基于SVM的電梯群控系統(tǒng)交通流模式識(shí)別.pdf

《基于SVM的電梯群控系統(tǒng)交通流模式識(shí)別.pdf》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫(kù)。

1、華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版）第33卷第6期JournalofSouthChinaUniversityofTechnologyVol.33No.62005年6月（NaturalScienceEdition）June2005文章編號(hào)：1000-565X（2005）06-0032-04>基于SVM的電梯群控系統(tǒng)交通流模式識(shí)別許玉格羅飛（華南理工大學(xué)自動(dòng)化科學(xué)與工程學(xué)院，廣東廣州510640）摘要：針對(duì)電梯群控調(diào)度中的交通流模式識(shí)別問(wèn)題，提出了一種基于多值分類(lèi)支持向量機(jī)的電梯交通流模式識(shí)別方法.文中介紹了電梯交通流模式識(shí)別的設(shè)計(jì)流程，并建立了相應(yīng)的電梯交通流模

2、式識(shí)別器.結(jié)果表明，基于支持向量機(jī)的交通流模式識(shí)別方法能夠較準(zhǔn)確地辨識(shí)出各種交通流模式.通過(guò)對(duì)比試驗(yàn)，證明了該算法的識(shí)別準(zhǔn)確率優(yōu)于人工神經(jīng)網(wǎng)絡(luò)算法，體現(xiàn)出較好的泛化能力，具有一定的實(shí)用價(jià)值.關(guān)鍵詞：支持向量機(jī)；電梯群控系統(tǒng)；交通流；模式識(shí)別中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A隨著高層建筑的發(fā)展，電梯需求量和規(guī)模越來(lái)用于電梯交通流模式識(shí)別的算法以及與神經(jīng)網(wǎng)絡(luò)算越大，人們對(duì)電梯群控系統(tǒng)的服務(wù)質(zhì)量和性能要求法的試驗(yàn)對(duì)比結(jié)果.也日益提高.建筑物內(nèi)部的交通流狀況是影響電梯1多值分類(lèi)支持向量機(jī)在電梯交通流群控系統(tǒng)性能的一個(gè)重要因素.在不同的交通流狀模式識(shí)別中的應(yīng)用況

3、下采用不同的電梯群控策略，可以提高電梯的服務(wù)質(zhì)量和各項(xiàng)性能指標(biāo).電梯系統(tǒng)的交通流可以用支持向量機(jī)算法是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則電梯群服務(wù)系統(tǒng)的乘客數(shù)、乘客出現(xiàn)的周期以及乘（StructuraIRiskMinimization，SRM）實(shí)現(xiàn)的模式分類(lèi)客的分布情況來(lái)描述［1］.在電梯群控系統(tǒng)的交通流［6］方法.學(xué)習(xí)機(jī)器在測(cè)試數(shù)據(jù)上的誤差率（即泛化［2~5］分析方面國(guó)內(nèi)外學(xué)者進(jìn)行了一些研究，有學(xué)者誤差率）以訓(xùn)練誤差率和一個(gè)依賴(lài)于VC維數(shù)（Vap-采用人工神經(jīng)網(wǎng)絡(luò)或者模糊神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行電梯交nik-ChervonenkisDimension）項(xiàng)的和為界，因此，盡管

4、通流模式識(shí)別，取得了一定成效.但是人工神經(jīng)網(wǎng)絡(luò)它不利用問(wèn)題的領(lǐng)域知識(shí)，在模式分類(lèi)問(wèn)題上支持存在訓(xùn)練耗時(shí)、網(wǎng)絡(luò)結(jié)構(gòu)的不可確定性以及容易陷向量機(jī)仍能提供好的泛化性能.入局部極小化等問(wèn)題.因此，本文提出了一種基于支支持向量機(jī)算法利用在樣本空間或者特征空間持向量機(jī)的交通流模式識(shí)別方法.支持向量機(jī)方法構(gòu)造出最優(yōu)超平面，使得超平面與不同類(lèi)樣本集之依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，盡量提高分類(lèi)器的泛化間的距離最大，從而達(dá)到分類(lèi)的能力.原始的支持向能力，即由有限訓(xùn)練樣本得到的分類(lèi)器對(duì)獨(dú)立的測(cè)量機(jī)是用來(lái)解決二類(lèi)分類(lèi)情況.假定大小為!的訓(xùn)試集合仍能得到較小的誤差.此外，支持向量機(jī)是一

