模糊神经网络在电梯群控交通流模式识别中的应用Word文件下载.docx
- 文档编号:16849074
- 上传时间:2022-11-26
- 格式:DOCX
- 页数:33
- 大小:404.20KB
模糊神经网络在电梯群控交通流模式识别中的应用Word文件下载.docx
《模糊神经网络在电梯群控交通流模式识别中的应用Word文件下载.docx》由会员分享,可在线阅读,更多相关《模糊神经网络在电梯群控交通流模式识别中的应用Word文件下载.docx(33页珍藏版)》请在冰豆网上搜索。
3.2.1粒子群算法(PSO)的基本概念17
3.2.2粒子群算法(PSO)的算法原理18
3.2.3动态惯性权值的粒子群优化算法的仿真19
第4章电梯群控交通流模式识别23
4.1电梯群控系统交通模式识别概述23
4.2.1模糊神经网络的输入及其模糊集合24
4.2.2模糊神经网络的输出25
4.2.3模式识别中模糊规则的表述26
4.2.4模式识别中的模糊推理26
4.3模糊神经网络的模式识别的训练和仿真27
4.3.1模糊神经网络的训练27
4.3.2电梯群控交通流模式识别仿真实例29
第5章结论、展望与心得体会30
5.1结论30
5.2展望31
5.3心得体会31
5.3.1李可达31
5.3.2刘阳31
5.3.3秦勇32
5.3.4饶德卫32
参考文献33
摘要
随着高层建筑物的日益增多,电梯群在高层建筑和智能大厦中的作用越来越重要,
电梯群控系统已经称为国内外研究的热点。
本文的目的是根据电梯群控的理论和研究焦
点,应用合适的智能算法进行电梯群控制。
本文首先回顾了电梯群控的发展历史和现状,介绍了电梯群控的基本理论和两种常用的电梯群控系统控制方法:
模糊逻辑和神经网络,并分析了他们的优缺点。
然后,本文介绍了模糊逻辑和神经网络结合的模糊神经网络,并详细分析了模糊神经网络的结构和推理过程,然后针对本文采用的模糊神经网络模型,笔者编制了相应的MATLAB程序并对程序和模型进行了仿真实验以验证其有效性和可靠性。
在完成了前文的理论准备后,本文对模糊神经网络进行混合训练学习,首先使用了k-均值算法初步确定了隶属函数的中心和宽度,然后使用顺序聚类方法提取模糊规则,最后使用带有动态惯性权值的PSO对隶属函数的中心和宽度进行了优化调整。
经过混合训练学习方法对模糊神经网络的训练和优化后,可以得到较为完整的模糊神经网络。
此处构建的模糊神经网络模型的方法将应用于随后的电梯群控模式识别模块。
按照上文提到的模糊神经网络模型构建和训练学习方法根据交通流模式识别的特点和要求建立相应的模糊神经网络,然后通过构建并训练完毕的模糊神经网络对当前交通流特征值分析以得到相应的交通流模式,从而可以根据当前交通流模式制定相应的调度控制策略。
之后按照上文提到的模糊神经网络模型构建和训练学习方法根据电梯群控派梯调度系统的特点和要求建立相应的模糊神经网络,根据前面得到的交通流模式和派梯调度策略,通过模糊神经网络对当前电梯运行状态数据进行的分析从而对呼梯信号序列进行调度。
最后对本文建立的电梯群控系统进行了仿真和数据验证,根据模拟实际系统的运行,验证了本文算法和模型的有效性。
关键词:
电梯群控系统,模糊神经网络,交通流模式识别
第1章绪论
1.1电梯群控系统的发展和现状
自从世界上第一台电梯于问世以来,电梯已经成为人类高层建筑交通中不可缺少的工具,是当今高层建筑的重要组成部分。
随着高层建筑的不断发展,楼层的高度越来越高,建筑规模也越来越大,需要合理安装多台电梯并进行集中统一的控制,这种多台电梯群的优化调度系统就是电梯群控系统(EGCS)。
电梯群控系统的发展历史经历了简易自动控制、集选控制和群控几个发展历程。
