JPH08137509A - Control method using map prepared by utilizing neural network - Google Patents
Control method using map prepared by utilizing neural networkInfo
- Publication number
- JPH08137509A JPH08137509A JP29798994A JP29798994A JPH08137509A JP H08137509 A JPH08137509 A JP H08137509A JP 29798994 A JP29798994 A JP 29798994A JP 29798994 A JP29798994 A JP 29798994A JP H08137509 A JPH08137509 A JP H08137509A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- parameter
- input
- road surface
- value
- 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
Landscapes
- Traffic Control Systems (AREA)
- Regulating Braking Force (AREA)
- Vehicle Body Suspensions (AREA)
- Feedback Control In General (AREA)
Abstract
Description
【0001】[0001]
【産業上の利用分野】本発明は、ニューラルネットワー
クを利用して作成したマップを用いた制御方法に関す
る。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a control method using a map created by using a neural network.
【0002】[0002]
【従来の技術】従来、ニューラルネットワークを利用し
た制御方法として、例えばロードノイズに基づいて車両
が走行している路面の状態を検出する路面状態検出装置
と称呼されるものが提案されている。かかる路面状態検
出装置として、本出願人は、特願平5−340052号
において、車速と、走行音として車輪から発生されるロ
ードノイズとを走行路面状態を表わすパラメータとして
検出し、その検出されたロードノイズの各周波数成分の
パターンからニューラルネットワークを利用して路面状
態を判定する路面状態検出装置を提案した。2. Description of the Related Art Conventionally, as a control method using a neural network, there has been proposed a so-called road surface condition detecting device for detecting a condition of a road surface on which a vehicle is traveling based on road noise. As such a road surface condition detecting device, the applicant of the present application detects the vehicle speed and the road noise generated from the wheels as a running sound as parameters indicating the running road surface condition in Japanese Patent Application No. 5-340052, and detects the road surface condition. We proposed a road surface condition detection device that determines the road surface condition using a neural network from the pattern of each frequency component of road noise.
【0003】[0003]
【発明が解決しようとする課題】しかしながら、上記従
来のニューラルネットワークを利用した制御方法、特に
路面状態検出装置では、ロードノイズを検出した後の処
理はすべてニューラルネットワークに任されているため
に、ニューラルネットワークに入力される値によって
は、思わぬ処理結果が出力されないとは云えなかった。
例えば、ノイズ等により、入力されるロードノイズの周
波数成分がニューラルネットワークの学習データ範囲か
ら外れると、適正な処理結果が得られないと云う不具合
が生じる。また、ニューラルネットワークによる処理結
果が適正であるか否かをユーザは知ることができなかっ
た。However, in the above-mentioned conventional control method using a neural network, particularly in the road surface state detecting apparatus, the processing after detecting the road noise is entirely left to the neural network. It cannot be said that unexpected processing results are not output depending on the values input to the network.
For example, if the frequency component of the input road noise deviates from the learning data range of the neural network due to noise or the like, there arises a problem that an appropriate processing result cannot be obtained. In addition, the user could not know whether the processing result by the neural network was appropriate.
【0004】本発明は、上記問題に鑑みてなされたもの
で、ニューラルネットワークによる処理およびその処理
結果をユーザに明確に把握させることができるととも
に、ニューラルネットワークにいかなる入力が与えられ
ても適正な処理結果を安定して出力することが可能なニ
ューラルネットワークを利用して作成したマップを用い
た制御方法を提供することを目的とする。The present invention has been made in view of the above problems, and makes it possible for a user to clearly understand the processing by a neural network and the processing result thereof, and to perform proper processing regardless of any input to the neural network. An object of the present invention is to provide a control method using a map created by using a neural network capable of stably outputting a result.
【0005】[0005]
【課題を解決するための手段】上記目的を達成するため
本発明は、ニューラルネットワークに教師データとして
与えるべきパラメータを選択し、該選択されたパラメー
タを前記ニューラルネットワークに与えることにより学
習し、該学習されたニューラルネットワークを用いて前
記パラメータの値に対する出力を求め、前記パラメータ
の値とその値に対応する前記ニューラルネットワークか
らの出力値との対応関係をマップ化して記憶手段に記憶
し、前記パラメータを検出するパラメータ検出手段によ
りパラメータが検出されると、そのパラメータ値に応じ
て前記記憶されたマップから対応する出力値を読み出
し、その出力値に基づいて制御対象を制御することを特
徴とする。In order to achieve the above object, the present invention selects a parameter to be given to a neural network as teacher data, learns by giving the selected parameter to the neural network, and the learning is performed. The output for the value of the parameter is obtained using the generated neural network, the correspondence between the value of the parameter and the output value from the neural network corresponding to the value is mapped and stored in the storage means, and the parameter is stored. When a parameter is detected by the parameter detecting means for detecting, a corresponding output value is read from the stored map according to the parameter value, and the controlled object is controlled based on the output value.
