[發明專利]一種基于狄利克雷過程混合模型的空間羽流特征聚類方法

在審

• 申請號: 202210427520.5
• 申請日: 2022-04-22
• 公開（公告）號: CN114821141A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 郭振宇;袁杰;馬圣山;賈焦予;劉強;李中華;匡本發;吳瓊
• 申請（專利權）人: 新疆大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于狄利克雷過程混合模型的空間羽流特征聚類方法，其方法為，使用攜帶氣體傳感器和定位裝置的機器人獲取羽流擴散空間中的羽流特征，構建羽流特征集合；對具有相似特點的羽流特征，使用狄利克雷過程混合模型的方法進行聚類，得到羽流空間分布類型；設計Collapsed Gibbs采樣推斷參數，輸出最終空間羽流特征聚類數據，本發明能夠考慮非結構環境下羽流分布的復雜情況，可以實現對空間中羽流類型的快速、精準且全面的聚類。

技術領域

本發明涉及空間羽流特征聚類領域，特別涉及一種基于狄利克雷過程混合模型的空間羽流特征聚類方法。

背景技術

隨著工業制造業的快速發展，石油、煤氣、天燃氣等易燃易爆、有毒的化工產品在給我們日常生活帶來便利的同時，人類也越來越多地面對易燃易爆、有毒介質的泄漏、排放、中毒等事故，給人們的健康和安全造成了很大的威脅。

在非結構環境（如非結構化的地下廊道等）下，一旦出現危險源泄漏，傳統的人工尋源方案極具危險性，由機器人替代人工搜尋泄漏源具有重要的現實意義。

由于羽流易受周圍大氣參數（如氣壓、溫度、雷諾數等）及地形、障礙分布等影響，使得羽流在大氣中運動具有明顯的不穩定性，現有的羽流特征（羽流濃度信息和羽流空間位置信息）聚類方法需要事先指定羽流擴散區域中羽流特征的類型數量，忽略了羽流在空間中分布復雜的情形，導致在非結構環境下對羽流特征類型的劃分不夠精確。

若能對捕捉到的羽流動態信息進行狀態劃分，則有望在非結構環境中，獲取羽流在輸運介質中運動的更多未知規律和知識，挖掘潛在的羽流分布規律，從而及時調整機器人的運動策略，加速羽流源的確定過程。

狄利克雷過程是一種非參貝葉斯方法，而狄利克雷過程混合模型（DirichletProcess Mixture Model, DPMM）是狄利克雷過程的一個典型聚類模型。該模型具有無需事先指定聚類類別或數量的突出優勢，通過DPMM對空間不同特性的羽流特征進行辨識與標注，獲得羽流類型概率分布對羽流區域進行劃分，更符合羽流在空間中分布復雜的情形。

發明內容

本發明為了克服現有在羽流聚類過程中存在的不足之處，提出一種基于狄利克雷過程混合模型的空間羽流特征聚類方法。

本發明為達到上述發明目的，采用如下技術方案。

本發明基于狄利克雷過程混合模型的空間羽流特征聚類方法是按如下步驟進行。

S1:使用攜帶氣體傳感器和定位裝置的機器人獲取羽流空間中羽流特征，羽流特征包括機器人獲取的濃度信息和機器人空間位置信息。

S1-1:計算機器人獲取的羽流特征的總數量N。

S1-2:構建機器人獲取的羽流特征集合M∈{x₁,x₂,...,x_i}，其中x_i表示機器人獲取的第i個羽流特征。

S2:基于機器人獲取羽流特征集合M，構建非參貝葉斯模型狄利克雷過程混合模型DPMM。

S2-1:對于機器人獲取的第i個羽流特征，按照式（1）生成第i個羽流特征所屬羽流類型。

（1）。

在式（1）中，～表示服從，z_i表示第i個羽流特征所屬羽流類型，Multinomial(·)表示多項式分布，Dirichlet(·)表示狄利克雷分布，π表示多項式分布的超參數，α表示狄利克雷分布的超參數。

（2）。