·46 北京科技大学学报 第34卷 式中，y是一个常数，rand(1)是0到1随机数 该算法在MAPINFO环境下仿真实现，并在郑 如果模糊神经网络的输出值比T。大，该路段 州城市区域道路网络做了多次实验，所使用数字道 就是车辆运行真实路段，第4层权重不改变.如果 路地图是郑州市区街道图，其规模是1：10000，一个 模糊神经的输出值比T。小，而且车辆运行该路段 单频GPS接收机安装在测试车辆上，样本采样周期 上，则第4层权值按式(8)~(11)进行修改，可得到 为4s,阈值Tm设置为6.5，)设置为0.2，y设置为 下面学习算法： 2,学习样本数为100个GPS/DR定位点，地图匹配 r0, (k)≥Tm; 模糊神经网络的输出结果如图4所示. △wo= (14) n [e(k).net ]Y (k)<T. 10 9 式中，e(k)=Y。-Y(k). 2.4车辆在路段上位置估计算法改进 LMnwbwwy 有两种计算方法可以计算车辆在路段上实际位 T阀值 置，一种是依据车辆运行路段的方向和由GPS/DR 单元获得的车辆运行速度.假设P和P+“点分别 代表车辆在t和t+△t时刻的位置，P点东向和北 1 向经纬度数据是己知的.从己知路段方向角和车辆 102030405060708090100 GPS/DR定位点数 在P+“运行速度，可计算出东向和北向经纬度的增 图4正确的地图匹配输出值 量，车辆在P+“的位置可由下式计算： Fig.4 Correct output values of map matching E:+1=E+△E, (15) 真实路段模糊神经网络输出。(k)值的范围在 N+1=N:+△N 6.6-8.7. 另一种是由定位测量单元GPS/DR获得的东向 在不同类型的道路上完成实际运行实验，算法 和北向经纬度数据直接向车辆运行路段进行投影， 在测试区域匹配结果如图5和图6所示.图5显示 从而获得车辆在路段上的投影位置.上述两种不同 了算法在一级道路上匹配结果(S为起点位置，D为 方法独立计算得到的车辆东向和北向经纬度数据 结束位置)，图中空心圆点为GPS定位点，黑圆点为 P(Es,N)和P+1(E+1,N+),再一次通过加权优 匹配后的车辆位置，一级道路宽阔，车辆速度高，则 化计算最终得到车辆在路段上东向和北向经纬度数 GPS定位精度高，没有错误的匹配点发生，图6显示 据估计位置(E,),计算方法如下： 三级道路上的算法匹配结果，道路宽度小于15m, E= ES -E+1+ PEs 形状复杂，GPS多径效应增加，定位误差在这区域内 TEs+ 会增大，在这样情况下该算法仍能找到正确的匹配 s,E+1+ PNs 路段。 s+σ2 (16) 式中，0p为电子地图的误差方差，σs为定位单元 北向纬度误差方差，σs为定位单元东向经度误差方 oGPS定位点 差，PEs、PNs是由定位获得的东向和北向定位数据. ·地图匹配点 3 实验结果分析 6w888进 机场路 实验使用的模糊神经网络节点设置原则是：第 1层节点的个数为输入变量的个数，这里输入变量 的个数为2，分别对应于D和△0：第2层节点的个 图5一级道路地图匹配结果 数为各个输入变量的模糊集合数之和，本文取k均 Fig.5 Map matching of the first class road 值聚类数为5，故该层的节点数为10；第3层节点的 从实验结果可以看出，所提出的算法在GPS误 个数为各输入变量的模糊集合数之积（即规则数）， 差增大的情况下，仍能取得很好的匹配效果 则求得该层的节点个数为25：第4层节点数等于输 基于模糊神经网络的地图匹配算法，进一步提 出变量的个数即节点数为1，对应于地图匹配度 高了地图匹配精度，使得匹配准确度达到99%以北 京 科 技 大 学 学 报 第 34 卷 式中，γ 是一个常数，rand( 1) 是 0 到 1 随机数． 如果模糊神经网络的输出值比 Tm 大，该路段 就是车辆运行真实路段，第 4 层权重不改变． 