模糊神经网络控制的自适应前照灯系统研究

随着汽车各项安全技术的逐步完善，汽车照明系统的安全也愈来愈受到人们的重视。根据统计数据表明，发生在夜间的交通事故占了总的70%～80%，夜间事故率居高不下的一个重要原因是夜间行车过程中视线不良，驾驶人员无法有效的识别路况。为适应复杂多变的路况，更好的满足驾驶照明，自适应前照灯应运而生。自适应前照灯系统可以根据行驶路况的变化去调整不同的光型和照明角度，满足不同的照明需求，有效改变照明情况，提高行车安全性。现有的自适应前照灯系统的研究大多处于实验室阶段，主要是通过控制两个电机实现水平和垂直两个方向转动完成光型调整，系统存在精度低、执行速度慢等问题。在现有的自适应前照灯系统的基础上，提出一种基于模糊神经网络控制的自适应前照灯控制系统，该系统基于汽车二自由度动力学模型，根据阿克曼转向定理，结合汽车转动角度、行驶速度、车身俯仰姿态等参数，建立汽车在行驶过程中转弯模式、水平俯仰角度补偿模式的自适应控制系统数学模型，利用模糊神经网络算法(FNN)获取模糊规则，进行仿真验证所建立数学模型的正确性和可靠性。

1 前照灯控制系统数学模型

控制系统主要由数据采集传感器、中央处理机构，执行单元组成。传感器主要负责采集汽车方向盘转动角度、汽车行驶速度、车身俯仰角度等数据；中央处理机构主要负责在接收到传感器采集到的数据后，计算出车灯水平、竖直转动角度，并把执行结果发送给执行机构；执行单元在接收到中央处理单元发送的转动数据之后立即执行。

1.1 汽车转动数学模型分析

根据阿克曼转向原理，汽车转动过程中所有车轮均做纯滚动，所有轮轴相交于一点O，该点成为转向中心，转向中心O到外转向轮与地面的接触点的距离称之为汽车的转弯半径R。

根据图中几何关系得到

(1)

其中，R为汽车转弯半径；L为轴间距；δ为外侧前轮转向角。

汽车的转向系统方向盘和转向轮之间通过减速机构连接，方向盘转动角度δ0和外侧前轮转动角度δ之间存在关系

δ0=kδ

(2)

从神经网络中提取模糊规则的方法如下：(1)隐层与输出层的权值中取权值发生变化的隐层节点，所取出的每个节点对应一条模糊规则；(2)取与从(1)中取到的节点相连接的权值最大的输出节点所对应的语言变量作为规则后续条件；(3)把前两步取到的由数据生成的规则与专家经验结合，生成完整的规则表；(4)根据生成的规则表，保留部分权值，保证一个规则节点只与一个输出节点进行连接，其余的连接规则去除。

第二,一般情况下抗菌药物可分为2类,一是时间依赖型,二是浓度依赖型。妇产科中常用的抗菌药物多为浓度依赖型,如喹诺酮类、硝基咪唑类、氨基糖苷类等。此类药物应用时,用药间隔时间可适当延长,1-2次/d便可。时间依赖型主要涉及大环内酯类、磺胺类等,其抗菌活性与药物浓度并无直接关系,而与时间有关,建议2-4次/d。[4]对此选择抗菌药物时,需考虑药物的实际特点。

(3)

图1 阿克曼转向几何原理图

1.2 左右转弯调节模式数学模型

隐层实现最小化操作，每个节点代表一个可能的模糊规则的IF部分，用于匹配模糊规则前提条件，计算每条模糊规则的使用度，有多少条模糊规则就需要有多少节点与之对应。每个节点完成的操作为Sj=min(xij)，j=1,2…，I∈Lj，Lj是隐层和输出层节点j有连接节点的集合。

采用SPSS 19.0软件进行统计学分析，该实验数据为定性资料，组间比较采用χ2检验，以P＜0.05为差异有统计学意义。

θ=arcsin(S/2R)

(4)

