CN104986155A - 一种辅助制动方法及系统 - Google Patents
一种辅助制动方法及系统 Download PDFInfo
- Publication number
- CN104986155A CN104986155A CN201510374272.2A CN201510374272A CN104986155A CN 104986155 A CN104986155 A CN 104986155A CN 201510374272 A CN201510374272 A CN 201510374272A CN 104986155 A CN104986155 A CN 104986155A
- Authority
- CN
- China
- Prior art keywords
- neural network
- auxiliary braking
- training data
- brake
- output rusults
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明公开了一种辅助制动方法及系统，属于行车安全领域。所述发明基于BP神经网络进行辅助制动方式的选取。本发明通过将辅助制动方式组合输入至构建好的BP神经网络中，使得BP神经网络根据训练数据不断的对自身各层的权值和阈值进行调整，直至满足预设条件停止调整过程，进而根据实际制动需求输出需要的辅助制动方式，使得根据得到该辅助制动方式进行制动，从而满足处于长下坡的车辆的制动需求，提高制动效率。
Description
技术领域
本发明属于行车安全领域，特别涉及一种辅助制动方法及系统。
背景技术
我国山区面积广大，山岭重丘地区的公路长下坡路段较多，这些路段交通事故频发。长下坡行驶过程中，若要保持车速稳定，车辆的大部分重力势能将转化为制动器的热能。当制动蹄与制动鼓温度过高时，制动力矩将会显著下降，出现热衰退现象。这是造成长下坡路段交通事故高发的重要原因，这个问题在国外已得到充分的重视。而在国内，长期以来靠驾驶员经常给轮毂浇水，实施强行冷却来满足汽车连续下坡时的制动要求。这种方法一方面可靠性不高，另一方面降低运输效率，同时在冬季行驶时也直接影响到后续车辆的安全性。为改善运输条件，在汽车上应加装持续制动装置。
在现有技术中，持续制动装置包括发动机制动、排气制动、电涡流缓速器、液力缓速器等。其中发动机制动和排气制动是最简单、成本最低的持续制动装置。随着国内商用车技术的发展和道路条件的改善，商用车行驶速度不断提高，要求商用车的比功率不断增加，而它对发动机制动和排气制动的应用起到了积极的作用。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
但是，发动机制动、排气制动的制动功率有限，且随变速器挡位的增加制动扭矩大幅度减小，无法满足汽车在上述速度范围内连续下坡行驶时的持续制动要求。电涡流缓速器的安装使汽车的价格、质量和使用过程中消耗增加，且增加的幅度随缓行器的容量(制动转矩)的增加而增加。同时，长时间工作时，电涡流缓速器也存在着热衰退问题。即上述制动方式不能满足长下坡行驶条件下的制动需求。
发明内容
为了解决现有技术的问题，第一方面，本发明提供了一种辅助制动方法，所述辅助制动方法，包括：
确定辅助制动方式组合；
构建BP神经网络，将所述辅助制动方式组合部署在所述BP神经网络中，向所述BP神经网络输入训练数据；
根据所述训练数据，对所述BP神经网络进行调整，直至所述BP神经网络满足预设条件时终止调整，确定调整后的成熟BP神经网络；
将实际制动需求输入到所述成熟BP神经网络中，接收所述成熟BP神经网络的处理结果；
根据所述处理结果确定需要的辅助制动方式；
其中，所述实际制动需求包括期望车速、道路坡度和实际车速。
可选的，所述确定辅助制动方式组合，包括：
将常用制动方式按不同的方式进行配合，得到辅助制动方式组合；
其中，所述常用制动方式包括发动机制动、排气制动、缓速器制动。
可选的，所述根据所述训练数据，对所述BP神经网络进行调整，直至所述BP神经网络满足预设条件时终止调整，确定调整后的成熟BP神经网络，包括：
对所述BP神经网络的权值阈值进行初始化处理；
将所述训练数据输入至所述BP神经网络中，获取所述BP神经网络的输出结果，根据所述输出结果对所述BP神经网络的权值阈值进行调整；
重复根据所述输出结果对所述BP神经网络的权值阈值进行调整的步骤，直至所述BP神经网络的输出误差小于预设误差值为止，将此时的所述BP神经网络作为成熟BP神经网络。
