基于神经网络的电梯群控制.doc

专业综合实践实习报告顾目 基于神经网络或MATLAB 的电梯群控制学生姓名 李飞 学 号 1007030133教学院系 电气信息学院专业年级 自动化2010级指导教师 退海云完成日期2014 年 3 月 19 日摘要随着高层建筑物的日益增多，电梯群在高层建筑和智能大厦中的作用越来 越重要，电梯群控系统已经称为国内外研究的热点本文的目的是根据电梯群 控的理论和研究焦点，应用合适的智能算法进行电梯群控制本文首先回顾了电梯群控的发展历史和现状，介绍了电梯群控的基本理论 和两种常用的电梯群控系统控制方法：模糊逻辑和神经网络，并分析了他们的 优缺点然后，本文介绍了模糊逻辑和神经网络结合的模糊神经网络，并详细 分析了模糊神经网络的结构和推理过程，然后针对本文采用的模糊神经网络模 型，笔者编制了相应的MATLAB程序并对程序和模型进行了仿真实验以验证其 有效性和可靠性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；电梯群控派梯调度目录摘要 1绪论1.1电梯群控系统的发展和现状 11.2电梯群控系统概述 2 2神经网络的学习和仿真方法2.1神经元模型 32.2生物神经元 32.2.1神经元结构 32.2.2神经元功能 42.3MP 模型 42.4其他作用函数 52.4.1非对称型Sigmoid函数. 52.4.2对称型Sigmoid函数. 52.4.3对称型阶跃函数. 62.5几种典型的学习规则 62.5.1无监督Hebb规贝 6252有监督的Delta学习规则 62.5.3有监督的Hebb学习规则 6 3电梯群神经网络与仿真3.1BP神经网络的构造 73.2评价函数BP神经网络的设计 8321输入层的设计. 83.2.2输出层的设 93.2.3隐含层（即中间层）的设计. 93.3神经网络的训练 103.4仿真系统总体设计 124总结 14谢辞 15参考文献 161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，电梯己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)o电梯群控系统的发展历史经历了简易自动控制、集选控制和群控儿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Hitoshi Aoki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AL2100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10’〜1＞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222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2.3 MP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力：与神经元i的连接的神经无j的输出，也是i的输入，i* j, %：神经元i至j的连接权值神经元i的阈值/(X,.)：神经元i的非线性作用函数神经元i的输出月可用下式描述)、=f( Z 皿 y i - 久) J (2.1)j=l设X，= w u y J - 9 i (2.2)j = 1 则y, = /(a\) (2.3)x > 0x < 0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(Activation Function),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可写为月(25)式中 w..= 一 佻，y() = 1 o JMP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无模型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)(2.7)(2.8)f(X)—-—l+esigmoid函数简称s型作用函数有时为了需要，也用如下的形式:f(X)= -~~ ， ? > I + e p2.4.2对称型Sigmoid函数1 — e E) = -—「l + ef(^)=(2.9)也可表示为E)= ， P > 0 (2.10)g + g 7243对称型阶跃函数/() =+ 1, x > Q—1, x < 0(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。

表示神经无j的激活值，的表示神经元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II在Hebb学习规则中，引入教师信号，即将b换成希望输出d .与实际输出b •之 J J J差，就构成有监督学习的Delta学习规则(2.13)△%(k) =〈(dj(k)- cr/(k)gj(k)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(2.⑷督的Hebb学习规则△约.伙)= 〃(dj(k) - bj(k))bj(k)Q(k)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，有很强的适应、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无之闻的连接权值，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。