CN103303237B - 一种基于遗传神经网络的安全气囊起爆控制方法 - Google Patents

Abstract

本发明公开了一种基于遗传神经网络的安全气囊起爆控制方法，该方法基于遗传神经网络模型进行搭建。根据某款车型建立其有限元仿真模型，利用仿真模型获得不同碰撞速度下的整车加速度数据以及乘员响应数据，以整车加速度数据作为输入参数，以碰撞速度和乘员头部位移作为输出参数，建立多层神经网络模型，同时采用遗传算法对神经网络参数进行优化，获得最佳的神经网络参数，然后对最佳的网络模型进行程序编写并输入到控制器中，控制器对汽车加速度传感器输入的加速度数据进行实时处理，并在有效的时间范围内输出预测的碰撞速度和最佳点火时刻。本发明提供的安全气囊起爆智能控制方法安全可靠、准确度高、实时性强。

Description

一种基于遗传神经网络的安全气囊起爆控制方法

技术领域

本发明主要涉及到汽车安全气囊智能控制领域，特指一种基于遗传神经网络的安全气囊起爆控制方法。

背景技术

安全气囊被称为辅助约束系统，当汽车发生碰撞时，在乘员和车内室部件之间快速形成一个弹性气囊，从而减少乘员的冲击力，保护乘员的头部、胸部、腹部以及腿部等易伤部位。安全气囊与座椅安全带共同使用，据研究表明安全带和安全气囊共同使用时可以降低乘员50%的重伤率。虽然汽车安全气囊拯救了无数乘员的生命，但是，美国在2000-2006年间，有1400多人死于安全气囊事故，其中包括600名婴幼儿。多数的安全气囊事故是由于安全气囊的误动作造成，包括安全气囊的误触发和不触发。安全气囊的核心技术是安全气囊点火算法，目前一些常见的研究算法包括加速度峰值法、加速度梯度法、速度变化量法、比功率法以及移动窗积分算法。但这些算法抗干扰性能不佳，可能会造成安全气囊在起伏路、阶梯路等干扰路况行驶时展开，而且点火时刻控制不精确，造成安全气囊早点火和迟点火。

近几年来，智能算法得到了蓬勃发展，例如神经网络、遗传算法，模糊系统、粒子群算法，这些算法在智能控制以及工业使用方面得到了广泛的应用。人工神经网络（Artificial Neural Network，ANN）是近几年来发展极为迅速的一种智能算法，它是模仿大脑神经突触连接结构进行信息处理的数学模型。目前在神经网络的多数应用中，基本上均采用BP（Back Propagation，反向传播）神经网络及其变化形式。BP神经网络是一种误差进行反向传播的多层前向型神经网络，在信号进行正向传播过程中，每一层神经元只影响下一层神经元，当网络输出与期望输出超出设定的阈值时，网络进行反向传播并修改其连接权值，在特定的学习算法下，使得误差信号越来越小。而遗传算法将待优化参数进行编码处理，并经过选择、交叉和变异等遗传算子进行计算，获得新一代群体。新一代群体通过特定的适应度函数使得符合要求的个体被保留下来，保留个体继续进行上述操作，则新群体适应度值不断提高，直至达到所要求的停止条件。遗传神经网络模型是利用遗传算法对网络权值进行优化，在网络训练前期对神经网络权值和偏差进行实数编码，将获得的最优解进行解码作为神经网络训练的初始值，神经网络利用自身优势进行局部范围内的最优解搜索。本发明根据遗传神经网络模型设计了安全气囊起爆的智能控制方法，该智能控制方法可正确预测碰撞速度并将起爆时刻误差控制在2ms以内，有效降低了乘员的损伤。

发明内容

本发明要解决的技术问题就在于：针对现有的安全气囊起爆控制方法易产生误起爆和不起爆的问题，本发明提供一种安全可靠、准确度高、实时性强的安全气囊起爆智能控制方法。本方法基于遗传神经网络模型进行搭建，可实时处理外界输入的汽车加速度数据，并可准确预测汽车碰撞速度和最佳点火时刻。

