机器人主动嗅觉烟羽分布辨识方法研究
发布时间：2022-01-24 00:44
针对三维空间有害气体烟羽分布的辨识问题,提出一种模拟退火结合模糊C均值算法的烟羽辨识方法。采用模拟退火算法优化四轴飞行器自主搜索路径,避免了烟羽信息采集的盲目性,提高了辨识效率。采用模糊C均值算法对有害气体烟羽多维特征数据聚类,辨识烟羽扩散区域及危害程度。采用两种聚类评价指标,通过实验确定了聚类数目及加权指数。搭建了仿真平台,通过实例对所提出的方法进行验证,且与Kmeans、DBSCAN聚类算法对比分析,结果表明:上述方法能自主辨识出有害气体烟羽扩散区域及危害程度,为烟羽分布辨识及源定位提供方法支持。
【文章来源】：计算机仿真. 2019,36(09)北大核心
【文章页数】：6 页
【部分图文】：
Xie－Beni指标与聚类数目关系曲线
5时，都取得极小值，且所取得的极小值仅比聚类数目为10和12时取得极小值稍大。图2是Com(Cluster)评价指标与聚类数目关系曲线图，图中六条曲线分别是加权指数m取1．6，1．8，2．0，2．2，2．4，2．6时对应的曲线。对比图2六条曲线可知，随着加权指数m取值增加，Com(Cluster)评价指标逐渐减小，故m取值越大，Com(Cluster)评价指标越小。图3是仿图1Xie－Beni指标与聚类数目关系曲线图2Com(Cluster)指标与聚类数目关系曲线图3仿真时间与聚类数目关系曲线真时间与聚类数目关系曲线图，图中六条曲线分别是加权指数m取1．6，1．8，2．0，2．2，2．4，2．6时对应的曲线。由图3知，不论m取值如何，随着聚类数目增加，运行时间一直增加。对比图1－图3可知，图1中，尽管聚类数目为10和12时取得极小值比聚类数目为5时取得的极小值稍小，但在图3中对应的时间比聚类数目为5时所用时间长很多，故聚类数目取5时，较为合适。综上分析，本论文聚类数目取5，加权指数m取2．6。4．2模拟退火结合FCM算法效果分析实验步骤:—843—
木劾嘀行?步骤7:以计算的聚类中心作为模拟退火算法搜索目标，构建目标函数，采用模拟退火算法动态产生路径点;步骤8:计算动态生成的每个路径点距离实际采集的380个数据点的距离，计算每个路径点的等效浓度，返回步骤5。实验效果如图4－图7。图4是对采集的380个样本中，任意选取10个作为初始信息，第一次采用模拟退火结合模糊C均值算法生成的路径点及其对应等效浓度的仿真结果。由该仿真结果可知，选取初始样本点后，第一次辨识出的浓度范围在［0．2，0．5］之间。图4第一次迭代结果图5是根据图4生成的路径点及其对应等效浓度构成的四维数据，第二次采用模拟退火结合模糊C均值算法生成的路径点及其对应等效浓度的仿真结果。由该仿真结果可知，第二次辨识出的浓度范围在［0．4，0．7］之间。图6是根据图5生成的路径点及其对应等效浓度构成的四维数据，第三次采用模拟退火结合模糊C均值算法生成的路径点及其对应等效浓度的仿真结果。由该仿真结果可知，第三次辨识出的浓度范围在［0．5，0．9］之间。图7是根据图6生成的路径点及其对应等效浓度构成的四维数据，第四次采用模拟退火结合模糊C均值算法生成的路径点及其对应等效浓度的仿真结果。由该仿真结果可知，第四次辨识出的浓度范围在［0．5，1］之间。图5第二次迭代结果图6第三次迭代结果图7第四次迭代结果通过对比分析图4－图7可知，仅采用任意10个数据点作为初始点，反复采用模拟退火结合模糊C均值算法能够动态搜索到烟羽浓度范围逐渐增大，甚至能搜索到烟羽浓度为1的位置，即烟羽源所在位置，进一步验证了该方法动态辨识
【参考文献】：
期刊论文
[1]基于认知差异的多机器人协同信息趋向烟羽源搜索方法[J]. 宋程,贺昱曜,雷小康,杨盼盼. 控制与决策. 2018(01)
[2]湍流环境中多弱感知机器人气味源搜索算法[J]. 张思齐,徐德民. 控制与决策. 2015(08)
[3]室内通风环境下基于模拟退火算法的单机器人气味源定位[J]. 王阳,孟庆浩,李腾,曾明. 机器人. 2013(03)
[4]基于微粒群优化的有限通信多机器人气味寻源[J]. 张建化,巩敦卫,张勇. 控制与决策. 2013(05)
[5]基于改进FCM聚类算法的维吾尔文字图像分割[J]. 伊力哈木·亚尔买买提,杨建庭. 计算机仿真. 2012(07)
[6]基于行为特征的机器人变步长气味源搜索算法[J]. 王俭,季剑岚,陈卫东. 系统仿真学报. 2009(17)
[7]面向气味跟踪与定位的机器人变步长搜索算法[J]. 王俭,赵鹤鸣. 计算机工程与应用. 2009(02)
[8]均匀扩散下机器人变步长气味源搜索算法[J]. 王俭,唐波,赵鹤鸣. 苏州大学学报(工科版). 2008(03)
本文编号：3605488
【文章来源】：计算机仿真. 2019,36(09)北大核心
【文章页数】：6 页
【部分图文】：
Xie－Beni指标与聚类数目关系曲线
5时，都取得极小值，且所取得的极小值仅比聚类数目为10和12时取得极小值稍大。图2是Com(Cluster)评价指标与聚类数目关系曲线图，图中六条曲线分别是加权指数m取1．6，1．8，2．0，2．2，2．4，2．6时对应的曲线。对比图2六条曲线可知，随着加权指数m取值增加，Com(Cluster)评价指标逐渐减小，故m取值越大，Com(Cluster)评价指标越小。图3是仿图1Xie－Beni指标与聚类数目关系曲线图2Com(Cluster)指标与聚类数目关系曲线图3仿真时间与聚类数目关系曲线真时间与聚类数目关系曲线图，图中六条曲线分别是加权指数m取1．6，1．8，2．0，2．2，2．4，2．6时对应的曲线。由图3知，不论m取值如何，随着聚类数目增加，运行时间一直增加。对比图1－图3可知，图1中，尽管聚类数目为10和12时取得极小值比聚类数目为5时取得的极小值稍小，但在图3中对应的时间比聚类数目为5时所用时间长很多，故聚类数目取5时，较为合适。综上分析，本论文聚类数目取5，加权指数m取2．6。4．2模拟退火结合FCM算法效果分析实验步骤:—843—
木劾嘀行?步骤7:以计算的聚类中心作为模拟退火算法搜索目标，构建目标函数，采用模拟退火算法动态产生路径点;步骤8:计算动态生成的每个路径点距离实际采集的380个数据点的距离，计算每个路径点的等效浓度，返回步骤5。实验效果如图4－图7。图4是对采集的380个样本中，任意选取10个作为初始信息，第一次采用模拟退火结合模糊C均值算法生成的路径点及其对应等效浓度的仿真结果。由该仿真结果可知，选取初始样本点后，第一次辨识出的浓度范围在［0．2，0．5］之间。图4第一次迭代结果图5是根据图4生成的路径点及其对应等效浓度构成的四维数据，第二次采用模拟退火结合模糊C均值算法生成的路径点及其对应等效浓度的仿真结果。由该仿真结果可知，第二次辨识出的浓度范围在［0．4，0．7］之间。图6是根据图5生成的路径点及其对应等效浓度构成的四维数据，第三次采用模拟退火结合模糊C均值算法生成的路径点及其对应等效浓度的仿真结果。由该仿真结果可知，第三次辨识出的浓度范围在［0．5，0．9］之间。图7是根据图6生成的路径点及其对应等效浓度构成的四维数据，第四次采用模拟退火结合模糊C均值算法生成的路径点及其对应等效浓度的仿真结果。由该仿真结果可知，第四次辨识出的浓度范围在［0．5，1］之间。图5第二次迭代结果图6第三次迭代结果图7第四次迭代结果通过对比分析图4－图7可知，仅采用任意10个数据点作为初始点，反复采用模拟退火结合模糊C均值算法能够动态搜索到烟羽浓度范围逐渐增大，甚至能搜索到烟羽浓度为1的位置，即烟羽源所在位置，进一步验证了该方法动态辨识
【参考文献】：
期刊论文
[1]基于认知差异的多机器人协同信息趋向烟羽源搜索方法[J]. 宋程,贺昱曜,雷小康,杨盼盼. 控制与决策. 2018(01)
[2]湍流环境中多弱感知机器人气味源搜索算法[J]. 张思齐,徐德民. 控制与决策. 2015(08)
[3]室内通风环境下基于模拟退火算法的单机器人气味源定位[J]. 王阳,孟庆浩,李腾,曾明. 机器人. 2013(03)
[4]基于微粒群优化的有限通信多机器人气味寻源[J]. 张建化,巩敦卫,张勇. 控制与决策. 2013(05)
[5]基于改进FCM聚类算法的维吾尔文字图像分割[J]. 伊力哈木·亚尔买买提,杨建庭. 计算机仿真. 2012(07)
[6]基于行为特征的机器人变步长气味源搜索算法[J]. 王俭,季剑岚,陈卫东. 系统仿真学报. 2009(17)
[7]面向气味跟踪与定位的机器人变步长搜索算法[J]. 王俭,赵鹤鸣. 计算机工程与应用. 2009(02)
[8]均匀扩散下机器人变步长气味源搜索算法[J]. 王俭,唐波,赵鹤鸣. 苏州大学学报(工科版). 2008(03)
本文编号：3605488
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3605488.html
