始代群體開始應用遺傳算法進行信息優化,其過程如下例: 取4個速度值(s/m):8,13,19,24。 取適應值函數f(x)=x3 (f(x)=x3與f(x)=x有相同的遞加遞減關系)。 以輪盤賭方式進行個體優勝劣汰的選擇。接著,我們按照遺傳策略運用選擇、交叉(變異概率pm很小,一般在0.005～0.01,設pm=0.01,則每代有4*5*0.01=0.2個變異,即認為在一代內不發生變異), 用以形成下一代群體;如表2: 由上表可見,隨著一代的遺傳操作,群體的平均適應度提高了,當前群體最佳個體也得到了改善。隨著迭代次數的增加,群體將逐漸進化到該問題的最優解。3.3模糊控制 首先設列車監控速度的模糊語言集合如下:{快,稍快,適中,稍慢,慢}設定其相應的語言變量,記作:F(fast)=快LF(littlefast)=稍快E(equal)=適中LS(littleslowly)=稍慢S(slowly)=慢 其相應隸屬度函數如下圖2所示,其橫坐標標示速度快慢,縱坐標為隸屬度。為了計算簡單,提高運算速度,采用了線性函數。 以D表示速度狀態,U表示輸出,P表示加速,LP稍加速,F表示保持目前狀態,LN表示稍減速,N表示減速根據模糊關系制定相應模糊規則如表3:4結束語 本文對日益發展的城市軌道交通提出了一種遺傳算法與模糊邏輯相結合的監控方法,形式上簡單明了,應用中可有效簡捷地實現人的控制策略與經驗,且模糊控制中不需被控對象的數學模型即可較好控制。參考文獻:[1]何友,王國宏,彭應寧等多傳感器信息融合及應用[2]羅志增,蔣靜坪機器人感覺與多信息融合[3]李敏強,芤紀松,林丹,李書全遺傳算法的基本理論與應用