【摘要】：汽車節(jié)能駕駛輔助系統(tǒng)車速優(yōu)化控制算法是提高車輛燃油經(jīng)濟性的重要手段之一,為節(jié)能駕駛輔助系統(tǒng)中提示和評價功能提供理論依據(jù),可以有效的改善駕駛員的不良駕駛操作行為。本文的主要研究工作如下:(1)分工況建立BP神經(jīng)網(wǎng)絡(luò)車速預(yù)測模型子模型。首先根據(jù)汽車歷史車速數(shù)據(jù)的特征參數(shù)箱線圖和統(tǒng)計數(shù)據(jù),確定BP神經(jīng)網(wǎng)絡(luò)車速預(yù)測子模型的劃分界限。再結(jié)合BP神經(jīng)網(wǎng)絡(luò)理論和BP神經(jīng)網(wǎng)絡(luò)車速預(yù)測子模型的實際情況,確定各個界限下的BP神經(jīng)網(wǎng)絡(luò)車速預(yù)測子模型的激勵函數(shù)、訓(xùn)練函數(shù)以及各個網(wǎng)絡(luò)層的結(jié)構(gòu)參數(shù)。通過對各個神經(jīng)網(wǎng)絡(luò)車速預(yù)測子模型的預(yù)測結(jié)果進(jìn)行分析,確定各個BP神經(jīng)網(wǎng)絡(luò)車速預(yù)測子模型的預(yù)測精度。(2)運用DP動態(tài)規(guī)劃算法建立節(jié)能駕駛輔助系統(tǒng)車速優(yōu)化模型。確定以汽車燃油經(jīng)濟性為主,動力性、舒適性和安全性為輔的優(yōu)化目標(biāo)函數(shù)。運用節(jié)能駕駛輔助系統(tǒng)車速優(yōu)化模型對起步加速工況、行車加速工況和爬坡工況的車速和檔位進(jìn)行優(yōu)化仿真分析。通過仿真,加速工況選取第一章中組合車速軌跡圖中其中5組加速過程,對比節(jié)能駕駛輔助系統(tǒng)車速優(yōu)化模型下和原來實際車速軌跡下的燃油消耗,結(jié)果表明通過經(jīng)過節(jié)能駕駛輔助系統(tǒng)優(yōu)化模型優(yōu)化車速后的燃油消耗平均節(jié)省5.87%;爬坡工況由分為平路-坡道-平路和平路-坡道-下坡兩種工況,仿真結(jié)果表明,平路-坡道-平路工況下經(jīng)節(jié)能駕駛輔助系統(tǒng)優(yōu)化的車速軌跡燃油消耗比直接勻速行駛的燃油消耗節(jié)省16.5%,平路-坡道-下坡工況改變目標(biāo)車速后與原車速控制策略相比,節(jié)油率達(dá)到24.85%。(3)通過油耗模型建立具體的最優(yōu)目標(biāo)函數(shù)來計算通過紅綠燈路口的燃油消耗,結(jié)合運動學(xué)方程和動態(tài)規(guī)劃算法,提出最優(yōu)的車速軌跡優(yōu)化算法。通過案例分析,表明本文提出的車速軌跡算法在紅燈減速模式下相比于加速度最小的車速軌跡算法和加速度時間最小的車速軌跡算法節(jié)油效率分別提高了10.86%和2.4%。
【圖文】：

在神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模型中，構(gòu)建并處理人工神經(jīng)網(wǎng)絡(luò)信息的最小單元是人工神經(jīng)元。神經(jīng)網(wǎng)絡(luò)傳遞處理信息的功能是需要大量組成神經(jīng)網(wǎng)絡(luò)的神經(jīng)元的共同處理完成的。包含m個輸入信號的單個神經(jīng)元結(jié)構(gòu)模型如圖2.1所示。 =( )為神經(jīng)網(wǎng)絡(luò)的輸入矩陣，包含m個的輸入信號，輸入信號激活或是抑制接收信息的神經(jīng)元取決于連接權(quán)值為正值或是負(fù)值， = ( )包含m個可變連接權(quán)值的權(quán)值矩陣，連接權(quán)值的大小代表神經(jīng)元之間連接的強度大小。神經(jīng)網(wǎng)絡(luò)的閾值用a表示，可以增加或降低激活函數(shù)的網(wǎng)絡(luò)輸入。神經(jīng)元所接收的所有加權(quán)信號通過信號組合器組合在一起，這個神經(jīng)元求和形式的輸出可以寫成 = ，且 = ( )