可选的，所述将所述训练数据输入至所述BP神经网络中，获取所述BP神经网络的输出结果，根据所述输出结果对所述BP神经网络的权值阈值进行调整，包括：
将所述训练数据输入至所述BP神经网络的输入层；
所述输入层将所述训练数据传递至所述BP神经网络的隐层；
所述隐层根据所述训练数据生成第一输出结果，将所述第一输出结果传递至所述BP神经网络的输出层；
所述输出层根据所述第一输出结果生成第二输出结果；
根据所述第一输出结果获取所述隐层的第一计算误差，根据所述第二输出结果获取所述输出层的第二计算误差；
根据所述第一计算误差对所述隐层的权值和阈值进行调整，根据所述第二计算误差对所述输出层的权值和阈值进行调整。
可选的，所述根据所述处理结果确定需要的辅助制动方式，包括：
根据所述处理结果获取制动档位，根据所述制动档位确定具体的制动方式。
第二方面，本发明提供一种辅助制动系统，所述辅助制动系统，包括：
确定单元，用于确定辅助制动方式组合；
网络单元，用于构建BP神经网络，将所述辅助制动方式组合部署在所述BP神经网络中，向所述BP神经网络输入训练数据；
训练单元，用于根据所述训练数据，对所述BP神经网络进行调整，直至所述BP神经网络满足预设条件时终止调整，确定调整后的成熟BP神经网络；
输入单元，用于将实际制动需求输入到所述成熟BP神经网络中，接收所述成熟BP神经网络的处理结果；
获取单元，用于根据所述处理结果确定需要的辅助制动方式；
其中，所述实际制动需求包括期望车速、道路坡度和实际车速。
可选的，，所述确定单元用于：
将常用制动方式按不同的方式进行配合，得到辅助制动方式组合；
其中，所述常用制动方式包括发动机制动、排气制动、缓速器制动。
可选的，所述训练单元，包括：
初始化模块，用于对所述BP神经网络的权值阈值进行初始化处理；
调整模块，用于将所述训练数据输入至所述BP神经网络中，获取所述BP神经网络的输出结果，根据所述输出结果对所述BP神经网络的权值阈值进行调整；
判定模块，用于重复根据所述输出结果对所述BP神经网络的权值阈值进行调整的步骤，直至所述BP神经网络的输出误差小于预设误差值为止，将此时的所述BP神经网络作为成熟BP神经网络。
可选的，所述调整模块具体用于：
将所述训练数据输入至所述BP神经网络的输入层；
所述输入层将所述训练数据传递至所述BP神经网络的隐层；
所述隐层根据所述训练数据生成第一输出结果，将所述第一输出结果传递至所述BP神经网络的输出层；
所述输出层根据所述第一输出结果生成第二输出结果；
根据所述第一输出结果获取所述隐层的第一计算误差，根据所述第二输出结果获取所述输出层的第二计算误差；
根据所述第一计算误差对所述隐层的权值和阈值进行调整，根据所述第二计算误差对所述输出层的权值和阈值进行调整。
可选的，所述获取单元用于：
根据所述处理结果获取制动档位，根据所述制动档位确定具体的制动方式。
本发明提供的技术方案带来的有益效果是：
通过将辅助制动方式组合输入至构建好的BP神经网络中，使得BP神经网络根据训练数据不断的对自身各层的权值和阈值进行调整，直至满足预设条件停止调整过程，进而根据实际制动需求输出需要的辅助制动方式，使得根据得到该辅助制动方式进行制动，从而满足处于长下坡的车辆的制动需求，提高制动效率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种辅助制动方法的流程示意图；
图2是本发明提供的一种辅助制动方法的部分流程示意图；
图3是本发明提供的一种辅助制动方法中BP神经网络的结构示意图；
图4是本发明提供的一种辅助制动系统的结构示意图；
图5是本发明提供的一种辅助制动系统的详细结构示意图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
本发明提供了一种辅助制动方法，如图1所示，所述辅助制动方法，包括：
11、确定辅助制动方式组合。
12、构建BP神经网络，将所述辅助制动方式组合部署在所述BP神经网络中，向所述BP神经网络输入训练数据。
13、根据所述训练数据，对所述BP神经网络进行调整，直至所述BP神经网络满足预设条件时终止调整，确定调整后的成熟BP神经网络。
14、将实际制动需求输入到所述成熟BP神经网络中，接收所述成熟BP神经网络的处理结果。
15、根据所述处理结果确定需要的辅助制动方式。
其中，所述实际制动需求包括期望车速、道路坡度和实际车速。
