一种自行车的智能自动变速控制系统

摘要

本发明公开了一种自行车的智能自动变速控制系统，包括变速器，还包括：检测模块，检测骑乘者的身体情况以及自行车车况，并产生身体情况信号和车况信号；神经网络控制模块，具有通过样本数据训练形成计算模型，所述计算模型获取所述身体情况信号和车况信号计算得到当前自行车的变速信号；同时采用身体情况信号和车况信号更新计算模型；变速控制模块，根据所述变速信号控制变速器变速；本发明结合自行车和人体的数据，通过计算分析，实现自动化智能精确变速，提高骑行平衡性，提高骑行安全性，大为提高骑行体验；提出了基于BP神经网络的自动变档策略，能够很好地解决最佳档位识别问题，并能及时、准确地满足自行车自动变速的要求。

权利要求

1.一种自行车的智能自动变速控制系统，包括变速器，其特征在于，还包括：检测模块，检测骑乘者的身体情况以及自行车车况，并产生身体情况信号和车况信号；

神经网络控制模块，具有通过样本数据训练形成计算模型，所述计算模型获取所述身体情况信号和车况信号计算得到当前自行车的变速信号；同时采用身体情况信号和车况信号更新计算模型；

变速控制模块，根据所述变速信号控制变速器变速；

通过样本数据训练形成计算模型的具体步骤如下：步骤1：神经网络的初始化，初始化输入层和隐含层之间的权值wij以及隐含层和输出层之间的权值wj，初始化隐含层阈值a，输出层阈值b，确定学习速率和神经元激励函数，i表示第i个输入层，j表示隐含层第j个节点；

步骤2：计算隐含层输出，根据输入变量X，输入层和隐含层之间的权值wij以及隐含层阈值a，计算隐含层输出H，每个节点的表达式如(1)所示，式中，1为隐含层节点数，此式中1＝8；f为隐含层激励函数Tan-Sigmoid，输出范围为[-

1，1]，Tan-Sigmoid函数表达式如下：步骤3：计算输出层的输出，根据隐含层输出H，权值wj和输出层阈值b，计算BP神经网络预测输出G，步骤4：计算误差，根据神经网络期望输出Y和预测输出G，计算神经网络预测误差E，E＝Y-G                                  (4)步骤5：更新权值，根据BP神经网络预测误差E更新权值wij，wj，wij＝wij+ηHj(1-Hj)x(i)wjE                   (5)wj＝wj+ηHjE                                (6)式中，η为学习速率；

步骤6：更新阈值，根据BP神经网络预测误差E更新隐含层阈值a，输出层阈值b，aj＝aj+ηHj(1-Hj)wjE                     (7)b＝b+E                                  (8)步骤7：判断算法迭代是否结束，若没有结束，返回步骤2；

采用身体情况信号、车况信号和变速信号更新计算模型的具体步骤如下：(1)获得当前的身体情况信号和车况信号；

(2)对步骤(1)中的数据计算其对应参数的梯度；

对于第j个输出神经元有： 其中Δω(i，j)表示第i个输入层，第j个节点的权值wij梯度；

于是得到：

已知Tan-Sigmoid函数的导函数：f′(x)＝1-f(x)2

于是有：

δij＝(Gj-Yj)·(1-Yj2)(3)根据步骤(2)的结果更新梯度获取新参数，进而更新计算模型；

(4)丢弃步骤(1)的数据。

2.如权利要求1所述的自行车的智能自动变速控制系统，其特征在于，还包括云服务器，所述神经网络控制模块集成在该云服务器中，所述云服务器还包括：数据库，用于储存自行车车况、骑乘者的身体情况数据、骑乘者信息和变速信号；

访问模块，用于与数据库进行数据交互。

3.如权利要求2所述的自行车的智能自动变速控制系统，其特征在于，还包括移动设备终端，所述移动设备终端包括：输入模块，用于用户输入个人信息；

位置识别模块，用于生成自行车的当前位置信息；

通信模块，接收检测模块的身体情况信号和车况信号并传送至云服务器。

4.如权利要求1所述的自行车的智能自动变速控制系统，其特征在于，身体情况包括：年龄，性别，身高，体重和心率；车况信号包括：车速，踏频和坡度。

说明书

一种自行车的智能自动变速控制系统

技术领域

[0001] 本发明涉及自行车的变速控制技术领域，特别涉及一种自行车的智能自动变速控制系统。

背景技术

[0002] 时至今日，山地车引入国内已经过去很多年，随着时间的流逝，自行车变得越来越高级，越来越专业，当然也越来越贵；最近几年，由于大家环保意识和健康意识的增加，骑行逐渐成为大家的一种娱乐项目和爱好。随着经济和科技的发展，人们对于健康和运动越发看重，用户对于自行车的需求也正从传统的代步型交通工具转向运动、健身、旅游休闲等多功能自行车。骑行日益风靡，骑行者在骑行过程中的服务需求趋于多样化、智能化。在环境与交通的双重压力之下，自行车也成为更多人的出行选择。与此同时，自行车技术的发展也日新月异，从动力、车体材料和结构、传动变速技术等各方面都有了诸多创新。自2015年始，多样化的智能自行车进入到消费市场，成为高端自行车购买群体的另一种选择。

