[发明专利]一种粒子群优化的径向基神经网络车辆速度跟踪方法

摘要

本发明公开了一种粒子群优化的径向基神经网络车辆速度跟踪方法。本发明通过引擎模型、传动系统模型、车辆模型、刹车模型构建汽车动力学模型；通过梯度下降法计算径向基神经网络模型的参数，PID控制器通过径向基神经网络模型自适应调整参数；通过粒子群优化算法离线优化，得到粒子群优化后的参数；将粒子群优化后的参数初始化赋值给径向基神经网络PID控制器；通过初始化后径向基神经网络PID控制器得到初始节气门开度或初始制动踏板位置，并输入到汽车动力学模型以计算实际跟踪车速；实际跟踪车速以及PID控制器输出输入到神经网络中，根据速度的反馈误差调整径向基神经网络和PID控制器的参数。本发明实现了安全和稳定的跟踪目标速度。

主权项

1.一种粒子群优化的径向基神经网络车辆速度跟踪方法，其特征在于，包括以下步骤：步骤1：通过引擎模型、传动系统模型、车辆模型、刹车模型构建汽车动力学模型；步骤2：建立径向基神经网络模型，通过梯度下降法计算径向基神经网络模型的参数，PID控制器通过径向基神经网络模型自适应调整参数以构建径向基神经网络PID控制器；步骤3：通过粒子群优化算法离线优化，得到粒子群优化后的参数；步骤4：将粒子群优化后的参数初始化赋值给径向基神经网络PID控制器；步骤5：通过初始化后径向基神经网络PID控制器得到初始节气门开度或初始制动踏板位置，将初始节气门开度或初始制动踏板位置输入到汽车动力学模型以计算实际跟踪车速V(τ)，τ∈[0,TMAX]，τ为仿真时间，TMAX为仿真最大时间；步骤6：实际跟踪车速V(τ)以及PID控制器输出得到τ‑1时刻的A(τ‑1)输入到神经网络中，根据速度的反馈误差调整径向基神经网络和PID控制器的参数，仿真时间τ增加时间步长并转至步骤5，循环执行，直到仿真时间τ达到仿真最大时间TMAX。