一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法专利检索-飞蝇本线钓线钓鱼与渔业专利检索查询-专利查询网

一种基于改进型果蝇 算法的主动悬架视觉预瞄控制方法

阅读：658发布：2020-05-08

专利汇可以提供一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，包括步骤一、扫描车辆前方行驶路面；二、分数阶傅里叶变换；三、对分数傅里叶变换谱进行图像增强处理；四、数据聚类，确定聚类数量并分离各聚类数据；五、对分离的各聚类数据进行峰值位置和峰值强度统计，最小二乘法拟合，获得飞行时间、脉宽和幅值；六、计算行驶车辆的横向位移和纵向位移；七、构成特征矩阵；八、被动悬架的性能指标输入视觉预瞄算法控制器中；九、视觉预瞄算法控制器采用改进型果蝇算法，计算出最优主动力。本发明方法步骤简单，能够在不同等级路面中选取最为合理的加权系数矩阵与加权因子，为主动悬架提供最优主动力，有效实现车辆主动悬架的视觉预瞄控制。，下面是一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法专利的具体信息内容。

权利要求

1.一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，所述主动悬架视觉预瞄的控制系统包括用于检测车前路面不平度的车前激光雷达(1)、用于对车前激光雷达(1)扫描到的信号进行特征提取、分解并处理的电控单元ECU(2)和用于为车辆悬架提供最优主动力的视觉预瞄算法控制器(3)，所述车前激光雷达(1)和视觉预瞄算法控制器(3)均与电控单元ECU(2)相接，其特征在于：所述主动悬架视觉预瞄控制方法包括以下步骤：
步骤一、所述车前激光雷达(1)扫描车辆前方行驶路面；
步骤二、所述电控单元ECU(2)对车前激光雷达(1)扫描信号进行分数阶傅里叶变换，得到二维的分数阶傅里叶变换谱；
步骤三、所述电控单元ECU(2)采用均值滤波、小波滤波及巴特沃兹滤波的复合滤波方法，对分数傅里叶变换谱进行图像增强处理；
步骤四、所述电控单元ECU(2)对增强后的分数阶傅里叶变换谱图像进行数据聚类，确定聚类数量并分离各聚类数据；
步骤五、所述电控单元ECU(2)对分离的各聚类数据进行峰值位置和峰值强度统计，筛选有效数据点后对保留数据进行最小二乘法拟合，获得飞行时间、脉宽和幅值；
步骤六、所述电控单元ECU(2)根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移；
步骤七、所述电控单元ECU(2)通过处理横向位移和纵向位移值，构成特征矩阵，计算当前路面的功率谱密度，确定相应的路面等级；
步骤八、所述电控单元ECU(2)将相应路面等级下的路面不平度系数和相应路面等级下被动悬架的性能指标输入视觉预瞄算法控制器(3)中；
步骤九、所述视觉预瞄算法控制器(3)采用改进型果蝇算法，计算出最优主动力，将最优主动力输入到车辆悬架中，实现主动悬架在不同等级路面下的主动视觉预瞄控制。
2.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，其特征在于：步骤二中所述电控单元ECU(2)对车前激光雷达(1)扫描信号进行分数阶傅里叶变换，得到二维的分数阶傅里叶变换谱的具体步骤为：
步骤201、建立车前激光雷达(1)扫描信号理论模型，所述车前激光雷达(1)扫描信号理论模型为其中，K为高斯成分数量，ak代表第k个高斯成分的
幅值，tk代表第k个高斯成分的飞行时间；σk代表第k个高斯成分的脉冲宽度；η(t)表示加性噪声，t为时间域变量；
步骤202、对车前激光雷达(1) 扫描信号进行分数阶傅里叶变换 ,即
其中，u代表分数阶傅里叶变换域，Mp(u,t)是FRFT的核函数，表
示为：
其中，α为角度参数，p为阶数，α与p的关系为：α＝pπ/2，j表示虚数单位，δ(·)为单位冲激函数，cot表示余切函数，csc表示余割函数；
步骤203、得到二维的分数阶傅里叶变换谱；
所述车前激光雷达(1)扫描信号的分数阶傅里叶变换结果为：
其中，
3.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，其特征在于：步骤四中所述电控单元ECU(2)对增强后的分数阶傅里叶变换谱图像进行数据聚类，确定聚类数量并分离各聚类数据的具体步骤为：
步骤401、对增强后的分数阶傅里叶变换谱图像，采用分层阈值滤除无用的噪声点，具体的阈值设为其中和分别是第p阶FRFT结果的噪声均值和标准值；
步骤402、绘制cosα-up图像，其中up＝tkcosα，并且绘制图像的up/cosα分布的直方图，其中，tk为飞行时间，up为各聚类数据在不同cosα值或p值下对应的u值；
步骤403、对直方图进行自动聚类操作；
步骤40301、设定一个阈值，直方图中频次大于该阈值的点作为有效数据点保留；
步骤40302、遍历有效数据点，如果当前点的位置与前一点的位置相邻，则当前点列入前一点的相同聚类中；否则，当前点列入新的聚类，前一聚类遍历结束；
步骤40303、遍历下一个点并继续步骤40302直到最后一个点已经确定所属的聚类，至此确定总聚类数；
步骤404、对不同聚类中的数据点在不同cosα下的up进行均值处理得到绘制各聚类的图像。
4.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，其特征在于：步骤五中所述电控单元ECU(2)对分离的各聚类数据进行峰值位置和峰值强度统计，筛选有效数据点后对保留数据进行最小二乘法拟合，获得飞行时间、脉宽和幅值的具体过程为：
获得飞行时间的具体过程为：针对不同类簇的点图，采用最小二乘法用直线
拟合，拟合的表达式为最优参数为其中，n为
观测数据点总数，xi和yi分别为观测数据点的横坐标和纵坐标，为观测数据点横坐标均值，为观测数据点纵坐标表均值；对各聚类的拟合结果通过公式确定各聚类