在实施中，为了解决当前车辆在长下坡时制动效率低下的问题，本发明特地提出了一种辅助制动的方法，通过将实际制动需求输入进BP神经网络，从BP神经网络获取与实际制动需求对应的辅助制动方式，根据该辅助制动方式进行制动，从而提高长下坡时车辆的制动效率。
本文中使用的BP网络(Back Propagation)，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。
首先，确定辅助制动方式组合。现有的辅助制动方式主要有发动机制动、排气制动以及缓速器制动，每种制动方式都有各自的制动有点和适用范围，这里将其进行有机的组合，构成多种制动方式组合，并根据每种组合的制动效果分为若干制动档位。
其次，构建BP神经网络，将前一步得到的辅助制动方式组合部署在构建好的BP神经网络中，并向该BP神经网络中输入训练数据，以便令该BP神经网络根据训练数据对自身进行调整。
接着，根据输入的训练数据，对BP神经网络进行调整，本质上是对该神经网络中各层的权值和阈值进行调整，并在满足预设条件时，停止调整过程，此时的BP神经网络即为调整后的成熟BP神经网络，可以用于实际使用。
再次，将包含实际车速、期望车速和道路坡度的实际制动需求输入至成熟BP神经网络中，使成熟BP神经网络根据实际制动需求输出处理结果。
最终，根据BP神经网络的处理结果获取适合与实际制动需求的辅助制动方式。
本发明提供了一种辅助制动方法，通过将辅助制动方式组合输入至构建好的BP神经网络中，使得BP神经网络根据训练数据不断的对自身各层的权值和阈值进行调整，直至满足预设条件停止调整过程，进而根据实际制动需求输出需要的辅助制动方式，使得根据得到该辅助制动方式进行制动，从而满足处于长下坡的车辆的制动需求，提高制动效率。
可选的，所述确定辅助制动方式组合即步骤11，包括：
将常用制动方式按不同的方式进行配合，得到辅助制动方式组合；
其中，所述常用制动方式包括发动机制动、排气制动、缓速器制动。
在实施中，常用制动方式包括发动机制动、排气制动、缓速器制动，而缓速器制动又分为若干等级，随着等级的升高，缓速器的制动效果越明显。此处将上述制动方式进行不同的组合，并按照不同组合对应的制动效果分为若干制动档位，每个制动档位对应一种或若干常用制动方式的组合，具体组合方式如下表1：
| 挡位 | 制动方式 | 挡位 | 制动方式 |
| 0 | 无持续制动 | 8 | 发动机+缓速器2挡 |
| 1 | 发动机制动 | 9 | 发动机+缓速器3挡 |
| 2 | 排气制动 | 10 | 发动机+缓速器4挡 |
| 3 | 缓速器1挡 | 11 | 排气+缓速器1挡 |
| 4 | 缓速器2挡 | 12 | 排气+缓速器2挡 |
| 5 | 缓速器3挡 | 13 | 排气+缓速器3挡 |
| 6 | 缓速器4挡 | 14 | 排气+缓速器4挡 |
| 7 | 发动机+缓速器1挡 |
表1不同制动方式的组合关系
在进行实际制动时，例如根据制动档位12进行制动，则是开启排气制动，同时将缓速器制动调至第2档位，也就是根据二者的结合进行制动，从而使得处于长下坡的车辆在制动后，保证汽车在各种坡度的道路上以驾驶员期望的速度稳定行驶。
可选的，所述根据所述训练数据，对所述BP神经网络进行调整，直至所述BP神经网络满足预设条件时终止调整，确定调整后的成熟BP神经网络即步骤13，包括：
对所述BP神经网络的权值阈值进行初始化处理；
将所述训练数据输入至所述BP神经网络中，获取所述BP神经网络的输出结果，根据所述输出结果对所述BP神经网络的权值阈值进行调整；
重复根据所述输出结果对所述BP神经网络的权值阈值进行调整的步骤，直至所述BP神经网络的输出误差小于预设误差值为止，将此时的所述BP神经网络作为成熟BP神经网络。
在实施中，为了令构建好的BP神经网络能够进行实际使用，实现需要通过大量的训练数据对BP神经网络进行训练，在训练的过程中，对BP神经网络中各层的权值和阈值进行调整，直至满足预设条件为止，具体过程如下：
首先，对BP神经网络中的权值和阈值进行初始化处理。
在BP神经网络中，分为三个层级，按照数据处理过程的先后顺序依次为输入层、隐层、输出层，每一层都由若干节点构成。在输入层与隐层之间设有第一权值，在隐层和输出层之间设有第二权值，此时对BP神经网络中的所有权值和阈值赋予初始值。
其次，将训练数据输入至BP神经网络中，获取BP神经网络对于训练数据的输出结果，根据该输出结果获取计算误差，根据该计算误差对BP神经网络中各层的权值和阈值进行调整。
训练数据中包括若干组经试验得到的不同制动方式下的实际车速、道路坡度以及制动后的实际车速的数值，将上述若干组实验数据在BP神经网络中结合BP神经网络初始化的权值和阈值进行运算，并生成运算结果，根据该运算结果与期望结果的误差大小对BP神经网络中各层的权值和阈值进行调整。
