基于滑?？刂坡傻膚sn數(shù)據(jù)反步融合算法

1數(shù)據(jù)融合和控制無(wú)線傳感器網(wǎng)絡(luò)廣泛應(yīng)用于數(shù)據(jù)采集、通信、局域通信網(wǎng)絡(luò)和跟蹤觀測(cè)等領(lǐng)域。WSN具有高度的自組織性,適應(yīng)性強(qiáng),此類(lèi)研究很多。典型的有:文獻(xiàn)對(duì)無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用的自適應(yīng)調(diào)試方法進(jìn)行研究;文獻(xiàn)對(duì)無(wú)線自組網(wǎng)式能耗監(jiān)測(cè)系統(tǒng)及路由選擇方案作了詳細(xì)闡述;文獻(xiàn)對(duì)無(wú)線傳感器網(wǎng)絡(luò)密鑰管理和分層協(xié)作問(wèn)題進(jìn)行研究。目前WSN已成為智能交通系統(tǒng)采集數(shù)據(jù)的有效工具,通過(guò)WSN采集和獲取交通實(shí)時(shí)數(shù)據(jù)參數(shù),如車(chē)速、交通流量和道路飽和度等信息,實(shí)現(xiàn)對(duì)道路交通系統(tǒng)的智能控制和調(diào)度。研究WSN交通控制系統(tǒng)的著眼點(diǎn)在于WSN采集數(shù)據(jù)的融合處理和控制律設(shè)計(jì)方面。然而,由于道路交通信息呈現(xiàn)隨機(jī)分布和多源信息狀態(tài),WSN采集的道路交通數(shù)據(jù)處理是數(shù)據(jù)信息處理的難點(diǎn)。WSN節(jié)點(diǎn)通過(guò)傳感器采集到控制信息需要進(jìn)行融合處理,否則無(wú)法有效實(shí)現(xiàn)系統(tǒng)管理和控制。傳統(tǒng)的滑?？刂扑惴刂茻o(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù),在數(shù)據(jù)融合和控制中出現(xiàn)非限定穩(wěn)態(tài)誤差,控制效果不好。文獻(xiàn)提出一種基于FPGA的交通流量視頻檢測(cè)系統(tǒng),但監(jiān)測(cè)準(zhǔn)確度有待提高;文獻(xiàn)提出一種基于可信度的WSN安全路由算法,使得WSN數(shù)據(jù)融合效果有所改善,但節(jié)點(diǎn)利用效率不高;關(guān)于滑模控制律的研究,文獻(xiàn)提出一種直線反饋線性化補(bǔ)償控制系統(tǒng),但沒(méi)能解決交通控制系統(tǒng)在呈現(xiàn)阻尼振蕩影響時(shí)如何提高動(dòng)態(tài)穩(wěn)定性的問(wèn)題;文獻(xiàn)提出一種靜止無(wú)功率補(bǔ)償器的非線性控制設(shè)計(jì)方法,比傳動(dòng)的PID無(wú)功率補(bǔ)償控制有一定的改進(jìn),但其超負(fù)荷狀態(tài)使控制性能受限;文獻(xiàn)采用儲(chǔ)能逆變的方式對(duì)控制誤差進(jìn)行抑制控制,穩(wěn)態(tài)誤差大幅度降低,但系統(tǒng)的動(dòng)態(tài)響應(yīng)特性和穩(wěn)態(tài)誤差抑制效果不明顯;文獻(xiàn)提出一種基于相鄰節(jié)點(diǎn)WSN節(jié)點(diǎn)定位分布信任值提取算法,提高了道路交通調(diào)度效率,但是算法沒(méi)有有效解決滑模干擾控制的非限定穩(wěn)態(tài)誤差,使得在較大的初始誤差條件下控制系統(tǒng)出現(xiàn)不穩(wěn)定現(xiàn)象［10-18］。