CN103605285A - 汽车驾驶机器人系统的模糊神经网络控制方法 - Google Patents

Abstract

本发明公布了一种汽车驾驶机器人系统的模糊神经网络控制方法，包括：从汽车驾驶机器人换挡机械手、油门机械腿、制动机械腿和离合器机械腿的特征参数对试验车辆进行车速跟踪；运用Sugeno模糊神经网络来实现汽车驾驶机器人的车速跟踪控制，输入特征参数隶属度函数的类型采用广义钟形函数，运用混合学习算法对网络参数进行训练和优化，确定最佳网络参数；根据最佳网络参数和实时检测的四个汽车驾驶机器人特征参数利用Sugeno模糊神经网络对汽车驾驶机器人进行车速跟踪精确控制。本发明公布的方法具有在线自学习能力，能够精确跟踪给定的目标车速，在各种试验工况下具有良好的鲁棒性。

Description

汽车驾驶机器人系统的模糊神经网络控制方法

技术领域

本发明涉及汽车自动驾驶技术领域，尤其是汽车驾驶机器人的控制，具体而言涉及一种汽车驾驶机器人系统的模糊神经网络控制方法。

背景技术

汽车驾驶机器人是指无需对车辆进行改装，可无损安装在驾驶室内，并适应于各种车型，替代驾驶员在危险条件和恶劣环境下进行车辆驾驶的工业机器人。利用驾驶机器人进行汽车试验、仿生残疾者驾驶汽车操作或应用于核电站、重化工等存在严重污染的场合时，可减轻人类劳动强度，降低危险恶劣环境对人类的伤害，提高试验结果的客观性和准确度、残疾者驾驶汽车能力以及安全性。汽车驾驶机器人必须能够根据设定的车速循环行驶工况的要求，实现试验车辆的自动驾驶，完成油门、制动、离合和换挡动作的协调配合，是一个模仿人类驾驶员智能和行为的高度自动化系统。汽车驾驶机器人系统不仅涉及机器人本体的控制，而且要实现汽车的自动驾驶，具有非线性、时变、时滞的特点，且影响因素较多，难以建立其精确的数学模型。

目前国内外已经公开的汽车驾驶机器人系统的控制方法主要有两种：1）变参数PID控制。例如中国专利200410065844.0“汽车试验用气电混合式驾驶机器人”利用变参数PID控制方法实现了驾驶机器人的车速跟踪，但存在调节器参数难以在线整定的缺点，并且车速波动较大；2）前馈PID控制，例如美国专利US5372035“底盘测功机上用于驾驶汽车的机器人”利用前馈PID控制实现驾驶机器人系统的控制，但存在控制器参数需要预先人工整定，对不同试验工况的抗干扰能力较差。

发明内容

针对现有技术的缺陷或不足，本发明旨在提供一种汽车驾驶机器人系统的模糊神经网络控制方法，可精确跟踪给定目标得车速，具有良好的鲁棒性。

为达成上述目的，本发明所采用的技术方案如下：

一种汽车驾驶机器人系统的模糊神经网络控制方法，包括离线训练阶段和在线控制阶段，离线训练阶段用于构建模糊神经网络并通过离线训练确定用于在线控制的最佳网络参数，其中：

所述离线训练阶段包括以下步骤：

步骤1-1、汽车驾驶机器人特征参数的采集与计算：对汽车驾驶机器人的特征参数x_i进行采集，i=1,2,3或4，所采集的特征参数包括：汽车驾驶机器人的油门机械腿位移特征信号、制动机械腿位移特征信号、离合器机械腿位移特征信号以及换挡机械手角度位移特征信号；

步骤1-2、基于步骤1-1得到的汽车驾驶机器人的特征参数x_i，构建Sugeno模糊神经网络模型；

步骤1-3、采用混合学习算法训练优化网络参数，获取最佳网络参数；

所述在线控制阶段包括以下步骤：

步骤2-1、实时采集计算汽车驾驶机器人的特征参数，包括：汽车驾驶机器人的油门机械腿位移特征信号、制动机械腿位移特征信号、离合器机械腿位移特征信号以及换挡机械手角度位移特征信号；

