[发明专利]一种基于脉冲神经网络的电子节气门控制方法

权利要求书

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，g_l＝1/R为导电率；R为电阻值；E_m为电压；i_in(t)为输入电流；u_m(t)为神经元膜电位，如果u_m(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，该神经元会在很短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，d_i,j为节气门期望脉冲输入，o_i，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；d_j为神经网络期望输出；o_i为神经网络实际输出；o_h为隐含层输出；ω_jh为神经网络权值；

对式(3)求导可得：

假设d_j，o_i和o_h分别为脉冲序列L_j，G_j和G_h，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:

Δω_jh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：

ω_hi(t)＝ω_hi(t)+Δω_hi(t) (8)。