基于神經(jīng)網(wǎng)絡(luò)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(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)能力和良好的容錯能力,在實際問題中得到了廣泛的應(yīng)用。
　　針對

2、汽車仿真測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,本文提出將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于汽車仿真測試系統(tǒng)中的數(shù)據(jù)融合過程中的方法,并對其相關(guān)算法進(jìn)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(guān)心的汽車運行參數(shù)與時間的關(guān)系。
　　其次,針對汽車測試過程中,駕駛員所關(guān)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(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,對于BPNN,本文引進(jìn)了改進(jìn)化的LM學(xué)習(xí)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(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)用于汽車測試模型中,取得了良好的擬合效果。實驗

4、結(jié)果表明通過人工神經(jīng)網(wǎng)絡(luò)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(jìn)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(luò)的泛化能力。通過比較不同神經(jīng)網(wǎng)絡(luò)的應(yīng)用效果,本文得出結(jié)論:對于人工神經(jīng)網(wǎng)絡(luò)實時性與精度的要求是矛盾的。應(yīng)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(luò)要求。例如,對于線下學(xué)習(xí)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(luò)與BP神經(jīng)網(wǎng)絡(luò)