改进滑模干扰控制律交通数据反步融合算法

发布时间：2019-10-07 23:20

【摘要】：提出一种基于滑模干扰控制律的WSN(wireless sensor network)数据反步融合算法。在常规的滑模控制律下加入一个控制干扰补偿项,结合WSN传输的交通数据多状态随机分布特征,把控制律变换到S域中。对WSN数据进行逆序排列反步融合,在数据融合中加入反步融合函数,采用可靠性分配机制使得数据融合接近真实值,实现对交通的智能调度和稳态控制。仿真实验表明,采用该算法进行交通数据融合处理和智能交通控制,能使WSN节点能耗降低,有效抑制控制稳态误差,交通通行能力有较大提高。
【图文】：

律，能有效去除稳态误差，提高系统的控制精度和准确性。3WSN数据反步融合算法及智能交通控制应用实现本文以上述改进的滑模干扰控制律为基础，进行WSN数据反步融合和交通智能控制，以改善控制精度，提高交通管理效率。3.1WSN数据反步融合算法基于改进的滑模干扰控制律进行WSN数据反步融合的基本思想为:在每个WSN簇头节点上，使用导码、地理位置等参数进行原始数据感知，对数据按照可靠性分配进行序列分区，在数据融合中加入反步融合函数，采用可靠性分配机制使得数据融合接近真实值。算法构建思想用框图描述如图1所示。算法描述如下:图1滑模干扰控制律WSN交通数据融合控制Fig1WSNtrafficdatafusionandcontroldiagrambasedonimprovedslidingmodeinterferencecontrolrule采用文献［20］的簇头节点处理方法，WSN簇头节点上的信息导码表达为usw=－Ksat(S(t)/μ)/(λgx+gθ)(20)WSN簇头节点上使用导码、地理位置等参数进行原始数据感知采用无向图模型结构表示，WSN网络智能交通控制模型用一个连通的无向图G=(V，E，S)表示。其中v0∈V，V为WSN所有节点集合，，v0表示Sink节点。无向图模型的参量分别表示导码、地理位置参数，所有节点都有相同的传输半径r，WSN网络的边(u，v)∈E，当且仅当这2个节点之间的平面几何距离小于或等于传输半径r，即|uv|≤r。基于上述改进的滑模干扰律模型，对交通采集数据进行反步迭代。结合式(3)进行反步迭代的表达式为sx=［

本文编号：2545977