CN109611222A - 一种基于脉冲神经网络的电子节气门控制方法 - Google Patents

一种基于脉冲神经网络的电子节气门控制方法 Download PDF

Info

Publication number
CN109611222A
CN109611222A CN201811313347.6A CN201811313347A CN109611222A CN 109611222 A CN109611222 A CN 109611222A CN 201811313347 A CN201811313347 A CN 201811313347A CN 109611222 A CN109611222 A CN 109611222A
Authority
CN
China
Prior art keywords
neural networks
pulse
impulsive neural
electronic throttle
control
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
CN201811313347.6A
Other languages
English (en)
Other versions
CN109611222B (zh
Inventor
杨斌
郑太雄
孙莹
禄盛
冯明驰
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201811313347.6A priority Critical patent/CN109611222B/zh
Publication of CN109611222A publication Critical patent/CN109611222A/zh
Application granted granted Critical
Publication of CN109611222B publication Critical patent/CN109611222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D11/00—Arrangements for, or adaptations to, non-automatic engine control initiation means, e.g. operator initiated
    • F02D11/06—Arrangements for, or adaptations to, non-automatic engine control initiation means, e.g. operator initiated characterised by non-mechanical control linkages, e.g. fluid control linkages or by control linkages with power drive or assistance
    • F02D11/10—Arrangements for, or adaptations to, non-automatic engine control initiation means, e.g. operator initiated characterised by non-mechanical control linkages, e.g. fluid control linkages or by control linkages with power drive or assistance of the electric type
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明请求保护一种基于脉冲神经网络的电子节气门控制方法。首先，鉴于脉冲神经网络脉冲输入脉冲输出的特性，利用相位编码技术对电子节气门期望输出信号进行编码以得到期望脉冲输入信息。基于此，以期望脉冲输入信息与节气门实际输出信号差为输入，利用脉冲神经网络对节气门进行控制。最后，基于Backpropagation(BP)的脉冲时间依赖可塑性(Spike Timing Dependent Plasticity,STDP)学习算法实现脉冲神经网络权值的更新以确保实时精确的控制电子节气门。本发明考虑到脉冲神经网络包含时间维度的信息并且是特征稀疏表达，因此不仅能够实现电子节气门伺服系统的精确控制，并且能够保证节气门控制的实时性能，从而确保了电子节气门跟踪控制的精度同时实现节气门控制的快速反应。

