本發(fā)明涉及自行車的變速控制技術(shù)領(lǐng)域，特別涉及一種自行車的智能自動(dòng)變速控制系統(tǒng)。

背景技術(shù)：

時(shí)至今日，山地車引入國(guó)內(nèi)已經(jīng)過(guò)去很多年，隨著時(shí)間的流逝，自行車變得越來(lái)越高級(jí)，越來(lái)越專業(yè)，當(dāng)然也越來(lái)越貴；最近幾年，由于大家環(huán)保意識(shí)和健康意識(shí)的增加，騎行逐漸成為大家的一種娛樂(lè)項(xiàng)目和愛(ài)好。隨著經(jīng)濟(jì)和科技的發(fā)展，人們對(duì)于健康和運(yùn)動(dòng)越發(fā)看重，用戶對(duì)于自行車的需求也正從傳統(tǒng)的代步型交通工具轉(zhuǎn)向運(yùn)動(dòng)、健身、旅游休閑等多功能自行車。騎行日益風(fēng)靡，騎行者在騎行過(guò)程中的服務(wù)需求趨于多樣化、智能化。在環(huán)境與交通的雙重壓力之下，自行車也成為更多人的出行選擇。與此同時(shí)，自行車技術(shù)的發(fā)展也日新月異，從動(dòng)力、車體材料和結(jié)構(gòu)、傳動(dòng)變速技術(shù)等各方面都有了諸多創(chuàng)新。自2015年始，多樣化的智能自行車進(jìn)入到消費(fèi)市場(chǎng)，成為高端自行車購(gòu)買群體的另一種選擇。

自行車變速系統(tǒng)是通過(guò)改變鏈條和不同的前、后大小的齒輪盤的配合來(lái)改變車速快慢。前齒盤的大小和后齒盤的大小決定了自行車旋動(dòng)腳蹬時(shí)的力度。前齒盤越大，后齒盤越小時(shí)，腳蹬時(shí)越感到費(fèi)力。前齒盤越小，后齒盤越大時(shí)，腳蹬時(shí)越感到輕松。根據(jù)不同車手的能力，或是應(yīng)對(duì)不同的路段、路況，可通過(guò)調(diào)整前、后齒盤的大小調(diào)整自行車的車速。現(xiàn)在市面上所常用的手動(dòng)變速器一般為指撥或轉(zhuǎn)把，變速時(shí)，通過(guò)拉動(dòng)纜線克服彈性元件的彈力使鏈條引導(dǎo)部件在后鏈輪上運(yùn)動(dòng)，釋放彈性元件的偏置力使鏈條引導(dǎo)部件朝相反的方向運(yùn)動(dòng)。采用纜線的后撥鏈器不可避免的存在一些問(wèn)題：1、結(jié)構(gòu)復(fù)雜，生產(chǎn)制造成本高昂；2、換擋的時(shí)候需要一個(gè)較大的力，特別是在低速或者上坡的時(shí)候用力尤為明顯，騎行者用大力換擋，也給騎行平衡帶來(lái)完全隱患；3、采用纜線的控制方式，一般無(wú)法實(shí)現(xiàn)連續(xù)變檔，騎行體驗(yàn)較差。

而采用電機(jī)變速，是變速器由機(jī)械變速轉(zhuǎn)化為電子變速的必然趨勢(shì)。結(jié)合電子變速和互聯(lián)網(wǎng)實(shí)現(xiàn)自行車的智能變速是目前的研究熱點(diǎn)。例如公開號(hào)CN 101037134A的專利文獻(xiàn)公開了一種自動(dòng)變速系統(tǒng)，是安裝在自行車，包含：可偵測(cè)騎乘者心跳的心跳偵測(cè)單元、與該心跳偵測(cè)單元電性連接且能執(zhí)行相關(guān)于心跳信息運(yùn)算的心跳處理單元、與該心跳處理單元電性連接且能產(chǎn)生驅(qū)動(dòng)信號(hào)的驅(qū)動(dòng)單元，及與該驅(qū)動(dòng)單元電性連接且能依據(jù)前述驅(qū)動(dòng)信號(hào)驅(qū)動(dòng)該自行車變速器變速的自動(dòng)變速單元。藉此，使該自行車的騎行速度能依據(jù)騎乘者的心跳變化率，自動(dòng)變換騎行速度。