步骤2-2、将离线训练阶段获得的最佳网络参数代入到所构建的Sugeno模糊神经网络中；

步骤2-3、根据经过训练后的最佳网络参数和实时采集计算得到的汽车驾驶机器人特征参数代入到Sugeno模糊神经网络对汽车驾驶机器人系统进行车速跟踪精确控制。

进一步，前述方法中，所述步骤1-2中，基于步骤1-1得到的汽车驾驶机器人的特征参数x_i，构建Sugeno模糊神经网络模型，其实现包括以下步骤：

（1）将汽车驾驶机器人的特征参数模糊化，节点i具有输出为

$O_i^1=\left\{\begin{array}{cc}{\mathrm{\μ}}_{A_i}\left(x\right)& i=\mathrm{1,2}\\ {\mathrm{\μ}}_{B_{i-2}}\left(y\right)& i=\mathrm{3,4}\end{array}\right.,$

式中，x、y为节点i的输入；A_i、B_i-2为与该节点函数值相关的语言变量；

为模糊集A₁,A₂,B₁,B₂的隶属函数值；

表示x属于A_i的程度；

表示y属于B_i-2的程度，隶属度函数选用广义钟形函数，表示为：

${\mathrm{\μ}}_{A_i}\left(x\right)=\frac{1}{1+{\left[{\left(\frac{x-c_i}{a_i}\right)}^2\right]}^{b_i}},$

式中，{a_i、b_i、c_i}为前提参数集，隶属度函数的形状随着前提参数而改变；

（2）将汽车驾驶机器人输入特征参数相乘，其乘积输出为

$\begin{array}{cc}{O}_i^2=W_i={\mathrm{\μ}}_{A_i}\left(x\right)\×{\mathrm{\μ}}_{B_i}\left(y\right)& i=\mathrm{1,2},\end{array}$

式中，×表示任何满足T规范的AND算子，每个节点的输出代表一条规则的适应度；

（3）计算第i个节点第i条规则的适应度W_i与所有规则的适应度W之和的比值，即

$\begin{array}{cc}{O}_i^3=\stackrel{\‾}{W_i}=\frac{W_i}{W}=\frac{W_i}{W_1+W_2}& i=\mathrm{1,2},\end{array}$

（4）第i个节点具有输出为

$\begin{array}{cc}{O}_i^4=\stackrel{\‾}{W_i}{f}_i=\stackrel{\‾}{W_i}(p_{i}x+q_{i}y+r_i)& i=\mathrm{1,2}\end{array}$

式中，{p_i,q_i,r_i}为该节点的参数集，该层的参数称为结论参数；

（5）计算所有传来的特征参数信号之和作为总输出参数，即

$\begin{array}{cc}{O}_i^5=\underset{i}{\mathrm{\Σ}}\stackrel{\‾}{W_i}{f}_i=\frac{{\mathrm{\Σ}}_i{W}_i{f}_i}{{\mathrm{\Σ}}_i{W}_i}& i=\mathrm{1,2}.\end{array}$

进一步，前述方法中，所述步骤1-3，、采用混合学习算法训练优化网络参数，获取最佳网络参数，其包括以下步骤：

（1）确定前提参数的初始值，用最小二乘法计算结论参数，模糊神经网络系统的输出可表示成结论参数的线性组合，表达为：

$f=\frac{W_1}{W_1+W_2}{f}_1+\frac{W_2}{W_1+W_2}{f}_2={\stackrel{\‾}{W}}_1{f}_1+{\stackrel{\‾}{W}}_2{f}_2,$

$=\left(\stackrel{\‾}{W_1}x\right)p_1+\left(\stackrel{\‾}{W_1}y\right)q_1+\left(\stackrel{\‾}{W_1}\right)r_1$