为解决上述技术问题，本发明提出的解决方案为：

发明了一种基于遗传神经网络的安全气囊起爆控制方法，其特征在于：根据某款车型建立其仿真模型，利用仿真模型获得不同碰撞速度下的整车加速度数据以及乘员响应数据，以整车加速度数据作为输入参数，以碰撞速度和乘员头部位移作为输出参数，建立多层BP（BackPropagation，反向传播）神经网络模型，同时采用遗传算法对神经网络参数进行优化，获得最佳的神经网络参数，然后对最佳的网络模型进行程序编写并输入到控制器中，控制器对汽车加速度传感器输入的加速度数据进行实时处理，并在有效的时间范围内输出预测的碰撞速度和最佳点火时刻，其流程图如图1所示，具体步骤如下：

1）根据特定车型数据建立其完整的整车有限元模型以及完整的车辆-乘员-约束系统多刚体模型，并通过试验数据验证模型的有效性，一般仿真数据与试验数据具有相同的总体趋势并且峰值的大小与出现的时刻相差应在15%以内。如若试验数据与仿真数据差别过大，需要重新调整模型；

2）根据所建立的整车有限元模型进行碰撞仿真，获得车辆在不同速度下的整车碰撞加速度数据，然后将整车碰撞加速度数据施加到车辆-乘员-约束系统多刚体模型内，获得多刚体假人的损伤数据；

3）确定起爆阈值和最佳点火时刻。起爆阈值是指在何种碰撞强度下安全气囊必须起爆，起爆阈值由乘员损伤确定，根据FMVSS 208（Federal Motor Vehicle Safety Standard，联邦机动车辆安全标准）规定，车辆发生碰撞过程中，乘员头部损伤值HIC（Head Injure Criteria，头部损伤准则）应小于1000，将乘员头部损伤值HIC为1000的碰撞速度作为起爆阈值，在超过该起爆阈值的碰撞速度下起爆安全气囊必须起爆。确定最佳点火时刻，起爆时刻的选取原则是采用127mm-30ms准则：一般驾驶员距气囊完全展开的距离为127mm，安全气囊从触发到完全展开时间为30ms，而安全气囊对乘员最佳的保护效果是当乘员接触安全气囊时，安全气囊正好处于完全展开状态，也就是安全气囊需要在乘员运动到127mm位置处前30ms进行点火。确定起爆阈值和确定最佳点火时刻应当考虑驾驶员是否正确佩戴安全带，当驾驶员未正确佩戴安全带时，其相应的起爆阈值和最佳点火时刻需要作出调整。

4）建立神经网络模型，神经网络模型结构图如图6所示，用遗传算法进行优化，选取整车碰撞加速度数据作为遗传神经网络算法的输入，汽车碰撞速度以及乘员头部位移作为神经网络算法的输出，以下为神经网络的模型：

设定输入层的输入数目为M，任意一个输入用m表示，隐含层包含J个神经元，任意神经元为j，输出层为P，任意输出为p，输入层与隐含层任意节点之间的权值记为w_mi，隐含层与输出层的权值为w_jp，输入样本集为X=[X₁,X₂,…,X_N]，任意样本为X_k，期望输出为d_k，实际输出为Y_k，n为迭代次数，η为学习效率，则隐含层第j个神经元的输出为:

$v_j=f\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{mj}}{x}_{\mathrm{km}}\right)$

输出层第p个神经元输出，即网络的输出为：

$y_{\mathrm{kp}}=f\left(\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{w}_{\mathrm{jp}}{v}_j\right)$

输出层所有神经元的误差能量总和为：

$E\left(n\right)=\frac{1}{2}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{(d_{\mathrm{kp}}\left(n\right)-y_{\mathrm{kp}}\left(n\right))}^2$

BP神经网络采用梯度下降学习规则，权值修正公式为：

$w_{\mathrm{jp}}(n+1)=w_{\mathrm{jp}}\left(n\right)-\mathrm{\η}\frac{\∂E\left(n\right)}{\∂e_{\mathrm{jp}}\left(n\right)}$

利用遗传算法对网络权值进行优化，在网络训练前期对神经网络权值和偏差进行实数编码，将获得的最优解进行解码作为神经网络训练的初始值，神经网络利用自身优势进行局部范围内的最优解搜索，以下为遗传神经网络的运算过程：

