CN104361394A - 一种基于竞争型神经网络判断油门误踩的方法 - Google Patents

Abstract

本发明提出了一种基于竞争型神经网络判断油门误踩的方法，通过采集大量的正常踩油门和误踩油门情况下油门传感器信号的幅度变化曲线样本，将油门传感器信号的幅度和该幅度对应时间T0时间内的变化速度作为输入样本，构建包括两个神经元的竞争型神经网络进行自分类，得到训练好的工作网络模型，并据此计算出误踩油门的幅度及变化速度阈值表，在车辆运行中，实时采集当前踩油门的幅度及变化速度，并对照幅度及变化速度阈值表进行误踩油门的判断。该方法解决了现有技术中判断迟缓以及容易误判的技术问题，能够及早且准确判断油门是否误踩，极大降低事故发生的可能性。

Description

一种基于竞争型神经网络判断油门误踩的方法

技术领域

本发明涉及神经网络领域，具体涉及利用竞争型神经网络判断油门误踩的方法。

背景技术

随着社会的发展，人民生活水平不断提高，汽车越来越多的走进了百姓家庭。汽车驾驶的安全问题也日益凸显，尤其是司机在驾驶过程中发生误操作而导致的交通事故时有发生，引起了社会的高度关注。

就目前市面上的汽车结构布局来说，汽车油门踩板和刹车制动踩板都是由一只脚交替实现控制的，这容易造成驾驶员在紧急情况下误把油门踩板当成刹车制动踩板使用，从而引发交通事故。

在现有技术中，也有一些防止司机刹车时误踩油门的专利，比如公开号CN201240369所公布的一种误踩油门紧急制动机构，通过机械传动的方式进行刹车制动，反应速度较慢。也有通过电气控制刹车制动的，比如论文”误踩油门自动刹车系统制动执行装置设计”,以加速度的值作为判断是否误踩油门的检测信号。在油门踩板处设置一个加速度传感器，踩油门时，当油门踩板加速度大于设定的临界值时，则判定此操作为误踩油门。对加速度的判断是以临界加速度为标准来判断的，但是临界加速度在某些程度上不一定能体现出误踩油门的加速度大小，可能在某些时候不是误踩油门，加速度却达到了临界加速度，因此，在这种情况下，系统容易出现误报警。论文“制动误踩油门电子制动控制系统”以两个条件作为误踩油门的判断标准：①加在油门踩板上的踩踩力度较大，油门踩板运动速度(或加速度)较大；②油门踩板到最底位置。该方法要求必须达到油门踩板的最底位置，必然造成判断的迟缓，对装置的实用性影响很大。

针对上述缺陷，本发明提出了一种基于竞争型神经网络判断油门误踩的方法，通过采集大量的正常踩油门和误踩油门情况下油门传感器信号的幅度变化曲线样本，将油门传感器信号的幅度和该幅度对应时间T0时间内的变化速度作为输入样本，构建包括两个神经元的竞争型神经网络进行自分类，得到训练好的工作网络，并据此计算出误踩油门的幅度及变化速度阈值表，在车辆运行中，实时采集当前踩油门的幅度及变化速度，并对照幅度及变化速度阈值表进行误踩油门的判断。该方法解决了现有技术中判断迟缓以及容易误判的技术问题，能够及早且准确判断油门是否误踩，极大降低事故发生的可能性。

