高文濱, 趙聯(lián)文, 任芮彬*, 廖群英

(1. 西南交通大學(xué) 系統(tǒng)可信性自動(dòng)驗(yàn)證國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室, 四川 成都 610031; 2. 四川師范大學(xué) 數(shù)學(xué)科學(xué)學(xué)院, 四川 成都 610066)

隨著社會(huì)經(jīng)濟(jì)和城市現(xiàn)代化的快速發(fā)展,高層建筑在城市建筑中占比越來(lái)越大,電梯作為高層建筑必備運(yùn)輸工具也越來(lái)越多.當(dāng)今社會(huì)出現(xiàn)了各種電梯的安全問(wèn)題,促使電梯的第三方檢測(cè)快速發(fā)展.由于不同品牌電梯的系統(tǒng)、硬件的不同以及電梯應(yīng)用的環(huán)境不同,目前還沒(méi)有通用的電梯樓層檢測(cè)方法,故急需一種泛化能力強(qiáng)、與機(jī)械硬件不相關(guān)的電梯樓層智能識(shí)別方法.

由于大氣壓數(shù)據(jù)具有時(shí)效性,且采集簡(jiǎn)單,現(xiàn)有的電梯智能識(shí)別算法大多是基于大氣壓數(shù)據(jù).首先建立氣壓值與海拔高度之間的函數(shù)關(guān)系,再通過(guò)海拔高度對(duì)電梯停靠樓層進(jìn)行識(shí)別.文獻(xiàn)[1]提出了基于JY901姿態(tài)角度傳感器的氣壓測(cè)量的語(yǔ)音報(bào)站系統(tǒng),將目標(biāo)運(yùn)行狀態(tài)下的電梯氣壓差轉(zhuǎn)換成海拔高度的變化,從而換算出樓層高度.文獻(xiàn)[2]提出一種基于JY901B姿態(tài)傳感器的電梯智能語(yǔ)音提示系統(tǒng),在氣壓變化差值轉(zhuǎn)變?yōu)楹０胃叨葴y(cè)算樓層高度的基礎(chǔ)上,改進(jìn)標(biāo)準(zhǔn)氣壓海拔關(guān)系式,推算出誤差小且速度快的優(yōu)化算法模型.上述方法具有所需裝備體積小、功耗低、測(cè)量精度高的優(yōu)點(diǎn)，但需要提前測(cè)定樓層高度以及電梯1樓的初始?xì)鈮褐档葦?shù)據(jù),實(shí)際使用時(shí)較為麻煩,針對(duì)外部環(huán)境的變化泛化性能較差.文獻(xiàn)[3]提出了一種基于Wi-Fi、氣壓計(jì)組合的樓層定位方法,使用密度聚類區(qū)分不同區(qū)域的信號(hào)特征,在線接收信號(hào)與指紋庫(kù)從而進(jìn)行匹配,以此識(shí)別樓層.該方法需要Wi-Fi數(shù)據(jù)的配合,實(shí)施較為復(fù)雜,且電梯中可能存在Wi-Fi數(shù)據(jù)無(wú)法傳輸?shù)那闆r,不利于實(shí)際電梯樓層識(shí)別工程的實(shí)施.文獻(xiàn)[4]提出了部署縱向定位設(shè)備,再建立室內(nèi)各層樓梯口的LoRa信號(hào)指紋庫(kù),劃定對(duì)應(yīng)不同樓層信號(hào)強(qiáng)度特征的判定閾值,最后結(jié)合LoRa-RSSI(received signal strength indication,接收信號(hào)強(qiáng)度指示)動(dòng)態(tài)識(shí)別和樓層判定方法,捕捉室內(nèi)動(dòng)態(tài)下無(wú)線信號(hào)強(qiáng)度的實(shí)時(shí)變化,進(jìn)行樓層識(shí)別,該方法的識(shí)別準(zhǔn)確率是97.9%.文獻(xiàn)[5-6]是基于指紋的室內(nèi)定位方法,需要較多在設(shè)備硬件上的花費(fèi).文獻(xiàn)[7]提出了通過(guò)傳感器采集本地的氣壓和溫度信息,利用附近基站廣播信號(hào)中的基站氣象信息和高程信息進(jìn)行解算結(jié)合差分氣壓測(cè)高方法.該方法考慮到了溫度這個(gè)外部因素對(duì)氣壓值的影響,但是沒(méi)有考慮其他因素對(duì)氣壓值的影響,也沒(méi)有直接運(yùn)用到電梯樓層識(shí)別的實(shí)例.文獻(xiàn)[8]提出了基于無(wú)線指紋和氣壓混合樓層識(shí)別的算法,利用無(wú)線AP(access point)分布和氣壓信息進(jìn)行計(jì)算,通過(guò)離線訓(xùn)練指紋提取不同樓層的AP分布規(guī)律并采用貝葉斯分類法進(jìn)行識(shí)別.該方法是從無(wú)線AP分布中獲得樓層信息進(jìn)行初始化和校準(zhǔn)氣壓的樓層識(shí)別技術(shù),在實(shí)驗(yàn)中,該方法的識(shí)別準(zhǔn)確率超過(guò)96.1%,但尚未達(dá)到100%.文獻(xiàn)[9]提出使用智能手機(jī)的內(nèi)置氣壓傳感器來(lái)研究移動(dòng)設(shè)備的高度,并將該高度與建筑物的樓層高度進(jìn)行比較從而獲得樓層的數(shù)量.為了解決不同性能手機(jī)氣壓計(jì)帶來(lái)的誤判問(wèn)題,還提出了鄰域的壓力傳感器相對(duì)標(biāo)定方法.該方法需測(cè)量樓層高度,在工程應(yīng)用問(wèn)題上相對(duì)復(fù)雜.文獻(xiàn)[10]提出一種結(jié)合水平儀和氣壓計(jì)的多層建筑物室內(nèi)環(huán)境中行人樓層高度識(shí)別算法,識(shí)別準(zhǔn)確率可達(dá)93%,其需要的設(shè)備更多,且準(zhǔn)確率未達(dá)到100%.

