PSO-ASVR在三波长路...状态传感器定量标定中的应用_杨森.pdf

文章编号：1002-2082(2023)01-0145-08PSO-ASVR 在三波长路面状态传感器定量标定中的应用杨森，田雨卉，张厚庆（东北林业大学机电工程学院，黑龙江哈尔滨150040）摘摘 要：要：路面状态传感器是路面状态定性识别和定量测量的重要工具，其定量测量性能依赖于定量标定模型的准确性。为了解决路面状态传感器定量标定数据非线性和非均匀分布问题对定量测量的不利影响，提出基于 PSO-ASVR(particleswarmoptimization-adaptivesupportvectorregression)的路面状态传感器定量标定模型。构建 AP(adaptivepreprocessing)流程进行标定数据最优化预处理,降低路面状态传感器非均匀分布问题影响下的标定数据处理误差。采用基于结构风险最小化的 SVR(supportvectorregression)算法进行标定数据拟合，并利用 PSO(particleswarmoptimization)算法实现 SVR 中参数最优化，降低路面状态传感器标定数据非线性引入的数据拟合误差。不同路面状态条件下标定数据处理实验表明：新方法相比于传统方法在均方根误差 RMSE 上至少可减小 63%，验证了其在提高定量标定模型精度上的有效性，实现了路面状态传感器定量标定误差的降低。关键词：关键词：路面状态传感器；标定模型；数据拟合；误差分析中图分类号：TN206文献标志码：ADOI：10.5768/JAO202344.0103005Application of PSO-ASVR in quantitative calibration ofthree-wavelength pavement state sensorYANGSen，TIANYuhui，ZHANGHouqing（SchoolofMechanicalandElectricalEngineering,NortheastForestryUniversity,Harbin150040,China）Abstract：Pavement state sensor is an important tool for qualitative identification and quantitativemeasurementofpavementstate,anditsquantitativemeasurementperformancedependsontheaccuracyofquantitativecalibrationmodel.Inordertosolvetheproblemofnonlinearityandnonuniformdistributionofquantitativecalibrationdataofpavementstatesensor,aquantitativecalibrationmodelofpavementstatesensorbasedonparticleswarmoptimization-adaptivesupportvectorregression(PSO-ASVR)wasproposed.Firstly,theadaptivepreprocessing(AP)processwasconstructedtooptimizethepre-processingofthecalibrationdatato reduce the calibration data processing error under the influence of the nonuniform distribution of thepavement state sensor.Then,the support vector regression(SVR)algorithm based on structural riskminimizationwasusedtofitthecalibrationdata,andtheparticleswarmoptimization(PSO)algorithmwasused to realize the parameter optimization in the SVR to reduce the data fitting error introduced by thenonlinearcalibrationdataofthepavementstatesensor.Experimentsoncalibrationdataprocessingunder收稿日期：2022-03-21；修回日期：2022-07-04基金项目：中央高校基本科研业务费专项资金资助(2572019BF01)作者简介：杨森（1987），男，博士，讲师，主要从事路面状态检测、红外辐射测量和食品安全检测技术研究。E-mail：；张厚庆（1998），男，硕士，主要从事路面状态检测和红外辐射测量等技术研究。E-mail：通信作者：田雨卉（1997），女，硕士，主要从事路面状态检测和红外辐射测量等技术研究。E-mail：第44卷第1期应用光学Vol.44No.12023年1月JournalofAppliedOpticsJan.2023differentpavementstatesshowthattheroot-mean-squareerror(RMSE)ofthenewmethodcanbereducedbyatleast63%comparedwiththatofthetraditionalmethod,whichverifiestheeffectivenessofthenewmethodinimprovingtheaccuracyofthequantitativecalibrationmodelandrealizesthereductionofthequantitativecalibrationerrorofthepavementstatesensor.Key words：pavementstatesensor；calibrationmodel；datafitting；erroranalysis引言路面状态的精确监测可以有效保证冬季道路安全管控，利用路面状态传感技术实现对积水、结冰和积雪等多种路面条件的快速察觉，不但能够为日常出行提供便利，还能够大大减少交通事故的发生1，对于交通安全、保障人民的生命和财产安全都具有极其重要的意义。