但是上述方法并不能準(zhǔn)確地反映人當(dāng)前需要的變速情況，智能性仍不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種自行車的智能自動(dòng)變速控制系統(tǒng)，實(shí)時(shí)更新控制系統(tǒng)，從而實(shí)現(xiàn)自行車的智能自動(dòng)變速，更加符合行車情況和車主的自身身體狀況。

一種自行車的智能自動(dòng)變速控制系統(tǒng)，包括變速器，還包括：

檢測(cè)模塊，檢測(cè)騎乘者的身體情況以及自行車車況，并產(chǎn)生身體情況信號(hào)和車況信號(hào)；

神經(jīng)網(wǎng)絡(luò)控制模塊，具有通過(guò)樣本數(shù)據(jù)訓(xùn)練形成計(jì)算模型，所述計(jì)算模型獲取所述身體情況信號(hào)和車況信號(hào)計(jì)算得到當(dāng)前自行車的變速信號(hào)；同時(shí)采用身體情況信號(hào)和車況信號(hào)更新計(jì)算模型；

變速控制模塊，根據(jù)所述變速信號(hào)控制變速器變速，可以集成在移動(dòng)設(shè)備終端中。變速控制模塊是集成在自行車終端內(nèi)。

優(yōu)選的，還包括云服務(wù)器，所述神經(jīng)網(wǎng)絡(luò)控制模塊集成在該云服務(wù)器中，所述云服務(wù)器還包括：

數(shù)據(jù)庫(kù)，用于儲(chǔ)存自行車車況、騎乘者的身體情況數(shù)據(jù)、騎乘者信息和變速信號(hào)；

訪問(wèn)模塊，用于與數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)交互。

把自行車和騎行者接入互聯(lián)網(wǎng)，利用大數(shù)據(jù)云平臺(tái)收集分析車體和人體數(shù)據(jù)，實(shí)現(xiàn)自行車的智能自動(dòng)變速，并通過(guò)移動(dòng)設(shè)備終端反饋騎行者的人體生理指標(biāo)，滿足用戶個(gè)性化的騎行體驗(yàn)。

BP神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)的優(yōu)點(diǎn)，在非線性連續(xù)函數(shù)的擬合方面有著廣泛的應(yīng)用。因此，本發(fā)明采用BP神經(jīng)網(wǎng)絡(luò)。經(jīng)過(guò)綜合考慮，本發(fā)明將該網(wǎng)絡(luò)設(shè)計(jì)成包含八個(gè)輸入，一個(gè)輸出和一個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)。8個(gè)輸入分別為性別S，年齡A，身高H，體重W，心率R，車速V_i，踏頻C_i，坡度I重復(fù)，輸出為預(yù)測(cè)的檔位值G，隱含層包括8個(gè)神經(jīng)元節(jié)點(diǎn)。

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)前要訓(xùn)練網(wǎng)絡(luò)，通過(guò)訓(xùn)練使網(wǎng)絡(luò)具有聯(lián)想記憶和預(yù)測(cè)功能。首先面向不同年齡段及不同性別人群進(jìn)行產(chǎn)品實(shí)驗(yàn)，獲得(年齡，性別，身高，體重，心率，車速，踏頻，坡度)與檔位的對(duì)應(yīng)信息，即樣本數(shù)據(jù)，將其作為訓(xùn)練集，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得一個(gè)可以用于預(yù)測(cè)檔位的模型，并將其應(yīng)用于產(chǎn)品。優(yōu)選的，通過(guò)樣本數(shù)據(jù)訓(xùn)練形成計(jì)算模型的具體步驟如下：

步驟1，初始化輸入層和隱含層之間的權(quán)值w_ij以及隱含層和輸出層之間的權(quán)值w_j，初始化隱含層閾值a，輸出層閾值b，確定學(xué)習(xí)速率和神經(jīng)元激勵(lì)函數(shù)；

