1 .引言
　　隨著城市軌道交通的發(fā)展，實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)反映成為監(jiān)控機(jī)車(chē)狀態(tài)的重要組成部分，而遺傳算法與模糊控制方法所具有很好的魯棒性和形式上的簡(jiǎn)單明了使得它必然可以在城市軌道交通上得到巨大應(yīng)用。遺傳算法是一種自然進(jìn)化系統(tǒng)的計(jì)算模型，也是一種通用的求解優(yōu)化問(wèn)題的適應(yīng)性搜索方法，尤其是后者得到人們關(guān)注和普遍使用。而模糊控制則是近代控制理論中建立在模糊結(jié)合論基礎(chǔ)上的一種基于語(yǔ)言規(guī)則與模糊推理的控制理論。
　　目前我國(guó)城市軌道交通建設(shè)正在蓬勃發(fā)展，伴隨是城市軌道交通信息的大量增多與多信息融合，而在信息融合中經(jīng)常會(huì)運(yùn)用到遺傳算法與模糊規(guī)則相結(jié)合的方法。
2 .信息融合結(jié)構(gòu)方法
　　信息融合由于其應(yīng)用上的復(fù)雜性和多樣性，決定了信息融合的研究?jī)?nèi)容極其豐富，涉及的基礎(chǔ)理論較多。多傳感器信息融合根據(jù)信息表征的層次結(jié)構(gòu)，其基本方法可分為3類(lèi)：
　　數(shù)據(jù)層融合：在數(shù)據(jù)層融合中，每一個(gè)傳感器觀測(cè)物體并且組合來(lái)自傳感器的原始數(shù)據(jù).然后，進(jìn)行特征識(shí)別過(guò)程.此過(guò)程一般是從原始數(shù)據(jù)中提取一個(gè)特征矢量來(lái)完成，并且根據(jù)此特征做出決策。
　　特征層融合：在特征層融合中，從觀測(cè)數(shù)據(jù)中提取許多特征矢量后把它們連接成單個(gè)矢量，下一步進(jìn)行識(shí)別.在該情況下，需要的通訊帶寬減小，結(jié)果的性也相應(yīng)減小，主要是因?yàn)樵谠紨?shù)據(jù)中生成特征矢量的同時(shí)，信息也在丟失。
　　決策層融合：在決策層融合中，每一個(gè)傳感器依據(jù)本身的單源數(shù)據(jù)做出決策.這些決策被融合生成zui后的決策，在上面闡述的3種結(jié)構(gòu)中，性是zui差的，但需要的帶寬zui小。
　　對(duì)于信息融合算法具體可以分為以下四類(lèi)：估計(jì)方法、分類(lèi)方法、推理方法和人工智能方法。
　　2.1 估計(jì)方法
　　加權(quán)平均法是zui簡(jiǎn)單、zui直觀融合多傳感器低層數(shù)據(jù)的方法，該方法將由一組傳感器提供的冗余信息進(jìn)行加權(quán)平均，并將加權(quán)平均值作為信息融合值;利用zui小二乘法原理可導(dǎo)出的數(shù)據(jù)平滑程序在許多情況下能夠去除或減少測(cè)量過(guò)程中由于偶然因素帶來(lái)的誤差，使平滑后的數(shù)據(jù)一般會(huì)比原數(shù)據(jù)更有規(guī)律性;卡爾曼濾波用于實(shí)時(shí)融合動(dòng)態(tài)的低層次冗余多傳感器數(shù)據(jù)，該方法用測(cè)量模型的統(tǒng)計(jì)特性遞推決定在統(tǒng)計(jì)意義下是*的融合數(shù)據(jù)估計(jì)。
　　2.2 分類(lèi)方法
　　分類(lèi)方法主要有參數(shù)模板法和聚類(lèi)分析。無(wú)監(jiān)督或自組織學(xué)習(xí)算法諸如學(xué)習(xí)向量量化法（learning vector quantization, LVQ），K—均值聚類(lèi)（K—means clustering），Kohonen 特性圖（Kohonen future map）也常用作多傳感器數(shù)據(jù)的分類(lèi)。K—均值聚類(lèi)算法是zui常用的無(wú)監(jiān)督學(xué)習(xí)算法之一，而自適應(yīng)K—均值方法的更新規(guī)則成了Kohonen特性圖的基礎(chǔ)。此外自適應(yīng)共振理論（ART）、自適應(yīng)共振理論映射（ARTMAP）和模糊自適應(yīng)共振理論網(wǎng)絡(luò)（fuzzy—ARTnetwork）以自適應(yīng)的方法進(jìn)行傳感器融合。它們能夠自動(dòng)調(diào)整權(quán)值并且能在環(huán)境變化和輸入漂移的情況下保持穩(wěn)定。
　　2.3 推理方法
　　貝葉斯估計(jì)是融合靜態(tài)環(huán)境中多傳感器低層信息的一種常用方法.其信息描述為概率分布，適用于具有可加高斯噪聲的不確定性;D—S是基于證據(jù)理論的一種推理算法，是貝葉斯方法的擴(kuò)展。該算法解決了概率中的兩個(gè)困難問(wèn)題：一是能夠?qū)?ldquo;未知”給出顯式表示;二是當(dāng)證據(jù)對(duì)一個(gè)假設(shè)部分支持時(shí)，該證據(jù)對(duì)假設(shè)否定的支持也能用明確的值表示出來(lái)。
　　2.4人工智能
　　人工智能方法對(duì)融合大量的傳感器信息，用以非線性和不確定的場(chǎng)合頗有優(yōu)勢(shì)。可分為專(zhuān)家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊邏輯。專(zhuān)家系統(tǒng)是一種基于人工智能的計(jì)算機(jī)信息系統(tǒng)。神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng)。模糊邏輯是多值邏輯，它允許將傳感器信息融合過(guò)程中的不確定性直接表示在推理過(guò)程中。模糊集理論的基本思想是把普通集合中隸屬關(guān)系靈活化，使元素對(duì)集合的隸屬度從原來(lái)只能?。?,1｝中的值擴(kuò)充到[0,1]區(qū)間中的任一數(shù)值，因此很適合于對(duì)傳感器信息不確定性進(jìn)行描述和處理。模糊集表達(dá)了一個(gè)不確定概念，應(yīng)用模糊理論并結(jié)合其它手段與算法，如神經(jīng)網(wǎng)絡(luò)、遺傳算法等，可以取得更好的融合結(jié)果。
3 .車(chē)速監(jiān)控方法
　　3.1 簡(jiǎn)介遺傳算法
　　按照達(dá)爾文的進(jìn)化論中的適者生存理論，計(jì)算科學(xué)學(xué)者提出了進(jìn)化算法。進(jìn)化算法是一種基于自然選擇和遺傳變異等生物進(jìn)化機(jī)制的全局性概率搜索方法。
　　從整體上來(lái)講，遺傳算法是進(jìn)化算法中產(chǎn)生zui早、影響zui大、應(yīng)用也比較廣泛的一個(gè)研究方向和領(lǐng)域，它不僅包含了進(jìn)化算法的基本形式和全部?jī)?yōu)點(diǎn)，同時(shí)還具有若干*性能，其優(yōu)點(diǎn)主要有以下幾個(gè)方面：
　　1） 遺傳算法的搜索過(guò)程是從一群初始點(diǎn)開(kāi)始搜索，而不是從單一的初始點(diǎn)開(kāi)始搜索，這種機(jī)制意味著搜索過(guò)程可以有效地跳過(guò)局部極值點(diǎn)。
　　2） 遺傳算法具有顯著地隱式并行性（implicit parallelism），其進(jìn)化算法雖然在每一代只對(duì)有限解個(gè)體進(jìn)行操作，但處理的信息量為群體規(guī)模的高次方。
　　3） 遺傳算法形式上簡(jiǎn)單明了，便于和其他方法結(jié)合。
　　4） 遺傳算法具有很強(qiáng)的魯棒性（robustness），即在存在噪聲的情況下，對(duì)同一問(wèn)題的遺傳算法的多次求解中得到的結(jié)果是相似的。
　　3.2 遺傳算法對(duì)采集速度值融合
　　列車(chē)速度可由車(chē)輪上的傳感器采集的轉(zhuǎn)速求得，但是所測(cè)速度會(huì)有一定誤差，這時(shí)我們可以以短時(shí)間內(nèi)采集速度作為初始代群體開(kāi)始應(yīng)用遺傳算法進(jìn)行信息優(yōu)化，其過(guò)程如下例：
　　取4個(gè)速度值（s/m）：8，13,19,24。
　　取適應(yīng)值函數(shù)有相同的遞加遞減關(guān)系）。
　　以輪盤(pán)賭方式進(jìn)行個(gè)體優(yōu)勝劣汰的選擇。

