[发明专利]一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法

摘要

本发明提供了一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法，利用成本较低的温度、湿度、气压传感器搜集数据，建立数据库，针对气压随高度变化的特性，采用大数据处理技术，利用CPSO优化的ELMAN神经网络模型完成预测模型的建立，实现运载机器人在各种环境下的电梯楼层自适应辨识，有效解决了不同环境下同一高度气压值变动导致楼层辨识不准的情况。此外，本发明无需对电梯内部或外部进行改造，具有极高的普适性。

主权项

1.一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法，其特征在于，包括以下步骤：步骤1：采集楼层历史信息数据，构建楼层信息数据库；所述楼层历史信息数据包括各楼层在各种天气条件下不同时间间隔区间中的天气观测值，所述天气观测值包括温度、湿度以及气压；步骤2：对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合，每一种天气模式对应一组温度区间、湿度区间以及气压区间；所述样本是指在一个时间间隔内采集的天气观测值均值，时间间隔是将历史数据采集时间作为一个连续的时间段，进行等间距划分，设定为1小时；步骤3：获取用于构建基于天气模式的气压楼层预测模型的训练集合；将所有样本中的气压均值按照天气模式进行划分后，对相同天气模式下所有楼层的气压均值进行合并，得到同一天气模式下全楼层的所有气压均值和对应楼层层号的训练子集，所有天气模式下的全楼层训练子集构成训练集合；步骤4：构建基于天气模式的气压楼层预测模型；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，训练基于CPSO优化的Elman神经网络的分类模型，获得基于天气模式的气压楼层预测模型；步骤5：利用机器人当前所在楼层层号和天气观测值，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6：利用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；所述基于CPSO优化的Elman神经网络的分类模型，是以同一天气模式下不同气压均值数据及相应的楼层层号分别作为输入和输出训练数据，建立Elman神经网络模型进行分类训练获得；其中，所建立的Elman神经网络模型的网络连接权值和隐含层阈值采用CPSO算法进行优化选择；采用k‑means聚类方法，对楼层信息数据库中的各楼层在不同时间间隔内的样本进行聚类，得到每个楼层的天气模式集合；采用HS优化k‑means的初始聚类中心，具体过程如下：步骤A：从单一楼层样品集Ai中的q个样本中随机选取与单一楼层模式数相同的n个样本作为k‑means的初始聚类中心，再随机选取s个样本作为更新和声；设置和声记忆库保留概率HMCR，微调扰动率PAR，和迭代次数Tmax；步骤B：从单一楼层样品集Ai中的q个样本中，随机选取一个大小为n+s的初始群体放入和声记忆库，以离和声记忆库内初始聚类中心最近的q/(n+s)+1个样本到初始聚类中心的欧氏距离之和作为适应度函数；初始群体中每一个初始聚类中心对应该楼层的一个时间间隔区间内的温度、湿度、气压均值；步骤C：根据HS算法，以概率HMCR在和声记忆库中搜索新解，以概率1‑HMCR在和声记忆库外的样本可能值域中搜索得到新解；步骤D：以概率PAR对新解产生局部扰动，判断新解是否优于和声记忆库内的最差的s个解，若是，则用新解代替最差解，获得新的和声记忆库，若不是，则返回步骤C，继续迭代；步骤F：判断是否达到迭代次数Tmax，若满足，输出最优的n个解。