式中S为停车视距，实际转动中，转弯角度比较小，因此近似认为实际停车视距S′= S[4]，R为转弯半径，由文献[4]得,停车视距S计算公式为

S=0.010 7v2+0.460 4v+6.232 4

(5)

根据上述两式得

控制系统主要工作模式有左右转弯调节模式和车身俯仰角度补偿模式。左右转弯调节模式工作原理是当汽车进入弯道时，根据转弯半径调节车灯转动角度实现盲区补偿；车身俯仰角度补偿模式是当汽车车身出现倾斜时，路面上有效光照长度减少，根据车身俯仰角度去调节车灯的俯仰角度实现光照补偿。

(6)

在路况凹凸不平，或汽车行驶状态发生突变，例如突然加速或者是减速时，车身的姿态发生了变化[5-9]。通过车身的速度传感器以及姿态传感器检测车辆行驶状况，把数据发送到电控单元，ECU计算车身俯仰角度变化量，通过分析计算匹配出最佳照明光型，发出相应指令给前照灯的执行单元，通过执行单元调节前照灯竖直角度，有效的增加驾驶视野。如图3所示为汽车车身姿态俯仰角对车灯照射距离的影响示意图，以前倾为例。利用屏幕法对前照灯光束照射位置进行检测，机车前照灯距离屏幕距离为10 m，按照相关法规，光束中心离地距离在0.85H～0.95H之间为最佳。

图2 汽车右转弯时转弯路径和车灯光型匹配情况示意

1.3 车身俯仰角度补偿模式

式中，θ为前照灯偏转角度；v为汽车行驶速度；R为表示转弯半径。

图3 车身姿态前倾示意图

图中，MN为车身倾斜后的，传统汽车前照灯的光束照射路径；MP为水平基准线；BP为汽车前倾后前照灯位置在垂直方向上的下降长度,设为h′；α为汽车车身前倾角度；ψ为AFS 系统应该调整的角度；L′为车灯安装中心位置与机车质心的垂直长度；MB为车身倾斜后，经AFS系统调节后，前照灯应当照射的光路。

据图中ΔMBP几何关系有

(7)

上述两式联立可得

(8)

故AFS系统向上补偿角度(向上调整取正值，向下调整取负值)

(9)

而汽车姿态前倾和后倾的分析机理都类似，在此处规定补偿角度向上为正值，向下为负值[9-17]。

2 模糊神经网络

传统的模糊控制原理的模糊规则的获取通常是以以往经验为依据进行的，而模糊控制系统的性能的优劣通常是通过模糊规则来反映。如果完全按照累积经验来获取模糊规则，可能会导致模糊控制器的设计无法保证最优化控制性能，甚至连次最优化性能都无法达到。模糊神经网络(Fuzzy Neural Network，FNN)为模糊规则的提取提供了新的思路和有效的途径，模糊神经网络是神经网络和模糊控制系统结合的产物[1-3]，同时具有两种算法的优点，利用模糊神经网络算法建立模糊规则，能够使得模糊控制器达到比较良好的控制效果[18-20]。

Send(A,{,,TB}B_S,{RB}K}),Receive(B,{,,TB}B_S},{RB}K))

神经网络属于模糊推理网络的一种，网络具有3层拓扑结构，在输入层，每个节点对应相应的语言变量。神经网络的输入系统的输入变量值是隶属于各语言变量值的隶属度函数值。隐层的每一个节点对应的是可能的模糊规则。输出层的每个节点也有相对应的语言变量，输出变量值是隶属于各语言变量值的隶属度函数值。神经网络的基本结构是隐层和输出层之间的全部互联，神经网络3层之间节点完成的操作流程如下所示：

