CN113324026A - 一种基于模糊神经网络的自动换挡控制方法 - Google Patents
一种基于模糊神经网络的自动换挡控制方法 Download PDFInfo
- Publication number
- CN113324026A CN113324026A CN202110646436.8A CN202110646436A CN113324026A CN 113324026 A CN113324026 A CN 113324026A CN 202110646436 A CN202110646436 A CN 202110646436A CN 113324026 A CN113324026 A CN 113324026A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- fuzzy
- fuzzy neural
- gear
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H61/02—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used
- F16H61/0202—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric
- F16H61/0204—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric for gearshift control, e.g. control functions for performing shifting or generation of shift signal
- F16H61/0213—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric for gearshift control, e.g. control functions for performing shifting or generation of shift signal characterised by the method for generating shift signals
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
- F16H2061/0081—Fuzzy logic
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
- F16H2061/0084—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明公开了一种基于模糊神经网络的自动换挡控制方法,包括以下步骤:采集优秀驾驶员驾驶车辆在不同油门开度以及行驶车速下对应的挡位值;选用T‑S模型进行模糊神经网络控制器设计,将采集的车速、加速踏板开度以及对应的挡位信息作为训练样本,对训练模型进行训练;将训练好的模型嵌入换挡控制器中,当实际加速踏板开度和车速输入至换挡控制器,经过计算输出目标挡位;输出的挡位信息作用到实车***,从而实现控制输出。本发明集成使用模糊算法和神经网络算法,经过训练的模型可使用少量的模糊规则生成复杂的非线性函数,从优秀驾驶员操作角度进行参数辨识与整定,提高整车驾驶性。
Description
技术领域
本发明涉及汽车控制技术领域,尤其涉及一种自动变速器换挡控制方法,具体为一种基于优秀驾驶员驾驶行为模型的模糊神经网络自动换挡控制方法。
背景技术
车辆动力性、经济性以及舒适性是衡量与评价车辆的重要指标,这不仅取决于发动机的优劣,而且与变速器的性能也息息相关。目前自动变速器换挡控制基本都是基于加速踏板和车辆速度两个参数,当某一油门开度下,车速大于或者小于设定的阈值后,变速器实施升档或者降档操作。主要采用两种换挡点计算方法:第一种根据车辆相邻挡位驱动力曲线计算最优换挡点;第二种是根据优秀的驾驶员操作习惯制定换挡曲线。
国内对自动换挡策略的方法主要集中在控制策略上,且常使用神经网络算法和模糊算法。从提高算法收敛速度、提高车辆动力性、增加车辆变速器***对外部干扰的鲁棒性等方面进行改进,进行算法集成控制策略较少。因此,自动变速器换挡控制方法需要进一步关注。
发明内容
本发明针对目前存在的问题,提供了一种将T-S模糊神经网络算法应用到自动换挡控制上的方法,集成使用模糊算法和神经网络算法,经过训练的模型可使用少量的模糊规则生成复杂的非线性函数,从优秀驾驶员操作角度进行参数辨识与整定,提高整车驾驶性。
本发明的目的是通过以下技术方案实现的:
一种基于模糊神经网络的自动换挡控制方法,包括以下步骤:
