[0038] 以下结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例，都属于本发明的保护范围。
[0039] 如图1所示，本发明所述的一种基于人工神经网络算法的乘员舱温度控制方法，依次包括以下步骤：
[0040] 步骤S1：根据影响车内温度变化的因素，设计人工神经网络模型；
[0041] 人工神经网络是由大量类似于神经元的处理单元相互连接而成的非线性复杂的智能网络系统，它是一个并行和分布式的信息处理网络结构，该网络一般由许多个神经元组成，每个神经元可以连接到很多其他神经元，其输入有多个连接通路，每个连接通路对应一个连接权系数。根据连接方式的不同，神经网络可分成两大类：没有反馈的前向网络和相互结合型网络。前向型网络由输入层、隐含层、输出层组成，隐含层可有若干层，每一层的神经元接受前一层神经元输出，这样就实现了输入层结点的状态空间到输出层状态空间的非线性映射，在前向网络中，误差反向传播网络即BP网络应用最广，BP网络是一单向传播的多层前向网络，其拓扑图如图2所示。
[0042] 根据热传导原理，将车内空间看作一个有自平衡能力的单个整体，影响这个空间温度变化的因素主要有：由车内外温度差引起的对乘员舱的热传递Qa；由发动机机舱温度引起的对乘员舱的热传递Qb；由车内乘员体热、车载设备功率热引起的温度变化Qc；及空调系统工作引起的温度变化Qd。
[0043] 在车辆门窗关闭的情况下，由车内外温度差通过车身引起的热传递对车内乘员舱的温度变化起到很大影响，这种影响主要与热传递系数K1、乘员舱与外部接触的车身面积S、车内外温度差ΔT有关，其中由于乘员舱与外部接触的车身面积S中包含有车窗和天窗的面积S1，同时车身的热传递系数K1与玻璃的热传递系数K2也有所差别，所以设定一个新的物理量单位车身热传递系数Ke：
[0044]
[0045] 车内外温度差ΔT由空调系统中车外温度传感器测得车外温度Tw和测量时乘员舱的初始温度T0求得，因此，热传递Qa与单位车身热传递系数Ke、乘员舱与外部接触的车身面积S、车外温度Tw和测量时乘员舱的初始温度T0有关。
[0046] 在发动机工作的情况下，发动机舱对车辆乘员舱的热传递影响非常明显，特别是在发动机工作一段时间后，发动机附近温度将达到90℃左右。因此可知，热传递Qb主要与发动机温度Te(即发动机水温)、汽车机舱到乘员舱的热传递系数Ke1及发动机机舱热传递面积Se有关。
[0047] 在分析乘员舱内部空间温度变化时，该空间内部热源也同样不应忽视，该热源主要指车内乘员人体生命活动产生的生物热Qc1及车内照明设备工作时产生的功率热Qc2，其中人体产生的Qc1主要与车内乘员的性别、年龄、衣着和人数有关，车内照明设备产生的功率热Qc2主要与该设备的照明功率和使用时间有关，由于乘员的性别、年龄、衣着变动较大，且若是识别乘员的性别、年龄、衣着情况，需要添加额外的传感设备，并作大量的内部识别计算，增加该模型成本，因此关于人体产生的Qc1仅看作与乘员人数N相关。
[0048] 因此可知，热传递Qc主要与乘员人数N、车内照明设备的功率Pz、及使用时间Tz有关，其中Tz为车辆唤醒到当前时刻的时间。
[0049] 车内空调系统是专门为调节车内温度，以满足车内乘员舒适要求而专门设计的，在空调系统工作的情况下，空调系统是引起车内温度变化的最为重要的因素，空调系统引起乘员舱温度变化主要与空调出风口温度Tk、空调出风口的单位时间出风量An、空调出风模式Mk和空调工作时间Tg有关。
[0050] 综上所述，乘员舱温度变化主要与单位车身热传递系数Ke、乘员舱与外部接触的车身面积S、车外温度Tw、乘员舱初始温度T0、发动机温度Te、汽车机舱到乘员舱的热传递系数Ke1、发动机机舱热传递面积Se、乘员人数N、车内照明设备的功率Pz及使用时间Tz、空调出风口温度Tk、空调出风口的单位时间出风量An，空调出风模式Mk和空调工作时间Tg这14个参数有关，这14个参数均可利用工具测得或根据汽车参数计算得到。
