版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、一汽-大眾提出的汽車仿真測(cè)試系統(tǒng)是一個(gè)在實(shí)驗(yàn)室仿真汽車實(shí)際駕駛環(huán)境的,能大量節(jié)省汽車測(cè)試過(guò)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(duì)汽車CAN總線所采集測(cè)試信息的數(shù)據(jù)融合。
人工神經(jīng)網(wǎng)絡(luò)技術(shù)是上世紀(jì)末復(fù)興的一種數(shù)據(jù)處理技術(shù)。從理論上講,只要隱層節(jié)點(diǎn)數(shù)夠多,神經(jīng)網(wǎng)絡(luò)可以以任何精度逼近任意輸入輸出個(gè)數(shù)的非線性函數(shù)。此外,人工神經(jīng)網(wǎng)絡(luò)還具有很強(qiáng)的自主學(xué)習(xí)能力和良好的容錯(cuò)能力,在實(shí)際問(wèn)題中得到了廣泛的應(yīng)用。
針對(duì)
2、汽車仿真測(cè)試模型多輸入單輸出,且具有很復(fù)雜的非線性關(guān)系的特點(diǎn),本文提出將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于汽車仿真測(cè)試系統(tǒng)中的數(shù)據(jù)融合過(guò)程中的方法,并對(duì)其相關(guān)算法進(jìn)行了研究。
本文首先通過(guò)對(duì)CAN總線報(bào)文的解析,實(shí)現(xiàn)了汽車CAN總線上信息的下載,并通過(guò)MATLAB繪制出本文所關(guān)心的汽車運(yùn)行參數(shù)與時(shí)間的關(guān)系。
其次,針對(duì)汽車測(cè)試過(guò)程中,駕駛員所關(guān)心的特征量,本文建立了汽車測(cè)試模型,通過(guò)對(duì)模型輸出量影響因素的考察,確立了模型的輸入輸
3、出關(guān)系。
然后,本文選取了函數(shù)擬合領(lǐng)域近期最常用的3種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為本文的研究對(duì)象:BP神經(jīng)網(wǎng)絡(luò)、cascade神經(jīng)網(wǎng)絡(luò)以及RBF神經(jīng)網(wǎng)絡(luò)。分別介紹了3種神經(jīng)網(wǎng)絡(luò)的基本原理、網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)算法。其中,對(duì)于BPNN,本文引進(jìn)了改進(jìn)化的LM學(xué)習(xí)算法;而對(duì)于RBFNN,針對(duì)其泛化能力較差的特點(diǎn),本文提出了NRBF及分類RBF兩種改進(jìn)算法。
最后,本文將以上神經(jīng)網(wǎng)絡(luò)及改進(jìn)算法應(yīng)用于汽車測(cè)試模型中,取得了良好的擬合效果。實(shí)驗(yàn)
4、結(jié)果表明通過(guò)人工神經(jīng)網(wǎng)絡(luò)完成汽車仿真測(cè)試系統(tǒng)中的融合過(guò)程是可行和有效的。其中,兩種RBF模型的改進(jìn)算法確實(shí)有效降低了測(cè)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(luò)的泛化能力。通過(guò)比較不同神經(jīng)網(wǎng)絡(luò)的應(yīng)用效果,本文得出結(jié)論:對(duì)于人工神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)性與精度的要求是矛盾的。應(yīng)用時(shí),視汽車仿真測(cè)試系統(tǒng)對(duì)于各方面的要求選擇合適的神經(jīng)網(wǎng)絡(luò)要求。例如,對(duì)于線下學(xué)習(xí)過(guò)程等對(duì)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(luò)與BP神經(jīng)網(wǎng)絡(luò)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的信息融合算法研究.pdf
- 基于粗糙集與神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合算法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合研究和仿真.pdf
- 基于粗神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像融合算法.pdf
- 基于神經(jīng)網(wǎng)絡(luò)和濾波理論的信息融合算法研究.pdf
- 基于模糊神經(jīng)網(wǎng)絡(luò)的圖像特征級(jí)信息融合算法研究.pdf
- 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的多聚焦圖像融合算法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合改進(jìn)算法研究.pdf
- 深度卷積神經(jīng)網(wǎng)絡(luò)隱層特征融合算法研究.pdf
- 一種基于LCLS模型的神經(jīng)網(wǎng)絡(luò)圖像融合算法的研究.pdf
- 基于網(wǎng)絡(luò)的Multi-MEMS數(shù)據(jù)融合算法的研究.pdf
- 一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合選線方法研究及仿真.pdf
- 基于遺傳算法的WSN網(wǎng)絡(luò)層數(shù)據(jù)融合算法研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)系統(tǒng)仿真模型和算法研究.pdf
- 交通系統(tǒng)數(shù)據(jù)融合算法研究.pdf
- 融合模糊與神經(jīng)網(wǎng)絡(luò)技術(shù)的數(shù)據(jù)挖掘算法研究.pdf
- 基于無(wú)線傳感器網(wǎng)絡(luò)的動(dòng)態(tài)數(shù)據(jù)融合算法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的多目標(biāo)跟蹤數(shù)據(jù)融合研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合的水下目標(biāo)檢測(cè)識(shí)別研究.pdf
評(píng)論
0/150
提交評(píng)論