步驟2，根據(jù)輸入變量X，輸入層和隱含層之間的連接權(quán)重值w_ij以及隱含層閾值a，計(jì)算隱含層輸出H；

步驟3，根據(jù)步驟2計(jì)算得到的隱含層輸出H，連接權(quán)值w_j和閾值b，計(jì)算神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出G，即預(yù)測(cè)的檔位值；

步驟4，根據(jù)神經(jīng)網(wǎng)絡(luò)期望輸出Y和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出G，計(jì)算神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差E；

E＝Y(jié)-G

步驟5，根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差E更新連接權(quán)值w_ij，w_j；

w_ij＝w_ij+ηH_j(1-H_j)x(i)w_jE

w_j＝w_j+ηH_jE

式中，η為學(xué)習(xí)速率。

步驟6，根據(jù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差E更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值a，b；

a_j＝a_j+ηH_j(1-H_j)w_jE

b＝b+E

步驟7，判斷算法地帶是否結(jié)束，若沒(méi)有結(jié)束，返回步驟2。

優(yōu)選的，步驟2中，每個(gè)節(jié)點(diǎn)的表達(dá)式如下：

式中，l為隱含層節(jié)點(diǎn)數(shù)，此式中l(wèi)＝8；f為隱含層激勵(lì)函數(shù)，輸出范圍為[-1,1]。神經(jīng)元積累的刺激是由輸入層傳遞過(guò)來(lái)的刺激量和對(duì)應(yīng)的權(quán)重之和。

所述隱含層激勵(lì)函數(shù)可以有多種表達(dá)形式，Tan-Sigmoid是單調(diào)增長(zhǎng)的可微函數(shù)，平滑性好，導(dǎo)數(shù)形式簡(jiǎn)單，而且輸出范圍有限，數(shù)據(jù)在傳遞的過(guò)程中不容易發(fā)散，優(yōu)選的，所述隱含層激勵(lì)函數(shù)為Tan-Sigmoid，Tan-Sigmoid函數(shù)表達(dá)式如下：

為實(shí)現(xiàn)自行車最優(yōu)變速，需要將神經(jīng)網(wǎng)絡(luò)算法與機(jī)器自主學(xué)習(xí)結(jié)合，即利用在線學(xué)習(xí)對(duì)神經(jīng)網(wǎng)絡(luò)算法中的偏導(dǎo)數(shù)(參數(shù)的梯度)進(jìn)行不斷更新，從而優(yōu)化智能變速模型。優(yōu)選的，采用身體情況信號(hào)、車況信號(hào)和變速信號(hào)更新計(jì)算模型的具體步驟如下：

(1)獲得當(dāng)前的身體情況信號(hào)和車況信號(hào)；

(2)對(duì)步驟(1)中的數(shù)據(jù)計(jì)算其對(duì)應(yīng)參數(shù)的梯度；

對(duì)于第j個(gè)輸出神經(jīng)元有：

于是得到：

已知Tan-Sigmoid函數(shù)的導(dǎo)函數(shù)：

f′(x)＝1-f(x)²

于是有：

δ_ij＝(G_j-Y_j)·(1-Y_j²)

(3)根據(jù)步驟(2)的結(jié)果更新梯度獲取新參數(shù)，進(jìn)而更新計(jì)算模型；

(5)丟棄步驟(1)的數(shù)據(jù)。

優(yōu)選的，還包括移動(dòng)設(shè)備終端，所述移動(dòng)設(shè)備終端包括：

輸入模塊，用于用戶輸入個(gè)人信息；

位置識(shí)別模塊，用于生成自行車的當(dāng)前位置信息；

通信模塊，接收檢測(cè)模塊的身體情況信號(hào)和車況信號(hào)并傳送至云服務(wù)器。

優(yōu)選的，身體情況包括：年齡，性別，身高，體重和心率；車況信號(hào)包括：車速，踏頻和坡度。

通過(guò)智行云系統(tǒng)集成的傳感器和佩戴心率帶等智能檢測(cè)設(shè)備進(jìn)行車體和人體數(shù)據(jù)的實(shí)時(shí)采集，并上傳至云數(shù)據(jù)庫(kù)，通過(guò)如下的在線學(xué)習(xí)策略進(jìn)行模型的優(yōu)化。

