模糊神經(jīng)網(wǎng)絡(luò)控制的自適應(yīng)前照燈系統(tǒng)研究

劉熙明，王 義，李 超

(1.貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽 550025；2.貴州師范大學(xué) 物理與電子科學(xué)學(xué)院，貴州 貴陽 550025)

隨著汽車各項安全技術(shù)的逐步完善，汽車照明系統(tǒng)的安全也愈來愈受到人們的重視。根據(jù)統(tǒng)計數(shù)據(jù)表明，發(fā)生在夜間的交通事故占了總的70%～80%，夜間事故率居高不下的一個重要原因是夜間行車過程中視線不良，駕駛?cè)藛T無法有效的識別路況。為適應(yīng)復(fù)雜多變的路況，更好的滿足駕駛照明，自適應(yīng)前照燈應(yīng)運(yùn)而生。自適應(yīng)前照燈系統(tǒng)可以根據(jù)行駛路況的變化去調(diào)整不同的光型和照明角度，滿足不同的照明需求，有效改變照明情況，提高行車安全性?，F(xiàn)有的自適應(yīng)前照燈系統(tǒng)的研究大多處于實(shí)驗室階段，主要是通過控制兩個電機(jī)實(shí)現(xiàn)水平和垂直兩個方向轉(zhuǎn)動完成光型調(diào)整，系統(tǒng)存在精度低、執(zhí)行速度慢等問題。在現(xiàn)有的自適應(yīng)前照燈系統(tǒng)的基礎(chǔ)上，提出一種基于模糊神經(jīng)網(wǎng)絡(luò)控制的自適應(yīng)前照燈控制系統(tǒng)，該系統(tǒng)基于汽車二自由度動力學(xué)模型，根據(jù)阿克曼轉(zhuǎn)向定理，結(jié)合汽車轉(zhuǎn)動角度、行駛速度、車身俯仰姿態(tài)等參數(shù)，建立汽車在行駛過程中轉(zhuǎn)彎模式、水平俯仰角度補(bǔ)償模式的自適應(yīng)控制系統(tǒng)數(shù)學(xué)模型，利用模糊神經(jīng)網(wǎng)絡(luò)算法(FNN)獲取模糊規(guī)則，進(jìn)行仿真驗證所建立數(shù)學(xué)模型的正確性和可靠性。

1 前照燈控制系統(tǒng)數(shù)學(xué)模型

控制系統(tǒng)主要由數(shù)據(jù)采集傳感器、中央處理機(jī)構(gòu)，執(zhí)行單元組成。傳感器主要負(fù)責(zé)采集汽車方向盤轉(zhuǎn)動角度、汽車行駛速度、車身俯仰角度等數(shù)據(jù)；中央處理機(jī)構(gòu)主要負(fù)責(zé)在接收到傳感器采集到的數(shù)據(jù)后，計算出車燈水平、豎直轉(zhuǎn)動角度，并把執(zhí)行結(jié)果發(fā)送給執(zhí)行機(jī)構(gòu)；執(zhí)行單元在接收到中央處理單元發(fā)送的轉(zhuǎn)動數(shù)據(jù)之后立即執(zhí)行。

1.1 汽車轉(zhuǎn)動數(shù)學(xué)模型分析

根據(jù)阿克曼轉(zhuǎn)向原理，汽車轉(zhuǎn)動過程中所有車輪均做純滾動，所有輪軸相交于一點(diǎn)O，該點(diǎn)成為轉(zhuǎn)向中心，轉(zhuǎn)向中心O到外轉(zhuǎn)向輪與地面的接觸點(diǎn)的距離稱之為汽車的轉(zhuǎn)彎半徑R。

根據(jù)圖中幾何關(guān)系得到

(1)

其中，R為汽車轉(zhuǎn)彎半徑；L為軸間距；δ為外側(cè)前輪轉(zhuǎn)向角。

汽車的轉(zhuǎn)向系統(tǒng)方向盤和轉(zhuǎn)向輪之間通過減速機(jī)構(gòu)連接，方向盤轉(zhuǎn)動角度δ0和外側(cè)前輪轉(zhuǎn)動角度δ之間存在關(guān)系