現(xiàn)有的方法為保證電梯樓層識(shí)別精度需要較高維度的數(shù)據(jù),或需要較為復(fù)雜、昂貴的設(shè)備,不利于實(shí)際工程項(xiàng)目的應(yīng)用.

本文將大氣壓數(shù)據(jù)與電梯?？繕菍又g建立直接聯(lián)系.通過(guò)半監(jiān)督學(xué)習(xí)的方法,初次采集帶標(biāo)簽數(shù)據(jù),后續(xù)數(shù)據(jù)均為無(wú)標(biāo)簽數(shù)據(jù),建立參數(shù)自適應(yīng)的回歸模型.通過(guò)考慮機(jī)器學(xué)習(xí)中的半監(jiān)督模型,更加注重目標(biāo)識(shí)別的泛化能力,提出首先利用帶標(biāo)簽訓(xùn)練數(shù)據(jù)擬合電梯停靠樓層與氣壓值的回歸方程,再通過(guò)上個(gè)時(shí)間段的數(shù)據(jù)對(duì)當(dāng)前時(shí)間的回歸模型的參數(shù)進(jìn)行調(diào)整,得到新的回歸模型,從而進(jìn)行精準(zhǔn)判別.該方法數(shù)據(jù)簡(jiǎn)單易于采集,在不同情景下,可以根據(jù)實(shí)際情況,自適應(yīng)地調(diào)整參數(shù),具有較高的識(shí)別精度.而且該方法的模型復(fù)雜度不高,使用設(shè)備功耗低、數(shù)量少、成本低廉,便于在工程項(xiàng)目中實(shí)際運(yùn)用.

1 問(wèn)題分析與研究思路

在電梯樓層識(shí)別模型中,自變量為大氣壓值,因變量為電梯停靠樓層.經(jīng)查閱文獻(xiàn)[1-2,11-12]及對(duì)回歸方程做F檢驗(yàn)與擬合優(yōu)度檢驗(yàn)證明,在較短的時(shí)段內(nèi),大氣壓值與電梯?？繕菍又g,存在明顯的線性關(guān)系(分析見(jiàn)4.2小節(jié)的顯著性檢驗(yàn)).但是隨著時(shí)間的推移,普通的線性回歸模型無(wú)法對(duì)電梯的?？繕菍舆M(jìn)行準(zhǔn)確的識(shí)別.因此,本文將基于實(shí)地采集的實(shí)驗(yàn)數(shù)據(jù),建立改進(jìn)的回歸模型,以實(shí)現(xiàn)電梯所在樓層的智能識(shí)別.