當(dāng)用戶騎行的時(shí)候便可以根據(jù)實(shí)時(shí)數(shù)據(jù)，利用優(yōu)化的模型進(jìn)行檔位值的預(yù)測(cè)。當(dāng)新的輸入數(shù)據(jù)上傳至云服務(wù)器時(shí)，將輸入數(shù)據(jù)代入優(yōu)化后的模型，得到預(yù)測(cè)檔位值。若預(yù)測(cè)檔位值大于當(dāng)前檔位值，進(jìn)行加檔，否則減檔。

本發(fā)明描述的自動(dòng)變速系統(tǒng)與云服務(wù)器相結(jié)合，由初始數(shù)據(jù)產(chǎn)生一個(gè)初始模型，然后對(duì)用戶騎行產(chǎn)生的時(shí)間序列數(shù)據(jù)流進(jìn)行進(jìn)一步的學(xué)習(xí)。比如，對(duì)于特定用戶而言，每產(chǎn)生一個(gè)新的數(shù)據(jù)，便進(jìn)行新的學(xué)習(xí)，學(xué)習(xí)完成后再丟棄此數(shù)據(jù)。這種做法的好處在于，我們的算法可以很好地適應(yīng)用戶的傾向性，算法可以針對(duì)用戶的當(dāng)前行為不斷地更新模型以適應(yīng)用戶?？傊?，傳統(tǒng)的模型是使用戶去習(xí)慣、適應(yīng)自行車的變擋策略，而神經(jīng)網(wǎng)絡(luò)在線學(xué)習(xí)模型可以使變擋策略的模型更加符合用戶的習(xí)慣，為每位騎行者提供定制化的服務(wù)。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)一般采用批量式學(xué)習(xí)算法來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，受限于被訓(xùn)練數(shù)據(jù)的規(guī)模，無(wú)法有效地處理超大規(guī)模數(shù)據(jù)集和在線數(shù)據(jù)流。對(duì)于本發(fā)明所述的自行車變速系統(tǒng)，實(shí)時(shí)采集自行車和人體數(shù)據(jù)，數(shù)據(jù)量規(guī)模較大，批量式學(xué)習(xí)算法無(wú)法有效處理，而神經(jīng)網(wǎng)絡(luò)在線學(xué)習(xí)是不斷對(duì)新產(chǎn)生的數(shù)據(jù)進(jìn)行學(xué)習(xí)，學(xué)習(xí)完成后便丟棄此數(shù)據(jù)，因此可以處理大數(shù)據(jù)量和在線訓(xùn)練，能夠根據(jù)線上反饋數(shù)據(jù)，實(shí)時(shí)快速地進(jìn)行模型調(diào)整，使得模型及時(shí)反映線上的變化，提高線上預(yù)測(cè)的準(zhǔn)確率。大體的流程包括：用模型的預(yù)測(cè)結(jié)果控制自行車變速，然后收集用戶的騎行數(shù)據(jù)，再用來(lái)訓(xùn)練模型，形成閉環(huán)的系統(tǒng)。

針對(duì)自行車騎行路況多變、人體生理狀態(tài)復(fù)雜、難以用傳統(tǒng)的方法進(jìn)行建模研究的情況，提出了基于BP神經(jīng)網(wǎng)絡(luò)的自動(dòng)變檔策略，該模型能夠根據(jù)用戶數(shù)據(jù)進(jìn)行自我學(xué)習(xí)，并修正神經(jīng)網(wǎng)絡(luò)的參數(shù)，優(yōu)化模型，有效地解決傳統(tǒng)方法難以解決的非線性和實(shí)時(shí)多變性系統(tǒng)控制問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)能夠很好地解決最佳檔位識(shí)別問(wèn)題，并能及時(shí)、準(zhǔn)確地滿足自行車自動(dòng)變速的要求。

所述移動(dòng)設(shè)備終端和所述的云服務(wù)器采用移動(dòng)網(wǎng)絡(luò)(例如3G移動(dòng)通信網(wǎng)絡(luò)和4G移動(dòng)通信網(wǎng)絡(luò))進(jìn)行無(wú)線通信。檢測(cè)模塊采用智能檢測(cè)設(shè)備可以是例如，已知的智能手環(huán)、智能手表、智能指環(huán)、碼表、心率帶、傳感器等，但不限于此，并且智能檢測(cè)設(shè)備可以是包括所有上述結(jié)構(gòu)的任何智能檢測(cè)設(shè)備。

