如何对基于模式识别的升降车举升系统性能优化??    花都升降车出租,  花都升降车,  升降车出租     模式识别系统大致分为四个部分，即数据采集，数据预处理，特征数据提取和模式识别，详细过程如下图所示：模式识别系统首先通过测量、采样和量化客体，并进行信息提取，然后通过预处理去除信息中掺入的干扰和噪声，经预处理的信息数据量庞大，为便于进行模式识别，需对数据进行选择和归一化等处理，然后采集能有效体现客体特征的信息。模式识别按照采用的方法可分为结构模式识别、统计模式识别、神经网络模式识别和多分离器融合等几大类。结构模式识别适用于数值特征较多、模式复杂的问题。通过模式分割把模式分成有限个或是无限个结构特征相似的子模式组成的集合，将研究对象表达成由基元组成的句子，基元构成的遵循规则就是句法。句法分析就是判别基元是否能够符合某种句法；统计模式识别适用于特征较少的问题，通过把研究对象表达成特征向量，把模式类表达成相似特征模式组合成的集合，利用划分特征空间的方法实现模式的分析；神经网络模式识别依靠神经网络模拟人类大脑的学习、记忆和归纳能力，建立训练样本和训练分类器，对对象实现识别。本文以模式识别技术为理论基础，分别研究阻尼孔直径和回平时间与加速度之间的关系。在以上章节中已经分别从传递函数框图和软件仿真结果中讨论过平衡阀阻尼孔直径对系统的快速性和平稳性的影响，而且两个阻尼孔对快速性和平稳性的影响不尽相同，其之间的关系并不能通过简单地递增或递减函数来表示。本文提出使用模式识别技术来解决这一问题，以帮助改进平衡阀阻尼孔直径的设计。

     举升系统特征量提取一般来说，举升系统通过实验测得的信号，信息量大，且不能进行有效的统计，所以该信号不可以直接用来进行模式识别，考虑到相关因素的影响，我们必须要从试验中记录各个参数对应的数值，并且要保证该数值属于特征变量，因为过多的特征无助于提高分类器的性能。 阻尼孔在出厂时需要更换，并进行分组试验，直至达到预定的要求，这就存在优化的问题，其不同的配置，结果不同，如果其组合不够合理，甚至会造成系统不回平，严重影响了系统的正常工作，而且其中的关系并不是成线性的，其相关因素也不能确定，规律性难以把握。通过以上分析，举升系统在回平过程中，起主要作用的是平衡阀Ⅰ，故本小节提取平衡阀Ⅰ中的阻尼孔1和阻尼孔2的直径D1和D2来作为特征量之一。因为本文需要探讨回平过程中的阻尼孔直径对快速性和平稳性的影响，因此还需要另外提取回平到位时间和回平过程中的加速度值，来分别反映回平过程中的快速性和平稳性，而加速值在不同时刻表现出不同数值，所以本节通过统计加速度的特征，得到加速度标准差，并作为举升系统的特征量之一。 通过仿真并记录仿真过程中的数值，得到141组实验数据，实验数据的部分截图。从实验数据可以看出，平衡阀阻尼孔直径的改变会影响回平过程中时间和加速度标准差，但难以得到其中确定的关系，而且由于变量偏少，难以把握其中准确关系，因此需要扩展和平衡阀阻尼孔直径相关的非线性项，来提高预测模型的准确性。

  花都升降车出租,  花都升降车,  升降车出租

   遗传算法变量筛选    本文可参考的变量仅D1和D2两个阻尼孔直径，相对而言变量较少，在筛选过程中容易造成变量丢失，影响最终的结果，故本小节需要通过变量扩维，引入其他非线性项，引入的方法是对所有变量进行平方，交叉相乘和相除等步骤，以得到新的变量。扩维后，形成新的10组变量：对于扩维后，新形成的变量，每一组数据对结果的影响并不能确定，因此需要从这些新形成的变量中选出对结果影响最大的子集，本文选择用遗传算法对数据进行筛选，当变量的维数较大时，利用遗传算法能较容易实现变量的筛选。遗传算法是基于达尔文进化论和孟德尔遗传学说，模拟生物进化过程，按照优胜劣汰原则和遗传机理，后代通过“染色体”复制，交叉，变异，生成适应环境的新一代“染色体”群，一代代进化，最后集中于一个最适应环境的“染色体”上，通过这一过程，近似得到进化的最优种群或是问题的最优解。具体的操作步骤如下：1）编码遗传算法的编码是算法操作的第一步，也是遗传算法在使用过程的难点之一，由于其广泛性，在遗传算法的发展应用过程了，形成了不同的编码方法，一般来说，可以分为三种：二进制编码、符号编码和浮点编码。二进制编码是最主要也是最广泛使用的一种方法，其符号集的组成是由符号0和1来完成的，其个体中的基因则是一组二进制编码的符号串，不同长度的的字符串则其范围也不同，如本文的字符串长度为10，则是0~1023内的1024个数。格雷码编码是针对二进制编码不易求得问题的结构特征而出现的一种的编码方法，这种编码方式的独特之处在于其两个连续的整数所对应的编码却只有一个不同的码位，如十进制数5的二进制位所对应的格雷码是0111，而6却是0101。本文采用二进制编码，其优点在于编码解码的操作过程便于实现，符合最小字符集编码原则，而最重要的是本文核心思想是模式识别，使用二进制编码对于“模式”较易于实现，便于理论分析。本文的字符串长度是10，因此字符串是由10个0和1组成，0表示未被选中，而1表示被选中，如0100111001，就表示35其中的2、5、6、7和10被选中。

