基于神经网络的电梯群控制Word下载.docx
《基于神经网络的电梯群控制Word下载.docx》由会员分享，可在线阅读，更多相关《基于神经网络的电梯群控制Word下载.docx（17页珍藏版）》请在冰豆网上搜索。
在完成了前文的理论准备后，本文对模糊神经网络进行混合训练学习，首先使用了k-均值算法初步确定了隶属函数的中心和宽度，然后使用顺序聚类方法提取模糊规则，最后使用带有动态惯性权值的PSO对隶属函数的中心和宽度进行了优化调整。
经过混合训练学习方法对模糊神经网络的训练和优化后，可以得到较为完整的模糊神经网络。
此处构建的模糊神经网络模型的方法将应用于随后的电梯群控模式识别模块和派梯调度模块。
按照上文提到的模糊神经网络模型构建和训练学习方法根据交通流模式识别的特点和要求建立相应的模糊神经网络，然后通过构建并训练完毕的模糊神经网络对当前交通流特征值分析以得到相应的交通流模式，从而可以根据当前交通流模式制定相应的调度控制策略。
之后按照上文提到的模糊神经网络模型构建和训练学习方法根据电梯群控派梯调度系统的特点和要求建立相应的模糊神经网络，根据前面得到的交通流模式和派梯调度策略，通过模糊神经网络对当前电梯运行状态数据进行的分析从而对呼梯信号序列进行调度。
最后对本文建立的电梯群控系统进行了仿真和数据验证，根据模拟实际系统的运行，验证了本文算法和模型的有效性。
关键词：
电梯群控系统；
神经网络；
PSO算法；
电梯群控派梯调度
1绪论
1.1电梯群控系统的发展和现状
自从世界上第一台电梯于问世以来，电梯已经成为人类高层建筑交通中不可缺少的工具，是当今高层建筑的重要组成部分。
随着高层建筑的不断发展，楼层的高度越来越高，建筑规模也越来越大，需要合理安装多台电梯并进行集中统一的控制，这种多台电梯群的优化调度系统就是电梯群控系统（EGCS）。
电梯群控系统的发展历史经历了简易自动控制、集选控制和群控几个发展历程。
电梯发展的初期，人们采用了简易自动控制方式，使用的是继电器接触控制，称为“自动选择系统”，通过在上行，下行高峰以及平峰，双向选择运行命令来工作，这是群控的最简单形式：
方向预选控制[1]。
但是由于这种方式不能同时响应多个呼梯信号，因此使用起来不方便，效率低下。
后来出现了集选控制，这种控制方式能够记录所有的呼梯信号，并在前进方向上根据呼梯顺序停靠，但是这种调度方式效率仍然较为低下。
随着大型建筑物的发展，单台电梯不能很好的应付全部客流，因此需要设置多台电梯，为了控制安装在一起的多台电梯，电梯群控系统便应运而生。
20世纪70年代中期以后主要研究的是电梯交通系统的动态特性，并已经进入现代电梯群控系统阶段。
1988年，日本人HitoshiAoki把人工智能控制技术引入得到电梯群控系统中，建立了专家系统和模糊规则，这标志着电梯群控系统进入了人工智能技术的发展阶段，模糊控制开始应用于电梯群控系统中。
1989年，日本三菱公司把模糊逻辑应用于电梯群控系统中，用来确定乘客密度和电梯交通模式；
紧接着，1990年日本研制出带有模糊控制器的电梯群控系统ELEX系列。
1992年，神经网络技术开始应用于电梯群控系统中，其中的代表便是日本东芝公司开发的使用神经网络技术的EJ-1000FN系统。
现在比较著名的电梯群控系统有：
日本三菱公司的AI-2100系列和AI-2200系列，迅达电梯公司的MiconicVX/AITP装置等。
因此开展电梯群控算法研究具有重要的理论意义和实际意义，这对于电梯群控系统性能（安全性、舒适性等）是十分必要的，同时也可以改变我国目前电梯技术主要依赖于进口的不利局面。
1.2电梯群控系统概述
电梯群控系统需要对多台电梯进行调度，使他们协同工作，其复杂性是由电梯群控系统的特性所决定的，具体表现在电梯群控系统所固有的非线性、不确定性和多目标性等几个方面。
