改进PSO-Elman神经网络的路面附着系数预测方法技术

一种改进PSO

【技术实现步骤摘要】
改进PSO
‑
Elman神经网络的路面附着系数预测方法


[0001]本专利技术属于路面附着系数预测
，尤其是涉及一种改进PSO
‑
Elman神经网络的路面附着系数预测方法。

技术介绍

[0002]近年来，随着车辆主动安全技术及相关控制策略的迅速发展，如何保证车辆在紧急制动情况下安全行驶显得尤为重要，要想实现此目标，最重要的参数之一就是路面附着系数。许多汽车安全系统控制策略都是直接或间接建立在路面附着系数已获取的基础上，因此，准确地获取路面附着系数是汽车主动安全系统的关键一环。
[0003]目前汽车路面附着系数辨识领域中，研究方法主要分为两类：第一类是通过直接测量路面材料和参数辨识路面附着系数，一般使用光学传感器和温湿度传感器测量路面的粗糙度和干湿状况来预测路面附着系数，但由于其复杂性会增大耗费的人工成本，第二类方法是根据车辆运行工况和动力学原理，结合卡尔曼滤波器或者机器学习等算法估算路面附着系数。而目前应用于预测路面附着系数的控制算法较多，其中专利号201911204836.2提出了一种车辆转向时稳定性控制的路面附着系数估计方法及系统，但此方法在汽车动力学过程中没有充分考虑车辆在制动工况下影响路面附着系数的新增输入条件，专利201811258236.X提出一种基于卡尔曼滤波和Back Propagation神经网络的路面附着系数估计方法，但其采用的BP神经网络极易过拟合造成一定的误差，而Elman神经网络因其网络具有动态特性好，逼近速度快，精度高等特点，能够弥补BP神经网络所造成的缺陷。