发明内容

本发明通过提供一种基于竞争型神经网络判断油门误踩的方法，以解决现有技术中不能及早、准确的判断油门是否误踩的技术问题。

为解决上述技术问题，本发明所采用的具体技术方案如下：

一种基于竞争型神经网络判断油门误踩的方法，其关键在于，按照以下步骤进行：

步骤S1：初始化，设置时间T0、变化步进Ta以及变化范围T；

步骤S2：采集正常踩油门和误踩油门情况下油门传感器信号的幅度变化曲线样本；

步骤S3：将油门传感器信号的幅度和该幅度对应T0时间内的变化速度作为输入样本；

步骤S4：构建包括两个神经元的竞争型神经网络进行自分类；

步骤S5：判断分类正确率是否满足要求，如满足，则将该网络模型参数送入备选神经网络库中，并进入步骤S6；否则，直接进入步骤S6；

步骤S6：设置时间T0＝T0+Ta，并判断T0是否在(0，T)范围内；如果是，返回步骤S3继续进行，否则进入步骤S7；

步骤S7：计算备选神经网络库中各个模型的样本区分度系数和系统区分度系数，并将系统区分度系数最大的神经网络作为工作网络模型；其中：

样本区分度系数定义为：k₀＝||d₁|-|d₂||/max(|d₁|,|d₂|)；

系统区分度系数定义为：k＝min(k₀)；

表示输入样本(x,y)到神经元(w₁₁,w₂₁,b₁)的距离；

表示输入样本(x,y)到神经元(w₁₂,w₂₂,b₂)的距离；

x为输入的信号幅度，y为该幅度对应T0时间内的变化速度，(w₁₁,w₂₁,b₁)与(w₁₂,w₂₂,b₂)为竞争型神经网络训练出的网络模型参数；

步骤S8：根据步骤S7所选择出的工作网络模型的网络参数，计算误踩油门的幅度及变化速度阈值表，并按照该表进行误踩油门判断，计算备选神经网络。

优选的，步骤S1中所设置的变化步进Ta＝15ms，变化范围T为500ms。

作为一种优选方案，步骤S4中所述的竞争型神经网络按照：

$w_{11}^k=w_{11}^{k-1}+\α(x-w_{11}^{k-1}),w_{21}^k=w_{21}^{k-1}+\mathrm{\α}(y-w_{21}^{k-1}),$

对各个输入样本参数所对应的权值进行训练，其中：

表示第k次训练中样本x与第1个神经元之间的权值；

表示第k次训练中样本y与第1个神经元之间的权值；

表示第k次训练中样本x与第2个神经元之间的权值；

表示第k次训练中样本y与第2个神经元之间的权值；

训练总次数为1000，学习速率α＝0.1。

与现有技术相比，本发明提供的技术方案，具有的技术效果或优点是：本发明提出了一种基于竞争型神经网络判断油门误踩的方法，通过创建竞争型神经网络对油门传感器信号的幅度和该幅度对应时间T0时间内的变化速度的输入样本进行自分类，得到训练好的工作网络，从而计算出误踩油门的幅度及变化速度阈值表，作为误踩油门的判断标准。该方法能够明显地提高误踩油门的判断速度，而且避免了仅靠踩油门的加速度一个特征值来判断是否误踩油门所造成的误判问题，及早且准确判断油门是否误踩，极大降低事故发生的可能性。

附图说明

图1为本发明的流程图；

图2为一个特征值的分类图；

图3为油门传感器信号幅值和当前幅值前30ms内的幅度变化速度的分类图；

图4为油门传感器信号幅值和当前幅值前45ms内的幅度变化速度的分类图；

图5为油门传感器信号幅值和当前幅值前90ms内的幅度变化速度的分类图；

图6为油门传感器信号幅值和当前幅值前150ms内的幅度变化速度的分类图；

图7为油门传感器信号幅值和当前幅值前165ms内的幅度变化速度的分类图；

图8为油门传感器信号幅值和当前幅值前45ms内的幅度变化速度的区分度系数图；

图9为幅值与变化速度关系图。

具体实施方式

本申请实施例提供一种基于竞争型神经网络判断油门误踩的方法，以解决现有技术中不能及早、准确的判断油门是否误踩的技术问题。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。