最终，重复上一步的调整步骤，每一次根据训练数据得到运算结果后，均根据运算结果与期望结果的误差对BP神经网络中各层的权值和阈值进行调整。如果训练数据已经全部使用过，则判断BP神经网络的输出误差是否小于预设误差值。
如果输出误差小于预设误差值，则确认该BP神经网络已经具备了可用性，将此时的BP神经网络作为成熟BP神经网络；
如果输出误差值大于或等于预设误差值，则认为此时的BP神经网络依然不具备可用性，继续根据训练数据按上一步的方式对该BP神经网络进行调整。
该步骤通过训练数据对BP神经网络不断的进行调整，直至BP神经网络的输出误差小于预设误差值时，方为调整结束，同时得到可用于后续使用的成熟BP神经网络。
可选的，如图2所示，所述将所述训练数据输入至所述BP神经网络中，获取所述BP神经网络的输出结果，根据所述输出结果对所述BP神经网络的权值阈值进行调整，即步骤14包括：
141、将所述训练数据输入至所述BP神经网络的输入层；
142、所述输入层将所述训练数据传递至所述BP神经网络的隐层；
143、所述隐层根据所述训练数据生成第一输出结果，将所述第一输出结果传递至所述BP神经网络的输出层；
144、所述输出层根据所述第一输出结果生成第二输出结果；
145、根据所述第一输出结果获取所述隐层的第一计算误差，根据所述第二输出结果获取所述输出层的第二计算误差；
146、根据所述第一计算误差对所述隐层的权值和阈值进行调整，根据所述第二计算误差对所述输出层的权值和阈值进行调整。
在实施中，前一步根据输出结果对BP神经网络的权值和阈值进行调整的步骤具体如下：
这里使用的BP神经网络的具体结构如图3所示，其中输入层设置有三个接口，分别对应训练数据中的期望车速、道路坡度和实际车速，输入层将接收到的三种数据传递至隐层中的第一隐层以及与第一隐层相连的第二隐层。
隐层中的第一隐层和第二隐层的节点根据输入层传递的训练数据结合自身的权值和阈值进行运算，生成第一输出结果，将该第一输出结果传递至BP神经网络的输出层，以便于输出层的节点根据第一输出结果根据本层节点的权值和阈值得到第二输出结果。
在得到第一输出结果时，根据第一输出结果与期望数值确定隐层对应的第一计算误差，同理根据第二输出结果与期望数值确定第二计算误差，从而根据第一计算误差和第二计算误差分别对隐层和输出层的权值及阈值进行调整。从而达到对BP神经网络根据训练数据进行调整的目的。
可选的，所述根据所述处理结果确定需要的辅助制动方式，即步骤15包括：
根据所述处理结果获取制动档位，根据所述制动档位确定具体的制动方式。
在实施中，在将实际制动需求发送至BP神经网络后，接收BP神经网络生成的处理结果，该结果中包含了具体的辅助制动档位，根据该档位指示，结合表1中的组合关系，选取与档位指示对应的制动组合进行制动即可。
由于之前BP神经网络已经经过训练数据的调整，能够根据实际车速和期望车速结合不同的制动方式组合进行制动效果的验证，因此，此时将包含有实际车速、期望车速和道路坡度的信息的实际制动需求发送至BP神经网络，BP神经网络结合调整后的各层权值、阈值给出符合实际制动需求的制动档位，可以满足当前的制动需要。
本发明提供了一种辅助制动方法，通过将辅助制动方式组合输入至构建好的BP神经网络中，使得BP神经网络根据训练数据不断的对自身各层的权值和阈值进行调整，直至满足预设条件停止调整过程，进而根据实际制动需求输出需要的辅助制动方式，使得根据得到该辅助制动方式进行制动，从而满足处于长下坡的车辆的制动需求，提高制动效率。
实施例二
本发明提供一种辅助制动系统2，如图4所示，所述辅助制动系统，包括：
确定单元21，用于确定辅助制动方式组合；
网络单元22，用于构建BP神经网络，将所述辅助制动方式组合部署在所述BP神经网络中，向所述BP神经网络输入训练数据；
训练单元23，用于根据所述训练数据，对所述BP神经网络进行调整，直至所述BP神经网络满足预设条件时终止调整，确定调整后的成熟BP神经网络；
输入单元24，用于将实际制动需求输入到所述成熟BP神经网络中，接收所述成熟BP神经网络的处理结果；
获取单元25，用于根据所述处理结果确定需要的辅助制动方式；
其中，所述实际制动需求包括期望车速、道路坡度和实际车速。
可选的，所述确定单元21用于：
将常用制动方式按不同的方式进行配合，得到辅助制动方式组合；
其中，所述常用制动方式包括发动机制动、排气制动、缓速器制动。
