[发明专利]一种基于改进回声状态网络的行车智能控制方法

权利要求书

1.一种基于改进回声状态网络的行车智能控制方法，具体步骤如下，其特征在于：

步骤1，检测智能小车行驶的车速、路面图像和方向仰角数据：通过智能小车上各类传感器分别检测智能小车行驶的车速、路面图像和方向仰角数据，并将需要调整的行车角度和速度作为标签，采集多组样本数据；

步骤2，为样本数据添加噪声：由于行车常处于恶劣环境中，因此为路面图像添加椒盐噪声，信噪比范围控制在35~40dB；

步骤3，提取路面图像中的车道线轮廓：对采集的路面图像做平滑滤波处理，并将采集的路面图像转换为二值图像，再利用Canny边缘检测提取图像中的车道线轮廓；

步骤4，训练改进后的回声状态网络：将训练样本提取后的车道线轮廓数据以及车速、方向仰角作为输入，将需要调整的行车角度和速度作为输出，训练改进后的回声状态网络；

步骤5，在线调整回声状态网络权值：通过实时采集的数据，利用交替最小二次乘法计算出回声状态网络的权重修正值，实时进行微调，以提高模型的精确性；

步骤6，将可在线调整阈值的改进回声状态网络嵌入传感器及其处理系统中，并利用改进回声状态网络进行行车智能控制。

2.根据权利要求1所述的一种基于改进回声状态网络的行车智能控制方法，其特征在于：步骤2中为样本数据添加噪声的过程可以表示为：

为提高模型的鲁棒性和稳定性，在训练的路面图像中添加椒盐噪声，信噪比定义如下：

式中， 表示路面图像信号的功率，表示噪声的功率。

3.根据权利要求1所述的一种基于改进回声状态网络的行车智能控制方法，其特征在于：步骤3中提取路面图像中的车道线轮廓的过程可以表示为：

步骤3.1 将图像转化为二值图像；

步骤3.2 利用平滑滤波算法滤除图像中的椒盐噪声；

步骤3.3 计算路面二值图像的梯度；

步骤3.4 非极大值抑制，剔除梯度方向上局部范围内的非极大值；

步骤3.5 调整低阈值和高阈值，筛选边缘点，得到路面图像中的车道线轮廓。

4.根据权利要求1所述的一种基于改进回声状态网络的行车智能控制方法，其特征在于：步骤4中回声状态网络改进的过程可以表示为：

步骤4.1建立回声状态网络模型训练样本，行车智能控制主要涉及到行车的速度和行驶角度控制，样本数据经过步骤3提取车道线轮廓后，将样本的车道线轮廓数据、车速和方向仰角特征数据D(i)，与样本对应需要调整的行车角度和速度E(i)组成训练样本u(i);

步骤4.2初始化回声状态网络模型，将训练样本中的特征数据D(i)通过网络模型中的输入连接权值矩阵Wⁱⁿ进入储备池，需要调整的行车角度和速度E(i) 经过反馈连接权值W^back进入储备池，并计算得到系统状态和输出状态：

式中，x(i)是初始值为0的系统参数，f为储备池节点的激励函数，f^out为储备池输出单元的激励函数，W是储备池内部神经元的连接权值矩阵，W^out 是输出值权重矩阵；

步骤4.3 使用计算输出权值矩阵W^out：

式中，k是输入层的神经元个数，N 是储备池神经元的个数，L 是输出层神经元个数， 表示正则化因子，|| || 表示欧式距离， W^out1是交替最小二乘法计算的权重修正值；

步骤4.4利用交替最小二乘法计算权重修正值W^out1：

步骤4.4.1将权重修正值W^out1和需要调整的行车角度和速度误差组成混合矩阵；

步骤4.4.2利用交替最小二乘法分解混合矩阵，得到两个低维矩阵；

步骤4.4.3将低维矩阵相乘得到重构后的混合矩阵，求得权重修正值；

步骤4.5得到训练完成的行车智能控制改进回声状态网络模型。

5.根据权利要求1所述的一种基于改进回声状态网络的行车智能控制方法，其特征在于：步骤5中在线调整回声状态网络权值的过程可以表示为：

将传感器检测的数据经过步骤3处理后，输入至改进的回声状态网络模型，输出需要调整的行车角度和速度，继而控制行车；同时计算网络输出行车角度和速度与实际值的误差，经过步骤4.4求得权重修正值，在线更新回声状态网络的输出权值矩阵。