Description

一种基于脉冲神经网络的电子节气门控制方法
技术领域
本发明属于智能汽车发动机电子节气门控制领域，具体是一种汽车发动机电子节气门控制方法，该方法是基于脉冲神经网络的电子节气门控制方法。
背景技术
随着智能汽车技术与需求的不断发展，精确稳定的智能汽车控制变得越来越重要。而作为汽车速度控制的重要部件，汽车发动机电子节气门的精确控制扮演着重要的角色。文献[1]中作者曾指出车辆的速度是节气门开度的函数，即通过控制汽车电子节气门可以实现对汽车速度的精确控制。因此，作为智能汽车速度控制的重要组成，电子节气门控制算法的研究仍然获得了诸多研究学者关注。
随着汽车工业的发展越来越多的控制算法(如线性控制、非线性控制算法、优化控制算法、智能控制算法)以及优化算法(如遗传算法、果蝇优化算法、调和搜索算法等)被广泛应用于电子节气门控制，相比于传统PID控制获得了较高的控制精度。从线性控制角度分析，J.Deur[2]等人设计了一种优化PID控制算法，通过设计反馈补偿器对摩擦和复位弹簧非线性进行补偿，遗憾的是，该算法没有给出如何选取补偿器的参数，同时需要辨识控制对象的参数，并且补偿器在稳定状态时容易产生高频抖振。Yadav[3]等人将电子节气门控制应用于混合动力车辆的速度控制，提出了自学习模糊PID控制器，并设计了基于滑模控制机理的模型参考系统，以获得较好的鲁棒性。遗憾的是，符号函数的使用会使滑模控制产生高频抖动，进而影响控制器的控制性能。接着，Jiao[4]等人为了更精确的对节气门阀片进行控制，提出了电子节气门自适应伺服控制策略，其中伺服控制策略主要包括：参数自适应性PID反馈控制器、前馈补偿器以及摩擦、跛行回家和齿轮间隙等非线性因素自适应补偿器，通过仿真与实验验证了控制算法的有效性。应该指出的是，在电子节气门控制策略设计过程中，并没有考虑到电子节气门开度变化难以直接测量等问题。
从非线性控制角度出发，Wang[5]等人提出了自适应滑模控制策略以克服参数不确定性以及节气门非线性(摩擦非线性、复位弹簧非线性、气门间隙以及跛行回家非线性)特性的影响。仿真以及实验结果验证了此方法的有效性。[6]等人研究了电子节气门扩展滑模控制，主要是通过感知神经网络对不确定因素进行辨识，以实现摩擦和“跛行回家”非线性因素的补偿。值得注意的是，该方法需要微控制器具有很强计算能力。此外，控制策略没有详尽的考虑参数变化时的限制。胡云峰[7,8]等人对电子节气门反演控制方法进行了研究，并基于输入状态稳定性理论提出了控制器参数设计的指导性原则。值得指出的是，在控制器的设计中并没有考虑未建模动态以及外部扰动，同时该方法需要被控对象的精确建模信息，而这在实际控制过程中却难以实现。最近，Amini[9]等人提出了一种离散滑模控制器。此外，一种新颖的方法被用于将采样与量化不精确性插入到离散滑模控制器中。实验证明，控制器的控制精度很大程度上依赖于AD转化器。
基于最优控制理论，[10]等人采用约束时间优化控制，建立了精确的节气门模型，并通过精确的摩擦模型对摩擦力矩进行了细致的刻画，遗憾的是，该方法对模型的依赖性较强，当模型精度随着实际控制对象的特性而变差时，控制效果就会急剧下降。为了解决此问题，[11]等人提出了一种基于时间优化策略的模型预测控制，改善了控制器的性能。应该指出的是，在参数变动和扰动存在时，优化控制技术不能确保控制器的鲁棒性。Alessandro[12]等人将无迹卡尔曼滤波器应用于汽车节气门系统以估计节气门装置的位置来避免由于故障导致的节气门位置不可测问题。
近年来，智能控制在发动机控制中得到了广泛的应用，包括控制器设计、参数辨识及故障诊断等。Yuan[13]等人基于神经网络设计了电子节气门控制器，以降低电子节气门非线性因素及参数变动对控制器的影响。值得注意的是，反向传播学习算法的使用会影响网络的训练速度，同时该算法容易使网络权值最优值陷入局部最小值，进而不能在全局范围得到权值的最优值，以影响控制器的控制性能。Wang[14]等人基于前馈补偿器提出了电子节气门智能模糊控制器，其中，前馈补偿器能够有效的对非线性滞后进行补偿。此外，为了获得良好的跟踪特性，针对模糊隶属度函数设计了闭环反向传播调节器。然而，由于前馈控制器模糊规则设计的太简单，以致不能有效的对非线性滞后特性进行补偿。
综上所述，虽然已有很多学者利用不同的控制算法对节气门控制展开了研究。遗憾的是，以上方法均未考虑时间维度信息。而作为第三代神经网络，脉冲神经网络因其脉冲输入脉冲输出、硬件友好型(特征稀疏表达)以及能耗低特性受到了广泛的关注。基于此，本专利拟公开一种基于脉冲神经网络的电子节气门控制方法。
