CN105912806A - 一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法 - Google Patents

一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法 Download PDF

Info

Publication number
CN105912806A
CN105912806A CN201610277660.3A CN201610277660A CN105912806A CN 105912806 A CN105912806 A CN 105912806A CN 201610277660 A CN201610277660 A CN 201610277660A CN 105912806 A CN105912806 A CN 105912806A
Authority
CN
China
Prior art keywords
layer
crash
acceleration
fuzzy inference
fuzzy
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.)
Granted
Application number
CN201610277660.3A
Other languages
English (en)
Other versions
CN105912806B (zh
Inventor
白中浩
白芳华
王玉龙
刘浏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201610277660.3A priority Critical patent/CN105912806B/zh
Publication of CN105912806A publication Critical patent/CN105912806A/zh
Application granted granted Critical
Publication of CN105912806B publication Critical patent/CN105912806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/23Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Air Bags (AREA)

Abstract

本发明公开了一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法。通过对小重叠碰撞事故进行分析并获得识别小重叠碰撞类型的特征参数:速度变化量、汽车主要受力方向、加速度长度比值,然后根据上述特征参数,基于自适应神经模糊推理系统建立二级模糊安全气囊控制算法对小重叠事故类型进行识别,同时通过训练合适的模糊隶属度函数和模糊规则来提高该算法的性能。其中二级模糊安全气囊控制算法包括以速度变化量为输入,通过与预设阈值对比进行第一级碰撞类型判断;以汽车主要受力方向、加速度长度比值为输入,通过自适应神经模糊推理系统进行第二级碰撞类型判断。本发明提供的安全气囊智能控制方法安全可靠、准确度高、实时性强。