表1 初始群體及選擇
　　接著，我們按照遺傳策略運(yùn)用選擇、交叉（變異概率pm很小，一般在0.005～0.01，設(shè)pm=0.01，則每代有4＊5＊0.01=0.2個(gè)變異，即認(rèn)為在一代內(nèi)不發(fā)生變異），用以形成下一代群體;如下表2：

表2 交配池群體與交叉
　　由上表可見(jiàn)，隨著一代的遺傳操作，群體的平均適應(yīng)度提高了，當(dāng)前群體*個(gè)體也得到了改善。隨著迭代次數(shù)的增加，群體將逐漸進(jìn)化到該問(wèn)題的*解。
　　3.3 模糊控制
　　首先設(shè)列車(chē)監(jiān)控速度的模糊語(yǔ)言集合如下：
　?。?，稍快，適中，稍慢，慢｝
　　設(shè)定其相應(yīng)的語(yǔ)言變量，記作：
　　F（fast）=快
　　LF（little fast）=稍快
　　E（equal）=適中
　　LS（little slowly）=稍慢
　　S（slowly）=慢
　　其相應(yīng)隸屬度函數(shù)如下圖1所示，其橫坐標(biāo)標(biāo)示速度快慢，縱坐標(biāo)為隸屬度。為了計(jì)算簡(jiǎn)單，提高運(yùn)算速度，采用了線性函數(shù)。

圖1 速度隸屬函數(shù)
　　以D表示速度狀態(tài)，U表示輸出，P表示加速，LP稍加速，F(xiàn)表示保持目前狀態(tài)，LN表示稍減速，N表示減速根據(jù)模糊關(guān)系制定相應(yīng)模糊規(guī)則如表3：

表3 模糊規(guī)則控制表
4 .結(jié)束語(yǔ)
　　本文對(duì)日益發(fā)展的城市軌道交通提出了一種遺傳算法與模糊邏輯相結(jié)合的監(jiān)控方法，形式上簡(jiǎn)單明了，應(yīng)用中可有效簡(jiǎn)捷地實(shí)現(xiàn)人的控制策略與經(jīng)驗(yàn)，且模糊控制中不需被控對(duì)象的數(shù)學(xué)模型即可較好控制。