一种智能环境运载机器人识别楼层的神经网络群体混合计算方法技术

本发明专利技术公开了一种智能环境运载机器人识别楼层的神经网络群体混合计算方法，该方法通过对采集的各种数据按照天气模式聚类后，再按照不同的天气模式，对波动的压力传感器读数进行FIR滤波处理后，再将其传输至数据分析模块进行神经网络学习，大大提高了楼层辨识的准确性、实时性。极大改善了压力传感器获取的数据的震荡的问题，极大提高了高度数据信号分析的精度；具有普遍适应性，能够应对各种海拔高度，各种地理位置，各种天气条件下的电梯楼层识别；并不局限于运载机器人在电梯内使用，还可以在楼道中进行楼层估计，也能应用于高空作业、无人机等领域。

【技术实现步骤摘要】
一种智能环境运载机器人识别楼层的神经网络群体混合计算方法
本专利技术属于机器人控制领域，特别涉及一种智能环境运载机器人识别楼层的神经网络群体混合计算方法。
技术介绍
目前，电梯控制系统获取电梯当前所在楼层的楼层号的方式是：在电梯的基站层设置感应元件，在电梯的轿厢上与感应元件相对应的位置安装感应接收器；当电梯经过基站层时，通过感应元件和感应接收器的相互作用，得知电梯处于基站层这一事实，从而将电梯的当前楼层号设置为基站层的楼层号(基站层的楼层号系统预先知道)；然后在电梯上行或下行时，通过自动加1或减1来计算电梯轿厢所在楼层的楼层号。但是，对于独立的运载机器人系统而言，其一般独立地检测电梯的楼层号，现实条件下给现有电梯轿厢专门为运载机器人安装楼层信号交互系统设备的空间极为有限。在实践中，也并没有为安装第三方系统装置设计的电梯。目前，机器人识别电梯楼层方法有图像处理法、单片机楼层信息读取法和数字辅助片法。图像处理法即使用图像处理的方法识别电梯内部楼层数影像，由于图像处理法读取图像时一旦受到强光影响会造成很大误差。单片机楼层信息读取法通过单片机读取电梯信息识别楼层，运用简单，拥有较高识别率，但该法有一个大的弊端，此法必须在电梯内部进行改造，现有国际环境下电梯种类繁多，未形成统一标准，加上版权问题，第三方进行改造难度极大。数字辅助法是人为在环境中设置较易识别的信息用以机器人来视觉识别，辨识率高，但是一旦机器人的视线受到障碍物阻挡，将无法识别。早期开发的室内定位方法是基于多楼层环境的无源地标，用于识别机器人在电梯外的当前楼层数。为了克服以上不足，便于运载机器人独立在电梯内智能识别楼层，所以现在提出一种基于大气压测量的楼层辨识方法及系统。优点，适应所有环境中国专利CN102009883B中公开一种电梯轿厢位置检测装置，包括电梯控制器；还包括有一大气压力检测海拔高度数据采集通讯电子板，安装在电梯轿厢中，并通过通讯电缆与电梯控制器连接；所述电梯控制器处理来自该大气压力检测海拔高度数据采集通讯电子板的传输信号而判断电梯轿厢在井道内的位置。然而，气压传感器读数随天气和高度而变化，读数具有波动性，单独依赖气压传感器来检测楼层将产生较大误差，上述专利没有考虑气压传感器输出信号的振荡和周期内读数的变化，如果使用在实践生产中，将导致无法获取此文所述的电梯轿厢因停电而失去的正确位置信息，具有安全隐患。
技术实现思路
本专利技术提供了一种智能环境运载机器人识别楼层的神经网络群体混合计算方法，其目的在于克服上述方法中存在的不足，利用气压随高度、温度、湿度变化而变化的特征，对电梯所在环境数据进行特征融合处理，采用数据挖掘技术和分类建模处理，对机器人所在楼层进行实时判别。