步骤一、采集优秀驾驶员驾驶车辆在不同油门开度以及行驶车速下对应的挡位值;
步骤二、选用T-S模型进行模糊神经网络控制器设计,将采集的车速、加速踏板开度以及对应的挡位信息作为训练样本,对训练模型进行训练;
模糊神经网络控制器设计包括以下步骤:
2.1)前端网络计算;
2.2)后端网络计算;
2.3)针对模糊神经网络自整定参数进行优化
2.4)前端网络中隶属度函数用于定义横轴位置的中心参数cij和定义模糊集宽度的参数σij的自整定算法;
2.5)后端网络中用于后端BP结构神经网络的连接权值qij的自整定算法;
步骤三、将训练好的模型嵌入换挡控制器中,当实际加速踏板开度和车速输入至换挡控制器,经过计算输出目标挡位;
步骤四、输出的挡位信息作用到实车***,从而实现控制输出。
进一步地,所述步骤2.1)前端网络计算包括:
前端网络分为四层,用于模糊控制规则自整定:
第一层为输入层,控制变量为油门踏板开度、车速,作为模糊神经网络训练的输入样本;第一层存在2个神经元,记作:
x=[x1,x2]T
其中,x1,x2分别表示当前车辆的油门踏板开度、车速的真实输入值;
第二层为隶属度函数分配层,将油门踏板开度、车速划分为三个语言变量,选用高斯隶属度函数进行模糊化处理;其中,油门踏板开度的初始论域设置为[0,1],语言合集定义为[L(低),M(中),H(高)];实际车速初始论域设置为[0,250],语言合集定义为[L(低),M(中),H(高)];
前端网络的隶属度函数层共计6个神经元,记作:
其中,i表示第一层节点产生的值的序号,j表示模糊集合个数;
第三层为模糊推理层,每个节点仅与上一层每个节点的其中一个模糊集合进行关联,共计存在9个节点,即神经网络控制器同时存在9条模糊推理规则;依据匹配规则,计算上述9个节点的适应度值,记作:
其中,αj表示第j层的适应度,i1,i2分别表示第二层隶属度分配标准下个数,j=9,依据隶属度函数定义可知,当训练数据或给定输入在高斯函数赋值附近,对应的语言变量达到较大的值,因此模糊推理方法能够将满足给定输入下的数据计算及筛选。
第四层实现归一化处理,计算公式为:
进一步地,所述2.2)后端网络计算包括:
后端网络分为三层,用于参数归一化处理,其结构与BP神经网络一致:
第一层为输入层,该层共设计3个处理节点节点,其中包含***输入量以及用于产生常数项的输入恒值;
第二层为隐藏层,相应的节点与模糊推理规则对应,同样具有9个节点,用于计算条件规则的后端值,记作:
yj=qj0+qj1x1+qj2x2
第三层为输出层,经过模糊神经网络计算后的输出值只有1个,即目标挡位;控制器使用加权求和的方式计算最终输出变量:
进一步地,所述2.3)针对模糊神经网络自整定参数进行优化包括:
令误差函数为:
其中,t表示***期望输出,y表示***实际输出。
进一步地,所述2.4)中,前端网络cij和σij的自整定算法为:
(a)正向传递信息
第一层,接收***输入:
第二层,完成变量模糊化处理,选用高斯函数:
其中,i=1,2,3…n;j=1,2,3…m分别表示第i个输入节点经过模糊化处理生成j个模糊合集,cij,σij分别表示生成高斯隶属度函数的中心值和宽度值。
第三层,实现模糊推理过程:
第四层,解模糊归一化过程:
第五层,与后端网络共同作用:
(b)误差反向传播
第五层权值系数修正公式为:
其中,β为学习率。
则,第五层反馈误差信号为:
此时第五层对前一层权值系数满足:
按照相同构造方式依次向前传递:
当f3计算使用乘法计算中间偏差偏导时,有:
经由上式,可以计算出隶属层参数的梯度,有:
考虑学习率,将学习率代入上式,则有:
因此,自整定的参数cij、σij的学习算法可表达为:
进一步地,所述2.5)中,后端网络qij的自整定算法包括:
其中:i=1,2,3…n;j=1,2,3…m,则有
进一步地,所述步骤二中,T-S模糊神经网络选用高斯隶属度函数进行模糊化处理。使得处理后分布在两端的数据获得较小的隶属度被剔除。
附图说明
图1为本发明模糊神经网络自动换挡原理
图2为本发明学习与训练算法原理
图3为本发明T-S模糊神经网络自学习方法示意图
图4为本发明不同迭代次数与训练精度误差图
具体实施方式
下面结合附图对本发明所提出的技术方案做出进一步阐述和说明。
本发明提出一种基于模糊神经网络方法的自动变速器换挡控制策略,以优秀驾驶员驾驶习惯为训练样本,完成换挡图谱的训练并使用至换挡控制器中,如图1所示,具体包括以下内容:
步骤一:采集优秀驾驶员驾驶车辆在不同油门开度以及行驶车速下对应的挡位值。
步骤二:将采集的车速、加速踏板开度以及对应的挡位信息作为训练样本,对训练模型进行训练,如图2所示。选用T-S模型进行模糊神经网络控制器设计,控制器主要分为两部分,第一部分是后端网络,目的是用于规范输出;第二部分是前端网络,目的是用于模糊规则匹配。如图3所示,具体包括:
(1)前端网络计算
前端网络分为四层,用于模糊控制规则自整定:
第一层为输入层。用于将***中准确的控制变量输入至下一层,本发明控制变量为:油门踏板开度、车速,作为模糊神经网络训练的输入样本。第一层存在2个神经元,记作:
x=[x1,x2]T
其中,x1,x2分别表示当前车辆的油门踏板开度、车速的真实输入值。
第二层为隶属度函数分配层,用于将第一层输入的精确变量转化成模糊控制变量。将油门踏板开度、车速划分为三个语言变量,选用高斯隶属度函数进行模糊化处理。其中油门踏板开度的初始论域设置为[0,1],语言合集定义为[L(低),M(中),H(高)];实际车速初始论域设置为[0,250],语言合集定义为[L(低),M(中),H(高)]。
前端网络的隶属度函数层共计6个神经元,记作:
其中,i表示第一层节点产生的值的序号,j表示模糊集合个数。
第三层为模糊推理层,每个节点与仅与上一层每个节点的其中一个模糊集合进行关联,共计存在9个节点,说明神经网络控制器同时存在9条模糊推理规则。依据匹配规则,计算上述9个节点的适应度值,记作:
其中,αj表示第j层的适应度,i1,i2分别表示第二层隶属度分配标准下个数,j=9。依据隶属度函数定义可知,当训练数据或给定输入在高斯函数赋值附近,对应的语言变量达到较大的值,因此模糊推理方法能够将满足给定输入下的数据计算及筛选。
第四层实现归一化处理。为保证控输出变量一致性,计算公式为:
(2)后端网络计算
后端网络分为三层,用于参数归一化处理,其结构与BP神经网络一致:
第一层为输入层。该层共设计3个处理节点节点,其中包含***输入量以及用于产生常数项的输入恒值。
第二层为隐藏层,相应的节点与模糊推理规则对应,同样具有9个节点,用于计算条件规则的后端值。记作:
yj=qj0+qj1x1+qj2x2
第三层为输出层。经过模糊神经网络计算后的输出值只有1个,即目标挡位。控制器使用加权求和的方式计算最终输出变量。
模糊神经网络再进行控制时需要进行自整定的参数分别为:隶属度函数用于定义横轴位置的中心参数cij和定义模糊集宽度的参数σij,用于后端BP结构神经网络的连接权值qij。
进一步针对模糊神经网络自整定参数进行优化:
令误差函数为:
其中,t表示***期望输出,y表示***实际输出。
(3)前端网络cij和σij的自整定算法
(a)正向传递信息
第一层,接收***输入:
第二层,完成变量模糊化处理,选用高斯函数:
其中,i=1,2,3…n;j=1,2,3…m分别表示第i个输入节点经过模糊化处理生成j个模糊合集,cij,σij分别表示生成高斯隶属度函数的中心值和宽度值。
第三层,实现模糊推理过程:
第四层,解模糊归一化过程:
第五层,与后端网络共同作用:
(b)误差反向传播
第五层权值系数修正公式为:
其中,β为学习率。
则,第五层反馈误差信号为:
此时第五层对前一层权值系数满足:
按照相同构造方式依次向前传递:
当f3计算使用乘法计算中间偏差偏导时,有:
经由上式,可以计算出隶属层参数的梯度,有:
考虑学习率,将学习率代入上式,则有:
因此,自整定的参数cij、σij的学习算法可表达为:
(4)后端网络qij的自整定算法
其中:i=1,2,3…n;j=1,2,3…m,则有
步骤三:将训练好的模型嵌入换挡控制器中,当实际加速踏板开度和车速输入至换挡控制器,经过计算输出目标挡位。
步骤四:输出的挡位信息作用到实车***,从而实现控制输出。
下面给出本发明所提供技术方案的仿真实验数据。
首先针对不同迭代次数和训练精度下模糊神经网络方法的误差。如图4所示为模糊神经网络达到***设计要求后的均方误差与迭代次数之间的关系。由图4可知本发明设计的模糊神经网络经过1000次迭代计算后,均方误差降低至0.1一下;经过2000次迭代计算后,均方误差减小至0.0001以下。并且随着迭代次数的增加,模糊神经网络经过参数调整的最终模型处于收敛状态,学习能力较强。相同学习率条件下,控制器选择的迭代次数参数越大,控制器学习后误差越小,当迭代次数达到2000左右时,***误差基本稳定在±0.01范围内,但迭代次数过大容易导致***训练时间过长。随后选取优秀驾驶员的驾驶换挡图谱,选取其中的数据采样点进行模型训练,可得到模型训练后的实际挡位以及训练误差。
Claims (7)
1.一种基于模糊神经网络的自动换挡控制方法,其特征在于,包括以下步骤:
步骤一、采集优秀驾驶员驾驶车辆在不同油门开度以及行驶车速下对应的挡位值;
步骤二、选用T-S模型进行模糊神经网络控制器设计,将采集的车速、加速踏板开度以及对应的挡位信息作为训练样本,对训练模型进行训练;
模糊神经网络控制器设计包括以下步骤:
2.1)前端网络计算;
