✅作者简介热爱科研的Matlab仿真开发者擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 往期回顾关注个人主页Matlab科研工作室 关注我领取海量matlab电子书和数学建模资料个人信条格物致知,完整Matlab代码获取及仿真咨询内容私信。 内容介绍一、预测轮胎 - 道路最大摩擦系数的重要性行车安全轮胎 - 道路最大摩擦系数TRFC直接影响车辆的制动、加速和操控性能。在湿滑路面或结冰道路上TRFC 显著降低车辆容易失控引发交通事故。准确预测 TRFC 能帮助驾驶员提前调整驾驶策略如降低车速、保持更大的安全距离从而提高行车安全性。车辆控制系统优化现代车辆配备了各种先进的控制系统如防抱死制动系统ABS、电子稳定程序ESP等。这些系统依赖于对轮胎与道路间摩擦力的准确估计来实现最佳控制效果。预测 TRFC 可为这些系统提供更精确的参数优化其控制策略提升车辆整体性能。二、多层感知器MLP神经网络基础结构组成MLP 是一种前馈神经网络由输入层、多个隐藏层和输出层组成。输入层接收外部数据输出层产生最终预测结果隐藏层则对输入数据进行非线性变换和特征提取。层与层之间通过权重连接权重决定了神经元之间信号传递的强度。工作原理当数据输入到 MLP 时首先进入输入层然后通过权重传递到隐藏层。隐藏层中的神经元对输入信号进行加权求和并通过激活函数如 Sigmoid、ReLU 等进行非线性变换将处理后的信号传递到下一层。这个过程在隐藏层中反复进行使得网络能够学习到数据中的复杂模式。最终信号传递到输出层输出层神经元再次对输入进行加权求和产生预测结果。学习过程MLP 通过训练来调整权重以最小化预测值与实际值之间的误差。常用的训练算法是反向传播算法该算法首先计算输出层的误差然后将误差反向传播到隐藏层和输入层根据误差对权重进行调整。这个过程不断重复直到网络收敛即误差达到可接受的水平。三、选择车辆垂向加速度数据的原因与 TRFC 的相关性车辆垂向加速度与轮胎 - 道路之间的相互作用密切相关。当车辆行驶在不同路面上时路面的不平整会引起车辆垂向加速度的变化。同时轮胎与道路间的摩擦力也会影响车辆的垂向运动。例如在摩擦力较大的路面上车辆对路面颠簸的响应相对较小垂向加速度变化较为平稳而在摩擦力较小的路面上车辆更容易受到路面不平的影响垂向加速度波动较大。因此垂向加速度数据中蕴含了关于轮胎 - 道路摩擦力的信息。数据获取便利性车辆垂向加速度可以通过车载传感器轻松获取。现代车辆通常配备有加速度传感器这些传感器能够实时准确地测量车辆在垂直方向上的加速度。相比其他可能与 TRFC 相关的参数如轮胎温度、路面湿度等垂向加速度数据获取成本低、实时性强为基于数据驱动的 TRFC 预测提供了良好的数据基础。四、基于 MLP 神经网络的预测原理数据预处理首先对采集到的车辆垂向加速度数据进行预处理。这包括数据清洗去除异常值和噪声数据归一化将数据映射到一个特定的范围如 [0, 1]以加快网络收敛速度并提高训练效果。同时将数据划分为训练集、验证集和测试集训练集用于训练 MLP 网络验证集用于调整网络参数和防止过拟合测试集用于评估网络的最终性能。模型训练将预处理后的训练集数据输入到 MLP 神经网络中通过反向传播算法不断调整网络的权重使网络学习到垂向加速度数据与 TRFC 之间的映射关系。在训练过程中使用验证集数据评估网络的性能根据验证集误差调整网络的超参数如隐藏层神经元数量、学习率等以避免过拟合确保网络具有良好的泛化能力。预测与评估训练完成后将测试集数据输入到训练好的 MLP 网络中得到 TRFC 的预测值。通过计算预测值与实际值之间的误差指标如均方误差、平均绝对误差等来评估模型的预测性能。如果模型性能不满足要求可以进一步调整网络结构或超参数重新进行训练和评估直到获得满意的预测结果。⛳️ 运行结 部分代码close allclearvarsclc% NAME1_Braking_shahrvand_Abs_on_output_2020-11-27_09-23-20;NAMEcoarse-output_2020-12-18_15-21-19;Dxlsread([NAME .xls]);%% Calibration% % IMU1D(:,2) D(:,2) - 0.086 ; % AxD(:,3) D(:,3) 0.021 ; % AyD(:,4) D(:,4) - 0.025 ; % Az% D(:,2) D(:,2) - 0.06 ; % Ax% D(:,3) D(:,3) 0.06 ; % Ay% D(:,4) D(:,4) - 0.01 ; % Az% % IMU2D(:,8) D(:,8) - 0.052; % AxD(:,9) D(:,9) 0.01; % AyD(:,10) D(:,10)0.01;% Az% D(:,8) D(:,8) - 0.046; % Ax% D(:,9) D(:,9) 0.045; % Ay% D(:,10) D(:,10);% Az% %% % IMU3D(:,14) D(:,14) - 0.078; % AxD(:,15) D(:,15) 0.042 ; % AyD(:,16) D(:,16) - 0.017; % Az%% D(:,14) D(:,14) - 0.055; % Ax% D(:,15) D(:,15) 