[发明专利]机动车安全监测系统制动性能辨识方法

权利要求书

1.机动车安全监测系统制动性能辨识方法，其特征在于，所述方法包括：

A获得加速度、压力、温度输入与制动性能参数输出操作变量；

B通过主成分分析法分析操作变量之间冗余信息关系，消除数据冗余；

C确定递归小波ELman神经网络结构，并通过辨识方法获得多个准确的运行过程制动性能参数值。

2.根据权利要求1所述的机动车安全监测系统制动性能辨识方法，其特征在于，所述步骤C具体包括：

初始化递归小波ELman神经网络模型参数；

构建递归小波ELman网络模型；

初始化权值并进行自相关修正；

利用遗传算法训练小波ELman网络；

验证递归小波ELman网络模型的泛化能力；

存储递归小波ELman网络模型参数。

3.根据权利要求2所述的机动车安全监测系统制动性能辨识方法，其特征在于，所述递归小波ELman网络结构采用紧致型结合方式。

4.根据权利要求2所述的机动车安全监测系统制动性能辨识方法，其特征在于，所述小波ELman网络遗传算法包括：

对权值、阈值、小波函数的伸缩因子和平移因子进行实数编码；

随机产生一个[-1，1]之间的初始群体；

计算网络的误差函数，确定个体的适应度的函数值；

若终止条件满足，则终止循环，得到染色体；否则

选择若干适应度大的个体直接遗传给下一代，其余按适应值确定的概率进行遗传；

按一定的概率进行交叉和变异操作，产生下一代种群；

终止循环，得到最佳的染色体，然后转化为权值、阈值、小波函数的伸缩因子和平移因子。

5.根据权利要求1所述的机动车安全监测系统制动性能辨识方法，其特征在于，确定递归小波ELman神经网络结构前还包括：确定隐含层神经元数，将Morlet小波作为隐含层神经元的激励函数；确定递归小波ELman神经网络结构后还包括通过正交实验方法获取实验训练样本数据，该训练样本数据包括训练样本和期望输出样本。

6.根据权利要求5所述的机动车安全监测系统制动性能辨识方法，其特征在于，所述隐含层神经元个数选取采用经验公式和实验选取结合起来的方法，按照经验公式确定一个隐含层神经元的数目范围，并设定相应的训练步数和训练精度，然后从小到大选择模型来训练，确定隐含层神经元数目。