城市轨道交通中的信息融合应用.docVIP

城市轨道交通中的信息融合应用 摘要：本文简介了信息融合方法，并针对城市轨道交通 发展提出了遗传算法与模糊控制结合进行监控的方法，该方 法简单明了，便于直接使用。 关键词:信息融合，遗传算法，模糊控制，城市轨道交通 1引言 随着城市轨道交通的发展，实时动态数据反映成为监控 机车状态的重要组成部分，而遗传算法与模糊控制方法所具 有很好的鲁棒性和形式上的简单明了使得它必然可以在城 市轨道交通上得到巨大应用。遗传算法是一种自然进化系 统的计算模型，也是一种通用的求解优化问题的适应性搜索 方法，尤其是后者得到人们关注和普遍使用。而模糊控制则 是近代控制理论中建立在模糊结合论基础上的一种基于语 言规则与模糊推理的控制理论。 目前我国城市轨道交通建设正在蓬勃发展，伴随是城市 轨道交通信息的大量增多与多信息融合，而在信息融合中经 常会运用到遗传算法与模糊规则相结合的方法。 2信息融合结构方法 信息融合由于其应用上的复杂性和多样性，决定了信息 融合的研宄内容极其丰富，涉及的基础理论较多。多传感器 信息融合根据信息表征的层次结构，其基本方法可分为3类: 数据层融合:在数据层融合中，每一个传感器观测物体 并且组合来自传感器的原始数据.然后，进行特征识别过程. 此过程一般是从原始数据中提取一个特征矢量来完成，并且 根据此特征做出决策。 特征层融合:在特征层融合中，从观测数据中提取许多 特征矢量后把它们连接成单个矢量，下一步进行识别.在该 情况下，需要的通讯带宽减小，结果的精确性也相应减小，主 要是因为在原始数据中生成特征矢量的同时，信息也在丢失 决策层融合：在决策层融合中，每一个传感器依据本身 的单源数据做出决策.这些决策被融合生成最后的决策，在 上面阐述的3种结构中，精确性是最差的，但需要的带宽最小 对于信息融合算法具体可以分为以下四类:估计方法、 分类方法、推理方法和人工智能方法。 估计方法 加权平均法是最简单、最直观融合多传感器低层数据 的方法，该方法将由一组传感器提供的冗余信息进行加权平 均，并将加权平均值作为信息融合值;利用最小二乘法原理 可导出的数据平滑程序在许多情况下能够去除或减少测量 过程中由于偶然因素带来的误差，使平滑后的数据一般会比 原数据更有规律性;卡尔曼滤波用于实时融合动态的低层次 冗余多传感器数据，该方法用测量模型的统计特性递推决定 在统计意义下是最优的融合数据估计。 分类方法 分类方法主要有参数模板法和聚类分析。无监督或自 组织学习算法诸如学习向量量化法(learning vec-torqua ntization, LVQ), K _ 均值聚类(K _ meansc lustering ),Kohonen 特性图(Kohonen futuremap)也常用作多 传感器数据的分类。K一均值聚类算法是最常用的无监督学 习算法之一，而自适应K一均值方法的更新规则成了 Kohone n特性图的基础。此外自适应共振理论(AR T)、自适应共振 理论映射(ARTMAP)和模糊自适应共振理论网络(fuzzy—A RTnetwork)以自适应的方法进行传感器融合。它们能够自 动调整权值并且能在环境变化和输入漂移的情况下保持稳 定。 推理方法 贝叶斯估计是融合静态环境中多传感器低层信息的一 种常用方法.其信息描述为概率分布，适用于具有可加高斯 噪声的不确定性;D—S是基于证据理论的一种推理算法，是 贝叶斯方法的扩展。该算法解决了概率中的两个困难问题: 一是能够对“未知”给出显式表示;二是当证据对一个假设 部分支持时，该证据对假设否定的支持也能用明确的值表示 出来。 人工智能 人工智能方法对融合大量的传感器信息，用以非线性和 不确定的场合颇有优势。可分为专家系统、神经网络和模 糊逻辑。专家系统是一种基于人工智能的计算机信息系统 神经网络是一个具有高度非线性的超大规模连续时间自适 应信息处理系统。模糊逻辑是多值逻辑，它允许将传感器信 息融合过程中的不确定性直接表示在推理过程中。模糊集 理论的基本思想是把普通集合中绝对隶属关系灵活化，使元 素对集合的隶属度从原来只能取｛0, 1｝中的值扩充到[0，1] 区间中的任一数值，因此很适合于对传感器信息不确定性进 行描述和处理。模糊集表达了一个不确定概念，应用模糊理 论并结合其它手段与算法，如神经网络、遗传算法等，可以 取得更好的融合结果。 3车速监控方法 简介遗传算法 按照达尔文的进化论中的适者生存理论，计算科学学者 提出了进化算法。进化算法是一种基于自然选择和遗传变 异等生物进化机制的全局性概率搜索方法。 从整体上来讲，遗传算法是进化算法中产生最早、影响 最大、应用也比较广泛的一个研究方向和领域,它不仅包含 了进化算法的基本形式和全部优点，同时还具有若干独特性 能，其优点主要有以下几个方面： 1