一种智能环境运载机器人识别楼层的神经网络群体混合计算方法，包括以下步骤：步骤1：采集各楼层气压数据样本；所述各楼层气压数据是指运载机器人位于各个楼层在不同时间间隔区间中利用气压传感器、湿度传感器、温度传感器分别采集的大气压均值、湿度均值以及温度均值，一个样本是指运载机器人位于一个楼层在一个时间间隔区间中采集的大气压数据均值、湿度均值以及温度均值；在相同的天气环境下，在不同楼层采集的大气压值不同；不同时间间隔包括在各种天气条件下的时间间隔；步骤2：对各楼层气压数据样本按照天气模式进行聚类，得到同一楼层在同一天气模式下的气压子样本集；每个气压子样本集为步骤1采集的数据中同一楼层在同一天气模式下所有历史时间间隔中采集的气压均值；步骤3：依次对每个气压子样本集中所有气压均值利用FIR滤波器进行滤波去噪处理；所述FIR滤波器的系数采用蝙蝠算法进行寻优获取；步骤4：利用所有去噪后的气压子样本集，构建各天气模式下的气压样本训练集；每个天气模式下的气压样本训练子集包括同一天气模式下所有楼层的经过去噪后的气压子样本集，所有天气模式下的气压样本训练子集构成各天气模式下的气压样本训练集；步骤5：利用各天气模式下的气压样本训练集构建基于天气模式的气压楼层预测模型；依次将每个天气模式下全楼层的所有气压均值训练子集中的气压均值作为输入数据，各气压均值对应楼层层号作为输出数据，训练神经网络，获得基于天气模式的气压楼层预测模型；步骤6：利用运载机器人当前所在楼层层号和大气压、湿度以及温度，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；步骤7：利用运载机器人上装载的气压传感器采集机器人所乘电梯所在楼层的实时气压，输入气压楼层预测模型中，输出机器人所乘电梯所在的楼层层号。进一步地，所述所述FIR滤波器的系数采用蝙蝠算法进行寻优获取过程如下：(1)将每只蝙蝠个体表示一组FIR滤波器系数，蝙蝠以随机方式在N维空间中扩散分布一组初始解，随机生成蝙蝠种群，N为滤波器阶数；设定蝙蝠种群的数量,最大迭代次数搜索脉冲频率范围，蝙蝠个体最大脉冲频度和最大脉冲声音强度，蝙蝠搜索频度增加系数、声音强度衰减系数；(3)设定适应度函数f：f＝1/J；其中，为一个气压子样本集所有气压均值的平均值，yi表示第i只蝙蝠对应的FIR滤波器将气压子样本集中气压均值过滤后的过滤气压均值，M表示气压子样本集中气压均值的数量；经过FIR滤波器高度数据越平稳，则适应度函数值越大，蝙蝠个体越优秀；(3)寻找出适应度值最大的蝙蝠个体，作为当前最优解x*；(4)利用当前最优解依次对所有蝙蝠个体的搜索脉冲频率、速度和位置进行更新；(5)生成均匀分布随机数R1，判断R1＞Ri是否成立，如果成立，则利用当前最优解产生一个新的解，并利用新的解作为当前最优解，如果不成立，则接受(4)更新后的蝙蝠个体；其中，R1的取值范围为[0,1]，Ri为第i只蝙蝠的脉冲频度；(6)生成均匀分布随机数R2，判断R2＜Ai且f(xi)＜f(x*)是否成立，若成立，则利用(5)得到的新的解，对第i只蝙蝠的脉冲频度和脉冲声音强度进行更新，否则，不对蝙蝠进行更新；其中，R2的取值范围为[0,1]，Ai为第i只蝙蝠的脉冲声音强度；(7)当所有更新后的蝙蝠均完成(5)和(6)的判断，从所有的蝙蝠个体中找出适应度最好的蝙蝠个体和适应度值；(8)判断是否满足预设搜索精度或达到最大迭代次数，若满足，则进入(9)，否则返回(4)，直到找到满足设定的最优解条件为止；(9)输出最优蝙蝠个体，得到最优蝙蝠个体对应的FIR滤波器的系数值。进一步地，所述设定蝙蝠种群的数量取值范围为[120,300],最大迭代次数的取值范围为[300,2000],搜索脉冲频率范围[fmin＝0,fmax＝1.5]，蝙蝠个体最大脉冲频度和最大脉冲声音强度均设置为0.5，蝙蝠搜索频度增加系数为0.04、声音强度衰减系数为0.96。进一步地，采用k-medoids聚类方法对各楼层气压数据样本按照天气模式进行聚类，具体过程如下：步骤2.1：设定目标聚类数目为k个簇Ci，i＝1,2…,k，k取值范围[4,10]，随机选择k个样本为初始聚类中心oi，i＝1,2…,k；每个样本包括在一个时间间隔区间采集的大气压均值、湿度均值以及温度均值；步骤2.2：根据各个样本与聚类中心的距离，将每个样本分配给与之最近的一个聚类中心所在的簇；步骤2.3：计算每个簇代价函数为平方差函数E；公式如下，直到每个簇的E都达到最小，分类完毕。其中，p为簇本文档来自技高网...

