【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于路面附著系數(shù)預(yù)測，尤其是涉及一種基于增強(qiáng)型北方蒼鷹-elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法。
技術(shù)介紹
1、近年來，隨著汽車智能化和網(wǎng)聯(lián)化的不斷升級以及車輛主動安全技術(shù)及相關(guān)控制策略的迅速發(fā)展，如何保證車輛在緊急制動情況下安全行駛顯得尤為重要，在此過程中，汽車狀態(tài)是至關(guān)重要的因素之一，其中路面附著系數(shù)更是影響車輛性能和安全性的關(guān)鍵要素。
2、現(xiàn)有路面附著系數(shù)估計方法可分為基于原因的(cause-based)和基于效果的(effect-based)路面附著系數(shù)估計兩種，cause-based路面附著系數(shù)估計方法分析與路面附著系數(shù)相關(guān)的各種物理因素建立反映各個因素與路面附著系數(shù)關(guān)系的數(shù)學(xué)模型，但由于其復(fù)雜性會增大耗費(fèi)的人工成本；effect-based識別方法通過分析路面變化引起的車輛動力學(xué)響應(yīng)來估算路面附著系數(shù)。目前應(yīng)用于預(yù)測路面附著系數(shù)的控制算法較多，如卡爾曼濾波估計器、滑模觀測器、神經(jīng)網(wǎng)絡(luò)等。其中專利申請?zhí)?02410229732.1提出一種基于woa-bp模型的路面附著系數(shù)估計方法，建立了三自由度車輛動力學(xué)模型，得到路面附著系數(shù)與所述車輛狀態(tài)量間的非線性擬合關(guān)系并建立woa-bp神經(jīng)網(wǎng)絡(luò)模型預(yù)估實際路面附著系數(shù)，但僅建立車輛3自由度導(dǎo)致其汽車運(yùn)行過程的精度和可靠性可能受到限制。專利申請?zhí)?02211212250.2提出一種改進(jìn)pso-elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，提高了路面附著系數(shù)預(yù)測的精度，但改進(jìn)粒子群(particle?swarm?optimization，pso)算法對于有多個局
技術(shù)實現(xiàn)思路
1、針對改進(jìn)pso算法對于有多個局部極值點(diǎn)的函數(shù)容易陷入到局部極值的缺陷而未必能夠使用最少的時間得到正確結(jié)果的問題，本專利技術(shù)提供了一種基于增強(qiáng)型北方蒼鷹-elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，該方法通過增強(qiáng)型北方蒼鷹算法engo優(yōu)化elman神經(jīng)網(wǎng)絡(luò)，克服了采用改進(jìn)pso-elman神經(jīng)網(wǎng)絡(luò)易陷入到局部極值的缺陷，進(jìn)而提高路面附著系數(shù)預(yù)測的精度。
2、本專利技術(shù)解決其技術(shù)問題所采用的技術(shù)方案是：
3、一種基于增強(qiáng)型北方蒼鷹-elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，包括以下步驟：
4、使用車輛傳感器得到目標(biāo)車輛的初始車輛數(shù)據(jù)；根據(jù)所述初始車輛數(shù)據(jù)，確定目標(biāo)車輛在制動狀態(tài)下的縱向加速度ax、側(cè)向加速度ay、車輪轉(zhuǎn)向角δi、車輪角速度wi以及橫擺角速度γ；根據(jù)所述縱向加速度ax、側(cè)向加速度ay、車輪轉(zhuǎn)向角δi、車輪角速度wi以及橫擺角速度γ，計算汽車的縱向車速估計值vx、側(cè)向車速估計值vy、車輪側(cè)偏角估計值αi、縱向滑移率估計值λi；
5、將汽車在不同附著系數(shù)路面行駛采集到的縱向加速度ax、側(cè)向加速度ay、車輪轉(zhuǎn)向角δi、車輪角速度wi以及橫擺角速度γ，以及汽車的縱向車速估計值vx、側(cè)向車速估計值vy、車輪側(cè)偏角估計值αi、縱向滑移率估計值λi組成向量組[ax?ayδi?wiγvx?vyαiλi]作為對應(yīng)的engo-elman神經(jīng)網(wǎng)絡(luò)單元的輸入，將路面附著系數(shù)估計值μ作為輸出。
6、engo-elman神經(jīng)網(wǎng)絡(luò)單元的處理步驟如下：首先載入數(shù)據(jù)集，將數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)、測試數(shù)據(jù)并進(jìn)行歸一化處理，確定隱含層神經(jīng)元個數(shù)，然后利用增強(qiáng)型北方蒼鷹算法engo對elman神經(jīng)網(wǎng)絡(luò)中設(shè)置的初始的權(quán)值進(jìn)行優(yōu)化，以訓(xùn)練數(shù)據(jù)的絕對誤差和作為適應(yīng)度函數(shù)計算適應(yīng)度值，增強(qiáng)型北方蒼鷹算法engo在解空間中不斷進(jìn)行獵物探測和追擊逃離，逐步逼近最優(yōu)解；在完成神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)值更新后進(jìn)行最優(yōu)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，數(shù)據(jù)反歸一化后得到路面附著系數(shù)的輸出。
7、使用elman神經(jīng)網(wǎng)絡(luò)預(yù)測路面附著系數(shù)，其誤差函數(shù)為：
8、e(μ)＝[μa-μ(n)]2/2?????????????????????(1)
9、式中：e(μ)為誤差函數(shù)，μa為實際路面附著系數(shù)，μ(n)為路面附著系數(shù)第n個預(yù)測值。
