基于K-Medoids和BP神经网络的路感模拟方法技术

本发明专利技术公开了基于K‑Medoids和BP神经网络的路感模拟方法，包括以下步骤：进行实车试验并采集试验数据；试验数据预处理；使用K‑Medoids聚类算法对试验数据进行聚类并划分训练数据集和测试数据集；使用BP神经网络算法训练基于K‑Medoids和BP神经网络的路感模型；测试基于K‑Medoids和BP神经网络的路感模型；根据所得的基于K‑Medoids和BP神经网络的路感模拟模型进行路感模拟。本发明专利技术使用真实车辆采集试验数据，建立基于K‑Medoids聚类算法和BP神经网络算法的路感模拟模型，建模实施过程易实施，建模时间短，模型计算速度快，精度高，鲁棒性好，相较于现有技术具有明显的优势。

【技术实现步骤摘要】
基于K-Medoids和BP神经网络的路感模拟方法
本专利技术涉及车辆领域，具体涉及一种基于K-Medoids和BP神经网络的路感模拟方法。
技术介绍
转向路感，又称转向力感、方向盘反馈力矩，是指驾驶员通过方向盘反馈力矩感受到的反向阻力矩。这种路感可以让驾驶员实时了解路面情况，从而做出相应的决策。因此，对于使用线控转向系统的车辆或驾驶模拟器而言，使用电机等装置产生与传统转向系统相似的路感是至关重要的。然而，现有技术可实现的路感模拟系统存在精度低，实时性差等缺点。申请号为CN201420478919.7、名称为“基于C-EPS结构的力感模拟系统”的技术专利，公开了一种基于C-EPS结构的力感模拟系统，其主要通过机理建模方法对路感进行模拟，需要调节的参数众多，且精度难以保证。
技术实现思路
为了解决上述技术问题，本专利技术的目的在于提供一种建模过程易实施、计算速度快、精度高的路感模拟方法，以实车试验数据，基于K-Medoids(K中心点)聚类算法和BP神经网络算法建立路感模拟模型。为了达到上述目的，本专利技术提供一种基于K-Medoids和BP神经网络的路感模拟方法，包括以下步骤：步骤一、进行实车试验并采集试验数据：驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括车速、车辆侧向加速度、车辆横摆角速度、车辆垂向载荷、驾驶员方向盘转角、方向盘角速度和方向盘力矩；步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，得到归一化试验数据集；步骤三、归一化后试验数据聚类：使用K-Medoids聚类算法对归一化试验数据进行聚类，聚类后将归一化试验数据分成多个数据类，并将聚类后的试验数据划分为聚类后训练数据集和聚类后测试数据集；步骤四、训练基于K-Medoids和BP神经网络的路感模型：使用聚类后训练数据集和BP神经网络算法训练基于K-Medoids和BP神经网络的路感模拟模型时，BP神经网络模型的输入变量为车速、车辆侧向加速度、车辆横摆角速度、车辆垂向载荷、驾驶员方向盘转角、方向盘角速度，输出变量为方向盘力矩，训练得到与数据类相同数量的基于K-Medoids和BP神经网络的路感模拟模型；步骤五、测试基于K-Medoids和BP神经网络的路感模型；使用聚类后测试数据集测试得到的基于K-Medoids和BP神经网络的路感模拟模型；步骤六、判断是否需要进行补充试验；步骤七、根据所得的基于K-Medoids和BP神经网络的路感模拟模型进行路感模拟。进一步地，在步骤一的实车试验中：试验道路类型包括城市道路、高速道路、市郊道路和乡村公路；车辆行驶工况包括直行、倒车、转弯、原地转向、上坡和下坡工况。进一步地，在步骤二中，被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。所述超出正常取值范围的数据点定义为：某一次实车试验中采集的某个数据点，其中一个或多个变量的数值超出该次实车试验对应变量的实际正常取值范围。