重慶大學(xué)碩士學(xué)位論文同輸入模式間的不同特征，，再傳遞給輸出層，是神經(jīng)網(wǎng)絡(luò)的一層都有大量可以同時運行的獨立神經(jīng)元相互連接構(gòu)成神經(jīng)網(wǎng)絡(luò)以解決非常復(fù)雜問題。神經(jīng)網(wǎng)絡(luò)能夠?qū)π畔⑦M(jìn)行并行協(xié)同處理息，由此，可以看出它是一種非線性動力學(xué)系統(tǒng)。車速預(yù)測是問題，預(yù)測車速可以看做是相關(guān)輸入的一種映射，而且與時間序明神經(jīng)網(wǎng)絡(luò)在非線性時間序列等問題上能夠得到很好的應(yīng)用[68來說神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以用于車速預(yù)測的。.2是BP網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)模型，它是一個基于神經(jīng)網(wǎng)絡(luò)中的多層前。在這個BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)中，最為復(fù)雜的是隱含層的層，輸入輸出的相關(guān)設(shè)計一般可以根據(jù)問題需求確定。
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U463.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙樹恩;屈賢;張金龍;;基于人車路協(xié)同的車輛彎道安全車速預(yù)測[J];汽車工程;2015年10期

2 張博琦;張霞;夏鴻文;;汽車節(jié)能的因素與措施分析[J];交通節(jié)能與環(huán)保;2014年05期

3 伍毅平;趙曉華;;基于跟蹤調(diào)查的生態(tài)駕駛行為節(jié)油潛力初探[J];道路交通與安全;2014年01期

4 王建萍;;日本重卡節(jié)油技術(shù)(下)[J];汽車與配件;2013年51期

5 王建萍;;日本重卡節(jié)油技術(shù)(上)[J];汽車與配件;2013年47期

6 王園媛;李曉菲;陳濤;劉振華;王云月;;云南省水稻白葉枯病BP神經(jīng)網(wǎng)絡(luò)測報技術(shù)研究[J];云南農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué));2013年02期

7 成日金;倪紅衛(wèi);李先旺;朱文淵;熊敬超;何環(huán)宇;張華;;基于BP神經(jīng)網(wǎng)絡(luò)的高爐熔渣黏度預(yù)測[J];武漢科技大學(xué)學(xué)報;2012年06期

8 任曉明;薛青;鄭長偉;羅佳;高會波;;駕駛員狀態(tài)模型研究[J];系統(tǒng)仿真學(xué)報;2012年09期

9 張瑞敏;黃夢濤;程青濤;;智能神經(jīng)元網(wǎng)絡(luò)時間序列預(yù)測模型的研究[J];計算機技術(shù)與發(fā)展;2012年03期

10 羅曉嵐;;解析新款A(yù)ctros上的新技術(shù)[J];商用汽車;2012年05期

相關(guān)碩士學(xué)位論文 前10條

1 陳晨;城市道路駕駛員生態(tài)駕駛行為評估方法研究[D];北京工業(yè)大學(xué);2016年

2 袁魯山;基于NAR神經(jīng)網(wǎng)絡(luò)的車速預(yù)測及應(yīng)用[D];大連理工大學(xué);2016年

3 王園熙;汽車節(jié)能駕駛輔助優(yōu)化研究[D];重慶大學(xué);2016年

4 楊盼盼;汽車未來行駛車速預(yù)測[D];重慶大學(xué);2015年

5 熊張林;基于工況識別的混合動力汽車預(yù)測控制[D];重慶大學(xué);2014年

6 謝浩;基于BP神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法的汽車車速預(yù)測[D];重慶大學(xué);2014年

7 向羽;基于動態(tài)規(guī)劃的兩擋電動車速比優(yōu)化設(shè)計[D];吉林大學(xué);2014年

8 杜南;比亞迪汽車業(yè)務(wù)的競爭性戰(zhàn)略研究和調(diào)整[D];華東理工大學(xué);2013年

9 董慧;基于GPS的汽車節(jié)能暢行紅綠燈提示系統(tǒng)研究[D];哈爾濱工業(yè)大學(xué);2012年

10 王震雨;綠色駕駛行為模型及關(guān)鍵技術(shù)研究[D];大連海事大學(xué);2012年

本文編號：2709168