[發明專利]一種基于BP神經網絡的超速辨別模型優化方法

有效

• 申請號: 201710454519.0
• 申請日: 2017-06-15
• 公開（公告）號: CN107368914B
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 包旭;陳錦文;周君;李耘;常綠;夏晶晶;陳大山;朱勝雪
• 申請（專利權）人: 淮陰工學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/04;G06N3/08;G08G1/054
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于BP神經網絡的超速辨別模型優化方法，其特征在于，包括如下步驟：

(1)確定待優化的超速辨別模型；

(2)優化超速辨別模型：在待優化模型的誤差來源因子上添加修正系數；

(3)采集仿真樣本，并計算樣本的修正系數；若優化超速辨別模型包含1個修正系數，則將樣本輸入優化超速辨別模型可得到修正系數的具體值；若優化超速辨別模型包含多個修正系數，則將樣本輸入優化超速辨別模型可得到修正系數之間的關系；

(4)建立神經網絡模型；

(5)在步驟(3)采集的樣本中選擇部分作為神經網絡的訓練樣本；

(6)利用步驟(5)挑選的訓練樣本輸入神經網絡進行訓練；

(7)將訓練樣本外的其他樣本作為檢測樣本進行檢測；

其中，步驟(1)中所述待優化的超速辨別模型為：

式中，v₀是制動時刻速度，是路面附著系數，g是重力加速度，d是大型車碰撞前制動距離，L₁是大型車碰撞后制動距離，M是大型車質量，m₁是騎車人質量，s₁是騎車人拋距，H₁是騎車人重心高度，m₂是電動自行車質量，s₂是電動自行車拋距，H₂是電動自行車拋距。

2.根據權利要求1所述的一種基于BP神經網絡的超速辨別模型優化方法，其特征在于，所述步驟(4)具體包括如下子步驟：

(4.1)神經網絡輸入層為待優化的超速辨別模型的各輸入參量；

(4.2)神經網絡的輸出層為步驟(4.1)中待優化的超速辨別模型誤差來源因子對應的修正系數；

(4.3)神經網絡隱含層的節點數為其中n為輸入層節點數，m為輸出層節點數，a為1-10之間的常數，m為修正系數的個數，n為待優化模型輸入參量的個數。

3.根據權利要求1所述的一種基于BP神經網絡的超速辨別模型優化方法，其特征在于，所述步驟(5)具體為：在步驟(3)采集的樣本中隨機抽取50％作為神經網絡的訓練樣本。

4.根據權利要求1所述的一種基于BP神經網絡的超速辨別模型優化方法，其特征在于，步驟(6)具體包括如下子步驟：

(6.1)確定隱層傳遞函數；

(6.2)確定輸出層傳遞函數；

(6.3)確定訓練函數；

(6.4)確定最大訓練次數；

(6.5)確定訓練精度；

(6.6)訓練神經網絡。

5.根據權利要求1所述的一種基于BP神經網絡的超速辨別模型優化方法，其特征在于，步驟(7)具體包括如下子步驟：

(7.1)將訓練樣本外的其他樣本對應的待優化的超速辨別模型的輸入參量作為檢測樣本；

(7.2)將檢測樣本輸入已訓練好的神經網絡，輸出對應的修正系數，得到優化模型的輸入參量，并計算優化超速辨別模型的輸出值；

(7.3)判斷優化超速辨別模型輸出值與仿真設定值是否小于預設誤差值，若是，則當前BP神經網絡模型隱含層的節點數為訓練完成的神經網絡對應的隱含層節點數；若否，則更改隱含層節點數，重復步驟(4)至步驟(7)。

6.根據權利要求1所述的一種基于BP神經網絡的超速辨別模型優化方法，其特征在于，步驟(2)中所述優化超速辨別模型為：

式中，α為修正系數。

7.根據權利要求6所述的一種基于BP神經網絡的超速辨別模型優化方法，其特征在于，所述待優化的超速辨別模型的確定方法為：

(1.1)確定騎車人質量m₁、騎車人拋距s₁、騎車人重心高度H₁、電動自行車質量m₂、電動自行車拋距s₂、電動自行車重心高度H₂、大型車質量M、大型車碰撞前制動距離d、大型車碰撞后制動距離L₁、路面附著系數

(1.2)由此計算騎車人的拋出速度v₁、電動自行車的拋出速度v₂、大型車的碰撞后速度v'、大型車的碰撞速度v、大型車制動時刻速度v₀。