可选的，所述训练单元23，如图5所示，包括：
初始化模块231，用于对所述BP神经网络的权值阈值进行初始化处理；
调整模块232，用于将所述训练数据输入至所述BP神经网络中，获取所述BP神经网络的输出结果，根据所述输出结果对所述BP神经网络的权值阈值进行调整；
判定模块233，用于重复根据所述输出结果对所述BP神经网络的权值阈值进行调整的步骤，直至所述BP神经网络的输出误差小于预设误差值为止，将此时的所述BP神经网络作为成熟BP神经网络。
可选的，所述调整模块232具体用于：
将所述训练数据输入至所述BP神经网络的输入层；
所述输入层将所述训练数据传递至所述BP神经网络的隐层；
所述隐层根据所述训练数据生成第一输出结果，将所述第一输出结果传递至所述BP神经网络的输出层；
所述输出层根据所述第一输出结果生成第二输出结果；
根据所述第一输出结果获取所述隐层的第一计算误差，根据所述第二输出结果获取所述输出层的第二计算误差；
根据所述第一计算误差对所述隐层的权值和阈值进行调整，根据所述第二计算误差对所述输出层的权值和阈值进行调整。
可选的，所述获取单元25用于：
根据所述处理结果获取制动档位，根据所述制动档位确定具体的制动方式。
本发明提供了一种辅助制动系统，包括确定单元、网络单元、训练单元、输入单元和获取单元，通过将确定单元确定的辅助制动方式组合输入至网络单元构建好的BP神经网络中，在训练单元中使得BP神经网络根据训练数据不断的对自身各层的权值和阈值进行调整，直至满足预设条件停止调整过程，进而根据输入单元输入实际制动需求最终通过获取单元输出需要的辅助制动方式，使得根据得到该辅助制动方式进行制动，从而满足处于长下坡的车辆的制动需求，提高制动效率。
需要说明的是：上述实施例提供的辅助制动方法进行车辆在长下坡情况下进行制动的实施例，仅作为该辅助制动方法在实际应用中的说明，还可以根据实际需要而将上述辅助制动方法在其他应用场景中使用，其具体实现过程类似于上述实施例，这里不再赘述。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中得先后顺序。
以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种辅助制动方法，其特征在于，所述辅助制动方法，包括：
确定辅助制动方式组合；
构建BP神经网络，将所述辅助制动方式组合部署在所述BP神经网络中，向所述BP神经网络输入训练数据；
根据所述训练数据，对所述BP神经网络进行调整，直至所述BP神经网络满足预设条件时终止调整，确定调整后的成熟BP神经网络；
将实际制动需求输入到所述成熟BP神经网络中，接收所述成熟BP神经网络的处理结果；
根据所述处理结果确定需要的辅助制动方式；
其中，所述实际制动需求包括期望车速、道路坡度和实际车速。
2.根据权利要求1所述的辅助制动方法，其特征在于，所述确定辅助制动方式组合，包括：
将常用制动方式按不同的方式进行配合，得到辅助制动方式组合；
其中，所述常用制动方式包括发动机制动、排气制动、缓速器制动。
3.根据权利要求1所述的辅助制动方法，其特征在于，所述根据所述训练数据，对所述BP神经网络进行调整，直至所述BP神经网络满足预设条件时终止调整，确定调整后的成熟BP神经网络，包括：
对所述BP神经网络的权值阈值进行初始化处理；
将所述训练数据输入至所述BP神经网络中，获取所述BP神经网络的输出结果，根据所述输出结果对所述BP神经网络的权值阈值进行调整；
重复根据所述输出结果对所述BP神经网络的权值阈值进行调整的步骤，直至所述BP神经网络的输出误差小于预设误差值为止，将此时的所述BP神经网络作为成熟BP神经网络。
4.根据权利要求3所述的辅助制动方法，其特征在于，所述将所述训练数据输入至所述BP神经网络中，获取所述BP神经网络的输出结果，根据所述输出结果对所述BP神经网络的权值阈值进行调整，包括：
将所述训练数据输入至所述BP神经网络的输入层；
所述输入层将所述训练数据传递至所述BP神经网络的隐层；
所述隐层根据所述训练数据生成第一输出结果，将所述第一输出结果传递至所述BP神经网络的输出层；
所述输出层根据所述第一输出结果生成第二输出结果；
根据所述第一输出结果获取所述隐层的第一计算误差，根据所述第二输出结果获取所述输出层的第二计算误差；
根据所述第一计算误差对所述隐层的权值和阈值进行调整，根据所述第二计算误差对所述输出层的权值和阈值进行调整。
5.根据权利要求1所述的辅助制动方法，其特征在于，所述根据所述处理结果确定需要的辅助制动方式，包括：