电梯发展的初期,人们采用了简易自动控制方式,使用的是继电器接触控制,称为
“自动选择系统”,通过在上行,下行高峰以及平峰,双向选择运行命令来工作,这是群控的最简单形式:
方向预选控制。
但是由于这种方式不能同时响应多个呼梯信号,因此使用起来不方便,效率低下。
后来出现了集选控制,这种控制方式能够记录所有的呼梯信号,并在前进方向上根据呼梯顺序停靠,但是这种调度方式效率仍然较为低下。
随着大型建筑物的发展,单台电梯不能很好的应付全部客流,因此需要设置多台电
梯,为了控制安装在一起的多台电梯,电梯群控系统便应运而生。
20世纪70年代中期
以后主要研究的是电梯交通系统的动态特性,并已经进入现代电梯群控系统阶段。
1988
年,日本人HitoshiAoki把人工智能控制技术引入得到电梯群控系统中,建立了专家系
统和模糊规则,这标志着电梯群控系统进入了人工智能技术的发展阶段,模糊控制开始
应用于电梯群控系统中。
1989年,日本三菱公司把模糊逻辑应用于电梯群控系统中,用
来确定乘客密度和电梯交通模式,紧接着,1990年日本研制出带有模糊控制器的电梯群
控系统ELEX系列。
1992年,神经网络技术开始应用于电梯群控系统中,其中的代表
便是日本东芝公司开发的使用神经网络技术的EJ-1000FN系统。
现在比较著名的电梯群控系统有:
日本三菱公司的AI-2100系列和AI-2200系列,迅达电梯公司的MiconicVX/AITP装置等。
1.2电梯群控系统概述
1.2.1电梯群控系统的特征
电梯群控系统需要对多台电梯进行调度,使他们协同工作,其复杂性是由电梯群控
系统的特性所决定的,具体表现在电梯群控系统所固有的非线性、不确定性和多目标性
等几个方面。
(1)电梯群控系统中的非线性因素
对同一组厅层呼叫,在不同的时间标度下,轿厢的分配是不同的,并且变化是非线性的;
能够用于分配的轿厢数目有限,受系统轿厢数目限制;
轿厢容量是有限的,当轿厢容量达到饱和时,轿厢不会响应呼梯信号;
(2)电梯群控系统中的不确定性因素
各层站的乘客数不确定;
呼梯者的目的层不确定;
呼梯信号的产生层不确定;
建筑物内与环境因素有关的交通工况不确定;
(3)电梯群控系统中的不确定随机干扰
乘客可能错误的登记了厅呼叫或目的层造成不必要的停站;
乘客可能错误地对电梯进行操作,比如造成轿厢门不能关闭,而干扰系统的正常运行等;
乘客的登记时间具有随机性;
建筑物由于某些偶然因素而使建筑物的交通条件变化。
(4)电梯群控系统中的模糊性
电梯轿厢中的乘客人数不能准确获得。
虽然轿厢底部装有称重装置,但由于个人的个体体重差异较大,所以很难获得轿厢内乘客数的准确数据。
乘客进出轿厢的时间因个体不同而不同,同样不能获得准确数据;
乘客进入轿厢前,其目的层是不可知的。
使对乘客乘梯时间的预测和对其他乘客候梯时间和乘梯时间的预测误差较大。
(5)电梯群控系统的多目标性
平均候梯时间要求短。
候梯时间是指从乘客按下层站呼梯按钮开始直到系统所指派的电梯到达此层停站所经过的时间。
平均候梯时间是指所有候梯时间的平均值。
平均候梯时间是评价电梯群控系统重要的性能指标。
长候梯率要求低。
长候梯时间一般是指候梯时间超过60s的候梯时间。
长候梯率是指长候梯时间发生的百分率。
当候梯时间超过60s,即出现所谓的长时间候梯时,
乘客心理烦躁程度急剧上升,所以应尽量减少长时间候梯的发生。
系统能耗要求低。
单台电梯的能耗与所选电梯的驱动方式、机械性能等有关。
电梯能量的消耗特征是,电梯全速运行时所消耗的电能远远低于减速和加速时的电梯能耗。
电梯停靠的次数越多,所消耗的电能就越多。