Description

一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法
技术领域
本发明主要涉及到汽车安全气囊控制领域,尤其是涉及一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法。
背景技术
安全气囊是乘客在碰撞事故中最后的保护装置,作用不可忽视。根据美国审计署报告,当汽车发生正面碰撞时,单独使用安全气囊可以降低23%的重伤率,同时使用安全带和安全气囊可以减少50%的重伤率。然而,现实碰撞事故较为复杂,碰撞类型包括了斜碰撞、偏置碰撞、小重叠碰撞以及柱碰撞,如果这些事故被安全气囊算法误判为100%正碰撞或其他碰撞类型,则会低估或高估碰撞的严重性,因此对乘员起不到最佳保护作用,甚至对特殊乘员造成致命伤害。
近年来,许多学者致力于开发能够识别碰撞类型的安全气囊算法。T-W Park等人用速度变量和加速度长度两个特征参数识别柱碰撞、斜碰撞、偏置碰撞和完全前碰撞。KwanghyunCho等人利用雷达和多种传感器技术提出了预测碰撞形式的预碰撞算法,同时结合速度变化量和加速度绝对值两个特征参数获得最终碰撞类型。Kusano K D等人用主要受力方向(PrincipalDirection of Force,PDOF)判断汽车碰撞侧,来提醒汽车交通事故的紧急医疗服务级别,使乘员得到最及时的治疗。Mon Y J等人用汽车位移、加速度等特征变量开发了基于自适应神经模糊推理系统的安全气囊展开算法,但没有考虑碰撞类型。小重叠碰撞是正面碰撞的一种,因其发生普遍且对乘员有致命损伤而越来越受关注。小重叠碰撞中正面冲击力完全由纵梁外侧的结构承受,车身侵入量极大,乘员头部因发生斜向位移而容易受到严重伤害。小重叠碰撞兼有小角度碰撞和正面碰撞的特点,上述安全气囊算法对该碰撞类型的识别鲁棒性不高。另外,由于小重叠碰撞过程中乘员头部发生斜向位移,在最佳时刻同时展开前排乘员气囊和侧气帘对乘员会起到更好的保护效果。本发明通过分析小重叠碰撞数据得到判别该碰撞类型的速度变化量、PDOF和加速度长度比值(Acceleration length ratio,ALR)三个特征参数,速度变化量是指碰撞过程中对加速度的积分值,PDOF是汽车合成碰撞力的方向,加速度长度比值是汽车前置传感器中左、右加速度长度的比值,设计基于自适应神经模糊推理系统的二级模糊安全气囊算法,以期在发生小重叠碰撞事故时,安全气囊控制单元能够识别该碰撞类型并在最佳时刻展开前安全气囊和侧气帘,从而获得乘员的最佳保护效果。
发明内容
本发明要解决的技术问题是,针对现有安全气囊算法对小重叠碰撞类型识别率不高的问题,本发明提供一种安全可靠、准确度高、实时性强的小重叠碰撞安全气囊控制方法。本方法基于自适应神经模糊推理系统进行搭建,可以实时处理外界输入的汽车加速度数据,并准确判断汽车碰撞类型。
本发明解决其技术问题采用的技术方案是,发明了一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法,其特征在于:通过对小重叠碰撞事故进行分析并获得识别小重叠碰撞类型的特征参数:速度变化量、汽车主要受力方向、加速度长度比值,然后根据上述特征参数,基于自适应神经模糊推理系统建立二级模糊安全气囊控制算法对小重叠事故类型进行识别,同时通过训练合适的模糊隶属度函数和模糊规则来提高该算法的性能,其中二级模糊安全气囊控制算法包括以速度变化量为输入,通过与预设阈值对比进行第一级碰撞类型判断;以汽车主要受力方向、加速度长度比值为输入,通过自适应神经模糊推理系统进行第二级碰撞类型判断,最后根据判断类型在最佳时刻展开安全气囊,具体步骤如下::
1)根据所建立的整车有限元模型分别进行小重叠碰撞与正面碰撞仿真,获得车辆在不同碰撞类型及不同速度下的特征参数:速度变化量、汽车主要受力方向、加速度长度比值;
2)通过分析比较小重叠碰撞与正面碰撞在不同碰撞速度下的速度变化曲线,选择0-10ms内的特定速度变化量Δv作为第一级碰撞类型的判断阈值,若碰撞速度变化量大于此阈值则可直接判断为正面碰撞,小于此阈值则进入第二级碰撞类型判断;