[0003] 自行车变速系统是通过改变链条和不同的前、后大小的齿轮盘的配合来改变车速快慢。前齿盘的大小和后齿盘的大小决定了自行车旋动脚蹬时的力度。前齿盘越大，后齿盘越小时，脚蹬时越感到费力。前齿盘越小，后齿盘越大时，脚蹬时越感到轻松。根据不同车手的能力，或是应对不同的路段、路况，可通过调整前、后齿盘的大小调整自行车的车速。现在市面上所常用的手动变速器一般为指拨或转把，变速时，通过拉动缆线克服弹性元件的弹力使链条引导部件在后链轮上运动，释放弹性元件的偏置力使链条引导部件朝相反的方向运动。采用缆线的后拨链器不可避免的存在一些问题：1、结构复杂，生产制造成本高昂；2、换挡的时候需要一个较大的力，特别是在低速或者上坡的时候用力尤为明显，骑行者用大力换挡，也给骑行平衡带来完全隐患；3、采用缆线的控制方式，一般无法实现连续变档，骑行体验较差。

[0004] 而采用电机变速，是变速器由机械变速转化为电子变速的必然趋势。结合电子变速和互联网实现自行车的智能变速是目前的研究热点。例如公开号CN 101037134A的专利文献公开了一种自动变速系统，是安装在自行车，包含：可侦测骑乘者心跳的心跳侦测单元、与该心跳侦测单元电性连接且能执行相关于心跳信息运算的心跳处理单元、与该心跳处理单元电性连接且能产生驱动信号的驱动单元，及与该驱动单元电性连接且能依据前述驱动信号驱动该自行车变速器变速的自动变速单元。藉此，使该自行车的骑行速度能依据骑乘者的心跳变化率，自动变换骑行速度。

[0005] 但是上述方法并不能准确地反映人当前需要的变速情况，智能性仍不高。

发明内容

[0006] 本发明提供了一种自行车的智能自动变速控制系统，实时更新控制系统，从而实现自行车的智能自动变速，更加符合行车情况和车主的自身身体状况。

[0007] 一种自行车的智能自动变速控制系统，包括变速器，还包括：

[0008] 检测模块，检测骑乘者的身体情况以及自行车车况，并产生身体情况信号和车况信号；

[0009] 神经网络控制模块，具有通过样本数据训练形成计算模型，所述计算模型获取所述身体情况信号和车况信号计算得到当前自行车的变速信号；同时采用身体情况信号和车况信号更新计算模型；

[0010] 变速控制模块，根据所述变速信号控制变速器变速，可以集成在移动设备终端中。变速控制模块是集成在自行车终端内。

[0011] 优选的，还包括云服务器，所述神经网络控制模块集成在该云服务器中，所述云服务器还包括：

[0012] 数据库，用于储存自行车车况、骑乘者的身体情况数据、骑乘者信息和变速信号；

[0013] 访问模块，用于与数据库进行数据交互。

[0014] 把自行车和骑行者接入互联网，利用大数据云平台收集分析车体和人体数据，实现自行车的智能自动变速，并通过移动设备终端反馈骑行者的人体生理指标，满足用户个性化的骑行体验。

[0015] BP神经网络具有结构简单、易于实现的优点，在非线性连续函数的拟合方面有着广泛的应用。因此，本发明采用BP神经网络。经过综合考虑，本发明将该网络设计成包含八个输入，一个输出和一个隐含层的网络结构。8个输入分别为性别S，年龄A，身高H，体重W，心率R，车速Vi，踏频Ci，坡度I重复，输出为预测的档位值G，隐含层包括8个神经元节点。

[0016] 神经网络预测前要训练网络，通过训练使网络具有联想记忆和预测功能。首先面向不同年龄段及不同性别人群进行产品实验，获得(年龄，性别，身高，体重，心率，车速，踏频，坡度)与档位的对应信息，即样本数据，将其作为训练集，对神经网络模型进行训练，获得一个可以用于预测档位的模型，并将其应用于产品。优选的，通过样本数据训练形成计算模型的具体步骤如下：

