【摘要】：汽車(chē)節(jié)能駕駛輔助系統(tǒng)車(chē)速優(yōu)化控制算法是提高車(chē)輛燃油經(jīng)濟(jì)性的重要手段之一,為節(jié)能駕駛輔助系統(tǒng)中提示和評(píng)價(jià)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(chē)速預(yù)測(cè)模型子模型。首先根據(jù)汽車(chē)歷史車(chē)速數(shù)據(jù)的特征參數(shù)箱線圖和統(tǒng)計(jì)數(shù)據(jù),確定BP神經(jīng)網(wǎng)絡(luò)車(chē)速預(yù)測(cè)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(chē)速預(yù)測(cè)子模型的實(shí)際情況,確定各個(gè)界限下的BP神經(jīng)網(wǎng)絡(luò)車(chē)速預(yù)測(cè)子模型的激勵(lì)函數(shù)、訓(xùn)練函數(shù)以及各個(gè)網(wǎng)絡(luò)層的結(jié)構(gòu)參數(shù)。通過(guò)對(duì)各個(gè)神經(jīng)網(wǎng)絡(luò)車(chē)速預(yù)測(cè)子模型的預(yù)測(cè)結(jié)果進(jìn)行分析,確定各個(gè)BP神經(jīng)網(wǎng)絡(luò)車(chē)速預(yù)測(cè)子模型的預(yù)測(cè)精度。(2)運(yùn)用DP動(dòng)態(tài)規(guī)劃算法建立節(jié)能駕駛輔助系統(tǒng)車(chē)速優(yōu)化模型。確定以汽車(chē)燃油經(jīng)濟(jì)性為主,動(dòng)力性、舒適性和安全性為輔的優(yōu)化目標(biāo)函數(shù)。運(yùn)用節(jié)能駕駛輔助系統(tǒng)車(chē)速優(yōu)化模型對(duì)起步加速工況、行車(chē)加速工況和爬坡工況的車(chē)速和檔位進(jìn)行優(yōu)化仿真分析。通過(guò)仿真,加速工況選取第一章中組合車(chē)速軌跡圖中其中5組加速過(guò)程,對(duì)比節(jié)能駕駛輔助系統(tǒng)車(chē)速優(yōu)化模型下和原來(lái)實(shí)際車(chē)速軌跡下的燃油消耗,結(jié)果表明通過(guò)經(jīng)過(guò)節(jié)能駕駛輔助系統(tǒng)優(yōu)化模型優(yōu)化車(chē)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(chē)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(chē)速后與原車(chē)速控制策略相比,節(jié)油率達(dá)到24.85%。(3)通過(guò)油耗模型建立具體的最優(yōu)目標(biāo)函數(shù)來(lái)計(jì)算通過(guò)紅綠燈路口的燃油消耗,結(jié)合運(yùn)動(dòng)學(xué)方程和動(dòng)態(tài)規(guī)劃算法,提出最優(yōu)的車(chē)速軌跡優(yōu)化算法。通過(guò)案例分析,表明本文提出的車(chē)速軌跡算法在紅燈減速模式下相比于加速度最小的車(chē)速軌跡算法和加速度時(shí)間最小的車(chē)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(gè)輸入信號(hào)的單個(gè)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(gè)的輸入信號(hào)，輸入信號(hào)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(gè)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(qiáng)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(hào)通過(guò)信號(hào)組合器組合在一起，這個(gè)神經(jīng)元求和形式的輸出可以寫(xiě)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(shí)運(yùn)行的獨(dú)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(wèn)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(dòng)力學(xué)系統(tǒng)。車(chē)速預(yù)測(cè)是問(wèn)題，預(yù)測(cè)車(chē)速可以看做是相關(guān)輸入的一種映射，而且與時(shí)間序明神經(jīng)網(wǎng)絡(luò)在非線性時(shí)間序列等問(wèn)題上能夠得到很好的應(yīng)用[68來(lái)說(shuō)神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以用于車(chē)速預(yù)測(cè)的。.2是BP網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)模型，它是一個(gè)基于神經(jīng)網(wǎng)絡(luò)中的多層前。在這個(gè)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(jì)一般可以根據(jù)問(wèn)題需求確定。
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：U463.6

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙樹(shù)恩;屈賢;張金龍;;基于人車(chē)路協(xié)同的車(chē)輛彎道安全車(chē)速預(yù)測(cè)[J];汽車(chē)工程;2015年10期

2 張博琦;張霞;夏鴻文;;汽車(chē)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(chē)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(chē)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(cè)報(bào)技術(shù)研究[J];云南農(nóng)業(yè)大學(xué)學(xué)報(bào)(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(cè)[J];武漢科技大學(xué)學(xué)報(bào);2012年06期

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

9 張瑞敏;黃夢(mèng)濤;程青濤;;智能神經(jīng)元網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)模型的研究[J];計(jì)算機(jī)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(chē);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(píng)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(chē)速預(yù)測(cè)及應(yīng)用[D];大連理工大學(xué);2016年

3 王園熙;汽車(chē)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(chē)未來(lái)行駛車(chē)速預(yù)測(cè)[D];重慶大學(xué);2015年

5 熊張林;基于工況識(shí)別的混合動(dòng)力汽車(chē)預(yù)測(cè)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(chē)車(chē)速預(yù)測(cè)[D];重慶大學(xué);2014年

7 向羽;基于動(dòng)態(tài)規(guī)劃的兩擋電動(dòng)車(chē)速比優(yōu)化設(shè)計(jì)[D];吉林大學(xué);2014年

8 杜南;比亞迪汽車(chē)業(yè)務(wù)的競(jìng)爭(zhēng)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(chē)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(hào)：2709168