基于模糊神经网络的驾驶员制动意图辨识技术研究

发布时间：2017-09-07 09:08

  本文关键词：基于模糊神经网络的驾驶员制动意图辨识技术研究

  更多相关文章： 模糊神经网络 制动意图辨识 ANFIS 多制动工况

【摘要】：为了适应不断加快的社会节奏,满足人类对安全、舒适等性能不断变高的要求,越来越多的先进技术,特别是电子技术,在汽车产品中的应用日益广泛,已经成为时代的潮流。随着驾驶员制动辅助系统的种类的不断增多,人——机控制模式的平滑转换也得到了重要的发展。线控制动系统(B-by-Wire)因其取消了传统系统的机械连接,利用传感器感知驾驶员驾驶意图,再由中央控制单元发送指令给相应的执行机构,以完成驾驶员的相关操作,得到了广泛关注,而此项工作完成的前提是对驾驶员的制动意图进行及时、准确的辨识。本文在分析和总结国内外驾驶员驾驶意图辨识与预测的现有研究成果的基础上,选择基于模糊神经网络方法建立驾驶员制动意图辨识模型。利用dSPACE系统与CarSim/Simulink联合仿真搭建乘用车驾驶模拟器,并进行典型制动工况的模拟试验获得试验数据,应用离线训练的方法获得驾驶员制动意图模糊辨识模型。在此基础上,利用搭建的驾驶模拟器对驾驶员制动意图辨识模型进行在线验证。首先,对常见的人工智能方法的优缺点进行了对比分析,利用模糊神经网络方法进行驾驶员制动意图辨识。由于T-S模型里存在着基于神经元的自适应模糊控制系统,匹配度很高,所以在典型的模糊神经网络模型中选择了T-S模型。其次,利用制动踏板与dSPACE连接搭建乘用车模拟器,通过dSPACE与CarSim/Simulink软件联合仿真,进行了持续制动、常规制动和紧急制动三种典型工况的模拟试验。通过对测得参数进行筛选,最终选择了制动踏板开度及其变化率、制动减速度三个特征参数作为驾驶员制动意图辨识模型的输入。最后,利用Matlab中的ANFIS编辑器建立制动意图辨识模型并进行训练,以最大相似性原则对数据进行归类,输出量化的制动意图。分别进行了离线和在线仿真实验验证,对比三种典型制动工况,离线或在线试验验证的结果,验证辨识方法的准确性以及辨识模型的有效性。
【关键词】：模糊神经网络 制动意图辨识 ANFIS 多制动工况
【学位授予单位】：长春工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U463.5
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-16
• 1.1 驾驶员制动意图辨识的研究意义8-11
• 1.2 驾驶员制动意图辨识的国内外研究现状11-15
• 1.2.1 驾驶员制动意图辨识的国外研究现状11-13
• 1.2.2 驾驶员制动意图辨识的国内研究现状13-15
• 1.3 本文研究的主要内容15-16
• 第二章 模糊神经网络理论16-30
• 2.1 模式识别概述16-18
• 2.1.1 模式识别方法分类16-18
• 2.1.2 模式识别方法比较18
• 2.2 模糊神经网络概述18-27
• 2.2.1 模糊神经网络分类19-20
• 2.2.2 模糊神经网络模型20-27
• 2.3 自适应神经模糊推理系统27-29
• 2.4 本章小结29-30
• 第三章 乘用车驾驶模拟器的搭建及工况设定30-38
• 3.1 乘用车驾驶模拟器的整体结构30
• 3.2 驾驶模拟器的硬件设计30-33
• 3.3 驾驶模拟器的程序设计33-35
• 3.4 试验工况的设计与实现35-37
• 3.5 本章小结37-38
• 第四章 基于模糊神经网络的驾驶员制动意图辨识模型38-50
• 4.1 制动意图辨识参数选取38
• 4.2 实验数据的获取与预处理38-41
• 4.2.1 实验数据的获取38-39
• 4.2.2 实验数据的预处理39-41
• 4.3 驾驶员制动意图的辨识模型41-49
• 4.3.1 辨识参数模糊化41-42
• 4.3.2 基于ANFIS编辑器的模糊神经网络模型42-49
• 4.4 本章小结49-50
• 第五章 驾驶员制动意图辨识模型的试验验证50-57
• 5.1 辨识模型的离线仿真验证50-54
• 5.2 辨识模型的在线仿真验证54-56
• 5.3 本章小结56-57
• 第六章 结论57-59
• 6.1 全文总结57
• 6.2 工作展望57-59
• 致谢59-60
• 参考文献60-64
• 作者简介64
• 攻读硕士学位期间研究成果64