【0006】[0006]
【作用】本発明の構成に依れば、パラメータ検出手段に
よりパラメータが検出されると、そのパラメータ値に応
じて記憶手段に記憶されたマップから対応する出力値が
読み出され、その出力値に基づいて制御対象が制御され
る。According to the structure of the present invention, when a parameter is detected by the parameter detecting means, the corresponding output value is read from the map stored in the storing means according to the parameter value, and the output value is read. The controlled object is controlled based on this.
【0007】[0007]
【実施例】以下、本発明の実施例を図面に基づいて詳細
に説明する。Embodiments of the present invention will now be described in detail with reference to the drawings.
【0008】図1は、本発明の一実施例に係るニューラ
ルネットワークを利用して作成したマップを用いた制御
方法を、路面状態検出装置に適用した場合の該装置の概
略構成を示すブロック図である。FIG. 1 is a block diagram showing a schematic configuration of a road surface state detecting device when a control method using a map created by using a neural network according to an embodiment of the present invention is applied to the device. is there.
【0009】同図中、1は、ロードノイズを検出するロ
ードノイズ検出手段であり、本実施例ではマイクロホン
により構成されている。ロードノイズ検出手段1の出力
側は、該ロードノイズ検出手段1により検出されたロー
ドノイズを増幅する増幅器2および該増幅器2により増
幅されたロードノイズの周波数を分析するためのフィル
タ3を介して、詳細は後述するが、ニューラルネットワ
ークによって作成されたマップを用いることにより路面
状態を判定する判定部4の一入力側に接続され、該判定
部4の他の入力側には、車両の速度を検出する車速検出
手段5の出力側が接続されている。判定部4は、これら
入力された2つの信号に応じて路面状態を判定し、その
判定結果を、それぞれ警報装置および運動制御装置(と
もに図示せず)に出力する。In the figure, reference numeral 1 is a road noise detecting means for detecting road noise, which is constituted by a microphone in this embodiment. On the output side of the road noise detecting means 1, an amplifier 2 for amplifying the road noise detected by the road noise detecting means 1 and a filter 3 for analyzing the frequency of the road noise amplified by the amplifier 2, As will be described later in detail, the determination unit 4 for determining the road surface state is connected to one input side of the determination unit 4 using a map created by a neural network, and the other input side of the determination unit 4 detects the speed of the vehicle. The output side of the vehicle speed detecting means 5 is connected. The determination unit 4 determines the road surface state according to these two input signals, and outputs the determination results to an alarm device and a motion control device (neither is shown).
【0010】図2は、前記ロードノイズ検出手段1およ
び車速検出手段5の配設位置を説明するための図であ
る。FIG. 2 is a diagram for explaining the arrangement positions of the road noise detecting means 1 and the vehicle speed detecting means 5.
【0011】同図において、車両Cは前置エンジン車で
あるものとし、マイクロホンであるロードノイズ検出手
段1は、エンジン騒音の影響が少ない左右の後輪のホイ
ールハウス内部の少なくとも一方に、石や水が直接当た
らないように配設され、車速検出手段5は、後輪ホイー
ル内の所定位置に左右の少なくとも一方に配設されてい
る。ここで、車速検出手段5は、車輪速度に応じた電気
的なパルス信号を発生する。In FIG. 1, it is assumed that the vehicle C is a front engine vehicle, and the road noise detecting means 1 which is a microphone has stones or stones on at least one of the inside of the wheel house of the left and right rear wheels, which is less affected by engine noise. The vehicle speed detecting means 5 is arranged so as not to be directly hit by water, and the vehicle speed detecting means 5 is arranged at a predetermined position in at least one of the left and right sides in the rear wheel. Here, the vehicle speed detecting means 5 generates an electric pulse signal according to the wheel speed.
【0012】図3は、図2の領域rの要部拡大図であ
り、マイクロホン1の近傍の構造を詳細に説明するため
の図である。FIG. 3 is an enlarged view of the main part of the region r in FIG. 2, and is a diagram for explaining the structure in the vicinity of the microphone 1 in detail.
【0013】同図において、(a)は、マイクロホン1
がホイールハウス11の車室内側の所定位置に取り付け
られている場合を示す図であり、例えばホイールハウス
11全体がスチールによって構成されている場合に、ロ
ードノイズが伝達するマイクロホン11の取付け部近傍
のホイールハウス部分を切り欠いてこの部分にゴム製の
グロメット等の別部材111を埋設して構成している。
このようにすると、ロードノイズの高周波成分、即ち路
面状態の判別に不必要な周波数成分が除去されるので、
正確な路面状態の検出が可能となる。また、ホイールハ
ウス11の車室外側に樹脂のインナフェンダ(図示せ
ず)が設けられている場合には、マイクロホン1からロ
ードノイズが検出し易いように、このインナフェンダの
マイクロホン1の取付け部近傍部分を切り欠くようにす
る。さらに、ホイールハウス11に錆防止用のコーティ
ングがなされているときには、上述のインナフェンダと
同様の理由から、マイクロホン11の近傍部分を切り欠
き、その切り欠き部に別部材を埋設すればロードノイズ
の透過性は変わってくる。In FIG. 1, (a) shows a microphone 1
Is a diagram showing a case where the wheel house 11 is mounted at a predetermined position on the inner side of the vehicle interior. For example, when the entire wheel house 11 is made of steel, the vicinity of the mounting portion of the microphone 11 to which road noise is transmitted is shown. The wheel house portion is cut out, and another member 11 1 such as a rubber grommet is embedded in this portion.