如果 模糊神经的输出值比 Tm 小，而且车辆运行该路段 上，则第 4 层权值按式( 8) ～ ( 11) 进行修改，可得到 下面学习算法: Δw4 ko = 0， Y4 o ( k) ≥Tm ; η［e( k)·net 3 k］， Y4 o ( k) ＜ Tm { ． ( 14) 式中，e( k) = Yo － Yo ( k) ． 2. 4 车辆在路段上位置估计算法改进 有两种计算方法可以计算车辆在路段上实际位 置，一种是依据车辆运行路段的方向和由 GPS /DR 单元获得的车辆运行速度． 假设 Pt 和 Pt + Δt 点分别 代表车辆在 t 和 t + Δt 时刻的位置，Pt 点东向和北 向经纬度数据是已知的． 从已知路段方向角和车辆 在 Pt + Δt 运行速度，可计算出东向和北向经纬度的增 量，车辆在 Pt + Δt 的位置可由下式计算: Ei + 1 = Ei + ΔEi， Ni + 1 = Ni + ΔNi { ． ( 15) 另一种是由定位测量单元 GPS /DR 获得的东向 和北向经纬度数据直接向车辆运行路段进行投影， 从而获得车辆在路段上的投影位置． 上述两种不同 方法独立计算得到的车辆东向和北向经纬度数据 PS ( ES，NS ) 和 Pi + 1 ( Ei + 1，Ni + ! ) ，再一次通过加权优 化计算最终得到车辆在路段上东向和北向经纬度数 据估计位置( ^ E，^ N) ，计算方法如下: ^ E = ( σ2 ES σ2 ES + σ2 ) map Ei + 1 + ( σ2 map σ2 ES + σ2 ) map PES， ^ N = ( σ2 NS σ2 NS + σ2 ) map Ei + 1 + ( σ2 map σ2 NS + σ2 ) map PNS      ． ( 16) 式中，σmap为电子地图的误差方差，σNS为定位单元 北向纬度误差方差，σES为定位单元东向经度误差方 差，PES、PNS 是由定位获得的东向和北向定位数据． 3 实验结果分析 实验使用的模糊神经网络节点设置原则是: 第 1 层节点的个数为输入变量的个数，这里输入变量 的个数为 2，分别对应于 D 和 Δθ'; 第 2 层节点的个 数为各个输入变量的模糊集合数之和，本文取 k 均 值聚类数为 5，故该层的节点数为 10; 第 3 层节点的 个数为各输入变量的模糊集合数之积( 即规则数) ， 则求得该层的节点个数为 25; 第 4 层节点数等于输 出变量的个数即节点数为 1，对应于地图匹配度． 该算法在 MAPINFO 环境下仿真实现，并在郑 州城市区域道路网络做了多次实验，所使用数字道 路地图是郑州市区街道图，其规模是 1∶ 100 00，一个 单频 GPS 接收机安装在测试车辆上，样本采样周期 为 4 s，阈值 Tm 设置为 6. 5，η 设置为 0. 2，γ 设置为 2，学习样本数为 100 个 GPS /DR 定位点，地图匹配 模糊神经网络的输出结果如图 4 所示． 图 4 正确的地图匹配输出值 Fig． 4 Correct output values of map matching 真实路段模糊神经网络输出 Y4 o ( k) 值的范围在 6. 6 ～ 8. 7． 在不同类型的道路上完成实际运行实验，算法 在测试区域匹配结果如图 5 和图 6 所示． 图 5 显示 了算法在一级道路上匹配结果( S 为起点位置，D 为 结束位置) ，图中空心圆点为 GPS 定位点，黑圆点为 匹配后的车辆位置，一级道路宽阔，车辆速度高，则 GPS 定位精度高，没有错误的匹配点发生，图 6 显示 三级道路上的算法匹配结果，道路宽度小于 15 m， 形状复杂，GPS 多径效应增加，定位误差在这区域内 会增大，在这样情况下该算法仍能找到正确的匹配 路段． 图 5 一级道路地图匹配结果 Fig． 5 Map matching of the first class road 从实验结果可以看出，所提出的算法在 GPS 误 差增大的情况下，仍能取得很好的匹配效果． 基于模糊神经网络的地图匹配算法，进一步提 高了地图匹配精度，使得匹配准确度达到 99% 以 ·46·