参考文献：
[1]P.Ioannou,Z.Xu,Throttle and brake control system for automaticvehicle following,Journal of Intelligent Transportation Systems 1(4)(1994)345-377.
[2]J.Deur,D.N.et al.An electronic throttle controlstrategy including compensation of friction and limp-home effects.IEEETransactions on Industry Applications,40(3)(2004)821-834.
[3]A.K.Yadav,P.Gaur,Robust adaptive speed control of uncertain hybridelectronic vehicle using electronic throttle control with varying roadgrade.Nonlinear Dynamics,76(1)(2014)305-321.
[4]X.H.Jiao,J.Y.Zhang,T.L.Shen,An adaptive servo control strategy forautomotive electronic throttle and experimental validation.IEEE Transactionson Industrial Electronics,61(11)(2014)6275-6284.
[5]H.Wang,L.Liu,P.He,et al.Robust adaptive position control ofautomotive electronic throttle valve using PID-type sliding modetechnique.Nonlinear Dynamics,85(2)(2016)1331-1344.
[6]M.I.N.Neural network-based sliding modecontrol of electronic throttle.Engineering Applications of ArtificialIntelligence,18(8)(2005)951-961.
[7]胡云峰,李超,李骏,等.基于观测器的输出反馈电子节气门控制器设计.自动化学报,37(6)(2011)746-754.
[8]陈虹,胡云峰,郭宏志,等.基于backstepping方法的电子节气门控制.控制理论与应用,28(4)(2011)491-496.
[9]M.R.Amini,M.Razmara,M.Shahbakhti.Robust Model-Based DiscreteSliding Mode Control of an Automotive Electronic Throttle Body.SAEInternational Journal of Commercial Vehicles,10(2017-01-0598)(2017)317-330.
[10]M,M,Morari M,et al.Constrained optimal control of anelectronic throttle.International Journal of Control,2006,79(5):465-478.
[11]M,M,I,et al.Hybrid theory-based time-optimalcontrol of an electronic throttle.IEEE Transactions on IndustrialElectronics,2007,54(3):1483-1494.
[12]Vargas A N,Menegaz H M T,Ishihara J Y,et al.Unscented Kalmanfilters for estimating the position of an automotive electronic throttlevalve.IEEE Transactions on Vehicular Technology,2016,65(6):4627-4632.