針對(duì)上述問(wèn)題,本文提出一種基于滑模干擾控制律的WSN數(shù)據(jù)反步融合算法,使得WSN節(jié)點(diǎn)之間數(shù)據(jù)傳輸效率大幅度提高,在智能交通控制中的控制效率和控制精度顯著提高,從而推動(dòng)交通控制系統(tǒng)實(shí)現(xiàn)智能化和精準(zhǔn)化。2滑模干擾控制和改進(jìn)2.1滑?？刂茽顟B(tài)轉(zhuǎn)換滑模干擾控制實(shí)現(xiàn)了交通控制系統(tǒng)WSN節(jié)點(diǎn)數(shù)據(jù)融合傳輸,保證了交通智能調(diào)度控制的穩(wěn)定性和實(shí)時(shí)性。滑模干擾控制律設(shè)計(jì)采用微分方程形式進(jìn)行數(shù)學(xué)建模,根據(jù)文獻(xiàn)[19,20],得到滑膜干擾控制律的非線性微分方程表達(dá)式為其中,,fx(X,t),fθ(X,t),gx(X,t),gθ(X,t)表示滑?？刂聘蓴_項(xiàng)。通過(guò)各干擾項(xiàng)對(duì)控制律進(jìn)行自適應(yīng)修正,實(shí)現(xiàn)滑模控制狀態(tài)轉(zhuǎn)移。各干擾項(xiàng)對(duì)控制狀態(tài)貢獻(xiàn)權(quán)重系數(shù)計(jì)算式為-η|S/μ|-α|λμ|-β|μ|≤0(2)式中,Km為控制律導(dǎo)引曲線偏差,δ為控制系統(tǒng)滑模干擾線性化處理融合度(在WSN多傳感器系統(tǒng)中表示為簇頭節(jié)點(diǎn)的數(shù)據(jù)偏移向量),θ為滑模誤差偏移角度,sinθp=θp,cosθp=1。從式(2)可見(jiàn),狀態(tài)δ與WSN系統(tǒng)狀態(tài)參數(shù)XＲM,VＲM,θP,ωP是互不相關(guān)的,所以可以將控制系統(tǒng)解耦,得到2個(gè)獨(dú)立的控制子系統(tǒng),得到設(shè)計(jì)的滑模干擾面為式中,α>0,β>0?；Ｃ娴刃Э刂坡杀硎緸檎麄€(gè)控制系統(tǒng)的切換控制律表達(dá)式為對(duì)上述形式表達(dá)的滑模面,控制滑模面的變量邊界在有限時(shí)間內(nèi)達(dá)到WSN邊界層?？梢?jiàn)采用傳統(tǒng)的滑?？刂品椒?無(wú)法有效限制系統(tǒng)的非限定穩(wěn)態(tài)誤差。本文對(duì)傳統(tǒng)的滑模干擾控制律進(jìn)行改進(jìn),并應(yīng)用于WSN數(shù)據(jù)融合和智能控制。2.2基于約束的wsn融合模型根據(jù)上述研究分析,滑模干擾控制算法控制無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù),在數(shù)據(jù)融合和控制中會(huì)出現(xiàn)非限定穩(wěn)態(tài)誤差。為此,本文對(duì)控制律進(jìn)行改進(jìn)設(shè)計(jì),改進(jìn)思路和算法描述如下:首先,定義σi表示W(wǎng)SN節(jié)點(diǎn)數(shù)據(jù)的不確定時(shí)間序列編碼,表述為σx和σθ,ei表示W(wǎng)SN節(jié)點(diǎn)在滑?？刂泼嫔系南到y(tǒng)融合參量,μ表示節(jié)點(diǎn)連通狀態(tài)用戶制定參數(shù)值。選取根據(jù)式(7),若μ>0,則得到候選WSN節(jié)點(diǎn)在滑模控制面的狀態(tài),三分量轉(zhuǎn)移概率分別表示為以上式為基礎(chǔ),在常規(guī)的滑?？刂坡上录尤胍粋€(gè)控制干擾補(bǔ)償項(xiàng),并對(duì)WSN數(shù)據(jù)進(jìn)行逆序排列反步融合,以有效抑制穩(wěn)態(tài)誤差。控制干擾補(bǔ)償項(xiàng)為把上式代入式(8),對(duì)式(8)描述的系統(tǒng)全局控制律進(jìn)行修正。