（1）电梯群控系统中的非线性因素；
（2）电梯群控系统中的不确定性因素；
（3）电梯群控系统中的模糊性；
（4）电梯群控系统的多目标性。
2神经网络的学习和仿真方法
2.1神经元模型
在神经科学研究的基础上，依据生物神经元的结构和功能，模拟生物神经元的基本特征建立了多种人工神经元模型，也称形式神经元模型，简称神经元模型。
2.2生物神经元
生物神经元，也称神经细胞，是构成神经系统的基本功能单元。
虽然神经元的形态有很大的差异，但基本结构相似。
本节从信息处理和生物控制的角度，简述其结构和功能。
2.2.1神经元结构
神经元结构如图2.1所示。
图2.1生物神经元
（1）细胞体：
由细胞核、细胞质和细胞膜等组成。
（2树突：
胞体上短而多分支突起，相当于神经元的输入端，接受传入的神经冲动。
（3）触突：
胞体上最长的突起，也称神经纤维。
端部有很多神经末梢，传出神经冲动。
（4）突触：
突触是神经元之间的连接接口，每一个神经元约有
~
个突触。
一个神经元，通过其轴突的神经末梢，经突触，与另一个神经元的树突连接，以实现信息的传递。
由于突触的信息传递特性是可变的，随着神经冲动传递方式的变化，传递作用强弱不同，形成了神经元之间连接的柔性，称为结构的可塑性。
（5）细脑膜电位：
神经细胞在受到电的、化学的、机械的刺激后能产生兴奋，此时细胞膜内外有电位差，称为膜电位。
其电位膜内为正，膜外为负。
2.2.2神经元功能
（1）兴奋与抑制：
转入神经元的冲动经整和后使细胞膜电位升高，超过动作电位的阀值时即为兴奋状态，产生神经冲动，由轴突经神经末梢传出。
传入神经元的冲动经整和后使细胞膜电位降低，低于阈值时即为抑制状态，不产生神经冲动。
（2）学习与遗忘：
由于神经元结构的可塑性，突触的传递作用可增强与减弱，因此神经元只有学习与遗忘的功能。
2.3MP模型
1943年，美国心理学家McCulloch和数学家Pitts共同提出“模拟生物神经元”的被称为MP的人工神经元模型，如图2.2（a）所示，它是一个多输入多输出的非线性信息处理单元。
（a）模型结构（b）作用函数
图2.2MP模型
图中：
：
神经元i的输出，它可以与其他多个神经元通过权连接。
与神经元i的连接的神经元j的输出，也是i的输入，
，（j=1,2,…n）。
神经元i至j的连接权值。
神经元i的阈值。
神经元i的非线性作用函数。
神经元i的输出
可用下式描述
（2.1）
设
（2.2）
则
（2.3）
每一个神经元的输出或“0”或“1”，分别表示“抑制”或“兴奋”状态，则
（2.4）
f（x）是一个作用函数（ActivationFunction），也称激励函数。
式（2.4）的作用函数为阶跃函数，如图2.2（b）所示。
由式2.1和式2.2可知，当神经元i的加权和超过阈值时，输出为“1”，即“兴奋”状态；
反之，输出为“0”，即“抑制”状态。
若把阈值也作为一个权值，则式2.1可写为
（2.5）
式中
，
。
MP神经元模型是人工神经元模型的基础，也是神经网络理论的基础。
2.4其他作用函数
在神经元模型中，作用函数除了式（2.4）所示的形式之外，还有以下几种，均是非线性性的。
不同的作用函数可构成不同的神经元模型。
2.4.1非对称型Sigmoid函数
非对称型Sigmoid函数是可微的，用下式表示：
（2.6）
sigmoid函数简称s型作用函数。
有时为了需要，也用如下的形式：
（2.7）
2.4.2对称型Sigmoid函数
（2.8）
（2.9）
也可表示为
（2.10）
2.4.3对称型阶跃函数
（2.11）
采用阶跃作用函数的神经元称为阈值逻辑单元。
若式（2.1）中的非线性作用函数分别采用式（2.6）--式（2.11），可得相应的神经元模型。
2.5几种典型的学习规则
2.5.1无监督Hebb规则
Hebb学习是一类相关学习，其基本思想是，如果两个神经元同时被激活，则它们之间的连接强度的增强与它们激励的乘积成正比，以
表示神经元i的激活值。
表示神经元j的激活值，
表示神经元i和神经元j的连接权值，则Hebb学习规则可表示为
（2.12）
式中，
为学习速率。
2.5.2有监督的Delta学习规则
在Hebb学习规则中，引入教师信号，即将
换成希望输出
与实际输出
之差，就构成有监督学习的Delta学习规则
（2.13）
2.5.3有监督的Hebb学习规则
将无监督的Hebb学习规则和有监督的Delta学习规则两者结合起来就构成有监督的Hebb学习规则
（2.14）
3电梯群神经网络与仿真
3.1BP神经网络的构造
人工神经网络是近年来发展起来的一门新兴学科，人工神经网络是由大量节点神经元经可调连接权相互连接而构成的复杂网络系统，有很强的自适应、自学习能力，训练好的网络具有预测评价功能。
BP网络是目前应用最为广泛的一种网络模型，通常BP算法是通过一些学习规则来调整神经元之闻的连接权值，学习的规则和网络的拓扑结构不变。
然而，一个神经网络的信息处理功能不仅取决于神经元之间的连接强度，而且与神经元的连接方式即网络的结构有关。
合理的选择网络结构可以加快了网络的收敛速度，改善了学习速率和网络的适应能力。
BP神经网络（Back-propagationNeutralNetwork）通常是指基于误差反向传播算法（BP算法）的多层前向神经网络，采用由导师的训练方式。
它是D．E．Rumelhart和1．L．McCelland及其研究小组在1986年研究并设计出来的。
如果把神经网络看成输入到输出的映射^R‘一R”，则这个映射是一个高度非线性映射。
网络学习的目的就是求出一种映射函数厂使得在某种意义下，是g的最佳逼近，三层前向神经网络通过对简单的非线性函数进行数次复合，可近似复杂的函数。
网络结构是由输入层、输出层和隐层组成，其中隐层可以是一层，也可以是多层，前层至后层节点通过网络权值相连接，同层节点中没有任何耦合，输入层和隐层的激活函数通常为Sigmoid型。
但是在隐层和输出层之间的激活函数可以是线性的。
如图3.1所示。
图3.1BP网络模型
BP神经网络本质上是以网络误差之平方和为目标函数，按梯度法求其目标函数达到最小值的算法。
它是目前求解前馈网络中使用得最多的一个算法，具有坚实的理论基础，推导过程严谨，所得到的公式形式对称优美，通用性好。
此算法要求首先确定神经网络的结构f层数、各层的元件数和各个元件的权值和阈值1，然后用最快速下降法由输出层到隐含层再到输入层反向调整各个元件的权值和阈值，经过反复调整直至达到满意的误差值。
BP网络学习过程是由信号的正向传播与误差的反向传播两个过程组成。
因此正向传播时，我们把用于教学质量评估的各项指标属性值归一化处理后作为输入样本从输入层传入，经各隐层逐层处理后，传向输出层。
若输出层的实际输出与期望输出（教师信号）不符，则转入误差的反向传播阶段。
误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。
信号正向传播与误差反向传播的各层权值调整，是周而复始的。
权值不断调整的过程，也是网络的学习训练过程。
此过程一直训练到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止，最终以系统的输出作为评价的目标。
多层前向神经网络具有如下特点。
（1）能够以任意精度逼近任何非线性影射，给复杂系统的建模带来了一种新的非线性的表达工具；
（2）能够同时处理定量知识和定性知识，能以模式信息表示系统的知识，并以事例为基础进行学习推理；
（3）它可以学习和自适应未知信息，如果系统发生了变化可通过修改网络的联接值而改变控制效果；