所以电梯群控系统节能主要依靠群控系统合理地安排与调度梯群对呼梯信号的响应,尽量减少起停次数,同时起停次数的减少也会延长梯群的整体寿命。
平均乘梯时间要求短。
乘客的乘梯时间是指从乘客进入电梯开始到乘客到达目的层后离开电梯的时间。
乘客乘梯时间的增长往往会使乘客感觉很不舒服、烦躁,所以
乘客的乘梯时间应保持在一个特定的期限之内。
客流的输送能力要求高。
电梯的输送能力是电梯的重要指标之一。
输送能力的不足往往会造成乘客的拥挤,平均候梯时间长等不良性能。
特别是在上行高峰期,客流密度极大,需要电梯系统迅速将乘客送往每个目的层。
轿厢内拥挤度要求小。
轿厢内拥挤度的增大会给乘客带来极大的不方便,所以要减小轿厢内的拥挤度。
1.2.2电梯群控系统的性能评价指标
(1)时间评价指标
(a)平均侯梯时间Taw
所有乘客的平均侯梯时间,用于评价电梯群控系统的性能和效率,要求尽可能短
(b)平均乘梯时间Taj
所有乘客的平均乘梯时间,用于评价电梯群控系统的性能和效率,要求尽可能短。
(c)最长侯梯时间Tmw
电梯群控系统服务的所有乘客中实际侯梯时间最长的,要求尽可能短。
(2)能效评判指标
(a)总运行距离Dt
电梯群控系统控制的所有电梯运行距离的总和,用于衡量电梯群控系统的性能和成本,要求尽可能短。
(b)总能耗Et
电梯群控系统控制的所有电梯能耗的总和,用于衡量电梯群控系统的性能和成本,要求尽可能低。
1.2.3乘客交通流数据获取方法
乘客交通流是由电梯群控系统的乘客数、乘客出现的周期以及乘客的分布情况来描
述的,是表明大楼乘客流量的量。
具体应用中,交通流的获取主要有以下几种方法
称重装置。
通常来说电梯底部装有称重传感器,以检测轿厢的负载状况,用此称重装置可以粗略的获得客流量信息,假定一个乘客的平均体重,就可以得到在某一楼层进入电梯及离开电梯的人数。
但是用这种方法获得的信息是比较粗略的。
光电检测装置或红外检测装置。
在电梯门两侧及顶部和底部装上光电或红外发射及检测装置,可以较为精确的检测乘客进出情况从而获得客流量信息。
目的楼层呼梯设备。
这种设备使乘客在楼厅直接选择目的楼层,通过对呼梯的记录,可以准确地对客流的强度和流向进行跟踪。
计算机视觉设备。
通过应用图像识别技术,可准确获取客流信息。
第2章电梯群控系统控制方法
2.1电梯群控系统控制思路
通常情况下电梯群控系统收集层站的呼梯信号及各台电梯的当前工作状态信息,然
后按某种控制策略最合理地对各电梯进行工作调度和安排。
在规模较大的建筑物内,通
常是以4至8台电梯为一组进行群控。
当某层站产生乘客召唤信号时,群控装置就会根
据轿厢响应和轿厢位置等当前电梯运行状态为依据,通过某种控制策略判断出新产生的
召唤信号应分配给哪台电梯。
在上述过程中,控制策略往往要根据当前的客流状况来选
择,不同的客流模式下,控制策略的侧重点不同。
2.2电梯群控系统调度方法
(1)固定程序调度原则
这种群控方式的特点是根据建筑物内乘客流的变化情况把电梯群控系统的工作状
态分为几种固定的模式。
国内电梯群控系统普遍采用以下的交通特征模式划分方法:
上行客流高峰模式,即大量的客流量集中在电梯上行过程中,如上班时间。
下行客流高峰模式,即大量的客流量集中在电梯下行过程中,如下班时间。
层间客流平衡模式,即客流量均匀的分布在各层之间,如正常上班时间。
空闲模式,即电梯很少使用的时间,如节假日或晚上时间。
两路交通模式,即大部分的交通量集中在某两层楼层之间,如午餐时间。
(2)分区调度原则
对于高层建筑,分区是一种改进电梯系统服务性能的常用方法,同时也是电梯群控的一种常见派梯调度原则,其主要有点就是增加电梯系统的乘客输送能力。
分层调度具体可以分为两种调度方法:
(a)固定分区调度
固定分区就是将建筑物层分成相应电梯运行区域。