0.058 ; % Ay% D(:,16) D(:,16) - 0.02; % Az%%Acc(:,:)D(:,14:16);Acc_xAcc(:,1);Acc_yAcc(:,2);Acc_zAcc(:,3);lonD(:,28)*pi/180;latD(:,27)*pi/180;for J1:length(lon)-2if abs(10000*lat(J1))abs(lat(J)) || abs(lat(J1)/10000)abs(lat(J))J;[Acc_x(J) Acc_x(J1)];D(J1,:)[];Acc_x(J1)[];Acc_y(J1)[];Acc_z(J1)[];lon(J1)[];lat(J1)[];endendV_GPSD(:,29)/3.6;R_earth6371000; % Radius of curvature on the Earthx R_earth.* cos(lat).* cos(lon);y R_earth.* cos(lat).* sin(lon);z R_earth.*sin(lat);% t0.005*(0:length(x)-1);t0.01*(0:length(x)-1);xx-x(1);yy-y(1);%%%%% K find(abs(Acc_x-(min(Acc_x)))0.0001); % Find the index where abs(Acc_x) is maximum% Mu MuEstimation(min(Acc_x)*9.81 , V_GPS(K))% Acc_xlowpass(Acc_x,50,100);% Acc_ylowpass(Acc_y,40,100);% Acc_zlowpass(Acc_z,40,100);% min(Acc_x)*9.81Acc_xm movmean(Acc_x,70);figure;plot(t,Acc_x,g-,linewidth,2)hold on;plot(t,Acc_xm,b-,linewidth,1.5)legend(Standard,Filtered)min(Acc_xm)K find(abs(Acc_xm-(min(Acc_xm)))0.00001)% Min_Acc mean(Acc_x(K-35:K35));Mu MuEstimation(Acc_xm(K)*9.81,V_GPS(K))figure;% subplot(3,1,[1 2])% plot(x,y,b-)% xlabel(x (m))% ylabel(y (m))% title([num2str(NAME(end-18:end-9)), , num2str(NAME(end-7:end))])% grid minor% axis equalhold on% pause;% for i1:100:length(x)% subplot(3,1,[1 2])% plot(x(i),y(i),r*)% hold on% subplot(3,1,3)plot(t,Acc_x,r-)hold onplot(t,Acc_y,g-)hold onplot(t,Acc_z,b-)hold off% legend(Longitudinal,Lateral,Vertical)grid minorxlabel(Time (sec))ylabel(Acceleration (g))% line([t(i) t(i)],[-1 2],Color,k,LineStyle,-)% pause(1);hold off% endlegend(Longitudinal,Lateral,Vertical)grid onxlabel(Time (sec))ylabel(Acceleration (g))x[t,x];y[t,y];V_GPS[t,V_GPS];Acc_x[t,Acc_x];Acc_y[t,Acc_y];Acc_z[t,Acc_z];lat_GPS[t,lat*180/pi];lon_GPS[t,lon*180/pi];global lat_GPS0 lon_GPS0lat_GPS0lat(1)*180/pi;lon_GPS0lon(1)*180/pi;% global R% R0;% global X_lim_min X_lim_max Y_lim_min Y_lim_max% X_lim_min-500;% X_lim_max500;% Y_lim_min-500;% Y_lim_max500;global X YX0;Y0;T D(:,1)-D(1,1);% figure% subplot(3,1,3)% plot(Acc_x(:,1),Acc_x(:,2),r)% hold on% plot(Acc_y(:,1),Acc_y(:,2),g)% hold on% plot(Acc_z(:,1),Acc_z(:,2),b)% legend(Longitudinal,Lateral,Vertical)% grid on% xlabel(Time (sec))% ylabel(Acceleration (g)) 参考文献https://link.springer.com/article/10.1007/s40430-022-03631-
