一种计算机辅助的汽车底盘选型方法技术

本发明专利技术主要是涉及一种计算机辅助的汽车底盘选型方法，输入一定的底盘已知条件，通过神经网络算法模拟专家思维，建立单隐层反向传播神经网络（ＢＰ网），输入层为１３个节点，隐层为１０个节点，输出层为２２个节点。在拥有大量车型数据的数据库的基础上，选择恰当的样本数据库，对目标车辆各总成进行统计、分析，进行神经网络训练，加以推理，得出对于底盘结构型式及其它参数的推理结果，并在此基础上，实现底盘各总成的选型以及关键参数的确定。本发明专利技术的有益效果是，对于设计中条件描述不够充分的汽车底盘选型设计问题，提供了有效的计算机支持。

【技术实现步骤摘要】

本专利技术涉及计算机技术中的人工智能领域，主要是应用神经网络等人工智能技术的计算机辅助的汽车底盘选型方法。
技术介绍
传统的底盘选型方法，是依靠设计者丰富的知识和经验来保证设计的合理性。但是，要在设计的初期将各种因素进行十分全面地分析和考虑，选择合适的底盘各总成型式及关键参数，难度相当大。而且，近年来新式的各底盘总成机构不断出现，新型的各底盘总成机构不断被采用，单纯依靠设计者的个人经验来进行选型和设计的工作方式是不可取的。
技术实现思路
本专利技术的目的就是要克服上述不足，而提供。先进的人工神经网络算法对于那些已拥有大量的数据，但对其内部规律难以找到精确数学描述的问题，具有独特的自学习能力，经过学习和训练的人工神经网络能够提取蕴藏在数据中内部映射和联系。因此，以最新车型数据库作为支持，采用人工神经网络进行底盘各总成选型的尝试，在实际工程应用中有着重要的实际价值。本专利技术解决其技术问题所采用的技术方案是这种计算机辅助的汽车底盘选型方法，输入一定的底盘已知条件，通过神经网络算法模拟专家思维，建立单隐层反向传播神经网络(BP网)，输入层为13个节点，隐层为10个节点，输出层为22个节点。在拥有大量车型数据的数据库的基础上，选择恰当的样本数据库，对目标车辆各总成进行统计、分析，进行神经网络训练，加以推理，得出对于底盘结构型式及其它参数的推理结果，并在此基础上，实现底盘各总成的选型以及关键参数的确定。本专利技术的有益效果是，对于设计中条件描述不够充分的汽车底盘选型设计问题，提供了有效的计算机支持。附图说明图1是人工神经网络基本单元的神经元模型。图2是人工神经网络学习示意图。具体实施例方式下面结合附图和实例对本专利技术进一步说明。本专利技术所述的这种基于神经网络的汽车底盘选型方法，其步骤是1)建立人工神经元模型图1所示为人工神经网络基本单元的神经元模型，它有三个基本要素一组连接权(对应于生物神经元的突触)，连接强度由各连接上的权值表示，权值为正表示激励，为负表示抑制。一个求和单元，用于求取各输入信息的加权和(线性组合)。一个非线性激励函数，起非线性映射作用并限制神经元输出幅度在一定的范围之内(一般限制在或之间)。此外还有一个阈值θk(或偏置bk＝-θk)。以上作用可以用数学式表达为uk=Σj=1pwkjxj]]>vk＝uk-θk(1)yk＝(vk)式中x1，x2，x3，...，xp为输入信号，wk1，wk2，...，wkp为神经元k之权值，uk为线性组合结果，θk为阈值。(·)为激励函数，yk为神经元k的输出。在本专利技术中，激励函数(·)采用Sigmoid函数，该函数具有平滑和渐进性，并保持单调性，其函数形式为 其中参数α可控制其斜率。2)确定网络结构神经网络的拓扑结构从连接方式来看主要有两种前馈型网络和反馈型网络，其中前馈型网络的作用效果主要表现为函数映射，具有较强的模式识别和函数逼近的功能。本专利技术采用前馈型神经网络，以期达到类似于专家一样对某些特定的数据进行逼近和类比推断。3)确定人工神经网络的学习方法在本专利技术中采用监督学习(有导师学习)，这种学习方式需要对给定一组的输入提供应有的输出结果，这组已知的输入—输出结果称为训练样本集，神经网络的学习系统可根据已知的输出与实际输出之间的差值来调节系统参数。