采用半盲竞争型神经网络实现油门误踩判断的方法..docVIP

采用半盲竞争型神经网络实现油门误踩判断的方法 随着社会的发展，人民生活水平的提高，汽车越来越多的走进了百姓家庭。汽车驾驶的安全问题也日益显著，尤其是在司机驾驶过程中发生误操作而导致的交通事故时有发生，引起了社会的高度关注。 就目前市面上的汽车结构布局来说，汽车油门踏板和刹车制动踏板都是由一只脚分别交替来实现控制的，这容易造成驾驶员在紧急情况下误把油门踏板当成刹车制动踏板使用，从而引发交通事故。 在现有技术中，也有一些防止司机刹车时误踩油门的专利，比如公开号CN201240369所公布的一种误踩油门紧急制动机构，它上通过机械传动的方式进行刹车制动，反应速度较慢。也有通过电气控制刹车制动的，比如论文”误踩油门自动刹车系统制动执行装置设计”, 以加速度的值作为判断是否误踩油门的检测信号。在油门踏板处设置一个加速度传感器，踩油门时，当油门踏板加速度大于设定的临界值时，则判定此操作为误踩油门. 对加速度的判断是以临界加速度为标准来判断的，因此临界加速度在某些程度上不一定能体现出误踩油门的加速度大小，可能在某些时候不是误踩油门，加速度却达到了临界加速度。因此，在这样一种情况下，系统容易出现误报警的情况。论文”制动误踩油门电子制动控制系统”,以2个条件作为误踩油门的判断标准① 加在油门踏板上的踩踏力度较大，油门踏板运动速度(或加速度)较大；② 油门踏板是到最底位置.该方法要求必须达到油门踏板的最底位置,必然造成判断的迟缓,对装置的实用性影响很大.如果能够及早而且准确实现油门是否误踏,将能极大降低事故发生的可能性. 本专利提出了一种汽车油门误踩的判断方法,通过采集大量的正常踩油门和误踩油门情况下的,踏油门的速度及幅度的样本,通过具有部分指导意见的竞争型神经网络(半盲竞争型神经网络)对这些样本进行自动分类,得到训练好的网络,并据此求出速度和幅度的阈值.在车辆运行过程中,实时采集当前的踏油门的速度及幅度,判断是否超出此阈值,判断是否属于误踩油门.该方法能明显加快误踩油门的判断速度,而且避免了仅判断踏油门的加速度造成的误报警问题. 备注: 竞争型神经网络是较为成熟的一种无指导意见分类算法,主要征对无指导意见的系统.本系统中,由于已知信息有限,不能采用有指导意见的神经网络,但是,如果仅采用传统的竞争型神经网络,则难以实现油门是否误踩的准确判断.因此,提出了一种基于部分先验信息的判断方法.已知信息:仅知道当前样本是否属于误踩,但是不知道该样本中,哪些幅度和踩的速度属于误踩,所以无法对每组数据给出指导意见. 方法 半盲竞争型神经网络, 具体方法:1、通过采集大量的正常踩油门和误踩油门情况下的踏油门的幅度变化曲线的样本；2、根据幅度变化曲线生成输入样本—幅度和该幅度对应的最近△t=t0时间的踩油门速度2、通过竞争型神经网络实现自分类；3、根据分类结果，验证是否能区分开给出样本中误踏油门样本；如果能区分开,则将该网络参数送入待选参数库,进入下一步;如果不能能区分开给出样本中误踏油门样本,则直接进入下一步.4、t0=t0+ta,判断t0是否属于(0,500ms)，是则跳到步骤2，否则进入下一步；5、计算出进入备选神经网络库的的各个网络的样本区分度系数和系统区分度系数，选出系统区分度系数最大的神经网络作为最终的工作网络；6，根据该网络的参数，计算出踏油门的速度及幅度的阈值表；7、在车辆运行过程中,实时采集当前的踏油门的速度及幅度,判断是否超出此阈值表所对应的门限值,据此判断是否属于误踩油门. 二、基本竞争型神经网络 (1)基本竞争型神经网络的结构。基本竞争型神经网络是自组织竞争神经网络的一种，其采用没有指导的学习，即不必给定相应的输出，网络只需靠输入模式本身的特征，根据一定的判断标准，通过不断的训练来自行修改单元连接的强度(权重)，使权重矢量在输入向量空间中的分布近似于样本的分布。基本竞争型神经网络由输入层和输出层组成，在竞争层中，神经元之间相互竞争，最终只有一个或者几个神经元获胜，以适应当前的输入样本,竞争胜利的神经元代表当前输入样本的分类模式。基本竞争型神经网络的结构如图1所示。 图1 基本竞争型神经网络的结构 (2)基本竞争型神经网络的学习算法。 a、初始化。输入样本向量。 b、按照下式计算输入向量与各竞争层神经元之间的距离d: （1） c、以d最大值所对应的神经元作为胜者，将其输出状态置为1，而其他所有神经元的输出状态置为0。 d、假若第i个神经元获胜，则输入权值向量的第i行元素（即获胜神经元的各连接权值）按下式进行调整，而与其他神经元