维修决策的优化目标是使全周期期望维修费率最低。本节计算全周期期望维修费率，并寻求使其最低的最优参数m*和N*。

y(默认补偿)=-4.859+3.224x1-2.633x2+2.018x3+2.723z1-0.982z2+0.375z3+

输入层实现输入变量模糊化，输入变量的模糊子集数量决定输入节点个数。每个语言变量值对应一个节点，其作用主要是计算各输入分量属于各语言变量模糊集合的隶属度函数。

当车辆在照明不良的情况下进入弯道路况时，传感器采集到方向盘的角度和汽车的转弯速度并传输到汽车的电控单元ECU中，ECU判断汽车进入弯道模式，通过分析计算匹配出最佳照明光型，发出相应指令给前照灯的执行单元，执行单元调节前照灯的照明光型，有效的增加驾驶视野。如图2所示为汽车右转弯时转弯路径和车灯光型匹配情况示意图，由图几何关系得

铁路行业十分关心的一些问题，如轮轨噪声、钢轨粗糙度尤其是波浪形磨耗的萌生和发展以及车轮多边形的形成等，从根本上说是由于轮轨的高频相互动力作用产生的。在频(率)域中处理轮轨相互动力作用时，通常需要计算车轮在轮轨接触点处的动柔度。在过去，多数研究者在计算车轮的动柔度时不考虑车轮的旋转，甚至把车轮当成刚体，只有少数人在做了一定的简化后考虑了车轮的旋转。

很下贱是不是，可我却做了很久，因为会场提供睡的地方。柔软的床垫，白到发亮的床单，让我可以睡得很好很香。

式中，K为转向系统减速比。结合式(1)和式(2)，有汽车转弯半径为

模糊规则的提取，构成了模糊神经网络的第4层。模糊神经网络的第5层主要是完成模糊规则的清晰化操作，由多输入单输出构成的系统中第5层的节点数量为1，第5层完成的操作如下

(10)

此处ak和bk分别是该节点对应的输出语言变量值的隶属度函数的宽度和中心。

3 控制系统的设计和仿真

医院应加大处方监督管理力度，制订相关制度，开展处方规范化和合理用药的培训讲座，将点评结果纳入各科室的绩效考核；改善医院合理用药软件系统，最大限度地减少用药错误，提高处方规范性[13]。医师应提高业务水平，熟悉掌握药物的使用知识，提高责任心及合理用药意识[14-15]。药师应转变服务模式，从传统单纯性的处方调剂转换到以患者为中心的药学服务上来，要不断提高自身的专业水平和岗位技能，体现监督临床合理用药的作用。

图4 自适应前照灯控制系统结构图

3.1 模糊控制自适应前照灯控制系统

3.1.1 左右转弯模式模糊控制系统设计

系统设计为双输入单输出系统。模糊控制系统的输入分别是汽车转弯的曲率半径R和汽车转弯时的速度V，输出为前照灯偏转补偿角度θH。

图5是使用Matlab/Simulink对汽车前照灯控制系统左右转弯调节模式数学模型建立的仿真原理图。系统的初始状态为SH={R,V,θ}={∞，0，0}，初始行驶路径为直线，行驶速度为0，前照灯处于初始位置，偏转角度为0°。

3.1.2 俯仰角度补偿模糊控制器

俯仰角度补偿模糊控系统为双输入单输出系统，系统的输入分别是加速度和汽车车头相对于车尾的倾斜角度变化量，输出为车灯竖直方向补偿角度。图6是使用Matlab/Simulink建立的俯仰角度模糊控制器仿真原理图。

图5 左右转弯调节模式模糊控制仿真原理图

图6 俯仰角度模糊控制器仿真原理图

3.2 神经网络控制自适应前照灯控制系统

左右转弯模式神经网络控制器是一种双输入单输出网络，输入层为从传感器监测到的系统状态，输出量是汽车前照灯偏转补偿角度。

输出层实现加权最大化操作，把所用具有相同后续条件的模糊规则进行组合，每个节点代表了模糊规则的THEN部分，加权之后的权值代表了模糊规则的置信度，置信度可以在训练中进行调整，输出层的节点数正好是输出变量的模糊集合数。

