[发明专利]基于小波神经网络的轮胎胎体温度软测量方法

摘要

本发明涉及一种基于小波神经网络的轮胎胎体温度软测量方法，所述测量方法利用BP小波神经网络构建学习算法，BP小波神经网络模型是一个三输入、一输出的三层前向网络，隐含层层数为一，隐含层有神经元；输入分别为载荷、速度、行驶面中心点温度和行驶时间，输出为胎体内部胎肩处温度；网络隐含层激活函数采用morlet小波函数，输入层神经元基函数和激活函数均为纯线性函数。本发明所述方法避免破坏轮胎结构、力学等性能，能获得精确的轮胎胎体内部压力，从而对轮胎的行驶状态作出准确的判断，提高汽车行驶安全性。

主权项

一种基于小波神经网络的轮胎胎体温度软测量方法，其特征是：所述测量方法利用BP小波神经网络构建学习算法，BP小波神经网络模型是一个三输入、一输出的三层前向网络，隐含层层数为一，隐含层有神经元；输入分别为载荷、速度、行驶面中心点温度和行驶时间，输出为胎体内部胎肩处温度；网络隐含层激活函数采用morlet小波函数，输入层神经元基函数和激活函数均为纯线性函数，输入层第i个神经元输出为：oi(1)=xi;i=1,2,3,4---(1)]]>式(1)中，xi为BP小波网络第i个输入，为输入层的第i个神经元输出；隐含层基函数为纯线性函数，隐含层第j个神经元的输入为：sj=Σi=13wji(1)oi(1)-θj(1);j=1,2,...,l---(2)]]>式(2)中，sj为隐含层第j个神经元的输入，为输入层第i个神经元到隐含层第j个神经元的连接权值，为隐含层第j个神经元的阈值；隐含层第j个神经元的输出为：oj(2)=h(sj-bjaj);j=1,2,...,l---(3)]]>式(3)中，aj为隐含层第j个神经元激活函数中的尺度参数；bj为隐含层第j个神经元激活函数中的平移参数；h为隐含层神经元的激活函数，为Morlet函数，即oj(2)=cos(1.75uj)e-uj22---(4)]]>式(4)中，aj为隐含层第j个神经元激活函数中的尺度参数；bj为隐含层第j个神经元激活函数中的平移参数；输出层神经元的激活函数为纯线性函数，输出y为：y=Σj=1lwj(2)oj(2)---(5)]]>式(5)中，为隐含层第j个神经元与输出层神经元的连接权值；所述学习算法为：利用变学习速率对BP小波神经网络进行训练，假设有Q组训练样本作为BP网络的学习数据，{Xq,Dq}为第q组训练样本，为网络输入样本数据，d(q)为网络预期输出；第q组输入样本Xq输入网络，网络输出为Yq，目标函数为网络实际输出与目标输出之间的误差平方和：Eq=12(d(q)-y(q))2---(6)]]>式(6)中，网络输出当网络输出只有一个时，Yq＝[y(q)]；当所有Q组输入样本都输入网络，网络的总误差为：E=Σq=1QEq=12Σq=1Q(d(q)-y(q))2---(7)]]>隐含层到输出层权值修正算法：wj(2)(n0+1)=wj(2)(n0)+Σq=1Q(d(q)-y(q))oj(2),j=1,2,...l---(8)]]>输入层到隐含层权值修正算法：wji(1)(n0+1)=wji(1)(n0)+Σq=1Q(d(q)-y(q))wj(2)∂h(uj)∂uj1ajxi---(9)]]>尺度参数修正算法：aj(n0+1)=aj(n0)+Σq=1Q(d(q)-y(q))wj(2)∂h(uj)∂uj1ajuj---(10)]]>平移参数修正算法：aj(n0+1)=aj(n0)+Σq=1Q(d(q)-y(q))wj(2)∂h(uj)∂uj1aj---(11)]]>2)BP学习算法步骤：①选择网络各神经元之间的连接权值和阈值的初始值；②数据预处理：对训练样本进行归一化处理；③从归一化处理后的训练样本集中选取一组数据，输入到BP网络；④输入数据从输入层到输出层正向传递，计算每一层神经元的输出，最终得到网络输出；⑤计算网络输出与目标输出之间的均方误差；⑥从学习样本集中选取另一组数据输入到BP网络，重复步骤③‑④，直到学习样本集中每一组数据均计算完；⑦按误差反向传播原则，从输出层起始到输出层，调整每一层神经元的权值和阈值，计算公式见式(8)‑(11)；⑧计算网络目标函数，若不满足要求，重复步骤③‑⑥；否则终止学习；网络学习结束后，网络参数就确定了，然后需用训练样本集外的数据测试网络误差。