[0017] 步骤1，初始化输入层和隐含层之间的权值wij以及隐含层和输出层之间的权值wj，初始化隐含层阈值a，输出层阈值b，确定学习速率和神经元激励函数，i表示第i个输入层，j表示隐含层第j个节点；

[0018] 步骤2，根据输入变量X，输入层和隐含层之间的连接权重值wij以及隐含层阈值a，计算隐含层输出H；

[0019] 步骤3，根据步骤2计算得到的隐含层输出H，连接权值wj和阈值b，计算神经网络预测输出G，即预测的档位值；

[0020]

[0021] 步骤4，根据神经网络期望输出Y和神经网络预测输出G，计算神经网络预测误差E；

[0022] E＝Y-G

[0023] 步骤5，根据神经网络预测误差E更新连接权值wij，wj；

[0024] wij＝wij+ηHj(1-Hj)x(i)wjE

[0025] wj＝wj+ηHjE

[0026] 式中，η为学习速率。

[0027] 步骤6，根据BP神经网络预测误差E更新网络节点阈值a，b；

[0028] aj＝aj+ηHj(1-Hj)wjE

[0029] b＝b+E

[0030] 步骤7，判断算法迭代是否结束，若没有结束，返回步骤2。

[0031] 优选的，步骤2中，每个节点的表达式如下：

[0032]

[0033] 式中，l为隐含层节点数，此式中l＝8；f为隐含层激励函数，输出范围为[-1，1]。神经元积累的刺激是由输入层传递过来的刺激量和对应的权重之和。

[0034] 所述隐含层激励函数可以有多种表达形式，Tan-Sigmoid是单调增长的可微函数，平滑性好，导数形式简单，而且输出范围有限，数据在传递的过程中不容易发散，优选的，所述隐含层激励函数为Tan-Sigmoid，Tan-Sigmoid函数表达式如下：

[0035]

[0036] 为实现自行车最优变速，需要将神经网络算法与机器自主学习结合，即利用在线学习对神经网络算法中的偏导数(参数的梯度)进行不断更新，从而优化智能变速模型。优选的，采用身体情况信号、车况信号和变速信号更新计算模型的具体步骤如下：

[0037] (1)获得当前的身体情况信号和车况信号；

[0038] (2)对步骤(1)中的数据计算其对应参数的梯度；

[0039] 对于第j个输出神经元有： 其中Δω(i，j)表示第i个输入层，第j个节点的权值wij梯度(及增量)；

[0040]

[0041] 于是得到：

[0042]

[0043] 已知Tan-Sigmoid函数的导函数：

[0044] f′(x)＝1-f(x)2

[0045] 于是有：

[0046] δij＝(Gj-Yj)·(1-Yj2)

[0047] (3)根据步骤(2)的结果更新梯度获取新参数，进而更新计算模型；

[0048] (5)丢弃步骤(1)的数据。

[0049] 优选的，还包括移动设备终端，所述移动设备终端包括：

[0050] 输入模块，用于用户输入个人信息；

[0051] 位置识别模块，用于生成自行车的当前位置信息；

[0052] 通信模块，接收检测模块的身体情况信号和车况信号并传送至云服务器。

[0053] 优选的，身体情况包括：年龄，性别，身高，体重和心率；车况信号包括：车速，踏频和坡度。

[0054] 通过智行云系统集成的传感器和佩戴心率带等智能检测设备进行车体和人体数据的实时采集，并上传至云数据库，通过如下的在线学习策略进行模型的优化。

[0055] 当用户骑行的时候便可以根据实时数据，利用优化的模型进行档位值的预测。当新的输入数据上传至云服务器时，将输入数据代入优化后的模型，得到预测档位值。若预测档位值大于当前档位值，进行加档，否则减档。

[0056] 本发明描述的自动变速系统与云服务器相结合，由初始数据产生一个初始模型，然后对用户骑行产生的时间序列数据流进行进一步的学习。比如，对于特定用户而言，每产生一个新的数据，便进行新的学习，学习完成后再丢弃此数据。这种做法的好处在于，我们的算法可以很好地适应用户的倾向性，算法可以针对用户的当前行为不断地更新模型以适应用户。总之，传统的模型是使用户去习惯、适应自行车的变挡策略，而神经网络在线学习模型可以使变挡策略的模型更加符合用户的习惯，为每位骑行者提供定制化的服务。