但模型的建立有以下困難:

1) 實(shí)際工程應(yīng)用中用于建模的帶標(biāo)識(shí)的數(shù)據(jù)極少,實(shí)時(shí)收集的數(shù)據(jù)為無(wú)標(biāo)識(shí)數(shù)據(jù);

2) 用于識(shí)別電梯停靠樓層的特征較少,數(shù)據(jù)維度較低;

3) 自變量大氣壓值與溫度呈正相關(guān),還與天氣、樓梯間的通風(fēng)情況等因素有一定的關(guān)系.在實(shí)際工程應(yīng)用中缺少描述大氣壓值變化的特征,無(wú)法考慮到所有導(dǎo)致大氣壓變化的影響因素.

針對(duì)以上問(wèn)題,本文提出了基于參數(shù)自適應(yīng)的電梯樓層自動(dòng)識(shí)別模型.該模型可以使用較少的數(shù)據(jù),實(shí)現(xiàn)對(duì)電梯?？繕菍拥闹悄茏R(shí)別,且算法具有較強(qiáng)的泛化能力.

由于線性回歸模型無(wú)法對(duì)長(zhǎng)時(shí)段的目標(biāo)進(jìn)行識(shí)別,本文通過(guò)模型參數(shù)的自適應(yīng)調(diào)整,根據(jù)t時(shí)段數(shù)據(jù)蘊(yùn)含的信息特性,對(duì)t+1時(shí)段的模型進(jìn)行修正,使模型準(zhǔn)確識(shí)別樓層的時(shí)效性在參數(shù)的持續(xù)更新下得以保證.

2 半監(jiān)督學(xué)習(xí)下的目標(biāo)智能識(shí)別模型

2.1 模型數(shù)據(jù)實(shí)際情況中,可能存在采集數(shù)據(jù)量較小且?guī)?biāo)簽數(shù)據(jù)不易收集的問(wèn)題.該半監(jiān)督學(xué)習(xí)模型只需少量初始數(shù)據(jù)帶有標(biāo)簽信息,后續(xù)數(shù)據(jù)均不含標(biāo)簽.本方法將訓(xùn)練數(shù)據(jù)分為兩個(gè)部分.第一部分為n對(duì)帶標(biāo)簽訓(xùn)練數(shù)據(jù),記為(x1,y1),(x2,y2),…,(xn,yn),用以學(xué)習(xí)模型的參數(shù).第二部分?jǐn)?shù)據(jù)需現(xiàn)場(chǎng)定時(shí)采集,每tmin時(shí)段內(nèi)采集一組容量為k的無(wú)標(biāo)簽數(shù)據(jù)(假設(shè)tmin時(shí)段內(nèi)數(shù)據(jù)的變化很小,模型可以對(duì)目標(biāo)進(jìn)行準(zhǔn)確識(shí)別)用于在訓(xùn)練中調(diào)整模型參數(shù),共采集T個(gè)時(shí)段(t=1,2,…,T),其中訓(xùn)練數(shù)據(jù)記為

Xt=(xt1,xt2,…,xtk),

t=1,2,…,T,k?n.

2.2 模型假設(shè)針對(duì)半監(jiān)督學(xué)習(xí)的參數(shù)自適應(yīng)回歸模型有下述3個(gè)假設(shè):

1) 各因變量間距保持一致;

2) 自變量與因變量之間的變化關(guān)系不受外部環(huán)境影響;

3) 外部條件的改變過(guò)程緩慢,在某種意義上,短時(shí)間內(nèi)認(rèn)為模型可以進(jìn)行準(zhǔn)確判斷,即t時(shí)刻的模型可以對(duì)[t,t+tmin]內(nèi)的數(shù)據(jù)進(jìn)行準(zhǔn)確識(shí)別.

假設(shè)1)保證了自變量與因變量間的線性關(guān)系;假設(shè)2)在回歸模型中自變量與因變量間的相對(duì)變化規(guī)律是固定的,即回歸系數(shù)不變;假設(shè)3)保證了參數(shù)迭代的可行性.在電梯停靠樓層自動(dòng)識(shí)別實(shí)際問(wèn)題中,滿足以上3條假設(shè)(詳細(xì)情況請(qǐng)見(jiàn)第3節(jié)).

2.3 線性回歸模型回歸模型的輸入是n組帶標(biāo)簽數(shù)據(jù)(x1,y1),(x2,y2),…,(xn,yn).

一元線性回歸模型是考慮兩個(gè)變量間的相關(guān)關(guān)系[13-17],自變量x與因變量y之間的關(guān)系可解釋為兩個(gè)部分:y的變化一部分是由x的變化導(dǎo)致的,另一部分是由其他一切隨機(jī)因素產(chǎn)生,記為ε.在實(shí)際問(wèn)題中,更關(guān)注y由于x的改變產(chǎn)生的變化,而不是其他一切隨機(jī)因素所產(chǎn)生的變化,即

y=β0+β1x+ε.

(1)

(1) 式稱為y對(duì)x的一元線性理論回歸模型.式中β0與β1是待估參數(shù),稱β0為回歸常數(shù),β1為回歸系數(shù).

在電梯?？繕菍幼R(shí)別問(wèn)題中,對(duì)于獲得的訓(xùn)練數(shù)據(jù)(x1,y1),(x2,y2),…,(xn,yn),xi表示停靠樓層對(duì)應(yīng)的大氣壓值,yi表示?？康臉菍?則得到模型

yi=β0+β1xi+εi,i=1,2,…,n.

(2)

(3)

2.4 回歸模型參數(shù)β0和β1的估計(jì)利用最小二乘估計(jì)對(duì)β0,β1進(jìn)行估計(jì),定義

(4)

(5)

對(duì)(5)式進(jìn)行求解得

(6)

2.5 參數(shù)自適應(yīng)回歸模型的參數(shù)β0和β1調(diào)整預(yù)測(cè)模型中,是回歸系數(shù),代表的是大氣壓與樓層之間的相對(duì)關(guān)系；是外部擾動(dòng),代表的是其他一切隨機(jī)因素的變化,對(duì)回歸方程造成的統(tǒng)一影響.所以需要調(diào)整預(yù)測(cè)模型的和來(lái)更精確地?cái)M合實(shí)時(shí)數(shù)據(jù),提升電梯樓層智能識(shí)別的精確度.

(Xt,Yt)={(xt1,yt1),(xt2,yt2),…,(xtk,ytk)},

t=1,2,…,T.

(Xt,Yt)={(xt1,yt1),(xt2,yt2),…,(xtk,ytk)},

t=1,2,…,T,

可以通過(guò)最小二乘法得

(7)

上式中

(8)

(9)

3 基于電梯?？繕菍幼R(shí)別問(wèn)題的算法

3.1 回歸模型參數(shù)學(xué)習(xí)算法在電梯?？繕菍幼R(shí)別中,面臨著訓(xùn)練模型的帶標(biāo)簽數(shù)據(jù)量不夠的問(wèn)題,為了解決該問(wèn)題,本文提出了基于回歸分析的參數(shù)調(diào)整方法.

本文將訓(xùn)練模型的數(shù)據(jù)分為兩個(gè)部分：一部分為大氣壓值與其對(duì)應(yīng)的樓層的帶標(biāo)簽的訓(xùn)練數(shù)據(jù);另一部分為定時(shí)采集、數(shù)據(jù)量較少、用于參數(shù)調(diào)整的不帶標(biāo)簽的大氣壓訓(xùn)練數(shù)據(jù).

在實(shí)際工程中，由于用于訓(xùn)練的數(shù)據(jù)量較少且存在溫差不定、相對(duì)海拔不同等問(wèn)題，使得一般的回歸模型泛化能力較差.如果關(guān)注臨時(shí)采集的數(shù)據(jù)所蘊(yùn)含的信息,會(huì)造成模型參數(shù)的偏差,不易通過(guò)假設(shè)檢驗(yàn),無(wú)法準(zhǔn)確預(yù)測(cè)電梯停靠樓層.本文通過(guò)事先采集到的大氣壓值及其對(duì)應(yīng)的樓層數(shù)據(jù)訓(xùn)練模型的初始參數(shù),在假設(shè)條件1)和2)下,可以通過(guò)實(shí)驗(yàn)驗(yàn)證,回歸系數(shù)β1不會(huì)產(chǎn)生改變,只需要調(diào)整外部擾動(dòng)β0,以此適應(yīng)外部環(huán)境的變化,顯示未知變量造成的影響.