[13]Yuan Xiao Fang,Wang Yao Nan,Wu Liang Hong,et al.Neural networkbased self-learning control strategy for electronic throttle valve[J].IEEETransactions on Vehicular Technology,2010,59(8):3757-3765.
[14]Wang C H,Huang D Y.A new intelligent fuzzy controller fornonlinear hysteretic electronic throttle in modern intelligent automobiles[J].IEEE Transactions on Industrial Electronics,2013,60(6):2332-2345.
[15]Ghosh-Dastidar S,Adeli H.Spiking neural networks[J].Internationaljournal of neural systems,2009,19(04):295-308.
[16]Ponulak F,Kasinski A.Introduction to spiking neural networks:Information processing,learning and applications[J].Acta neurobiologiaeexperimentalis,2011,71(4):409-433.
发明内容
本发明旨在解决以上现有电子节气门控制器未能考虑时间维度信息的问题。提出了一种能够实时精确的对节气门进行控制，具有控制精度高以及能够达到实时性的基于脉冲神经网络的电子节气门控制方法。本发明的技术方案如下：
一种基于脉冲神经网络的电子节气门控制方法，其包括以下步骤：
首先，鉴于脉冲神经网络脉冲输入脉冲输出(特征稀疏表达)的特性，利用相位编码技术对电子节气门期望输出信号进行编码以得到期望脉冲输入信息；
以期望脉冲输入信息与节气门实际输出信号差为输入，利用脉冲神经网络对节气门进行控制；其中脉冲神经元采用Leaky integrate-and-fire脉冲神经元，所述脉冲神经网络包含时间维度信息，即根据发动机点火时间的要求，对脉冲神经网络输出的控制脉冲进行控制，以达到控制器通过脉冲信号在预设定时间点对节气门进行控制；
最后，基于后向传播(Backpropagation)的脉冲时间依赖可塑性STDP学习算法实现脉冲神经网络权值的更新，特别地，首先对脉冲神经网络权值进行初始化，然后当有脉冲输入到脉冲神经网络，通过隐含层的计算，脉冲神经网络会相应的得到一个输出脉冲，通过对比期望输出与实际输出的差异，利用BP-STDP算法就可以对脉冲神经网络权值进行更新，以确保实时精确的控制电子节气门。
进一步的，所述利用相位编码技术对电子节气门期望输出信号进行编码以得到期望脉冲输入信息，具体包括：
将传统节气门连续的期望输入通过相位编码的方式使其转化为脉冲序列，每个神经元在一个周期内只产生特定的脉冲，在整个时间过程中模拟数据值的变化将会把每个周期连接起来进而得到脉冲序列表示，进而得到期望的脉冲输入序列信号。
进一步的，所述脉冲神经网络共三层，包括输入层即编码层、隐含层即特征表达层以及输出层，输入层有1个神经元，隐含层有10个神经元，输出层有1个神经元，其中，神经元使用Leaky-integrate-and-Fire脉冲神经元数学模型。
进一步的，所述Leaky-integrate-and-Fire脉冲神经元是一种利用电子线路来模拟神经元的模型，该模型表示一种累加器，其数学模型可表示为：
式中，C为电容，gl＝1/R为导电率，R为电阻值；Em为电压；iin(t)为输入电流；um(t)为神经元膜电位，如果um(t)超过神经元的激活阈值，该神经元立刻输出一个脉冲，并重置该神经元的电位为0，此外，在该神经元激活被输出脉冲后，该神经元会在很小的一段时间内处于不应期，即在该短时间段内该神经元不工作，而传统人工神经网络则是同一时刻所有神经元都参与运算，因此该特性是脉冲神经网络的重要特性之一。
进一步的，所述基于后向传播(Backpropagation)的脉冲时间依赖可塑性STDP学习算法实现脉冲神经网络权值的更新，具体包括：
G为冲击函数，则设计能量函数如下：
式中，di,j为节气门期望脉冲输入，oi,j节气门实际输出脉冲，N为训练样本，M为输出神经元，则基于BP方法，由梯度下降原理可得：
式中，式中，E为目标函数；dj为神经网络期望输出；oi为神经网络实际输出；oh为隐含层输出；wjh为神经网络权值。
对式(3)求导可得：