In this way, the high frequency component of the road noise, that is, the frequency component unnecessary for determining the road surface condition is removed.
It is possible to accurately detect the road surface condition. Further, when a resin inner fender (not shown) is provided outside the vehicle interior of the wheel house 11, in order to easily detect road noise from the microphone 1, the inner fender is provided near the mounting portion of the microphone 1. Make sure to cut out the part. Further, when the wheel house 11 is coated for rust prevention, for the same reason as the above-mentioned inner fender, if a portion near the microphone 11 is cut out and another member is embedded in the cutout portion, road noise will be reduced. Transparency will change.
【0014】図3(b)は、マイクロホン1の振動板1
1ホイールハウス11の鉄板に直接取り付けた場合を示
す図であり、このようにすると、振動板11がタイヤ1
2の直ぐ近くにあることから、ロードノイズの検出をし
易くなるとともに、水の跳ね上げ等をも直接検出するこ
とができる。FIG. 3B shows the diaphragm 1 of the microphone 1.
It is a figure which shows the case where it is directly attached to the iron plate of the 1- wheel house 11, and when doing so, the diaphragm 11 becomes the tire 1
Since it is in the immediate vicinity of 2, it becomes easy to detect road noise, and it is also possible to directly detect water splashing and the like.
【0015】図4は、ニューラルネットワークに学習さ
せる方法を説明するための図であり、同図に示すよう
に、車輪からのロードノイズを前記ロードノイズ検出手
段1によりデータサンプリングし、そのサンプリングさ
れたデータを周波数分析した後に、車速データとともに
ニューラルネットワークの入力層(図示せず)へ入力さ
せる。そして、現在の路面状態と出力層(図示せず)か
らの最終出力(確からしさ)による路面のタイプとが一
致するように、ネットワークの各要素(重み)を決定す
る。FIG. 4 is a diagram for explaining a method of making a neural network learn. As shown in FIG. 4, road noise from wheels is sampled by the road noise detecting means 1 and sampled. After frequency analysis of the data, it is input to the input layer (not shown) of the neural network together with the vehicle speed data. Then, each element (weight) of the network is determined so that the current road surface state matches the road surface type based on the final output (probability) from the output layer (not shown).
【0016】図5は、上述の学習処理(以下、「学習モ
ード」という)および学習されたネットワークを実際に
適用する処理(以下、「実行モード」という)のサブル
ーチンの手順を示すフローチャートであり、このサブル
ーチンは、前記図1の判定部4に内蔵したCPU(図示
せず)により実行される。FIG. 5 is a flow chart showing a procedure of a subroutine of the above-mentioned learning processing (hereinafter referred to as "learning mode") and processing for actually applying the learned network (hereinafter referred to as "execution mode"). This subroutine is executed by the CPU (not shown) built in the determination unit 4 of FIG.
【0017】まず、ステップS1で、CPUやメモリ
(図示せず)等の初期設定(イニシャライズ)を行い、
ステップS2で、ニューラルネットワークのタイプ(例
えば、層の数や各層の細胞数等)や最初に設定される重
みや前記入力層に入力される情報等のパラメータデータ
を入力する。First, in step S1, the CPU, memory (not shown), etc. are initialized (initialized),
In step S2, parameter data such as the type of neural network (for example, the number of layers, the number of cells in each layer, etc.), the weight initially set, and the information input to the input layer are input.
【0018】次に、ステップS3で、操作者により「学
習モード」または「実行モード」の何れのモードが選択
されているかを判別し、「学習モード」が選択されてい
るときにはステップS4に進み、後述するステップS5
〜ステップS10の処理を繰り返す上限の回数αと現在
の繰り返し回数Nとを比較し、現在の繰り返し回数Nが
回数αより小さいときにはステップS5に進む。ステッ
プS5では、回数Nが“0”の場合には前記ステップS
2で入力された重みを入力し、一方、回数Nが“0”以
外の場合には後述するステップS8で変更された重みを
入力する入力データ処理を行う。Next, in step S3, it is determined whether the operator has selected the "learning mode" or the "execution mode". When the "learning mode" is selected, the process proceeds to step S4, Step S5 described later
~ The upper limit number of times α for repeating the process of step S10 is compared with the current number of times of repetition N, and when the current number of times of repetition N is smaller than the number of times α, the process proceeds to step S5. In step S5, if the number of times N is "0", the above step S5 is performed.