δ0=kδ

(2)

式中，K為轉(zhuǎn)向系統(tǒng)減速比。結(jié)合式(1)和式(2)，有汽車轉(zhuǎn)彎半徑為

(3)

圖1 阿克曼轉(zhuǎn)向幾何原理圖

1.2 左右轉(zhuǎn)彎調(diào)節(jié)模式數(shù)學(xué)模型

當(dāng)車輛在照明不良的情況下進(jìn)入彎道路況時，傳感器采集到方向盤的角度和汽車的轉(zhuǎn)彎速度并傳輸?shù)狡嚨碾娍貑卧狤CU中，ECU判斷汽車進(jìn)入彎道模式，通過分析計算匹配出最佳照明光型，發(fā)出相應(yīng)指令給前照燈的執(zhí)行單元，執(zhí)行單元調(diào)節(jié)前照燈的照明光型，有效的增加駕駛視野。如圖2所示為汽車右轉(zhuǎn)彎時轉(zhuǎn)彎路徑和車燈光型匹配情況示意圖，由圖幾何關(guān)系得

θ=arcsin(S/2R)

(4)

式中S為停車視距，實(shí)際轉(zhuǎn)動中，轉(zhuǎn)彎角度比較小，因此近似認(rèn)為實(shí)際停車視距S′=S[4]，R為轉(zhuǎn)彎半徑，由文獻(xiàn)[4]得,停車視距S計算公式為

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

(5)

根據(jù)上述兩式得

(6)

式中，θ為前照燈偏轉(zhuǎn)角度；v為汽車行駛速度；R為表示轉(zhuǎn)彎半徑。

圖2 汽車右轉(zhuǎn)彎時轉(zhuǎn)彎路徑和車燈光型匹配情況示意

1.3 車身俯仰角度補(bǔ)償模式

在路況凹凸不平，或汽車行駛狀態(tài)發(fā)生突變，例如突然加速或者是減速時，車身的姿態(tài)發(fā)生了變化[5-9]。通過車身的速度傳感器以及姿態(tài)傳感器檢測車輛行駛狀況，把數(shù)據(jù)發(fā)送到電控單元，ECU計算車身俯仰角度變化量，通過分析計算匹配出最佳照明光型，發(fā)出相應(yīng)指令給前照燈的執(zhí)行單元，通過執(zhí)行單元調(diào)節(jié)前照燈豎直角度，有效的增加駕駛視野。如圖3所示為汽車車身姿態(tài)俯仰角對車燈照射距離的影響示意圖，以前傾為例。利用屏幕法對前照燈光束照射位置進(jìn)行檢測，機(jī)車前照燈距離屏幕距離為10 m，按照相關(guān)法規(guī)，光束中心離地距離在0.85H～0.95H之間為最佳。

圖3 車身姿態(tài)前傾示意圖

圖中，MN為車身傾斜后的，傳統(tǒng)汽車前照燈的光束照射路徑；MP為水平基準(zhǔn)線；BP為汽車前傾后前照燈位置在垂直方向上的下降長度,設(shè)為h′；α為汽車車身前傾角度；ψ為AFS 系統(tǒng)應(yīng)該調(diào)整的角度；L′為車燈安裝中心位置與機(jī)車質(zhì)心的垂直長度；MB為車身傾斜后，經(jīng)AFS系統(tǒng)調(diào)節(jié)后，前照燈應(yīng)當(dāng)照射的光路。

據(jù)圖中ΔMBP幾何關(guān)系有

(7)

上述兩式聯(lián)立可得

(8)

故AFS系統(tǒng)向上補(bǔ)償角度(向上調(diào)整取正值，向下調(diào)整取負(fù)值)

(9)

