專利名稱：：一種計算機輔助的汽車底盤選型方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及計算機技術(shù)中的人工智能領(lǐng)域，主要是應(yīng)用神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的計算機輔助的汽車底盤選型方法。
背景技術(shù)：
：傳統(tǒng)的底盤選型方法，是依靠設(shè)計者豐富的知識和經(jīng)驗來保證設(shè)計的合理性。但是，要在設(shè)計的初期將各種因素進行十分全面地分析和考慮，選擇合適的底盤各總成型式及關(guān)鍵參數(shù)，難度相當大。而且，近年來新式的各底盤總成機構(gòu)不斷出現(xiàn)，新型的各底盤總成機構(gòu)不斷被采用，單純依靠設(shè)計者的個人經(jīng)驗來進行選型和設(shè)計的工作方式是不可取的。
發(fā)明內(nèi)容本發(fā)明的目的就是要克服上述不足，而提供一種計算機輔助的汽車底盤選型方法。先進的人工神經(jīng)網(wǎng)絡(luò)算法對于那些已擁有大量的數(shù)據(jù)，但對其內(nèi)部規(guī)律難以找到精確數(shù)學(xué)描述的問題，具有獨特的自學(xué)習(xí)能力，經(jīng)過學(xué)習(xí)和訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)能夠提取蘊藏在數(shù)據(jù)中內(nèi)部映射和聯(lián)系。因此，以最新車型數(shù)據(jù)庫作為支持，采用人工神經(jīng)網(wǎng)絡(luò)進行底盤各總成選型的嘗試，在實際工程應(yīng)用中有著重要的實際價值。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是這種計算機輔助的汽車底盤選型方法，輸入一定的底盤已知條件，通過神經(jīng)網(wǎng)絡(luò)算法模擬專家思維，建立單隱層反向傳播神經(jīng)網(wǎng)絡(luò)(BP網(wǎng))，輸入層為13個節(jié)點，隱層為10個節(jié)點，輸出層為22個節(jié)點。在擁有大量車型數(shù)據(jù)的數(shù)據(jù)庫的基礎(chǔ)上，選擇恰當?shù)臉颖緮?shù)據(jù)庫，對目標車輛各總成進行統(tǒng)計、分析，進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，加以推理，得出對于底盤結(jié)構(gòu)型式及其它參數(shù)的推理結(jié)果，并在此基礎(chǔ)上，實現(xiàn)底盤各總成的選型以及關(guān)鍵參數(shù)的確定。本發(fā)明的有益效果是，對于設(shè)計中條件描述不夠充分的汽車底盤選型設(shè)計問題，提供了有效的計算機支持。圖1是人工神經(jīng)網(wǎng)絡(luò)基本單元的神經(jīng)元模型。圖2是人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)示意圖。具體實施例方式下面結(jié)合附圖和實例對本發(fā)明進一步說明。本發(fā)明所述的這種基于神經(jīng)網(wǎng)絡(luò)的汽車底盤選型方法，其步驟是1)建立人工神經(jīng)元模型圖1所示為人工神經(jīng)網(wǎng)絡(luò)基本單元的神經(jīng)元模型，它有三個基本要素一組連接權(quán)(對應(yīng)于生物神經(jīng)元的突觸)，連接強度由各連接上的權(quán)值表示，權(quán)值為正表示激勵，為負表示抑制。一個求和單元，用于求取各輸入信息的加權(quán)和(線性組合)。一個非線性激勵函數(shù)，起非線性映射作用并限制神經(jīng)元輸出幅度在一定的范圍之內(nèi)(一般限制在或[-1，+1]之間)。此外還有一個閾值θk(或偏置bk＝-θk)。以上作用可以用數(shù)學(xué)式表達為uk=&Sigma;j=1pwkjxj]]>vk＝uk-θk(1)yk＝(vk)式中x1，x2，x3，...，xp為輸入信號，wk1，wk2，...，wkp為神經(jīng)元k之權(quán)值，uk為線性組合結(jié)果，θk為閾值。(·)為激勵函數(shù)，yk為神經(jīng)元k的輸出。在本發(fā)明中，激勵函數(shù)(·)采用Sigmoid函數(shù)，該函數(shù)具有平滑和漸進性，并保持單調(diào)性，其函數(shù)形式為其中參數(shù)α可控制其斜率。2)確定網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)從連接方式來看主要有兩種前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)，其中前饋型網(wǎng)絡(luò)的作用效果主要表現(xiàn)為函數(shù)映射，具有較強的模式識別和函數(shù)逼近的功能。本發(fā)明采用前饋型神經(jīng)網(wǎng)絡(luò)，以期達到類似于專家一樣對某些特定的數(shù)據(jù)進行逼近和類比推斷。