When the number N is other than "0", the input data processing for inputting the weight changed in step S8, which will be described later, is performed.
【0019】続くステップS6では、前記ステップS5
で入力された重みと前記ステップS2でパラメータデー
タとして入力された入力層に入力する情報(車速および
特定周波数の音圧値)とに基づいて出力層の各細胞から
出力される出力データ(路面タイプTYPEn,n=
1,2,…の確からしさ)を計算する。さらに、ステッ
プS7で、この計算された各路面タイプTYPEnの確
からしさ(0〜1の範囲の値)と現在の路面状態とを比
較して両者の隔たりをみるエラーチェックを行い、ステ
ップS8で前記ステップS7で検出されたエラーεと所
定値ε0とを比較し、エラーεが所定値ε0より小さいと
きには後記ステップS11に進み、一方、エラーεが所
定値ε0以上のときには次のステップS9に進む。In the following step S6, the step S5 is executed.
The output data (the road surface type) output from each cell of the output layer based on the weight input in step S2 and the information (vehicle speed and sound pressure value of a specific frequency) input in the input layer input as parameter data in step S2. TYPEn, n =
Probability of 1, 2, ...) is calculated. Further, in step S7, an error check is performed by comparing the calculated certainty (value in the range of 0 to 1) of each road surface type TYPEn with the current road surface condition, and checking the difference between the two, and in step S8, The error ε detected in step S7 is compared with a predetermined value ε 0 , and when the error ε is smaller than the predetermined value ε 0 , the process proceeds to step S11 described below, while when the error ε is the predetermined value ε 0 or more, the next step S9 is performed. Proceed to.
【0020】ステップS9では、このエラーチェックの
結果に応じて重みを変更し、ステップS10では、繰り
返し回数Nを1だけインクリメントした後に、ステップ
S4に戻る。In step S9, the weight is changed according to the result of this error check, and in step S10, the number of repetitions N is incremented by 1, and then the process returns to step S4.
【0021】一方、ステップS4の判別で、現在の繰り
返し回数Nが回数α以上になったとき、または、前述の
ようにステップS8の判別でエラーεが所定値ε0より
小さくなったときにはステップS11に進み、ネットワ
ークセーブ、即ち、前記ステップS8により決定された
重みに基づいた結合行列(重み行列)を記憶し、本サブ
ルーチンを終了する。On the other hand, if it is determined in step S4 that the current number of repetitions N is greater than or equal to the number α, or if the error ε is smaller than the predetermined value ε 0 in the determination in step S8 as described above, step S11. Then, the process proceeds to step S8, the network is saved, that is, the coupling matrix (weight matrix) based on the weight determined in step S8 is stored, and the present subroutine ends.
【0022】一方、ステップS3の判別で、「実行モー
ド」が選択されているときにはステップS11に進み、
前記ステップS10でセーブされたネットワークを読み
出し、ステップS12で、前記ステップS11で読み出
されたネットワークに基づいて重みを設定する。続くス
テップS13では、前記ステップS2で入力された入力
層に入力される情報と前記ステップS12で設定された
重みに基づいて出力層の各細胞のデータを計算し、ステ
ップS14で、各路面状態TYPEnの確からしさを出
力した後に、本サブルーチン処理を終了する。On the other hand, when the "execution mode" is selected in the determination in step S3, the process proceeds to step S11,
The network saved in step S10 is read out, and the weight is set in step S12 based on the network read out in step S11. In the following step S13, data of each cell in the output layer is calculated based on the information input to the input layer input in step S2 and the weight set in step S12, and in step S14, each road surface state TYPEn is calculated. After outputting the certainty of, the present subroutine processing is ended.
【0023】図6は、図5のステップS2で入力層の各
細胞に入力するパラメータのうち、車速に関するパラメ
ータ値を決定するためのグラフを示し、図6中、横軸は
車速(km/h)を示し、縦軸は入力するパラメータ値
を示している。FIG. 6 shows a graph for determining the parameter value relating to the vehicle speed among the parameters input to each cell in the input layer in step S2 of FIG. 5, where the horizontal axis represents the vehicle speed (km / h). ), And the vertical axis represents the input parameter value.
【0024】図6に示すように、本実施例では、車速
を、[0,30),[30,60),[60,90),
[90,120),[120,150),[150,
∞)の6区間に分割し、パラメータ値として、それぞ
れ、0.0,0.2,0.4,0.6,0.8,1.0
の値を与えている。なお、云うまでもなく、分割する個
数および与えるパラメータ値はこれに限る必要はない。As shown in FIG. 6, in this embodiment, the vehicle speeds are [0,30), [30,60), [60,90),
[90, 120), [120, 150), [150,
∞) is divided into 6 sections, and parameter values are 0.0, 0.2, 0.4, 0.6, 0.8 and 1.0, respectively.
Is given the value of. Needless to say, the number of divisions and the parameter values given need not be limited to this.