飞行时间，其中Δt为数据点的单位时间值；
获得脉宽和幅值的具体步骤为：
步骤501、根据提取飞行时间时得到的和对图像增加的分数阶傅里叶谱计算不同p阶的待定峰值强度其中，Imean为均值滤波后的分数阶傅里叶谱，
round(·)函数表示将输入数字输出为其最接近的整数；
步骤502、删除伪峰点保留有效的数据点，在p阶处以为中心选择一个局部的邻域，计算该邻域的最大强度为当远远小于时，就作为伪峰点删除，否则就作为有效数据点保留；
步骤503、进一步对有效数据点进行筛选，剔除误差较大的点，剩余数据点均视为有效峰值强度点，强度集记为Imax；
步骤504、绘制点图，使用最小二乘法拟合二次曲线，拟合公式为y＝s(1-r)
x2+sr，得到最优拟合参数r的估计值为最优拟合
参数s估计值为
步骤505、计算得到脉宽幅值
5.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，其特征在于：步骤六中所述电控单元ECU(2)根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移的具体步骤为：
步骤601、所述电控单元ECU(2)根据公式计算目标距离值d，其中，
Et为飞行时间，c为光的传播速度，为脉宽，为幅值；
步骤602、所述电控单元ECU(2)根据公式计算车辆的横向位移，其中，
zi＝H-dcosθi，xi＝dsinθi，H为基准地面到激光雷达的高度参考值，θi是当前激光束与z轴之间的夹角；
步骤603、所述电控单元ECU(2)根据公式计算车辆的纵向位移，其中，v
(t)为车辆的速度。
6.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，其特征在于：步骤七中所述电控单元ECU(2)通过处理横向位移和纵向位移值，构成特征矩阵，计算当前路面的功率谱密度，确定相应的路面等级的具体过程为：
通过快速傅里叶变换后构成特征矩阵，然后使用Welch的方法计算其PSD，特征矩阵为其中，特征矩阵Fls每列向量代表的是每个扫描周期经计算后得到的全部功率谱PSD值，特征矩阵中第一行第一列元素Fs1,f1代表的是第一个扫描周期数据空间频率从0c/m到0.1c/m的PSD值，Fsn,f1代表第n个扫描周期数据空间频率从0c/m到0.1c/m的PSD值，Fsn,fm代表第n个扫描周期数据空间频率从34.9c/m到35c/m的PSD值，特征矩阵Fls中共包含n个样本，每个样本具有m个特征，元素值表示形成最终特征矩阵的特定研究频率的功率谱值归一化后体现在[0,1]数值范围内的数值。
7.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，其特征在于：步骤九中所述视觉预瞄算法控制器(3)采用改进型果蝇算法的具体步骤为：
步骤901、选取车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度8个性能指标作为改进型果蝇算法的优化目标，根据性能指标选取果蝇算法的适应度函数式f(x)，即
其中，BA(x)为车身加速度的均方根值，TAA(x)为角加速度的均方根值，SDDF(x)为前悬架动挠度的均方根值，SDDR(x)为后悬架动挠度的均方根值，TDLF(x)为前轮胎动载荷的均方根值，TDLR(x)为后轮胎动载荷的均方根值，UMVF(x)为前悬架非簧载质量速度的均方根值，UMVR(x)为后悬架非簧载质量速度的均方根值，BApas、TAApas、SDDFpas、SDDRpas、TDLFpas、TDLRpas、UMVFpas和UMVRpas分别为车辆被动悬架中车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度的相应性能指标；
步骤902、设置迭代次数，随机初始化果蝇群体的位置；
步骤903、初始化的果蝇个体利用嗅觉搜寻食物的随机方向与飞行距离；
步骤904、计算果蝇个体与原点之间的距离和味道浓度；
步骤905、味道浓度乘以q1、q2、q3、q4、q5、q6、q7、q8，并代入果蝇算法的适应度函数式f(x)，其中，q1为车身加速度的加权因子、q2为角加速度的加权因子、q3为前悬架动挠度的加权因子、q4为后悬架动挠度的加权因子、q5为前轮胎动载荷的加权因子、q6为后轮胎动载荷的加权因子、q7为前悬架非簧载质量速度的加权因子、q8为后悬架非簧载质量速度的加权因子；
步骤906、找出f(x)的最小值；
步骤907、保留最佳浓度值和种群位置；
步骤908、计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长；
步骤909、重复步骤903～步骤906，进行迭代寻优，使果蝇往该方向飞去，对比本次f(x)的最小值和前一次f(x)的最小值，当本次f(x)的最小值小于前一次f(x)的最小值时，本次味道浓度优于前一次迭代的味道浓度，本次味道浓度值作为最佳浓度值，执行步骤907；当本次f(x)的最小值不小于前一次f(x)的最小值时，执行步骤9010；
步骤9010、判断迭代是否达到最大次数，当迭代达到最大次数时，结束迭代寻优；当迭代未达到最大次数时，执行步骤908。
8.按照权利要求7所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，其特征在于：步骤908中所述计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长的具体步骤为：
步骤90801、根据味道浓度判定值计算果蝇群体的平均味道浓度判定值Fi，
其中，Si(r)为第r代中果蝇i的味道浓度判定值；
步骤90802、计算果蝇群体平均味道浓度判定值的方差σ2；
步骤90803、确定自适应步长；自适应步长公式为：
其中，hr为种群第r代搜索步长；N为迭代次数。