$+\left(\stackrel{\‾}{W_2}x\right)p_2+\left(\stackrel{\‾}{W_2}y\right)q_2+\left(\stackrel{\‾}{W_2}\right)r_2=A\·X$

式中，列向量X的元素构成结论参数集合{p₁,q₁,r₁,p₂,q₂,r₂}，若已有P组输入输出数据对，且给定前提参数，则矩阵A,X,f的位数分别为P×6、6×1和P×1，使用最小二乘法得到均方误差最小（即min||AX-f||意义下）的结论参数最佳估计，表达为：

X^*=(A^TA)^-1A^Tf；

（2）根据上一步所得到的结论参数进行误差计算，采用前馈神经网络中的BP算法，将误差由输出端反向传到输入端，用梯度下降法更新前提参数，从而改变隶属函数的形状。

进一步，前述方法中，所述步骤1-1以及所述2-2所采集和计算的特征参数中：

根据汽车驾驶机器人油门、制动、离合器机械腿的数据，可直接获得所述油门机械腿、制动机械腿、离合器机械腿的实际位置；

所述换挡机械手的挡位位置(x_p,y_p)，可根据换挡机械手的角度位移(θ₂₁,θ₃₁)计算获得，其计算方法为：

x_p=(l₂₂+l₂₁)cosθ₂₁；

y_p=(l₃₂+l₃₁)sinθ₃₁；

其中，P点位置为汽车变速箱换挡杆固定的位置，l₂₁、l₂₂、l₃₁、l₃₂分别为杆O₂D、DC、O₃E、EC的长度，θ₂₁为杆O₂D绕O₂旋转运动的角度，θ₃₁为杆O₃E绕O₃旋转运动的角度。

由以上本发明的技术方案可知，本发明所提供的汽车驾驶机器人系统的模糊神经网络控制方法，其具有在线自学习能力，能够精确地跟踪给定目标测速，具有良好的鲁棒性。

附图说明

图1为汽车驾驶机器人系统的模糊神经网络控制方法一个示范性的流程图。

图2为换挡机械手的结构示意图。

图3为模糊神经网络的示例性结构示意图。

图4为模糊神经网络控制系统的示意图。

图5为经过训练后的模糊神经网络的结构示意图。

图6为模糊神经网络系统输出与初始数据的比较结果图。

图7为网络训练误差图。

图8a-图8b为车速跟踪结果图。

图9为测速跟踪误差对比图。

图10a-图10f为不同试验工况下测速跟踪结果图，其中：10a为48km/h驾驶工况、10b为56km/h驾驶工况、10c为64km/h驾驶工况、10d为72km/h驾驶工况、10e为89km/h驾驶工况、10f为113km/h驾驶工况。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

如图1所示，根据本发明的较优实施例，一种汽车驾驶机器人系统的模糊神经网络控制方法，通过两个阶段来实现，即：离线训练阶段和在线控制阶段，离线训练阶段用于构建模糊神经网络并通过离线训练确定用于在线控制的最佳网络参数，在线控制阶段根据经过训练后的最佳网络参数和实时采集计算得到的汽车驾驶机器人特征参数代入到Sugeno模糊神经网络对汽车驾驶机器人系统进行车速跟踪精确控制。下面结合所附图所示，详细说明本实施例中上述两个阶段的实现。

参考图1-图3所示，所述离线训练阶段包括以下步骤：

步骤1-1、汽车驾驶机器人特征参数的采集：对汽车驾驶机器人的特征参数x_i进行采集，i=1,2,3或4，所采集的特征参数包括：汽车驾驶机器人的油门机械腿位移特征信号、制动机械腿位移特征信号、离合器机械腿位移特征信号以及换挡机械手角度位移特征信号；

