[發明專利]一種運載機器人識別樓層的氣象參數智能融合處理方法

有效

• 申請號: 201710631218.0
• 申請日: 2017-07-28
• 公開（公告）號: CN107403195B
• 公開（公告）日: 2018-03-27
• 發明（設計）人: 李燕飛;劉輝;米希偉;金楷榮
• 申請（專利權）人: 中南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06F19/00
• 代理公司: 長沙市融智專利事務所43114
• 代理人: 龔燕妮

1.一種運載機器人識別樓層的氣象參數智能融合處理方法，其特征在于，包括以下步驟：

步驟1：采集樓層歷史信息數據，構建樓層信息數據庫；

所述樓層歷史信息數據包括各樓層在各種天氣條件下不同時間間隔區間中的天氣觀測值，所述天氣觀測值包括溫度、濕度以及氣壓；

步驟2：對樓層信息數據庫中的各樓層在不同時間間隔內的樣本進行聚類，得到每個樓層的天氣模式集合，每一種天氣模式對應一組溫度區間、濕度區間以及氣壓區間；

所述樣本是指在一個時間間隔內采集的天氣觀測值均值，時間間隔是將歷史數據采集時間作為一個連續的時間段，進行等間距劃分，設定為1小時；

步驟3：獲取用于構建基于天氣模式的氣壓樓層預測模型的訓練集合；

將所有樣本中的氣壓均值按照天氣模式進行劃分后，對相同天氣模式下所有樓層的氣壓均值進行合并，得到同一天氣模式下全樓層的所有氣壓均值和對應樓層層號的訓練子集，所有天氣模式下的全樓層訓練子集構成訓練集合；

步驟4：構建基于天氣模式的氣壓樓層預測模型；

將每個天氣模式下全樓層的所有氣壓均值訓練子集中的氣壓均值作為輸入數據，各氣壓均值對應樓層層號作為輸出數據，訓練基于SFLA的多核支持向量機MKSVM的分類模型，獲得基于天氣模式的氣壓樓層預測模型；

步驟5：利用機器人當前所在樓層層號和天氣觀測值，確定當前樓層的天氣模式，調用對應天氣模式的氣壓樓層預測模型；

步驟6：利用機器人上裝載的氣壓傳感器采集機器人所乘電梯所在樓層的實時氣壓，輸入氣壓樓層預測模型中，輸出機器人所乘電梯所在的樓層層號。

2.根據權利要求1所述的方法，其特征在于，所述基于SFLA的多核支持向量機MKSVM的分類模型，是以同一天氣模式下不同氣壓均值數據及相應的樓層層號分別作為輸入和輸出訓練數據，建立MKSVM模型進行分類訓練獲得；

其中，所建立的MKSVM模型的核函數為徑向基核函數和多項式核函數加權求和的多核核函數，所建立的MKSVM模型的參數c和g采用SFLA算法進行優化選擇；

所述多核核函數為K_mix＝dK_rbf+(1-d)K_poly，d∈[0,1]，其中，K_rbf代表高斯徑向基核函數，K_poly代表多項式核函數，d代表核函數權值。

3.根據權利要求2所述的方法，其特征在于，所述MKSVM模型的參數c和g采用SFLA算法進行優化選擇的過程如下：

(1)將所述MKSVM模型的懲罰系數c、核參數g和核函數權值d當作青蛙個體，并隨機初始化青蛙種群；

(2)將同一天氣模式下各樓層的所有歷史樣本輸入所述MKSVM模型，得到每個樣本的分類結果，以所有樣本的樓層分類結果和真實樓層結果之間的平均絕對值誤差為適應度函數，依次對每只青蛙，計算其適應度值；

(3)將所有青蛙按適應度大小降序排列，令第1只青蛙進入子群1，第2只青蛙進入子群2，第N_m只青蛙進入子群N_m，第N_m+1只青蛙進入子群1，以此類推，完成所有青蛙分配；

(4)確定各子群中適應度最好和最差的青蛙個體以及整個種群中適應度最好的群體最優青蛙，將每個子群中最差的青蛙個體淘汰后，根據SFLA算法及給定的進化次數，對各子群的青蛙進行元進化；

(5)將各子群的青蛙合并，按適應度函數值降序排列個體，重新混合構成新群體，并記錄此時的群體最優青蛙；

(6)計算群體最優青蛙的適應度，判斷是否達到群體最優青蛙的適應度最大相等次數，若達到，輸出最優青蛙對應的懲罰系數c、核參數g和核函數權值d，未達到，則返回(3)繼續迭代。

4.根據權利要求3所述的方法，其特征在于，青蛙總數取值范圍為[50,500]，子群數取值范圍為[5,50]，進化次數取值范圍為[100-1000]，適應度最大相等次數取值范圍為[5-30]。

5.根據權利要求1-4任一項所述的方法，其特征在于，采用高斯混合聚類GMM方法，對樓層信息數據庫中的各樓層在不同時間間隔內的樣本進行聚類，得到每個樓層的天氣模式集合。

6.根據權利要求5所述的方法，其特征在于，采用FOA算法構建初始高斯混合聚類GMM模型，具體過程如下：

步驟A：從單一樓層樣品集Ai的q個樣本中隨機選取與單一樓層模式數相同的n個樣本作為原始聚類中心，對應n個高斯模型，再隨機選取s個樣本作為更新果蠅；

以所選的n+s個樣本作為果蠅的初始位置，種群為單一樓層樣本集中所有樣本，設定最大迭代次數；

步驟B：計算每個果蠅的味道濃度，以果蠅的味道濃度作為果蠅適應度；

適應度函數為離果蠅最近的[q/(n+s)]+1個樣本點到果蠅的歐氏距離之和；

步驟C：對各果蠅位置進行比較，得到每代果蠅種群中味道濃度最優的n個果蠅位置；

步驟D：對位置最差的s組果蠅重新進行隨機生成，并將上一次位置最優的n組果蠅位置進行保存；

步驟E：判斷此時最優的n組果蠅位置是否達到精度要求，或滿足迭代次數，如果達到，則輸出最優的n組果蠅位置，否則返回步驟C繼續迭代更新，直到滿足終止條件；

步驟F：以最優的n組果蠅位置對應的n個樣本點作為初始聚類中心，并對種群中的其余果蠅按照距離初始聚類中心之間的距離進行分類，得到分類結果；

步驟G：計算對每一類樣本服從概率分布函數的權重、均值和方差，得到初始高斯混合聚類模型。