3)確定人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法在本發(fā)明中采用監(jiān)督學(xué)習(xí)(有導(dǎo)師學(xué)習(xí))，這種學(xué)習(xí)方式需要對給定一組的輸入提供應(yīng)有的輸出結(jié)果，這組已知的輸入—輸出結(jié)果稱為訓(xùn)練樣本集，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)系統(tǒng)可根據(jù)已知的輸出與實際輸出之間的差值來調(diào)節(jié)系統(tǒng)參數(shù)。學(xué)習(xí)的規(guī)則采用delta學(xué)習(xí)規(guī)則，也稱為誤差糾正學(xué)習(xí)。它的數(shù)學(xué)表達為ek(n)＝dk(n)-yk(n)(3)其中yk(n)為當輸入為xk(n)時，神經(jīng)元k在n時刻的實際輸出，dk(n)表示應(yīng)有的輸出(可由訓(xùn)練樣本給出)。誤差糾正學(xué)習(xí)的最終目的是使某一基于ek(n)的目標函數(shù)達到最小，以使網(wǎng)絡(luò)中每一輸出單元的實際輸出在某種統(tǒng)計意義上逼近應(yīng)有輸出。一旦選定了目標函數(shù)形式，誤差糾正學(xué)習(xí)就變成了一個典型的最優(yōu)化問題，目標函數(shù)是均方誤差極小，因此定義誤差平方和的均值為J=E[12&Sigma;kek2(n)]&CenterDot;&CenterDot;&CenterDot;(4)]]>其中E為期望算子，上式的前提要求學(xué)習(xí)的過程是寬平穩(wěn)的，具體的方法可用最優(yōu)梯度下降法。直接用J作為目標函數(shù)是需要知道整個過程的統(tǒng)計特性，為解決這一問題，采用J在時刻n的瞬時值ξ(n)代替J，即&xi;(n)=12&Sigma;kek2(n)&CenterDot;&CenterDot;&CenterDot;(5)]]>問題變?yōu)榍螃?n)對權(quán)值w的極小值，根據(jù)梯度下降法可得Δwkj＝ηek(n)xj(n)(6)其中η為學(xué)習(xí)步長。在本發(fā)明中，所建立的神經(jīng)網(wǎng)絡(luò)希望能夠通過訓(xùn)練達到象專家一樣，能夠提供給用戶一種比較滿意的答案。在最初設(shè)計過程中，僅知道少量的參數(shù)就可以確定出整車設(shè)計中的主要參數(shù)。在神經(jīng)網(wǎng)絡(luò)中具體來說設(shè)網(wǎng)絡(luò)有p個輸入，q個輸出，則其作用可看作是由p維歐氏空間到q維歐氏空間的一個非線性映射。令(·)為有界、非常量的單調(diào)增連續(xù)函數(shù)，Ip代表p維單位超立方體p，C(Ip)表示定義在Ip上連續(xù)函數(shù)構(gòu)成的集合，則給定任何函數(shù)f∈C(Ip)和ε＞0，存在整數(shù)M和一組實常數(shù)αi、θl和wij，其中i＝1，…M，j＝1，2，…，p，使網(wǎng)絡(luò)輸出為可任意逼近函數(shù)f(·)，即|F(x1，x2，…，xp)-f(x1，x2，…，xp)|＜ε(8)(x1，…，xp)∈Ip上述結(jié)果說明只含一個隱層的前饋網(wǎng)絡(luò)是一種通用函數(shù)逼近器，為逼近一個連續(xù)函數(shù)一個隱層是足夠的。多層網(wǎng)絡(luò)可以解決非線性可分問題這一結(jié)論早已有了，由于有隱層后學(xué)習(xí)比較困難，限制了多層網(wǎng)絡(luò)的發(fā)展。通過反向傳播(BackPropagation)算法解決了這一困難。該方法其中有兩種信號在流通工作信號(用實線表示)，它是施加輸入信號后向前傳播直到在輸出端產(chǎn)生實際輸出的信號，是輸入和權(quán)值的函數(shù)。誤差信號(用虛線表示)，網(wǎng)絡(luò)實際輸出與應(yīng)有輸出間的差值即為誤差，它由輸出端開始逐層向后傳播。設(shè)在第n次迭代中輸出端的第j個單元的輸出為yj(n)，則該單元的誤差信號為ej(n)＝dj(n)-yj(n)(9)定義單元j的平方誤差為則輸出端總的平方誤差的瞬時值為&xi;(n)=12&Sigma;j&Element;cej2(n)&CenterDot;&CenterDot;&CenterDot;(10)]]>其中c包括所有輸出單元。設(shè)訓(xùn)練集中樣本總數(shù)為N個，則平方誤差的均值為&xi;AV=1N&Sigma;n=1N&xi;(n)&CenterDot;&CenterDot;&CenterDot;(11)]]>ξAV為學(xué)習(xí)的目標函數(shù)，學(xué)習(xí)的目的應(yīng)使ξAV達到極小，ξAV是網(wǎng)絡(luò)所有權(quán)值和閾值以及輸入信號的函數(shù)。