利索能及
我要发布
收藏
专利号: 2022113662546
申请人: 淮阴工学院
专利类型:发明专利
专利状态:已下证
更新日期:2026-06-16
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种危化品运输车辆数据信息预测融合方法,其特征在于:通过传感器进行状态信息的采集,再将采集到的数据送入改进型海鸥算法优化神经网络中,预测出下一时刻的状态参数并将其送入到模糊融合算法中,对其进行预测结果的融合,从而将危化品运输车辆下一时刻的运行状态预测出来,其可以对单传感器进行实时与预测报警,还可以通过多传感器数据融合进行实时与预测报警;最后输出预测结果,将结果发送到车载终端进行显示;

具体的运行步骤包括:

步骤1:利用各个传感器采集危化品运输车辆的状态信息;

步骤2:将采集到的传感器数据上传至改进型海鸥算法优化神经网络中进行数据处理;

所述的改进型海鸥算法优化神经网络是海鸥算法融合灰狼等级制度、levy飞行策略和t分布变异来改进海鸥优化算法;

在迭代开始时,根据灰狼算法策略的等级制度,围绕适应度较优的海鸥在其位置附近产生一些候选解,可以增加种群的多样性,提高了海鸥优化算法的局部探索能力;

在迭代寻优的过程中,引入Levy飞行策略,可以提高海鸥算法的全局搜索能力与收敛速度;引入Levy飞行策略后,海鸥算法为:其中,i是当前迭代数, 为当前海鸥所处位置引入Levy飞行的海鸥个体位置,Ps(i)为当前海鸥所处位置,Pbs(i)表示当前最优海鸥的位置;

其中,r1和r2是[0,1]间的服从标准正态分布的随机数,Levy(λ)为随机步长;λ为幂次数;此处β=1.5;

在迭代后期,由于海鸥整体趋于最优位置,此时如果最优位置的个体位于问题的局部极值附件,则会导致求解的结果陷入到局部极值,因此引入t分布变异,对最优的海鸥个体位置进行扰动,有助于跳出局部极值,提升海鸥优化算法的全局寻优能力;

其中, 表示当前最优海鸥的位置经过t分布扰动后的海鸥个体位置,t(itre)表示基于迭代次数itre为自由度的t分布,Pbs(i)表示当前最优海鸥的位置;

当ft

步骤3:得到多个预测参数,并将预测参数送入至模糊融合算法中,对预测参数进行数据融合;

步骤4:得到预测数据的融合结果,将危化品运输车辆下一时刻的运行状态预测出来;

步骤5:将预测得到的结果发送到车载终端进行显示。

2.根据权利要求1所述的一种危化品运输车辆数据信息预测融合方法,其特征在于:步骤1所述的各个传感器包括安装在车身上的加速度传感器、车速传感器、姿态传感器,安装在罐体上或罐体内部的气体浓度传感器和温湿度传感器,所述的加速度传感器、车速传感器、姿态传感器、罐体的气体浓度传感器和温湿度传感器通过信号线或无线模块与微处理器的传感器组模块信号连接;所述的微处理器还连接有定位模块和报警模块。

3.根据权利要求1所述的一种危化品运输车辆数据信息预测融合方法,其特征在于:所述的改进型海鸥算法的具体操作步骤为:step1:初始化算法参数,包括迭代次数,种群规模,问题维度,寻优范围;

step2:初始化海鸥个体位置,并计算每只海鸥的适应度值;

step3:开始迭代;

step4:计算海鸥种群的最优个体适应度,并记录最优个体的位置;

step5:围绕适应度较好的海鸥依据灰狼的等级制度产生候选解,并计算相应解的适应度值;

Step6:生成随机数,依据随机数值与0.5大小的概率进行海鸥螺旋飞行和Levy飞行的迁徙行为,并计算每个海鸥个体的适应度值;

step7:更新最优海鸥的位置信息和适应度值;

step8:对最优海鸥的位置按t分布公式进行扰动,比较变异个体的适应度和最优海鸥的适应度,保留适应度较优的个体作为最优海鸥,将其加入到海鸥群体,并淘汰适应度最差的海鸥;

Step9:当迭代次数不超过最大迭代次数时,重复执行step4至step8,反之则结束迭代循环;

Step10:输出最优海鸥位置和适应度值。

4.根据权利要求3所述的一种危化品运输车辆数据信息预测融合方法,其特征在于:通过所述改进型海鸥算法对神经网络的权值和阈值进行优化,使用LGSOA优化BP神经网络,提升神经网络的预测性能;主要步骤为:步骤a:初始化参数,海鸥的个数,并将需要优化的BP神经网络的权值和阈值编码为初始海鸥种群;

步骤b:初始化海鸥的位置并利用公式将其位置进行处理以防止位置重合;

步骤c:计算当前所有海鸥的适应度,并找出其中最优的一个作为此次迭代中最优海鸥,单个输出适应度计算用均方根误差,多输出适应度为欧氏距离误差;

步骤d:根据公式更新每一个海鸥的位置;

步骤e:判断是否达到迭代次数,是则输出最终的位置作为最优的海鸥位置,否则返回步骤c;

步骤f:将最优的输出解码为BP神经网络的初始权值和阈值,对神经网络进行训练直到满足要求。

5.根据权利要求4所述的一种危化品运输车辆数据信息预测融合方法,其特征在于:在使用所述的LGSOA优化BP神经网络结束后,对于单个传感器数据进行预测报警,并且将得到的数据发送到模糊融合算法中,对其进行预测结果的融合,从而将危化品运输车辆下一时刻的运行状态预测出来。