一种基于竞争型神经网络判断油门误踩的方法，如图1所示，按以下步骤进行：

步骤S1：初始化，设置时间T0、变化步进Ta以及变化范围T；

步骤S2：采集正常踩油门和误踩油门情况下油门传感器信号的幅度变化曲线样本；

步骤S3：将油门传感器信号的幅度和该幅度对应T0时间内的变化速度作为输入样本；

步骤S4：构建包括两个神经元的竞争型神经网络进行自分类；

步骤S5：判断分类正确率是否满足要求，如满足，则将该网络模型参数送入备选神经网络库中，并进入步骤S6；否则，直接进入步骤S6；

步骤S6：设置时间T0＝T0+Ta，并判断T0是否在(0，T)范围内；如果是，返回步骤S3继续进行，否则进入步骤S7；

步骤S7：计算备选神经网络库中各个模型的样本区分度系数和系统区分度系数，并将系统区分度系数最大的神经网络作为工作网络模型；其中：

样本区分度系数定义为：k₀＝||d₁|-|d₂||/max(|d₁|,|d₂|)；

系统区分度系数定义为：k＝min(k₀)；

表示输入样本(x,y)到神经元(w₁₁,w₂₁,b₁)的距离；

表示输入样本(x,y)到神经元(w₁₂,w₂₂,b₂)的距离；

x为输入的信号幅度，y为该幅度对应T0时间内的变化速度，(w₁₁,w₂₁,b₁)与(w₁₂,w₂₂,b₂)为竞争型神经网络训练出的网络模型参数；

步骤S8：根据步骤S7所选择出的工作网络模型的网络参数，计算误踩油门的幅度及变化速度阈值表，并按照该表进行误踩油门判断，计算备选神经网络。

本实施例在步骤S1初始化时设置时间T0＝30ms、变化步进Ta＝15ms、变化范围T＝500ms，T0＝T0+Ta。

为了便于说明，本实施例中仅选取了五组输入样本作为网络训练样本进行举例分析，对建立的竞争型神经网络进行训练，所述竞争型神经网络按照：

$w_{11}^k=w_{11}^{k-1}+\α(x-w_{11}^{k-1}),w_{21}^k=w_{21}^{k-1}+\mathrm{\α}(y-w_{21}^{k-1}),$

$w_{12}^k=w_{12}^{k-1}+\α(x-w_{12}^{k-1}),w_{22}^k=w_{22}^{k-1}+\mathrm{\α}(y-w_{22}^{k-1}),$

对各个输入样本参数所对应的权值进行训练，其中：

表示第k次训练中样本x与第1个神经元之间的权值；

表示第k次训练中样本y与第1个神经元之间的权值；

表示第k次训练中样本x与第2个神经元之间的权值；

表示第k次训练中样本y与第2个神经元之间的权值；

训练总次数为1000，学习速率α＝0.1。

以下是竞争型神经网络对五组训练样本的分类结果：

如图2所示，输入样本只设置了一个特征值：油门传感器信号的幅值。图中分类结果中的“1”代表正常踩油门，“2”代表误踩油门，从分类图中可以看出，五个训练样本在幅值为160以下的被分为正常踩，160以上的被分为误踩。图中第三个样本实际是正常踩油门的数据，而分类器却将第三个样本数据的一部分分为正常踩，另一部分分为误踩，没有将训练样本进行正确分类，所以该输入样本选取的特征值不能满足实际分类需求。

如图3所示，输入样本为两个特征值：油门传感器信号的幅值和当前幅值前30ms内的幅度变化速度。图中分类结果中的“1”代表正常踩油门，“2”代表误踩油门，图中第三个样本实际是正常踩油门的数据，而分类器却将第三个样本数据的一部分分为正常踩，另一部分分为误踩，没有将训练样本进行正确分类，所以该输入样本的特征值不满足正确分类的要求。

如图4所示，输入样本为两个特征值：油门传感器信号的幅值和当前幅值前45ms内的幅度变化速度。图中分类结果中的“1”代表正常踩油门，“2”代表误踩油门，从分类结果图中可以看出，五个训练样本均被正确分类，所以该输入样本的特征值满足正确分类的要求。

