1.一种汽车动力性和经济性期望量化方法，特征，包括以下步骤：步骤一、数据采集与处理

由不同类型的驾驶员：年龄18‑29岁、30‑44岁、45‑59岁、60岁以上均匀分布，在各年龄段内男性和女性各占50％、喜好运动型和经济型驾驶风格各占40％、折中型驾驶风格占

20％，总人数不小于40人，在车速、油门踏板开度简称油门开度、油门踏板开度变化率简称油门开度变化率可能的范围内驾驶汽车行驶，并对其动力性期望进行主观评价；同步采集车速、油门开度及相应的动力性期望主观评价值；对车速和油门开度进行滤波处理，由滤波后的油门开度计算其变化率；再通过反模糊化，将动力性期望主观评价值转换为确定值；

采用最大隶属度平均法，将实验采集的动力性期望主观评价值反模糊化为确定值；

分别保存处理后的车速序列和油门开度序列；

将处理后的车速、油门开度、油门开度变化率及对应的反模糊化后的动力性期望主观评价值，按车速、油门开度、油门开度变化率在各自可能的取值范围内分别按10、10、5等分的原则划分区间，在各区间内分别按60％、20％、20％的比例随机选取处理后的车速、油门开度、油门开度变化率，并与对应的反模糊化后的动力性期望主观评价值构成A、B、C三类数据，由A和C类数据构成训练数据，由B和C类数据构成测试数据；

步骤二、驾驶员动力性期望量化模型建立以驾驶操纵特征参数油门开度及其变化率和车辆运行状态参数车速为输入、反模糊化后的驾驶员动力性能期望为输出，使用训练数据和测试数据来训练和测试模糊神经网络，建立驾驶员动力性期望量化模型；

所采用的模糊神经网络结构由前件网络和后件网络构成；

(1)前件网络

第一层是输入层，它直接和输入向量的分量相连接，节点数N1＝n，n输入向量的维数，本方案中其值为3；

第二层的节点代表由低到高的动力性期望的语言变量值VL(很低)、L(低)、M(中)、H(高)、VH(很高)，用于计算语言变量的隶属度函数 即式中，i＝1,2,…,n；j＝1,2,…,mi，mi是xi的模糊分隔数；本方案采用高斯型隶属度函数，即

式中，cij和σij分别表示隶属度函数的中心和宽度；该层的节点总数第三层是规则层，作用是匹配模糊规则的前件，计算每条规则的适应度aj，即式中，i1∈{1,2,…,m1}，i2∈{1,2,…,m2}，…，in∈{1,2,…,mn}，该层的节点总数为第四层节点数N4＝N3＝m，该层实现归一化计算式中j＝1,2,…,m；

(2)后件网络

第一层是输入层，输入层中第1个节点的输入值是x0＝1，用于提供模糊规则后件中的常数项；

第二层共m个节点，该层的作用是计算每一条规则后件，即式中，j＝1,2,…,m；i＝0,1,…n；

第三层计算输出，即

y是后件的加权和；

(3)学习算法

模糊神经网络训练学习的参数是pji，j＝1,2,…,m；i＝0,1,…,n和隶属度函数中心cij和宽度σij，i＝1,2,…,n；j＝1,2,…,mi；

取误差函数为

式中，t和y分别表示期望输出和实际输出；

参数pji的学习公式如下

式中，j＝1,2,…,m；i＝0,1,…,n；β为学习率，β＞0；

保持pji不变，计算cij和σij其中，

当 是第k个规则节点的第一个输入时，否则

sij＝0    (16)

所述训练模糊神经网络，是指以试验采集的车速、油门开度和油门开度变化率作为输入，反模糊化后的驾驶员动力性能期望作为输出，按下述分步骤训练模糊神经网络：(1)误差及学习次数上限设置：误差上限设为0.05，学习次数上限设为10000次；

(2)模糊神经网络初始化：初始化前件网络第二层的隶属度函数参数，将车速和油门开度的高斯型隶属度函数的宽度设为0.1062，中心均依次设为0、0.2、0.4、0.6、1；油门开度变化率的高斯型隶属度函数的宽度设为0.213，中心依次设为0、0.5、1；将后件网络第二层的权值均设为1；

(3)输入训练数据；

(4)计算各层输出：导入数据计算各层的输入和输出；

(5)计算系统输出：按照模糊神经网络结构和公式(2)～(6)计算出动力性期望值；

(6)误差检验：计算动力性期望值和网络实际输出值的误差，若误差小于0.05则结束训练，否则进入下一步；

(7)学习次数上限检测：检测学习次数是否达到其上限，若达到上限，则结束训练，若没有达到，则继续进行训练，利用公式(9)、(10)、(11)对系统参数进行修正，利用学习算法，以误差作为调整函数，调整模糊神经网络参数，并重新执行(2)～(6)步骤；

