人工神经网络及其在汽车工程领域中的应用.pptxVIP

人工神经网络及其在汽车工程领域中的应用 人工神经网络及其在汽车工程领域中的应用 人工神经网络发展的过程及其特点 人工神经网络在汽车工程领域中的应用 应用举例 人工神经网络发展的过程及其特点 发展过程 与神经网络有关的论述最早可追溯到1890年W．James 发表的专著《心理学》，James在这部论述脑结构及功能的专著里对相关学习和联想记忆的基本原理作了开创性的研究，并预言神经元活动是其输入总和的函数。1943年，心理学家Mcculloch和数理逻辑学家Pitts总结了神经元的一些基本生理特性，提出了神经元形式的数学描述和网络的结构方法，即著名的M-P模型，从此开创了神经计算的时代。1949年，心理学家Hebb提出了神经元之间突触联系强度可变的假设，根据此假设提出的学习率为神经网络的学习算法奠定了基础。50年代末60年代初，神经网络系统作为人工智能的研究开始兴起。1957年Rosenblatt提出的感知机(Perception)模型是该领域的一个重要进展，首次将神经网络研究从纯理论的探讨付诸工程实践。 人工神经网络从理论探索进人大规模工程实用阶段，至今只有10年左右时间，继Osenblatt, Kononen , Hopfield等一些早期开拓者之后，1986年Rumelhart提出了误差反向传播算法，即BP算法。使多层前向神经网络获得了一个比较实用和有效的训练方法，为工程应用创造了条件。 特点 非局域性 非线性 非定常性 容错性 并行性 人工神经网络在汽车工程领域中的应用 人工神经网络模型 在汽车工程领域中，多层前向网络是应用最为广泛的一类网络，如图1所示。它由输入层、隐层和输出层构成。 多层前向网络之所以获得非常广泛的应用，是由于Rumelhart等人提出了反向传播算法(BP算法)，为网络中各神经元权值和阈值的调整和优化提供了一种实用的方法。 已经证明，假设BP网络中隐层单元数可根据需要自由设定，那么具有一个隐层的3层前向网络可以实现以任意精度近似任何连续函数。有些网络根据需要可设定多个隐层，以便能加快收敛速度或提高精度。 传统的BP算法也存在一些不足，如效率低、收敛慢、易于陷入局部极小等，许多改进算法如共轨梯度算法、基于信息熵优化的算法、模拟退火算法和基因复合算法等已不断得到应用。 应用领域 汽车运动参数的辨识(横摆角速度、侧向加速度、前进加速度及垂直加速度等)； 驾驶员模型仿真(将路面信息映射为转向角输入); 轮胎模型(考虑轮胎垂直负荷、气压、路面附着因数等因素时纵向力、侧向力及回正力矩与侧偏角之问的关系); 制动系统参数辨识及其控制; 悬架特性仿真及控制; 转向系统参数辨识; 传动系统控制(考虑汽车负荷及驾驶员意图时的换档规范); 为适应系统变化和环境条件的改变，确定变结构控制器的增益变化规律。 应用举例 四轮转向控制 采用非线性的设计方法来设计四轮转向控制系统。通过将简单的线性模型与前向网络系统相结合的方式来辨识汽车运动参数。此神经网络的功能是补偿轮胎及悬架的非线性影响。 组合式的控制系统模型如图3所示。 线性模型的功用是使得汽车质心处的侧偏角为零，后轮转角是前轮转角与汽车侧偏角的函数神经网络控制器的结构3×10×1，其目标函数是使得汽车侧偏角与后轮转角能获得较小值，即： ，其中a、b为权值。