          2）适应度函数适应度函数是对目标函数的结果进行区分，把握个体中的优劣，选择个体中最优化的结果，并推动着遗传算法的演化过程。适应度函数是非负的，因此从结果上看适应度函数的值越大越好，但是对于目标函数，其结果有最大值和最小值，其最优的结果是根据要求来定的，因此目标函数和适应度函数需要相互切换，以满足要求。适应度函数也叫做评价函数，可见好的适应度函数可以评价结果的最优与否，直至从非最优的个体中，得到最优个体，适应度函数还可以避免遗传算法中过早收敛和过慢结束等现象。本文的适应度函数使用press值。例如，将n份样本中n-1个作为训练样本，留下的一个样本作为检测样本，根据n-1个样本的数据进行建模，检测样本代入求得的模型，得到一个估测值m1，然后将另外一个样本作为检测样本，留下的样本进行建模，再得到模型，并代入检测样本，得到m2，依次循环n次，并得到n个估测值，进一步得到n个预报残差mi-mi-1，press的值则是这n个残差的平方和。 

       通过遗传算法工具箱，调用适应度函数，并筛选以上十个数据中哪些变量对回平时间和加速度标准差的影响最大，在打开的GUI界面中，Options的Populationtype设定为Bitstring，按照上一小节设定参数，有些量则可以设置为默认值，仿真及结果如下，适应度函数的值分别是0.5635和1.7576，该值较小，说明模型的预报能力较强，根据筛选出的原始数据（不进行归一化），进行多元线性回归分析：根据预测模型，在设计平衡阀阻尼孔直径大小的时候，可以根据举升系统回平过程的要求，权衡系统的快速性和平稳性，当需要同时满足几个设计目标达到最优时，该问题则是一个多目标规划问题。多目标优化往往会造成各个分目标之间的矛盾，如本文举升系统的快速性和平稳性就是一个相互矛盾的优化目标，当快速性达到最优时，则平稳性难以保证。因此需要在两个预测模型的最优值之间进行调节，以获得对于该预测模型较好的组合。多目标优化比较复杂且具有一定的困难性，但现有的优化方法也较多，比较常见的是将多目标优化变成单目标优化问题，使目标问题解变成单目标问题解的完全有序性，得到多目标优化的多个非劣解，然后再通过某种折中方案的选择，如对于权重的选择，最终得到普遍认可的最优非劣解。而根据要求，举升系统需要既满足快速性，又能保证平稳性，因此对进行多目标优化求解。通过调用fgoalattain函数，来求解最优值，以回平时间小于100s和加速度标准差小于0.1m/s2为要求，通过编写的程序，得到优化结果分别为1D0.4955mm，2D0.2000mm，为制造方便，阻尼孔直径分别取0.5mm和0.2mm，将优化结果代入AMESim举升系统模型中，得到如下仿真对比图： 经过优化后的举升系统回平时间为98.85s，满足要求，且回平时间优于明显优于未优化参数，回平时间缩短了5.4%；由于加速度标准差是经过统计方法而来，因此仿真图并不能人为看出其特征，故通过统计的方法得到加速度标准差为0.0835m/s2，而未优化参数的加速度标准差为0.1305m/s2，优化后的加速度标准差比未优化参数的小，且满足多目标优化的要求，说明举升系统的加速度幅值波动较小，通过仿真实验，表明该组优化结果满足要求，该预测模型对举升系统中平衡阀阻尼孔直径的设计有一定的指导意义。

    对模式识别进行了简要介绍，然后提取了举升系统的平衡阀阻尼孔直径，回平时间和加速度标准差等特征量，通过遗传算法的变量扩维-筛选，得到对回平时间和加速度标准差影响较大的变量，最后用多元线性回归分析得到预测模型，并通过多目标规划，求解得到平衡阀阻尼孔直径的优化结果，仿真结果表明该优化优于原设计，不仅提高了回平过程的快速性，而且在一定程度下保证了平稳性，该预测模型对优化举升系统的性能有一定的意义。

    花都升降车出租,  花都升降车,  升降车出租