[发明专利]一种基于神经网络的纯电动汽车四轮转速独立控制方法

权利要求书

1.一种基于神经网络的纯电动汽车四轮转速独立控制方法，其特征在于：利用Hopfield神经网络分析驾驶员同一时间所有驾驶行为，并以此为依据合理分配四轮车速，驱动车辆平稳行驶；

包括以下步骤：

步骤1)、针对各种驾驶环境下，驾驶员同一时间内的驾驶行为，采集车辆的驾驶数据，建立车况信息数据库，并由此获取样本；所述驾驶数据包括由油门踏板开度、制动踏板开度、档位、方向盘转角组成的驾驶员控制意图数据及四个车轮的转速；并对收集的数据进行处理，将油门踏板开度、制动踏板开度、档位及方向盘转角的数据处理成4×1列向量p_q，并归一化；将四个车轮的转速处理成4×1的列向量t_q，并归一化；

步骤2)、由步骤1中的样本数据中提取车辆状态特征及驾驶行为特征，根据样本特征确定Hopfield神经网络的输入量与输出量，搭建Hopfield神经网络模型：包括构造神经网络的目标函数、能量函数及动态方程，各神经元之间的权值w_ij和偏置输入b_i；其中，根据驾驶员对车辆的控制行为进行分析，得出其控制影响车辆速度的四个变量为：油门踏板开度、制动踏板开度、档位、方向盘转角，因此设定Hopfield神经网络的输入量为四个，包括油门踏板开度、制动踏板开度、档位及方向盘转角；输出量为四个，包括四个车轮各自的角加速度，以控制四个车轮转速的增减；

步骤3)、将步骤2中的特征向量作为训练集数据输入至Hopfield神经网络模型中进行解析训练，优化Hopfield神经网络模型以完成Hopfield神经网络调速控制器；

步骤4)、将获取的实时数据输入进已训练好的Hopfield神经网络调速控制器中，匹配生成驱动车辆平稳行驶的所需车辆数据。

2.根据权利要求1所述的基于神经网络的纯电动汽车四轮转速独立控制方法，其特征在于：所述Hopfield神经网络模型基于输入量与输出量的数目，其结构为两层网络结构，分别为前馈层及递归层；递归层利用前馈层的输出进行初始化，输出指出标准模式和输入向量之间的关系。

3.根据权利要求1所述的基于神经网络的纯电动汽车四轮转速独立控制方法，其特征在于：所述步骤3中，构建学习规则，依次修改Hopfield神经网络的权值和偏置；所述学习规则为W^new＝W^old+△W，b^new＝b^old+△b，其中，W是权值矩阵，b是偏置输入向量。

4.根据权利要求3所述的基于神经网络的纯电动汽车四轮转速独立控制方法，其特征在于：所述步骤3中，根据学习规则设置二次函数型的性能函数f(X)和误差阈值，当性能函数值达到全局最小时修改权值和偏置，当样本均方差在允许误差阈值内时，停止训练Hopfield神经网络；

采用带衰减的Hebb学习规则，得到模型的连接权值矩阵为：

W(q)＝(1-γ)W(q-1)+αa(q)P^T(q)，

其中，学习速率为λ_max是赫森矩阵A的最大特征值，输出转速a_q由加速度α_i(i＝1,2,3,4)积分所得；

所述二次函数型的性能函数

其中，γ是衰减速率，q是神经网络第q层，α是学习速率，a是神经网络层间输出，P是神经网络层间输入向量；关于二次函数型的性能函数：X^T是输入向量，A是赫森矩阵，d是一次项系数，c是常数项系数。

5.根据权利要求4所述的基于神经网络的纯电动汽车四轮转速独立控制方法，其特征在于：所述误差阈值为0.01，当样本均方差小于误差阈值时，训练停止。

6.根据权利要求2所述的基于神经网络的纯电动汽车四轮转速独立控制方法，其特征在于：所述前馈层中，权值为4×4矩阵，偏置为4×1列向量；所述递归层中，权值为4×4矩阵，无偏置。