俯仰角度补偿模式神经网络控制器为双输入、单输出网络，输入层为汽车的俯仰角度和加速度，输出量是汽车前照灯竖直方向偏转补偿角度。

选择三层反向传播(Back Propagation，BP)网络，输入层、隐层、输出层分别使用tansig、logsig、purelin函数。首先使用变学习速率算法，分别对左右转弯模式和俯仰角度补偿模式的神经网络进行训练，生成相应的BP网络。训练完成后使用gensin函数把训练完毕的BP神经网络导入到Simulink中结合模糊控制系统进行仿真。

3.3 模糊神经网络控制自适应前照灯控制系统

模糊神经网络控制的自适应前照灯控制系统分为左右转弯调节模式和俯仰角度补偿模式，输入输出数量不变，输入变量的隶属度函数采用高斯函数。为了使神经网络的参数更适合，采用遗传算法(Genetic Algorithm，GA)和BP算法相结合去对神经网络进行训练。取遗传算法的群体规模N=100，染色体长度取320，自适应交叉参数取K1=K2=0.60，变异参数取K3=K4=0.015，经过两千次遗传训练30 s后，发现各参数值基本不再发生变化，表示优化完毕。

把经过遗传算法训练之后的神经网络与模糊控制系统相结合起来，利用BP梯度算法和在线学习方式去优化控制系统的适应能力。图7是模糊神经网络控制的自适应前照灯控制系统原理图。

图7 左右转弯调节模式模糊神经网络控制仿真原理图

3.4 控制结果分析

3种控制器的控制效果Matlab仿真结果图如图7～图9所示。

时间来得及，我决定去看看一幅画。画中人是一个席地而坐的白发老农，背景是一排爬着常绿藤蔓的篱笆架，基于某一种天然的熟悉感，我总觉得自己是在走近一个等待的轮廓。他坐在连接左边一条田埂尽头的台阶上，而我走的是右边，离那幅画的距离是一个四边形荷塘的三条边的周长，我是故意的，毕竟大多时候，看似漫不经心的偶遇总要比别有用心的蓄谋更容易被接受。

图8 左右转弯模式3种控制系统仿真结果曲线对比

图9 左右转弯模式3种控制方式仿真结果曲线对比

图10 3种控制系统运行速度仿真结果曲线对比

(1)从仿真结果图中对比可知，3种控制方式中模糊神经网络(FNN)控制方式在自适应前照灯控制系统中控制效果最好。随着曲率半径变化的时候补偿角度均在变化，但是模糊神经网络控制的曲线输出效果更佳，控制效果更好。从控制时间上看，模糊神经网络(FNN)控制方式在0.3～0.4 s内完成了调节动作，而神经网络和模糊控制系统在0.9～1.3 s完成调节动作，模糊神经网络(FNN)控制方式的调节时间更短；

在中国，家族家风对一个人的影响非常大，历史上以家族为单位创作、入仕的数不胜数，魏晋南北朝时期的王谢家族就是代表，陈寅恪先生曾指出：“夫士族之特点，既在其门风之优美，不同于凡庶；而优美之门风实基于学业之因袭。故士族家世相传之学业，乃与当时之政治社会有极重要之影响。”陶家几代为官，有深厚的家学传统，陶渊明的直系亲属无一不是身处仕途之中。因袭父辈遗风，把“兼济天下”作为自己的“平生之志”就在情理之中了。

(2)从调节到相应角度过程的曲线上看，三者的调节幅度随时间变化曲线图像更加类似于PID控制。但模糊控制和神经网络控制在最开始时就出现了较大的超调量，稳定的过程中出现了轻微的震荡，而模糊神经网络(FNN)控制中引入了GA和神经网络，具有在线学习能力，因此输出控制量合理，控制平滑度高，调节稳定之后没有震荡现象出现，稳定性好。

4 结束语

针对现有的自适应前照灯控制系统所存在的控制精度低、执行速度慢的问题，结合模糊神经网络算法和遗传算法，通过训练优化之后模糊神经网络具有很强的在线学习能力和自适应能力。利用这些优点，提出一种基于模糊神经网络控制的自适应前照灯系统控制方法，采用仿真实验测试控制系统性能。实验结果表明，相比于传统的使用模糊控制或神经网络控制的自适应前照灯控制系统而言，基于模糊神经网络控制的自适应前照灯控制系统控控制精度高，执行速度快，鲁棒性更优。

本文针对三相并网逆变器,提出了变系数降频模型预测直接功率控制策略,该策略改进了矢量的选择方式,确保了在降低频率减少开关损耗的同时,依然可以维持系统的稳定运行。本文重新定义了降频模型预测直接功率控制的降频系数,运用所提出的策略,成功地解决了定系数降频模型预测直接功率控制系数不易确定以及不能适应系统功率改变的弊端。通过对模型预测直接功率控制、定系数降频模型预测直接功率控制和变系数降频模型预测直接功率控制仿真与实验的对比研究,进一步验证了变系数降频模型预测直接功率控制的有效性。

参考文献

[1] 吴海晴,苏湛,沈昱明.非线性系统的自适应模糊控制器设计[J].电子科技,2016,29(7):36-39.

[2] Pratama M,Lu J,Anavatti S,et al.An incremental meta-cognitive-based scaffolding fuzzy neural network[J].Neurocomputing,2016,171(C):89-105.

[3] Anastassiou G A.Multivariate fuzzy-random normalized neural network approximation[M].Germany:Springer International Publishing,2016.

[4] Melo H,Watada J.Gaussian-PSO with fuzzy reasoning based on structural learning for training a neural network[J].Neurocomputing,2016,172(5):405-412.

[5] 孙少杰.汽车自适应前大灯系统的控制方法研究[D].西安:长安大学,2015.

[6] Xiaofang D U,Zhao Y,Wenting X U,et al. Research on control strategy in automotive adaptive front lighting system[J].Journal of Wuhan University of Technology,2016(3):1-12.

[7] 曹先庆,朱建光,唐任远.基于模糊神经网络的永磁同步电动机矢量控制系统[J].中国电机工程学报,2006,26(1):137-141.

[8] 韩敏,孙燕楠.多输入模糊神经网络及其应用[J].系统工程与电子技术,2003,25(10):1249-1252.

[9] 谢维信,钱沄涛.模糊神经网络研究[J].深圳大学学报:理工版,1999,16(z1):22-28.

[10] 祝勇俊,高涵文,朱学莉.一种二维自适应前照灯控制系统及其控制方法:中国,CN105291959A[P]. 2016.

[11] 杜小芳,赵永浩,徐文婷.汽车自适应前照灯系统AFS的控制策略研究[J].武汉理工大学学报:交通科学与工程版,2016,40(4):646-650.

[12] 邓星辰.基于转角误差的汽车AFS前照灯光电补偿技术研究[D].广州:华南理工大学,2016.

[13] 龙腾飞.基于侧倾特性的汽车自适应前照灯转角数学模型研究[J].汽车零部件,2017(3):87-90.

[14] 杜小芳,赵永浩,徐文婷.基于二自由度动力学模型的汽车AFS研究[J].武汉理工大学学报:信息与管理工程版,2016,38(2):257-262.

[15] 周栋,王春燕,赵万忠.一种自适应汽车前照灯的控制方法:中国,CN104228665B[P].2016.

[16] 李虎强,韩红亮.光导设计参数对光强的影响研究[J].汽车技术,2016(12):12-14.

[17] 张辉,黄梅平.基于图像运动模糊特征的车辆运动侧偏角直接测量方法研究[J].汽车技术,2016(3):57-61.

[18] 白雪,田启川,郝梦琳.基于神经网络的性别识别方法[J].电子科技,2013,26(9):151-154.

[19] 方国维,罗文广.基于神经网络补偿的永磁同步电机控制[J].电子科技,2013, 26(4):143-145.

[20] 龚水清,王崴.基于虚拟仪器和BP神经网络液压系统故障诊断[J].电子科技,2011, 24(9):128-130.