假设dj，oi和oh分别为脉冲序列Lj，Gj和Gh，式(4)可用于更新脉冲神经网络的权值，其中：
为脉冲延迟发出时间；t为脉冲发送时间；δ为狄拉克δ函数。
综合式(3)-(6)可得:
Δwjh为神经网络权值更新率；η为学习率；T为脉冲发送时间间隔；t′为脉冲发送时间。
基于以上分析，不同时刻脉冲神经网络的权值可表示为：
whi(t)＝whi(t)+Δwhi(t) (8)
本发明的优点及有益效果如下：
本发明(1)由于采用了脉冲神经网络，包含时间维度信息，控制器可以通过脉冲信号在特定时间点对节气门进行控制。相比于传统的控制方法，基于脉冲神经网络的节气门控制方法更能精确的对节气门进行控制。
(2)由于脉冲神经网络的神经元在同一时刻不是全部激活参与计算(特征稀疏表达)，所以这种方法能够减少计算量，进而达到控制器实时性能的要求。
(3)由于脉冲神经网络是一种硬件友好性的方法，所以本发明所提出的一种基于脉冲神经网络的控制方法，具有很强的实用性。
附图说明
图1是本发明提供优选实施例相位编码示意图；
图2：(a)脉冲神经元运行机理；(b)神经元电路模型；
图3：控制逻辑框图；
图4：算法原理:(a)传统BP算法；(b)BP-STDP算法。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
一种基于脉冲神经网络的电子节气门控制方法，其特征在于，首先利用相位编码，如图1所示，对期望电子节气门输入进行脉冲编码，以得到期望输入脉冲信号；以期望脉冲输入与电子节气门实际输出之差为输入，利用脉冲神经网络，以实现对电子节气门进行控制，其中脉冲神经元采用Leaky integrate-and-fire脉冲神经元，其激活机理及所对应的电路模型如图2所示；基于后向传播(Backpropagation(BP))的脉冲时间依赖可塑性(SpikeTiming Dependent Plasticity,STDP)学习算法实现脉冲神经网络权值的更新，控制逻辑框图如图3所示。
1.相位编码
考虑到脉冲神经网络以其脉冲输入脉冲输出(特征稀疏表达)的特性，对于脉冲神经网络，首先应对其输入进行编码，使其能够满足网络输入的要求，即需要将传统节气门连续的期望输入通过相位编码的方式使其转化为脉冲序列，进而得到期望的脉冲输入序列信号。而诸多研究表明，人类大脑许多神经系统的神经元系统利用脉冲相位编码方法处理脉冲序列。如果输入脉冲序列信号各周期不变，那么神经元系统生成的脉冲序列相位也会以周期模式出现，如图1所示，每个神经元在一个周期内只产生特定的脉冲。基于此，在整个时间过程中模拟数据值的变化将会把每个周期连接起来进而得到脉冲序列表示。因此，本发明将采用相位编码的方式对节气门期望输入信号进行编码。
2.Leaky-integrate-and-Fire脉冲神经元数学模型
如图2所示，脉冲神经网络神经元使用Leaky-integrate-and-Fire模型，其中Leaky-integrate-and-Fire脉冲神经元是一种利用电子线路来模拟神经元的模型，如图2所示，该模型表示一种累加器，其数学模型可表示为：
式中，C为电容，gl＝1/R为导电率。um(t)为神经元膜电位。如果um(t)超过神经元的激活阈值，该神经元立刻输出一个脉冲，并重置该神经元的电位为0。此外，在该神经元激活被输出脉冲后，该神经元会在很小的一段时间内处于不应期，即在该短时间段内该神经元不工作，而传统人工神经网络则是同一时刻所有神经元都参与运算，因此该特性是脉冲神经网络的重要特性之一。
3.基于后向传播(Backpropagation(BP))的脉冲时间依赖可塑性(Spike TimingDependent Plasticity,STDP)学习算法设计
突触可塑性假说是由Hebb最先提出：“如果两个神经元同时兴奋，则他们之间的突触得以增强”，该假说意在强调突触前后神经元的协同活动及引起的神经突触增强的重要性。传统的BP学习算法虽然可用于对脉冲神经网络进行训练。需要指出的是，该方法能够获得较高的精度但是比较耗能。相比于BP，STDP算法则是效率比较高。因此，本方法拟结合这两种方法对脉冲神经网络进行训练。设计如图4所示的算法原理图，其中G为冲击函数，则可设计能量函数如下：
式中，di,j为节气门期望脉冲输入，oi,j节气门实际输出脉冲。N为训练样本，M为输出神经元。如图4(a)，则基于BP方法，由梯度下降原理可得：
式中，oh为隐含层输出。
对式(3)求导可得：
假设dj，oi和oh分别为脉冲序列Lj，Gj和Gh。如图4(b)所示，式(4)可用于更新脉冲神经网络的权值。其中：
综合式(3)-(6)可得:
基于以上分析，不同时刻脉冲神经网络的权值可表示为：
whi(t)＝whi(t)+Δwhi(t) (8)
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于脉冲神经网络的电子节气门控制方法，其特征在于，包括以下步骤：
首先，鉴于脉冲神经网络脉冲输入脉冲输出的特征稀疏表达特性，利用相位编码技术对电子节气门期望输出信号进行编码以得到期望脉冲输入信息；
以期望脉冲输入信息与节气门实际输出信号差为输入，利用脉冲神经网络对节气门进行控制；其中脉冲神经元采用Leaky integrate-and-fire脉冲神经元，所述脉冲神经网络包含时间维度信息，即根据发动机点火时间的要求，对脉冲神经网络输出的控制脉冲进行控制，以达到控制器通过脉冲信号在预设定时间点对节气门进行控制；
最后，基于后向传播的脉冲时间依赖可塑性STDP学习算法实现脉冲神经网络权值的更新，具体包括：首先对脉冲神经网络权值进行初始化，然后当有脉冲输入到脉冲神经网络，通过隐含层的计算，脉冲神经网络会相应的得到一个输出脉冲，通过对比期望输出与实际输出的差异，利用BP-STDP算法就可以对脉冲神经网络权值进行更新，以确保实时精确的控制电子节气门。
2.根据权利要求1所述的基于脉冲神经网络的电子节气门控制方法，其特征在于，所述利用相位编码技术对电子节气门期望输出信号进行编码以得到期望脉冲输入信息，具体包括：
将传统节气门连续的期望输入通过相位编码的方式使其转化为脉冲序列，每个神经元在一个周期内只产生特定的脉冲，在整个时间过程中模拟数据值的变化将会把每个周期连接起来进而得到脉冲序列表示，进而得到期望的脉冲输入序列信号。
3.根据权利要求1或2所述的基于脉冲神经网络的电子节气门控制方法，其特征在于，所述脉冲神经网络共三层，包括输入层即编码层、隐含层即特征表达层以及输出层，输入层有1个神经元，隐含层有10个神经元，输出层有1个神经元，其中，神经元使用Leaky-integrate-and-Fire脉冲神经元数学模型。
4.根据权利要求3所述的基于脉冲神经网络的电子节气门控制方法，其特征在于，所述Leaky-integrate-and-Fire脉冲神经元是一种利用电子线路来模拟神经元的模型，该模型表示一种累加器，其数学模型可表示为：
式中，C为电容，gl＝1/R为导电率；R为电阻值；Em为电压；iin(t)为输入电流；um(t)为神经元膜电位，如果um(t)超过神经元的激活阈值，该神经元立刻输出一个脉冲，并重置该神经元的电位为0，此外，在该神经元激活被输出脉冲后，该神经元会在很小的一段时间内处于不应期，即在该短时间段内该神经元不工作，而传统人工神经网络则是同一时刻所有神经元都参与运算，因此该特性是脉冲神经网络的重要特性之一。
5.根据权利要求3所述的基于脉冲神经网络的电子节气门控制方法，其特征在于，所述基于后向传播(Backpropagation)的脉冲时间依赖可塑性STDP学习算法实现脉冲神经网络权值的更新，具体包括：
G为冲击函数，则设计能量函数如下：
式中，di,j为节气门期望脉冲输入，oi,j节气门实际输出脉冲，N为训练样本，M为输出神经元，则基于BP方法，由梯度下降原理可得：
式中，E为目标函数；dj为神经网络期望输出；oi为神经网络实际
输出；oh为隐含层输出；wjh为神经网络权值；
对式(3)求导可得：
假设dj，oi和oh分别为脉冲序列Lj，Gj和Gh，式(4)可用于更新脉冲神经网络的权值，其中：
为脉冲延迟发出时间；t为脉冲发送时间；δ为狄拉克δ函数；
综合式(3)-(6)可得:
Δwjh为神经网络权值更新率；η为学习率；T为脉冲发送时间间隔；t′为脉冲发送时间；
基于以上分析，不同时刻脉冲神经网络的权值可表示为：
whi(t)＝whi(t)+Δwhi(t) (8)。
CN201811313347.6A 2018-11-06 2018-11-06 一种基于脉冲神经网络的电子节气门控制方法 Active CN109611222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811313347.6A CN109611222B (zh) 2018-11-06 2018-11-06 一种基于脉冲神经网络的电子节气门控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811313347.6A CN109611222B (zh) 2018-11-06 2018-11-06 一种基于脉冲神经网络的电子节气门控制方法

