[发明专利]一种运载机器人识别楼层的气象参数智能融合处理方法

权利要求书

1.一种运载机器人识别楼层的气象参数智能融合处理方法，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SFLA的多核支持向量机MKSVM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。

2.根据权利要求1所述的方法，其特征在于，所述基于SFLA的多核支持向量机MKSVM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MKSVM模型进行分类训练获得；

其中，所建立的MKSVM模型的核函数为径向基核函数和多项式核函数加权求和的多核核函数，所建立的MKSVM模型的参数c和g采用SFLA算法进行优化选择；

所述多核核函数为K_mix＝dK_rbf+(1-d)K_poly，d∈[0,1]，其中，K_rbf代表高斯径向基核函数，K_poly代表多项式核函数，d代表核函数权值。

3.根据权利要求2所述的方法，其特征在于，所述MKSVM模型的参数c和g采用SFLA算法进行优化选择的过程如下：

(1)将所述MKSVM模型的惩罚系数c、核参数g和核函数权值d当作青蛙个体，并随机初始化青蛙种群；

(2)将同一天气模式下各楼层的所有历史样本输入所述MKSVM模型，得到每个样本的分类结果，以所有样本的楼层分类结果和真实楼层结果之间的平均绝对值误差为适应度函数，依次对每只青蛙，计算其适应度值；

(3)将所有青蛙按适应度大小降序排列，令第1只青蛙进入子群1，第2只青蛙进入子群2，第N_m只青蛙进入子群N_m，第N_m+1只青蛙进入子群1，以此类推，完成所有青蛙分配；

(4)确定各子群中适应度最好和最差的青蛙个体以及整个种群中适应度最好的群体最优青蛙，将每个子群中最差的青蛙个体淘汰后，根据SFLA算法及给定的进化次数，对各子群的青蛙进行元进化；

(5)将各子群的青蛙合并，按适应度函数值降序排列个体，重新混合构成新群体，并记录此时的群体最优青蛙；

(6)计算群体最优青蛙的适应度，判断是否达到群体最优青蛙的适应度最大相等次数，若达到，输出最优青蛙对应的惩罚系数c、核参数g和核函数权值d，未达到，则返回(3)继续迭代。

4.根据权利要求3所述的方法，其特征在于，青蛙总数取值范围为[50,500]，子群数取值范围为[5,50]，进化次数取值范围为[100-1000]，适应度最大相等次数取值范围为[5-30]。

5.根据权利要求1-4任一项所述的方法，其特征在于，采用高斯混合聚类GMM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。

6.根据权利要求5所述的方法，其特征在于，采用FOA算法构建初始高斯混合聚类GMM模型，具体过程如下：

步骤A：从单一楼层样品集Ai的q个样本中随机选取与单一楼层模式数相同的n个样本作为原始聚类中心，对应n个高斯模型，再随机选取s个样本作为更新果蝇；

以所选的n+s个样本作为果蝇的初始位置，种群为单一楼层样本集中所有样本，设定最大迭代次数；

步骤B：计算每个果蝇的味道浓度，以果蝇的味道浓度作为果蝇适应度；

适应度函数为离果蝇最近的[q/(n+s)]+1个样本点到果蝇的欧氏距离之和；

步骤C：对各果蝇位置进行比较，得到每代果蝇种群中味道浓度最优的n个果蝇位置；

步骤D：对位置最差的s组果蝇重新进行随机生成，并将上一次位置最优的n组果蝇位置进行保存；

步骤E：判断此时最优的n组果蝇位置是否达到精度要求，或满足迭代次数，如果达到，则输出最优的n组果蝇位置，否则返回步骤C继续迭代更新，直到满足终止条件；

步骤F：以最优的n组果蝇位置对应的n个样本点作为初始聚类中心，并对种群中的其余果蝇按照距离初始聚类中心之间的距离进行分类，得到分类结果；

步骤G：计算对每一类样本服从概率分布函数的权重、均值和方差，得到初始高斯混合聚类模型。