Resumen

En los sistemas de control de automóviles, es difícil medir algunos estados clave del vehículo de forma directa y precisa cuando circula por carretera, y el coste de la medición también es elevado. Para resolver estos problemas, se propone un método de estimación del estado del vehículo basado en el análisis de componentes principales del kernel y la red neuronal de Elman mejorada. En combinación con un modelo de vehículo no lineal de tres grados de libertad (3 DOF), movimiento longitudinal, lateral y de guiñada, este trabajo aplica el método al sensor blando de los estados del vehículo. Los resultados de la simulación del cambio de carril doble probado mediante cosimulación Matlab/SIMULINK demuestran que el algoritmo KPCA-IENN (algoritmo de componentes principales del núcleo y red neuronal de Elman mejorada) es rápido y preciso a la hora de rastrear los estados del vehículo dentro del área no lineal. Este método algorítmico puede satisfacer los requisitos de rendimiento del software para la estimación de los estados del vehículo en cuanto a precisión, velocidad de seguimiento, supresión de ruido y otros aspectos.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:red neuronal, estados del vehículo, método de estimación del estado del vehículo, sistemas de control del automóvil, doble cambio de carril, estados clave del vehículo, modelo no lineal del vehículo, algoritmo de componentes principales, análisis de componentes principales, requisitos de rendimiento del software
• Keywords:neural network, vehicle states, vehicle state estimation method, car control systems, double lane change, key vehicle states, nonlinear vehicle model, principal component algorithm, principal component analysis, software performance requirements