说明书全文

一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法

技术领域

[0001] 本发明属于车辆主动悬架控制技术领域，具体涉及一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法。

背景技术

[0002] 主动悬架能与车辆系统自身的运动状况和外部输入变化相适应，主动改变和给出所需控制力，使悬架始终处于最佳衰减振动状态，乘坐舒适性和操作稳定性得以改善。在主动悬架控制理论研究过程中，学者提出了多种策略，如天棚控制、地棚控制、模糊控制和最优控制等，最优控制理论虽然较为成熟，且算法简单，但其加权系数矩阵与加权因子均由经验取得，无法根据相应的实际路面情况选取合适的加权系数矩阵与加权因子，使主动悬架的控制效果到达最优。

[0003] 预瞄控制是近几年来研究的一种新的悬架系统控制方法，能够有效提升悬架系统的控制效果。其中的轴前预瞄利用车前加装预瞄传感器测量前方道路信息，将其作为悬架控制器的信息输入，从而提高悬架控制的效果。

[0004] 果蝇算法属于全局优化算法，果蝇是一种广泛存在于温带和热带地区的昆虫,具有优于其他物种的嗅觉和视觉能力.在寻找食物时,果蝇个体先利用自身嗅觉器官嗅到食物的气味,并向周围的果蝇发送气味信息,或者从周围的果蝇接收气味信息；之后果蝇利用其视觉器官,通过比较得出当前群体中收集到最好气味信息的果蝇位置,群体中的其他果蝇均飞向该位置,并继续展开搜寻。

[0005] 傅里叶变换(FT)提出于1807年，它建立了信号时间域与频率域之间变换的关系，是分析和处理平稳信号的有效工具。然而在实际生产生活中应用时，会存在非平稳信号的情况。非平稳信号的频域与时域是相关联的，因此如果单纯通过时域或频域表达没有办法完整体现信号的实际特征，因此，近年来较多采用一种信号处理方法——时域分析(TFA)，通过将一维信号表示转化为二维时间—频率联合表示，可以较为全面反映观测信号的局部时频分布特征，从而对其进行分析处理。

发明内容

[0006] 本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，其方法步骤简单，能够在不同等级路面中选取最为合理的加权系数矩阵与加权因子，为主动悬架提供最优主动力，有效实现车辆主动悬架的视觉预瞄控制。

[0007] 为解决上述技术问题，本发明采用的技术方案是：一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，所述主动悬架视觉预瞄的控制系统包括用于检测车前路面不平度的车前激光雷达、用于对车前激光雷达扫描到的信号进行特征提取、分解并处理的电控单元ECU和用于为车辆悬架提供最优主动力的视觉预瞄算法控制器，所述车前激光雷达和视觉预瞄算法控制器均与电控单元ECU相接，所述主动悬架视觉预瞄控制方法包括以下步骤：