當(dāng)t→∞時(shí),干擾為常值,穩(wěn)態(tài)誤差將趨于0。得到此時(shí),系統(tǒng)融合數(shù)據(jù)處于WSN邊界層,對(duì)控制律導(dǎo)引系數(shù)進(jìn)行拉普拉斯變換,得到在外界不定干擾下,取由上式,根據(jù)中心極限定理,得到從上式可見(jiàn),sue57f(t)一致連續(xù),當(dāng)t→∞時(shí),結(jié)合式(12),得到本文根據(jù)WSN中交通數(shù)據(jù)多狀態(tài)隨機(jī)分布特征,把控制律變換到S域中,得到在S域中,有其中C為非零常數(shù)。得到系統(tǒng)的穩(wěn)態(tài)誤差限定在可見(jiàn),采用本文改進(jìn)的滑模干擾控制律,能有效去除穩(wěn)態(tài)誤差,提高系統(tǒng)的控制精度和準(zhǔn)確性。3無(wú)線傳感器數(shù)據(jù)的反步整合算法和智能交通控制系統(tǒng)的實(shí)現(xiàn)本文以上述改進(jìn)的滑模干擾控制律為基礎(chǔ),進(jìn)行WSN數(shù)據(jù)反步融合和交通智能控制,以改善控制精度,提高交通管理效率。3.1基于滑模干擾控制的交通路網(wǎng)模型基于改進(jìn)的滑模干擾控制律進(jìn)行WSN數(shù)據(jù)反步融合的基本思想為:在每個(gè)WSN簇頭節(jié)點(diǎn)上,使用導(dǎo)碼、地理位置等參數(shù)進(jìn)行原始數(shù)據(jù)感知,對(duì)數(shù)據(jù)按照可靠性分配進(jìn)行序列分區(qū),在數(shù)據(jù)融合中加入反步融合函數(shù),采用可靠性分配機(jī)制使得數(shù)據(jù)融合接近真實(shí)值。算法構(gòu)建思想用框圖描述如圖1所示。采用文獻(xiàn)的簇頭節(jié)點(diǎn)處理方法,WSN簇頭節(jié)點(diǎn)上的信息導(dǎo)碼表達(dá)為WSN簇頭節(jié)點(diǎn)上使用導(dǎo)碼、地理位置等參數(shù)進(jìn)行原始數(shù)據(jù)感知采用無(wú)向圖模型結(jié)構(gòu)表示,WSN網(wǎng)絡(luò)智能交通控制模型用一個(gè)連通的無(wú)向圖G=(V,E,S)表示。其中v0∈V,V為WSN所有節(jié)點(diǎn)集合,v0表示Sink節(jié)點(diǎn)。無(wú)向圖模型的參量分別表示導(dǎo)碼、地理位置參數(shù),所有節(jié)點(diǎn)都有相同的傳輸半徑r,WSN網(wǎng)絡(luò)的邊(u,v)∈E,當(dāng)且僅當(dāng)這2個(gè)節(jié)點(diǎn)之間的平面幾何距離小于或等于傳輸半徑r,即|uv|≤r?；谏鲜龈倪M(jìn)的滑模干擾律模型,對(duì)交通采集數(shù)據(jù)進(jìn)行反步迭代。結(jié)合式(3)進(jìn)行反步迭代的表達(dá)式為最后得到WSN數(shù)據(jù)反步融合輸出結(jié)果為其中,h(·)為同態(tài)哈希函數(shù);f(·)是一個(gè)偽隨機(jī)函數(shù);N為2個(gè)不同的大素?cái)?shù)p和q生成的參數(shù)。本文實(shí)際為加入反步融合函數(shù)實(shí)現(xiàn)WSN交通數(shù)據(jù)反步融合,采用可靠性分配機(jī)制使得數(shù)據(jù)融合接近真實(shí)值,為實(shí)現(xiàn)智能交通控制奠定了數(shù)據(jù)基礎(chǔ)。在上述設(shè)計(jì)的改進(jìn)滑模干擾控制律的基礎(chǔ)上,可以有效限定穩(wěn)態(tài)誤差,提高控制精度,實(shí)現(xiàn)交通智能控制。