[发明专利]一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法

权利要求书

1.一种基于时滞反馈神经网络的车辆动力学预测模型，其特征在于，利用长短时记忆神经网络设计具有延时输出反馈的神经网络车辆动力学预测模型，通过在数据集中设置包含所有的未知或未建模的车辆动力学变化效果，模型能够学习包括车辆的轮胎非线性效应、负载转移潜在的未知动力学状态变化。

2.根据权利要求1所述的一种基于时滞反馈神经网络的车辆动力学预测模型，其特征在于，所述神经网络车辆动力学预测模型的具体结构：

第一层为输入层，输入层有7个特征输入，分别是横摆角速度r，横向速度U_y，纵向速度U_x，前轮转角δ，车辆前轴轮胎纵向合力F_xf和网络模型的输出经过延时反馈进而成为输入信息的横摆角速度和横向速度的导数输出值每个输入特征的数据共包含了4个时步的车辆动力学信息；第二层为LSTM1网络层，隐藏层设计具有128个隐藏单元；第三层为激活层，激活函数选择为Relu函数；第四层为LSTM2网络层，隐藏层设计具有128个隐藏单元，且只输出最后一个LSTM-CELL计算过后的的信息；第五层为回归输出层，隐藏层设计具有2个隐藏单元。

3.根据权利要求2所述的一种基于时滞反馈神经网络的车辆动力学预测模型，其特征在于，所述车辆动力学预测模型采用两层长短时记忆神经网络结构，通过在输入数据中包含带有4个时步状态的车辆控制与状态信息，特别是在状态的输入数据中包括了时延反馈的状态输出参数，能预测当前的车辆横摆角速度和横向速度的导数；所述神经网络车辆动力学预测模型的前向计算方法如下所示：

h＝{x_t,…,x_t-T}

a_l＝max(0,z₁)

其中，x_t代表单个时步中的延时反馈状态输出、控制及状态输入信息，h表示包含了多个历史时步信息的x_t数据，W_lstm{1,2}∈(w_i,w_f,w_g,w_o),b_lstm{1，2}∈(b_i,b_f,b_g,b_o)，表示2个LSTM网络层学习到的网络权重及偏置参数，w_i,w_f,w_g,wo,b_i,b_f,b_g,b_o分别表示为LSTM网络中输入门层、遗忘门层、Tanh层、输出门层的权重矩阵及输入门层、遗忘门层、Tanh层、输出门层的偏置矩阵；为输出回归层权重转置矩阵，b_FC为输出回归层的偏置矩阵；在网络模型的方程中，F_lstm是LSTM网络模型的缩写。a_l代表激活层，z_i,i＝1,2代表不同网络层的加权输出；网络的预测输出和定义为：和其中Δt＝50ms为信号的采样频率。

4.一种基于时滞反馈神经网络的车辆动力学预测模型的训练数据的获取方法，其特征在于，包括虚拟数据集和真实数据集；所述虚拟数据集包括：低保真度可解释车辆非线性动力学多时步虚拟数据采集、高保真度车辆动力学软件CarSim多时步虚拟数据采集。