采用半盲竞争型神经网络实现油门误踩判断的方法Word文件下载.docx

1、 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

2、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.一、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

3、=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

4、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

5、各连接权值）按下式进行调整，而与其他神经元相连接的各权值保持不变。 （2）式中:i=1,2.N;a为学习参数，0a1。e、返回步骤b，直至各连接权的调整量很小为止。 三、结果与分析（1）训练样本选取。选取实际测试的误踩油门数据和正常踩油门数据。（2）改进的竞争型神经网络设计。选用5组样本作为网络训练样本，利用函数newc（）创建一个竞争型竞争网络。由于需要区分的类别数目为2类，故神经元的个数也为2，用数据样本对基本竞争型神经网络进行训练。为了加快学习速度，将学习速率设置为0.1，训练次数为1000。当达到最大训练次数时，训练停止。（3）分类。为了检查网络分类性能，需要对网络进行测试。在Matl

6、ab平台下进行神经网络仿真，利用仿真函数sim（）检验网络对误踩油门数据的分类。一个特征值（幅值） 图2 一个特征值，预处理数据后的分类结果该分类器只设置了一个特征值，即踩油门时的幅值。分类结果中的“1”代表正常踩油门数据，“2”代表误踩油门数据。从分类结果图中，我们可以看出，5个样本数据，均在数据幅值为160左右的时候将数据分为正常踩和误踩，认为160以下为正常踩油门，而160以上为误踩油门数据。而第三个样本，实际情况下是正常踩油门数据，所以该分类器没有正确对样本进行区分，所以该分类器不满足实际情况。两个特征值（幅值和当前幅值与前30ms幅值之间的平均速度） 该分类器设置了二个特征值，即踩油

7、门时的幅值和后一个幅值与前30ms幅值之间的平均速度。从分类结果图中，我们可以看出，5个样本数据，均会将样本数据一部分为正常踩和误踩，而实际情况是第三个样本全是正常踩数据，所以该分类器不能够正确区分正常踩和误踩的情况，即该分类器选取的特征值不满足。两个特征值（幅值和当前幅值与前45ms幅值之间的平均速度） 该分类器设置了二个特征值，即踩油门时的幅值和后一个幅值与前45ms幅值之间的平均速度。从分类结果图中，我们可以看出，第1、2、4、5个样本数据，根据踩油门时的幅值和后一个幅值与前45ms幅值之间的平均速度将数据分为正常踩和误踩，而第三个样本，全部分为是正常踩油门数据，所以该分类器能够正确区分

8、正常踩和误踩的情况，即该分类器选取的特征值满足。两个特征值（幅值和当前幅值与前60ms幅值之间的平均速度） 该分类器设置了二个特征值，即踩油门时的幅值和后一个幅值与前60ms幅值之间的平均速度。从分类结果图中，我们可以看出，第1、2、4、5个样本数据，根据踩油门时的幅值和后一个幅值与前60ms幅值之间的平均速度将数据分为正常踩和误踩，而第三个样本，全部分为是正常踩油门数据，所以该分类器能够正确区分正常踩和误踩的情况，即该分类器选取的特征值满足。两个特征值（幅值和当前幅值与前90ms幅值之间的平均速度） 该分类器设置了二个特征值，即踩油门时的幅值和后一个幅值与前90ms幅值之间的平均速度。从分类

9、结果图中，我们可以看出，第1、2、4、5个样本数据，根据踩油门时的幅值和后一个幅值与前90ms幅值之间的平均速度将数据分为正常踩和误踩，而第三个样本，全部分为是正常踩油门数据，所以该分类器能够正确区分正常踩和误踩的情况，即该分类器选取的特征值满足。两个特征值（幅值和当前幅值与前150ms幅值之间的平均速度） 该分类器设置了二个特征值，即踩油门时的幅值和后一个幅值与前150ms幅值之间的平均速度。从分类结果图中，我们可以看出，第1、2、4、5个样本数据，根据踩油门时的幅值和后一个幅值与前150ms幅值之间的平均速度将数据分为正常踩和误踩，而第三个样本，全部分为是正常踩油门数据，所以该分类器能够正

10、确区分正常踩和误踩的情况，即该分类器选取的特征值满足。两个特征值（幅值和当前幅值与前165ms幅值之间的平均速度） 该分类器设置了二个特征值，即踩油门时的幅值和后一个幅值与前165ms幅值之间的平均速度。两个特征值（幅值和当前幅值与前180ms幅值之间的平均速度） 该分类器设置了二个特征值，即踩油门时的幅值和后一个幅值与前180ms幅值之间的平均速度。 根据以上的仿真结果我们可以看出，当选取一个特征值时，不能正确将数据进行分类；当选取两个特征时，其中一个速度特征值在范围为45ms至150ms之间都可以将数据进行正确的分类。为了确定取这个范围内的哪一个时间段的速度作为特征值更为准确，我们定义样本

11、区分度系数k0和系统区分度系数k，样本区分度系数表示在给定的样本中选择完全是正常踩油门的样本，对于每一组输入数据所对应的按公式（3）得到的系数；系统区分度系数表示在得到的样本区分度系数中取最小的系数，如公式（4）所示。 （3） （4） 公式（3）中，d1表示输入数据到神经元1距离；d2表示输入数据到神经元2距离。系统区分度系数k越大，表示越能更好的区分误踩和正常踩，选择系统区分度系数k最大时所对应的系统来判断误踩和正常踩的阈值更加准确。系统区分度系数仿真结果：（1）幅值和前150ms速度的样本区分度系数结果：最小系数为：0.4477，即此时的系统区分度系数为0.4477。（2）幅值和前135m

12、s速度的样本区分度系数结果：0.3278，即此时的系统区分度系数为0.43278。（3）幅值和前120ms速度的样本区分度系数结果：0.3472，即此时的系统区分度系数为0.3472。（4）幅值和前105ms速度的样本区分度系数结果：0.4374，即此时的系统区分度系数为0.4374。（5）幅值和前90ms速度的样本区分度系数结果：0.4994，即此时的系统区分度系数为0.4994。（6）幅值和前75ms速度的样本区分度系数结果：0.3949，即此时的系统区分度系数为0.3949。（7）幅值和前60ms速度的样本区分度系数结果：0.4910，即此时的系统区分度系数为0.4910。（8）幅值和前

13、45ms速度的样本区分度系数结果：0.3107，即此时的系统区分度系数为0.3107。 对比以上的仿真结果可以看出，幅值和前90ms速度的系统区分度系数0.4994是最大的，所以选择幅值和当前幅值与前90ms幅值之间的平均速度做为特征值最好。当确定好两个特征值时，其判断误踩和正常踩的阈值计算方法如下：例如选取幅值和当前幅值与前90ms幅值之间的平均速度作为两个特征值训练好的分离器得到的权值Wts为w11=195.0063;w21=103.5084;w12=143.5630;w22=33.6206，Biases为b1=7.1115;b2=4.4002，根据公式（1）可得到输入数据到神经元1和到神经元2的距离，我们以输入数据到神经元1的距离和到神经元2的距离相等时得到的多对数据为误踩和正常踩的临界值，得到的多对速度与幅值数据的关系图如下图所示。