3)以汽车主要受力方向、加速度长度比值作为输入建立基于自适应神经模糊推理系统的第二级碰撞类型判断算法,同时以汽车碰撞类型作为自适应神经模糊推理系统的输出,并通过碰撞仿真数据进行训练优化,以下为自适应神经模糊推理系统的模型:
该自适应神经模糊推理系统有两个输入(汽车主要受力方向、加速度长度比值)和一个输出(碰撞类型),系统共分为六层,包括一个输入层,一个输出层及四个隐含层,各层节点数分别为:2-6-3-3-3-1,同层节点具有相似功能;
输入层:该层输入变量为汽车主要受力方向和加速度长度比值,用x1与x2表示,其实际论域范围分别为[0,35]与[0,1.5],为统一计算论域范围,将其映射到计算论域[0,1]上,变换公式如下所示:
x = 1 2 + 1 x 0 m a x - x 0 m i n ( x 0 - x 0 m a x + x 0 min 2 )
其中,x0max和x0min分别为汽车主要受力方向和加速度长度比值的最大、最小值,x为论域变换后的值;
第一层:该层为输入变量模糊化层,该层每个节点i通过高斯型隶属度函数uMi(x1)和uNi(x2)输出对应模糊集的隶属度,其中i=1,2,3;
第二层:该层输出为各条规则的适用度wi,用输入信号的乘积表示:
wi=uMi(x1)·uNi(x2),i=1,2,3
第三层:该层计算第i条规则wi占全部规则适用度∑wi的比例,用表示:
w i ‾ = w i / Σw i , i = 1 , 2 , 3
第四层:本层为各条规则的输出
w i ‾ f i = w i ‾ ( p i x 1 + q i x 2 + r i ) , i = 1 , 2 , 3
其中,fi为Takagi–Sugeno型模糊推理系统的后项输出函数,pi,qi,ri为模糊参数;
第五层:该层为输出层,系统的总输出y为:
y = Σ i w i ‾ f i = Σ i w i f i Σ i w i , i = 1 , 2 , 3
利用MATLAB的模糊工具箱ANFIS对自适应神经模糊推理模型进行训练,将不同速度下车辆碰撞数据和碰撞类型作为输入-输出的训练数据,其每一行代表一个模拟目标系统所需的输入-输出对,ANFIS采用误差反传与最小二乘相结合的混合算法训练相应参数,设置训练目标误差为0.001,步长为0.01,训练次数为20;
4)通过代码移植将此模型输入到安全气囊控制器中,通过安全气囊控制器实时对速度变化量、汽车主要受力方向、加速度长度比值等特征参数进行处理,当发生碰撞事故时,输出碰撞类型并起爆相应的安全气囊。
附图说明
图1是本发明的安全气囊碰撞类型识别算法流程图;
图2是本发明的车辆安全气囊控制器的物理结构图;
图3是本发明的整车有限元模型;
图4是本发明的正面100%重叠碰撞试验与仿真加速度对比;
图5是本发明的小重叠碰撞试验与仿真加速度对比;
图6是本发明的小重叠碰撞和正面碰撞速度变化曲线;
图7是本发明的正面100%重叠碰撞主要受力方向角度值;
图8是本发明的小重叠碰撞主要受力方向角度值;
图9是本发明的正面100%重叠碰撞加速度长度比值;
图10是本发明的小重叠碰撞加速度长度比值;
图11是本发明的两级模糊算法流程图;
图12是本发明的自适应神经模糊推理系统结构图;
图13是本发明的输入变量隶属度函数图。
具体实施方案
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一乘员一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。
图2为车辆安全气囊控制器的物理结构图,安全气囊控制系统包括前置传感器(PrepositiveSensor,PS)、中央传感器(Central Sensor,CS)、碰撞类型识别电路(Impact Forms IdentificationCircuit,IFIC)、电子控制单元(Electronic Control Unit,ECU)和气囊。PS安装在汽车车灯安装架处,与CS一起检测和识别碰撞加速度信号。IFIC与传感器电连接,识别碰撞类型。ECU与气囊和IFIC电连接,根据安全气囊控制器产生的识别信号控制展开气囊。