①  对权值和偏差进行实数编码，并初始化种群P(0)以及设定相应的遗传算子数值；

②  对新一代个体P(t)进行解码获得网络的权值与偏差，通过适应度函数f(i)对个体进行保留，适应度函数采用网络实际输出与期望输出之间误差的平方E(i)的倒数，公式如下式所示:

$f\left(i\right)=\frac{1}{E\left(i\right)}$

$E\left(i\right)=\underset{p}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{(d_{\mathrm{kp}}-y_{\mathrm{kp}})}^2$

③  以一定的概率对保留的个体进行选择、交叉、变异等遗传计算，得到新的个体P(t+1)；

④  重复2、3操作步骤，直至达到结束条件；

⑤  将获得的最优网络参数进行解码，并作为神经网络的初始值进一步优化；

⑥  达到神经网络训练的目标，停止训练；

5）利用步骤4）分别建立汽车碰撞速度预测模型和汽车乘员头部位移预测模型，由于神经网络算法计算量较大，故将汽车碰撞强度预测与汽车乘员头部位移预测进行分别建模，在车辆正常运行时，安全气囊控制器实时对碰撞强度进行预测，当检测到碰撞强度达到预定的阈值时，程序会立刻进入乘员头部位移预测模式，根据预测的安全气囊最佳点火时刻进行起爆。

6）利用步骤4建立汽车碰撞速度预测模型，安全气囊一般点火时刻为碰撞后20-30ms，所以选取汽车碰撞曲线前20ms的数据作为神经网络的输入，控制器采集加速度的频率为1kHz，即神经网络的输入数目M为20，以汽车与刚性墙的等效碰撞速度作为输出，即输出的神经元数目P=1，则隐层神经元数目J为：

$J=\sqrt{M+P}+a$

其中a为[1,10]之间的常数；

经过对不同数目的隐层神经元进行计算，当取隐层神经元的数目为8时，模型对碰撞速度预测最准确，即神经网络的权值与偏差参数共有20×8+8×1+8+1=177个参数；

7）利用步骤4建立汽车乘员头部位移预测模型，采用碰撞曲线前20ms的数据作为神经网络的输入，以乘员头部前60ms的位移数据作为神经网络的输出，以2ms的频率对乘员头部位移进行采样，即网络的输出个数为30个，根据公式确定隐含层的数目，利用同样的原理对神经网络进行训练，当取隐层神经元的数目为10时，模型对乘员头部运动预测最为接近，那么神经网络的权值与偏差参数共有20×10+10×30+10+30=540个参数；

8）对于50km/h以上的高速碰撞，安全气囊一般需要在碰撞发生后20ms内进行点火，输入加速度数值较少，无法采用神经网络进行预测，因此采用加速度梯度法进行预测。设定加速度对时间的导数为Diff_acc=da/dt，在高速碰撞下，Diff_acc数值迅速上升，并在前10ms内达到第一个峰值。判断汽车发生高速碰撞的条件为：

加速度梯度峰值在碰撞后10ms内出现;

加速度梯度峰值Diff_accmax>4g/ms;

前10ms内峰值两侧加速度梯度Diff_acc大于2g/ms的比例大于60%。

达到上述条件后即可判断车辆发生了高速碰撞。对于高速碰撞的情况下，采用第一次加速度梯度峰值对安全气囊起爆时刻进行预测。具体的起爆策略为：取安全气囊起爆时刻近似为加速度梯度峰值10ms后的时刻。一般加速度梯度第一次峰值会出现在10ms内，而碰撞加速度梯度峰值时刻会随着碰撞速度的增加而前移，因此峰值之后10ms时刻起爆正好可控制安全气囊在碰撞后20ms内起爆，并随碰撞速度的增加而提前进行点火。

9）将上述模型通过C语言变成可执行代码，并将代码移植到控制器中，控制器实时对外界加速度传感器输入的加速度数据进行处理，预测汽车碰撞速度以及乘员头部位移。神经网络的传递函数为logsig(x)=1/(exp(-x)+1)，若控制器对每一个神经元的输出都进行数学计算，则会严重影响控制器的实时控制性，所以对传递函数进行离散化，将区间[-5,5]的函数值制成列表存储在控制器中，对于相应的函数值通过查表即可获得，这样会极大的提高程序的运行效率，logsig(x)函数离散化形式如下式所示：