[0008] 步骤一、所述车前激光雷达扫描车辆前方行驶路面；

[0009] 步骤二、所述电控单元ECU对车前激光雷达扫描信号进行分数阶傅里叶变换，得到二维的分数阶傅里叶变换谱；

[0010] 步骤三、所述电控单元ECU采用均值滤波、小波滤波及巴特沃兹滤波的复合滤波方法，对分数傅里叶变换谱进行图像增强处理；

[0011] 步骤四、所述电控单元ECU对增强后的分数阶傅里叶变换谱图像进行数据聚类，确定聚类数量并分离各聚类数据；

[0012] 步骤五、所述电控单元ECU对分离的各聚类数据进行峰值位置和峰值强度统计，筛选有效数据点后对保留数据进行最小二乘法拟合，获得飞行时间、脉宽和幅值；

[0013] 步骤六、所述电控单元ECU根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移；

[0014] 步骤七、所述电控单元ECU通过处理横向位移和纵向位移值，构成特征矩阵，计算当前路面的功率谱密度，确定相应的路面等级；

[0015] 步骤八、所述电控单元ECU将相应路面等级下的路面不平度系数和相应路面等级下被动悬架的性能指标输入视觉预瞄算法控制器中；

[0016] 步骤九、所述视觉预瞄算法控制器采用改进型果蝇算法，计算出最优主动力，将最优主动力输入到车辆悬架中，实现主动悬架在不同等级路面下的主动视觉预瞄控制。

[0017] 上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，步骤二中所述电控单元ECU对车前激光雷达扫描信号进行分数阶傅里叶变换，得到二维的分数阶傅里叶变换谱的具体步骤为：

[0018] 步骤201、建立车前激光雷达扫描信号理论模型，所述车前激光雷达扫描信号理论模型为其中，K为高斯成分数量， ak代表第k个高斯成分的幅值，tk代表第k个高斯成分的飞行时间；σk代表第k个高斯成分的脉冲宽度；η(t)表示加性噪声，t为时间域变量；

[0019] 步骤202、对车前激光雷达扫描信号进行分数阶傅里叶变换 ,即其中，u代表分数阶傅里叶变换域，Mp(u,t)是FRFT 的核函数，
表示为：

[0020]

[0021] 其中，α为角度参数，p为阶数，α与p的关系为：α＝pπ/2，j表示虚数单位，δ(·)为单位冲激函数，cot表示余切函数，csc表示余割函数；

[0022] 步骤203、得到二维的分数阶傅里叶变换谱；

[0023] 所述车前激光雷达扫描信号的分数阶傅里叶变换结果为：

[0024]

[0025] 其中，

[0026] 上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，步骤四中所述电控单元ECU对增强后的分数阶傅里叶变换谱图像进行数据聚类，确定聚类数量并分离各聚类数据的具体步骤为：

[0027] 步骤401、对增强后的分数阶傅里叶变换谱图像，采用分层阈值滤除无用的噪声点，具体的阈值设为其中和分别是第p阶FRFT 结果的噪声均值和标准值；

[0028] 步骤402、绘制cosα-up图像，其中up＝tkcosα，并且绘制图像的up/cosα分布的直方图，其中，tk为飞行时间，up为各聚类数据在不同cosα值或p值下对应的u值；

[0029] 步骤403、对直方图进行自动聚类操作；

[0030] 步骤40301、设定一个阈值，直方图中频次大于该阈值的点作为有效数据点保留；

[0031] 步骤40302、遍历有效数据点，如果当前点的位置与前一点的位置相邻，则当前点列入前一点的相同聚类中；否则，当前点列入新的聚类，前一聚类遍历结束；

[0032] 步骤40303、遍历下一个点并继续步骤40302直到最后一个点已经确定所属的聚类，至此确定总聚类数；

[0033] 步骤404、对不同聚类中的数据点在不同cosα下的up进行均值处理得到绘制各聚类的图像。

[0034] 上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，步骤五中所述电控单元ECU对分离的各聚类数据进行峰值位置和峰值强度统计，筛选有效数据点后对保留数据进行最小二乘法拟合，获得飞行时间、脉宽和幅值的具体过程为：

[0035] 获得飞行时间的具体过程为：针对不同类簇的点图，采用最小二乘法用直线拟合，拟合的表达式为最优参数为其中，n为观测数据点总数，xi和yi分别为观测数据点的横坐标和纵坐标，为观测数据点横坐标均值，为观测数据点纵坐标表均值；对各聚类的拟合结果通过公式确定各聚
类飞行时间，其中Δt为数据点的单位时间值；

