[发明专利]基于无线传感网的危险品仓库室内定位与应急疏散系统

权利要求书

1.一种基于无线传感网的危险品仓库室内定位与应急疏散方法，其特征在于，所述基于无线传感网的危险品仓库室内定位与应急疏散方法包括：

通过危险品监测公式对危险品数据进行采集；接收所在楼层监测到的危险品实时数据，通过数据无线传输传递函数公式将接收的数据无线传输上传至综合控制平台；

检测附近的危险品，并将危险品的信息传送到综合控制平台；

控制仓库内门、窗和灭火器的开启；同时对危险品的位置采用扩展卡尔曼滤波算法，根据危险品位置的历史信息，预测危险品的位置，对危险品进行定位及报警提示。

2.如权利要求1所述的基于无线传感网的危险品仓库室内定位与应急疏散方法，其特征在于，

危险品监测公式为：

式中：

——观测时段内危险品监测变量的平均值；

y_i——观测时段内第i个危险品监测变量的采样的样本瞬时值，包括错误、可疑；非正确的样本丢弃不用于计算，令y_i＝0；

N——观测时段内的样本总数，由采样频率和平均值时间区间决定；

m——观测时段内正确的样本数,m≤N；

数据无线传输时的传递函数为：

其中，ω₀为滤波器的中心频率，对于不同的ω₀，k使k/ω₀保持不变；

在频率域构造滤波器，对应的极坐标表达方式为：

G(r,θ)＝G(r,r)r·G(θ,θ)；

式中，G_r(r)为控制滤波器带宽的径向分量，G_θ(θ)为控制滤波器方向的角度分量；

r表示径向坐标，θ表示角度坐标，f₀为中心频率，θ₀为滤波器方向，σ_f用于确定带宽；

Bf＝2(2/ln2)1/2|lnσ_f|，σ_θ确定角度带宽，Bθ＝2(2/ln2)1/2σ_θ；

对危险品的位置进行定位的方法包括：

采用扩展卡尔曼滤波算法，根据危险品位置的历史信息，预测危险品的位置，GPS定位模块根据预测到危险品的位置信息计算出危险品的垂直仰角和水平方位角，预测信息得到的危险品区域吞吐量的值和危险品的完全信息得到的吞吐量理论值很接近，在天线阵列实现危险品的波束的预测对准后，基于危险品区域吞吐量最大化建立优化模型；

建立优化模型后，将膜计算理论与粒子群算法相结合，采用膜系统的层次结构和消息传递机制，将粒子群优化算法作为基本膜子算法部署到各个膜区域中进行演化操作，并在表层膜中，求解同一非支配等级下两个字符对象的目标向量间的距离，用以评估解个体在目标空间中分布的均匀性，维持群体的多样性；通过膜间的通信规则、粒子群行为的协同演进和非支配解排序有效地平衡粒子群的全局搜索和局部寻优；引入外部档案集合存储种群进化过程中得到的优势个体，根据个体支配关系进行维护，将熵度量作为相关度目标，相关系数作为冗余度目标用以优化数据对象，通过统计Pareto解集中对应特征子集被选择的次数进行降序排列，获得所有特征的重要序列，并应用于危险品辐射源信号的脉内特征选择；

对危险品的位置进行定位的方法具体包括：

步骤一，确定移动危险品的测量模型；

步骤二，采用滤波算法进行危险品的位置预测；

步骤三，GPS定位模块通过预测到的危险品的位置信息，计算出每个危险品的水平方位角和垂直仰角；

步骤四，采用有源天线阵列模型，确定GPS定位模块到危险品的信道增益模型；

步骤五，GPS定位模块的天线波束实现危险品的预测对准；

步骤六，进行危险品区域中危险品功率资源分配；

步骤七，通过最大化危险品区域的吞吐量，进行波束功率优化；

步骤八，构建相关度和冗余度作为目标适应度函数，包括：

利用相关度和冗余度的概念定义一组最小化的目标函数，用以评价雷达辐射源信号特征子集的质量；其中相关度倾向保留所有与数据结构关联紧密的特征，而冗余度则会排除与已选特征相关度高的特征；二者作为膜微粒群算法的适应度函数；

相关度目标采用熵度量指标，如下：

s_ij＝exp(-aD_ij),

其中，N是危险品辐射源信号数据样本的个数；a是权重系数，D_ij是样本i和样本j在x所表示的特征子集下的欧式距离；D_a表示所有样本在全空间下欧式距离的平均值。S_ij的取值必须归一化到[0，1]；当选择的特征子集合理时，样本i和样本j若属于同类，则S_ij的取值很小，反之越大；从而f₁(x)选取最小值；

冗余度目标则利用相关系数，当相关系数绝对值越小，特征子集所包含的冗余越小；目标函数如下：

其中，n_x表示危险品辐射源信号特征子集的个数；d是总的特征个数；x_j和x_k分别表示x中第j个和第k个元素的取值；b_ij表示第i个样本在第j个特征上的取值，b_aj表示所有样本在第j个特征上的均值；在特征子集规模确定时，冗余度小的特征子集对应的目标函数f₂(x)越小。