CN111196278B - 一种坡度识别及车辆控制方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种坡度识别及车辆控制方法、装置及电子设备，在车辆行驶过程中，获取车辆行驶数据，根据所述车辆行驶数据以及预设神经网络模型，就可以计算得到车辆所在的道路的坡度值。

Description

一种坡度识别及车辆控制方法、装置及电子设备

技术领域

本发明涉及车辆控制领域，更具体的说，涉及一种坡度识别及车辆控制方法、装置及电子设备。

背景技术

在车辆行驶时，道路坡度是一个重要的道路要素，会影响行车安全。突发的下坡会导致车速快速提升，增加行车风险。而突然的上坡易导致车辆熄火，甚至滑车风险。因此，在车辆行驶时，识别道路坡度至关重要。进而，亟需一种能够识别道路坡度的方法。

发明内容

有鉴于此，本发明提供一种坡度识别及车辆控制方法、装置及电子设备，以解决亟需一种能够识别道路坡度的方法的问题。

为解决上述技术问题，本发明采用了如下技术方案：

一种坡度识别及车辆控制方法，应用于车辆控制器，包括：

获取车辆行驶过程中的车辆行驶数据；

基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值；其中，所述预设神经网络模型用于计算车辆所在的道路的坡度值；

预设神经网络模型的生成过程包括：

获取以不同车速行驶在不同预设坡度值的道路上的车辆的多个车辆数据；所述车辆数据包括不同预设坡度值以及不同预设坡度值下的车辆行驶数据样本；

对多个所述车辆数据进行归一化处理，得到多个归一化数据；

构建初始神经网络模型；

根据多个所述归一化数据，对所述初始神经网络模型进行参数调节，并计算样本误差；

当所述样本误差小于预设数值时，将调节后的初始神经网络模型作为所述预设神经网络模型。

优选地，获取车辆行驶数据之后，还包括：

对所述车辆行驶数据进行归一化处理，得到中间数据；

相应的，基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值，包括：

基于所述中间数据以及预设神经网络模型，计算车辆所在的道路的坡度值。

优选地，所述车辆行驶数据包括发动机转速、车速、加速踏板位置、制动踏板位置、发动机扭矩、油门开度和车辆风阻系数。

优选地，基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值之后，还包括：

将所述坡度值发送至车辆制动系统，以使当根据所述坡度值确定车辆处于上坡道路时，所述车辆制动系统在所述车辆停止时进行第一制动操作，以及当根据所述坡度值确定车辆处于下坡道路时，所述车辆制动系统进行第二制动操作。

一种坡度识别及车辆控制装置，应用于车辆控制器，包括：

第一数据获取模块，用于获取车辆行驶过程中的车辆行驶数据；

坡度计算模块，用于基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值；其中，所述预设神经网络模型用于计算车辆所在的道路的坡度值；

第二数据获取模块，用于获取以不同车速行驶在不同预设坡度值的道路上的车辆的多个车辆数据；所述车辆数据包括不同预设坡度值以及不同预设坡度值下的车辆行驶数据样本；

第一归一化模块，用于对多个所述车辆数据进行归一化处理，得到多个归一化数据；

模型构建模块，用于构建初始神经网络模型；

参数处理模块，用于根据多个所述归一化数据，对所述初始神经网络模型进行参数调节，并计算样本误差；

模型确定模块，用于当所述样本误差小于预设数值时，将调节后的初始神经网络模型作为所述预设神经网络模型。

优选地，还包括：

第二归一化模块，用于对所述车辆行驶数据进行归一化处理，得到中间数据；

相应的，坡度计算模块用于基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值时，具体用于：

基于所述中间数据以及预设神经网络模型，计算车辆所在的道路的坡度值。

优选地，还包括：

数据发送模块，用于坡度计算模块基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值后，将所述坡度值发送至车辆制动系统，以使当根据所述坡度值确定车辆处于上坡道路时，所述车辆制动系统在所述车辆停止时进行第一制动操作，以及当根据所述坡度值确定车辆处于下坡道路时，所述车辆制动系统进行第二制动操作。

一种电子设备，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

获取车辆行驶过程中的车辆行驶数据；

基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值；其中，所述预设神经网络模型用于计算车辆所在的道路的坡度值。

相较于现有技术，本发明具有以下有益效果：

本发明提供了一种坡度识别及车辆控制方法、装置及电子设备，在车辆行驶过程中，获取车辆行驶数据，根据所述车辆行驶数据以及预设神经网络模型，就可以计算得到车辆所在的道路的坡度值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种坡度识别及车辆控制方法的方法流程图；