如，某次试验中，最高车速仅为50km/h，则该次试验所采数据集中，车速值大于50km/h的数据点均为超出范围的点。再如，某次试验中，方向盘转角范围为[-300°,300°]，则该次试验所采数据集中，方向盘转角值超出[-300°,300°]的均为超出正常范围的点。所述分布严重偏离的数据点定义为：计算某一次实车试验中所采集试验数据的各个变量的标准差，若某个数据点的其中一个或几个变量的数值大于对应变量的标准差的2.5倍或小于对应变量的标准差的负2.5倍，则为分布严重偏离的数据点。所述变化幅度超出正常范围的数据点的定义为：预设各个变量在正常情况下的最大瞬间变化幅值，若实际试验数据集中，某个数据点的其中一个或几个变量数值相对于前一个数据点的对应变量数值的差值绝对值大于相关变量的最大瞬间变化幅值，则为变化幅度超出正常范围的点。如，进行使用小型乘用车进行高速驾驶试验时，专家确认方向盘力矩的最大瞬间变化幅值为0.3N，则所有数据点中方向盘力矩值与前一数据点之间的差值绝对值大于0.3N时，即可将其视为变化幅度超出正常范围的点。进一步地，在步骤二中，对试验数据按照下式进行归一化处理：式中，i为数据编号，j为变量编号，xi,j表示未归一化的第i组数据中的第j个变量，Xj表示所有j对应的变量数据值组成的集合，min表示最小值，max表示最大值。进一步地，在步骤三中，通过随机划分的方法将归一化试验数据集划分为聚类后训练数据集和聚类后测试数据集。具体地，随机划分的方法为：按照数据点数量的一定比例随机地将归一化试验数据集分为聚类后训练数据集和聚类后测试数据集。在一个优选实施例中，该比例为5:1。训练数据集中的数据点数量一般(但不是必须)大于测试数据集中的数据点数量。优选地，在步骤三中，K-Medoids算法的聚类步骤如下：(1)确定所需群落个数k。在具体实施例中，群落个数k＝5；(2)在待聚类的数据集中随机选择k个数据点作为k个类群的中心点；(3)计算所有非中心点的数据点到上一步确定的k个中心点的欧氏距离，与数据点距离最近的中心点对应的群落就是该数据点所属群落；(4)在每个群落中，依次选取一点，并计算该点与当前所在群落中所有其它点的欧式距离之和，所得欧式距离之和最小的点即可视为该群落新的中心点；(5)重复(2)，(3)步骤，直到各个聚簇的中心点不再改变；优选地，在步骤四中，训练基于K-Medoids和BP神经网络的路感模拟模型时，BP神经网络模型共有2个隐含层，每个隐含层10个节点，1个输入层和1个输出层；所有节点的激活函数均为Sigmoid函数，且均为全连接；学习函数使用learngdm函数。迭代上限为1000代。训练基于BP神经网络的路感模拟模型时，使用同一类型的训练数据点训练所得模型与数据点所属类型相关，即某类型训练数据点对应的路感模拟模型只能用于该类型数据点的方向盘力矩预测。多个类型的训练数据点训练后将得到对应的多个路感模拟模型。训练BP神经网络的相关参数确定步骤如下：1)确定BP神经网络的输入参数和输出参数；2)确定BP神经网络隐含层数量；3)确定隐含层节点数量；4)确定各个节点的激活函数和整体学习函数；5)使用训练数据来训练BP神经网络模型；6)根据模型测试结果判断是否需要返回步骤2)。若训练结果满足需求，则不返回，直接进行下一步，否则返回到步骤2)。进一步地，测试基于K-Medoids和BP神经网络的路感模拟模型时，可使用但不限于使用均方误差，即MSE值，作为模型质量的评判标准。使用聚类后测试数据集测试所述基于K-Medoids和BP神经网络的路感模拟模型时，步骤为：1)取出聚类后测试数据集中的测试数据点，将测试数据点对应的输入变量的数值输入与该测试数据点所属类对应的路感模拟模型，得到预测的方向盘力矩值；2)计算得到整个聚类后测试数据本文档来自技高网...