$\log \mathrm{sig}\left(x\right)=\left\{\begin{array}{cc}0& x<-5\\ \frac{a\left[i\right]+a[i+1]}{2}& -5<x<5\\ 1& x>5\end{array}\right.$

其中i=round[(x+5)/N]，N为离散长度，本文中取N=0.01，round[]为取整符号，a[i]为在区间[-5,5]之间第i个离散点的值，logsig(-5)=0.0067，logsig(5)=0.9933，与原函数值相比误差均小于1%。

附图说明

图1是本发明的总体结构流程图；

图2是本发明的整车有限元模型示意图；

图3是本发明的试验与有限元仿真B柱加速度对比图；

图4是本发明的约束系统多刚体模型示意图；

图5是本发明的试验与多刚体仿真头部加速度对比图；

图6是本发明的BP神经网络结构示意图；

图7是本发明的不同碰撞速度下的车身加速度曲线图；

图8是本发明的不同碰撞速度下的乘员头部加速度及其损伤曲线图；

图9是本发明的正确佩戴安全带时不同碰撞速度下假人头部位移曲线图；

图10是本发明的未佩戴安全带时不同碰撞速度下假人头部位移曲线图；

图11是本发明的不同碰撞速度下加速度梯度曲线图；

图12是本发明的碰撞速度为35km/h时控制器对头部位移的预测曲线图。

具体实施方式

以下将结合附图和具体实施方式对本发明做进一步详细说明，本发明不仅限于以下实例，凡应用本发明的设计思路都归入本发明专利的保护范围。。

1、建立完整的整车有限元模型以及完整的车辆-乘员-约束系统多刚体模型

在本具体实施方式中，根据整车尺寸数据建立其整车有限元模型以及车辆-乘员-约束系统多刚体分析模型。首先，利用整车几何模型在Hypermesh中进行有限元网格的划分，为减少仿真计算量，有限元模型中未包括乘员约束系统，而是以相应的质量块来代替其质量。由于约束系统质量相对于整车质量来说比较小，所以替换后的模型与原模型在仿真加速度波形上相差不大。通过LS-DYNA进行碰撞分析，获得不同碰撞速度下的车身加速度值。将整车的碰撞加速度曲线施加到多刚体碰撞仿真分析模型中，获得碰撞假人的头部损伤指标以及乘员头部位移曲线，将此损伤值与运动情况作为后续算法的数据基础。通过该过程可以大量减少仿真分析的时间，提高约束系统的优化效率。

图2为整车的有限元模型，图3为有限元仿真计算与实际碰撞试验车辆B柱加速度的对比，从数据上可以看出，二者在总体趋势以及峰值方面相差不超过10%，模型具有有效性。在Madymo中建立乘员约束系统的多刚体模型，图4为乘员约束系统的多刚体模型，图5为多刚体模型与实际实验的头部加速度对比曲线，峰值的大小与出现的时刻相差在15%以内。

2、确定起爆阈值和最佳点火时刻

在本具体实施方式中，根据法规规定，车辆发生碰撞过程中，乘员头部损伤值HIC（Head Injure Criteria，头部损伤准则）应小于1000。通过碰撞模拟分析可以得出，当驾驶员正确佩戴安全带时，车辆以20km/h的速度正面碰撞刚性墙时，驾驶员头部向前运动并开始与方向盘接触，导致驾驶员头部产生比较大的加速度峰值，但HIC值并没有超过法规规定。当速度达到30km/h时，如果没有安全气囊的保护，乘员头部损伤值将超出法规要求，达到1148，不同碰撞速度下成员头部加速度曲线以及HIC损伤值如图8所示。当驾驶员未佩戴安全带时，车辆发生碰撞时，乘员由于没有安全带的束缚，身体发生前移，乘员胸部与头部会与车内饰件发生碰撞。当车辆速度达到16km/h时，乘员头部和胸部与方向盘发生较为严重的碰撞，导致乘员损伤较大，损伤值接近于法规的上限。图7为车辆分别在10km/h、20km/h、30km/h、40km/h、50km/h、60km/h时碰撞加速度曲线，安全气囊的起爆阈值如表1所示：其中速度阈值为车辆与刚性墙碰撞的相当速度υ。

