針對三維空間有害氣體煙羽分布的辨識問題,提出一種模擬退火結(jié)合模糊C均值算法的煙羽辨識方法。采用模擬退火算法優(yōu)化四軸飛行器自主搜索路徑,避免了煙羽信息采集的盲目性,提高了辨識效率。采用模糊C均值算法對有害氣體煙羽多維特征數(shù)據(jù)聚類,辨識煙羽擴散區(qū)域及危害程度。采用兩種聚類評價指標(biāo),通過實驗確定了聚類數(shù)目及加權(quán)指數(shù)。搭建了仿真平臺,通過實例對所提出的方法進行驗證,且與Kmeans、DBSCAN聚類算法對比分析,結(jié)果表明:上述方法能自主辨識出有害氣體煙羽擴散區(qū)域及危害程度,為煙羽分布辨識及源定位提供方法支持。 

【文章來源】：計算機仿真. 2019,36(09)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

Xie－Beni指標(biāo)與聚類數(shù)目關(guān)系曲線

5時，都取得極小值，且所取得的極小值僅比聚類數(shù)目為10和12時取得極小值稍大。圖2是Com(Cluster)評價指標(biāo)與聚類數(shù)目關(guān)系曲線圖，圖中六條曲線分別是加權(quán)指數(shù)m取1．6，1．8，2．0，2．2，2．4，2．6時對應(yīng)的曲線。對比圖2六條曲線可知，隨著加權(quán)指數(shù)m取值增加，Com(Cluster)評價指標(biāo)逐漸減小，故m取值越大，Com(Cluster)評價指標(biāo)越小。圖3是仿圖1Xie－Beni指標(biāo)與聚類數(shù)目關(guān)系曲線圖2Com(Cluster)指標(biāo)與聚類數(shù)目關(guān)系曲線圖3仿真時間與聚類數(shù)目關(guān)系曲線真時間與聚類數(shù)目關(guān)系曲線圖，圖中六條曲線分別是加權(quán)指數(shù)m取1．6，1．8，2．0，2．2，2．4，2．6時對應(yīng)的曲線。由圖3知，不論m取值如何，隨著聚類數(shù)目增加，運行時間一直增加。對比圖1－圖3可知，圖1中，盡管聚類數(shù)目為10和12時取得極小值比聚類數(shù)目為5時取得的極小值稍小，但在圖3中對應(yīng)的時間比聚類數(shù)目為5時所用時間長很多，故聚類數(shù)目取5時，較為合適。綜上分析，本論文聚類數(shù)目取5，加權(quán)指數(shù)m取2．6。4．2模擬退火結(jié)合FCM算法效果分析實驗步驟:—843—

木劾嘀行?步驟7:以計算的聚類中心作為模擬退火算法搜索目標(biāo)，構(gòu)建目標(biāo)函數(shù)，采用模擬退火算法動態(tài)產(chǎn)生路徑點;步驟8:計算動態(tài)生成的每個路徑點距離實際采集的380個數(shù)據(jù)點的距離，計算每個路徑點的等效濃度，返回步驟5。實驗效果如圖4－圖7。圖4是對采集的380個樣本中，任意選取10個作為初始信息，第一次采用模擬退火結(jié)合模糊C均值算法生成的路徑點及其對應(yīng)等效濃度的仿真結(jié)果。由該仿真結(jié)果可知，選取初始樣本點后，第一次辨識出的濃度范圍在［0．2，0．5］之間。圖4第一次迭代結(jié)果圖5是根據(jù)圖4生成的路徑點及其對應(yīng)等效濃度構(gòu)成的四維數(shù)據(jù)，第二次采用模擬退火結(jié)合模糊C均值算法生成的路徑點及其對應(yīng)等效濃度的仿真結(jié)果。由該仿真結(jié)果可知，第二次辨識出的濃度范圍在［0．4，0．7］之間。圖6是根據(jù)圖5生成的路徑點及其對應(yīng)等效濃度構(gòu)成的四維數(shù)據(jù)，第三次采用模擬退火結(jié)合模糊C均值算法生成的路徑點及其對應(yīng)等效濃度的仿真結(jié)果。由該仿真結(jié)果可知，第三次辨識出的濃度范圍在［0．5，0．9］之間。圖7是根據(jù)圖6生成的路徑點及其對應(yīng)等效濃度構(gòu)成的四維數(shù)據(jù)，第四次采用模擬退火結(jié)合模糊C均值算法生成的路徑點及其對應(yīng)等效濃度的仿真結(jié)果。由該仿真結(jié)果可知，第四次辨識出的濃度范圍在［0．5，1］之間。圖5第二次迭代結(jié)果圖6第三次迭代結(jié)果圖7第四次迭代結(jié)果通過對比分析圖4－圖7可知，僅采用任意10個數(shù)據(jù)點作為初始點，反復(fù)采用模擬退火結(jié)合模糊C均值算法能夠動態(tài)搜索到煙羽濃度范圍逐漸增大，甚至能搜索到煙羽濃度為1的位置，即煙羽源所在位置，進一步驗證了該方法動態(tài)辨識

【參考文獻(xiàn)】：
期刊論文
[1]基于認(rèn)知差異的多機器人協(xié)同信息趨向煙羽源搜索方法[J]. 宋程,賀昱曜,雷小康,楊盼盼.  控制與決策. 2018(01)
[2]湍流環(huán)境中多弱感知機器人氣味源搜索算法[J]. 張思齊,徐德民.  控制與決策. 2015(08)
[3]室內(nèi)通風(fēng)環(huán)境下基于模擬退火算法的單機器人氣味源定位[J]. 王陽,孟慶浩,李騰,曾明.  機器人. 2013(03)
[4]基于微粒群優(yōu)化的有限通信多機器人氣味尋源[J]. 張建化,鞏敦衛(wèi),張勇.  控制與決策. 2013(05)
[5]基于改進FCM聚類算法的維吾爾文字圖像分割[J]. 伊力哈木·亞爾買買提,楊建庭.  計算機仿真. 2012(07)
[6]基于行為特征的機器人變步長氣味源搜索算法[J]. 王儉,季劍嵐,陳衛(wèi)東.  系統(tǒng)仿真學(xué)報. 2009(17)
[7]面向氣味跟蹤與定位的機器人變步長搜索算法[J]. 王儉,趙鶴鳴.  計算機工程與應(yīng)用. 2009(02)
[8]均勻擴散下機器人變步長氣味源搜索算法[J]. 王儉,唐波,趙鶴鳴.  蘇州大學(xué)學(xué)報(工科版). 2008(03)



本文編號：3605488