[0036] 获得脉宽和幅值的具体步骤为：

[0037] 步骤501、根据提取飞行时间时得到的和对图像增加的分数阶傅里叶谱计算不同p阶的待定峰值强度其中，Imean为均值滤波后的分数阶傅里叶谱，round(·)函数表示将输入数字输出为其最接近的整数；

[0038] 步骤502、删除伪峰点保留有效的数据点，在p阶处以为中心选择一个局部的邻域，计算该邻域的最大强度为当远远小于时，就作为伪峰点删除，否则就作为有效数据点保留；

[0039] 步骤503、进一步对有效数据点进行筛选，剔除误差较大的点，剩余数据点均视为有效峰值强度点，强度集记为Imax；

[0040] 步骤504、绘制点图，使用最小二乘法拟合二次曲线，拟合公式为y＝s(1-r)x2+sr，得到最优拟合参数r的估计值为最优拟合参数s估计值为

[0041] 步骤505、计算得到脉宽幅值

[0042] 上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，步骤六中所述电控单元ECU根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移的具体步骤为：

[0043] 步骤601、所述电控单元ECU根据公式计算目标距离值d，其中，Et为飞行时间，c为光的传播速度，为脉宽，为幅值；

[0044] 步骤602、所述电控单元ECU根据公式计算车辆的横向位移，其中，zi＝H-d cosθi，xi＝d sinθi，H为基准地面到激光雷达的高度参考值，θi是当前激光束与z轴之间的夹角；

[0045] 步骤603、所述电控单元ECU根据公式计算车辆的纵向位移，其中，v(t)为车辆的速度。

[0046] 上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，步骤七中所述电控单元ECU通过处理横向位移和纵向位移值，构成特征矩阵，计算当前路面的功率谱密度，确定相应的路面等级的具体过程为：

[0047] 通过快速傅里叶变换后构成特征矩阵，然后使用Welch的方法计算其 PSD，特征矩阵为

[0048]

[0049] 其中，特征矩阵Fls每列向量代表的是每个扫描周期经计算后得到的全部功率谱PSD值，特征矩阵中第一行第一列元素Fs1,f1代表的是第一个扫描周期数据空间频率从0c/m到0.1c/m的PSD值，Fsn,f1代表第n个扫描周期数据空间频率从0c/m到0.1c/m的PSD值，Fsn,fm代表第n个扫描周期数据空间频率从34.9c/m到35c/m的PSD值，特征矩阵Fls中共包含n个样本，每个样本具有m个特征，元素值表示形成最终特征矩阵的特定研究频率的功率谱值归一化后体现在[0,1]数值范围内的数值。

[0050] 上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，步骤九中所述视觉预瞄算法控制器采用改进型果蝇算法的具体步骤为：

[0051] 步骤901、选取车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度8个性能指标作为改进型果蝇算法的优化目标，根据性能指标选取果蝇算法的适应度函数式f(x)，即

[0052]

[0053] 其中，BA(x)为车身加速度的均方根值，TAA(x)为角加速度的均方根值， SDDF(x)为前悬架动挠度的均方根值，SDDR(x)为后悬架动挠度的均方根值，TDLF(x)为前轮胎动载荷的均方根值，TDLR(x)为后轮胎动载荷的均方根值，UMVF(x)为前悬架非簧载质量速度的均方根值，UMVR(x)为后悬架非簧载质量速度的均方根值，BApas、TAApas、SDDFpas、SDDRpas、TDLFpas、TDLRpas、 UMVFpas和UMVRpas分别为车辆被动悬架中车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度的相应性能指标；

[0054] 步骤902、设置迭代次数，随机初始化果蝇群体的位置；

[0055] 步骤903、初始化的果蝇个体利用嗅觉搜寻食物的随机方向与飞行距离；

[0056] 步骤904、计算果蝇个体与原点之间的距离和味道浓度；

[0057] 步骤905、味道浓度乘以q1、q2、q3、q4、q5、q6、q7、q8，并代入果蝇算法的适应度函数式f(x)，其中，q1为车身加速度的加权因子、q2为角加速度的加权因子、q3为前悬架动挠度的加权因子、q4为后悬架动挠度的加权因子、q5为前轮胎动载荷的加权因子、q6为后轮胎动载荷的加权因子、 q7为前悬架非簧载质量速度的加权因子、q8为后悬架非簧载质量速度的加权因子；

[0058] 步骤906、找出f(x)的最小值；

[0059] 步骤907、保留最佳浓度值和种群位置；

[0060] 步骤908、计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长；

[0061] 步骤909、重复步骤903～步骤906，进行迭代寻优，使果蝇往该方向飞去，对比本次f(x)的最小值和前一次f(x)的最小值，当本次f(x)的最小值小于前一次f(x)的最小值时，本次味道浓度优于前一次迭代的味道浓度，本次味道浓度值作为最佳浓度值，执行步骤907；当本次f(x)的最小值不小于前一次f(x)的最小值时，执行步骤9010；