（4）分布式信息存储与处理结构，具有一定的容错性，因而构造出来的系统可以具有相当好的鲁棒性；
（5）多输入多输出的结构模型，可方便地用于多变量控制系统，由于具有分布特性，所以多层神经网络的系统特别适合处理比较复杂的问题。
3.2评价函数BP神经网络的设计
在设计过程中，考虑到评价指标与评价目标的非线性关系，在充分了解待解决闯题的基础上将经验与试探相结合，通过改进性试验，选出了一个较好的设计方案。
3.2.1输入层的设计
根据系统的性能指标，把评价指标总量作为输入层节点数即n=3。
由于输入数据是离散型的数值量，把他们归一化后作为输入量。
3.2.2输出层的设
评价目标作为网络的输出，因此输出层节点数L=I，并把输出数据归一化后作为输出量。
3.2.3隐含层（即中间层）的设计
理论分析证明，具有单隐层的前馈网可以映射所有连续函数，结合网络性能，选择三层BP网络。
确定隐层节点数时，隐层节点数太少或过多会影响网络获取信息的能力和泛化能力以及训练时间。
结合经验，得公式如下
（3.1）
（3.2）
（3.3）
其中m为隐层节点数，n为输入层节点数，L为输出层节点数，n为1-10之间的常数，用试凑的方法得出隐含层节点数
综合上述分析，确定该网络分为3层：
输入层、隐层和输出层，每一层的神经元只接受前一层神经元的输出，前层至后层节点通过网络权值相连接，同层节点中没有任何耦合，如图3.2所示。
图3.2单梯评价函数值神经网络图
输入输出关系如下。
输入层到隐层
（3.4）
隐层到输出层
（3.5）
——输入层第i个神经元对隐层j个神经元作用的权系数；
（
）——隐层第i个神经元对输出层的权系数
3.3神经网络的训练
实际中的建筑物和电梯群有各种限制和客观条件，为了讨论方便，采用一种简化的模型，忽略某些不重要的细节。
基于以上的简化模型，本文所采用的神经网络的训练数据是根据实际情况有目的的选择一天中各个典型时间段的典型乘客流数据。
选取训练数据样本的原则是随机的选取，同时兼顾一天中的典型时间段。
用于初步形成模糊神经网络的高斯型隶属函数的单个样本组织形式为
样本总容量定为50个。
训练数据均来自于对某大楼的某几天不同时段的采样数据作为训练样本。
使用的数据只取数据格式的输入部分。
输入
的K-均值算法的初始中心为[0.1，0.3，0.5，0.7，0.9]。
通过k-均值算法可以得到神经网络输入权值函数的中心和宽度矩阵w。
用于形成神经网络规则的单个样本组织形式为：
[HCWT,CV,AWT]
[maxHCWT,CV,LWP]
[maxHCWT,GD,RNC]
通过使用前文提到的规则进行训练，可以得到模糊神经网络的模糊规则矩阵w1和模糊关系合成矩阵w2。
用于对模糊神经网络的高斯型隶属函数进行优化调整的单个样本组织形式为
设样本总容量定为50个，训练数据均来自于对某大楼的某几天不同时段的采样数据作为训练样本。
通过使用PSO算法根据输入的训练样本数据对神经网络输入权值函数进行优化和调整可以得到完整的派梯调度算法的神经网络模型。
图3.3~3.5分别反映了分解开的三个动态惯性权值PSO算法对神经网络权值函数中心和宽度优化，其中横坐标为迭代次数，纵坐标为全局最优适应度值。
图3.3动态惯性权值PSO算法对AWT神经网络权值函数的优化
图3.4动态惯性权值PSO算法对LWP神经网络权值函数的优化
图3.5动态惯性权值PSO算法对RNC神经网络权值函数的优化
3.4仿真系统总体设计
MATLAB神经网络工具箱提供了专门用于在Simulink中构建和设计神经网络的工具模块，从而可以使用户能够在Simulink中进行神经网络的可视化仿真。
仿真前。
首先将厅层召唤信号包括方向，起始层站和终止层站作为输入信号输入到计算机中，经与电梯数据采集装置中保存的各种数据信息进行比较运算，得出各部电梯轿厢内的载客人数