10、采用增強(qiáng)型北方蒼鷹算法engo優(yōu)化elman神經(jīng)網(wǎng)絡(luò)的權(quán)值；將神經(jīng)網(wǎng)絡(luò)誤差函數(shù)值作為增強(qiáng)型北方蒼鷹算法engo的適應(yīng)度函數(shù)，其中，適應(yīng)度函數(shù)是對北方蒼鷹和獵物空間位置優(yōu)劣的度量，適應(yīng)度函數(shù)越小，表明神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練越好；利用適應(yīng)度函數(shù)，通過增強(qiáng)型北方蒼鷹算法engo對elman神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行尋優(yōu)，找到最優(yōu)權(quán)值。
11、再進(jìn)一步，所述預(yù)測方法還包括以下步驟：
12、在增強(qiáng)型北方蒼鷹算法engo中，北方蒼鷹算法ngo的狩獵策略可分為獵物探測和追擊逃離兩個步驟。ngo算法在這些不同的狩獵步驟的啟發(fā)下，制定的數(shù)學(xué)模型詳細(xì)介紹如下：
13、步驟1：獵物探測步驟
14、在北方蒼鷹捕獵過程的最初階段，它隨機(jī)選擇獵物并迅速發(fā)起攻擊。在這一步中，北方蒼鷹的行為的數(shù)學(xué)表示如下：
15、pi＝xk,i＝1,2,…,n；k＝1,2,…,i-1,…,n???????????????(2)
16、式中：pi為第i個北方蒼鷹選擇的獵物位置，xk是種群中第k只蒼鷹的位置，k為隨機(jī)整數(shù)，取值范圍為[1，n]。
17、蒼鷹首先隨機(jī)選擇獵物，選擇的獵物位置用于評估當(dāng)前獵物的適應(yīng)度，以決定蒼鷹是否進(jìn)行攻擊。蒼鷹選擇獵物后對此次選擇進(jìn)行適應(yīng)度值進(jìn)行計算并更新其位置：
18、
19、式中：fpi表示與第i個北方蒼鷹對應(yīng)獵物位置的適應(yīng)度值，fi表示第i個北方蒼鷹位置的適應(yīng)度值，為第i個北方蒼鷹在第j個維度上的新位置，xi,j為第i個北方蒼鷹在第j個維度上的原位置，pi,j表示與第i個北方蒼鷹在第j個維度上的對應(yīng)獵物的位置，r是在[0,1]內(nèi)生成的隨機(jī)數(shù)，i是一個值為1或2的隨機(jī)整數(shù)。
20、所有維度更新完畢后，生成第i個北方蒼鷹的新位置和新適應(yīng)度值：
21、
22、式中：finew,p1為第i個北方蒼鷹更新后的適應(yīng)度值，為第i個北方蒼鷹的新位置，xi為第i個北方蒼鷹在舊位置和新位置之間選擇后的位置。
23、步驟2：追擊逃離步驟
24、在被北方蒼鷹攻擊后，獵物會試圖逃跑。在追捕過程中，北方蒼鷹的速度非常快，可以在各種情況下捕捉到獵物。假設(shè)捕獵發(fā)生在攻擊半徑r的范圍內(nèi)，那么在這一步中北方蒼鷹行為的數(shù)學(xué)表示如下：
25、
26、式中：t表示當(dāng)前的迭代計數(shù)，t表示最大的迭代極限。表示第二步中第i個北方蒼鷹的新位置，表示第二步中第i個北方蒼鷹在第j個維度上的新位置，finew,p2對應(yīng)于此步驟后第i個北方蒼鷹更新后的適應(yīng)度值。
27、在迭代優(yōu)化過程中，ngo算法可能會遇到諸如收斂精度次優(yōu)和對局部最優(yōu)的敏感性等挑戰(zhàn)。ngo初始化初始種群的方法取決于隨機(jī)初始化。雖然這種策略本質(zhì)上很簡單，但它可能會損害群體解決方案的多樣性，從而限制探索的范圍。此外，從式(4)推論，ngo在獵物探測階段采用貪婪選擇策略來本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于增強(qiáng)型北方蒼鷹-Elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，其特征在于：所述預(yù)測方法包括以下步驟：
2.如權(quán)利要求1所述的基于增強(qiáng)型北方蒼鷹-Elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，其特征在于：所述預(yù)測方法還包括以下步驟：
3.如權(quán)利要求2所述的基于增強(qiáng)型北方蒼鷹-Elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，其特征在于：所述預(yù)測方法還包括以下步驟：
4.如權(quán)利要求3所述的基于增強(qiáng)型北方蒼鷹-Elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，其特征在于：所述預(yù)測方法還包括以下步驟：
5.如權(quán)利要求3或4所述的基于增強(qiáng)型北方蒼鷹-Elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，其特征在于：所述預(yù)測方法還包括以下步驟：
6.如權(quán)利要求5所述的基于增強(qiáng)型北方蒼鷹-Elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，其特征在于：所述預(yù)測方法還包括以下步驟：采用均方根誤差Ermse來評價路面附著系數(shù)的識別精度，表達(dá)式如下：
【技術(shù)特征摘要】
1.一種基于增強(qiáng)型北方蒼鷹-elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，其特征在于：所述預(yù)測方法包括以下步驟：
2.如權(quán)利要求1所述的基于增強(qiáng)型北方蒼鷹-elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，其特征在于：所述預(yù)測方法還包括以下步驟：
3.如權(quán)利要求2所述的基于增強(qiáng)型北方蒼鷹-elman神經(jīng)網(wǎng)絡(luò)的路面附著系數(shù)預(yù)測方法，其特征在于：所述預(yù)測方法還包括以下步驟：
4.如權(quán)利要求3所述的基于增強(qiáng)型北方...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：徐招璽，胡旭東，
申請(專利權(quán))人：浙江理工大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。