而汽車姿態(tài)前傾和后傾的分析機(jī)理都類似，在此處規(guī)定補(bǔ)償角度向上為正值，向下為負(fù)值[9-17]。

2 模糊神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的模糊控制原理的模糊規(guī)則的獲取通常是以以往經(jīng)驗為依據(jù)進(jìn)行的，而模糊控制系統(tǒng)的性能的優(yōu)劣通常是通過模糊規(guī)則來反映。如果完全按照累積經(jīng)驗來獲取模糊規(guī)則，可能會導(dǎo)致模糊控制器的設(shè)計無法保證最優(yōu)化控制性能，甚至連次最優(yōu)化性能都無法達(dá)到。模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Network，F(xiàn)NN)為模糊規(guī)則的提取提供了新的思路和有效的途徑，模糊神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)和模糊控制系統(tǒng)結(jié)合的產(chǎn)物[1-3]，同時具有兩種算法的優(yōu)點(diǎn)，利用模糊神經(jīng)網(wǎng)絡(luò)算法建立模糊規(guī)則，能夠使得模糊控制器達(dá)到比較良好的控制效果[18-20]。

神經(jīng)網(wǎng)絡(luò)屬于模糊推理網(wǎng)絡(luò)的一種，網(wǎng)絡(luò)具有3層拓?fù)浣Y(jié)構(gòu)，在輸入層，每個節(jié)點(diǎn)對應(yīng)相應(yīng)的語言變量。神經(jīng)網(wǎng)絡(luò)的輸入系統(tǒng)的輸入變量值是隸屬于各語言變量值的隸屬度函數(shù)值。隱層的每一個節(jié)點(diǎn)對應(yīng)的是可能的模糊規(guī)則。輸出層的每個節(jié)點(diǎn)也有相對應(yīng)的語言變量，輸出變量值是隸屬于各語言變量值的隸屬度函數(shù)值。神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)是隱層和輸出層之間的全部互聯(lián)，神經(jīng)網(wǎng)絡(luò)3層之間節(jié)點(diǎn)完成的操作流程如下所示：

輸入層實(shí)現(xiàn)輸入變量模糊化，輸入變量的模糊子集數(shù)量決定輸入節(jié)點(diǎn)個數(shù)。每個語言變量值對應(yīng)一個節(jié)點(diǎn)，其作用主要是計算各輸入分量屬于各語言變量模糊集合的隸屬度函數(shù)。

隱層實(shí)現(xiàn)最小化操作，每個節(jié)點(diǎn)代表一個可能的模糊規(guī)則的IF部分，用于匹配模糊規(guī)則前提條件，計算每條模糊規(guī)則的使用度，有多少條模糊規(guī)則就需要有多少節(jié)點(diǎn)與之對應(yīng)。每個節(jié)點(diǎn)完成的操作為Sj=min(xij)，j=1,2…，I∈Lj，Lj是隱層和輸出層節(jié)點(diǎn)j有連接節(jié)點(diǎn)的集合。

輸出層實(shí)現(xiàn)加權(quán)最大化操作，把所用具有相同后續(xù)條件的模糊規(guī)則進(jìn)行組合，每個節(jié)點(diǎn)代表了模糊規(guī)則的THEN部分，加權(quán)之后的權(quán)值代表了模糊規(guī)則的置信度，置信度可以在訓(xùn)練中進(jìn)行調(diào)整，輸出層的節(jié)點(diǎn)數(shù)正好是輸出變量的模糊集合數(shù)。

從神經(jīng)網(wǎng)絡(luò)中提取模糊規(guī)則的方法如下：(1)隱層與輸出層的權(quán)值中取權(quán)值發(fā)生變化的隱層節(jié)點(diǎn)，所取出的每個節(jié)點(diǎn)對應(yīng)一條模糊規(guī)則；(2)取與從(1)中取到的節(jié)點(diǎn)相連接的權(quán)值最大的輸出節(jié)點(diǎn)所對應(yīng)的語言變量作為規(guī)則后續(xù)條件；(3)把前兩步取到的由數(shù)據(jù)生成的規(guī)則與專家經(jīng)驗結(jié)合，生成完整的規(guī)則表；(4)根據(jù)生成的規(guī)則表，保留部分權(quán)值，保證一個規(guī)則節(jié)點(diǎn)只與一個輸出節(jié)點(diǎn)進(jìn)行連接，其余的連接規(guī)則去除。