图3为整车的有限元模型,图4与图5分别为100%正面碰撞与小重叠碰撞的试验与仿真加速度对比,从数据上可以看出,两条加速度曲线开始和结束时间基本相同,峰值比较接近,误差分别为14.35%和11.6%,均在可接受范围之内。
2、开发基于不同特征参数判断碰撞类型的二级模糊算法。
图6是小重叠碰撞和正面碰撞速度变化曲线,从数据上可以看出,在相同冲击力的情况下,小重叠碰撞相对于正面100%重叠碰撞的速度减小较慢,速度变化较小。通过分析比较小重叠碰撞与正面碰撞在不同碰撞速度下的速度变化曲线,选定一个速度变化量作为第一级碰撞类型判断的阈值,若求得速度变化量大于此阈值则可直接判断为正面碰撞,小于此阈值则进入第二级碰撞类型判断。
图7与图8分别为正面100%重叠碰撞主要受力方向角度值与小重叠碰撞主要受力方向角度值,从数据上可以看出,正面100%重叠碰撞的PDOF角度范围为0°-12°,小重叠碰撞的角度范围为14°-35°。图9和图10分别为正面100%重叠碰撞加速度长度比值与小重叠碰撞加速度长度比值,从数据上可以看出,正面100%重叠碰撞的ALR范围为0.60-1.30,小重叠碰撞的角度范围为0-0.50。分析比较小重叠碰撞与正面碰撞在不同碰撞速度下的两特征参数:汽车主要受力方向、加速度长度比值,数据表明不同碰撞类型中两特征参数的变化范围别较大,即选取其作为第二级碰撞类型判断的输入,图11是本发明的两级模糊算法流程图。
3、建立自适应神经模糊推理系统作为第二级碰撞类型判断算法。
以上文中选定的两特征参数:汽车主要受力方向、加速度长度比值作为自适应神经模糊推理系统的输入,汽车碰撞类型作为自适应神经模糊推理系统的输出,以下为自适应神经模糊推理系统的模型:
图12为自适应神经模糊推理系统结构图,该自适应神经模糊推理系统有两个输入(汽车主要受力方向、加速度长度比值)一个输出(碰撞类型),系统共分为6层,包括一个输入层,一个输出层及四个隐含层,各层节点数分别为:2-6-3-3-3-1,同一层的每个节点具有相似的功能;
输入层:该层输入变量为汽车主要受力方向和加速度长度比值,用x1与x2表示,其实际论域范围分别为[0,35]与[0,1.5],为统一计算论域范围,将其映射到计算论域[0,1]上,变换公式如下所示:
x = 1 2 + 1 x 0 m a x - x 0 min ( x 0 - x 0 m a x + x 0 m i n 2 )
其中,x0max和x0min分别为汽车主要受力方向和加速度长度比值的最大、最小值,x为论域变换后的值;
第一层:该层为输入变量模糊化层,该层每个节点i通过高斯型隶属度函数uMi(x1)和uNi(x2)输出对应模糊集的隶属度,其中i=1,2,3;
第二层:该层输出为各条规则的适用度wi,用输入信号的乘积表示:
wi=uMi(x1)·uNi(x2),i=1,2,3
第三层:该层计算第i条规则wi占全部规则适用度∑wi的比例,用表示:
w i ‾ = w i / Σw i , i = 1 , 2 , 3
第四层:本层为各条规则的输出
w i ‾ f i = w i ‾ ( p i x 1 + q i x 2 + r i ) , i = 1 , 2 , 3
其中,fi为Takagi–Sugeno型模糊推理系统的后项输出函数,pi,qi,ri为模糊参数;
第五层:该层为输出层,系统的总输出y为:
y = Σ i w i ‾ f i = Σ i w i f i Σ i w i , i = 1 , 2 , 3
图13是本发明的输入变量隶属度函数图,利用MATLAB的模糊工具箱ANFIS仿真实现命令Anfis训练网络模型,不同速度下车辆碰撞数据和碰撞类型作为输入-输出的训练数据trnData,其每一行代表一个模拟目标系统所需的输入-输出对,ANFIS采用误差反传与最小二乘相结合的混合算法训练相应参数,设置训练目标误差为0.001,步长为0.01,训练次数为20;
将此模型通过代码转换移植到碰撞类型识别电路中,识别电路实时对速度变化量、汽车主要受力方向、加速度长度比值等特征参数进行处理,当发生碰撞事故时,输出碰撞类型。

