路径识别神经网络算法研究.docVIP

路径识别神经网络算法研究 　　摘要：飞思卡尔智能车是由电磁传感器检测车身偏离导线的偏差量，配合舵机和电机的动作来实现自动循迹。针对智能车循迹过程中偏差量准确计算的难点，提出了神经网络路径识别算法。采用四个电感线圈作为路径识别的传感器，将四路传感器的感应信号值作为多层前馈神经网络的输入值，理想偏差量作为多层前馈神经网络的目标输出值，在matlab环境下进行训练，得到微控制器所需的参数值。将此算法移植到智能车的应用上，计算得出的偏差量与实际偏差量的误差在±1cm以内。 　　关键词：智能车；电磁循迹；路径识别；神经网络；偏差量 　　中图分类号：TP391.41 文献标识码：A 文章编号：1007-9599 （2012） 17-0000-02 　　1 引言 　　人工神经网络是模拟生物神经系统建立起来的非线性动力学系统具有自我学习、联想存储以及高速寻求最优解的强大功能，它的分类能力和非线性映射能力使得它在系统辨识、模式识别、图像处理、智能控制等领域有着广泛而吸引人的前景，并且越来越多地被人们所运用。 　　“飞思卡尔”杯全国大学生智能车竞赛中的电磁组是依据电磁感应原理，实现智能车的自动循迹。以飞思卡尔公司生产的MC9S12XS128芯片作为微控制器，以通有固定频率和电流值的导线作为目标路径，用电磁传感器检测智能车偏离导线的偏差量，配合舵机和电机的动作在50cm宽的赛道上实现自动循迹。其中偏差量的检测与计算是智能车能否准确快速跟踪引导线的关键。当前偏差量的计算算法主要有两种，一种是取感应电动势最大的传感器位置作为线径所在位置，这种方法本质上以点来检测，测量精度低，需要的传感器数量大。另外一种是根据感应电动势的特点，将两个传感器的感应电动势作差值计算，得到电动势与偏差量之间的一个二次函数，这种方式计算是关于二次函数来进行的，计算量大，对检测的实时性会有所影响。本文提出的方案，是以电感线圈作为传感器来检测路径，基于人工神经网络算法来计算车身相对引导线的偏移量，把样本数据放在matlab环境下训练，得到满足误差要求的参数，然后将参 　　2 BP神经网络模型基本原理 　　BP神经网络由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，中间层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反向传播。BP神经网络的拓扑结构如所示： 　　BP神经网络主要由输入层、隐含层和输出层构成。输入信号先向前传播到隐含层节点，经作用函数后，把隐节点的输出信号传播到输出节点，最后得出输出结果。本文中隐层节点的激励函数选取双曲正切S型函数， 　　（1） 　　在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。 　　前向传播过程： 　　（1）隐层神经元的输入为输入神经元的加权和加上输入层到隐层的阈值。 　　（2） 　　（2）隐层神经元的输出为： 　　（3） 　　（3）输出层神经元输出为隐层神经元的输出加权和加上隐层到输出层阈值。 　　（4） 　　网络输出y1与理想输出y01的误差e1为： 　　e1=y10-y1 （5） 　　反向传播采用L-M优化算法，调整各层间的权值。L-M算法是一种利用标准的数值优化技术的快速算法，它是梯度下降法与高斯-牛顿法的结合。设W（k）表示第 k 次迭代的权值和阈值所组成的向量新的权值和阈值组成的向量W（k+1）可根据下面的规则求得： 　　（6） 　　对于L-M算法则有： 　　（7） 　　其中，J为雅克比矩阵。比例系数μ0为常数，I为单位矩阵。当 μ=0即为高斯-牛顿法；当μ取值很大则接近梯度下降法。实践证明，采用L-M算法可以较原来的梯度下降法提高速度几十甚至上百倍。本文采用L-M算法进行训练。 　　3 Matlab中神经网络算法的实现 　　3.1 获取样本数据 　　根据麦克斯韦电磁场理论，通有交变电流的导线会在其周围产生交变的电磁场，如果在里面放置一个电感线圈，电磁感应作用会使线圈中产生交变的感应电压。智能车使用电感线圈作为传感器检测导线周围磁场信息，由电磁学可知，水平放置的电感线圈在导线磁场内的感应电动势E=h/（h2+x2），h表示传感器离导线的垂直距离，x代表传感器距离导线的水平距离。假设h=5cm，x在±15cm内电动势和水平距离的关系曲线如2所示： 　　经过实际测试，使用四路传感