图2为本发明实施例提供的另一种坡度识别及车辆控制方法的方法流程图；

图3为本发明实施例提供的一种初始神经网络模型的结构示意图；

图4为本发明实施例提供的一种车辆在上坡路上行驶的场景示意图；

图5为本发明实施例提供的一种坡度识别及车辆控制装置的结构示意图；

图6为本发明实施例提供的另一种坡度识别及车辆控制装置的结构示意图。

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种坡度识别及车辆控制方法，应用于车辆控制器ECU，参照图1，坡度识别及车辆控制方法可以包括：

S101、获取车辆行驶过程中的车辆行驶数据；

可选的，车辆行驶数据可以包括发动机转速、车速、加速踏板位置、制动踏板位置、发动机扭矩、油门开度和车辆风阻系数。

车辆行驶数据是通过车辆控制器通过车载通信系统，如CAN总线获取车辆上安装的多个传感器的数据得到。

S102、基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值；

其中，所述预设神经网络模型预先生成并被打包成为一个坡度识别函数植入到车辆控制器中，用于计算车辆所在的道路的坡度值。车辆行驶数据作为预设神经网络模型的输入，输出为车辆所在的道路的坡度值。

可选的，在本实施例的基础上，步骤S101之后，还可以包括：

对所述车辆行驶数据进行归一化处理，得到中间数据。

其中，归一化即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。将车辆行驶数据进行归一化处理，可以简化计算，提高计算速度。

相应的，步骤S102具体包括：

基于所述中间数据以及预设神经网络模型，计算车辆所在的道路的坡度值。

可选的，在本实施例的基础上，步骤S102之后，还可以包括：

将所述坡度值发送至车辆制动系统，以使当根据所述坡度值确定车辆处于上坡道路时，所述车辆制动系统在所述车辆停止时进行第一制动操作，以及当根据所述坡度值确定车辆处于下坡道路时，所述车辆制动系统进行第二制动操作。

具体的，车辆制动系统获得当前车辆行驶坡度值后，若当前行驶为下坡道路则对车辆进行一定程度地制动，保证车辆不会突然加速，若当前为上坡道路，则在车辆停止时进行制动，防止滑车发生。

本实施例中，在车辆行驶过程中，获取车辆行驶数据，根据所述车辆行驶数据以及预设神经网络模型，就可以计算得到车辆所在的道路的坡度值。

另外，车辆制动控制系统可以依据坡度值进行制动控制，可以减小下坡突然加速以及下坡滑车等影响。

可选的，在上述任一实施例的基础上，参照图2，预设神经网络模型的生成过程可以包括：

S201、获取以不同车速行驶在不同预设坡度值的道路上的车辆的多个车辆数据；

所述车辆数据包括不同预设坡度值以及不同预设坡度值下的车辆行驶数据样本。

具体的，分别设置坡度为1°、2°、3°、…、15°的道路场景，通过每个坡度的大量实验获得发动机转速、车速、加速踏板位置、制动踏板位置、发动机扭矩、油门开度、车辆风阻系数等。

S202、对多个所述车辆数据进行归一化处理，得到多个归一化数据；

归一化处理的解释说明，请参照上述实施例中的相应说明，在此不再赘述。

将测试所得的车辆行驶数据样本归一化后的数据作为学习样本(X,T)，其中X＝(x1,x2,…,xn)∈Rn，为各组车辆行驶数据样本归一化后的数据集合，T为道路的坡度值归一化后的数据。

S203、构建初始神经网络模型；

设所述初始神经网络模型为单隐层前馈神经网络，如图3所示。

其中，α_i,b_i为隐节点函数的学习参数，β_i为隐节点间的连接权值，G(α_i,b_i,x_j)为x_j关于第i隐节点的输出，m为隐层节点数。本实施例中，G(α_i,b_i,x_j)为径向基神经网络激活函数

G(a_i，b_i，x_i)＝g(b_i||x_i-a_i||)，b_i∈R⁺

S204、根据多个所述归一化数据，对所述初始神经网络模型进行参数调节，并计算样本误差；

S205、当所述样本误差小于预设数值时，将调节后的初始神经网络模型作为所述预设神经网络模型。

具体的，对于m个隐节点的前馈神经网络,存在α_i,b_i及β_i可以使得

通过最小二乘法等求解最优的α_i,b_i及β_i使得样本误差ε最小，即小于预设数值，预设数值可以是0.5，进而完成人工神经网络建模。

本实施例中，通过大量样本数据充分训练初始神经网络模型，得到预设神经网络模型，进而可以将获取的车辆行驶数据输入到预设神经网络模型中，计算得到坡度值，进而实现对车辆的控制操作。

现结合具体使用场景来说明本发明实施例，参照图4，一个车辆行驶在具有一定坡度的道路上，此时，车辆控制器通过车辆上安装的控制器获取到发动机转速、车速、加速踏板位置、制动踏板位置、发动机扭矩、油门开度和车辆风阻系数。然后将获取的数据输入到预设神经网络模型中，就可以得到坡度值。车辆控制器将坡度值发送至车辆制动系统，车辆制动系统获得当前车辆行驶坡度值后，若当前行驶为下坡道路则对车辆进行一定程度地制动，保证车辆不会突然加速，若当前为上坡道路，则在车辆停止时进行制动，防止滑车发生。

可选的，在上述坡度识别及车辆控制方法的实施例的基础上，本发明的另一实施例提供了一种坡度识别及车辆控制装置，应用于车辆控制器，参照图5，可以包括：

第一数据获取模块101，用于获取车辆行驶过程中的车辆行驶数据；

坡度计算模块102，用于基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值；其中，所述预设神经网络模型用于计算车辆所在的道路的坡度值。

可选的，在本实施例的基础上，还包括：

第二归一化模块，用于对所述车辆行驶数据进行归一化处理，得到中间数据；

相应的，坡度计算模块用于基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值时，具体用于：

基于所述中间数据以及预设神经网络模型，计算车辆所在的道路的坡度值。

可选的，在本实施例的基础上，所述车辆行驶数据包括发动机转速、车速、加速踏板位置、制动踏板位置、发动机扭矩、油门开度和车辆风阻系数。

可选的，在本实施例的基础上，还包括：

数据发送模块，用于坡度计算模块基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值后，将所述坡度值发送至车辆制动系统，以使当根据所述坡度值确定车辆处于上坡道路时，所述车辆制动系统在所述车辆停止时进行第一制动操作，以及当根据所述坡度值确定车辆处于下坡道路时，所述车辆制动系统进行第二制动操作。

本实施例中，在车辆行驶过程中，获取车辆行驶数据，根据所述车辆行驶数据以及预设神经网络模型，就可以计算得到车辆所在的道路的坡度值。

另外，车辆制动控制系统可以依据坡度值进行制动控制，可以减小下坡突然加速以及下坡滑车等影响。

需要说明的是，本实施例中的各个模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选的，在上述任一坡度识别及车辆控制装置的实施例的基础上，参照图6，还包括：

第二数据获取模块201，用于获取以不同车速行驶在不同预设坡度值的道路上的车辆的多个车辆数据；所述车辆数据包括不同预设坡度值以及不同预设坡度值下的车辆行驶数据样本；

第一归一化模块202，用于对多个所述车辆数据进行归一化处理，得到多个归一化数据；

模型构建模块203，用于构建初始神经网络模型；

参数处理模块204，用于根据多个所述归一化数据，对所述初始神经网络模型进行参数调节，并计算样本误差；

模型确定模块205，用于当所述样本误差小于预设数值时，将调节后的初始神经网络模型作为所述预设神经网络模型。

本实施例中，通过大量样本数据充分训练初始神经网络模型，得到预设神经网络模型，进而可以将获取的车辆行驶数据输入到预设神经网络模型中，计算得到坡度值，进而实现对车辆的控制操作。

需要说明的是，本实施例中的各个模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选的，在上述坡度识别及车辆控制方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，可以包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

获取车辆行驶过程中的车辆行驶数据；

基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值；其中，所述预设神经网络模型用于计算车辆所在的道路的坡度值。

进一步，处理器用于获取车辆行驶数据之后，还用于：

对所述车辆行驶数据进行归一化处理，得到中间数据；

相应的，基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值，包括：

基于所述中间数据以及预设神经网络模型，计算车辆所在的道路的坡度值。

进一步，所述车辆行驶数据包括发动机转速、车速、加速踏板位置、制动踏板位置、发动机扭矩、油门开度和车辆风阻系数。

进一步，处理器，还用于生成预设神经网络模型，生成过程包括：

获取以不同车速行驶在不同预设坡度值的道路上的车辆的多个车辆数据；所述车辆数据包括不同预设坡度值以及不同预设坡度值下的车辆行驶数据样本；

对多个所述车辆数据进行归一化处理，得到多个归一化数据；

构建初始神经网络模型；

根据多个所述归一化数据，对所述初始神经网络模型进行参数调节，并计算样本误差；

当所述样本误差小于预设数值时，将调节后的初始神经网络模型作为所述预设神经网络模型。

进一步，处理器用于基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值之后，还用于：

将所述坡度值发送至车辆制动系统，以使当根据所述坡度值确定车辆处于上坡道路时，所述车辆制动系统在所述车辆停止时进行第一制动操作，以及当根据所述坡度值确定车辆处于下坡道路时，所述车辆制动系统进行第二制动操作。

本实施例中，在车辆行驶过程中，获取车辆行驶数据，根据所述车辆行驶数据以及预设神经网络模型，就可以计算得到车辆所在的道路的坡度值。

另外，车辆制动控制系统可以依据坡度值进行制动控制，可以减小下坡突然加速以及下坡滑车等影响。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (3)

1.一种坡度识别及车辆控制方法，其特征在于，应用于车辆控制器，包括：

获取车辆行驶过程中的车辆行驶数据；所述车辆行驶数据包括：发动机转速、车速、加速踏板位置、制动踏板位置、发动机扭矩、油门开度和车辆风阻系数；

对所述车辆行驶数据进行归一化处理，得到中间数据；

基于所述中间数据以及预设神经网络模型，计算车辆所在的道路的坡度值；其中，所述预设神经网络模型并被打包成为一个坡度识别函数植入到车辆控制器中，用于计算车辆所在的道路的坡度值；

将所述坡度值发送至车辆制动系统，以使当根据所述坡度值确定车辆处于上坡道路时，所述车辆制动系统在所述车辆停止时进行第一制动操作，以及当根据所述坡度值确定车辆处于下坡道路时，所述车辆制动系统进行第二制动操作，以避免车辆突然加速；

预设神经网络模型的生成过程包括：

获取以不同车速行驶在不同预设坡度值的道路上的车辆的多个车辆数据；所述车辆数据包括不同预设坡度值以及不同预设坡度值下的车辆行驶数据样本；

对多个所述车辆数据进行归一化处理，得到多个归一化数据；

构建初始神经网络模型；所述初始神经网络模型为单隐层前馈神经网络；

根据多个所述归一化数据，对所述初始神经网络模型进行参数调节，并计算样本误差；

当所述样本误差小于预设数值时，将调节后的初始神经网络模型作为所述预设神经网络模型。

2.一种坡度识别及车辆控制装置，其特征在于，应用于车辆控制器，包括：

第一数据获取模块，用于获取车辆行驶过程中的车辆行驶数据；所述车辆行驶数据包括：发动机转速、车速、加速踏板位置、制动踏板位置、发动机扭矩、油门开度和车辆风阻系数；

第二归一化模块，用于对所述车辆行驶数据进行归一化处理，得到中间数据；

坡度计算模块，用于基于所述中间数据以及预设神经网络模型，计算车辆所在的道路的坡度值；其中，所述预设神经网络模型并被打包成为一个坡度识别函数植入到车辆控制器中，用于计算车辆所在的道路的坡度值；

数据发送模块，用于坡度计算模块基于所述车辆行驶数据以及预设神经网络模型，计算车辆所在的道路的坡度值后，将所述坡度值发送至车辆制动系统，以使当根据所述坡度值确定车辆处于上坡道路时，所述车辆制动系统在所述车辆停止时进行第一制动操作，以及当根据所述坡度值确定车辆处于下坡道路时，所述车辆制动系统进行第二制动操作，以避免车辆突然加速；

第二数据获取模块，用于获取以不同车速行驶在不同预设坡度值的道路上的车辆的多个车辆数据；所述车辆数据包括不同预设坡度值以及不同预设坡度值下的车辆行驶数据样本；

第一归一化模块，用于对多个所述车辆数据进行归一化处理，得到多个归一化数据；

模型构建模块，用于构建初始神经网络模型；所述初始神经网络模型为单隐层前馈神经网络；

参数处理模块，用于根据多个所述归一化数据，对所述初始神经网络模型进行参数调节，并计算样本误差；

模型确定模块，用于当所述样本误差小于预设数值时，将调节后的初始神经网络模型作为所述预设神经网络模型。

3.一种电子设备，其特征在于，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

获取车辆行驶过程中的车辆行驶数据；所述车辆行驶数据包括：发动机转速、车速、加速踏板位置、制动踏板位置、发动机扭矩、油门开度和车辆风阻系数；

对所述车辆行驶数据进行归一化处理，得到中间数据；

基于所述中间数据以及预设神经网络模型，计算车辆所在的道路的坡度值；其中，所述预设神经网络模型并被打包成为一个坡度识别函数植入到车辆控制器中，用于计算车辆所在的道路的坡度值；

将所述坡度值发送至车辆制动系统，以使当根据所述坡度值确定车辆处于上坡道路时，所述车辆制动系统在所述车辆停止时进行第一制动操作，以及当根据所述坡度值确定车辆处于下坡道路时，所述车辆制动系统进行第二制动操作，以避免车辆突然加速；

预设神经网络模型的生成过程包括：

获取以不同车速行驶在不同预设坡度值的道路上的车辆的多个车辆数据；所述车辆数据包括不同预设坡度值以及不同预设坡度值下的车辆行驶数据样本；所述车辆行驶数据样本包括车辆风阻系数、加速踏板位置、制动踏板位置和油门开度；

对多个所述车辆数据进行归一化处理，得到多个归一化数据；

构建初始神经网络模型；所述初始神经网络模型为单隐层前馈神经网络；

根据多个所述归一化数据，对所述初始神经网络模型进行参数调节，并计算样本误差；

当所述样本误差小于预设数值时，将调节后的初始神经网络模型作为所述预设神经网络模型。

Images