以適應性類神經模糊推論系統構建機車跟車模式

本研究方法使用 MATLAB 軟體工具中 FUZZY-Toolbox 模組所提供之 ANFIS 功能來構建機車跟車模式，其係以模糊邏輯控制系統為基本架構，並結 合倒傳遞類神經網路之學習訓練的能力來修正隷屬函數，可真實反應駕駛者具有 模糊性質的跟車行為。

5.1.2.1 模式構建

本模式構建流程可分為「確立跟車模式之輸入與輸出變數」、「選擇輸入與 輸出變數之隷屬函數類型與模糊語意等級」、「選擇模式輸出型態」、「設定模 式學習方式與收斂停止條件」、「進行學習訓練過程」、「檢視是否達到收斂停 止條件」，以及「輸出隷屬函數與邏輯規則，完成跟車模式之構建」等七個步驟，

以下將就各個步驟進行說明，其模式構建流程如圖5.1 所示。

1. 確立跟車模式之輸入與輸出變數

依據前述分析所得，將以前車加速度、相對速度與縱向間距等三個變數作為 前方有一機車之跟車模式的輸入變數；對於前方有二機車之情形，則以前車速度 與本車速度等二個變數作為模式之輸入變數。所有跟車模式之輸出變數皆設為後 車跟車加速度。

2. 選擇輸入變數與輸出之隷屬函數類型與模糊語意等級

本模式之輸入與輸出變數皆以「三角形」為模糊化介面之隷屬函數。語意等 級方面，一般以 3,5,7,…等奇數個為設定方式，本模式將採以最常見之三個及五 個模糊語意等級(如非常低、低、中、高與非常高)等二種語意等級為模式基礎。

3. 選擇模式輸出型態

模式輸出型態選擇以 Sugeno 之零階常數(Constant)及一階線性(Linear)等二 種型態，分別針對正前方一機車(情形 2)、左前方一機車(情形 3)、右前方一機車 (情形 4)、斜前方一機車(情形 3 與情形 4)、所有前方一機車(情形 2、情形 3 與情 形4)與前方二機車(情形 5)等 6 種跟車情形組合，進行模式構建與比較分析。

4. 設定模式學習方式與收斂停止條件

模式學習方式採用最小平方法結合倒傳遞最陡下降法之複合式學習法，作為 本模式隸屬函數及邏輯規則參數修正之學習方式。收斂停止條件設定為，模式訓 練結果之預測值與實際加速度值之均方根誤差(Root Mean Square Error ;RMSE) 達到無法再改善之收斂情況時即停止訓練。其中，RMSE 係經常被應用在模式績

確立跟車模式之 輸入與輸出變數

選擇輸入與輸出變數 之隷屬函數類型 與模糊語意等級

設定模式學習方式 與收斂停止條件 選擇模式輸出型態

進行學習訓練過程

輸出隷屬函數與邏輯規則, 跟車模式建構完成

是 否

是否達收斂 停止條件

圖 5.1 ANFIS 跟車模式構建流程圖 5.1.2.2 ANFIS 模式訓練結果

ANFIS 模式訓練結果整理如表 5.7。由表 5.7 中 RMSE 數值大小可得知，在 三個模糊語意等級下，Sugeno 線性型態之各模式 RMSE 落在 0.437~1.269，而 Sugeno 常數型態之各模式 RMSE 落在 0.874~1.343，表示 Sugeno 線性型態所構 建模式之預測誤差較Sugeno 常數型態來的小。在五個模糊語意等級下，Sugeno

線性型態之各模式RMSE 落在 0.321~0.898，而 Sugeno 常數型態之各模式 RMSE 則落在0.59~1.226，表示 Sugeno 線性型態所構建模式之預測誤差較 Sugeno 常數 型態來的小；進一步分析在Sugeno 線性型態下，比較以不同模糊語意等級的差 常數 0.8737(600) 1.0236(950) 1.3032(100) 0.9875(100) 1.2810(450) 1.3434(100) 3×3×3

線性 0.7388(100) 0.4374(100) 0.9139(100) 0.8328(100) 1.0208(100) 1.2690(100) 常數 0.7224(100) 0.5902(100) 0.8392(250) 0.7595(150) 1.0383(450) 1.2263(100) 5×5×5

線性 0.3615(200) 0.3214(100) 0.3930(100) 0.3633(100) 0.7988(100) 0.8978(100) 註：表中數值為均方根誤差(RMSE)；( )內數字為訓練次數

5.1.3 以遺傳式模糊推論系統構建機車跟車模式