·44 北京科技大学学报 第34卷 数作为算法输入变量，模型采用改进的梯度下降算 D=-）-y(s,-)+(x1-y) 法来确定输出层权值的大小，简化了在线学习，有利 √x-x+1)+(-1)7 于减少模型计算时间. (2) 1特征变量提取 投影距离越小，车辆在该路段上运行的可能性 越大，如果投影距离非常接近该投影路段，则表明车 在决定车辆运行路段时，有两个重要的问题必 辆运行在该路段上 须考虑，所设计的算法与这两个问题关系密切.一 另一种计算接近度的方法是计算两个GPS/DR 是由GPS/DR定位系统获得位置到路段上投影点之 估计点(pg-1(xg-1yg-),P.(xg'y))的连线与候选 间的距离应当较小；二是路段的形状与GPS/DR定 路段的夹角（锐角），夹角越小，表明接近程度越高， 位轨迹应该是相似的.令P。=(xg,y,)为GPS/DR 车辆在该路段运行可能性就越大.本文采用投影距 定位位置，P,=(x,y,)为路段上的投影位置.令0。 离来估计点到候选路段的接近程度. 为GPS/DR系统获得的航向角，O,为由电子地图获 由于△0和D与GPS/DR定位数据密切相关， 得的路段的方向角（也就是北向角）.车辆运动方向 其值具有随机性和不确定性，所以要精确建立数学 与路段方向相似度以车辆运动方向与路段方向的夹 模型是很困难的.然而只要参数特性是己知的，模 角来表示，如图1所示 糊逻辑方法是非常有用工具.基于这一原理提出了 布辆运行方向 模糊神经网络地图匹配算法以获得最佳地图匹配效 北向4 路段方向 果，提高路段选择的正确率. △0 2模糊神经网络地图匹配算法 GPS定位点 所设计的地图匹配系统如图3所示，模糊神经 网络的输入是D和△0'，模糊逻辑知识库来自于 F-THEN规则，这些规则集形成知识库充分体现了 图1航位角及道路方向角表示 完成地图匹配特征方法.本文所设计模糊神经网络 Fig.1 Denotation of vehicle heading and link bearing 有两个输入，每个输入有五个隶属函数，10个顶点 车辆运动方向角与空间道路方向角之差用△0 对称的高斯函数，模糊神经网络输出是节点所有输 表示， 入信号之和. △0=0.-0，- (1) 考虑到车辆全方位运行，实际△0的取值范围 输出层 △0如下： △0'=△9，-180°≤△0≤180°： △0°=360°-△0，△0>180°： 规则层 △0=360°+△0，△0<-180°. 隶属函数层 有两种方法可以表示估计点到候选路段的接近 输入层 程度，一种方法是估计点到路段的正交投影距离，如 TX=△6 X,=D 图2所示. 图3地图匹配模糊神经网络结构 0 Fig.3 Architecture of the fuzzy neural network of map matching D 2.1模糊神经网络结构 Pi.r) r 0 由图3所提出模糊神经网络结构可以看出，有 P(.y) 一个输入层，一个隶属函数层，一个规则层和一个输 图2估计点到路段的正交投影距离 出层组成.信号传播及每一层函数分析如下. Fig.2 Perpendicular distance from the estimation point to the link 2.1.1第1层：输入层 GPS/DR测量点P.=(xgy.)到AB路段的正交 第1层有两个输入节点，起到传输信号到下一 投影距离可用下式计算： 节点的作用，每一个节点相当一个输入变量，也就是北 京 科 技 大 学 学 报 第 34 卷 数作为算法输入变量，模型采用改进的梯度下降算 法来确定输出层权值的大小，简化了在线学习，有利 于减少模型计算时间． 1 特征变量提取 在决定车辆运行路段时，有两个重要的问题必 须考虑，所设计的算法与这两个问题关系密切． 一 是由 GPS /DR 定位系统获得位置到路段上投影点之 间的距离应当较小; 二是路段的形状与 GPS /DR 定 位轨迹应该是相似的． 令 pg = ( xg，yg ) 为 GPS /DR 定位位置，pr = ( xr，yr ) 为路段上的投影位置． 令 θg 为 GPS /DR 系统获得的航向角，θr 为由电子地图获 得的路段的方向角( 也就是北向角) ． 车辆运动方向 与路段方向相似度以车辆运动方向与路段方向的夹 角来表示，如图 1 所示． 图 1 航位角及道路方向角表示 Fig． 1 Denotation of vehicle heading and link bearing 车辆运动方向角与空间道路方向角之差用 Δθ 表示， Δθ = θg － θr. ( 1) 考虑到车辆全方位运行，实际 Δθ 的取值范围 Δθ'如下: Δθ' = Δθ， － 180°≤Δθ≤180°; Δθ' = 360° － Δθ， Δθ ＞ 180°; Δθ' = 360° + Δθ， Δθ ＜ － 180°． 有两种方法可以表示估计点到候选路段的接近 程度，一种方法是估计点到路段的正交投影距离，如 图 2 所示． 图 2 估计点到路段的正交投影距离 Fig． 2 Perpendicular distance from the estimation point to the link GPS /DR 测量点 pg = ( xg，yg ) 到 AB 路段的正交 投影距离可用下式计算: D = xg ( yi － yi + 1 ) － yg ( xi － xi + 1 ) + ( xiyi + 1 － xi + 1 yi ) ( xi － xi + 1 ) 2 + ( yi － yi + 1 槡 ) 2 ． ( 2) 投影距离越小，车辆在该路段上运行的可能性 越大，如果投影距离非常接近该投影路段，则表明车 辆运行在该路段上． 另一种计算接近度的方法是计算两个 GPS /DR 估计点( pg － 1 ( xg － 1，yg － 1 ) ，pg ( xg，yg ) ) 的连线与候选 路段的夹角( 锐角) ，夹角越小，表明接近程度越高， 车辆在该路段运行可能性就越大． 本文采用投影距 离来估计点到候选路段的接近程度． 由于 Δθ 和 D 与 GPS /DR 定位数据密切相关， 其值具有随机性和不确定性，所以要精确建立数学 模型是很困难的． 然而只要参数特性是已知的，模 糊逻辑方法是非常有用工具． 基于这一原理提出了 模糊神经网络地图匹配算法以获得最佳地图匹配效 果，提高路段选择的正确率． 2 模糊神经网络地图匹配算法 所设计的地图匹配系统如图 3 所示，模糊神经 网络的输入是 D 和 Δθ'，模糊逻辑知识库来自于 IF--THEN规则，这些规则集形成知识库充分体现了 完成地图匹配特征方法． 本文所设计模糊神经网络 有两个输入，每个输入有五个隶属函数，10 个顶点 对称的高斯函数，模糊神经网络输出是节点所有输 入信号之和． 图 3 地图匹配模糊神经网络结构 Fig． 3 Architecture of the fuzzy neural network of map matching 2. 1 模糊神经网络结构 由图 3 所提出模糊神经网络结构可以看出，有 一个输入层，一个隶属函数层，一个规则层和一个输 出层组成． 信号传播及每一层函数分析如下． 2. 1. 1 第 1 层: 输入层 第 1 层有两个输入节点，起到传输信号到下一 节点的作用，每一个节点相当一个输入变量，也就是 ·44·