Publications (2)

Publication Number Publication Date
CN109611222A true CN109611222A (zh) 2019-04-12
CN109611222B CN109611222B (zh) 2021-07-13

Family

ID=66002017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811313347.6A Active CN109611222B (zh) 2018-11-06 2018-11-06 一种基于脉冲神经网络的电子节气门控制方法

Country Status (1)

Country Link
CN (1) CN109611222B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275004A (zh) * 2020-02-21 2020-06-12 电子科技大学 基于lmd和脉冲神经网络的轴承故障诊断方法
CN111310816A (zh) * 2020-02-07 2020-06-19 天津大学 基于无监督匹配追踪编码的仿脑架构图像识别方法
CN113205048A (zh) * 2021-05-06 2021-08-03 浙江大学 一种手势识别方法及识别系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06249004A (ja) * 1993-02-26 1994-09-06 Toyota Motor Corp 車両の駆動力制御装置
US5454358A (en) * 1993-02-26 1995-10-03 Toyota Jidosha Kabushiki Kaisha Driving power control apparatus for internal combustion engine
CN104018944A (zh) * 2014-04-23 2014-09-03 重庆邮电大学 基于龙伯格滑模观测器的电子节气门自适应反步控制方法
CN104696080A (zh) * 2014-10-31 2015-06-10 重庆邮电大学 基于观测器的电子节气门智能双积分滑模控制方法
CN106968814A (zh) * 2017-05-25 2017-07-21 东南大学 一种电子节气门控制系统的控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06249004A (ja) * 1993-02-26 1994-09-06 Toyota Motor Corp 車両の駆動力制御装置
US5454358A (en) * 1993-02-26 1995-10-03 Toyota Jidosha Kabushiki Kaisha Driving power control apparatus for internal combustion engine
CN104018944A (zh) * 2014-04-23 2014-09-03 重庆邮电大学 基于龙伯格滑模观测器的电子节气门自适应反步控制方法
CN104696080A (zh) * 2014-10-31 2015-06-10 重庆邮电大学 基于观测器的电子节气门智能双积分滑模控制方法
CN106968814A (zh) * 2017-05-25 2017-07-21 东南大学 一种电子节气门控制系统的控制方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310816A (zh) * 2020-02-07 2020-06-19 天津大学 基于无监督匹配追踪编码的仿脑架构图像识别方法
CN111310816B (zh) * 2020-02-07 2023-04-07 天津大学 基于无监督匹配追踪编码的仿脑架构图像识别方法
CN111275004A (zh) * 2020-02-21 2020-06-12 电子科技大学 基于lmd和脉冲神经网络的轴承故障诊断方法
CN111275004B (zh) * 2020-02-21 2022-10-11 电子科技大学 基于lmd和脉冲神经网络的轴承故障诊断方法
CN113205048A (zh) * 2021-05-06 2021-08-03 浙江大学 一种手势识别方法及识别系统

Also Published As

Publication number Publication date
CN109611222B (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
Yang et al. An adaptive RBF neural network control method for a class of nonlinear systems
Valasek et al. Improved adaptive–reinforcement learning control for morphing unmanned air vehicles
Lu et al. Learning driver-specific behavior for overtaking: A combined learning framework
CN110615003B (zh) 基于策略梯度在线学习算法的巡航控制系统及设计方法
CN109611222A (zh) 一种基于脉冲神经网络的电子节气门控制方法
Yi et al. Event-triggered globalized dual heuristic programming and its application to networked control systems
CN109828467B (zh) 一种数据驱动的无人船强化学习控制器结构及设计方法
Huang et al. Capturing drivers’ lane changing behaviors on operational level by data driven methods
Yuan et al. Neural network based self-learning control strategy for electronic throttle valve
CN107193210B (zh) 一种非线性系统的自适应学习预设性能控制方法
Yang et al. Longitudinal tracking control of vehicle platooning using DDPG-based PID
Yang et al. Luenberger-sliding mode observer based fuzzy double loop integral sliding mode controller for electronic throttle valve
Chen et al. Rhonn modelling-enabled nonlinear predictive control for lateral dynamics stabilization of an in-wheel motor driven vehicle
CN109910863A (zh) 一种基于插电式混合动力轿车专用变速器的控制方法
Al-Himyari et al. Review of air fuel ratio prediction and control methods
Wang et al. Lane keeping assist for an autonomous vehicle based on deep reinforcement learning
Goecks et al. Control of morphing wing shapes with deep reinforcement learning
CN116080688B (zh) 一种类脑启发的智能驾驶视觉辅助方法、装置及存储介质
Williams et al. Locally weighted regression pseudo-rehearsal for adaptive model predictive control
CN116880184A (zh) 无人船轨迹追踪预测控制方法、系统及存储介质
Swief et al. Approximate Neural Network Model for Adaptive Model Predictive Control
Xiao et al. DDK: A deep koopman approach for longitudinal and lateral control of autonomous ground vehicles
Lu et al. A novel steering control for real autonomous vehicles via PI adaptive dynamic programming
CN112836818B (zh) 适合过程控制建模的动态响应人工神经网络
Xie et al. Research on longitudinal control algorithm for intelligent automatic driving

Legal Events

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