[0062] 步骤9010、判断迭代是否达到最大次数，当迭代达到最大次数时，结束迭代寻优；当迭代未达到最大次数时，执行步骤908。

[0063] 上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法，步骤 908中所述计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长的具体步骤为：

[0064] 步骤90801、根据味道浓度判定值计算果蝇群体的平均味道浓度判定值Fi，其中，Si(r)为第r代中果蝇i的味道浓度判定值；

[0065] 步骤90802、计算果蝇群体平均味道浓度判定值的方差σ2；

[0066]

[0067] 步骤90803、确定自适应步长；自适应步长公式为：

[0068]

[0069] 其中，hr为种群第r代搜索步长；N为迭代次数。

[0070] 本发明与现有技术相比具有以下优点：

[0071] 当车辆行驶在路面等级情况较为复杂的路面时，利用车前加装激光雷达扫描前方的路面情况，通过电控单元ECU傅里叶变换处理激光雷达信号，并计算PSD值，实现路面等级的准确识别；利用味道浓度判定值的方差大小确定果蝇算法迭代的步长，由此来改善果蝇算法存在的问题，并通过果蝇算法优化最优控制中的加权系数矩阵和加权因子，主动悬架在不同等级路面时均能达到最优的控制效果。

[0072] 本发明方法步骤简单，能够在不同等级路面中选取最为合理的加权系数矩阵与加权因子，为主动悬架提供最优主动力，有效实现车辆主动悬架的视觉预瞄控制。

[0073] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

[0074] 图1为本发明控制系统的安装结构示意图；

[0075] 图2为本发明视觉预瞄控制方法的流程图。

[0076] 附图标记说明:

[0077] 1—车前激光雷达； 2—电控单元ECU； 3—视觉预瞄算法控制器。

具体实施方式

[0078] 本发明的基于改进型果蝇算法的主动悬架视觉预瞄控制方法，所述主动悬架视觉预瞄的控制系统包括用于检测车前路面不平度的车前激光雷达1、用于对车前激光雷达1扫描到的信号进行特征提取、分解并处理的电控单元ECU 2和用于为车辆悬架提供最优主动力的视觉预瞄算法控制器 3，所述车前激光雷达1和视觉预瞄算法控制器3均与电控单元ECU 2相接，其特征在于：所述主动悬架视觉预瞄控制方法包括以下步骤：

[0079] 步骤一、所述车前激光雷达1扫描车辆前方行驶路面；

[0080] 步骤二、所述电控单元ECU 2对车前激光雷达1扫描信号进行分数阶傅里叶变换，得到二维的分数阶傅里叶变换谱；

[0081] 步骤三、所述电控单元ECU 2采用均值滤波、小波滤波及巴特沃兹滤波的复合滤波方法，对分数傅里叶变换谱进行图像增强处理；

[0082] 步骤四、所述电控单元ECU 2对增强后的分数阶傅里叶变换谱图像进行数据聚类，确定聚类数量并分离各聚类数据；

[0083] 步骤五、所述电控单元ECU 2对分离的各聚类数据进行峰值位置和峰值强度统计，筛选有效数据点后对保留数据进行最小二乘法拟合，获得飞行时间、脉宽和幅值；

[0084] 步骤六、所述电控单元ECU 2根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移；

[0085] 步骤七、所述电控单元ECU 2通过处理横向位移和纵向位移值，构成特征矩阵，计算当前路面的功率谱密度，确定相应的路面等级；

[0086] 步骤八、所述电控单元ECU 2将相应路面等级下的路面不平度系数和相应路面等级下被动悬架的性能指标输入视觉预瞄算法控制器3中；

[0087] 步骤九、所述视觉预瞄算法控制器3采用改进型果蝇算法，计算出最优主动力，将最优主动力输入到车辆悬架中，实现主动悬架在不同等级路面下的主动视觉预瞄控制。

[0088] 具体实施时，如图1所示，所述车前激光雷达1以合理的角度和高度安装在车辆前方，用于采集前方路面的路面不平度；所述电控单元ECU 2 安装在车辆驾驶室内；所述视觉预瞄算法控制器3安装于悬架上。

[0089] 本方法中，步骤二中所述电控单元ECU 2对车前激光雷达1扫描信号进行分数阶傅里叶变换，得到二维的分数阶傅里叶变换谱的具体步骤为：

[0090] 步骤201、建立车前激光雷达1扫描信号理论模型，所述车前激光雷达1扫描信号理论模型为其中，K为高斯成分数量，ak代表第k个高斯成分的幅值，tk代表第k个高斯成分的飞行时间；σk代表第k个高斯成分的脉冲宽度；η(t)表示加性噪声，t为时间域变量；