如图5所示，输入样本为两个特征值：油门传感器信号的幅值和当前幅值前60ms内的幅度变化速度。图中分类结果中的“1”代表正常踩油门，“2”代表误踩油门，从分类结果图中可以看出，五个训练样本均被正确分类，所以该输入样本的特征值满足正确分类的要求。

如图6所示，输入样本为两个特征值：油门传感器信号的幅值和当前幅值前150ms内的幅度变化速度。图中分类结果中的“1”代表正常踩油门，“2”代表误踩油门，从分类结果图中可以看出，五个训练样本均被正确分类，所以该输入样本的特征值满足正确分类的要求。

如图7所示，输入样本为两个特征值：油门传感器信号的幅值和当前幅值前165ms内的幅度变化速度。图中分类结果中的“1”代表正常踩油门，“2”代表误踩油门，图中第三个样本实际是正常踩油门的数据，而分类器却将第三个样本数据的一部分分为正常踩，另一部分分为误踩，没有将训练样本进行正确分类，所以该输入样本的特征值不满足正确分类的要求。

根据以上的分类结果可以看出，当选择一个特征值时，不能正确地将训练样本进行分类；当选取两个特征值时，其中一个特征值：变化速度在范围45ms至150ms之间可以将五组训练样本正确分类，为了进一步确定变化速度选取哪个时间段作为特征值时分类结果最准确，引入样本区分度系数k₀和系统区分度系数k：

系统区分度系数k越大，表示越能更好的区分正常踩油门和误踩油门，因此，选择系统区分度系数k最大时所对应的神经网络作为工作网络模型。

下面再对系统区分度系数的结果进行分析：

如图8所示，两个特征值：油门传感器信号的幅值和当前幅值前45ms内的幅度变化速度对应的样本区分度系数。从图中可以看出最小样本区分度系数为0.3107，即此时系统区分度系数为0.3107。

同样的，当前幅值前60ms内的幅度变化速度对应的样本区分度系数最小为0.4910，即此时系统区分度系数为0.4910；当前幅值前75ms内的幅度变化速度对应的样本区分度系数最小为0.3949，即此时系统区分度系数为0.3949；当前幅值前90ms内的幅度变化速度对应的样本区分度系数最小为0.4994，即此时系统区分度系数为0.4994；当前幅值前105ms内的幅度变化速度对应的样本区分度系数最小为0.4374，即此时系统区分度系数为0.4374；当前幅值前120ms内的幅度变化速度对应的样本区分度系数最小为0.3472，即此时系统区分度系数为0.3472；当前幅值前135ms内的幅度变化速度对应的样本区分度系数最小为0.3278，即此时系统区分度系数为0.3278；当前幅值前150ms内的幅度变化速度对应的样本区分度系数最小为0.4477，即此时系统区分度系数为0.4477；上述结果在此不一一说明。

对比上述结果可以看出，当前幅值前90ms内的幅度变化速度对应的系统区分度系数0.4994是最大的，因此选择特征值是油门传感器信号的幅值和当前幅值前90ms内的幅度变化速度的神经网络作为工作网络模型。

在确定了工作网络模型后，计算踩油门的幅度及变化速度阈值的方法如下：

选取油门传感器信号的幅值和当前幅值前90ms内的幅度变化速度作为两个特征值训练好的神经网络得到：w₁₁＝195.0063，w ₂₁＝103.5084，w₁₂＝143.5630，w₂₂＝33.6206，b₁＝7.1115，b₂＝4.4002；根据公式：

$d_1=-\sqrt{{(x-w_{11})}^2+{(y-w_{21})}^2}+b_1,d_2=-\sqrt{{(x-w_{12})}^2+{(y-w_{22})}^2}+b_2$ 计算出输入样本(x,y)到神经元(w₁₁,w₂₁,b₁)的距离d₁以及输入样本(x,y)到神经元(w₁₂,w₂₂,b₂)的距离d₂。