根据所述处理结果获取制动档位，根据所述制动档位确定具体的制动方式。
6.一种辅助制动系统，其特征在于，所述辅助制动系统，包括：
确定单元，用于确定辅助制动方式组合；
网络单元，用于构建BP神经网络，将所述辅助制动方式组合部署在所述BP神经网络中，向所述BP神经网络输入训练数据；
训练单元，用于根据所述训练数据，对所述BP神经网络进行调整，直至所述BP神经网络满足预设条件时终止调整，确定调整后的成熟BP神经网络；
输入单元，用于将实际制动需求输入到所述成熟BP神经网络中，接收所述成熟BP神经网络的处理结果；
获取单元，用于根据所述处理结果确定需要的辅助制动方式；
其中，所述实际制动需求包括期望车速、道路坡度和实际车速。
7.根据权利要求1所述的辅助制动系统，其特征在于，所述确定单元用于：
将常用制动方式按不同的方式进行配合，得到辅助制动方式组合；
其中，所述常用制动方式包括发动机制动、排气制动、缓速器制动。
8.根据权利要求1所述的辅助制动系统，其特征在于，所述训练单元，包括：
初始化模块，用于对所述BP神经网络的权值阈值进行初始化处理；
调整模块，用于将所述训练数据输入至所述BP神经网络中，获取所述BP神经网络的输出结果，根据所述输出结果对所述BP神经网络的权值阈值进行调整；
判定模块，用于重复根据所述输出结果对所述BP神经网络的权值阈值进行调整的步骤，直至所述BP神经网络的输出误差小于预设误差值为止，将此时的所述BP神经网络作为成熟BP神经网络。
9.根据权利要求8所述的辅助制动系统，其特征在于，所述调整模块具体用于：
将所述训练数据输入至所述BP神经网络的输入层；
所述输入层将所述训练数据传递至所述BP神经网络的隐层；
所述隐层根据所述训练数据生成第一输出结果，将所述第一输出结果传递至所述BP神经网络的输出层；
所述输出层根据所述第一输出结果生成第二输出结果；
根据所述第一输出结果获取所述隐层的第一计算误差，根据所述第二输出结果获取所述输出层的第二计算误差；
根据所述第一计算误差对所述隐层的权值和阈值进行调整，根据所述第二计算误差对所述输出层的权值和阈值进行调整。
10.根据权利要求1所述的辅助制动系统，其特征在于，所述获取单元用于：
根据所述处理结果获取制动档位，根据所述制动档位确定具体的制动方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510374272.2A CN104986155A (zh) | 2015-06-30 | 2015-06-30 | 一种辅助制动方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510374272.2A CN104986155A (zh) | 2015-06-30 | 2015-06-30 | 一种辅助制动方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104986155A true CN104986155A (zh) | 2015-10-21 |
Family
ID=54298092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510374272.2A Pending CN104986155A (zh) | 2015-06-30 | 2015-06-30 | 一种辅助制动方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104986155A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110962828A (zh) * | 2019-12-23 | 2020-04-07 | 奇瑞汽车股份有限公司 | 预测电动汽车制动压力的方法和设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005263100A (ja) * | 2004-03-19 | 2005-09-29 | Mitsubishi Fuso Truck & Bus Corp | 車両制御装置 |
| CN101118620A (zh) * | 2007-09-18 | 2008-02-06 | 吉林大学 | 基于神经网络的车辆换档品质评价方法 |
-
2015