[0091] 步骤202、对车前激光雷达1扫描信号进行分数阶傅里叶变换 ,即其中，u代表分数阶傅里叶变换域，Mp(u,t)是FRFT 的核函数，
表示为：

[0092]

[0093] 其中，α为角度参数，p为阶数，α与p的关系为：α＝pπ/2，j表示虚数单位，δ(·)为单位冲激函数，cot表示余切函数，csc表示余割函数；

[0094] 步骤203、得到二维的分数阶傅里叶变换谱；

[0095] 所述车前激光雷达1扫描信号的分数阶傅里叶变换结果为：

[0096]

[0097] 其中，

[0098] 本方法中，步骤四中所述电控单元ECU 2对增强后的分数阶傅里叶变换谱图像进行数据聚类，确定聚类数量并分离各聚类数据的具体步骤为：

[0099] 步骤401、对增强后的分数阶傅里叶变换谱图像，采用分层阈值滤除无用的噪声点，具体的阈值设为其中和分别是第p阶FRFT 结果的噪声均值和标准值；

[0100] 步骤402、绘制cosα-up图像，其中up＝tkcosα，并且绘制图像的up/cosα分布的直方图，其中，tk为飞行时间，up为各聚类数据在不同cosα值或p值下对应的u值；

[0101] 步骤403、对直方图进行自动聚类操作；

[0102] 步骤40301、设定一个阈值，直方图中频次大于该阈值的点作为有效数据点保留；

[0103] 步骤40302、遍历有效数据点，如果当前点的位置与前一点的位置相邻，则当前点列入前一点的相同聚类中；否则，当前点列入新的聚类，前一聚类遍历结束；

[0104] 步骤40303、遍历下一个点并继续步骤40302直到最后一个点已经确定所属的聚类，至此确定总聚类数；

[0105] 步骤404、对不同聚类中的数据点在不同cosα下的up进行均值处理得到绘制各聚类的图像。

[0106] 本方法中，步骤五中所述电控单元ECU 2对分离的各聚类数据进行峰值位置和峰值强度统计，筛选有效数据点后对保留数据进行最小二乘法拟合，获得飞行时间、脉宽和幅值的具体过程为：

[0107] 获得飞行时间的具体过程为：针对不同类簇的点图，采用最小二乘法用直线拟合，拟合的表达式为最优参数为其中，n为观测数据点总数，xi和yi分别为观测数据点的横坐标和纵坐标，为观测数据点横坐标均值，为观测数据点纵坐标表均值；对各聚类的拟合结果通过公式确定各聚
类飞行时间，其中Δt为数据点的单位时间值；

[0108] 获得脉宽和幅值的具体步骤为：

[0109] 步骤501、根据提取飞行时间时得到的和对图像增加的分数阶傅里叶谱计算不同p阶的待定峰值强度其中，Imean为均值滤波后的分数阶傅里叶谱，round(·)函数表示将输入数字输出为其最接近的整数；

[0110] 步骤502、删除伪峰点保留有效的数据点，在p阶处以为中心选择一个局部的邻域，计算该邻域的最大强度为当远远小于时，就作为伪峰点删除，否则就作为有效数据点保留；

[0111] 步骤503、进一步对有效数据点进行筛选，剔除误差较大的点，剩余数据点均视为有效峰值强度点，强度集记为Imax；

[0112] 步骤504、绘制点图，使用最小二乘法拟合二次曲线，拟合公式为y＝s(1-r)x2+sr，得到最优拟合参数r的估计值为最优拟合参数s估计值为

[0113] 步骤505、计算得到脉宽幅值

[0114] 本方法中，步骤六中所述电控单元ECU 2根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移的具体步骤为：

[0115] 步骤601、所述电控单元ECU 2根据公式计算目标距离值d，其中，Et为飞行时间，c为光的传播速度，为脉宽，为幅值；

[0116] 步骤602、所述电控单元ECU 2根据公式计算车辆的横向位移，其中，zi＝H-d cosθi，xi＝d sinθi，H为基准地面到激光雷达的高度参考值，θi是当前激光束与z轴之间的夹角；

[0117] 步骤603、所述电控单元ECU 2根据公式计算车辆的纵向位移，其中，v(t)为车辆的速度。

[0118] 本方法中，步骤七中所述电控单元ECU 2通过处理横向位移和纵向位移值，构成特征矩阵，计算当前路面的功率谱密度，确定相应的路面等级的具体过程为：

[0119] 通过快速傅里叶变换后构成特征矩阵，然后使用Welch的方法计算其 PSD，特征矩阵为

[0120]