[0057] 传统的神经网络一般采用批量式学习算法来对网络进行训练，受限于被训练数据的规模，无法有效地处理超大规模数据集和在线数据流。对于本发明所述的自行车变速系统，实时采集自行车和人体数据，数据量规模较大，批量式学习算法无法有效处理，而神经网络在线学习是不断对新产生的数据进行学习，学习完成后便丢弃此数据，因此可以处理大数据量和在线训练，能够根据线上反馈数据，实时快速地进行模型调整，使得模型及时反映线上的变化，提高线上预测的准确率。大体的流程包括：用模型的预测结果控制自行车变速，然后收集用户的骑行数据，再用来训练模型，形成闭环的系统。

[0058] 针对自行车骑行路况多变、人体生理状态复杂、难以用传统的方法进行建模研究的情况，提出了基于BP神经网络的自动变档策略，该模型能够根据用户数据进行自我学习，并修正神经网络的参数，优化模型，有效地解决传统方法难以解决的非线性和实时多变性系统控制问题。BP神经网络能够很好地解决最佳档位识别问题，并能及时、准确地满足自行车自动变速的要求。

[0059] 所述移动设备终端和所述的云服务器采用移动网络(例如3G移动通信网络和4G移动通信网络)进行无线通信。检测模块采用智能检测设备可以是例如，已知的智能手环、智能手表、智能指环、码表、心率带、传感器等，但不限于此，并且智能检测设备可以是包括所有上述结构的任何智能检测设备。

[0060] 本发明的有益效果：

[0061] 本发明的自行车的智能自动变速控制系统，结合自行车和人体的数据，通过计算分析，实现自动化智能精确变速，提高骑行平衡性，提高骑行安全性，大为提高骑行体验；提出了基于BP神经网络的自动变档策略，能够很好地解决最佳档位识别问题，并能及时、准确地满足自行车自动变速的要求。

附图说明

[0062] 图1是本实施例的自行车的智能自动变速控制系统的结构线框图。

[0063] 图2是本实施例的自行车的智能自动变速控制系统的应用方法的流程示意图。

[0064] 图3是实施例的自行车的智能自动变速控制系统中在线神经网络模型处理流程示意图。

[0065] 图4是实施例的自行车的智能自动变速控制系统的神经网络模型。

具体实施方式

[0066] 下面通过优选实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

[0067] 如图1所示，本实施例的自行车的智能自动变速控制系统包括：智能检测设备10、移动设备终端20、自行车终端30和云服务器40，其中，智能检测设备10一般集成在移动设备终端20中。移动设备终端20与智能检测设备10、自行车终端30以及云服务器40连接，以使用户通过移动设备终端20能够从智能检测设备10接收数据，向云服务器40传输数据和从云服务器40获得控制信号，并将控制信号传送给自行车终端30，通过电子变速器实现智能自动变速，并在移动设备终端20上进行显示来反馈人体生理指标。

[0068] 移动设备终端20包括：通信模块21、信息采集模块22以及位置识别模块23、输入模块24以及显示模块25。

[0069] 自行车终端30包括：通讯模块31和控制模块32。

[0070] 云服务器40包括：数据库、通信模块41、数据库访问模块42以及神经网络控制模块43。

[0071] 如图2和3所示，在运行时，本实施例的自行车的智能自动变速控制系统采用以下的方法进行：

[0072] 1)智能检测设备10检测自行车和人体的数据，自行车数据包括踏频、速度、坡度、档位等信息，人体数据包括心率等信息。

[0073] 2)移动设备终端20与智能检测设备10进行通信，通过信息采集模块22采集智能检测设备10的数据，进行存储和共享，并通过显示模块25反馈人体生理指标，并将自行车和人体数据、个人信息传输给云服务器40。

[0074] 其中，根据实际需求，用户需要向移动设备终端20的输入模块24输入个人信息，以便为用户提供适合自身的骑行体验，个人信息包括性别、身高、体重、年龄等信息。

[0075] 3)云服务器40与移动设备终端20进行通信，接收移动设备终端20传送过来的数据信息，通过数据库访问模块42对数据库进行访问，将数据存储在数据库中，利用神经网络控制模块43对接收的数据进行分析处理，获得自行车速度控制信号，并将控制信号传输给移动设备终端20。

[0076] 其中，神经网络控制模块43采用基于BP神经网络的自动变档策略，分析处理自行车和人体的数据，并得到适合每一位骑行者的预测档位值。

[0077] 4)自行车终端30与移动设备终端20进行通信，接收移动设备终端20传送过来的控制信号，并将控制信号传送给控制模块32，通过电子变速模块33实现自行车智能自动变速。

