[發明專利]一種基于神經網絡的純電動汽車四輪轉速獨立控制方法

有效

• 申請號: 201810460902.1
• 申請日: 2018-05-15
• 公開（公告）號: CN108569138B
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 葛承強;宋偉;葉進;馬士磊;徐子航;王良模
• 申請（專利權）人: 南京依維柯汽車有限公司;南京理工大學
• 主分類號: B60K17/34
• 分類號: B60K17/34
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 姚姣陽

1.一種基于神經網絡的純電動汽車四輪轉速獨立控制方法，其特征在于：利用Hopfield神經網絡分析駕駛員同一時間所有駕駛行為，并以此為依據合理分配四輪車速，驅動車輛平穩行駛；

包括以下步驟：

步驟1)、針對各種駕駛環境下，駕駛員同一時間內的駕駛行為，采集車輛的駕駛數據，建立車況信息數據庫，并由此獲取樣本；所述駕駛數據包括由油門踏板開度、制動踏板開度、檔位、方向盤轉角組成的駕駛員控制意圖數據及四個車輪的轉速；并對收集的數據進行處理，將油門踏板開度、制動踏板開度、檔位及方向盤轉角的數據處理成4×1列向量p_q，并歸一化；將四個車輪的轉速處理成4×1的列向量t_q，并歸一化；

步驟2)、由步驟1中的樣本數據中提取車輛狀態特征及駕駛行為特征，根據樣本特征確定Hopfield神經網絡的輸入量與輸出量，搭建Hopfield神經網絡模型：包括構造神經網絡的目標函數、能量函數及動態方程，各神經元之間的權值w_ij和偏置輸入b_i；其中，根據駕駛員對車輛的控制行為進行分析，得出其控制影響車輛速度的四個變量為：油門踏板開度、制動踏板開度、檔位、方向盤轉角，因此設定Hopfield神經網絡的輸入量為四個，包括油門踏板開度、制動踏板開度、檔位及方向盤轉角；輸出量為四個，包括四個車輪各自的角加速度，以控制四個車輪轉速的增減；

步驟3)、將步驟2中的特征向量作為訓練集數據輸入至Hopfield神經網絡模型中進行解析訓練，優化Hopfield神經網絡模型以完成Hopfield神經網絡調速控制器；

步驟4)、將獲取的實時數據輸入進已訓練好的Hopfield神經網絡調速控制器中，匹配生成驅動車輛平穩行駛的所需車輛數據。

2.根據權利要求1所述的基于神經網絡的純電動汽車四輪轉速獨立控制方法，其特征在于：所述Hopfield神經網絡模型基于輸入量與輸出量的數目，其結構為兩層網絡結構，分別為前饋層及遞歸層；遞歸層利用前饋層的輸出進行初始化，輸出指出標準模式和輸入向量之間的關系。

3.根據權利要求1所述的基于神經網絡的純電動汽車四輪轉速獨立控制方法，其特征在于：所述步驟3中，構建學習規則，依次修改Hopfield神經網絡的權值和偏置；所述學習規則為W^new＝W^old+△W，b^new＝b^old+△b，其中，W是權值矩陣，b是偏置輸入向量。

4.根據權利要求3所述的基于神經網絡的純電動汽車四輪轉速獨立控制方法，其特征在于：所述步驟3中，根據學習規則設置二次函數型的性能函數f(X)和誤差閾值，當性能函數值達到全局最小時修改權值和偏置，當樣本均方差在允許誤差閾值內時，停止訓練Hopfield神經網絡；

采用帶衰減的Hebb學習規則，得到模型的連接權值矩陣為：

W(q)＝(1-γ)W(q-1)+αa(q)P^T(q)，

其中，學習速率為λ_max是赫森矩陣A的最大特征值，輸出轉速a_q由加速度α_i(i＝1,2,3,4)積分所得；

所述二次函數型的性能函數

其中，γ是衰減速率，q是神經網絡第q層，α是學習速率，a是神經網絡層間輸出，P是神經網絡層間輸入向量；關于二次函數型的性能函數：X^T是輸入向量，A是赫森矩陣，d是一次項系數，c是常數項系數。

5.根據權利要求4所述的基于神經網絡的純電動汽車四輪轉速獨立控制方法，其特征在于：所述誤差閾值為0.01，當樣本均方差小于誤差閾值時，訓練停止。

6.根據權利要求2所述的基于神經網絡的純電動汽車四輪轉速獨立控制方法，其特征在于：所述前饋層中，權值為4×4矩陣，偏置為4×1列向量；所述遞歸層中，權值為4×4矩陣，無偏置。