[0121] 其中，特征矩阵Fls每列向量代表的是每个扫描周期经计算后得到的全部功率谱PSD值，特征矩阵中第一行第一列元素Fs1,f1代表的是第一个扫描周期数据空间频率从0c/m到0.1c/m的PSD值，Fsn,f1代表第n个扫描周期数据空间频率从0c/m到0.1c/m的PSD值，Fsn,fm代表第n个扫描周期数据空间频率从34.9c/m到35c/m的PSD值，特征矩阵Fls中共包含n个样本，每个样本具有m个特征，元素值表示形成最终特征矩阵的特定研究频率的功率谱值归一化后体现在[0,1]数值范围内的数值。

[0122] 本方法中，步骤九中所述视觉预瞄算法控制器3采用改进型果蝇算法的具体步骤为：

[0123] 步骤901、选取车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度8个性能指标作为改进型果蝇算法的优化目标，根据性能指标选取果蝇算法的适应度函数式f(x)，即

[0124]

[0125] 其中，BA(x)为车身加速度的均方根值，TAA(x)为角加速度的均方根值， SDDF(x)为前悬架动挠度的均方根值，SDDR(x)为后悬架动挠度的均方根值，TDLF(x)为前轮胎动载荷的均方根值，TDLR(x)为后轮胎动载荷的均方根值，UMVF(x)为前悬架非簧载质量速度的均方根值，UMVR(x)为后悬架非簧载质量速度的均方根值，BApas、TAApas、SDDFpas、SDDRpas、TDLFpas、TDLRpas、 UMVFpas和UMVRpas分别为车辆被动悬架中车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度的相应性能指标；

[0126] 步骤902、设置迭代次数，随机初始化果蝇群体的位置；

[0127] 步骤903、初始化的果蝇个体利用嗅觉搜寻食物的随机方向与飞行距离；

[0128] 步骤904、计算果蝇个体与原点之间的距离和味道浓度；

[0129] 步骤905、味道浓度乘以q1、q2、q3、q4、q5、q6、q7、q8，并代入果蝇算法的适应度函数式f(x)，其中，q1为车身加速度的加权因子、q2为角加速度的加权因子、q3为前悬架动挠度的加权因子、q4为后悬架动挠度的加权因子、q5为前轮胎动载荷的加权因子、q6为后轮胎动载荷的加权因子、 q7为前悬架非簧载质量速度的加权因子、q8为后悬架非簧载质量速度的加权因子；

[0130] 步骤906、找出f(x)的最小值；

[0131] 步骤907、保留最佳浓度值和种群位置；

[0132] 步骤908、计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长；

[0133] 步骤909、重复步骤903～步骤906，进行迭代寻优，使果蝇往该方向飞去，对比本次f(x)的最小值和前一次f(x)的最小值，当本次f(x)的最小值小于前一次f(x)的最小值时，本次味道浓度优于前一次迭代的味道浓度，本次味道浓度值作为最佳浓度值，执行步骤907；当本次f(x)的最小值不小于前一次f(x)的最小值时，执行步骤9010；

[0134] 步骤9010、判断迭代是否达到最大次数，当迭代达到最大次数时，结束迭代寻优；当迭代未达到最大次数时，执行步骤908。

[0135] 本方法中，步骤908中所述计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长的具体步骤为：

[0136] 步骤90801、根据味道浓度判定值计算果蝇群体的平均味道浓度判定值Fi，其中，Si(r)为第r代中果蝇i的味道浓度判定值；

[0137] 步骤90802、计算果蝇群体平均味道浓度判定值的方差σ2；

[0138]

[0139] 步骤90803、确定自适应步长；自适应步长公式为：

[0140]

[0141] 其中，hr为种群第r代搜索步长；N为迭代次数。

[0142] 以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

标题	发布/更新时间	阅读量
人性化垃圾桶	2020-05-17	381
一种旋风飞虫蚊蝇捕获器	2020-05-17	803
基于自适应果蝇算法的开关磁阻电机结构参数优化方法	2020-05-14	740
一种易拆装折叠式组合捕蝇器	2020-05-22	213
一种滚珠丝杆传动系统模型的优化方法	2020-05-13	330
一种基于果蝇优化和LSSVM的污水过程优化控制方法	2020-05-14	831
一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法	2020-05-12	268
一种多功能环保垃圾箱	2020-05-25	889
一种消防应急灯	2020-05-26	635
一种组合式智能垃圾桶	2020-05-16	148

一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法

一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法

技术领域

背景技术

发明内容

附图说明

具体实施方式

该功能需要专业版企业版VIP权限，您可以：