基于神經(jīng)網(wǎng)絡的汽車仿真測試系統(tǒng)數(shù)據(jù)融合算法研究.pdf

1、一汽-大眾提出的汽車仿真測試系統(tǒng)是一個在實驗室仿真汽車實際駕駛環(huán)境的,能大量節(jié)省汽車測試過程中所消耗的人力物力的一種綜合系統(tǒng)。該系統(tǒng)的核心在于對汽車CAN總線所采集測試信息的數(shù)據(jù)融合。
　　人工神經(jīng)網(wǎng)絡技術是上世紀末復興的一種數(shù)據(jù)處理技術。從理論上講,只要隱層節(jié)點數(shù)夠多,神經(jīng)網(wǎng)絡可以以任何精度逼近任意輸入輸出個數(shù)的非線性函數(shù)。此外,人工神經(jīng)網(wǎng)絡還具有很強的自主學習能力和良好的容錯能力,在實際問題中得到了廣泛的應用。
　　針對

2、汽車仿真測試模型多輸入單輸出,且具有很復雜的非線性關系的特點,本文提出將人工神經(jīng)網(wǎng)絡技術應用于汽車仿真測試系統(tǒng)中的數(shù)據(jù)融合過程中的方法,并對其相關算法進行了研究。
　　本文首先通過對CAN總線報文的解析,實現(xiàn)了汽車CAN總線上信息的下載,并通過MATLAB繪制出本文所關心的汽車運行參數(shù)與時間的關系。
　　其次,針對汽車測試過程中,駕駛員所關心的特征量,本文建立了汽車測試模型,通過對模型輸出量影響因素的考察,確立了模型的輸入輸

3、出關系。
　　然后,本文選取了函數(shù)擬合領域近期最常用的3種神經(jīng)網(wǎng)絡結構作為本文的研究對象:BP神經(jīng)網(wǎng)絡、cascade神經(jīng)網(wǎng)絡以及RBF神經(jīng)網(wǎng)絡。分別介紹了3種神經(jīng)網(wǎng)絡的基本原理、網(wǎng)絡結構及學習算法。其中,對于BPNN,本文引進了改進化的LM學習算法;而對于RBFNN,針對其泛化能力較差的特點,本文提出了NRBF及分類RBF兩種改進算法。
　　最后,本文將以上神經(jīng)網(wǎng)絡及改進算法應用于汽車測試模型中,取得了良好的擬合效果。實驗

4、結果表明通過人工神經(jīng)網(wǎng)絡完成汽車仿真測試系統(tǒng)中的融合過程是可行和有效的。其中,兩種RBF模型的改進算法確實有效降低了測試組數(shù)據(jù)的輸出誤差,一定程度上提高了RBF神經(jīng)網(wǎng)絡的泛化能力。通過比較不同神經(jīng)網(wǎng)絡的應用效果,本文得出結論:對于人工神經(jīng)網(wǎng)絡實時性與精度的要求是矛盾的。應用時,視汽車仿真測試系統(tǒng)對于各方面的要求選擇合適的神經(jīng)網(wǎng)絡要求。例如,對于線下學習過程等對于精度要求較高的環(huán)境,可采用輸出誤差較低的cascade神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