学习的规则采用delta学习规则，也称为误差纠正学习。它的数学表达为ek(n)＝dk(n)-yk(n)(3)其中yk(n)为当输入为xk(n)时，神经元k在n时刻的实际输出，dk(n)表示应有的输出(可由训练样本给出)。误差纠正学习的最终目的是使某一基于ek(n)的目标函数达到最小，以使网络中每一输出单元的实际输出在某种统计意义上逼近应有输出。一旦选定了目标函数形式，误差纠正学习就变成了一个典型的最优化问题，目标函数是均方误差极小，因此定义误差平方和的均值为J=E···(4)]]>其中E为期望算子，上式的前提要求学习的过程是宽平稳的，具体的方法可用最优梯度下降法。直接用J作为目标函数是需要知道整个过程的统计特性，为解决这一问题，采用J在时刻n的瞬时值ξ(n)代替J，即ξ(n)=12Σkek2(n)···(5)]]>问题变为求ξ(n)对权值w的极小值，根据梯度下降法可得Δwkj＝ηek(n)xj(n)(6)其中η为学习步长。在本专利技术中，所建立的神经网络希望能够通过训练达到象专家一样，能够提供给用户一种比较满意的答案。在最初设计过程中，仅知道少量的参数就可以确定出整车设计中的主要参数。在神经网络中具体来说设网络有p个输入，q个输出，则其作用可看作是由p维欧氏空间到q维欧氏空间的一个非线性映射。令(·)为有界、非常量的单调增连续函数，Ip代表p维单位超立方体p，C(Ip)表示定义在Ip上连续函数构成的集合，则给定任何函数f∈C(Ip)和ε＞0，存在整数M和一组实常数αi、θl和wij，其中i＝1，…M，j＝1，2，…，p，使网络输出为 可任意逼近函数f(·)，即|F(x1，x2，…，xp)-f(x1，x2，…，xp)|＜ε(8)(x1，…，xp)∈Ip上述结果说明只含一个隐层的前馈网络是一种通用函数逼近器，为逼近一个连续函数一个隐层是足够的。多层网络可以解决非线性可分问题这一结论早已有了，由于有隐层后学习比较困难，限制了多层网络的发展。通过反向传播(Back Propagation)算法解决了这一困难。该方法其中有两种信号在流通工作信号(用实线表示)，它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数。误差信号(用虚线表示)，网络实际输出与应有输出间的差值即为误差，它由输出端开始逐层向后传播。设在第n次迭代中输出端的第j个单元的输出为yj(n)，则该单元的误差信号为ej(n)＝dj(n)-yj(n)(9)定义单元j的平方误差为 则输出端总的平方误差的瞬时值为ξ(n)=12Σj∈cej2(n)···(10)]]>其中c包括所有输出单元。设训练集中样本总数为N个，则平方误差的均值为ξAV=1NΣn=1Nξ(n)···(11)]]>ξAV为学习的目标函数，学习的目的应使ξAV达到极小，ξAV是网络所有权值和阈值以及输入信号的函数。下面就逐个样本学习的情况来推导BP算法，第j个单元接受到前一层信号并产生误差信号的过程，令单元j的净输入为netj(n)=vj(n)=Σi=0pwij(n)yi(n)···(12)]]>p为加到单元j上输入的个数，则有 yj(n)＝j(vj(本文档来自技高网...

【技术保护点】
一种计算机辅助的汽车底盘选型方法，其特征是：输入一定的底盘已知条件，通过神经网络算法模拟专家思维，建立单隐层反向传播神经网络，在拥有大量车型数据的数据库的基础上，选择样本数据库，对目标车辆各总成进行统计、分析，进行神经网络训练，加以推理，得出对于底盘结构型式及其它参数的推理结果，并在此基础上，实现底盘各总成的选型以及关键参数的确定。

【技术特征摘要】

【专利技术属性】
技术研发人员：黄建根，宁连利，
申请(专利权)人：万向钱潮股份有限公司，
类型：发明
国别省市：86[中国|杭州]