智能控制技术概论 课件 4.3 神经网络控制系统应用_第1页
智能控制技术概论 课件 4.3 神经网络控制系统应用_第2页
智能控制技术概论 课件 4.3 神经网络控制系统应用_第3页
智能控制技术概论 课件 4.3 神经网络控制系统应用_第4页
智能控制技术概论 课件 4.3 神经网络控制系统应用_第5页
已阅读5页,还剩15页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

神经网络控制系统应用智能控制技术产品质量特性波动5MIE分析法智能控制技术汽车制动系统中的BP神经网络应用循环神经网络的汽车主动避障应用内容神经网络控制系统应用产品质量特性波动5MIE分析法智能控制技术BP神经网络在汽车安全系统中的应用1神经网络控制系统应用神经网络控制系统应用5MIE分析法智能控制技术自动紧急刹车系统(AEB)是现代汽车中的一项关键技术,旨在提高道路安全。学者通过BP神经网络建立刹车距离预测与优化模型,提高车辆的制动性能和驾驶安全性。分析制动力、刹车距离与速度、车辆质量等因素的关系,将其转化为数学模型,进而优化紧急制动系统设计和制动控制策略。应用前提神经网络控制系统应用5MIE分析法智能控制技术当AEB系统检测到前方有障碍物时,测距传感器会评估车辆与障碍物之间的距离。如果这个距离小于预设的警告距离,系统会向驾驶员发出警告。如果距离进一步缩短至小于安全距离,并且驾驶员未能采取行动,AEB系统将自动触发刹车,以防止碰撞或减轻撞击的力度。通过这种方式,AEB系统为驾驶员提供了额外的保护层,有助于避免潜在的事故,从而确保了车辆和乘客的安全。应用前提

5MIE分析法智能控制技术BP神经网络构建神经网络控制系统应用首先有数据集,主要选择“前车速度”“本车最大速度”“本车减速速度”“刹车时间”和“车体质量”五要素作为车辆刹车距离预测模型的输入层,以汽车在自动紧急制动系统下的汽车刹车距离作为输出单元。产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义由输入层神经元负责接收外部的信息与数据,然后传输给单层或者多层的中间层或者隐藏层进行信息的处理和变换,再由中间层传递到输出层,最终输出信息处理结果。当结果不符合期望值时,会再进行反向传播,误差通过梯度下降的方式不断调整各层的权值,重复前面的过程指导误差减少或降低到期望值时停止学习。得到了最终的刹车距离与五个输入参数之间的关系,并与实际真实测量值进行了对比和分析。神经网络控制系统应用BP神经网络运算过程产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义结果表明,该BP网络模型训练集的R值(预测输出与目标输出之间的相关性))为0.99902,总体R值为0.99199,预测与输出数据之间的关系密切,符合测试精度要求。神经网络控制系统应用BP神经网络运算过程产品质量特性波动5MIE分析法智能控制技术BP神经网络在汽车安全系统中的应用2神经网络控制系统应用神经网络控制系统应用5MIE分析法智能控制技术汽车主动避障是现代汽车安全技术中的重要组成部分。它通过车辆搭载的传感器和控制系统来检测前方的障碍物,并在必要时辅助驾驶员或自动采取措施以避免或减轻碰撞。应用前提神经网络控制系统应用5MIE分析法智能控制技术1.障碍物检测2.碰撞预测利用车载的环境感知系统,如前视摄像头、毫米波雷达等,来检测前方的障碍物,包括其他车辆、行人、自行车等。根据检测到的障碍物信息,系统会评估和预测障碍物与车辆的潜在碰撞轨迹,以判断是否可能发生碰撞。3.避障决策和执行如果系统判断存在碰撞风险,它会采取相应的措施,如紧急制动或转向辅助,以帮助避免或减轻碰撞。汽车主动避障技术的关键步骤5MIE分析法智能控制技术第一步神经网络控制系统应用基于下一代交通仿真数据集进行数据处理与特征提取。如图1所示,为数据集数据提取处理的流程。该数据集的原始数据是由摄像机同步收集,并且直接通过视频图像处理技术输出得到。图1数据集数据提取处理流程5MIE分析法智能控制技术第二步神经网络控制系统应用搭建长短期记忆循环神经网络(LSTM-RNN)预测模型。由于循环神经网络智能记录上一时刻短时间的网络信息,而车辆轨迹在一定的时间内是有着较强的关联性的,因此不能满足牵扯轨迹序列预测的需求,需要加入时间长度轨迹序列信息的记录。图2LSTM-RNN神经网络结构神经网络控制系统应用5MIE分析法智能控制技术LSTM-RNN神经网络预测模型训练数据集划分多种训练超参数建立数据驱动模型交叉验证法将回归问题转化为最优化问题离线LSTM-RNN预测模型应用产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义1)数据集划分。首先,通过创建数据随机索引,提取了1692可用数据进行数据集划分。将所有的训练数据的前70%数据作为训练集,后30%数据作为验证集。然后,将训练数据进行归一化处理。2)多种训练超参数建立数据驱动模型。首先,初始化超参数集;然后,因为车辆位置二维向量、车辆速度和车辆航向角与未来预测时域内车辆位置信息具有非常高的相关性,最终构造四维特征,以该多维特征为输入量,以未来位置信息为输出量,利用多种训练超参数建立数据驱动模型。3)交叉验证法将回归问题转化为最优化问题。随机从所有的训练数据中选取多组的验证集,对训练的模型进行循环精度验证。以计算得出的回归误差为标准,得到精度最好的预测模型。神经网络控制系统应用LSTM-RNN神经网络预测模型训练产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义4)离线LSTM-RNN预测模型应用。最后,基于历史特征数据进行特征递推,并代入精度最好的模型,实现未来车辆位置信息的预测。LSTM-RNN神经网络轨迹预测模型主要是以基于RNN的车辆信息编码器模块,和128个LSTM单元体为基础的单层神经网络循环体组成。LSTM-RNN神经网络预测模型训练总体流程如图所示。神经网络控制系统应用LSTM-RNN神经网络预测模型训练5MIE分析法智能控制技术第三步神经网络控制系统应用基于车辆动力学稳定性的换道避撞方法。在通过LSTM-RNN神经网络预测模型预测出前车路线之后,为自车避撞提供重要依据。通过自车规划行驶路线时,就充分考虑动力学稳定性这一重要因素,将车辆稳定性贯穿规划控制全流程。融合前车预测轨迹和自车动力学稳定性的主动换道避撞方法,如图3所示。图3基于前车轨迹预测的智能车主动避撞方法产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义

通过车辆换道轨迹样本,加载LSTM-RNN模型中输出对应的预测轨迹,得到样本序列不同起始点下预判时间为5s、3s、1s轨迹预测结果,其中预判时间指车辆从当前位置到换道点的时间间隔。为了验证所用神经网络预测模型的准确性,将其结果与基于CYAR-KF的汽车轨迹预测方法进行了对比试验。

可以得知车辆在距离换道点前3~5s内可以预测车辆轨迹倾向,在距离换道点前3s以内精度较高。随着预判时间缩短,也就是说随着历史序列片段终点越接近换道点,模型越能准确的预测车辆即将行驶方向。神经网络控制系统应用模型预测仿真验证产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义车辆在距离换道点前3~5s内可以预测车辆轨迹倾向,在距离换道点前3s以内精度较高。随着预判时间缩短,也就是说随着历史序列片段终点越接近换道点,模型越能准确的预测车辆即将行驶方向。神经网络控制系统应用模型预测仿真验证产品质量特性波动5MIE分析法智能控制技术工业控制系统的定

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论