2.2)后端网络计算;
2.3)针对模糊神经网络自整定参数进行优化;
2.4)前端网络中隶属度函数用于定义横轴位置的中心参数cij和定义模糊集宽度的参数σij的自整定算法;
2.5)后端网络中用于后端BP结构神经网络的连接权值qij的自整定算法;
步骤三、将训练好的模型嵌入换挡控制器中,当实际加速踏板开度和车速输入至换挡控制器,经过计算输出目标挡位;
步骤四、输出的挡位信息作用到实车***,从而实现控制输出。
2.如权利要求1所述的一种基于模糊神经网络的自动换挡控制方法,其特征在于,所述步骤2.1)前端网络计算包括:
前端网络分为四层,用于模糊控制规则自整定:
第一层为输入层,控制变量为油门踏板开度、车速,作为模糊神经网络训练的输入样本;第一层存在2个神经元,记作:
x=[x1,x2]T
其中,x1,x2分别表示当前车辆的油门踏板开度、车速的真实输入值;
第二层为隶属度函数分配层,将油门踏板开度、车速划分为三个语言变量,选用高斯隶属度函数进行模糊化处理;其中,油门踏板开度的初始论域设置为[0,1],语言合集定义为[L(低),M(中),H(高)];实际车速初始论域设置为[0,250],语言合集定义为[L(低),M(中),H(高)];
前端网络的隶属度函数层共计6个神经元,记作:
其中,i表示第一层节点产生的值的序号,j表示模糊集合个数;
第三层为模糊推理层,每个节点仅与上一层每个节点的其中一个模糊集合进行关联,共计存在9个节点,即神经网络控制器同时存在9条模糊推理规则;依据匹配规则,计算上述9个节点的适应度值,记作:
其中,αj表示第j层的适应度,i1,i2分别表示第二层隶属度分配标准下个数,j=9,依据隶属度函数定义可知,当训练数据或给定输入在高斯函数赋值附近,对应的语言变量达到较大的值;
第四层实现归一化处理,计算公式为:
5.如权利要求1所述的一种基于模糊神经网络的自动换挡控制方法,其特征在于,所述2.4)中,前端网络cij和σij的自整定算法为:
(a)正向传递信息
第一层,接收***输入:
第二层,完成变量模糊化处理,选用高斯函数:
其中,i=1,2,3…n;j=1,2,3…m分别表示第i个输入节点经过模糊化处理生成j个模糊合集,cij,σij分别表示生成高斯隶属度函数的中心值和宽度值;
第三层,实现模糊推理过程:
第四层,解模糊归一化过程:
第五层,与后端网络共同作用:
(b)误差反向传播
第五层权值系数修正公式为:
其中,β为学习率;
则,第五层反馈误差信号为:
此时第五层对前一层权值系数满足:
按照相同构造方式依次向前传递:
当f3计算使用乘法计算中间偏差偏导时,有:
经由上式,可以计算出隶属层参数的梯度,有:
考虑学习率,将学习率代入上式,则有:
因此,自整定的参数cij、σij的学习算法表达为:
7.如权利要求1所述的一种基于模糊神经网络的自动换挡控制方法,其特征在于,所述步骤二中,T-S模糊神经网络选用高斯隶属度函数进行模糊化处理。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646436.8A CN113324026A (zh) | 2021-06-10 | 2021-06-10 | 一种基于模糊神经网络的自动换挡控制方法 |
PCT/CN2021/134389 WO2022257377A1 (zh) | 2021-06-10 | 2021-11-30 | 一种基于模糊神经网络的自动换挡控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646436.8A CN113324026A (zh) | 2021-06-10 | 2021-06-10 | 一种基于模糊神经网络的自动换挡控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113324026A true CN113324026A (zh) | 2021-08-31 |
Family
ID=77420356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110646436.8A Pending CN113324026A (zh) | 2021-06-10 | 2021-06-10 | 一种基于模糊神经网络的自动换挡控制方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113324026A (zh) |
WO (1) | WO2022257377A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863587A (zh) * | 2022-04-29 | 2022-08-05 | 一汽奔腾轿车有限公司 | 一种液力机械式自动变速器换挡规律离线获取及评价方法 |