起爆时刻的选取原则是采用127mm-30ms准则，将图7中不同速度下的加速度曲线施加到多刚体分析模型中，分别得到乘员在正确佩戴安全带与未佩戴安全带情况下乘员的头部运动曲线。根据127mm-30ms准则从图9和图10中可以得出，在不同的碰撞速度下，安全气囊需要点火的时刻如表2所示。

表1  起爆阈值选取表

表2  不同碰撞速度下的起爆状态与起爆时刻表

3、建立遗传神经网络预测模型

在本具体实施方式中，首先选取汽车车身加速度作为遗传神经网络算法的输入，汽车碰撞强度以及乘员头部位移作为遗传神经网络算法的输出。确定网络结构为3层BP神经网络，传递函数采用logsig函数，输出函数采用线性输出，学习算法采用Trainlm算法。从表2中可以看出，安全气囊一般点火时刻为碰撞后20-30ms，所以选取汽车碰撞曲线前20ms的数据作为神经网络的输入，ECU采集加速度的频率为1kHz，即神经网络的输入数目M为20。因神经网络算法计算量较大，故将汽车碰撞强度预测与汽车乘员头部位移预测进行分别建模。在车辆正常运行时，安全气囊控制器实时对碰撞强度进行预测，当检测到碰撞强度达到预定的阈值时，程序会立刻进入乘员头部位移预测模式，根据预测的安全气囊最佳点火时刻进行起爆。以下对汽车碰撞强度预测模型与汽车乘员头部位移预测模型进行分别阐述。首先是汽车碰撞强度模型的建立，碰撞强度模型以汽车与刚性墙的等效碰撞速度作为输出，即输出的神经元数目P=1，则隐层神经元数目J为：

$J=\sqrt{M+P}+a$

其中a为[1,10]之间的常数。以不同碰撞速度下的仿真加速度曲线以及相对应的速度作为训练样本，利用遗传算法对神经网络的权值参数和偏差参数进行优化，将各个参数进行实数编码并在遗传算法中产生一个初始化种群，经过遗传算法优化搜索而获得一组较优的网络参数编码。利用相应的解码原则将该组最优解带入到网络结构中进行训练，从而获得一组最优的网络参数。经过对不同数目的隐层神经元进行计算，当取隐层神经元的数目为8时，模型对碰撞强度预测最准确，即神经网络的权值与偏差参数共有20×8+8×1+8+1=177个参数。

汽车乘员头部位移预测模型依然采用碰撞曲线前20ms的数据作为神经网络的输入，以乘员头部前60ms的位移数据作为神经网络的输出。以2ms的频率对乘员头部位移进行采样，即网络的输出个数为30个。根据公式7确定隐含层的数目，利用同样的原理对神经网络进行训练，当取隐层神经元的数目为10时，模型对乘员头部运动预测最为接近，那么神经网络的权值与偏差参数共有20×10+10×30+10+30=540个参数，图12为碰撞速度为35km/h时控制器对头部位移的预测。

对于驾驶员未正常佩戴安全带的情况，根据相同的原理，利用加速度以及碰撞强度阈值和乘员头部位移进行建模，并将模型参数存储与控制器中。控制器会实时检测安全带带扣传感器的状态，当驾驶员未正常佩戴安全带时，控制器会向驾驶员发出警告。若一直检测到乘员未佩戴安全带，控制器会从默认模式转入执行未佩戴安全带模式，从而在不同状况下均可达到对驾驶员较好的保护。

对于50km/h以上的高速碰撞，安全气囊一般需要在碰撞发生后20ms内进行点火，输入加速度数值较少，无法采用神经网络进行预测。图11为不同碰撞速度下加速度对时间的导数，设定加速度对时间的导数为Diff_acc=da/dt，在高速碰撞下，Diff_acc数值迅速上升，并在前10ms内达到第一个峰值。本文判断汽车发生高速碰撞的条件为：

1）加速度梯度峰值在碰撞后10ms内出现;