【技术保护点】
一种智能环境运载机器人识别楼层的神经网络群体混合计算方法，其特征在于，包括以下步骤：步骤1：采集各楼层气压数据样本；所述各楼层气压数据是指运载机器人位于各个楼层在不同时间间隔区间中利用气压传感器、湿度传感器、温度传感器分别采集的大气压均值、湿度均值以及温度均值，一个样本是指运载机器人位于一个楼层在一个时间间隔区间中采集的大气压数据均值、湿度均值以及温度均值；步骤2：对各楼层气压数据样本按照天气模式进行聚类，得到同一楼层在同一天气模式下的气压子样本集；每个气压子样本集为步骤1采集的数据中同一楼层在同一天气模式下所有历史时间间隔中采集的气压均值；步骤3：依次对每个气压子样本集中所有气压均值利用FIR滤波器进行滤波去噪处理；所述FIR滤波器的系数采用蝙蝠算法进行寻优获取；步骤4：利用所有去噪后的气压子样本集，构建各天气模式下的气压样本训练集；每个天气模式下的气压样本训练子集包括同一天气模式下所有楼层的经过去噪后的气压子样本集，所有天气模式下的气压样本训练子集构成各天气模式下的气压样本训练集；步骤5：利用各天气模式下的气压样本训练集构建基于天气模式的气压楼层预测模型；依次将每个天气模式下全楼层的所有气压均值训练子集中的气压均值作为输入数据，各气压均值对应楼层层号作为输出数据，训练神经网络，获得基于天气模式的气压楼层预测模型；步骤6：利用运载机器人当前所在楼层层号和大气压、湿度以及温度，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；步骤7：利用运载机器人上装载的气压传感器采集机器人所乘电梯所在楼层的实时气压，输入气压楼层预测模型中，输出机器人所乘电梯所在的楼层层号。...

【技术特征摘要】
1.一种智能环境运载机器人识别楼层的神经网络群体混合计算方法，其特征在于，包括以下步骤：步骤1：采集各楼层气压数据样本；所述各楼层气压数据是指运载机器人位于各个楼层在不同时间间隔区间中利用气压传感器、湿度传感器、温度传感器分别采集的大气压均值、湿度均值以及温度均值，一个样本是指运载机器人位于一个楼层在一个时间间隔区间中采集的大气压数据均值、湿度均值以及温度均值；步骤2：对各楼层气压数据样本按照天气模式进行聚类，得到同一楼层在同一天气模式下的气压子样本集；每个气压子样本集为步骤1采集的数据中同一楼层在同一天气模式下所有历史时间间隔中采集的气压均值；步骤3：依次对每个气压子样本集中所有气压均值利用FIR滤波器进行滤波去噪处理；所述FIR滤波器的系数采用蝙蝠算法进行寻优获取；步骤4：利用所有去噪后的气压子样本集，构建各天气模式下的气压样本训练集；每个天气模式下的气压样本训练子集包括同一天气模式下所有楼层的经过去噪后的气压子样本集，所有天气模式下的气压样本训练子集构成各天气模式下的气压样本训练集；步骤5：利用各天气模式下的气压样本训练集构建基于天气模式的气压楼层预测模型；依次将每个天气模式下全楼层的所有气压均值训练子集中的气压均值作为输入数据，各气压均值对应楼层层号作为输出数据，训练神经网络，获得基于天气模式的气压楼层预测模型；步骤6：利用运载机器人当前所在楼层层号和大气压、湿度以及温度，确定当前楼层的天气模式，调用对应天气模式的气压楼层预测模型；步骤7：利用运载机器人上装载的气压传感器采集机器人所乘电梯所在楼层的实时气压，输入气压楼层预测模型中，输出机器人所乘电梯所在的楼层层号。2.根据权利要求1所述的方法，其特征在于，所述所述FIR滤波器的系数采用蝙蝠算法进行寻优获取过程如下：(1)将每只蝙蝠个体表示一组FIR滤波器系数，蝙蝠以随机方式在N维空间中扩散分布一组初始解，随机生成蝙蝠种群，N为滤波器阶数；设定蝙蝠种群的数量,最大迭代次数搜索脉冲频率范围，蝙蝠个体最大脉冲频度和最大脉冲声音强度，蝙蝠搜索频度增加系数、声音强度衰减系数；(2)设定适应度函数f：f＝1/J；其中，为一个气压子样本集所有气压均值的平均值，yi表示第i只蝙蝠对应的FIR滤波器将气压子样本集中气压均值过滤后的过滤气压均值，M表示气压子样本集中气压均值的数量；(3)寻找出适应度值最大的蝙蝠个体，作为当前最优解x*；(4)利用当前最优解依次对所有蝙蝠个体的搜索脉冲频率、速度和位置进行更新；(5)生成均匀分布随机数R1，判断R1>Ri是否成立，如果成立，则利用当前最优解产生一个新的解，...

【专利技术属性】
技术研发人员：刘辉，李燕飞，黄家豪，王孝楠，段超，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43