【相似文献】

中国期刊全文数据库 前10条

1 张晓琴,张富梅,侯永兴,张立毅,王华奎;模糊神经网络的结构分析[J];太原理工大学学报;2005年S1期

2 张思梅;张炳传;;模糊神经网络在水环境保护中的应用综述[J];安徽建筑工业学院学报(自然科学版);2007年02期

3 陈晓洪;刘川;浦金云;;舰艇系统损伤等级模糊神经网络评估模型[J];海军工程大学学报;2009年03期

4 王培勋;王顺磊;陈树娟;;模糊神经网络的理论发展与应用研究[J];中国新技术新产品;2010年01期

5 郭华旺;董海鹰;;基于模糊神经网络的风速预测研究[J];电气传动自动化;2012年03期

6 高明明;刘吉臻;高明帅;杨世明;吴玉平;张明胜;;基于补偿模糊神经网络的灰循环系统控制研究[J];动力工程学报;2012年07期

7 胡贤金;;基于模糊神经网络的切削参数预测方法[J];工具技术;2012年11期

8 吴小苗，，韩祯祥;电力系统自组织模糊神经网络稳定器[J];电力系统及其自动化学报;1995年04期

9 刘乐星;王俊超;毛宗源;;基于神经网络的模糊规则自动生成[J];葛洲坝水电工程学院学报;1996年02期

10 邢进生,万百五;基于矩形函数系的模糊神经网络及其应用[J];西安交通大学学报;2000年06期

中国重要会议论文全文数据库 前10条

1 李仁发;乜崇义;;一种用模糊神经网络建立模糊模型的新方法[A];1996年中国智能自动化学术会议论文集（上册）[C];1996年

2 舒赛刚;任雪梅;陈杰;;模糊神经网络在混沌预测中的应用[A];第二十届中国控制会议论文集（下）[C];2001年

3 张剑辉;彭力;林行辛;;变结构的补偿模糊神经网络的研究[A];第二十三届中国控制会议论文集（上册）[C];2004年

4 林雄;张福金;黄槐仁;刘煜;;进化模糊神经网络在时序预测的应用[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）[C];2006年

5 谢维信;钱涛;;模糊神经网络研究述评[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 陈一飞;李怀;;模糊神经网络在室内采光控制中的应用[A];2009年中国智能自动化会议论文集（第一分册）[C];2009年

7 荣莉莉;;模糊神经网络在项目评价系统中的应用[A];全国青年管理科学与系统科学论文集第5卷[C];1999年

8 孙增圻;;模糊神经网络及其在系统建模与控制中的应用[A];1998年中国智能自动化学术会议论文集（上册）[C];1998年

9 马海峰;李晨光;唐涛;;基于模糊神经网络的列车运行安全控制[A];1998年中国智能自动化学术会议论文集（上册）[C];1998年

10 王孙安;杜海峰;;基于相平面的模糊神经网络研究及应用[A];第一届全国流体动力及控制工程学术会议论文集[C];2000年

中国博士学位论文全文数据库 前10条

1 何春梅;模糊神经网络的性能及其学习算法研究[D];南京理工大学;2010年

2 李龙;模糊神经网络学习算法及收敛性研究[D];大连理工大学;2010年

3 翟东海;加乘型模糊神经网络理论和应用的研究[D];西南交通大学;2003年

4 杨洁;模糊神经网络的学习收敛性与阈值可去性[D];大连理工大学;2006年

5 艾芳菊;模糊神经网络的结构优化研究[D];中国科学院研究生院（成都计算机应用研究所）;2006年

6 王振雷;模糊神经网络理论及其在复杂系统中的应用研究[D];东北大学;2002年

7 孙海蓉;模糊神经网络的研究及其应用[D];华北电力大学（河北）;2006年

8 周志坚;基于遗传算法的神经模糊技术应用研究[D];华南理工大学;1999年

9 朱喜林;模糊神经网络选择机械加工参数的应用研究[D];吉林大学;2006年

10 陈向坚;微型飞行器姿态的智能控制方法研究[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2012年

中国硕士学位论文全文数据库 前10条

1 曹甄;基于模糊神经网络的桥梁状态评价[D];天津大学;2009年

2 程冰;模糊神经网络研究[D];广东工业大学;2005年

3 王玉红;基于模糊神经网络的信用风险评级研究[D];哈尔滨工程大学;2006年

4 王雪苗;模糊神经网络优化及应用研究[D];大连理工大学;2006年

5 马秀会;模糊神经网络研究综述[D];吉林大学;2008年

6 徐坤哲;基于区间二型TSK模糊神经网络系统的时间序列预测及应用研究[D];渤海大学;2015年

7 游鑫;基于相似日和动态模糊神经网络的短期电力负荷预测[D];江西理工大学;2015年

8 王荣;基于模糊神经网络的锅炉汽包水位控制系统研究[D];新疆大学;2015年

9 方盼;一类模糊神经网络的参数辨识和结构优化[D];大连理工大学;2015年

10 胡婷;基于模糊神经网络的输油管网泄漏检测技术研究[D];东北大学;2013年

本文编号：808635