下面給出建立回歸模型的算法:

輸入:n組訓(xùn)練集數(shù)據(jù)(x1,y1),(x2,y2),…,(xn,yn).輸出:回歸模型參數(shù)^β0和^β1.㊣Step? 1 進(jìn)行數(shù)據(jù)預(yù)處理,去除異常數(shù)據(jù).㊣Step? 2 建立線性回歸模型,進(jìn)行擬合優(yōu)度檢驗(yàn),判斷Y與X間是否存在線性關(guān)系.yi表示?？繕菍?xi表示?？繕菍訉?duì)應(yīng)的大氣壓值.㊣Step? 3 線性回歸模型y=β0+β1x+ε,外部擾動(dòng)ε需滿足零均值性、方差齊次性、互不相關(guān)性、同期外生性的假設(shè).㊣Step? 4 對(duì)模型的參數(shù)進(jìn)行估計(jì),^β0= y-^β1 x,^β1=∑?n?i=1(x?i- x)(y?i- y)∑?n?i=1(x?i- x)2, 其中, y=1n∑?n?i=1yi, x=1n∑?n?i=1xi.㊣Step? 5 輸出β0和β1的估計(jì)值^β0和^β1.

3.2 參數(shù)自適應(yīng)算法針對(duì)參數(shù)調(diào)整的3個(gè)假設(shè):

1) 樓層間的距離是一樣的;

2) 外部環(huán)境的改變不會(huì)影響大氣壓與樓層間的相對(duì)變化;

3) 大氣壓相對(duì)外部一切隨機(jī)因素間的變化過(guò)程緩慢,在某種意義上說(shuō),短時(shí)間內(nèi)認(rèn)為回歸模型可以針對(duì)樓層進(jìn)行準(zhǔn)確的識(shí)別,長(zhǎng)時(shí)間會(huì)導(dǎo)致回歸模型無(wú)法進(jìn)行精準(zhǔn)地識(shí)別，即t時(shí)間的模型可以對(duì)t+tmin時(shí)間的數(shù)據(jù)進(jìn)行準(zhǔn)確判斷.

參數(shù)迭代后的回歸模型通過(guò)n組事先準(zhǔn)備的訓(xùn)練集數(shù)據(jù)(xi,yi)(i=1,2,…,n)與t時(shí)刻的數(shù)據(jù)(Xt,Yt)={(xt1,yt1),(xt2,yt2),…,(xtk,ytk)}(t=1,2,…,T),對(duì)β0和β1進(jìn)行估計(jì).下面給出參數(shù)調(diào)整模型的算法:

輸入:t時(shí)刻的數(shù)據(jù)Xt=(xt1,xt2,…,xtk).輸出:調(diào)整后的參數(shù)^β'0和^β'1與回歸方程.㊣Step? 1 利用t-1時(shí)刻的回歸模型對(duì)輸入數(shù)據(jù)Xt=(xt1,xt2,…,xtk)進(jìn)行識(shí)別得到(X?t,Y?t)={(x?t1,y?t1),(x?t2,y?t2),…,(x?tk,y?tk)},t=1,2,…,T.㊣Step? 2 計(jì)算 yt=1n∑k?i=1yti, xt=1n∑k?i=1xti.㊣Step? 3 令^β't1=^β1,^β't0= yt-^β'1 xt.㊣Step? 4 得到β0和β1的估計(jì)值^β't1和^β't0.㊣Step? 5 輸出t時(shí)段回歸方程:^yt=^β't0+^β't1x.

實(shí)際工程項(xiàng)目實(shí)施時(shí)需要注意該方法收集的數(shù)據(jù)均為在樓層?？繒r(shí)收集,在電梯運(yùn)行過(guò)程中,收集數(shù)據(jù)會(huì)導(dǎo)致模型識(shí)別失效.

具體的模型參數(shù)自適應(yīng)方法如圖1所示.