模糊規(guī)則的提取，構(gòu)成了模糊神經(jīng)網(wǎng)絡(luò)的第4層。模糊神經(jīng)網(wǎng)絡(luò)的第5層主要是完成模糊規(guī)則的清晰化操作，由多輸入單輸出構(gòu)成的系統(tǒng)中第5層的節(jié)點(diǎn)數(shù)量為1，第5層完成的操作如下

(10)

此處ak和bk分別是該節(jié)點(diǎn)對應(yīng)的輸出語言變量值的隸屬度函數(shù)的寬度和中心。

3 控制系統(tǒng)的設(shè)計和仿真

控制系統(tǒng)主要工作模式有左右轉(zhuǎn)彎調(diào)節(jié)模式和車身俯仰角度補(bǔ)償模式。左右轉(zhuǎn)彎調(diào)節(jié)模式工作原理是當(dāng)汽車進(jìn)入彎道時，根據(jù)轉(zhuǎn)彎半徑調(diào)節(jié)車燈轉(zhuǎn)動角度實(shí)現(xiàn)盲區(qū)補(bǔ)償；車身俯仰角度補(bǔ)償模式是當(dāng)汽車車身出現(xiàn)傾斜時，路面上有效光照長度減少，根據(jù)車身俯仰角度去調(diào)節(jié)車燈的俯仰角度實(shí)現(xiàn)光照補(bǔ)償。

圖4 自適應(yīng)前照燈控制系統(tǒng)結(jié)構(gòu)圖

3.1 模糊控制自適應(yīng)前照燈控制系統(tǒng)

3.1.1 左右轉(zhuǎn)彎模式模糊控制系統(tǒng)設(shè)計

系統(tǒng)設(shè)計為雙輸入單輸出系統(tǒng)。模糊控制系統(tǒng)的輸入分別是汽車轉(zhuǎn)彎的曲率半徑R和汽車轉(zhuǎn)彎時的速度V，輸出為前照燈偏轉(zhuǎn)補(bǔ)償角度θH。

圖5是使用Matlab/Simulink對汽車前照燈控制系統(tǒng)左右轉(zhuǎn)彎調(diào)節(jié)模式數(shù)學(xué)模型建立的仿真原理圖。系統(tǒng)的初始狀態(tài)為SH={R,V,θ}={∞，0，0}，初始行駛路徑為直線，行駛速度為0，前照燈處于初始位置，偏轉(zhuǎn)角度為0°。

3.1.2 俯仰角度補(bǔ)償模糊控制器

俯仰角度補(bǔ)償模糊控系統(tǒng)為雙輸入單輸出系統(tǒng)，系統(tǒng)的輸入分別是加速度和汽車車頭相對于車尾的傾斜角度變化量，輸出為車燈豎直方向補(bǔ)償角度。圖6是使用Matlab/Simulink建立的俯仰角度模糊控制器仿真原理圖。

圖5 左右轉(zhuǎn)彎調(diào)節(jié)模式模糊控制仿真原理圖

圖6 俯仰角度模糊控制器仿真原理圖

3.2 神經(jīng)網(wǎng)絡(luò)控制自適應(yīng)前照燈控制系統(tǒng)

左右轉(zhuǎn)彎模式神經(jīng)網(wǎng)絡(luò)控制器是一種雙輸入單輸出網(wǎng)絡(luò)，輸入層為從傳感器監(jiān)測到的系統(tǒng)狀態(tài)，輸出量是汽車前照燈偏轉(zhuǎn)補(bǔ)償角度。

俯仰角度補(bǔ)償模式神經(jīng)網(wǎng)絡(luò)控制器為雙輸入、單輸出網(wǎng)絡(luò)，輸入層為汽車的俯仰角度和加速度，輸出量是汽車前照燈豎直方向偏轉(zhuǎn)補(bǔ)償角度。

選擇三層反向傳播(Back Propagation，BP)網(wǎng)絡(luò)，輸入層、隱層、輸出層分別使用tansig、logsig、purelin函數(shù)。首先使用變學(xué)習(xí)速率算法，分別對左右轉(zhuǎn)彎模式和俯仰角度補(bǔ)償模式的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成相應(yīng)的BP網(wǎng)絡(luò)。訓(xùn)練完成后使用gensin函數(shù)把訓(xùn)練完畢的BP神經(jīng)網(wǎng)絡(luò)導(dǎo)入到Simulink中結(jié)合模糊控制系統(tǒng)進(jìn)行仿真。