技术实现思路

[0004]针对车辆基于许多汽车安全系统控制策略都是直接或间接建立在路面附着系数已获取的基础上而路面附着系数较难预测的问题，本专利技术提供了一种改进PSO
‑
Elman神经网络的路面附着系数预测方法，基于改进PSO算法优化Elman神经网络，建立改进PSO
‑
Elman神经网络的预测模型，从而提高路面附着系数预测的精度。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种改进PSO
‑
Elman神经网络的路面附着系数预测方法，包括以下步骤：
[0007]使用车辆传感器得到目标车辆的初始车辆数据；根据所述初始车辆数据，确定目标车辆在制动状态下的纵向加速度a
x
、侧向加速度a
y
、车轮转向角δ
i
、车轮角速度w
i
以及横摆角速度γ；根据所述纵向加速度a
x
、侧向加速度a
y
、车轮转向角δ
i
、车轮角速度w
i
以及横摆角速度γ，计算汽车的纵向车速估计值v
x
、侧向车速估计值v
y
、车轮侧偏角估计值α
i
、纵向滑移率估计值λ
i
；
[0008]改进PSO
‑
Elman神经网络单元将汽车在不同附着系数路面行驶采集到的纵向加速度a
x
、侧向加速度a
y
、车轮转向角δ
i
、车轮角速度w
i
以及横摆角速度γ，以及汽车的纵向车速估计值v
x
、侧向车速估计值v
y
、车轮侧偏角估计值α
i
、纵向滑移率估计值λ
i
组成向量组[a
x a
y δ
i w
i
γ v
x v
y α
i λ
i
]作为对应的改进PSO
‑
Elman神经网络单元的输入，将路面附着系数作
为输出；
[0009]首先载入数据集，将数据集划分为训练数据、测试数据，数据归一化并确定隐含层神经元个数，利用改进PSO算法对神经网络中设置的初始的权值与阈值进行优化，以训练数据的绝对误差和作为适应度函数计算粒子适应度，寻找粒子个体最优和全局最优，随后所有粒子会调整速度与位置，自发向最靠近最优解的粒子位置靠近；在对局部最优解进行多次迭代比较之后，整个粒子群最终会寻找到全局最优解的位置，从而达到寻优目的；在完成神经网络最优权值与阈值更新后进行最优神经网络训练，将预测结果反归一化得到路面附着系数的输出。
[0010]进一步，所述预测方法还包括以下步骤：采用改进PSO优化Elman神经网络的权值与阈值；
[0011]首先进行参数设置以及粒子群初始化，设粒子群优化算法的搜索空间维度为S维，粒子的种群规模为m，其组成的粒子群可表示为向量x＝[x1，x2，
…
，x
m
]，在该空间中第i个粒子的位置信息表示为向量X
i
＝[x
i1
，x
i2
，
…
，x
is
]，其中i＝1,2,
…
,m，第i个粒子的速度信息表示为向量V
i
＝[v
i1
，v
i2
，
…
，v
is
]；同时当前粒子搜索的个体最优位置信息p
i
＝[p
i1
，p
i2
，
…
，p
is
]，种群中所有粒子的最优位置信息则用p
g
＝[p1，p2，
…
，p
m
]表示；将神经网络的权值与阈值映射到粒子信息，并且以测试数据的绝对误差和作为适应度函数的值，其数学表达式如下：
[0012][0013]式中，y
j
是路面附着系数真实值，y
j
’
是PSO
‑
Elman神经网络预测值；
[0014]设h(x)是最小优化问题的求解目标函数，则第i个粒子当前的个体最优位置由下式表示:
[0015][0016]因此，最小优化问题的最优解可由粒子当前的全局最优位置得到:
[0017]h(p
G
(t))＝min{h(p0(t)),h(p1(t)),...,h(p
m
(t))}
ꢀꢀꢀ
(11)
[0018]在标准粒子群算法的迭代寻优过程中，每个粒子分别得到个体最优解和全局最优解，然后分别更新自身的速度和位置：
[0019]v
id
(t+1)＝wv
id
(t)+c1r1(p
id
‑
x
id
(t))+c2r2(p
gd
‑
x
id
(t))
ꢀꢀꢀ
(12)
[0020]x
id
(t+1)＝x
id
(t)+v
id
(t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进PSO
‑
Elman神经网络的路面附着系数预测方法，其特征在于：所述预测方法包括以下步骤：使用车辆传感器得到目标车辆的初始车辆数据；根据所述初始车辆数据，确定目标车辆在制动状态下的纵向加速度a
x
、侧向加速度a
y
、车轮转向角δ
i
、车轮角速度w
i
以及横摆角速度γ；根据所述纵向加速度a
x
、侧向加速度a
y
、车轮转向角δ
i
、车轮角速度w
i
以及横摆角速度γ，计算汽车的纵向车速估计值v
x
、侧向车速估计值v
y
、车轮侧偏角估计值α
i
、纵向滑移率估计值λ
i
；改进PSO
‑
Elman神经网络单元将汽车在不同附着系数路面行驶采集到的纵向加速度a
x
、侧向加速度a
y
、车轮转向角δ
i
、车轮角速度w
i
以及横摆角速度γ，以及汽车的纵向车速估计值v
x
、侧向车速估计值v
y
、车轮侧偏角估计值α
i
、纵向滑移率估计值λ
i
组成向量组[a
x
a
y
δ
i
w
i
γv
x
v
y
α
i
λ
i
]作为对应的改进PSO
‑
Elman神经网络单元的输入，将路面附着系数作为输出；首先载入数据集，将数据集划分为训练数据、测试数据，数据归一化并确定隐含层神经元个数，利用改进PSO算法对神经网络中设置的初始的权值与阈值进行优化，以训练数据的绝对误差和作为适应度函数计算粒子适应度，寻找粒子个体最优和全局最优，随后所有粒子会调整速度与位置，自发向最靠近最优解的粒子位置靠近；在对局部最优解进行多次迭代比较之后，整个粒子群最终会寻找到全局最优解的位置，从而达到寻优目的；在完成神经网络最优权值与阈值更新后进行最优神经网络训练，将预测结果反归一化得到路面附着系数的输出。2.如权利要求1所述的改进PSO
‑
Elman神经网络的路面附着系数预测方法，其特征在于：所述预测方法还包括以下步骤：采用改进PSO优化Elman神经网络的权值与阈值；首先进行参数设置以及粒子群初始化，设粒子群优化算法的搜索空间维度为S维，粒子的种群规模为m，其组成的粒子群可表示为向量x＝[x1，x2，
…
，x
m
]，在该空间中第i个粒子的位置信息表示为向量X
i
＝[x
i1
，x
i2
，
…
，x
is
]，其中i＝1,2,
…
,m，第i个粒子的速度信息表示为向量V
i
＝[v
i1
，v
i2
，
…
，v
is
]；同时当前粒子搜索的个体最优位置信息p
i
＝[p
i1
，p
i2
，
…
，p
is
]，种群中所有粒子的最优位置信息则用p
g
＝[p...

【专利技术属性】
技术研发人员：王骏骋，王法慧，国世荣，柳世袭，向忠，李浩然，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：