Claims (3)

1.一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法,其特征在于:通过对小重叠碰撞事故进行分析并获得识别小重叠碰撞类型的特征参数:速度变化量、汽车主要受力方向、加速度长度比值,然后根据上述特征参数,基于自适应神经模糊推理系统建立二级模糊安全气囊控制算法对小重叠事故类型进行识别,同时通过训练合适的模糊隶属度函数和模糊规则来提高该算法的性能,其中二级模糊安全气囊控制算法包括以速度变化量为输入,通过与预设阈值对比进行第一级碰撞类型判断;以汽车主要受力方向、加速度长度比值为输入,通过自适应神经模糊推理系统进行第二级碰撞类型判断,最后根据判断类型在最佳时刻展开安全气囊,具体步骤如下:
1)根据所建立的整车有限元模型分别进行小重叠碰撞与正面碰撞仿真,获得车辆在不同碰撞类型及不同速度下的特征参数:速度变化量、汽车主要受力方向、加速度长度比值;
2)通过分析比较小重叠碰撞与正面碰撞在不同碰撞速度下的速度变化曲线,选择0-10ms内的特定速度变化量△v作为第一级碰撞类型的判断阈值,若碰撞速度变化量大于此阈值则可直接判断为正面碰撞,小于此阈值则进入第二级碰撞类型判断;
3)以汽车主要受力方向、加速度长度比值作为输入建立基于自适应神经模糊推理系统的第二级碰撞类型判断算法,同时以汽车碰撞类型作为自适应神经模糊推理系统的输出,并通过碰撞仿真数据进行训练优化,以下为自适应神经模糊推理系统的模型:
该自适应神经模糊推理系统有两个输入(汽车主要受力方向、加速度长度比值)和一个输出(碰撞类型),系统共分为六层,包括一个输入层,一个输出层及四个隐含层,各层节点数分别为:2-6-3-3-3-1,同层节点具有相似功能:
输入层:该层输入变量为汽车主要受力方向和加速度长度比值,用x1与x2表示,其实际论域范围分别为[0,35]与[0,1.5],为统一计算论域范围,将其映射到计算论域[0,1]上,变换公式如下所示:
x = 1 2 + 1 x 0 m a x - x 0 m i n ( x 0 - x 0 m a x + x 0 min 2 )
其中,x0max和x0min分别为汽车主要受力方向和加速度长度比值的最大、最小值,x为论域变换后的值;
第一层:该层为输入变量模糊化层,该层每个节点i通过高斯型隶属度函数uMi(x1)和uNi(x2)输出对应模糊集的隶属度,其中i=1,2,3;
第二层:该层输出为各条规则的适用度wi,用输入信号的乘积表示:
wi=uMi(x1)·uNi(x2),i=1,2,3
第三层:该层计算第i条规则wi占全部规则适用度∑wi的比例,用表示:
w i ‾ = w i / Σw i , i = 1 , 2 , 3
第四层:本层为各条规则的输出
w i ‾ f i = w i ‾ ( p i x 1 + q i x 2 + r i ) , i = 1 , 2 , 3
其中,fi为Takagi–Sugeno型模糊推理系统的后项输出函数,pi,qi,ri为模糊参数;
第五层:该层为输出层,系统的总输出y为:
y = Σ i w i ‾ f i = Σ i w i f i Σ i w i , i = 1 , 2 , 3
利用MATLAB的模糊工具箱ANFIS对自适应神经模糊推理模型进行训练,将不同速度下车辆碰撞数据和碰撞类型作为输入-输出的训练数据,其每一行代表一个模拟目标系统所需的输入-输出对,ANFIS采用误差反传与最小二乘相结合的混合算法训练相应参数,设置训练目标误差为0.001,步长为0.01,训练次数为20;
4)通过代码移植将此模型输入到安全气囊控制器中,通过安全气囊控制器实时对速度变化量、汽车主要受力方向、加速度长度比值等特征参数进行处理,当发生碰撞事故时,输出碰撞类型并起爆相应的安全气囊。
2.根据权利要求1所述的一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法,其特征在于,通过分析比较小重叠和正面碰撞模型,以中央传感器加速度数据为输入,计算出正面碰撞和小重叠碰撞主要受力方向范围,并将其作为判断碰撞类型的特征参数。
3.根据权利要求1所述的一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法,其特征在于,以高灵敏度的前置传感器采集得到的加速度数据为输入,得到正面碰撞和小重叠碰撞加速度长度比值范围,并将其作为判断碰撞类型的特征参数。
CN201610277660.3A 2016-04-28 2016-04-28 一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法 Active CN105912806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610277660.3A CN105912806B (zh) 2016-04-28 2016-04-28 一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610277660.3A CN105912806B (zh) 2016-04-28 2016-04-28 一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法