当无召唤时,各个电梯停靠在自己所在服务区域的首层。
当某区域出现呼梯信号时,就由负责该区域客流的电梯去响应该呼梯信号。
每台电梯服务的区域不是固定不变的,可以根据召唤信号的不同对电梯的服务区域进行调整。
这种调度方式相对简单,但是效率不高。
(b)动态分区调度
动态分区调度就是按照一定的顺序把各个电梯的服务区域结成环状,当电梯系统开始运行后,每台电梯的服务区域随着电梯的位置和运动方向做动态的调整。
这种调度原则能够使电梯群控系统的各台电梯能比较均匀的分布于大厦各个楼层。
这种调度方式虽然相对于固定分区调度效率要高,但是不利于节能,而且其控制方法也比较复杂。
(3)基于心理待机时间评价的调度原则:
心理待机时间评价就是通过乘客等待时间来估计在等待电梯时间内乘客的心理影响。
有相关研究证明,乘客待机焦虑感与待机时间成抛物线关系。
采用心理待机评价调度方式,可以在层站产生呼梯信号时,根据某些既定原则进行计算,得到最合理的待机
时间评价值,从而准确迅速的计算出最佳响应电梯。
心理待机时间评价有主要以下两种调度原则:
(a)最小等待原则
根据层站召唤,预测各电梯应答的时间,从中选择应答时间最短的电梯去响应呼梯
信号。
(b)避免长时间侯梯调度原则
这种调度方式通常会根据电梯的速度,建筑物的楼层数、高度以及性质等因素规定一个长侯梯时间,如果乘客侯梯时间超过这个长侯梯时间则判断为长时间侯梯。
2.3电梯群控系统常用的智能控制方法
2.3.1模糊逻辑
在客观世界中,系统可分为确定性系统和模糊性系统。
前者可用精确数学模型描述,而后者则不能。
模糊逻辑系统是一种自动控制系统,是以模糊数学、模糊语言形式的知识表示和模糊逻辑的规则推理为理论基础,采用计算机控制技术构成的数字控制系统。
由于电梯群控系统本身存在着大量的不确定性,很难得到一个精确的数学模型,因
而应用传统的控制算法并不能满足电梯群控系统的优化指标,不能使乘客获得更好的服
务。
模糊逻辑不需要被控对象的精确数学模型,而是基于专家的知识和操作者的经验建
立模糊逻辑模型,通过模糊逻辑推理完成控制决策过程,最后实现对被控对象的调节控
制。
模糊逻辑基于固定的专家经验制定的规则进行推理和控制,模糊逻辑的效果和性能
很大程度上取决于专家经验的准确性和精度。
专家经验虽然是通过实践或实验得到,但是毕竟存在一定程度上的主观因素,而由人的主观获得的规则往往不可靠并且因人而
异。
专家经验往往是对某个对象某段时间的描述,缺乏自适应和自我修正的能力,当对象状态改变或出现扰动时,专家经验制定的规则往往不能很好的发挥作用,从而导致电梯群控系统的效率和性能降低。
虽然模糊逻辑适于处理不确定的随机系统,特别是适用于处理缺乏精确数学模型的
系统,但是专家经验获取规则的不可靠性、主观性和缺乏自适应性的这些特点限制了模糊逻辑在电梯群控系统中的应用。
2.3.2人工神经网络
人工神经网络模型用于模拟人脑活动的过程,其中包括对信息的加工、处理、存储和搜索等过程,具有如下基本特点:
人工神经网络具有分布式存贮信息的特点。
人工神经网络存储信息的方式与传统的计算机是不同的,信息不是保存在一个地方,而是分布在不同的位置。
人工神经网络是用大量神经元之间的连结及对各连接权值的分布来表示特定的信息。
因此,这种分布式存贮方式即使当局部网络受损时,仍具有能够恢复原来信息的特点。
人工神经网络对信息的处理过程具有并行的特点。
每个神经元都可根据接收到的信息作独立的运算和处理,然后将结果传输出去。
人工神经网络对于某一个输入,通过计算产生一个输出,各个输出节点代表的逻辑概念被同时计算出来。
在输出模式中,
通过输出节点的比较和本身信号的强弱而得到特定的解,同时排除多余的解。
这体现了
人工神经网络并行推理的特点。
人工神经网络对信息的处理具有自组织、自学习的特点。
人工神经网络中各神经元之间的联结强度用权值大小来表示,这种权值可以事先定出,也可以通过大量的实际数据通过训练学习得来,同时可以适应周围环境而不断地变化。
人工神经网络所具有的自学习过程模拟了人的形象思维方法,这是与传统符号逻辑完全不同的一种非逻辑非语言的方法。
总之,人工神经网络是以对信息的分布存贮和并行处理为基础的,具有自组织、自学习的功能的一种人工智能方法。
在许多方面更接近人对信息的处理方法,具有模拟人
的形象思维能力,反映了人脑功能的若干基本特性,但并不是人脑的逼真系统,而只是人脑的某种抽象、简化和模拟。
人工神经网络特有的非线性、适应性和信息处理能力,克服了传统人工智能方法对于知觉(如模式、语音识别、非结构化信息处理方面)的缺陷,使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功的应用。
人工神经网络与其他传统
方法相结合,将推动人工智能和信息处理技术不断发展。
近年来,人工神经网络正向模
拟人类认知的道路上更及深入的发展,与模糊系统、遗传算法、进化机制等结合,形成
计算智能,成为人智能的一个重要方向,将在实际中得到发展。
电梯群控系统是一个随机性很强的非线性系统,没有精确的数学模型,人工神经网络的特点正适合处理这类问题。
在全世界研究者和电梯公司的共同努力下,人工神经网络用于电梯群控系统已经较为成熟。
但是人工神经网络本身仍存在着结构未知,网络规模不易控制,容易陷入局部最优等缺点。
2.3.3模糊神经网络
神经网络具有并行计算,分布式信息存储,容错能力强以及具备自适应学习等一系列的优点。
但一般来说,神经网络不适合表达基于规则的知识,因此在神经网络的训练时,由于不能很好的利用既有经验和知识,常常只能将初始权值取为零或随机数,这种处理方式增加了网络的训练时间,并且有可能陷入局部极值。
这是神经网络的不足。
另一方面,模糊逻辑也是一种处理不确定性,非线性等问题的有力工具。
它比较适合于表达那些模糊或定性知识,其推理方式比较适合于人的思维模式,但是一般说来模糊逻辑系统缺乏学习和自适应能力。
由此可以想到,若能将模糊逻辑和神经网络适当的结合起来,综合二者的长处,应该可以得到比单独的神经网络系统或单独的模糊系统更好的系统。
这样就诞生了模糊神经网络系统。
与传统的神经网络模型不同,模糊神经网络的结构和权值都有一定的实际的逻辑含意义。
在设计模糊神经网络结构时,可以根据问题的复杂程度以及精度要求,并结合既有经验和知识来构造相应的模糊神经网络模型。
这样,网络的学习速度会得到改善,并在一定程度上回避了梯度优化算法带来的局部极值问题[12]。
(1)模糊神经网络的分类
根据模糊和神经网络连接的形式和使用功能,两者的融合形态可归纳成以下五大类:
(a)松散型结合。
在同一系统中,对于可用“if-then”规则来表示的部分用模糊系统描述,而对很难用“if-then”规则表示的部分,则用神经网络,两者之间没有直接联系。
(b)并联型结合模糊系统和神经网络在系统中按并联方式连接即享有共同的输入。
按照两者在系统中所起的作用和地位,还可分为同等型和补助型。
(c)串联型结合。
模糊系统和神经网络在系统中按串联方式联接,即一方的输出成为另一方的输入,这种情况可以看做是两段推理或串联中的前者作为后者的输入信号的预处理部分。
(d)网络学习结合型。
模糊系统由一个等价的人工神经网络表示。
这里使用的人工神经网络不再是一个暗箱,其所有的参数和神经元都有一定的意义,对应模糊系统中的隶属函数或推理过程。