本發(fā)明的有益效果：

本發(fā)明的自行車的智能自動(dòng)變速控制系統(tǒng)，結(jié)合自行車和人體的數(shù)據(jù)，通過(guò)計(jì)算分析，實(shí)現(xiàn)自動(dòng)化智能精確變速，提高騎行平衡性，提高騎行安全性，大為提高騎行體驗(yàn)；提出了基于BP神經(jīng)網(wǎng)絡(luò)的自動(dòng)變檔策略，能夠很好地解決最佳檔位識(shí)別問(wèn)題，并能及時(shí)、準(zhǔn)確地滿足自行車自動(dòng)變速的要求。

附圖說(shuō)明

圖1是本實(shí)施例的自行車的智能自動(dòng)變速控制系統(tǒng)的結(jié)構(gòu)線框圖。

圖2是本實(shí)施例的自行車的智能自動(dòng)變速控制系統(tǒng)的應(yīng)用方法的流程示意圖。

圖3是實(shí)施例的自行車的智能自動(dòng)變速控制系統(tǒng)中在線神經(jīng)網(wǎng)絡(luò)模型處理流程示意圖。

圖4是實(shí)施例的自行車的智能自動(dòng)變速控制系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型。

具體實(shí)施方式

下面通過(guò)優(yōu)選實(shí)施例，并結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步具體的說(shuō)明。

如圖1所示，本實(shí)施例的自行車的智能自動(dòng)變速控制系統(tǒng)包括：智能檢測(cè)設(shè)備10、移動(dòng)設(shè)備終端20、自行車終端30和云服務(wù)器40，其中，智能檢測(cè)設(shè)備10一般集成在移動(dòng)設(shè)備終端20中。移動(dòng)設(shè)備終端20與智能檢測(cè)設(shè)備10、自行車終端30以及云服務(wù)器40連接，以使用戶通過(guò)移動(dòng)設(shè)備終端20能夠從智能檢測(cè)設(shè)備10接收數(shù)據(jù)，向云服務(wù)器40傳輸數(shù)據(jù)和從云服務(wù)器40獲得控制信號(hào)，并將控制信號(hào)傳送給自行車終端30，通過(guò)電子變速器實(shí)現(xiàn)智能自動(dòng)變速，并在移動(dòng)設(shè)備終端20上進(jìn)行顯示來(lái)反饋人體生理指標(biāo)。

移動(dòng)設(shè)備終端20包括：通信模塊21、信息采集模塊22以及位置識(shí)別模塊23、輸入模塊24以及顯示模塊25。

自行車終端30包括：通訊模塊31和控制模塊32。

云服務(wù)器40包括：數(shù)據(jù)庫(kù)、通信模塊41、數(shù)據(jù)庫(kù)訪問(wèn)模塊42以及神經(jīng)網(wǎng)絡(luò)控制模塊43。

如圖2和3所示，在運(yùn)行時(shí)，本實(shí)施例的自行車的智能自動(dòng)變速控制系統(tǒng)采用以下的方法進(jìn)行：

1)智能檢測(cè)設(shè)備10檢測(cè)自行車和人體的數(shù)據(jù)，自行車數(shù)據(jù)包括踏頻、速度、坡度、檔位等信息，人體數(shù)據(jù)包括心率等信息。

2)移動(dòng)設(shè)備終端20與智能檢測(cè)設(shè)備10進(jìn)行通信，通過(guò)信息采集模塊22采集智能檢測(cè)設(shè)備10的數(shù)據(jù)，進(jìn)行存儲(chǔ)和共享，并通過(guò)顯示模塊25反饋人體生理指標(biāo)，并將自行車和人體數(shù)據(jù)、個(gè)人信息傳輸給云服務(wù)器40。