目前国内外主要的路面状态检测方法包括红外多光谱法、偏振法、雷达技术检测、气象模型法和图像分析法，这几种方法都可以在识别不同道路状态时达到较高的分类准确率。通过路面状态传感器定量测量路面覆盖物厚度可以进一步表征路面特征，基于现有的路面状态检测技术研制的传感器包括电容式、电阻式、图像式、近红外式传感器等多种类型，并且均可以对结冰、积雪、积水等多种路面状态进行有效分类。SHENYC 采用电容传感方法检测霜层生长，基于边缘效应设计制作了一种数字式电极电容式传感器2。Habib 等人提出了一种嵌入式的电阻传感器系统，实现了道路和桥梁表面的湿、干、冻路面状况的高效检测3。翟子洋等人基于路面湿滑状态检测模块采集路面图像，并利用神经网络模型识别路面湿滑状态信息，进而设计了一种基于路面湿滑状态识别的车辆安全预警导航系统4。Ruiz-Llata 等人研制了一种基于半导体激光器的近红外漫反射光谱路面状况传感器，实现了对路面存在水、泥或冰的状况的准确测量5。RuanC 等人研制了一种基于多波长的远程路面气象状况传感器，利用多波长光学遥感技术和近红外光源实现了干、湿、冰和雪 4 种路面状态以及路面水膜厚度的定量测量6。在路面状态传感器的定量标定中，标定模型一般通过路面覆盖物厚度 D 和传感器响应电压 V 的拟合实现，标定数据处理精度直接影响路面状态定量测量的准确性。Lovn 等人基于线性混合拟合模型定量校准了移动车辆安装的道路天气传感器的观测结果，有效降低了传感器测量值的拟合误差7。许一飞等人采用多项式拟合模型标定机场结冰检测系统8。Gui 等人采用三次多项式拟合模型对基于双传感器的 6 种路面条件的路况探测器进行标定，通过评估不同路况条件下的传感器的输出值，验证了该模型的拟合性能9。然而，路面状态传感器的标定数据存在非线性和非均匀分布问题，传统定量标定模型在应对上述问题时存在局限性10，拟合精度的不足会直接降低数据处理精度，大大限制了路面状态传感器定量测量精度的提升。针对上述问题，本文利用基于结构风险最小化的 SVR 方法进行标定数据拟合，并利用 PSO 算法实现 SVR 中参数最优化，进而降低路面状态传感器标定数据非线性引入的处理误差。同时，构建AP 流程进行标定数据最优化预处理，降低路面状态传感器标定数据非均匀分布引入的处理误差。在此基础上，提出了基于 PSO-ASVR 的路面状态传感器标定模型，并通过三波长路面状态传感器标定数据处理的实际应用，对比验证其在降低路面状态传感器定量标定误差上的有效性。1 基本原理1.1 支持向量回归（SVR）算法路面状态传感器定量标定数据存在非线性问题，传统拟合方法在此条件下拟合效果不佳。为了降低上述问题引入的拟合误差，本文采用 SVR算法实现最佳数据拟合，该算法面对小样本和非线性数据具备较好的拟合性能11-12。对于训练样本：(xi,yi)|xi Rn,yi Rn,i=1,2,m（1）通过 SVR 训练使得拟合值与真实值之差不超过误差阈值，预测方程为yi=wxi+b（2）wb式中：为权重矢量；为阈值。针对误差阈值 外的数据，通过调整惩罚程度保证模型精度，边界的上方和下方赋予 2 种不同的惩罚值，是松弛因子：ti yi+ti yi（3）146应用光学第44卷第1期通过风险最小化函数来实现优化：R(w,b,)=12w2+Cni=1(+i+i)（4）Ck(xi,x)式中：为惩罚因子，由核函数定义内积：=(xi)(x)=k(xi,x)（5）支持向量是样本点子集的线性组合13，方程为fw,b(x)=ik(xi,x)+b（6）本文中采用径向基函数，其中 是核参数：k(xi,xj)=exixj2（7）1.2 自适应预处理（AP）流程路面状态传感器定量标定数据存在非均匀分布问题，会影响数据的拟合精度。为降低上述问题引入的拟合误差，本文构建 AP 流程来实现最佳的数据预处理。AP 流程图如图 1 所示，以均方根误差 RMSE 为基准，从不同的数据转换方法和数据平移方法中选择最优模型14。其中，采用的数据预处理方法包括归一化、Log 变换、数据平移等多种类型。RMSE 可表示为RMSE=1nni=n(yiti)2（8）yiti式中：为拟合值；为真实值，均方根误差越小，表明数据预处理效果越好。标定数据基于RMSE确定最优变换模型转换模型 1,2,n 平移模型 1,2,m基于RMSE确定最优平移模型最优预处理结果图 1 AP 流程框图Fig.1 Block diagram of AP flow1.3 粒子群（PSO）算法Cxi(k)vi(k)PibestgbestSVR 算法的内部参数惩罚因子、不敏感损失参数 和径向基函数核参数直接决定拟合性能。为降低人工设置参数引入的拟合误差，本文选用 PSO 算法实现 SVR 算法中的参数最优化。PSO算法中每个问题的解都可以看作一个粒子，群体中第 i 个粒子的位置为，速度为15。当前时刻的局部极值记为，全局极值记为。在每次迭代中，通过跟踪粒子个体、全局极值和前一时刻的状态调整当前时刻的位置和速度，迭代公式如下：vi(k+1)=vi(k)+c1r1(Pibestxi(k)+c2r2(gbestxi(k)（9）xi(k+1)=xi(k)+vi(k+1)（10）vi(k)vi(k+1)xi(k)xi(k+1)c1c2式中：、分别是粒子当前时刻、下一时刻的速度和位置；是惯性因子；和是学习因子。基于 PSO 算法实现 SVR 参数最优化步骤如下：1)初始化粒子群参数；2)用(8)式计算