[发明专利]车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统及方法

说明书

本发明公开了一种车联网环境下基于IGA‑BP神经网络的车辆碰撞预警系统及方法，该系统中：路侧设备用于收集车辆行驶信息并传输到云端供神经网络训练，云端将训练完成后的神经网络再通过路侧设备传输给车辆；信息交互模块，用于实时感知本车和其它车辆的行驶信息、IGA‑BP神经网络信息；并发布本车行驶信息以及转发其它车辆的行驶信息；风险监测模块，根据行驶信息和IGA‑BP神经网络模型进行计算分析，并做出是否存在碰撞风险的判断；控制模块，用于根据风险检测模块的计算结果进行制动和告警控制。本发明提出一种更为灵敏准确的车辆碰撞预警方法，其可以适应不同外界条件的变化，并且具有较高的运算速度、安全性和准确性。

技术领域

本发明涉及车联网和神经网络技术领域，尤其涉及一种车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统及方法。

背景技术

车联网技术是物联网在智能交通领域的应用，是以车内网、车际网和车载自组网为基础，依照约定的通信协议和数据交互标准，通过完成车与车、车与网络间的无线通信和信息交互，实现对交通的智能管理和控制的一体化网络。其特征可以总结为全面感知、可靠传输和智能处理。如图1所示，车辆通过车载传感器感知运行状态信息，并通过车与车、车与路侧设备之间的链接通路将信息传递给其它车辆，使得每辆车都能实时收到周围车辆的信息。相比于通过雷达、红外线进行感知的传统探测技术，基于车联网的感知技术具有性能稳定，不易受天气，电磁等外部环境影响的特点。

BP(back propagation)神经网络是一种按照误差反向传播算法训练的多层前馈神经网络，同时也是目前使用最广泛的神经网络。它的基本思想是利用梯度搜索技术，使网络的实际输出值和期望输出值之间的误差最小。基本BP算法包括信号前向传播和误差反向传播两个过程。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则进入误差反向传播过程。误差反向传播就是一个不断修正各个神经元之间的连接权值，使得训练误差减小的过程。误差反向传播使用的方法是梯度下降法，梯度是训练误差的变化量，可以通过求导所获得。从几何意义上看，梯度代表训练误差增长最快的方向，反之，沿着相反的方向就可以不断地使误差逼近最小值。通过将误差分摊给各层所有单元并根据各单元获得的误差信号调整其权值，使得神经网络的输出逼近真实值。BP神经网络根据修正后的权值再次进行正向传播训练，然后再将新的误差反向传输修正权值，如此循环往复以达到最优的训练效果。

遗传算法(genetic algorithm)的基本思想来源于魏茨曼的物种选择学说、达尔文的生物进化论和孟德尔的遗传学说。它是一种模拟自然界遗传与进化机制的随机搜索优化算法。它将问题编码成为一个个种群，每个种群包含多个个体。通过对个体进行交叉、变异等运算使得信息交换既有组织性且不失随机性。每一轮运算后使用适应度来衡量个体优劣，适应度高的个体被保留，适应度低的个体则被淘汰。经过若干代进化后，最终算法所收敛于的个体即为最佳个体，最佳个体很有可能就是问题的最优解。

现有的基于运动学的碰撞预警方法通过比较当前车辆的最大安全停车距离和当前车辆与前车的实际距离来判断是否存在碰撞风险。在计算中需要依据经验设置驾驶员反应时间和安全缓冲距离，而复杂的道路环境和驾驶员的驾驶特征很难通过简单的几个参数和线性关系表示出来，若这些参数设置不当则会影响到方法的安全性和用户体验。同时现有的基于神经网络的碰撞预警方法虽然克服了参数确定性方法的局限性，但是这些方法无法考虑诸如天气、路况等外界因素的影响，且神经网络存在收敛速度慢，易陷入局部极值的缺点。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统及方法，更为灵敏准确，可以适应不同外界条件的变化，并且具有较高的运算速度、安全性和准确性。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统，该系统包括设置在道路侧边的路侧设备，以及设置在各个车辆上的信息交互模块、风险检测模块和控制模块；其中：