2）加速度梯度峰值Diff_acc_max>4g/ms;

3）前10ms内峰值两侧加速度梯度Diff_acc大于2g/ms的比例大于60%。

达到上述条件后即可判断车辆发生了高速碰撞。对于高速碰撞的情况下，采用第一次加速度梯度峰值对安全气囊起爆时刻进行预测。具体的起爆策略为：取安全气囊起爆时刻近似为加速度梯度峰值10ms后的时刻。一般加速度梯度第一次峰值会出现在10ms内，而碰撞加速度梯度峰值时刻会随着碰撞速度的增加而前移，因此峰值之后10ms时刻起爆正好可控制安全气囊在碰撞后20ms内起爆，并随碰撞速度的增加而提前进行点火。按照上述条件获得的40km/h、50km/h和60km/h的安全气囊点火时刻为点火后20ms、19ms和16ms，与最佳点火时刻相差在3ms内。

Claims (5)

1.一种基于遗传神经网络的安全气囊起爆控制方法，其特征在于：根据某款车型建立其仿真模型，利用仿真模型获得不同碰撞速度下的整车加速度数据以及乘员响应数据，以整车加速度数据作为输入参数，以碰撞速度和乘员头部位移作为输出参数，建立多层BP(Back Propagation，反向传播)神经网络模型，同时采用遗传算法对神经网络参数进行优化，获得最佳的神经网络参数，然后对最佳的网络模型进行程序编写并输入到控制器中，控制器对汽车加速度传感器输入的加速度数据进行实时处理，并在有效的时间范围内输出预测的碰撞速度和最佳点火时刻，具体步骤如下：

1)根据特定车型数据建立其完整的整车有限元模型以及完整的车辆-乘员-约束系统多刚体模型，并通过试验数据验证模型的有效性，如若试验数据与仿真数据差别过大，需要重新调整模型；

2)根据所建立的整车有限元模型进行碰撞仿真，获得车辆在不同速度下的整车碰撞加速度数据，然后将整车碰撞加速度数据施加到车辆-乘员-约束系统多刚体模型内，获得多刚体假人的损伤数据；

3)确定起爆阈值，起爆阈值是指在何种碰撞强度下安全气囊必须起爆，起爆阈值由乘员损伤确定，根据FMVSS 208(Federal Motor Vehicle Safety Standard，联邦机动车辆安全标准)规定，车辆发生碰撞过程中，乘员头部损伤值HIC(Head Injure Criteria，头部损伤准则)应小于1000，将乘员头部损伤值HIC为1000的碰撞速度作为起爆阈值，在超过该起爆阈值的碰撞速度下安全气囊必须起爆；

4)确定最佳点火时刻，起爆时刻的选取原则是采用127mm-30ms准则：一般驾驶员距气囊完全展开的距离为127mm，安全气囊从触发到完全展开时间为30ms，而安全气囊对乘员最佳的保护效果是当乘员接触安全气囊时，安全气囊正好处于完全展开状态，也就是安全气囊需要在乘员运动到127mm位置处前30ms进行点火；

5)建立神经网络模型，并用遗传算法进行优化，选取整车碰撞加速度数据作为遗传神经网络算法的输入，汽车碰撞速度以及乘员头部位移作为神经网络算法的输出，以下为神经网络的模型：

设定输入层的输入数目为M，任意一个输入用m表示，隐含层包含J个神经元，任意神经元为j，输出层为P，任意输出为p，输入层与隐含层任意节点之间的权值记为w_mi，隐含层与输出层的权值为w_jp，输入样本集为X＝[X₁,X₂,…,X_N]，任意样本为X_k，期望输出为d_k，实际输出为Y_k，n为迭代次数，η为学习效率，则隐含层第j个神经元的输出为:

输出层第p个神经元输出，即网络的输出为：

输出层所有神经元的误差能量总和为：

BP神经网络采用梯度下降学习规则，权值修正公式为：

利用遗传算法对网络权值进行优化，在网络训练前期对神经网络权值和偏差进行实数编码，将获得的最优解进行解码作为神经网络训练的初始值，神经网络利用自身优势进行局部范围内的最优解搜索，以下为遗传神经网络的运算过程：