其中，根據(jù)實(shí)際需求，用戶需要向移動(dòng)設(shè)備終端20的輸入模塊24輸入個(gè)人信息，以便為用戶提供適合自身的騎行體驗(yàn)，個(gè)人信息包括性別、身高、體重、年齡等信息。

3)云服務(wù)器40與移動(dòng)設(shè)備終端20進(jìn)行通信，接收移動(dòng)設(shè)備終端20傳送過(guò)來(lái)的數(shù)據(jù)信息，通過(guò)數(shù)據(jù)庫(kù)訪問(wèn)模塊42對(duì)數(shù)據(jù)庫(kù)進(jìn)行訪問(wèn)，將數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫(kù)中，利用神經(jīng)網(wǎng)絡(luò)控制模塊43對(duì)接收的數(shù)據(jù)進(jìn)行分析處理，獲得自行車速度控制信號(hào)，并將控制信號(hào)傳輸給移動(dòng)設(shè)備終端20。

其中，神經(jīng)網(wǎng)絡(luò)控制模塊43采用基于BP神經(jīng)網(wǎng)絡(luò)的自動(dòng)變檔策略，分析處理自行車和人體的數(shù)據(jù)，并得到適合每一位騎行者的預(yù)測(cè)檔位值。

4)自行車終端30與移動(dòng)設(shè)備終端20進(jìn)行通信，接收移動(dòng)設(shè)備終端20傳送過(guò)來(lái)的控制信號(hào)，并將控制信號(hào)傳送給控制模塊32，通過(guò)電子變速模塊33實(shí)現(xiàn)自行車智能自動(dòng)變速。

本實(shí)施例選用BP神經(jīng)網(wǎng)絡(luò)。經(jīng)過(guò)綜合考慮，將該網(wǎng)絡(luò)設(shè)計(jì)成包含八個(gè)輸入，一個(gè)輸出和一個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)。8個(gè)輸入分別為性別S，年齡A，身高H，體重W，心率R，車速V，踏頻C，坡度I重復(fù)，輸出為預(yù)測(cè)的檔位值G，隱含層包括8個(gè)神經(jīng)元節(jié)點(diǎn)。

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)前要訓(xùn)練網(wǎng)絡(luò)，通過(guò)訓(xùn)練使網(wǎng)絡(luò)具有聯(lián)想記憶和預(yù)測(cè)功能。首先面向不同年齡段及不同性別人群進(jìn)行產(chǎn)品實(shí)驗(yàn)，獲得(年齡，性別，身高，體重，心率，車速，踏頻，坡度)與檔位的對(duì)應(yīng)信息，即樣本數(shù)據(jù)，將其作為訓(xùn)練集，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得一個(gè)可以用于預(yù)測(cè)檔位的模型，并將其應(yīng)用于產(chǎn)品。

如圖4所示，利用樣本數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過(guò)程主要包含以下幾個(gè)步驟：

步驟1：神經(jīng)網(wǎng)絡(luò)的初始化。初始化輸入層和隱含層之間的權(quán)值w_ij以及隱含層和輸出層之間的權(quán)值w_j，初始化隱含層閾值a，輸出層閾值b，確定學(xué)習(xí)速率和神經(jīng)元激勵(lì)函數(shù)。

步驟2：計(jì)算隱含層輸出。根據(jù)輸入變量X，輸入層和隱含層之間的連接權(quán)重值w_ij以及隱含層閾值a，計(jì)算隱含層輸出H，每個(gè)節(jié)點(diǎn)的表達(dá)式如(1)所示。

式中，l為隱含層節(jié)點(diǎn)數(shù)，此式中l(wèi)＝8；f為隱含層激勵(lì)函數(shù)，該函數(shù)可以有多種表達(dá)形式，本文所選函數(shù)為Tan-Sigmoid，輸出范圍為[-1,1]，Tan-Sigmoid函數(shù)表達(dá)式如下：

步驟3：計(jì)算輸出層的輸出。根據(jù)隱含層輸出H，連接權(quán)值w_j和閾值b，計(jì)算BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出G。

步驟4：計(jì)算誤差。根據(jù)神經(jīng)網(wǎng)絡(luò)期望輸出Y和預(yù)測(cè)輸出G，計(jì)算神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差E。

E＝Y(jié)-G (4)