【数据驱动】基于多层感知器MLP神经网络通过车辆垂向加速度数据预测轮胎 - 道路最大摩擦系数（TRFC）附matlab代码
✅作者简介热爱科研的Matlab仿真开发者擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 往期回顾关注个人主页Matlab科研工作室 关注我领取海量matlab电子书和数学建模资料个人信条格物致知,完整Matlab代码获取及仿真咨询内容私信。 内容介绍一、预测轮胎 - 道路最大摩擦系数的重要性行车安全轮胎 - 道路最大摩擦系数TRFC直接影响车辆的制动、加速和操控性能。在湿滑路面或结冰道路上TRFC 显著降低车辆容易失控引发交通事故。准确预测 TRFC 能帮助驾驶员提前调整驾驶策略如降低车速、保持更大的安全距离从而提高行车安全性。车辆控制系统优化现代车辆配备了各种先进的控制系统如防抱死制动系统ABS、电子稳定程序ESP等。这些系统依赖于对轮胎与道路间摩擦力的准确估计来实现最佳控制效果。预测 TRFC 可为这些系统提供更精确的参数优化其控制策略提升车辆整体性能。二、多层感知器MLP神经网络基础结构组成MLP 是一种前馈神经网络由输入层、多个隐藏层和输出层组成。输入层接收外部数据输出层产生最终预测结果隐藏层则对输入数据进行非线性变换和特征提取。层与层之间通过权重连接权重决定了神经元之间信号传递的强度。工作原理当数据输入到 MLP 时首先进入输入层然后通过权重传递到隐藏层。隐藏层中的神经元对输入信号进行加权求和并通过激活函数如 Sigmoid、ReLU 等进行非线性变换将处理后的信号传递到下一层。这个过程在隐藏层中反复进行使得网络能够学习到数据中的复杂模式。最终信号传递到输出层输出层神经元再次对输入进行加权求和产生预测结果。学习过程MLP 通过训练来调整权重以最小化预测值与实际值之间的误差。常用的训练算法是反向传播算法该算法首先计算输出层的误差然后将误差反向传播到隐藏层和输入层根据误差对权重进行调整。这个过程不断重复直到网络收敛即误差达到可接受的水平。三、选择车辆垂向加速度数据的原因与 TRFC 的相关性车辆垂向加速度与轮胎 - 道路之间的相互作用密切相关。当车辆行驶在不同路面上时路面的不平整会引起车辆垂向加速度的变化。同时轮胎与道路间的摩擦力也会影响车辆的垂向运动。例如在摩擦力较大的路面上车辆对路面颠簸的响应相对较小垂向加速度变化较为平稳而在摩擦力较小的路面上车辆更容易受到路面不平的影响垂向加速度波动较大。因此垂向加速度数据中蕴含了关于轮胎 - 道路摩擦力的信息。数据获取便利性车辆垂向加速度可以通过车载传感器轻松获取。现代车辆通常配备有加速度传感器这些传感器能够实时准确地测量车辆在垂直方向上的加速度。相比其他可能与 TRFC 相关的参数如轮胎温度、路面湿度等垂向加速度数据获取成本低、实时性强为基于数据驱动的 TRFC 预测提供了良好的数据基础。四、基于 MLP 神经网络的预测原理数据预处理首先对采集到的车辆垂向加速度数据进行预处理。这包括数据清洗去除异常值和噪声数据归一化将数据映射到一个特定的范围如 [0, 1]以加快网络收敛速度并提高训练效果。同时将数据划分为训练集、验证集和测试集训练集用于训练 MLP 网络验证集用于调整网络参数和防止过拟合测试集用于评估网络的最终性能。模型训练将预处理后的训练集数据输入到 MLP 神经网络中通过反向传播算法不断调整网络的权重使网络学习到垂向加速度数据与 TRFC 之间的映射关系。在训练过程中使用验证集数据评估网络的性能根据验证集误差调整网络的超参数如隐藏层神经元数量、学习率等以避免过拟合确保网络具有良好的泛化能力。预测与评估训练完成后将测试集数据输入到训练好的 MLP 网络中得到 TRFC 的预测值。通过计算预测值与实际值之间的误差指标如均方误差、平均绝对误差等来评估模型的预测性能。如果模型性能不满足要求可以进一步调整网络结构或超参数重新进行训练和评估直到获得满意的预测结果。⛳️ 运行结 部分代码close allclearvarsclc% NAME1_Braking_shahrvand_Abs_on_output_2020-11-27_09-23-20;NAMEcoarse-output_2020-12-18_15-21-19;Dxlsread([NAME .xls]);%% Calibration% % IMU1D(:,2) D(:,2) - 0.086 ; % AxD(:,3) D(:,3) 0.021 ; % AyD(:,4) D(:,4) - 0.025 ; % Az% D(:,2) D(:,2) - 0.06 ; % Ax% D(:,3) D(:,3) 0.06 ; % Ay% D(:,4) D(:,4) - 0.01 ; % Az% % IMU2D(:,8) D(:,8) - 0.052; % AxD(:,9) D(:,9) 0.01; % AyD(:,10) D(:,10)0.01;% Az% D(:,8) D(:,8) - 0.046; % Ax% D(:,9) D(:,9) 0.045; % Ay% D(:,10) D(:,10);% Az% %% % IMU3D(:,14) D(:,14) - 0.078; % AxD(:,15) D(:,15) 0.042 ; % AyD(:,16) D(:,16) - 0.017; % Az%% D(:,14) D(:,14) - 