將交通路網(wǎng)模型設(shè)計(jì)為有向圖WSN網(wǎng)絡(luò)模型,表達(dá)式為其中,Edge表示智能交通控制模型一條有向邊,StartID表示該邊的起始結(jié)點(diǎn)的ID,EndID表示有向邊的終止結(jié)點(diǎn)的ID。當(dāng)xa<ca時(shí),WSN滑模干擾控制面阻抗趨近無(wú)窮大,WSN簇頭節(jié)點(diǎn)徹底阻斷,等同于改變了道路交通滑?？刂频慕Y(jié)構(gòu)。當(dāng)流量xa=ca時(shí),該模型能夠定量地動(dòng)態(tài)模擬路段從正常通行到完全阻斷的演進(jìn)過(guò)程。道路交通WSN節(jié)點(diǎn)的直接信任為計(jì)算公式為其中,Si，j(t)表示滑模干擾控制數(shù)據(jù)重復(fù)因素;Ti，j(t)表示數(shù)據(jù)輸出量因素;Ui，j(t)表示數(shù)據(jù)相似度(相關(guān)性);pi，j(t)為t時(shí)刻輸出數(shù)據(jù)數(shù)量;spi，j(t)為數(shù)據(jù)重復(fù)量;Δp(t)為交通數(shù)據(jù)數(shù)量動(dòng)態(tài)參照值;zi(t),zj(t)分別為交通信息各自監(jiān)測(cè)值的輸出;b為比較系數(shù)。通過(guò)上述方法,采用滑模干擾控制律,對(duì)融合數(shù)據(jù)進(jìn)行指導(dǎo)控制,實(shí)現(xiàn)對(duì)交通的智能調(diào)度和控制。4基于滑模干擾控制的節(jié)點(diǎn)數(shù)據(jù)融合仿真本文基于Matlab平臺(tái)進(jìn)行仿真分析。傳感器節(jié)點(diǎn)數(shù)設(shè)置為1000個(gè),按實(shí)際道路交通位置信息分布在2000m×2000m的正方形區(qū)域中,節(jié)點(diǎn)通信半徑為10m,WSN節(jié)點(diǎn)通信輪次為100輪次,帶寬為1Mb,數(shù)據(jù)包大小為256b。采用滑模干擾控制律對(duì)WSN網(wǎng)絡(luò)系統(tǒng)數(shù)據(jù)反步融合,得到數(shù)據(jù)融合SPE統(tǒng)計(jì)量如圖2所示。由圖2可見(jiàn),通過(guò)本文提出的改進(jìn)的滑模干擾控制律反步融合采樣,SPE統(tǒng)計(jì)量低于99%控制限,有效抑制了系統(tǒng)的非限定穩(wěn)態(tài)誤差,從而保證對(duì)WSN多傳感器節(jié)點(diǎn)交通管理控制精度。采用傳統(tǒng)的滑模干擾控制律、文獻(xiàn)改進(jìn)的直線反饋線性化補(bǔ)償滑?？刂坡?以及本文改進(jìn)的滑模干擾控制律,進(jìn)行道路交通智能控制數(shù)據(jù)融合仿真,以道路通行能力、信息導(dǎo)碼和地理位置等參數(shù)進(jìn)行數(shù)據(jù)融合處理,得到仿真結(jié)果如圖3所示。從圖3可見(jiàn),采用本文算法進(jìn)行交通智能控制,得到更優(yōu)越的數(shù)據(jù)融合結(jié)果,使得交通通行能力顯著提高,地理位置等信息參數(shù)得到精確反饋和融合處理,在交通管理中能實(shí)現(xiàn)精確有效控制與調(diào)度,展示了本文數(shù)據(jù)融合算法和控制系統(tǒng)的優(yōu)越性能。5基于滑模干擾控制的交通信息數(shù)據(jù)融合本文對(duì)傳統(tǒng)滑模干擾控制律進(jìn)行改進(jìn),并應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合交通數(shù)據(jù)智能控制系統(tǒng)中。針對(duì)傳統(tǒng)滑?？刂扑惴ǚ窍薅ǚ€(wěn)態(tài)誤差不能得到有效抑制