3.3 模糊神經(jīng)網(wǎng)絡(luò)控制自適應(yīng)前照燈控制系統(tǒng)

模糊神經(jīng)網(wǎng)絡(luò)控制的自適應(yīng)前照燈控制系統(tǒng)分為左右轉(zhuǎn)彎調(diào)節(jié)模式和俯仰角度補(bǔ)償模式，輸入輸出數(shù)量不變，輸入變量的隸屬度函數(shù)采用高斯函數(shù)。為了使神經(jīng)網(wǎng)絡(luò)的參數(shù)更適合，采用遺傳算法(Genetic Algorithm，GA)和BP算法相結(jié)合去對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。取遺傳算法的群體規(guī)模N=100，染色體長度取320，自適應(yīng)交叉參數(shù)取K1=K2=0.60，變異參數(shù)取K3=K4=0.015，經(jīng)過兩千次遺傳訓(xùn)練30 s后，發(fā)現(xiàn)各參數(shù)值基本不再發(fā)生變化，表示優(yōu)化完畢。

把經(jīng)過遺傳算法訓(xùn)練之后的神經(jīng)網(wǎng)絡(luò)與模糊控制系統(tǒng)相結(jié)合起來，利用BP梯度算法和在線學(xué)習(xí)方式去優(yōu)化控制系統(tǒng)的適應(yīng)能力。圖7是模糊神經(jīng)網(wǎng)絡(luò)控制的自適應(yīng)前照燈控制系統(tǒng)原理圖。

圖7 左右轉(zhuǎn)彎調(diào)節(jié)模式模糊神經(jīng)網(wǎng)絡(luò)控制仿真原理圖

3.4 控制結(jié)果分析

3種控制器的控制效果Matlab仿真結(jié)果圖如圖7～圖9所示。

圖8 左右轉(zhuǎn)彎模式3種控制系統(tǒng)仿真結(jié)果曲線對比

圖9 左右轉(zhuǎn)彎模式3種控制方式仿真結(jié)果曲線對比

圖10 3種控制系統(tǒng)運(yùn)行速度仿真結(jié)果曲線對比

(1)從仿真結(jié)果圖中對比可知，3種控制方式中模糊神經(jīng)網(wǎng)絡(luò)(FNN)控制方式在自適應(yīng)前照燈控制系統(tǒng)中控制效果最好。隨著曲率半徑變化的時候補(bǔ)償角度均在變化，但是模糊神經(jīng)網(wǎng)絡(luò)控制的曲線輸出效果更佳，控制效果更好。從控制時間上看，模糊神經(jīng)網(wǎng)絡(luò)(FNN)控制方式在0.3～0.4 s內(nèi)完成了調(diào)節(jié)動作，而神經(jīng)網(wǎng)絡(luò)和模糊控制系統(tǒng)在0.9～1.3 s完成調(diào)節(jié)動作，模糊神經(jīng)網(wǎng)絡(luò)(FNN)控制方式的調(diào)節(jié)時間更短；

(2)從調(diào)節(jié)到相應(yīng)角度過程的曲線上看，三者的調(diào)節(jié)幅度隨時間變化曲線圖像更加類似于PID控制。但模糊控制和神經(jīng)網(wǎng)絡(luò)控制在最開始時就出現(xiàn)了較大的超調(diào)量，穩(wěn)定的過程中出現(xiàn)了輕微的震蕩，而模糊神經(jīng)網(wǎng)絡(luò)(FNN)控制中引入了GA和神經(jīng)網(wǎng)絡(luò)，具有在線學(xué)習(xí)能力，因此輸出控制量合理，控制平滑度高，調(diào)節(jié)穩(wěn)定之后沒有震蕩現(xiàn)象出現(xiàn)，穩(wěn)定性好。

