[发明专利]基于BP神经网络的道路坡度综合估计系统

权利要求书

1.一种基于BP神经网络的道路坡度综合估计系统，其特征是：所述系统包括：

⑴车轮垂直载荷采集单元(5)，包括车轮垂直载荷参考数据库(6)和车轮实时垂直载荷模块(7)，用于采集各个车轮的垂直载荷；离线采集车辆在平直路面行驶的数据存在车轮垂直载荷参考数据库(6)，车轮实时垂直载荷模块在线采集车辆行驶过程中车轮实时垂直载荷数据；

⑵路面坡道类型判断单元(8)，通过比较车轮实时垂直载荷模块(7)的数据与车轮垂直载荷参考数据库(6)的数据判断路面坡道类型；

⑶BP神经网络预测单元(12)，包括横向坡度BP神经网络模块(9)、纵向坡度BP神经网络模块(10)和组合坡度BP神经网络模块(11)，用于根据路面坡度类型判断单元(8)的判断结果应用的相应的BP神经网络模块预测路面坡度信息。

2.根据权利要求1所述的基于BP神经网络的道路坡度综合估计系统，其特征是：所述BP神经网络预测单元(12)中各BP神经网络模块的操作步骤为：采集数据、归一化处理、模型设计、网络训练和验证测试。

3.根据权利要求2所述的基于BP神经网络的道路坡度综合估计系统，其特征是：所述采集数据采取实车试验方式，所述实车试验的数据包括横向坡道车辆爬坡试验数据、纵向坡道车辆爬坡试验数据和组合坡道车辆爬坡试验数据；所述横向坡道车辆爬坡试验数据为发动机扭矩、发动机转速、侧向速度、侧向加速度以及道路横向坡度信息；所述纵向坡道车辆爬坡试验数据为发动机扭矩、发动机转速、纵向车速、纵向加速度以及道路纵向坡度信息；所述组合坡道车辆爬坡试验数据为发动机转矩、发动机转速、车速、加速度以及道路组合坡度信息。

4.根据权利要求2所述的基于BP神经网络的道路坡度综合估计系统，其特征是：将采集的数据进行归一化处理，所述归一化处理的公式为：

中：Xi为模型输入参数数据样本；Xmin和Xmax分别为各个数据样本变化范围的最小值和最大值；通过式⑴将三个向量归一化到区间[0，1]范围内，借助MATLAB方法编程，具体如下：X(i,:)＝(x(i,:)-min(x(i,:)))/(max(x(i,:))-min(x(i,:)))。

5.根据权利要求2所述的基于BP神经网络的道路坡度综合估计系统，其特征是：所述模型设计包括输入层、隐含层和输出层的确定，所述的BP神经网络包括横向坡度BP神经网络、纵向坡度BP神经网络和组合坡度BP神经网络；所述横向坡度BP神经网络、纵向坡度BP神经网络和组合坡度BP神经网络采用输入层、隐含层和输出层三层神经网络。

6.根据权利要求5所述的基于BP神经网络的道路坡度综合估计系统，其特征是：所述横向坡度BP神经网络包括4个输入参数和1个输出参数，输入参数：X1为发动机转速，X2为发动机输出转矩，X3为侧向车速，X4为侧向加速度，输出参数M1为BP神经网络模型道路横向坡度估计值；所述纵向坡度BP神经网络包括4个输入参数和1个输出参数，输入参数：X1为发动机转速，X2为发动机输出转矩，X3为纵向车速，X4为纵向加速度，输出参数M2为BP神经网络模型道路纵向坡度估计值；所述组合坡度BP神经网络包括6个输入参数和1个输出参数，输入参数：X1为发动机转速，X2为发动机输出转矩，X3为侧向车速，X4为侧向加速度，X5为纵向车速，X6为纵向加速度，输出参数M3为道路组合坡度值，包括道路横向坡度值和道路纵向坡度值。

7.根据权利要求5所述的基于BP神经网络的道路坡度综合估计系统，其特征是：所述隐含层的节点数采用逐步试验方法确定，根据经验经验公式：m＝log₂n或确定隐含层节点数的最大值和最小值，然后从最小值开始逐个验证模型预测误差，比较每次网络的预测性能，选取性能最好的对应的节点数作为隐含层神经元节点数；

其中：m为隐含层节点数，n为输入层节点数，l为输出层节点数，α为1-10之间的常数。

8.根据权利要求2所述的基于BP神经网络的道路坡度综合估计系统，其特征是：所述BP神经网络的网络训练步骤为：

步骤1，从训练样本集中取一个样本(X_i，Y_i)；

步骤2，以X_i为BP神经网络的输入，计算网络的实际输出值Mi；

步骤3，计算BP神经网络输出值与实际测量值之间的误差D＝Y_i-Mi；

步骤4，利用输出层各模块的输出值与实际测量值所产生的误差不断调整BP神经网络各层的权值和阈值；

步骤5，对每个样本重复上述过程，直至整个样本集误差满足目标误差，从而获得训练好的BP神经网络；

其中：

Xi为BP神经网络输入参数数据样本；

Yi为道路坡度实际测量值；

Mi为神经网络输出的道路坡度值；

D为BP神经网络输出的道路坡度值与道路坡度实际测量值之间的误差。