[發(fā)明專利]一種基于競爭型神經(jīng)網(wǎng)絡(luò)判斷油門誤踩的方法

有效

• 申請?zhí)枺?/td>: 201410676263.4
• 申請日: 2014-11-21
• 公開（公告）號: CN104361394A
• 公開（公告）日: 2015-02-18
• 發(fā)明（設(shè)計）人: 熊東;劉曉明;馬明靜;朱周賢;石紹輝;楊小林;溫凱;李慶文;查小東;吳永生;朱周梅;金平米;黃友冬;劉娟
• 申請（專利權(quán)）人: 重慶大學(xué)
• 主分類號: G06N3/02
• 分類號: G06N3/02;G06K9/66;G06F19/00
• 代理公司: 重慶為信知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50216
• 代理人: 陳千

1.一種基于競爭型神經(jīng)網(wǎng)絡(luò)判斷油門誤踩的方法，其特征在于，按照以下步驟進行：

步驟S1：初始化，設(shè)置時間T0、變化步進Ta以及變化范圍T；

步驟S2：采集正常踩油門和誤踩油門情況下油門傳感器信號的幅度變化曲線樣本；

步驟S3：將油門傳感器信號的幅度和該幅度對應(yīng)T0時間內(nèi)的變化速度作為輸入樣本；

步驟S4：構(gòu)建包括兩個神經(jīng)元的競爭型神經(jīng)網(wǎng)絡(luò)進行自分類；

步驟S5：判斷分類正確率是否滿足要求，如滿足，則將該網(wǎng)絡(luò)模型參數(shù)送入備選神經(jīng)網(wǎng)絡(luò)庫中，并進入步驟S6；否則，直接進入步驟S6；

步驟S6：設(shè)置時間T0＝T0+Ta，并判斷T0是否在(0，T)范圍內(nèi)；如果是，返回步驟S3繼續(xù)進行，否則進入步驟S7；

步驟S7：計算備選神經(jīng)網(wǎng)絡(luò)庫中各個模型的樣本區(qū)分度系數(shù)和系統(tǒng)區(qū)分度系數(shù)，并將系統(tǒng)區(qū)分度系數(shù)最大的神經(jīng)網(wǎng)絡(luò)作為工作網(wǎng)絡(luò)模型；其中：

樣本區(qū)分度系數(shù)定義為：k₀＝||d₁|-|d₂||/max(d₁|,|d₂|)；

系統(tǒng)區(qū)分度系數(shù)定義為：k＝min(k₀)；

d1=-(x-w11)2+(y-w21)2+b1]]>表示輸入樣本(x,y)到神經(jīng)元(w₁₁,w₂₁,b₁)的距離；

d2=-(x-w12)2+(y-w22)2+b2]]>表示輸入樣本(x,y)到神經(jīng)元(w₁₂,w₂₂,b₂)的距離；

x為輸入的信號幅度，y為該幅度對應(yīng)T0時間內(nèi)的變化速度，(w₁₁,w₂₁,b₁)與(w₁₂,w₂₂,b₂)為競爭型神經(jīng)網(wǎng)絡(luò)訓(xùn)練出的網(wǎng)絡(luò)模型參數(shù)；

步驟S8：根據(jù)步驟S7所選擇出的工作網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，計算誤踩油門的幅度及變化速度閾值表，并按照該表進行誤踩油門判斷，計算備選神經(jīng)網(wǎng)絡(luò)。

2.根據(jù)權(quán)利要求1所述的基于競爭型神經(jīng)網(wǎng)絡(luò)判斷油門誤踩的方法，其特征在于：步驟S1中所設(shè)置的變化步進Ta＝15ms，變化范圍T為500ms。

3.根據(jù)權(quán)利要求1所述的基于競爭型神經(jīng)網(wǎng)絡(luò)判斷油門誤踩的方法，其特征在于：步驟S4中所述的競爭型神經(jīng)網(wǎng)絡(luò)按照：

w11k=w11k-1+α(x-w11k-1),w21k=w21k-1+α(y-w21k-1),]]>

w12k=w12k-1+α(x-w12k-1),w22k=w22k-1+α(y-w22k-1),]]>

對各個輸入樣本參數(shù)所對應(yīng)的權(quán)值進行訓(xùn)練，其中：

表示第k次訓(xùn)練中樣本x與第1個神經(jīng)元之間的權(quán)值；

表示第k次訓(xùn)練中樣本y與第1個神經(jīng)元之間的權(quán)值；

表示第k次訓(xùn)練中樣本x與第2個神經(jīng)元之間的權(quán)值；

表示第k次訓(xùn)練中樣本y與第2個神經(jīng)元之間的權(quán)值；

訓(xùn)練總次數(shù)為1000，學(xué)習(xí)速率α＝0.1。