结合以后的人工神经网络能够清晰的体现模糊逻辑,这种结合方式最能体现人工神经网络与模糊逻辑的结合,是应用最为广泛的模糊神经网络模型。
本文所采用的模糊神经网络模型基于网络学习结合型,在保持模糊逻辑特点和优势
的情况下,使用神经网络模型来针对模糊逻辑缺乏自适应性的缺点进行改进,整个网络
的节点、权值和结构都符合模糊逻辑的基本概念,能够清晰的表达出模糊逻辑。
(2)本文采用的模糊神经网络算法基础
模糊神经网络要体现模糊推理的逻辑,理应在网络结构上体现出的运算完全遵循模
糊推理过程。
但是受到实际情况和具体应用的限制,and连接的多重条件语句如果在运算网络化中严格的遵循模糊推理过程就会导致网络结构复杂庞大,并降低网络的运算效率和可靠性,所以本文在这里采用一种简化的模糊推理过程。
设输入向量x=[x1,x2...xn]T,每个分量xi均为模糊语言变量,并设其中某个xi的模糊集合为:
其中,Aij(j=1,2,…mi)是xi的第j个语言变量值,是定义在论域Ui上的一个模糊集合,其相应的隶属度为μ=Aij(xi)(i=1,2,…n;
j=1,2,…mi)
输出量y也是模糊语言变量且其模糊集合为
对于给定的输入,只有在输入点附近的那些语言变量值才有较大的隶属度值,远离输入点的语言变量值的隶属度很小或者为0,当隶属度函数很小时近似的取为0。
因此只有当输入x的模糊语言变量与第i条规则中对应的语言变量的模糊子集接近的时候,输入x对该规则适应度αi才不为零。
这样就完成了模糊前件和模糊规则的匹配。
得到模糊前件对第i条模糊规则的适应度之后,通过如下公式进行模糊逻辑推理:
(3)模糊神经网络模型
模糊表示的表示主要有两种:
一种是模糊规则的后件是输出量的某一模糊集合,称为模糊系统的标准模型或mamdani模型;
另一种是模糊规则的后件是输入语言变量的函数,典型的情况是输入变量的线性组合,称为Takagi-Sugeno模型。
本文采用的模糊神经网络模型为mamdani模型,其多输入单输出的MISO结构如图2.1所示:
图2.1mamdani模糊神经网络结构
对于上述网络模型,定义一个神经元的基本功能,一个典型的神经网络由一组神经元组成。
神经元的结构如图2.2所示
图2.2神经元结构
(4)模糊神经网络网络结构
第一层:
输入层。
这一层直接把输入值传递到下一层,其神经元的个数n1为输入变量的个数
。
其中xk
(1)是第k个输入变量值,连接权值ωk
(1)=1。
第二层:
输入语言变量层,又称模糊化层。
作用是计算各输入分量属于各语言变量值模糊集合的隶属函数。
其神经元的个数n2和输入变量个数以及每个输入变量的模糊子集个数有关,如果选择每个输入变量的模糊子集个数相同(T(xi)=t,i=1,2,...,n1),
则n2=n1*t。
每个神经元代表一个模糊子集,如果选择高斯型函数作为隶属函数,则
第三层:
规则层。
这一层中的连线用来执行模糊逻辑规则前提条件的匹配,计算出每条规则的适用度。
其神经元的个数n3等于规则数,最大的规则数为n2n1。
其中,ukj(3)表示第k个神经元的第j个输入,连接权值ωk(3)=1。
因此第三层的所有输出中只有很少神经元的输出非0,而多数节点输出为0。
第四层:
归一化层。
这一层的神经元数目和第三层是一样的n4=n3,其所实现主要功能是归一化计算,以为后面的模糊推理和输出做准备。
第五层:
输出层。
同时完成模糊逻辑推
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 模糊 神经网络 电梯 群控交 通流 模式识别 中的 应用
![提示](https://static.bdocx.com/images/bang_tan.gif)