将d₁＝d₂时得到的多对输入数据(x,y)作为正常踩油门和误踩油门的临界值，建立幅度及变化速度阈值表，得到多对幅值与变化速度关系图如图9所示。

在汽车运行中，通过油门传感器实施采集踩油门的幅度及变化速度，判断是否超出幅度及变化速度阈值表对应的门限值，从而判断当前操作是否属于误踩油门。

本申请的上述实施例中，通过提供一种基于竞争型神经网络判断油门误踩的方法，以解决现有技术中不能及早、准确的判断油门是否误踩的技术问题。

最后需要说明的是，以上详细描述仅仅为本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改或变化。因此，凡本技术领域中的技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

Claims (3)

1.一种基于竞争型神经网络判断油门误踩的方法，其特征在于，按照以下步骤进行：

步骤S1：初始化，设置时间T0、变化步进Ta以及变化范围T；

步骤S2：采集正常踩油门和误踩油门情况下油门传感器信号的幅度变化曲线样本；

步骤S3：将油门传感器信号的幅度和该幅度对应T0时间内的变化速度作为输入样本；

步骤S4：构建包括两个神经元的竞争型神经网络进行自分类；

步骤S5：判断分类正确率是否满足要求，如满足，则将该网络模型参数送入备选神经网络库中，并进入步骤S6；否则，直接进入步骤S6；

步骤S6：设置时间T0＝T0+Ta，并判断T0是否在(0，T)范围内；如果是，返回步骤S3继续进行，否则进入步骤S7；

步骤S7：计算备选神经网络库中各个模型的样本区分度系数和系统区分度系数，并将系统区分度系数最大的神经网络作为工作网络模型；其中：

样本区分度系数定义为：k₀＝||d₁|-|d₂||/max(d₁|,|d₂|)；

系统区分度系数定义为：k＝min(k₀)；

$d_1=-\sqrt{{(x-w_{11})}^2+{(y-w_{21})}^2}+b_1$ 表示输入样本(x,y)到神经元(w₁₁,w₂₁,b₁)的距离；

$d_2=-\sqrt{{(x-w_{12})}^2+{(y-w_{22})}^2}+b_2$ 表示输入样本(x,y)到神经元(w₁₂,w₂₂,b₂)的距离；

x为输入的信号幅度，y为该幅度对应T0时间内的变化速度，(w₁₁,w₂₁,b₁)与(w₁₂,w₂₂,b₂)为竞争型神经网络训练出的网络模型参数；

步骤S8：根据步骤S7所选择出的工作网络模型的网络参数，计算误踩油门的幅度及变化速度阈值表，并按照该表进行误踩油门判断，计算备选神经网络。

2.根据权利要求1所述的基于竞争型神经网络判断油门误踩的方法，其特征在于：步骤S1中所设置的变化步进Ta＝15ms，变化范围T为500ms。

3.根据权利要求1所述的基于竞争型神经网络判断油门误踩的方法，其特征在于：步骤S4中所述的竞争型神经网络按照：

$w_{11}^k=w_{11}^{k-1}+\mathrm{\α}(x-w_{11}^{k-1}),w_{21}^k=w_{21}^{k-1}+\mathrm{\α}(y-w_{21}^{k-1}),$

$w_{12}^k=w_{12}^{k-1}+\mathrm{\α}(x-w_{12}^{k-1}),w_{22}^k=w_{22}^{k-1}+\mathrm{\α}(y-w_{22}^{k-1}),$

对各个输入样本参数所对应的权值进行训练，其中：

表示第k次训练中样本x与第1个神经元之间的权值；

表示第k次训练中样本y与第1个神经元之间的权值；

表示第k次训练中样本x与第2个神经元之间的权值；

表示第k次训练中样本y与第2个神经元之间的权值；

训练总次数为1000，学习速率α＝0.1。