5、練樣本集｛（!"，""），"=1，2，?，!｝，由二類(lèi)別組成，個(gè)凸二次優(yōu)化問(wèn)題，能夠保證找到的極值解就是全$""E｛-1，1｝表示!"的類(lèi)別#如果!"E!屬于第1局最優(yōu)解.這些特點(diǎn)使得支持向量機(jī)在模式識(shí)別中類(lèi)，則標(biāo)記為正（""=1），如果屬于第2類(lèi)，則標(biāo)記成為一種有效的學(xué)習(xí)算法.文中給出了支持向量機(jī)為負(fù)（""=-1）#學(xué)習(xí)的目的是構(gòu)造一個(gè)判別函數(shù)，將測(cè)試數(shù)據(jù)盡可能正確地分類(lèi)#當(dāng)訓(xùn)練集為非線(xiàn)性時(shí)，通過(guò)一個(gè)非線(xiàn)性函數(shù)!（·）將訓(xùn)練集數(shù)據(jù)!映射收稿日期：2004-06-28到一個(gè)高維線(xiàn)性特征空間，在這個(gè)維數(shù)可能為無(wú)窮>基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（696

6、84001）大的線(xiàn)性空間中構(gòu)造最優(yōu)分類(lèi)超平面，并得到分類(lèi)作者簡(jiǎn)介：許玉格（1978-），女，博士生，主要從事離散事件動(dòng)態(tài)系統(tǒng)及人工智能控制與應(yīng)用方面的研究.E-maiI：器的判別函數(shù)#xuyuge@163.com在電梯群控系統(tǒng)中，交通流模式識(shí)別和分類(lèi)可第6期許玉格等：基于SVM的電梯群控系統(tǒng)交通流模式識(shí)別33以為電梯群控系統(tǒng)的綜合控制和交通誘導(dǎo)提供有用高峰期間）、下行高峰模式（一般出現(xiàn)在下班的高峰的信息.它主要是對(duì)電梯群所在建筑物內(nèi)客流信息期間）、層間運(yùn)行模式（各樓層乘客量比較均衡）以的運(yùn)動(dòng)方向、乘客出現(xiàn)時(shí)間等交通流規(guī)律進(jìn)行辨識(shí)，及空閑模式.電梯交通流模

7、式分類(lèi)的樣本主要根據(jù)確定某時(shí)刻的交通流主要特征，并進(jìn)行歸類(lèi).支持向?qū)＜医?jīng)驗(yàn)來(lái)指定.一般選取5min作為交通流信息提量機(jī)算法體現(xiàn)出的分類(lèi)能力和基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化取和模式識(shí)別的時(shí)間間隔.訓(xùn)練方式的優(yōu)勢(shì)讓我們考慮將該理論應(yīng)用在電梯的通過(guò)上述交通流信息特征提取，可得到電梯交交通流模式識(shí)別中.但是，在實(shí)際電梯群控系統(tǒng)中，通流模式的輸入特征值和分類(lèi)樣本.然后設(shè)計(jì)建立交通流模式分類(lèi)大多屬于多類(lèi)別分類(lèi)，例如交通模相應(yīng)算法的分類(lèi)器，并對(duì)電梯交通流數(shù)據(jù)進(jìn)行訓(xùn)練.式可分為上行高峰模式、下行高峰模式、層間運(yùn)行模分類(lèi)器訓(xùn)練完成后，還需用多組交通流測(cè)試數(shù)據(jù)對(duì)式以及空閑模式等.因此，

8、本文采用一對(duì)一的多值分分類(lèi)器進(jìn)行測(cè)試，直到分類(lèi)器的分類(lèi)準(zhǔn)確率達(dá)到所類(lèi)支持向量機(jī)算