[0078] 本实施例选用BP神经网络。经过综合考虑，将该网络设计成包含八个输入，一个输出和一个隐含层的网络结构。8个输入分别为性别S，年龄A，身高H，体重W，心率R，车速V，踏频C，坡度I重复，输出为预测的档位值G，隐含层包括8个神经元节点。

[0079] 神经网络预测前要训练网络，通过训练使网络具有联想记忆和预测功能。首先面向不同年龄段及不同性别人群进行产品实验，获得(年龄，性别，身高，体重，心率，车速，踏频，坡度)与档位的对应信息，即样本数据，将其作为训练集，对神经网络模型进行训练，获得一个可以用于预测档位的模型，并将其应用于产品。

[0080] 如图4所示，利用样本数据训练神经网络的过程主要包含以下几个步骤：

[0081] 步骤1：神经网络的初始化。初始化输入层和隐含层之间的权值wij以及隐含层和输出层之间的权值wj，初始化隐含层阈值a，输出层阈值b，确定学习速率和神经元激励函数。

[0082] 步骤2：计算隐含层输出。根据输入变量X，输入层和隐含层之间的连接权重值wij以及隐含层阈值a，计算隐含层输出H，每个节点的表达式如(1)所示。

[0083]

[0084] 式中，l为隐含层节点数，此式中l＝8；f为隐含层激励函数，该函数可以有多种表达形式，本文所选函数为Tan-Sigmoid，输出范围为[-1,1]，Tan-Sigmoid函数表达式如下：

[0085]

[0086] 步骤3：计算输出层的输出。根据隐含层输出H，连接权值wj和阈值b，计算BP神经网络预测输出G。

[0087]

[0088] 步骤4：计算误差。根据神经网络期望输出Y和预测输出G，计算神经网络预测误差E。

[0089] E＝Y-G  (4)

[0090] 步骤5：更新权值。根据BP神经网络预测误差E更新连接权值wij，wj。

[0091] wij＝wij+ηHj(1-Hj)x(i)wjE  (5)

[0092] wj＝wj+ηHjE  (6)

[0093] 式中，η为学习速率。

[0094] 步骤6：更新阈值。根据BP神经网络预测误差E更新网络节点阈值a，b。

[0095] aj＝aj+ηHj(1-Hj)wjE  (7)

[0096] b＝b+E  (8)

[0097] 步骤7：判断算法迭代是否结束，若没有结束，返回步骤2。

[0098] 为实现自行车最优变速，需要将神经网络算法与机器自主学习结合，即利用在线学习对神经网络算法中的偏导数(参数的梯度)进行不断更新，从而优化智能变速模型。

[0099] 通过智行云系统集成的传感器和佩戴心率带等智能检测设备进行车体和人体数据的实时采集，并上传至云数据库，通过如下的在线学习策略进行模型的优化：

[0100] 当单车处于运行状态时(骑行时)进行循环{

[0101] 获得此时单车的数据&人体数据及当前档位；

[0102] 将上述数据上传至云服务器；

[0103] 对此数据计算其对应参数的梯度；

[0104] 更新梯度获取新参数，从而更新模型；

[0105] 丢弃数据；

[0106] }

[0107] 当用户骑行的时候便可以根据实时数据，利用优化的模型进行档位值的预测。当新的输入数据上传至云服务器时，将输入数据代入优化后的模型，得到预测档位值。若预测档位值大于当前档位值，进行加档，否则减档。

[0108] 在本实施例中，移动设备终端20设置有通信模块21来经由无线通信网络与智能检测设备10、自行车终端30和云服务器40通信，从智能检测设备10和云服务器40接收数据，将数据传输给云服务器40和自行车终端30。移动设备终端20配置成包括用于识别所骑行车辆位置的位置识别模块23，例如，GPS模块，用来生成用户的骑行轨迹。

[0109] 移动设备终端20可以是例如，已知的智能手机、平板电脑等，但不限于此，并且终端20可以是包括所有上述结构的任何终端。

[0110] 另一方面，作为终端20和智能检测设备10、终端30、云服务器40之间的通信，可以采用无线通信，诸如蓝牙、移动通信网络(例如3G移动通信网络和4G移动通信网络)。

[0111] 自行车终端30是已知的变速自行车，安装有电子变速器，但不限于此，并且自行车终端可以是包括上述结构的任何自行车终端。

[0112] 以上所述仅为本发明的优选实施例，并非因此即限制本发明的专利保护范围，凡是运用本发明说明书及附图内容所作的等效结构变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的保护范围内。