Publications (2)

Publication Number Publication Date
CN105912806A true CN105912806A (zh) 2016-08-31
CN105912806B CN105912806B (zh) 2018-12-18

Family

ID=56752267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610277660.3A Active CN105912806B (zh) 2016-04-28 2016-04-28 一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法

Country Status (1)

Country Link
CN (1) CN105912806B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597178A (zh) * 2017-01-18 2017-04-26 重庆水利电力职业技术学院 一种继电保护测试装置lpa的anfis数字预畸方法
CN107064177A (zh) * 2017-05-24 2017-08-18 电子科技大学 基于自适应模糊推理的超宽带土壤信号含水量识别方法
CN107239599A (zh) * 2017-05-16 2017-10-10 五邑大学 基于神经模糊推理系统的盾构施工引起的地表沉降预测方法
CN108417019A (zh) * 2018-02-23 2018-08-17 盐城师范学院 一种汽车碰撞分级无线自动报警系统及报警方法
CN111859635A (zh) * 2020-07-03 2020-10-30 中国人民解放军海军航空大学航空作战勤务学院 一种基于多粒度建模技术的仿真系统及构建方法
CN114475503A (zh) * 2022-01-05 2022-05-13 东风柳州汽车有限公司 车门解锁控制方法及装置
CN117574539A (zh) * 2023-11-22 2024-02-20 苏州郅荣软件有限公司 一种车辆约束系统优化参数验证系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040162644A1 (en) * 2003-02-19 2004-08-19 Fuji Jukogyo Kabushiki Kaisha Vehicle motion model generating device and method for generating vehicle motion model
CN103303237A (zh) * 2013-06-21 2013-09-18 湖南大学 一种基于遗传神经网络的安全气囊起爆控制方法
CN105216726A (zh) * 2014-07-04 2016-01-06 大陆汽车电子(长春)有限公司 安全气囊控制方法和安全气囊控制系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040162644A1 (en) * 2003-02-19 2004-08-19 Fuji Jukogyo Kabushiki Kaisha Vehicle motion model generating device and method for generating vehicle motion model
CN103303237A (zh) * 2013-06-21 2013-09-18 湖南大学 一种基于遗传神经网络的安全气囊起爆控制方法
CN105216726A (zh) * 2014-07-04 2016-01-06 大陆汽车电子(长春)有限公司 安全气囊控制方法和安全气囊控制系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
白中浩等: ""采用预测模式的智能安全气囊控制算法"", 《华南理工大学学报( 自然科学版)》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597178A (zh) * 2017-01-18 2017-04-26 重庆水利电力职业技术学院 一种继电保护测试装置lpa的anfis数字预畸方法
CN107239599A (zh) * 2017-05-16 2017-10-10 五邑大学 基于神经模糊推理系统的盾构施工引起的地表沉降预测方法
CN107064177A (zh) * 2017-05-24 2017-08-18 电子科技大学 基于自适应模糊推理的超宽带土壤信号含水量识别方法
CN107064177B (zh) * 2017-05-24 2019-08-27 电子科技大学 基于自适应模糊推理的超宽带土壤信号含水量识别方法
CN108417019A (zh) * 2018-02-23 2018-08-17 盐城师范学院 一种汽车碰撞分级无线自动报警系统及报警方法
CN111859635A (zh) * 2020-07-03 2020-10-30 中国人民解放军海军航空大学航空作战勤务学院 一种基于多粒度建模技术的仿真系统及构建方法
CN114475503A (zh) * 2022-01-05 2022-05-13 东风柳州汽车有限公司 车门解锁控制方法及装置
CN117574539A (zh) * 2023-11-22 2024-02-20 苏州郅荣软件有限公司 一种车辆约束系统优化参数验证系统

Also Published As

Publication number Publication date
CN105912806B (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN105912806A (zh) 一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法
CN103303237B (zh) 一种基于遗传神经网络的安全气囊起爆控制方法
Zhu et al. Personalized lane-change assistance system with driver behavior identification
US7635043B2 (en) Crash sensor arrangement for controlling deployment of an occupant restraint device
US7284769B2 (en) Method and apparatus for sensing a vehicle crash
US6816766B2 (en) Continuous collision severity prediction
US6823244B2 (en) Vehicle part control system including electronic sensors
Wang et al. Evaluation of lane departure correction systems using a regenerative stochastic driver model
Deng et al. Finite element analysis of occupant head injuries: Parametric effects of the side curtain airbag deployment interaction with a dummy head in a side impact crash
Cho et al. Design of an airbag deployment algorithm based on precrash information
CN103503047A (zh) 驾驶员状态判定装置
Müller et al. Real-time crash severity estimation with machine learning and 2d mass-spring-damper model
Mon Airbag controller designed by adaptive-network-based fuzzy inference system (ANFIS)
Müller et al. A statistical learning approach for estimating the reliability of crash severity predictions
CN103273913B (zh) 一种基于正交配置优化的汽车自动制动装置
Chan A treatise on crash sensing for automotive air bag systems
Boonmee et al. Portable reckless driving detection system
JP2540431B2 (ja) 神経回路網による衝突状態予測システム
US6275755B1 (en) Vehicle impact severity identification device
Pickering Systems modelling and ethical decision algorithms for autonomous vehicle collisions
Leschke Algorithm concept for crash detection in passenger cars
CN105752015A (zh) 一种汽车安全气囊控制系统
Breed A smart airbag system
Lee et al. Development and test of a motor vehicle event data recorder
Mutlag et al. A Comparative Study of an Artificial Intelligence-Based Vehicle Airbag Controller

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant