【正文】 ； I=d2， 表示駕駛員意圖是使車輛加速； 2023/3/2 27 哈爾濱工業(yè)大學（威海）汽車工程學院 3） 綜合得到最佳檔位 如果 I的推理結果為 “ 保持 ” ， 說明駕駛員無明顯的加速或減速意圖 ， 最佳檔位由神經網絡的輸出決定 ， 即 。 對于圖 MIMO網絡 ， 設 是 N維輸入向量 ， ， i=1， 2， ? S，是隱層第 i個徑向基函數中心 ， 是與 X同維數的向量 ， 網絡有 M個輸出 .隱層第 i結點的輸出 lastG 1ilast gG ?? 1ii gg ?? 1ilast gG ?? ilast gG ?ii ? ilast ilast ? ?Tn21 x,x,x ?? ? ?ini2i1i c,c,cC ??iz ?iCXfz ?i=1， 2， ? ， S， 其中 ， 表示隱層中心與輸入向量的 Euclidean距離 。 通常采用直接計算法和自組織學習選取 RBF中心法 。 2023/3/2 29 哈爾濱工業(yè)大學（威海）汽車工程學院 2） 自組織學習選取 RBF中心 ：此時 RBF的中心不固定 ， 隱單元數目比訓練樣本數目少的多 。 對于全部樣本 N反復進行以下 3步驟： （ 2） 輸入樣本與隱層中心的距離 ， 并找出與樣本 k距離最小的中心 l： ， 1≤i≤S ， k=1,2,? N 式中 ， k—— 樣本號 , N—— 樣本總數 i—— 隱層中心號 ， S—— 隱層中心總數 。 （ 1） 給定初始權值 ， 訓練樣本逆相關陣初始值 PSXS(0)和遞推迭代的結束值 ， 對于輸入的樣本 ， 遞推過程如下 : （ 2） 根據輸入的樣本和調整好的中心 ， 計算隱層結點的輸出 ， i=1， 2， ...S )n(RP(n) 1?)0(W SM? minE ? ? ???????? ??? ??R1j 22ijjii 2)cx(expCXz? （ 3） 計算增益矩陣 其中 ， λ 為遺忘因子 。 液力機械式自動變速器中 ， 由于液力變矩器的液力損失 ， 加上駕駛員操縱不當 ， 使得變矩器可能經常工作在低效率區(qū) ， 影響了整機的使用效率 ， 加大了作業(yè)成本 ， 從這種情況下出發(fā) ， 利用人工神經網絡的模式識別能力 ， 對輸入的采樣數據進行分類 ， 辨別最佳換檔時刻 ， 確定合適的檔位 ， 從而改變變矩器的工作狀態(tài) ， 使其工作在高效區(qū) 。 效率η/% 0 400 800 1200 1600 2023 20 40 60 80 I II III IV 0 2023/3/2 34 哈爾濱工業(yè)大學（威海）汽車工程學院 輸出轉矩/kN.m 1 2 3 4 I II III IV 0 0 480 800 1200 1600 2023 液力機械變速器輸出轉速 / 1min??r圖 4D180型液力機械式變速器輸出轉速 / 1min??r（ 2） 控制原理 在不同的油門開度下將相鄰兩檔的換檔點連結起來形成換檔線 ， 這樣有 3條換檔線將整個工作區(qū)分為 4個檔位區(qū) ， 當工作點通過該線時 ， 系統實現換檔 。 隱層的節(jié)點 k的輸出 k31j jkjkk xwxWy ?? ???? ??2023/3/2 35 哈爾濱工業(yè)大學（威海）汽車工程學院 )y(exp1 1)y(y kkk ????? 式中 : 為連接隱層第 k節(jié)點和輸入層的權向量 ， ， k=1， 2， ? ， 7； θ 為隱層的閾值向量 ， ； x為網絡的輸入向量 ， 。 使得誤差 最小 ， 式中 :Y為網絡希望輸出 ， 。 利用合適的輸入輸出樣本訓練網絡的權 、 閾值 ， 然后 ， 任給一個測試數據 x，網絡將輸出這個數據的中心 ， 通過判斷它到各個檔位編碼的歐氏距離 ， 實現了對輸入數據分類 。 金屬帶式無級變速器的出現和電子技術在汽車上的應用 ， 使得轎車無級變速迅速發(fā)展 。 無級變速控制包括 速比控制 和 線壓控制 。 主從錐盤均為組合結構 ， 一端固定 ， 另一端可軸向移動 ， 2個軸向移動錐盤分別由 2023/3/2 37 哈爾濱工業(yè)大學（威海）汽車工程學院 液 壓缸 驅動。 模 糊 化 模 糊 控制算法 模 糊 判決 被 控 對 象 Y U E EC e s dtd/C 圖 含模糊控制器的系統框圖 具有上述模糊控制器的系統方程框圖見圖 。零 (ZE)—— 在控制區(qū)域中心左右 。 無級變速器液壓系統模糊控制規(guī)則見表 ， 用該表就可以根據偏差 E及其變化率 C來決定無級變速器液壓系統的補償量 U。語言變量的論域分別為 E={6， 5， 4， 3， 2， 1， 0， +1， +2， +3， +4， +5， +6} C={6， 5， 4， 3， 2， 1， 0， +1， +2， +3， +4， +5， +6} U={7， 6， 5， 4， 3， 2， 1， 0， +1， +2， +3， +4， +5， +6， +7} ③ 模糊控制規(guī)則 模糊控制規(guī)則是建立在具體過程行為規(guī)律的基礎上 ， 憑借人的知識和經驗加以總結和提煉 ， 制定出的推理語言式控制策略 ， 其特點是將注意力只集中在被控效果上 ， 依據人對過程規(guī)律經驗上的把握 ， 達到對目標的精確控制 。 ② 模糊信息 相對于發(fā)動機轉速的控制區(qū)域內 ， 將描述轉速偏差的語言變量 E、 偏差變化率 C以及轉速補償的語言 2023/3/2 39 哈爾濱工業(yè)大學（威海）汽車工程學院 變量 E、 偏差變化率 C以及轉速補償的語言變量 U劃分為如下 7個最優(yōu)模糊區(qū) :正大 (PB)—— 在控制區(qū)域內靠近上邊界附近 。 ② 控制系統原理 控制系統原理見下圖 。 為了使發(fā)動機在所有行使路況下性能達到最優(yōu)狀態(tài) ， 研究以模糊控制算法為基礎的電液控制系統 ， 電液無級變速系統可以很好地適應各種行使路況 ， 克服功率不足 ， 平滑性差等缺點 。即使無級變速器由于靠摩擦傳動 ， 效率較低 ， 但具有傳動比連續(xù) 、 傳動動力平穩(wěn) 、 操縱動力平穩(wěn) ， 操縱方便等特點 ?？刂破骺筛鶕r正確識別換檔點 ， 通過換檔使變速器工作在各檔高效率區(qū) 。 閾值的調整具有和權值類似的形式 。 給定輸入輸出樣本 (X， Y)， 權值按下式調整 W ? ?k3k2k1k w,w,wW ?? ?721 , ???? ?? ? ?321 x,x,xx ? ],[ )(3)(2)(1)( outoutoutout yyyY ? piii xWEW ??? ?????? 式中 : 為各層的輸入向量 。 由于實際換檔時有 “ 速差 ” 存在 ， 即系統升檔與降檔曲線不重合 ， 這樣就應該有 2個網絡分別識別升 、 降檔狀態(tài) 。 （ 1） 換檔控制策略 4D180型液力機械式變速器具有前進 、 后退檔位各 4個 。 （ 5） 更新矩陣 P (n)K(n)e1)(nW)n(W jTjTj ?? )n(1)Z(nW)n(y)n(y)n(yn(e Tjdjjdjj ????)n(ydj ? ? ?/)1n(PZ(n)K(n)1)P(n)n(P ????（ 6）誤差評價函數 E(n)， 如果 E 轉（ 3）繼續(xù)計算，否則迭代結束。 ? ? ? ?s/kint1/1)k( ???（ 二 ） RBFN網絡權值的遞推最小二乘算法 RLS如下 : 對于多輸入多輸出的 RBF網絡 ， 由上可知網絡的輸出為 j=1， 2， ?M 在第 n時刻 ， 定義誤差評價函數為 式中 ， λ 稱為遺忘因子 ， 其作用是將過去樣本對當前估計值的影響逐漸忘掉 ， 使估計值盡量反映當前樣本特性 ， ， ， 分別表示輸出節(jié)點 j的誤差 、 期望輸出和實際輸出 。 考慮到需要在線完成換擋規(guī)律的學習 ， 采用簡單且很有效的 Kmeans法調整隱層中心 ， 采用遞推最小二乘算法 RLS調節(jié)權值 。 當RBF的中心確定之后 ， 隱單元的輸出是已知的 ， 網絡的權值就可以通過求解線性方程組確定 。 RBF網絡的輸出層和隱含層所完成的任務各不相同 ， 因此它們的學習策略也不相同 。 如果 I的推理結果為 “ 減速 ” ， 當 ， ， 換為新檔；否則 ， 保持原檔位 。 1x234x ig?1ig?1i?0 0 1 0 I 1 ? ?dZ M B N Z P Z M B (a) 油門踏板 (b) 踏板變化率 (c) 駕駛意圖 I隸屬度 圖 各模糊變量 2023/3/2 26 哈爾濱工業(yè)大學（威海）汽車工程學院 對于圖 ， 根據這些駕駛經驗的總結 ， 制定以下九條推理規(guī)則： if β =Z and dβ =N then I=M if β =Z and dβ =Z then I=M if β =Z and dβ =P then I=B if β =M and dβ =N then I=Z if β =M and dβ =Z then I=M if β =M and dβ =P then I=B if β =B and d