- 2015-06-30 CN CN201510374272.2A patent/CN104986155A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005263100A (ja) * | 2004-03-19 | 2005-09-29 | Mitsubishi Fuso Truck & Bus Corp | 車両制御装置 |
| CN101118620A (zh) * | 2007-09-18 | 2008-02-06 | 吉林大学 | 基于神经网络的车辆换档品质评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| 余强等: "发动机制动、排气制动与缓行器联合作用的模糊控制系统研究", 《汽车工程》 * |
| 余强等: "发动机制动、排气制动与缓速器联合作用时的非连续线性控制系统的研究", 《中国公路学报》 * |
| 陈守余等: "《人工神经网络模拟实现与应用》", 30 September 2000 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110962828A (zh) * | 2019-12-23 | 2020-04-07 | 奇瑞汽车股份有限公司 | 预测电动汽车制动压力的方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110450825B (zh) | 城市轨道交通列车运行控制方法 | |
| US10197156B2 (en) | Systems and methods for dynamic gear state and vehicle speed management | |
| CN108647802B (zh) | 基于双层交通网络模型抗拥塞方法 | |
| CN104881527A (zh) | 城市轨道交通列车ato速度命令优化方法 | |
| CN101807159B (zh) | 一种自适应任务调度方法 | |
| CN103496368B (zh) | 具有学习能力的汽车协同式自适应巡航控制系统及方法 | |
| CN101789178B (zh) | 街区路口交通信号优化控制方法 | |
| CN105047057B (zh) | 一种多用户多车道高快速路宏观交通流仿真方法 | |
| CN114202316B (zh) | 基于深度强化学习的城市轨道交通列车时刻表优化方法 | |
| CN104851280A (zh) | 一种车辆行驶控制方法、装置、系统及相关设备 | |
| CN104392094A (zh) | 一种基于浮动车数据的城市道路网络可靠性评价方法 | |
| CN107577234A (zh) | 一种驾驶员在环的汽车燃油经济性控制方法 | |
| CN109992843B (zh) | 一种基于运行等级的城市轨道交通列车运行图构建方法 | |
| CN106781446A (zh) | 一种施工环境下高速公路应急车辆资源配置方法 | |
| CN106997496B (zh) | 一种双向两车道公路施工区最佳施工长度设置方法 | |
| CN105045090A (zh) | 基于模糊控制的液力缓速器恒速控制方法及装置 | |
| CN104464293A (zh) | 一种公交专用道上公交停靠站泊位数确定方法 | |
| CN109398098A (zh) | 半挂汽车列车液压再生制动优化控制方法、装置及系统 | |
| CN104986155A (zh) | 一种辅助制动方法及系统 | |
| CN109889564B (zh) | 一种网联汽车的集中式群体协同控制方法 | |
| CN105480263A (zh) | 列车调度优化方法以及系统 | |
| CN103136451B (zh) | 动态相对安全车距的实时计算方法 | |
| CN104731096A (zh) | 基于滚动优化的列车区间运行轨迹规划方法 | |
| Bai et al. | Station stopping of freight trains with pneumatic braking | |
| CN103426294B (zh) | 一种基于紧急交通流优先级别多层模糊的划分方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151021 |
|
| RJ01 | Rejection of invention patent application after publication |