、相对距离
、和停靠次数
等信息。
其次，根据前砸构造的载客人数少权值函数
，相对距离近权值函数
和停站次数少权值函数
计算出影响因素的权值。
再将这些权值作为输入量输入到前边构造的3层BP神经网络中得出各自的评价函数值
图3.6神经网络控制程序流程图
4总结
（1）电梯群控的特点是非线性、不确定性、模糊性和多目标性，基于这些特点，电梯群控缺乏精确的数学模式，这导致传统的控制理论与方法很难发挥作用，需要引入智能算法来解决电梯群控中遇到的问题。
（2）模糊神经网络融合了模糊逻辑与人工神经网络，同时具备这两种智能算法的优点。
相对于模糊逻辑，模糊神经网络具有自适应性，可以自动生成模糊规则并优化调整参数；
相对于人工神经网络，模糊神经网络结构简单并且可以处理规则。
（3）通过混合学习方法对模糊神经网络进行学习和训练，通过三个阶段的学习和训练完成模糊神经网络的构建。
首先使用k-均值算法初步获得隶属函数的中心和宽度，然后使用顺序聚类法获取模糊规则，最后使用一种动态惯性权值的PSO算法对网络参数进行优化和调整。
（4）电梯群控基本的调度方法是首先通过模式识别模块对交通流数据进行分析获取当前交通流的交通模式，根据这个交通模式制定响应的调度策略，然后通过派梯调度模块结合电梯状态数据对呼梯信号序列进行派梯调度。
（5）交通流模式识别模块和电梯派梯调度模块均使用本文提到的模糊神经网络构建方法构建的模糊神经网络作为主要的逻辑推理机构。
最后本文采用MATLAB作为仿真工具对模式识别结果和派梯调度结果进行了仿真和验证。
针对神经网络的学习方法，可以采用其他的方法来完成权值函数的确定，使之更有效率更加符合实际。
PSO算法作为一种新兴的智能算法，其理论与应用方法都有很多值得研究和改进的地方，藉此效率和性能也可以进一步提高。
谢辞
本次论文的成功完成，得益于指导老师谌海云老师从选题、研究、撰写到完成的整个过程中的悉心指导，并且为我提出了许多宝贵的意见和建议，导师严谨求学的治学态度、诲人不倦的敬业精神、以及渊博的学识让我在这次论文的写作中受益匪浅。
其中还要特别感谢的是对我们进行了倾力指导的一个尽心万分的研究生--许萍，她在我还对神经网络不知所措的时候帮助我找到了神经网络的大门，使我可以在这陌生的小路上不至于孤独无助。
在这期间她每一天都来到实验室，细心的解答了我们的问题，并且还不断的帮助我想出新的方案。
在学习上的指导可谓是无微不至，虽不能说是再生父母，但的确是给了我莫大的帮助。
在最后还有一点我不得不感谢她的是我们的报告格式上的铺天盖地的问题她都无比细心地给我们每一个人做出了一一的修改（这一点我没有一丝一毫的夸张），若是我们写报告耗了一滴心血，那她在修改我们的报告时是消耗了九滴的心血。
她连续两天在我们都进入梦境之时还在实验室给我们之中的某个人修改报告上的那咬牙切齿的错误，所以我是万分的感谢她，以至于毫无生气的文字似乎都不能真切的表达出我内心对她的深切的谢意，使得能浮于纸面上的就只有谢谢二字！
最后，还是要感谢帮助过我的所有同学！
参考文献
[1]丛爽.面向MATLAB工具箱的神经网络理论与应用.中国科学技术大学出版社，168-169
[2]李东，王伟.电梯群控智能系统与智能控制技术[J].控制与决策，2001,（9）:
515-517
[3]宗群，童玲，薛丽华.电梯群控系统智能优化调度方法的研究.控制与决策，2004（8）
[4]朱海峰，李伟，张林.基于BP神经网络整定的PID控制[M].重庆:
动力学与控制学报，2005
[5]韩力群.人工神经网络理论、设计及应用[M].北京:
化学工业出版社，2004
[6]张健，王艳秋.基于遗传BP模糊神经网络的电梯群控技术研究.冶金自动化，2008.
升级会员 