一种基于竞争型神经网络判断油门误踩的方法

摘要

本发明提出了一种基于竞争型神经网络判断油门误踩的方法，通过采集大量的正常踩油门和误踩油门情况下油门传感器信号的幅度变化曲线样本，将油门传感器信号的幅度和该幅度对应时间T0时间内的变化速度作为输入样本，构建包括两个神经元的竞争型神经网络进行自分类，得到训练好的工作网络模型，并据此计算出误踩油门的幅度及变化速度阈值表，在车辆运行中，实时采集当前踩油门的幅度及变化速度，并对照幅度及变化速度阈值表进行误踩油门的判断。该方法解决了现有技术中判断迟缓以及容易误判的技术问题，能够及早且准确判断油门是否误踩，极大降低事故发生的可能性。

主权项

一种基于竞争型神经网络判断油门误踩的方法，其特征在于，按照以下步骤进行：步骤S1：初始化，设置时间T0、变化步进Ta以及变化范围T；步骤S2：采集正常踩油门和误踩油门情况下油门传感器信号的幅度变化曲线样本；步骤S3：将油门传感器信号的幅度和该幅度对应T0时间内的变化速度作为输入样本；步骤S4：构建包括两个神经元的竞争型神经网络进行自分类；步骤S5：判断分类正确率是否满足要求，如满足，则将该网络模型参数送入备选神经网络库中，并进入步骤S6；否则，直接进入步骤S6；步骤S6：设置时间T0＝T0+Ta，并判断T0是否在(0，T)范围内；如果是，返回步骤S3继续进行，否则进入步骤S7；步骤S7：计算备选神经网络库中各个模型的样本区分度系数和系统区分度系数，并将系统区分度系数最大的神经网络作为工作网络模型；其中：样本区分度系数定义为：k₀＝||d₁|‑|d₂||/max(|d₁|,|d₂|)；系统区分度系数定义为：k＝min(k₀)；表示输入样本(x,y)到神经元(w₁₁,w₂₁,b₁)的距离；表示输入样本(x,y)到神经元(w₁₂,w₂₂,b₂)的距离；x为输入的信号幅度，y为该幅度对应T0时间内的变化速度，(w₁₁,w₂₁,b₁)与(w₁₂,w₂₂,b₂)为竞争型神经网络训练出的网络模型参数；步骤S8：根据步骤S7所选择出的工作网络模型的网络参数，计算误踩油门的幅度及变化速度阈值表，并按照该表进行误踩油门判断，计算备选神经网络；步骤S4中所述的竞争型神经网络按照：$w_{11}^k=w_{11}^{k-1}+\alpha (x-w_{11}^{k-1}),w_{21}^k=w_{21}^{k-1}+\alpha (y-w_{21}^{k-1}),$$w_{12}^k=w_{12}^{k-1}+\alpha (x-w_{12}^{k-1}),w_{22}^k=w_{22}^{k-1}+\alpha (y-w_{22}^{k-1}),$对各个输入样本参数所对应的权值进行训练，其中：表示第k次训练中样本x与第1个神经元之间的权值；表示第k次训练中样本y与第1个神经元之间的权值；表示第k次训练中样本x与第2个神经元之间的权值；表示第k次训练中样本y与第2个神经元之间的权值；训练总次数为1000，学习速率α＝0.1。