【0025】図7は、路面タイプ(乾燥路、悪路、ウェ
ット路、圧雪路)毎に、60km/hで走行したときに
検出されたロードノイズの周波数分析を行ったものであ
り、図6と同様に、ニューラルネットワークへ入力する
周波数パラメータ値を決定するために利用するものであ
る。図7中、横軸は周波数(Hz)を示し、縦軸はロー
ドノイズの音圧レベル(dB)を示している。FIG. 7 shows a frequency analysis of the road noise detected when traveling at 60 km / h for each road surface type (dry road, bad road, wet road, and snowy road). Similarly, is used to determine the frequency parameter value input to the neural network. In FIG. 7, the horizontal axis represents frequency (Hz) and the vertical axis represents sound pressure level (dB) of road noise.
【0026】図7に示すように、各路面タイプの特徴を
判別することができるように、周波数領域を分割する。
即ち、本実施例では、周波数を(63,200),(2
50,630),(800,2.0k),(2.5k,
4.0k)の4領域(それぞれ領域I〜IVという)に分
割し、領域I,IIでは悪路と他の路面タイプとを区別で
き、領域IIIでは圧雪路と他の路面タイプとを区別で
き、領域IVではウェット路(WET)と他の路面タイプ
とを区別できる。なお、本実施例では、(0,63),
(200,250),(630,800),(2.0
k,2.5k),(4.0k,∞)の領域の周波数を用
いていないが、これらの周波数は、ロードノイズ以外の
音の成分であると判別されるからである。例えば、(2
00,250),(630,800),(2.0k,
2.5k)の領域に属する音は、エンジン音のものであ
ると考えられ、また、(0,63),(4.0k,∞)
の領域に属する音は、路面状態を検出するのに無効な周
波数成分、即ちノイズであると考えられ、これらの成分
を除去することによって、路面毎の特徴をさらによく表
現することができ、これにより、ニューラルネットワー
クへの学習を有効に行うことができ、路面状態の検出を
よりよく行うことができる。As shown in FIG. 7, the frequency domain is divided so that the characteristics of each road surface type can be discriminated.
That is, in this embodiment, the frequencies are (63, 200), (2
50,630), (800,2.0k), (2.5k,
It is divided into 4 areas (4.0k) (referred to as areas I to IV, respectively). In areas I and II, bad roads and other road surface types can be distinguished, and in area III, snow-covered roads and other road surface types can be distinguished. In the area IV, the wet road (WET) can be distinguished from other road surface types. In this example, (0, 63),
(200,250), (630,800), (2.0
This is because the frequencies in the regions (k, 2.5k) and (4.0k, ∞) are not used, but these frequencies are determined to be sound components other than road noise. For example, (2
00,250), (630,800), (2.0k,
Sounds belonging to the area of 2.5k) are considered to be those of the engine sound, and (0, 63), (4.0k, ∞)
Sounds belonging to the area of are considered to be frequency components that are ineffective for detecting the road surface condition, that is, noise, and by removing these components, the characteristics of each road surface can be better expressed. As a result, learning to the neural network can be effectively performed, and the road surface condition can be detected better.
【0027】さらに、上述のように周波数領域を分割
し、前記マイクロホン1からロードノイズを検出する度
に、各周波数領域毎の平均音圧レベルを算出する。例え
ば、悪路で検出されたロードノイズ信号Sの領域IIにお
ける平均値は、98.3dBであり、最大の音圧レベル
として110dBを採れば、98.3/110≒0.8
9となり、この値を領域IIにおける周波数データとして
ニューラルネットワークの入力層の所定の細胞に入力す
る。このように、分割した各周波数領域毎にロードノイ
ズの音圧レベルを平均することにより、ロードノイズ以
外のノイズを除去することができ、路面状態の検出をよ
りよく行うことができる。なお、これに限らず各周波数
領域毎にロードノイズの面積を算出するようにしてもよ
い。Further, the frequency domain is divided as described above, and each time the road noise is detected from the microphone 1, the average sound pressure level for each frequency domain is calculated. For example, the average value of the road noise signal S detected on the rough road in the area II is 98.3 dB, and if 110 dB is taken as the maximum sound pressure level, 98.3 / 110≈0.8.
9, and this value is input as frequency data in the area II to a predetermined cell in the input layer of the neural network. Thus, by averaging the sound pressure level of the road noise for each of the divided frequency regions, noise other than the road noise can be removed, and the road surface condition can be better detected. The area of road noise may be calculated for each frequency region without being limited to this.
【0028】図8は、ニューラルネットワークに対する
入出力関係をマップ化し、前記メモリに記憶したマップ
を示す図であり、入力パラメータとして前記図6で説明
した車速および図7で説明した4つの周波数領域の音圧
レベルを用いている。FIG. 8 is a diagram showing a map in which the input / output relations with respect to the neural network are mapped and stored in the memory. The input parameters include the vehicle speed described in FIG. 6 and the four frequency regions described in FIG. Sound pressure level is used.