圖1 參數(shù)自適應(yīng)模型

3.3 不嚴(yán)格滿足假設(shè)的情況在實(shí)際情況中,存在部分樓層的底層間距較大的情況,假設(shè)1)不是嚴(yán)格滿足的.在這種情況下,本文的方法稍加修改即可滿足,即將二樓作為參與迭代最低樓層,并設(shè)置氣壓最低閾值,當(dāng)氣壓小于該閾值時(shí),因變量目標(biāo)樓層顯示為1樓,閾值記為α.

下面給出此情況下的算法:

輸入:n組訓(xùn)練集數(shù)據(jù)(x1,y1),(x2,y2),…,(xn,yn)、t時(shí)刻的數(shù)據(jù)Xt=(xt1,xt2,…,xtk).輸出:t時(shí)刻的數(shù)據(jù)Xt對(duì)應(yīng)的Yt=(yt1,…,ytk).㊣Step? 1 在在所有數(shù)據(jù)中刪除y=1的所有數(shù)據(jù),令其他所有y=y-1.㊣Step? 2 建立回歸模型.㊣Step? 3 計(jì)算t時(shí)刻調(diào)整后的參數(shù)^β'0、^β'1和回歸方程^yt=^β't0+^β't1x.㊣Step? 4 計(jì)算閾值α=^β't0+^β't1(1-1)=^β't0.㊣Step? 5 計(jì)算yt=1, xt<α;^β't0+^β't1x+1, xt≥α.

4 結(jié)果驗(yàn)證與分析

本文使用的數(shù)據(jù)均來(lái)自于四川省成都市西南交通大學(xué)內(nèi)部教學(xué)樓、宿舍樓實(shí)時(shí)采集的氣壓值數(shù)據(jù),數(shù)據(jù)采集的時(shí)間間隔為每秒1次.為驗(yàn)證該方法,在西南交通大學(xué)犀浦校區(qū)3號(hào)教學(xué)樓以及鴻哲齋9棟,共進(jìn)行50次實(shí)驗(yàn).本節(jié)展示在西南交通大學(xué)犀浦校區(qū)3號(hào)教學(xué)樓進(jìn)行的部分實(shí)驗(yàn).

4.1 確定初始回歸參數(shù)隨機(jī)選擇n個(gè)樓層的大氣壓值數(shù)據(jù)進(jìn)行采集,以擬合初始參數(shù),采集到的部分大氣壓數(shù)據(jù)如表1所示.

表1 初始數(shù)據(jù)

為了方便計(jì)算與分析,對(duì)采集到的大氣壓數(shù)值進(jìn)行變換:x=x-90 000,對(duì)數(shù)據(jù)進(jìn)行擬合,得到回歸方程

y1=-0.022 661x1+107.456 655.

4.2 模型顯著性檢驗(yàn)對(duì)模型進(jìn)行F檢驗(yàn)和擬合優(yōu)度檢驗(yàn),得到結(jié)果如表2所示.

表2 模型的檢驗(yàn)

4.3 參數(shù)迭代若參數(shù)迭代時(shí)間間隔較短,則計(jì)算量過(guò)大,不易于實(shí)際工程實(shí)施;若迭代時(shí)間間隔較長(zhǎng),則t時(shí)段模型無(wú)法準(zhǔn)確識(shí)別t+1時(shí)段電梯停靠樓層,經(jīng)實(shí)地實(shí)驗(yàn)驗(yàn)證,時(shí)間間隔為4min為在保證模型識(shí)別準(zhǔn)確率的情況下的最大時(shí)間間隔.

表3 參數(shù)迭代過(guò)程

4.4 結(jié)果分析對(duì)第50個(gè)時(shí)段的數(shù)據(jù)進(jìn)行分析,部分結(jié)果如表4所示.