【技术保护点】
1.一种基于K-Medoids和BP神经网络的路感模拟方法，其特征在于，包括以下步骤：/n步骤一、进行实车试验并采集试验数据：驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括车速、车辆侧向加速度、车辆横摆角速度、车辆垂向载荷、驾驶员方向盘转角、方向盘角速度和方向盘力矩；/n步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，得到归一化试验数据集；/n步骤三、归一化后试验数据聚类：使用K-Medoids聚类算法对归一化试验数据进行聚类，聚类后将归一化试验数据分成多个数据类，并将聚类后的试验数据划分为聚类后训练数据集和聚类后测试数据集；/n步骤四、训练基于K-Medoids和BP神经网络的路感模型：使用聚类后训练数据集和BP神经网络算法训练基于K-Medoids和BP神经网络的路感模拟模型时，BP神经网络模型的输入变量为车速、车辆侧向加速度、车辆横摆角速度、车辆垂向载荷、驾驶员方向盘转角、方向盘角速度，输出变量为方向盘力矩，训练得到与数据类相同数量的基于K-Medoids和BP神经网络的路感模拟模型；/n步骤五、测试基于K-Medoids和BP神经网络的路感模型；使用聚类后测试数据集测试得到的基于K-Medoids和BP神经网络的路感模拟模型；/n步骤六、判断是否需要进行补充试验；/n步骤七、根据所得的基于K-Medoids和BP神经网络的路感模拟模型进行路感模拟。/n...

【技术特征摘要】
1.一种基于K-Medoids和BP神经网络的路感模拟方法，其特征在于，包括以下步骤：
步骤一、进行实车试验并采集试验数据：驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括车速、车辆侧向加速度、车辆横摆角速度、车辆垂向载荷、驾驶员方向盘转角、方向盘角速度和方向盘力矩；
步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，得到归一化试验数据集；
步骤三、归一化后试验数据聚类：使用K-Medoids聚类算法对归一化试验数据进行聚类，聚类后将归一化试验数据分成多个数据类，并将聚类后的试验数据划分为聚类后训练数据集和聚类后测试数据集；
步骤四、训练基于K-Medoids和BP神经网络的路感模型：使用聚类后训练数据集和BP神经网络算法训练基于K-Medoids和BP神经网络的路感模拟模型时，BP神经网络模型的输入变量为车速、车辆侧向加速度、车辆横摆角速度、车辆垂向载荷、驾驶员方向盘转角、方向盘角速度，输出变量为方向盘力矩，训练得到与数据类相同数量的基于K-Medoids和BP神经网络的路感模拟模型；
步骤五、测试基于K-Medoids和BP神经网络的路感模型；使用聚类后测试数据集测试得到的基于K-Medoids和BP神经网络的路感模拟模型；
步骤六、判断是否需要进行补充试验；
步骤七、根据所得的基于K-Medoids和BP神经网络的路感模拟模型进行路感模拟。


2.根据权利要求1所述基于K-Medoids和BP神经网络的路感模拟方法，其特征在于，其特征在于，在步骤一的实车试验中：
试验道路类型包括城市道路、高速道路、市郊道路和乡村公路；
车辆行驶工况包括直行、倒车、转弯、原地转向、上坡和下坡工况。


3.根据权利要求1所述基于K-Medoids和BP神经网络的路感模拟方法，其特征在于，在步骤二中，被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。


4.根据权利要求1所述的基于K-Medoids和BP神经网络的路感模拟方法，其特征在于，在步骤二中，对试验数据按照下式进行归一化处理：



式...

【专利技术属性】
技术研发人员：赵蕊，蔡锦康，邓伟文，丁娟，
申请(专利权)人：浙江天行健智能科技有限公司，
类型：发明
国别省市：浙江;33