【《基于BP神经网络的汽车车速预测实证研究》12000字】

①逻辑函数Sigmoidlogistic函数或logistic曲线在神经网络中经常被使用，一个简单的Logistic函数表达式和图像如下：（4-4）图4-1标准逻辑函数的图像逻辑函数形如S，所以通常也叫做S形函数。由函数图像可知，该函数的定义域是[-∞,+∞]，值域是(0,1)。对f(x)求导数，易得：（4-5）对于sigmoid函数的求导推导为：（4-6）sigmoid函数是一种非线性激活函数，但并不常用。该函数存在着这些缺陷:(a)当自变量z的数值超出一定范围时，如图所示导数将逼近于0。梯度变化的速度将严重滞缓，引发梯度消失的问题。(b)应变量输出数值的平均数离0比较远，这将给下面一层的计算带来困难。②双曲正切函数tanh双曲正切函数属于双曲函数。从图像上看，双曲函数和经典三角函数十分相像。相对于sigmoid函数，人们更常使用的是tanh函数。此函数将值为(−∞,+∞)(−∞,+∞)

的数字映射到(-1,1)，其表达式以及图像如下所示: （4-7）图4-2双曲正切函数的图像在均值上，sigmoid函数存在均值为0.5这个劣势，而tanh函数的均值为0，弥补了这个缺陷。对于tanh函数的求导推导为：（4-8）sigmoid函数以及tanh函数有一个共同的劣势。当z大或小时，g(z)接近0，会造成梯度非常小，即梯度消失问题。BP神经网络的隐藏层层数可以是一层或者更多，一般以sigmoid函数作为隐含层神经元的激活函数，以某种线性关系的函数作为输出层神经元的激活函数。如果只变化激活函数并且不改变网络的其他部分，用本章第4.1节中描述的样本集进行仿真即可得出，以tansig函数作为激活函数，网络的预测精度明显高于sigmoid函数。因此，在搭建BP网络时，以tansig函数承担隐层激活函数，以purelin函数（线性传递函数）负责输出层激活函数。（4）训练函数的选择训练函数的选择也会影响BP神经网络的预测效果，如迭代次数、训练时间等。本文使用的训练功能是'trainlm'，训练时间短，预测效果更好。4.3软件程序实现本课题的汽车车速预测模型借助于Matlab平台的脚本编写实现，Matlab平台拥有很多现成实用的函数供使用者调用，语法相对简单，功能强大。以下是BP神经网络算法程序实现的步骤：（1）读取样本数据；（2）划分训练集数据和测试集数据；（3）样本数据归一化；（4）构建BP网络；（5）设置BP神经网络的参数和结构，如学习速率、训练次数、最小误差等；（6）训练BP网络；（7）进行BP网络的预测；（8）对预测结果进行反归一化并计算误差；（9）测试集的真实值与预测值误差比较。使用xlsread函数导入数据，原始的汽车行驶工况数据在被导入之后，还需要进行转置才可供程序训练。主要的程序设计思路流程图如下：图4-3设计思路及流程4.4网络预测结果分析当完成网络的搭建，程序的设计后，还需要对网络加以验证才可以投入实际工程的应用中，以WLTC工况数据为例，以对预测系统的性能进行检验。图4-4所示的是BP神经网络输出的预测结果。可以得出，该BP神经网络虽然在局部时间区段上出现了一定的误差，但是总体上预测车速曲线和实际的车速曲线走向基本一致，符合未来的车速变化趋势，预测系统的性能总体上能够达到预测的目的。然而本课题也有一些不足之处，没有考虑驾驶员的驾驶习惯，雨雪等天气条件干扰，路面坡度，平整度等因素对车速的影响，这会导致在部分汽车车速变化波动剧烈的区段内，预测的误差也会有比较大的波折，预测车速曲线不能稳定地比较完美地贴合实际的车速曲线。有两个主要的因素会造成这一问题，首先是综合有各种影响因素的数据十分复杂，使得预测系统实现的难度变得非常大，需要耗费的时间和资源也会大大增加。然后还没有可以采集实时实地的天气数据，路况数据，司机信息等信息的系统可供使用。还有一个缺陷是在预测第Ts时刻的车速时，如果T较大，那么累积误差对预测精度的影响就会比较大，这是因为用于预测第Ts时刻车速的历史数值有之前预测过程的产生的预测值参与，从而导致累积误差，尽管有累积误差的存在，但是在一定的预测时间长度范围内来看车速的走向是没有问题的，预测精准度上也可以基本达到要求。该模型还存在的一个问题是对样本有一定的要求，样本数量需要足够的大，但这也会大大延长预测所需要的时间。图4-4预测结果4.5本章小结本章从对样本数据的设计和处理的阐述出发，讨论了BP神经网络中的一些重要细节处的设计，再说明了程序实现中的一些值得注意之处，最后汽车车速预测的结果进行了分析。第五章总结和展望5.1总结随着越来越多的地区发展成新的城镇，经济发展，科学技术水平日新月异，突飞猛进，乘用车大量地走进人们日常的生活，满足人们对于通勤等各种需求，在给人们带来出行便利的同时，也环境带来了更大的压力，加大了对各种能源的消耗，造成人民生命财产损失的道路交通事故发生的频率也逐年增加，人们渴望提高汽车出行的安全性和节能性。于是在汽车日渐智能化的背景下，安全和节能的需求得到了技术支持，节能辅助驾驶和安全辅助驾驶越来越得到人们的关注。在节能辅助驾驶和安全辅助驾驶系统中，汽车车速预测都承担着一个不可或缺的重要的角色。所以汽车车速预测有着重要的应用价值。但是实际的行车环境非常复杂，各种各样的影响因素相互作用，导致汽车车速预测有一定困难。汽车车速预测的任务是对未来一段时间内的车速进行预测，参与车辆的行驶决策，助力汽车安全和节能驾驶。本文主要聚焦于BP网络技术在汽车车速预测领域的应用，依托了BP神经网络极其理想的非线性拟合能力。由于汽车车速预测受到多种复杂因素的制约，速度变化有一定的随机性，但是从大范围总体上看，又存在着一定的规律。通过BP神经网络对大量样本数据的挖掘，发挥其强大的拟合能力，就可以很好的实现速度预测的功能。本文介绍了神经网络的一些概念和基本原理就行了学习和应用，并讨论了在网络搭建过程中一些关键的结构和参数的选取问题。本课题在对不同的标准循环工况进行训练和仿真的时候也注意了对多种不同数据按照数值大小和数值分布情况进行划分对预测系统性能的重要性。在实际的程序测验中，不断纠错，完善程序，找出影响预测精准度的因素，并且对其原因进行了阐述。5.2展望目前在车速预测领域有着相当丰富的研究成果，很多种方法都可以应用于该领域，每一种理论和方法都有着它们各自的优势和缺陷，不能笼统地评价哪一种方法绝对优秀，具体的问题需要有具体的方法来指导。单纯地追求最优的预测精度并不可取，在实际的工程应用中还必须把成本问题和及时性问题纳入考虑范围之中。就如本文的BP神经网络技术在某些时候也会失效