表4 模型判別結(jié)果

圖2 樓層識(shí)別結(jié)果

圖3 樓層識(shí)別結(jié)果

圖4是不同監(jiān)督模型對(duì)樓層識(shí)別的準(zhǔn)確率對(duì)比圖.在圖4中可以發(fā)現(xiàn)在短時(shí)間40min內(nèi),線性回歸、多分類Logistic回歸和多分類SVM(support vector machines,支持向量機(jī))[21-22]的識(shí)別準(zhǔn)確率也達(dá)到了100%.但是由于監(jiān)督學(xué)習(xí)模型的特點(diǎn),模型由訓(xùn)練集數(shù)據(jù)訓(xùn)練完畢,對(duì)目標(biāo)識(shí)別判斷的規(guī)則不會(huì)進(jìn)行改變,即無(wú)法感知外部環(huán)境的變化并做出相應(yīng)的調(diào)整.這導(dǎo)致上述的模型進(jìn)過(guò)一段時(shí)間后,識(shí)別準(zhǔn)確率急速下降,最后完全無(wú)法對(duì)樓層進(jìn)行正確的識(shí)別.

5 結(jié)論

本文直接建立大氣壓與電梯?？繕菍又g的關(guān)系,利用短時(shí)間內(nèi)模型對(duì)樓層正確識(shí)別的能力,將短時(shí)間內(nèi)無(wú)標(biāo)簽的大氣壓值,識(shí)別出其對(duì)應(yīng)的樓層,從而獲得帶標(biāo)簽數(shù)據(jù).再利用最小二乘法思想,使用識(shí)別后的帶標(biāo)簽數(shù)據(jù)對(duì)模型的參數(shù)進(jìn)行自適應(yīng)迭代調(diào)整,保證了模型長(zhǎng)時(shí)間也可以進(jìn)行正確的目標(biāo)識(shí)別.

在實(shí)驗(yàn)驗(yàn)證中,通過(guò)基于參數(shù)自適應(yīng)的回歸模型與線性回歸模型進(jìn)行對(duì)照實(shí)驗(yàn),發(fā)現(xiàn)普通的線性回歸模型在20min左右開(kāi)始出現(xiàn)錯(cuò)誤,在30min時(shí)無(wú)法對(duì)目標(biāo)進(jìn)行準(zhǔn)確的識(shí)別;而基于參數(shù)自適應(yīng)的回歸模型可以長(zhǎng)時(shí)間對(duì)目標(biāo)進(jìn)行準(zhǔn)確識(shí)別,識(shí)別的正確率為100%.特別地,在測(cè)試時(shí)間增加的情況下,普通的回歸模型會(huì)出現(xiàn)無(wú)規(guī)律錯(cuò)誤,無(wú)法通過(guò)數(shù)值的增減簡(jiǎn)單改進(jìn).當(dāng)晝夜溫差較大時(shí),普通的監(jiān)督學(xué)習(xí)模型由于沒(méi)有對(duì)外部環(huán)境的感知能力,導(dǎo)致樓層識(shí)別出現(xiàn)錯(cuò)誤.本模型的特性是根據(jù)外部環(huán)境進(jìn)行參數(shù)自適應(yīng)迭代,充分考慮外部環(huán)境變化產(chǎn)生的影響.雖然晝夜溫差較大,但是溫度短時(shí)間內(nèi)不會(huì)急劇變化,依照模型假設(shè)條件，本模型可以有效地針對(duì)外部環(huán)境的變化,進(jìn)行參數(shù)的自適應(yīng)調(diào)整,保持識(shí)別的正確率.實(shí)驗(yàn)結(jié)果表明,基于參數(shù)自適應(yīng)的回歸模型具有較好的泛化能力,對(duì)溫度、濕度、樓梯間通風(fēng)情況等因素不敏感,能夠較好地適用于工程項(xiàng)目.

6 研究展望

當(dāng)樓層高度不是一致時(shí),可以使用分段式回歸模型,用同樣的方法考慮外部擾動(dòng)造成的影響,針對(duì)更普適的情況進(jìn)行樓層識(shí)別.

本文實(shí)驗(yàn)的數(shù)據(jù)僅采集了大氣壓數(shù)據(jù),為一維數(shù)據(jù),在數(shù)據(jù)維數(shù)變高時(shí),怎樣解決更一般的問(wèn)題.本文的思想是通過(guò)t時(shí)刻的數(shù)據(jù)對(duì)t+1時(shí)刻的模型進(jìn)行調(diào)整,運(yùn)用這種思想是否可以應(yīng)用到更一般的模型.對(duì)上述兩個(gè)方面進(jìn)行深入研究可以作為下一步的研究計(jì)劃.