步驟5：更新權(quán)值。根據(jù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差E更新連接權(quán)值w_ij，w_j。

w_ij＝w_ij+ηH_j(1-H_j)x(i)w_jE (5)

w_j＝w_j+ηH_jE (6)

式中，η為學(xué)習(xí)速率。

步驟6：更新閾值。根據(jù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差E更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值a，b。

a_j＝a_j+ηH_j(1-H_j)w_jE (7)

b＝b+E (8)

步驟7：判斷算法地帶是否結(jié)束，若沒(méi)有結(jié)束，返回步驟2。

為實(shí)現(xiàn)自行車最優(yōu)變速，需要將神經(jīng)網(wǎng)絡(luò)算法與機(jī)器自主學(xué)習(xí)結(jié)合，即利用在線學(xué)習(xí)對(duì)神經(jīng)網(wǎng)絡(luò)算法中的偏導(dǎo)數(shù)(參數(shù)的梯度)進(jìn)行不斷更新，從而優(yōu)化智能變速模型。

通過(guò)智行云系統(tǒng)集成的傳感器和佩戴心率帶等智能檢測(cè)設(shè)備進(jìn)行車體和人體數(shù)據(jù)的實(shí)時(shí)采集，并上傳至云數(shù)據(jù)庫(kù)，通過(guò)如下的在線學(xué)習(xí)策略進(jìn)行模型的優(yōu)化：

當(dāng)單車處于運(yùn)行狀態(tài)時(shí)(騎行時(shí))進(jìn)行循環(huán){

獲得此時(shí)單車的數(shù)據(jù)&人體數(shù)據(jù)及當(dāng)前檔位；

將上述數(shù)據(jù)上傳至云服務(wù)器；

對(duì)此數(shù)據(jù)計(jì)算其對(duì)應(yīng)參數(shù)的梯度；

更新梯度獲取新參數(shù)，從而更新模型；

丟棄數(shù)據(jù)；

}

當(dāng)用戶騎行的時(shí)候便可以根據(jù)實(shí)時(shí)數(shù)據(jù)，利用優(yōu)化的模型進(jìn)行檔位值的預(yù)測(cè)。當(dāng)新的輸入數(shù)據(jù)上傳至云服務(wù)器時(shí)，將輸入數(shù)據(jù)代入優(yōu)化后的模型，得到預(yù)測(cè)檔位值。若預(yù)測(cè)檔位值大于當(dāng)前檔位值，進(jìn)行加檔，否則減檔。

在本實(shí)施例中，移動(dòng)設(shè)備終端20設(shè)置有通信模塊21來(lái)經(jīng)由無(wú)線通信網(wǎng)絡(luò)與智能檢測(cè)設(shè)備10、自行車終端30和云服務(wù)器40通信，從智能檢測(cè)設(shè)備10和云服務(wù)器40接收數(shù)據(jù)，將數(shù)據(jù)傳輸給云服務(wù)器40和自行車終端30。移動(dòng)設(shè)備終端20配置成包括用于識(shí)別所騎行車輛位置的位置識(shí)別模塊23，例如，GPS模塊，用來(lái)生成用戶的騎行軌跡。

移動(dòng)設(shè)備終端20可以是例如，已知的智能手機(jī)、平板電腦等，但不限于此，并且終端20可以是包括所有上述結(jié)構(gòu)的任何終端。

另一方面，作為終端20和智能檢測(cè)設(shè)備10、終端30、云服務(wù)器40之間的通信，可以采用無(wú)線通信，諸如藍(lán)牙、移動(dòng)通信網(wǎng)絡(luò)(例如3G移動(dòng)通信網(wǎng)絡(luò)和4G移動(dòng)通信網(wǎng)絡(luò))。

自行車終端30是已知的變速自行車，安裝有電子變速器，但不限于此，并且自行車終端可以是包括上述結(jié)構(gòu)的任何自行車終端。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例，并非因此即限制本發(fā)明的專利保護(hù)范圍，凡是運(yùn)用本發(fā)明說(shuō)明書及附圖內(nèi)容所作的等效結(jié)構(gòu)變換，直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的保護(hù)范圍內(nèi)。