使用测试数据对训练后的模糊神经网络进行测试，若90％的测试样本的动力性期望主观评价值误差不超过1级，则完成动力性期望量化模型的建立；否则重新对网络进行训练，再测试，直到满足测试要求；

步骤三、驾驶操纵特征参数及车辆运行状态参数预测模型建立根据车速序列和油门开度序列，利用指数平滑‑马尔科夫模型建立驾驶操纵特征及车辆运行状态参数预测模型，其分步骤如下：(1)初值 和指数平滑系数ce的选取把第1观察值作为第1期的预测值，即 由于车速和油门开度随时间序列波动较大，ce取0.7；

(2)车速和油门开度二次指数平滑预测分别计算车速和油门开度的二次指数平滑预测值，公式如下S′t＝cext+(1‑ce)S′t‑1    (20)S″t＝ceS′t+(1‑ce)S″t‑1    (21)式中，S′t为第t+1个数据的一次指数平滑预测值；S″t为第t+1个的数据二次指数平滑预测值；xt为第t个数据的观测值；

(3)计算误差

分别计算车速和油门开度预测值和实际值间的误差，公式如下为error(t)＝S″t‑xt+1    (22)式中，xt+1为第t+1个数据的观测值；

(4)马尔科夫链误差区间划分误差集合{error(t)}为马尔科夫链，将其均分为nerr个误差状态区间，每个状态区间表示为 其中，j＝1,...,nerr，对于车速误差，nerr＝12；对于油门开度误差，nerr＝

8；

(5)计算状态转移概率和转移矩阵分别计算车速与油门踏板开度的误差状态转移概率和状态转移矩阵，公式如下式中，mij(k)为数据误差数列中误差状态从Ei状态经过k步转移到Ej状态的数据个数，mi为处于状态Ei的数据个数，pij(k)为误差状态从Ei状态经过k步转移到Ej状态的概率，本发明中k＝1，为一步转移概率；

步骤四、驾驶操纵特征参数及车辆运行状态参数预测实时采集车速和油门开度，分别按以下分步骤预测车速和油门开度：(1)根据步骤三中(1)、(2)、(3)、(4)计算车速或油门开度的二次指数平滑预测值和误差；

(2)使用车速或油门开度的误差状态转移矩阵，按下式计算下一个误差状态所处区间概率为

(t+1) (t)

Es ＝Es ×P(1)    (25)(t+1) (t)

式中，Es 和Es 分别为t+1和t时刻车速或油门踏板开度的误差状态向量，反映误差(0)

处在某一误差状态的概率，P(1)为车速或油门开度的误差状态转移矩阵；令Es 为初始误差状态向量，取初始误差所属误差状态序号对应元素为1，其余元素为0；

(3)计算预测值

选择概率最大的误差状态 的误差均值作为调整误差，以调整预测值，公式如下分别为所处误差状态区间的下限值和上限值完成油门开度预测后，按下式计算油门开度变化率的预测值式中，Δαpt是第t+1周期油门开度变化率的预测值，αpt是第t+1周期的油门开度预测值，αt是第t周期的油门开度实测值，T是采样周期；

步骤五、动力性及经济性期望计算以车速预测值、油门开度预测值、油门开度变化率预测值为输入，使用第二步建立的驾驶员动力性期望量化模型，计算动力性期望值，最后根据动力性期望值与经济性期望值之和为1，计算经济性期望值；根据动力性期望值和经济性期望值在换挡规律候选库中选择适合当前驾驶意图的换挡规律，从而实现个性化换挡。

2.根据权利要求1所述的一种汽车动力性和经济性期望量化方法，其特征在于，还具有实现方法：完成离线建模之后，利用模型生成相应代码，并下载到自动变速器控制单元(TCU)中；

TCU实时采集车速和油门开度，利用驾驶操纵特征参数及车辆运行状态参数预测模型计算车速、油门开度及其变化率的预测值，再利用驾驶员动力性期望量化模型计算驾驶员的动力性期望值，根据动力性期望值和经济性期望值之和为1的原则，计算出经济性期望值， 根据动力性期望值和经济性期望值，从存储在TCU中的换挡规律候选库中，选出与当前动力性期望和经济性期望匹配的换挡规律，再根据车速、油门开度，通过选出的换挡规律确定目标挡位，之后再使用现有技术通过换挡控制系统，使汽车实现与驾驶员性能期望相符的换挡操作。