WO2022257377A1 (zh) * | 2021-06-10 | 2022-12-15 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452865B (zh) * | 2023-04-03 | 2023-11-07 | 南通大学 | 基于模糊逻辑的跳跃式注意力肺部病理图像分类方法 |
CN116092688A (zh) * | 2023-04-10 | 2023-05-09 | 广东技术师范大学 | 基于模糊逻辑的血压分级量化方法、***及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07127718A (ja) * | 1993-10-29 | 1995-05-16 | Aisin Aw Co Ltd | 自動変速機の制御装置 |
US6078857A (en) * | 1995-10-19 | 2000-06-20 | Hyundai Motor Company | Apparatus for deciding a shift pattern suitable for a driver's driving habit using neural network operation and fuzzy inference and a control method thereof |
US6208981B1 (en) * | 1995-07-26 | 2001-03-27 | Siemens Aktiengesellschaft | Circuit configuration for controlling a running-gear or drive system in a motor vehicle |
CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人***的模糊神经网络控制方法 |
CN111027618A (zh) * | 2019-12-09 | 2020-04-17 | 西华大学 | 一种汽车动力性和经济性期望量化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006007717A1 (de) * | 2006-02-20 | 2007-08-23 | Robert Bosch Gmbh | Verfahren zur Vorhersage einer Gangwahl in einem motorgetriebenen Fahrzeug |
CN106828500A (zh) * | 2017-01-19 | 2017-06-13 | 西华大学 | 电动汽车有级自动变速器换挡规律优化方法 |
CN108284442B (zh) * | 2017-01-24 | 2021-01-26 | 中国北方车辆研究所 | 一种基于模糊神经网络的机械臂柔性关节控制方法 |
CN113324026A (zh) * | 2021-06-10 | 2021-08-31 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
-
2021
- 2021-06-10 CN CN202110646436.8A patent/CN113324026A/zh active Pending
- 2021-11-30 WO PCT/CN2021/134389 patent/WO2022257377A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07127718A (ja) * | 1993-10-29 | 1995-05-16 | Aisin Aw Co Ltd | 自動変速機の制御装置 |
US6208981B1 (en) * | 1995-07-26 | 2001-03-27 | Siemens Aktiengesellschaft | Circuit configuration for controlling a running-gear or drive system in a motor vehicle |
US6078857A (en) * | 1995-10-19 | 2000-06-20 | Hyundai Motor Company | Apparatus for deciding a shift pattern suitable for a driver's driving habit using neural network operation and fuzzy inference and a control method thereof |
CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人***的模糊神经网络控制方法 |
CN111027618A (zh) * | 2019-12-09 | 2020-04-17 | 西华大学 | 一种汽车动力性和经济性期望量化方法 |
Non-Patent Citations (2)
Title |
---|
刘振军等: "模糊神经网络的自动变速汽车换挡规律分析", 《重庆大学学报》 * |
张小虎; 王立勇; 唐长亮: "基于T-S模糊神经网络自动换挡策略研究", 《北京信息科技大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022257377A1 (zh) * | 2021-06-10 | 2022-12-15 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
CN114863587A (zh) * | 2022-04-29 | 2022-08-05 | 一汽奔腾轿车有限公司 | 一种液力机械式自动变速器换挡规律离线获取及评价方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022257377A1 (zh) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113324026A (zh) | 一种基于模糊神经网络的自动换挡控制方法 | |
CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
CN103324085B (zh) | 基于监督式强化学习的最优控制方法 | |
CN103381826B (zh) | 基于近似策略迭代的自适应巡航控制方法 | |
Lopez et al. | Game-theoretic lane-changing decision making and payoff learning for autonomous vehicles | |
CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
CN111027618B (zh) | 一种汽车动力性和经济性期望量化方法 | |
CN112046489B (zh) | 一种基于因子分析和机器学习的驾驶风格辨识算法 | |
CN113138555A (zh) | 一种基于遗传算法优化的grnn电主轴热误差建模方法 | |
CN111597750A (zh) | 一种基于bp神经网络的混合动力汽车能量管理方法 | |
CN114384916A (zh) | 一种越野车路径规划的自适应决策方法及*** | |
KR950007882B1 (ko) | 퍼지 추론 시스템용 멤버쉽 함수 및 퍼지 추론 규정을 자동적으로 발생시키는 장치 및 방법 | |
CN108538301B (zh) | 一种基于神经网络音频技术的智能数码乐器 | |
CN116503029B (zh) | 用于自动驾驶的模块数据协同处理方法及*** | |
CN116538286A (zh) | 一种计及nvh特性的商用车换挡***及方法 | |
CN102063640B (zh) | 基于效用差分网络的机器人行为学习模型 | |
CN116674571A (zh) | 一种基于数据置信度因子的汽车质量与坡度实时估计方法 | |
CN116384450A (zh) | 面向医疗数据的深度卷积模糊神经网络及其训练方法 | |
CN116373846A (zh) | 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法 | |
CN114278727B (zh) | 极限工况下的车辆自动换挡控制方法、***、介质及设备 | |
CN115107734A (zh) | 用于混合动力电驱动车辆前后功率链协调控制方法及*** | |
CN114879644A (zh) | 汽车自适应巡航***控制器参数快速标定方法 | |
CN114841252A (zh) | 一种航空航天制造过程中多源异构大数据融合方法及*** | |
CN112926746A (zh) | 多智能体强化学习的决策方法及装置 | |
CN113232651A (zh) | 一种基于adhdp的燃油汽车生态自适应巡航控制方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |