[发明专利]一种基于狄利克雷过程混合模型的空间羽流特征聚类方法

说明书

本发明涉及一种基于狄利克雷过程混合模型的空间羽流特征聚类方法，其方法为，使用携带气体传感器和定位装置的机器人获取羽流扩散空间中的羽流特征，构建羽流特征集合；对具有相似特点的羽流特征，使用狄利克雷过程混合模型的方法进行聚类，得到羽流空间分布类型；设计Collapsed Gibbs采样推断参数，输出最终空间羽流特征聚类数据，本发明能够考虑非结构环境下羽流分布的复杂情况，可以实现对空间中羽流类型的快速、精准且全面的聚类。

技术领域

本发明涉及空间羽流特征聚类领域，特别涉及一种基于狄利克雷过程混合模型的空间羽流特征聚类方法。

背景技术

随着工业制造业的快速发展，石油、煤气、天燃气等易燃易爆、有毒的化工产品在给我们日常生活带来便利的同时，人类也越来越多地面对易燃易爆、有毒介质的泄漏、排放、中毒等事故，给人们的健康和安全造成了很大的威胁。

在非结构环境（如非结构化的地下廊道等）下，一旦出现危险源泄漏，传统的人工寻源方案极具危险性，由机器人替代人工搜寻泄漏源具有重要的现实意义。

由于羽流易受周围大气参数（如气压、温度、雷诺数等）及地形、障碍分布等影响，使得羽流在大气中运动具有明显的不稳定性，现有的羽流特征（羽流浓度信息和羽流空间位置信息）聚类方法需要事先指定羽流扩散区域中羽流特征的类型数量，忽略了羽流在空间中分布复杂的情形，导致在非结构环境下对羽流特征类型的划分不够精确。

若能对捕捉到的羽流动态信息进行状态划分，则有望在非结构环境中，获取羽流在输运介质中运动的更多未知规律和知识，挖掘潜在的羽流分布规律，从而及时调整机器人的运动策略，加速羽流源的确定过程。

狄利克雷过程是一种非参贝叶斯方法，而狄利克雷过程混合模型（DirichletProcess Mixture Model, DPMM）是狄利克雷过程的一个典型聚类模型。该模型具有无需事先指定聚类类别或数量的突出优势，通过DPMM对空间不同特性的羽流特征进行辨识与标注，获得羽流类型概率分布对羽流区域进行划分，更符合羽流在空间中分布复杂的情形。

发明内容

本发明为了克服现有在羽流聚类过程中存在的不足之处，提出一种基于狄利克雷过程混合模型的空间羽流特征聚类方法。

本发明为达到上述发明目的，采用如下技术方案。

本发明基于狄利克雷过程混合模型的空间羽流特征聚类方法是按如下步骤进行。

S1:使用携带气体传感器和定位装置的机器人获取羽流空间中羽流特征，羽流特征包括机器人获取的浓度信息和机器人空间位置信息。

S1-1:计算机器人获取的羽流特征的总数量N。

S1-2:构建机器人获取的羽流特征集合M∈{x₁,x₂,...,x_i}，其中x_i表示机器人获取的第i个羽流特征。

S2:基于机器人获取羽流特征集合M，构建非参贝叶斯模型狄利克雷过程混合模型DPMM。

S2-1:对于机器人获取的第i个羽流特征，按照式（1）生成第i个羽流特征所属羽流类型。

（1）。

在式（1）中，～表示服从，z_i表示第i个羽流特征所属羽流类型，Multinomial(·)表示多项式分布，Dirichlet(·)表示狄利克雷分布，π表示多项式分布的超参数，α表示狄利克雷分布的超参数。

（2）。