[0051] 因此该模型结构中，输入层节点数为14个，隐层数1个，隐层节点数4个，分别为Qa、Qb、Qc、Qd，输出层节点数1个，为乘员舱温度。
[0052] 步骤S2：取多个温度传感器分别安装于乘员舱的不同位置，取所有温度传感器采集结果的平均值，作为人工神经网络的训练样本，根据以上方式采集多组训练样本，制作出样本集Xp，其中，下标p＝1，2，3，…，N，利用该样本集Xp对人工神经网络模型进行训练。
[0053] 在本实施例中，温度传感器有6个，分别安装于乘员舱四角的顶棚上、乘员舱底板上，及成员舱中部的顶棚上。
[0054] (1)前向学习：
[0055] ①从神经网络模型的输入层开始向隐含层计算：
[0056] 隐含层第j个节点来自输入层的总输入为 其中i表示输入层的节点编号，xi依次对应输入层的14个输入参数的具体数值，Wij为输入层第i个节点与隐含层第j个节点之间的权值，隐含层第j个节点的输出为Vj＝f(hj)，其中函数 为
sigmoid函数，j表示隐含层节点编号。
[0057] ②从神经网络模型的隐含层向输出层计算：
[0058] 输出层来自隐含层的输入为： 将Vj代入上式可得输出层的输入为： 其中，Wjk表示隐含层和输
出层之间的权值，k为输出层节点数，即k＝1。
[0059] 输出层的输出为：
[0060] (2)误差反向计算：
[0061] ①首先定义该模型误差为 δ为人工神经网络输出和输出层样本信号的差的平方，Ti为给出的学习样本中乘员舱温度值，该误差公式可根据模型具体特征自定义，Yk表示输出层的输出。
[0062] ②定义该模型反向学习效率β，考虑到该模型中学习样本测量需要大量的人力、物力，因此为加速该模型的快速学习，且保证相对准确，在这里定义三个等级的学习效率并定义三个等级的学习效率，分别为β1、β2和β3，且β3>β2>β1，定义模型误差δ的三个门限值，分别为A，B，C，且A>B>C，其中定义C≤γ，γ为该模型训练完成后允许的模型最小误差。
[0063] ③判断δ≥A是否成立，若是，则定义学习效率为β1，利用β1调整初始权值Wjk和Wij，并重新开始前向学习过程，若不成立，则判断δ≥B是否成立，若是，则定义学习效率为β2，利用β2调整初始权值Wjk和Wij，并重新开始前向学习过程，若不成立，则判断δ≥C是否成立，若是，则定义学习效率为β3，利用β3调整初始权值Wjk和Wij，并重新开始前向学习过程，若不成立，则认为该误差满足要求，更新权值，停止训练学习，即模型训练完成。
[0064] 不同误差对应不同的学习效率，如表1所示：
[0065] 表1
[0066] 模型误差 学习效率δ≥A β1
A>δ≥B β2
B>δ≥C β3
[0067] 其中，调整初始权值Wjk和Wij时采用梯度下降法，
[0068] 表示误差函数δ对Wjk的负偏导；
[0069] 表示误差函数δ对Wij的负偏导。
[0070] (3)权值更新计算：
[0071] Wjkn＝Wjkn-1+ΔWjk，其中，Wjkn表示Wjk本次运算结果，Wjkn-1表示Wjk上一次的运算结果，ΔWjk表示误差函数δ对Wjk的负偏导。
[0072] Wijn＝Wijn-1+ΔWij，其中，Wijn表示Wij本次运算结果，Wijn-1表示Wij上一次的运算结果，ΔWij表示误差函数δ对Wij的负偏导。
[0073] 根据以上逻辑，模型的每次学习，都会调整权值系数Wjk和Wij的值。
[0074] 步骤S3：重新采集影响车内温度变化的14个数据，并将该数据输入训练好的人工神经网络模型中，利用人工神经网络模型计算出乘员舱内当前的温度，人工神经网络的输出值发送至空调控制器，由空调控制器根据当前乘员舱的温度，向空调发送指令，从而调整乘员舱内的温度。