0.055; % Ax% D(:,15) D(:,15) 0.058 ; % Ay% D(:,16) D(:,16) - 0.02; % Az%%Acc(:,:)D(:,14:16);Acc_xAcc(:,1);Acc_yAcc(:,2);Acc_zAcc(:,3);lonD(:,28)*pi/180;latD(:,27)*pi/180;for J1:length(lon)-2if abs(10000*lat(J1))abs(lat(J)) || abs(lat(J1)/10000)abs(lat(J))J;[Acc_x(J) Acc_x(J1)];D(J1,:)[];Acc_x(J1)[];Acc_y(J1)[];Acc_z(J1)[];lon(J1)[];lat(J1)[];endendV_GPSD(:,29)/3.6;R_earth6371000; % Radius of curvature on the Earthx R_earth.* cos(lat).* cos(lon);y R_earth.* cos(lat).* sin(lon);z R_earth.*sin(lat);% t0.005*(0:length(x)-1);t0.01*(0:length(x)-1);xx-x(1);yy-y(1);%%%%% K find(abs(Acc_x-(min(Acc_x)))0.0001); % Find the index where abs(Acc_x) is maximum% Mu MuEstimation(min(Acc_x)*9.81 , V_GPS(K))% Acc_xlowpass(Acc_x,50,100);% Acc_ylowpass(Acc_y,40,100);% Acc_zlowpass(Acc_z,40,100);% min(Acc_x)*9.81Acc_xm movmean(Acc_x,70);figure;plot(t,Acc_x,g-,linewidth,2)hold on;plot(t,Acc_xm,b-,linewidth,1.5)legend(Standard,Filtered)min(Acc_xm)K find(abs(Acc_xm-(min(Acc_xm)))0.00001)% Min_Acc mean(Acc_x(K-35:K35));Mu MuEstimation(Acc_xm(K)*9.81,V_GPS(K))figure;% subplot(3,1,[1 2])% plot(x,y,b-)% xlabel(x (m))% ylabel(y (m))% title([num2str(NAME(end-18:end-9)), , num2str(NAME(end-7:end))])% grid minor% axis equalhold on% pause;% for i1:100:length(x)% subplot(3,1,[1 2])% plot(x(i),y(i),r*)% hold on% subplot(3,1,3)plot(t,Acc_x,r-)hold onplot(t,Acc_y,g-)hold onplot(t,Acc_z,b-)hold off% legend(Longitudinal,Lateral,Vertical)grid minorxlabel(Time (sec))ylabel(Acceleration (g))% line([t(i) t(i)],[-1 2],Color,k,LineStyle,-)% pause(1);hold off% endlegend(Longitudinal,Lateral,Vertical)grid onxlabel(Time (sec))ylabel(Acceleration (g))x[t,x];y[t,y];V_GPS[t,V_GPS];Acc_x[t,Acc_x];Acc_y[t,Acc_y];Acc_z[t,Acc_z];lat_GPS[t,lat*180/pi];lon_GPS[t,lon*180/pi];global lat_GPS0 lon_GPS0lat_GPS0lat(1)*180/pi;lon_GPS0lon(1)*180/pi;% global R% R0;% global X_lim_min X_lim_max Y_lim_min Y_lim_max% X_lim_min-500;% X_lim_max500;% Y_lim_min-500;% Y_lim_max500;global X YX0;Y0;T D(:,1)-D(1,1);% figure% subplot(3,1,3)% plot(Acc_x(:,1),Acc_x(:,2),r)% hold on% plot(Acc_y(:,1),Acc_y(:,2),g)% hold on% plot(Acc_z(:,1),Acc_z(:,2),b)% legend(Longitudinal,Lateral,Vertical)% grid on% xlabel(Time (sec))% ylabel(Acceleration (g)) 参考文献https://link.springer.com/article/10.1007/s40430-022-03631-