【0029】図6で説明したように、車速は、0,0.
2,0.4,0.6,0.8,1.0の6通りの値を採
り、図7で説明したように、音圧レベルも、同様に、
0,0.2,0.4,0.6,0.8,1.0の6通り
の値を採るように構成されているので、マップは、66
通りの入力パラメータの組を有する。そして、各組の入
力パラメータ値を実際にニューラルネットワークに適応
した後に、即ち、前記図5の学習モードによってニュー
ラルネットワークに学習させた後に、実行モードによっ
て路面状態を判別し、その判別結果を当該入力パラメー
タの組に対応させてマップ化し、メモリに記憶する。As described with reference to FIG. 6, the vehicle speed is 0,0.
Six values of 2, 0.4, 0.6, 0.8, and 1.0 are taken, and as described in FIG. 7, the sound pressure level is also the same.
Since it is configured to take six values of 0, 0.2, 0.4, 0.6, 0.8, 1.0, the map is 6 6
It has a set of input parameters. Then, after the input parameter values of each set are actually applied to the neural network, that is, after the neural network is trained by the learning mode of FIG. 5, the road surface state is discriminated by the execution mode, and the discrimination result is inputted. It is mapped corresponding to a set of parameters and stored in memory.
【0030】このようにして作成されたマップを用い
て、前記図1の判別部4は、マイクロホン1によって検
出され、周波数分析されたロードノイズおよび車速検出
手段5によって検出された車速から路面状態を判別す
る。Using the map created in this way, the discriminating unit 4 in FIG. 1 determines the road surface condition from the road noise detected by the microphone 1 and subjected to frequency analysis and the vehicle speed detected by the vehicle speed detecting means 5. Determine.
【0031】以上説明したように、本実施例に依れば、
ニューラルネットワークにより判断された路面状態を入
力パラメータに対応させてマップ化したので、ニューラ
ルネットワークによる処理およびその処理結果をユーザ
に明確に把握させることができるとともに、ニューラル
ネットワークにいかなる入力が与えられても適正な処理
結果を安定して出力することが可能となる。また、マッ
プにより路面状態を判別するように構成したので、制御
時にニューラルネットワークによる計算を行わなくても
よくなり、制御処理時間を短縮化することができる。As described above, according to this embodiment,
Since the road surface condition judged by the neural network is mapped in correspondence with the input parameters, the processing by the neural network and the processing result can be clearly understood by the user, and any input to the neural network is given. It is possible to stably output an appropriate processing result. Further, since the road surface condition is determined by the map, it is not necessary to perform the calculation by the neural network at the time of control, and the control processing time can be shortened.
【0032】なお、本実施例では、周波数領域毎に算出
した平均値または面積を最大音圧レベルにより正規化し
てニューラルネットワークへ入力するようにしたが、こ
れに限らず、算出した平均値または面積をコード化した
後に、ニューラルネットワークへ入力するようにしても
よい。In the present embodiment, the average value or area calculated for each frequency region is normalized by the maximum sound pressure level and input to the neural network. However, the present invention is not limited to this, and the calculated average value or area is not limited to this. May be coded and then input to the neural network.
【0033】図9は、車速および音圧レベルをコード化
するための対応表の一例を示す図であり、本実施例で
は、0〜120km/hの範囲の車速を8km/h毎に
分割し、60〜120dBの範囲の音圧レベルを4dB
毎に分割して、それぞれ、4ビットのコードを割り当て
ている。例えば、40km/hの車速には“0101
B”のコードを割り当て、100dBの音圧レベルには
“1010B”のコードを割り当てている。ここで、
“B”は、その直前の値が、2進数であることを示して
いる。このようにしてコード化すると、ニューラルネッ
トワークに入力する同種類のパラメータ値間の違いが明
確になり、前記図5の学習モードにおける収束が速くな
る(即ち、少ない繰り返し回数Nでエラーεが所定値ε
0より小さくなる)。FIG. 9 is a diagram showing an example of a correspondence table for coding the vehicle speed and the sound pressure level. In this embodiment, the vehicle speed in the range of 0 to 120 km / h is divided every 8 km / h. , The sound pressure level in the range of 60 to 120 dB is 4 dB.
It is divided for each and a 4-bit code is assigned to each. For example, at a vehicle speed of 40 km / h, “0101
The code "B" is assigned, and the code "1010B" is assigned to the sound pressure level of 100 dB.
"B" indicates that the value immediately before it is a binary number. When coded in this way, the difference between the parameter values of the same type input to the neural network becomes clear, and the convergence in the learning mode of FIG. 5 becomes faster (that is, the error ε is a predetermined value with a small number of iterations N). ε
Less than 0 ).
【0034】なお、本実施例では、本発明の制御方法を
路面状態の検出に適用した例につい説明したが、これに
限らず、他の制御対象の制御に適用してもよい。In this embodiment, the example in which the control method of the present invention is applied to the detection of the road surface condition has been described, but the present invention is not limited to this and may be applied to the control of other controlled objects.
【0035】[0035]
【発明の効果】以上説明したように、本発明に依れば、
ニューラルネットワークに教師データとして与えるべき
パラメータを選択し、該選択されたパラメータを前記ニ
ューラルネットワークに与えることにより学習し、該学
習されたニューラルネットワークを用いて前記パラメー
タの値に対する出力を求め、前記パラメータの値とその
値に対応する前記ニューラルネットワークからの出力値
との対応関係をマップ化して記憶手段に記憶し、前記パ
ラメータを検出するパラメータ検出手段によりパラメー
タが検出されると、そのパラメータ値に応じて前記記憶
されたマップから対応する出力値を読み出し、その出力
値に基づいて制御対象を制御するので、ニューラルネッ
トワークによる処理およびその処理結果をユーザに明確
に把握させることができるとともに、ニューラルネット
ワークにいかなる入力が与えられても適正な処理結果を
安定して出力することができ、さらに制御処理時間を短
縮化することが可能となる効果を奏する。As described above, according to the present invention,
A parameter to be given to the neural network as teacher data is selected, learning is performed by giving the selected parameter to the neural network, an output corresponding to the value of the parameter is obtained using the learned neural network, and When a parameter is detected by the parameter detecting means for detecting the parameter by mapping the correspondence between the value and the output value from the neural network corresponding to the value and storing the result in the storage means, the parameter is detected according to the parameter value. Since the corresponding output value is read from the stored map and the controlled object is controlled based on the output value, it is possible to let the user clearly understand the processing by the neural network and the processing result, and Force proper processing result be given to can be stably output, an effect which is possible to a shortened further control the processing time.
【図面の簡単な説明】[Brief description of drawings]
【図1】本発明の一実施例に係るニューラルネットワー
クを利用して作成したマップを用いた制御方法を、路面
状態検出装置に適用した場合の該装置の概略構成を示す
ブロック図である。FIG. 1 is a block diagram showing a schematic configuration of a road surface state detection device when a control method using a map created by using a neural network according to an embodiment of the present invention is applied to the device.
【図2】図1のロードノイズ検出手段および車速検出手
段の配設位置を説明する図である。FIG. 2 is a diagram illustrating the positions where the road noise detecting means and the vehicle speed detecting means in FIG. 1 are arranged.
【図3】図2の領域rの要部拡大図であり、マイクロホ
ンの近傍の構造を詳細に説明するための図である。FIG. 3 is an enlarged view of a main part of a region r in FIG. 2 and is a diagram for explaining in detail a structure near a microphone.
【図4】ニューラルネットワークに学習させる方法を説
明するための図である。FIG. 4 is a diagram for explaining a method for making a neural network learn.
【図5】学習モード処理および実行モード処理のサブル
ーチンの手順を示すフローチャートである。FIG. 5 is a flowchart showing a procedure of a subroutine of learning mode processing and execution mode processing.
【図6】図5のステップS2でニューラルネットワーク
の入力層の各細胞に入力するパラメータのうち、車速に
関するパラメータの値を決定するためのグラフを示す図
である。FIG. 6 is a diagram showing a graph for determining the value of a parameter related to vehicle speed among parameters input to each cell of the input layer of the neural network in step S2 of FIG.
【図7】路面タイプ毎に、60km/hで走行したとき
に検出されたロードノイズの周波数分析結果を示す図で
ある。FIG. 7 is a diagram showing frequency analysis results of road noise detected when traveling at 60 km / h for each road surface type.
【図8】ニューラルネットワークに対する入出力関係を
マップ化し、メモリに記憶したマップを示す図である。FIG. 8 is a diagram showing a map in which an input / output relationship for a neural network is mapped and stored in a memory.
【図9】車速および音圧レベルをコード化するための対
応表の一例を示す図である。FIG. 9 is a diagram showing an example of a correspondence table for encoding vehicle speed and sound pressure level.