步骤1-2、基于步骤1-1得到的汽车驾驶机器人的特征参数x_i，构建Sugeno模糊神经网络模型；

步骤1-3、采用混合学习算法训练优化网络参数，获取最佳网络参数。

其中，在数据采集的操作中，根据GB18352.3—2005《轻型汽车污染物排放限值及测量方法（III，IV）》所要求的规定标准，在国家客车质量监督检验中心BOCO NJ 150/80型底盘测功机上由汽车驾驶机器人对Ford FOCUS2.0L五挡手动变速器汽车进行80000km排放耐久性V型试验。试验过程中，在底盘测功机上安装光电式速度传感器，实时采集试验车辆车速；在汽车驾驶机器人换挡机械手上安装角度位移传感器，在汽车驾驶机器人油门、制动、离合器机械腿上安装直线位移传感器，实时采集汽车驾驶机器人换挡机械手和油门、制动、离合器机械腿的位移特征参数实时数据。

所采集汽车驾驶机器人的特征参数x_i，i=1,2,3或4，其包括：汽车驾驶机器人油门机械腿位移特征信号、汽车驾驶机器人制动机械腿位移特征信号、汽车驾驶机器人离合器机械腿位移特征信号、汽车驾驶机器人换挡机械手角度位移特征信号。

作为优选的实施例方式，根据所采集的汽车驾驶机器人油门、制动、离合器机械腿的数据，可直接获得油门机械腿、制动机械腿、离合器机械腿的实际位置；参考图2所示的汽车驾驶机器人换挡机械手示意图，汽车驾驶机器人换挡机械手的挡位位置(x_p,y_p)，根据其换挡机械手的角度位移(θ₂₁,θ₃₁)计算获得，其计算方法为：x_p=(l₂₂+l₂₁)cosθ₂₁，y_p=(l₃₂+l₃₁)sinθ₃₁，其中P点位置为汽车变速箱换挡杆固定的位置，l₂₁、l₂₂、l₃₁、l₃₂分别为杆O₂D、DC、O₃E、EC的长度，θ₂₁为杆O₂D绕O₂旋转运动的角度，θ₃₁为杆O₃E绕O₃旋转运动的角度。

当然，汽车驾驶机器人的这些特征参数以及换挡机械手的结构也采用其他方式来实现，例如第201110264909.4号中国专利“用于汽车试验的驾驶机器人”，第201120335732.8号中国专利“一种汽车试验用驾驶执行机构”，其中均公开了汽车驾驶机器人的油门机械腿，制动机械腿，离合器机械腿和换挡机械手结构，并通过适当的方式来获取汽车驾驶机器人的这些特征参数，这些特征参数作为汽车驾驶机器人的基本特性参数，通过适当的数据采集和计算是本领域技术人员可以实现的。

然后，在步骤1-2中，利用步骤1-1所得到的特征参数，构建Sugeno模糊神经网络模型。如图3所示的模糊神经网络的示例性结构示意，汽车驾驶机器人模糊神经网络模型的构建步骤为：

（1）将汽车驾驶机器人的特征参数模糊化，节点i具有输出为

$O_i^1=\left\{\begin{array}{cc}{\mathrm{\μ}}_{A_i}\left(x\right)& i=\mathrm{1,2}\\ {\mathrm{\μ}}_{B_{i-2}}\left(y\right)& i=\mathrm{3,4}\end{array}\right.,$

式中，x、y为节点i的输入；A_i、B_i-2为与该节点函数值相关的语言变量；

为模糊集A₁,A₂,B₁,B₂的隶属函数值；

表示x属于A_i的程度；表示y属于B_i-2的程度，隶属度函数选用广义钟形函数，表示为：

${\mathrm{\μ}}_{A_i}\left(x\right)=\frac{1}{1+{\left[{\left(\frac{x-c_i}{a_i}\right)}^2\right]}^{b_i}},$

式中，{a_i、b_i、c_i}为前提参数集，隶属度函数的形状随着前提参数而改变；

（2）将汽车驾驶机器人输入特征参数相乘，其乘积输出为

$\begin{array}{cc}{O}_i^2=W_i={\mathrm{\μ}}_{A_i}\left(x\right)\×{\mathrm{\μ}}_{B_i}\left(y\right)& i=\mathrm{1,2},\end{array}$

式中，×表示任何满足T规范的AND算子，每个节点的输出代表一条规则的适应度；

（3）计算第i个节点第i条规则的适应度W_i与所有规则的适应度W之和的比值，即

$\begin{array}{cc}{O}_i^3=\stackrel{\‾}{W_i}=\frac{W_i}{W}=\frac{W_i}{W_1+W_2}& i=\mathrm{1,2},\end{array}$

（4）第i个节点具有输出为

$\begin{array}{cc}{O}_i^4=\stackrel{\‾}{W_i}{f}_i=\stackrel{\‾}{W_i}(p_{i}x+q_{i}y+r_i)& i=\mathrm{1,2},\end{array}$

式中，{p_i,q_i,r_i}为该节点的参数集，该层的参数称为结论参数；

（5）计算所有传来的特征参数信号之和作为总输出参数，即

$\begin{array}{cc}{O}_i^5=\underset{i}{\mathrm{\Σ}}\stackrel{\‾}{W_i}{f}_i=\frac{{\mathrm{\Σ}}_i{W}_i{f}_i}{{\mathrm{\Σ}}_i{W}_i}& i=\mathrm{1,2}.\end{array}$

本实施例的模糊神经网络控制系统如图4所示。图4中汽车驾驶机器人模糊神经网络系统的输入为汽车驾驶机器人油门机械腿位移、制动机械腿位移、离合器机械腿位移、换挡机械手位移，即油门开度、制动开度、离合器开度、挡位。每个输入特征参数对应三个模糊集合，其隶属度函数类型采用广义钟形函数gbellmf，隶属度函数个数都为3，它们组成81条模糊训练规则；网络系统的输出特征参数为试验车辆车速。此系统中，采用Sugeno模型作为系统模糊推理模型。

接下来，在所述步骤1-3中，采用混合学习算法训练优化网络参数，获取最佳网络参数。作为较佳的实施例，其实现包括以下步骤：

（1）确定前提参数的初始值，用最小二乘法计算结论参数，模糊神经网络系统的输出可表示成结论参数的线性组合，表达为：

$f=\frac{W_1}{W_1+W_2}{f}_1+\frac{W_2}{W_1+W_2}{f}_2=\stackrel{\‾}{W_1}{f}_1+\stackrel{\‾}{W_2}{f}_2,$

$=\left(\stackrel{\‾}{W_1}x\right)p_1+\left(\stackrel{\‾}{W_1}y\right)q_1+\left(\stackrel{\‾}{W_1}\right)r_1$ $+\left(\stackrel{\‾}{W_2}x\right)p_2+\left(\stackrel{\‾}{W_2}y\right)q_2+\left(\stackrel{\‾}{W_2}\right)r_2=A\·X$

式中，列向量X的元素构成结论参数集合{p₁,q₁,r₁,p₂,q₂,r₂}，若已有P组输入输出数据对，且给定前提参数，则矩阵A,X,f的位数分别为P×6、6×1和P×1，使用最小二乘法得到均方误差最小（即min||AX-f||意义下）的结论参数最佳估计，表达为：

X^*=(A^TA)^-1A^Tf；

（2）根据上一步所得到的结论参数进行误差计算，采用前馈神经网络中的BP算法，将误差由输出端反向传到输入端，用梯度下降法更新前提参数，从而改变隶属函数的形状。

本实施例中，经过训练后的模糊神经网络结构如图5所示。图5中经过训练后的汽车驾驶机器人模糊神经网络系统包括四个输入变量：油门机械腿位移、制动机械腿位移、离合器机械腿位移、换挡机械手位移。每个变量对应三个模糊集合，因此用“inputmf”表示的第1层有12个节点。通过输入变量的模糊集合的组合，产生了81条模糊训练规则，因此用“rule”表示的第2层和第3层分别有81个节点，用“outputmf”表示的第4层也有81个节点。用“output”表示的第5层只有1个节点，即输出变量：试验车辆车速，它是第4层81个节点的融合结果。

参考图1、结合图4所示，所述在线控制阶段包括以下步骤：

步骤2-1、实时采集计算汽车驾驶机器人的特征参数，包括：汽车驾驶机器人的油门机械腿位移特征信号、制动机械腿位移特征信号、离合器机械腿位移特征信号以及换挡机械手角度位移特征信号；

步骤2-2、将离线训练阶段获得的最佳网络参数代入到所构建的Sugeno模糊神经网络中；

步骤2-3、根据经过训练后的最佳网络参数和实时采集计算得到的汽车驾驶机器人特征参数代入到Sugeno模糊神经网络对汽车驾驶机器人系统进行车速跟踪精确控制。

本实施例中，在线控制阶段的步骤2-1中，汽车驾驶机器人特征参数的采集与计算方法，与离线训练阶段所采用的方法相同。

图6中汽车驾驶机器人模糊神经网络系统输出与给定原初始数据具有较好的一致性。图7中训练数据误差和核对数据误差随着训练次数的增加而同时减小，训练数据的最大均方根误差为0.081，核对数据的最大均方根误差为0.088，说明所建系统模型是有效的。

图8a、8b和图9中，汽车驾驶机器人PID控制车速波动较大，尤其在稳速工况时，车速变化幅度甚至超过±5km/h，超过了国家汽车试验标准要求的±2km/h的车速跟踪精度。而本实施例的模糊神经网络控制车速变化柔和、波动小，能准确跟踪试验循环工况要求的目标车速（48km/h），明显提高了车速控制精度，车速跟踪误差在±1km/h范围内，车速跟踪控制最大误差为0.8926km/h，满足国家汽车试验标准的要求。

为了进一步验证本发明公布的汽车驾驶机器人模糊神经网络控制方法的鲁棒性，在底盘测功机上进行了不同试验工况下的车辆排放耐久性试验。图10中不同试验工况下，采用本实施例的方法，汽车驾驶机器人平顺地实现了汽车起步、加速、换挡、等速、减速等操作，各工况之间过渡平稳，表明本实施例提出的方法具有良好的鲁棒性，完全能够代替试验人员进行各种汽车试验。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (3)

1.一种汽车驾驶机器人系统的模糊神经网络控制方法，其特征在于，包括离线训练阶段和在线控制阶段，离线训练阶段用于构建模糊神经网络并通过离线训练确定用于在线控制的最佳网络参数，其中：

所述离线训练阶段包括以下步骤：

步骤1-1、汽车驾驶机器人特征参数的采集与计算：对汽车驾驶机器人的特征参数x_i进行采集，i=1,2,3或4，所采集的特征参数包括：汽车驾驶机器人的油门机械腿位移特征信号、制动机械腿位移特征信号、离合器机械腿位移特征信号以及换挡机械手角度位移特征信号；

步骤1-2、基于步骤1-1得到的汽车驾驶机器人的特征参数x_i，构建Sugeno模糊神经网络模型；

步骤1-3、采用混合学习算法训练优化网络参数，获取最佳网络参数；

所述在线控制阶段包括以下步骤：

步骤2-1、实时采集计算汽车驾驶机器人的特征参数，包括：汽车驾驶机器人的油门机械腿位移特征信号、制动机械腿位移特征信号、离合器机械腿位移特征信号以及换挡机械手角度位移特征信号；

步骤2-2、将离线训练阶段获得的最佳网络参数代入到所构建的Sugeno模糊神经网络中；

步骤2-3、根据经过训练后的最佳网络参数和实时采集计算得到的汽车驾驶机器人特征参数代入到Sugeno模糊神经网络对汽车驾驶机器人系统进行车速跟踪精确控制。

2.根据权利要求1所述的汽车驾驶机器人系统的模糊神经网络控制方法，其特征在于，所述步骤1-2中，基于步骤1-1得到的汽车驾驶机器人的特征参数x_i，构建Sugeno模糊神经网络模型，其实现包括以下步骤：

（1）将汽车驾驶机器人的特征参数模糊化，节点i具有输出为

$O_i^1=\left\{\begin{array}{cc}{\mathrm{\μ}}_{A_i}\left(x\right)& i=\mathrm{1,2}\\ {\mathrm{\μ}}_{B_{i-2}\left(y\right)}& i=3,4\end{array}\right.,$

式中，x、y为节点i的输入；A_i、B_i-2为与该节点函数值相关的语言变量；

为模糊集A₁,A₂,B₁,B₂的隶属函数值；

表示x属于A_i的程度；

表示y属于B_i-2的程度，隶属度函数选用广义钟形函数，表示为：

${\mathrm{\μ}}_{A_i}\left(x\right)=\frac{1}{1+{\left[{\left(\frac{x-c_i}{a_i}\right)}^2\right]}^{b_i}},$

式中，{a_i、b_i、c_i}为前提参数集，隶属度函数的形状随着前提参数而改变；

（2）将汽车驾驶机器人输入特征参数相乘，其乘积输出为

$\begin{array}{cc}{O}_i^2=W_i={\mathrm{\μ}}_{A_i}\left(x\right)\×{{\mathrm{\μ}}_B}_i\left(y\right)& i=\mathrm{1,2},\end{array}$

式中，×表示任何满足T规范的AND算子，每个节点的输出代表一条规则的适应度；

（3）计算第i个节点第i条规则的适应度W_i与所有规则的适应度W之和的比值，即

$\begin{array}{cc}{O}_i^3=\stackrel{\‾}{W_i}=\frac{W_i}{W}=\frac{W_i}{W_1+W_2}& i=\mathrm{1,2},\end{array}$

（4）第i个节点具有输出为

$\begin{array}{cc}{O}_i^4=\stackrel{\‾}{W_i}{f}_i=\stackrel{\‾}{W_i}(p_{i}x+q_{i}y+r_i)& i=\mathrm{1,2},\end{array}$

式中，{p_i,q_i,r_i}为该节点的参数集，该层的参数称为结论参数；

（5）计算所有传来的特征参数信号之和作为总输出参数，即

$\begin{array}{cc}{O}_i^5=\underset{i}{\mathrm{\Σ}}{\stackrel{\‾}{W_i}f}_i=\frac{{\mathrm{\Σ}}_i{W}_i{f}_i}{{\mathrm{\Σ}}_i{W}_i}& i=\mathrm{1,2}.\end{array}$

3.根据权利要求2所述的汽车驾驶机器人系统的模糊神经网络控制方法，其特征在于，前述方法中，所述步骤1-3，采用混合学习算法训练优化网络参数，获取最佳网络参数，其包括以下步骤：

（1）确定前提参数的初始值，用最小二乘法计算结论参数，模糊神经网络系统的输出可表示成结论参数的线性组合，表达为：

$f=\frac{W_1}{W_1+W_2}{f}_1+\frac{W_2}{W_1+W_2}{f}_2=\stackrel{\‾}{W_1}{f}_1+\stackrel{\‾}{W_2}{f}_2,$

$=\left(\stackrel{\‾}{W_1}x\right)p_1+\left(\stackrel{\‾}{W_1}y\right)q_1+\left(\stackrel{\‾}{W_1}\right)r_1$

$+\left(\stackrel{\‾}{W_2}x\right)p_2+\left(\stackrel{\‾}{W_2}y\right)q_2+\left(\stackrel{\‾}{W_2}\right)r_2=A\·X$

式中，列向量X的元素构成结论参数集合{p₁,q₁,r₁,p₂,q₂,r₂}，若已有P组输入输出数据对，且给定前提参数，则矩阵A,X,f的位数分别为P×6、6×1和P×1，使用最小二乘法得到均方误差最小、即min||AX-f||意义下的结论参数最佳估计，表达为：

X^*=(A^TA)^-1A^Tf；

（2）根据上一步所得到的结论参数进行误差计算，采用前馈神经网络中的BP算法，将误差由输出端反向传到输入端，用梯度下降法更新前提参数，从而改变隶属函数的形状。

Images