[发明专利]一种基于向量量化训练模型的燃油汽车路况识别方法

权利要求书

1.一种基于向量量化训练模型的燃油汽车路况识别方法，其特征是按如下步骤进行：

步骤1、选取典型路况类；

按照交通状况以及行驶地域的不同，选取m种典型路况类作为识别样本，从而构成典型路况类集合DC＝{DC₁,DC₂,...,DC_r,...,DC_m}，DC_r表示第r种典型路况类，1≤r≤m；

步骤2、对每种典型路况类进行分块；

对第r种典型路况类DC_r进行分块，得到M个典型路况块并构成集合DC_r＝{dc_r,1,dc_r,2,...,dc_r,p,...,dc_r,M}，dc_r,p表示第r种典型路况类对应的第p个典型路况块，1≤p≤M；从而得到mM个典型路况块并构成集合{dc_1,1,...,dc_1,m,...,dc_r,p,...,dc_m,1,...,dc_m,M}，记为{dc₁,dc₂,...,dc_i,...,dc_mM}，dc_i表示第i个典型路况块，1≤i≤mM；

步骤3、选取并标准化计算相关特征参数来表征每一个典型路况块的特征；

对第i个典型路况块dc_i选取R个特征参数并进行归一化处理，得到第i个标准特征参数向量U_i＝[u_i,1,u_i,2,...,u_i,j,...,u_i,R]^T，u_i,j表示第i个典型路况块dc_i对应的第j个标准特征参数，从而得到mM个标准特征参数向量并构成集合U＝{U₁,U₂,…,U_i,…,U_mM}，1≤j≤R；

步骤4、构建向量量化训练模型；

定义所述向量量化训练模型由输入层、竞争层和输出层构成；

定义所述向量量化训练模型的输入向量为X＝[x₁,x₂,...,x_j,...,x_R]^T；

定义所述向量量化训练模型的输入层与竞争层间的连接矩阵为

定义所述向量量化训练模型的竞争层的输入向量为d＝[d₁,d₂,...,d_i,...,d_mM]^T，d_i表示第i个标准特征参数向量U_i与所述模型的输入向量X之间的距离；

定义所述向量量化训练模型的竞争层的输出向量为a＝[a₁,a₂,...,a_i,...,a_mM]^T，a_i表示第i个典型路况块dc_i的状态值，仅a_i＝1表示第i个典型路况块dc_i即为所述向量量化训练模型的输入向量X对应的路况块所识别出的典型路况块；

定义所述向量量化训练模型的竞争层与输出层之间的连接矩阵为其中u^*＝[1,1,...,1]_M×1；

定义所述向量量化训练模型的输出向量为Y＝[y₁,y₂,...,y_r,...,y_m]^T，y_r表示第r种典型路况类DC_r的状态值，仅y_r＝1表示第r种典型路况类DC_r即为所述向量量化训练模型的输入向量X对应的路况块所识别出的典型路况类；

步骤5、利用每个标准特征参数向量作为向量量化训练模型的输入向量对所述向量量化训练模型进行训练，直至其满足系统误差要求，从而得到可用于识别的向量量化训练模型；

步骤5.1、定义变量b为训练次数；初始化b＝1；

步骤5.2、初始化i＝1；

步骤5.3、将第b次训练时的第i个标准特征参数向量U_i(b)作为模型的输入向量X(i,b)；

步骤5.4、定义变量k，且1≤k≤mM；初始化k＝1；

步骤5.5、判断k＝i是否成立，若成立，则执行步骤5.6，否则，执行步骤5.7；

步骤5.6、将k+1赋值给k后，判断k＞mM是否成立，若成立，则执行步骤5.8，否则，返回步骤5.5；

步骤5.7、计算所述向量量化训练模型的输入向量X(i,b)与第b次训练时的第k个标准特征参数向量U_k(b)之间的距离d_k(i,b)后，返回步骤5.6；

步骤5.8、选取所述向量量化训练模型的输入向量X(i,b)与第b次训练时的标准特征参数向量集合U(b)中的每个标准特征参数向量间的距离中的最小值，记为d_min(i,b)；将所述最小值d_min(i,b)所对应的典型路况块记为dc_best(i,b)；将所述典型路况块dc_best(i,b)所对应的状态值记为“1”，其余mM-1个典型路况块所对应的状态值均记为“0”，从而得到第b次训练时对应于模型输入向量X(i,b)的竞争层的输出向量a(i,b)；

步骤5.9、利用式(1)获得第b次训练时对应于模型输入向量X(i,b)的模型输出向量Y(i,b)：

Y(i,b)＝U^*·a(i,b)(1)

步骤5.10、从所述模型的输出向量Y(i,b)中找到典型路况类的状态值为“1”的典型路况类，记为DC_best(i,b)；

步骤5.11、定义变量δ_i(b)为第b次训练时第i个标准特征参数向量U_i(b)所对应的识别因子；判断DC_best(i,b)与第b次训练时第i个标准特征参数向量U_i(b)所对应的典型路况类是否相同，若相同，则表示第b次训练时所述向量量化训练模型能正确识别第i个标准特征参数向量U_i(b)所对应的典型路况类，并记U_i(b)所对应的识别因子δ_i(b)＝1后，执行步骤5.12；否则，记U_i(b)所对应的识别因子δ_i(b)＝0后，执行步骤5.13；

步骤5.12、利用式(2)获得第b次训练中经过调整之后的第i个典型路况块dc_i的第j个标准特征参数u′_i,j(b)；

u′_i,j(b)＝u_i,j(b)+φ(x_j-u_i,j(b))(2)

式(2)中，φ为学习率，且φ为正值；

步骤5.13、利用式(3)获得第b次训练中经过调整之后的第i个典型路况块dc_i的第j个标准特征参数u′_i,j(b)；

u′_i,j(b)＝u_i,j(b)-φ(x_j-u_i,j(b)) (3)

式(3)中，φ为学习率，且φ为正值；

步骤5.14、将i+1赋值给i后，判断i＞mM是否成立，若成立，则执行步骤5.15；否则，返回步骤5.3；

步骤5.15、计算第b次训练后模型的系统误差e(b)＝δ(b)/mM，其中

步骤5.16、设定系统误差阈值为e^*；当e(b)<e^*时，输出连接矩阵U(b)，所述向量量化训练模型训练完成；当e(b)≥e^*时，将u′_i,j(b)作为第b+1次训练时的第i个典型路况块dc_i的第j个标准特征参数u_i,j(b+1)后，执行步骤5.17；

步骤5.17、将b+1赋值给b，重复步骤5.2至步骤5.16；

步骤6、对随机路况进行路况识别；

步骤6.1、采集连续时间段内的随机路况块，并对随机路况块的R个特征参数进行归一化处理，依次得到随机路况块对应的标准特征参数向量；

步骤6.2、依次将所述随机路况块对应的标准特征参数向量作为所述训练完成的向量量化训练模型的输入向量进行识别，从而得到所述连续时间段内的随机路况块的识别结果。