1 ロードノイズ検出手段(パラメータ検出手段) 4 判定部(記憶手段) 5 車速検出手段(パラメータ検出手段) 1 Road Noise Detecting Means (Parameter Detecting Means) 4 Judging Section (Memory Means) 5 Vehicle Speed Detecting Means (Parameter Detecting Means)
───────────────────────────────────────────────────── フロントページの続き (72)発明者 板垣 温 埼玉県和光市中央1丁目4番1号 株式会 社本田技術研究所内 (72)発明者 窪谷 英樹 埼玉県和光市中央1丁目4番1号 株式会 社本田技術研究所内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Atsushi Itagaki 1-4-1 Chuo, Wako-shi, Saitama Inside the Honda R & D Co., Ltd. (72) Inventor Hideki Kubota 4-1-1 Chuo, Wako, Saitama Stock Company Honda Technical Research Institute
Claims (1)
して与えるべきパラメータを選択し、 該選択されたパラメータを前記ニューラルネットワーク
に与えることにより学習し、該学習されたニューラルネ
ットワークを用いて前記パラメータの値に対する出力を
求め、 前記パラメータの値とその値に対応する前記ニューラル
ネットワークからの出力値との対応関係をマップ化して
記憶手段に記憶し、 前記パラメータを検出するパラメータ検出手段によりパ
ラメータが検出されると、そのパラメータ値に応じて前
記記憶されたマップから対応する出力値を読み出し、そ
の出力値に基づいて制御対象を制御することを特徴とす
るニューラルネットワークを利用して作成したマップを
用いた制御方法。1. A parameter to be given to a neural network as teacher data is selected, learning is performed by giving the selected parameter to the neural network, and an output corresponding to the value of the parameter is obtained by using the learned neural network. Obtained, the correspondence between the value of the parameter and the output value from the neural network corresponding to the value is mapped and stored in the storage means, and the parameter is detected by the parameter detection means for detecting the parameter, A control method using a map created by using a neural network, wherein a corresponding output value is read from the stored map according to a parameter value, and a control target is controlled based on the output value.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP29798994A JPH08137509A (en) | 1994-11-07 | 1994-11-07 | Control method using map prepared by utilizing neural network |
US08/353,979 US5586028A (en) | 1993-12-07 | 1994-12-06 | Road surface condition-detecting system and anti-lock brake system employing same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP29798994A JPH08137509A (en) | 1994-11-07 | 1994-11-07 | Control method using map prepared by utilizing neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH08137509A true JPH08137509A (en) | 1996-05-31 |
Family
ID=17853696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP29798994A Pending JPH08137509A (en) | 1993-12-07 | 1994-11-07 | Control method using map prepared by utilizing neural network |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH08137509A (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102610092A (en) * | 2012-03-23 | 2012-07-25 | 天津大学 | Urban road speed predication method based on RBF (radial basis function) neural network |
CN103268701A (en) * | 2013-06-05 | 2013-08-28 | 王燚 | Urban road network load balancing method |
CN104575074A (en) * | 2015-01-22 | 2015-04-29 | 四川汇源吉迅数码科技有限公司 | Load balancing method for urban road network |
-
1994
- 1994-11-07 JP JP29798994A patent/JPH08137509A/en active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102610092A (en) * | 2012-03-23 | 2012-07-25 | 天津大学 | Urban road speed predication method based on RBF (radial basis function) neural network |
CN103268701A (en) * | 2013-06-05 | 2013-08-28 | 王燚 | Urban road network load balancing method |
CN104575074A (en) * | 2015-01-22 | 2015-04-29 | 四川汇源吉迅数码科技有限公司 | Load balancing method for urban road network |
CN104575074B (en) * | 2015-01-22 | 2017-04-26 | 四川汇源吉迅数码科技有限公司 | Load balancing method for urban road network |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5586028A (en) | Road surface condition-detecting system and anti-lock brake system employing same | |
US10365248B2 (en) | Method for acoustic detection of the condition of the road and the tire | |
US5252946A (en) | Method of detecting a deflated tire on a vehicle | |
US5721374A (en) | Method of detecting low tire pressure by comparing wheel speeds | |
CN110914683B (en) | Method for detecting road and tire conditions | |
EP2883772A1 (en) | Method and device for determining state of road surface | |
JP3771960B2 (en) | Method for determining tire pressure reduction in a running vehicle | |
CN111532090B (en) | Four-wheel indirect tire pressure detection method based on electric vehicle motor wheel speed | |
JPH09104210A (en) | Wheel decompression judging device for vehicle | |
JP3339978B2 (en) | Hydroplaning phenomenon occurrence speed estimation method and hydroplaning phenomenon occurrence region detection method | |
EP1223055B1 (en) | Tire pneumatic pressure detector | |
US7209818B2 (en) | Method and arrangement for detecting a driving state | |
JPH08137509A (en) | Control method using map prepared by utilizing neural network | |
JPH06138018A (en) | Road surface condition measuring device | |
JPH06174543A (en) | Detecting apparatus for road surface condition | |
US20050076987A1 (en) | Acoustic signal monitoring system for a tire | |
CN109311481B (en) | Method for determining a road state | |
GB2559142A (en) | A system and method for monitoring and detecting tyre wear | |
US20110190975A1 (en) | Method and device for detecting loss of pressure in a tire | |
JPH07156782A (en) | Road surface condition detecting device and anti-lock brake system using the same | |
Ossig et al. | Sensor fault detection using an extended Kalman filter and machine learning for a vehicle dynamics controller | |
JP3393499B2 (en) | Road surface condition detection device | |
US20230271458A1 (en) | Method for estimating the state of wear of a tire | |
KR20030048779A (en) | Apparatus for warning air pressure of tire in a vehicle | |
JP3393500B2 (en) | Road surface condition detection device |