4 結(jié)束語

針對現(xiàn)有的自適應(yīng)前照燈控制系統(tǒng)所存在的控制精度低、執(zhí)行速度慢的問題，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)算法和遺傳算法，通過訓(xùn)練優(yōu)化之后模糊神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的在線學(xué)習(xí)能力和自適應(yīng)能力。利用這些優(yōu)點(diǎn)，提出一種基于模糊神經(jīng)網(wǎng)絡(luò)控制的自適應(yīng)前照燈系統(tǒng)控制方法，采用仿真實(shí)驗測試控制系統(tǒng)性能。實(shí)驗結(jié)果表明，相比于傳統(tǒng)的使用模糊控制或神經(jīng)網(wǎng)絡(luò)控制的自適應(yīng)前照燈控制系統(tǒng)而言，基于模糊神經(jīng)網(wǎng)絡(luò)控制的自適應(yīng)前照燈控制系統(tǒng)控控制精度高，執(zhí)行速度快，魯棒性更優(yōu)。

參考文獻(xiàn)

[1] 吳海晴,蘇湛,沈昱明.非線性系統(tǒng)的自適應(yīng)模糊控制器設(shè)計[J].電子科技,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] 孫少杰.汽車自適應(yīng)前大燈系統(tǒng)的控制方法研究[D].西安:長安大學(xué),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] 曹先慶,朱建光,唐任遠(yuǎn).基于模糊神經(jīng)網(wǎng)絡(luò)的永磁同步電動機(jī)矢量控制系統(tǒng)[J].中國電機(jī)工程學(xué)報,2006,26(1):137-141.

[8] 韓敏,孫燕楠.多輸入模糊神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].系統(tǒng)工程與電子技術(shù),2003,25(10):1249-1252.

[9] 謝維信,錢沄濤.模糊神經(jīng)網(wǎng)絡(luò)研究[J].深圳大學(xué)學(xué)報:理工版,1999,16(z1):22-28.

[10] 祝勇俊,高涵文,朱學(xué)莉.一種二維自適應(yīng)前照燈控制系統(tǒng)及其控制方法:中國,CN105291959A[P]. 2016.

[11] 杜小芳,趙永浩,徐文婷.汽車自適應(yīng)前照燈系統(tǒng)AFS的控制策略研究[J].武漢理工大學(xué)學(xué)報:交通科學(xué)與工程版,2016,40(4):646-650.

[12] 鄧星辰.基于轉(zhuǎn)角誤差的汽車AFS前照燈光電補(bǔ)償技術(shù)研究[D].廣州:華南理工大學(xué),2016.

[13] 龍騰飛.基于側(cè)傾特性的汽車自適應(yīng)前照燈轉(zhuǎn)角數(shù)學(xué)模型研究[J].汽車零部件,2017(3):87-90.

[14] 杜小芳,趙永浩,徐文婷.基于二自由度動力學(xué)模型的汽車AFS研究[J].武漢理工大學(xué)學(xué)報:信息與管理工程版,2016,38(2):257-262.

[15] 周棟,王春燕,趙萬忠.一種自適應(yīng)汽車前照燈的控制方法:中國,CN104228665B[P].2016.

[16] 李虎強(qiáng),韓紅亮.光導(dǎo)設(shè)計參數(shù)對光強(qiáng)的影響研究[J].汽車技術(shù),2016(12):12-14.

[17] 張輝,黃梅平.基于圖像運(yùn)動模糊特征的車輛運(yùn)動側(cè)偏角直接測量方法研究[J].汽車技術(shù),2016(3):57-61.

[18] 白雪,田啟川,郝夢琳.基于神經(jīng)網(wǎng)絡(luò)的性別識別方法[J].電子科技,2013,26(9):151-154.

[19] 方國維,羅文廣.基于神經(jīng)網(wǎng)絡(luò)補(bǔ)償?shù)挠来磐诫姍C(jī)控制[J].電子科技,2013, 26(4):143-145.

[20] 龔水清,王崴.基于虛擬儀器和BP神經(jīng)網(wǎng)絡(luò)液壓系統(tǒng)故障診斷[J].電子科技,2011, 24(9):128-130.