①对权值和偏差进行实数编码，并初始化种群P(0)以及设定相应的遗传算子数值；

②对新一代个体P(t)进行解码获得网络的权值与偏差，通过适应度函数f(i)对个体进行

保留，适应度函数采用网络实际输出与期望输出之间误差的平方E(i)的倒数，公式如下式

所示:

③以一定的概率对保留的个体进行选择、交叉、变异遗传计算，得到新的个体P(t+1)；

④重复2、3操作步骤，直至达到结束条件；

⑤将获得的最优网络参数进行解码，并作为神经网络的初始值进一步优化；

⑥达到神经网络训练的目标，停止训练；

6)利用步骤4建立汽车碰撞速度预测模型，安全气囊一般点火时刻为碰撞后20-30ms，所以选取汽车碰撞曲线前20ms的数据作为神经网络的输入，控制器采集加速度的频率为1kHz，即神经网络的输入数目M为20，以汽车与刚性墙的等效碰撞速度作为输出，即输出的神经元数目P＝1，则隐层神经元数目J为：

其中a为[1,10]之间的常数；

经过对不同数目的隐层神经元进行计算，当取隐层神经元的数目为8时，模型对碰撞速度预测最准确，即神经网络的权值与偏差参数共有20×8+8×1+8+1＝177个参数；

7)利用步骤4建立汽车乘员头部位移预测模型，采用碰撞曲线前20ms的数据作为神经网络的输入，以乘员头部前60ms的位移数据作为神经网络的输出，以2ms的周期对乘员头部位移进行采样，即网络的输出个数为30个，根据公式确定隐含层的数目，利用同样的原理对神经网络进行训练，当取隐层神经元的数目为10时，模型对乘员头部运动预测最为接近，那么神经网络的权值与偏差参数共有20×10+10×30+10+30＝540个参数；

8)将上述模型通过C语言变成可执行代码，并将代码移植到控制器中，控制器实时对外界加速度传感器输入的加速度数据进行处理，预测汽车碰撞速度以及乘员头部位移。

2.根据权利要求1所述的一种基于遗传神经网络的安全气囊起爆控制方法，其特征在于：步骤1)所述的通过试验数据验证模型的有效性是指仿真数据与试验数据具有相同的总体趋势并且峰值的大小与出现的时刻相差应在15％以内。

3.根据权利要求1所述的一种基于遗传神经网络的安全气囊起爆控制方法，其特征在于：步骤3)与步骤4)所述的确定起爆阈值和确定最佳点火时刻应当考虑驾驶员是否正确佩戴安全带，当驾驶员未正确佩戴安全带时，其相应的起爆阈值和最佳点火时刻需要作出调整。

4.根据权利要求1所述的一种基于遗传神经网络的安全气囊起爆控制方法，其特征在于：步骤6)和步骤7)所述的分别建立汽车碰撞速度预测模型和汽车乘员头部位移预测模型，是由于神经网络算法计算量较大，故将汽车碰撞强度预测与汽车乘员头部位移预测进行分别建模，在车辆正常运行时，安全气囊控制器实时对碰撞强度进行预测，当检测到碰撞强度达到预定的阈值时，程序会立刻进入乘员头部位移预测模式，根据预测的安全气囊最佳点火时刻进行起爆。

5.根据权利要求1所述的一种基于遗传神经网络的安全气囊起爆控制方法，其特征在于：步骤8)所述的将上述模型通过C语言变成可执行代码，是指将神经网络的数学表达式转换为可执行代码，神经网络的传递函数为logsig(x)＝1/(exp(-x)+1)，若控制器对每一个神经元的输出都进行数学计算，则会严重影响控制器的实时控制性，所以对传递函数进行离散化，将区间[-5,5]的函数值制成列表存储在控制器中，对于相应的函数值通过查表即可获得，这样会极大的提高程序的运行效率，logsig(x)函数离散化形式如下式所示：

其中i＝round[(x+5)/N]，N为离散长度，取N＝0.01，round[]为取整符号，a[i]为在区间[-5,5]之间第i个离散点的值，logsig(-5)＝0.0067，logsig(5)＝0.9933，与原函数值相比误差均小于1％。