下面就逐個樣本學(xué)習(xí)的情況來推導(dǎo)BP算法，第j個單元接受到前一層信號并產(chǎn)生誤差信號的過程，令單元j的凈輸入為netj(n)=vj(n)=&Sigma;i=0pwij(n)yi(n)&CenterDot;&CenterDot;&CenterDot;(12)]]>p為加到單元j上輸入的個數(shù)，則有yj(n)＝j(vj(n))(13)求ξ(n)對wij的梯度&PartialD;&xi;(n)&PartialD;wji=&PartialD;&xi;(n)&CenterDot;&PartialD;ej(n)&PartialD;yj(n)&PartialD;vj(n)&PartialD;ej(n)&PartialD;yj(n)&PartialD;vj(n)&PartialD;wji(n)---(14)]]>由于所以權(quán)值wji的修正量為&Delta;wji(n)=-&eta;&PartialD;&xi;(n)&PartialD;wji(n)=-&eta;&delta;j(n)yi(n)&CenterDot;&CenterDot;&CenterDot;(17)]]>負號表示修正量按梯度下降方向，其中稱為局部梯度。下面分兩種情況討論單元j是一個輸出單元，則δi(n)＝(dj(n)-yj(n))j′(vj(n))(19)單元j是隱單元，則當k為輸出單元時有&xi;(n)=12&Sigma;k&Element;Cek2(n)]]>將此式對yj(n)求導(dǎo)，&PartialD;&xi;(n)&PartialD;yj(n)=&Sigma;kek(n)&PartialD;ek(n)&PartialD;yj(n)=&Sigma;kek(n)&PartialD;ek(n)&PartialD;vk(n)&CenterDot;&PartialD;vk(n)&PartialD;yj(n)&CenterDot;&CenterDot;&CenterDot;(22)]]>由于ek(n)＝dk(n)-yk(n)＝dk(n)-k(vk(n))，所以而vk(n)=&Sigma;j=0qwkj(n)yj(n)&CenterDot;&CenterDot;&CenterDot;(24)]]>其中q為單元k的輸入端個數(shù)。該式對yj(n)求導(dǎo)，得于是有j為隱單元。根據(jù)以上推導(dǎo)，權(quán)值wji的修正量可表示為δj(n)的計算有兩種情況當j是一個輸出單元時，δj(n)為j′(vj(n))與誤差信號ej(n)之積。當j為一個隱單元時，δj(n)是j′(vj(n))與后面一層的δ的加權(quán)和之積。4)建立人工神經(jīng)網(wǎng)絡(luò)在本發(fā)明中，建立了單隱層反向傳播神經(jīng)網(wǎng)絡(luò)(BP網(wǎng))(學(xué)習(xí)原理見圖2)，輸入層為13個節(jié)點，隱層有10個節(jié)點，輸出層有22個節(jié)點，BP網(wǎng)算法的優(yōu)點是算法推導(dǎo)清楚，學(xué)習(xí)精度較高。根據(jù)所選的樣本數(shù)據(jù)庫，進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練時輸入、輸出的參數(shù)見表1。用完成歸一化的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，設(shè)置容許誤差為5E-4，以減少軸距及輪距計算后返回真實值的誤差。樣本的選擇是根據(jù)各種收集到的相關(guān)資料基礎(chǔ)上，綜合國內(nèi)轎車的相應(yīng)數(shù)據(jù)而確定了近千種車型中進行篩選，通過各類型車輛的統(tǒng)計分析，選擇出代表性的車型。<tablesid="table1"num="001"><tablewidth="699">序號字段意義輸入/輸出1整車總長輸入2總寬輸入3總高輸入</table></tables>表權(quán)利要求1.一種計算機輔助的汽車底盤選型方法，其特征是輸入一定的底盤已知條件，通過神經(jīng)網(wǎng)絡(luò)算法模擬專家思維，建立單隱層反向傳播神經(jīng)網(wǎng)絡(luò)，在擁有大量車型數(shù)據(jù)的數(shù)據(jù)庫的基礎(chǔ)上，選擇樣本數(shù)據(jù)庫，對目標車輛各總成進行統(tǒng)計、分析，進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，加以推理，得出對于底盤結(jié)構(gòu)型式及其它參數(shù)的推理結(jié)果，并在此基礎(chǔ)上，實現(xiàn)底盤各總成的選型以及關(guān)鍵參數(shù)的確定。2.根據(jù)權(quán)利要求1所述的計算機輔助的汽車底盤選型方法，其特征在于其步驟是1)建立人工神經(jīng)元模型它有三個基本要素一組連接權(quán)，連接強度由各連接上的權(quán)值表示，權(quán)值為正表示激勵，為負表示抑制，一個求和單元，用于求取各輸入信息的加權(quán)和；一個非線性激勵函數(shù)，起非線性映射作用并限制神經(jīng)元輸出幅度在一定的范圍之內(nèi)；此外還有一個閾值θk，以上作用可以用數(shù)學(xué)式表達為uk=&Sigma;j=1pwkjxj]]>vk＝uk-θk(1)yk＝(vk)式中x1，x2，x3，...，xp為輸入信號，wk1，wk2，...，wkp為神經(jīng)元k之權(quán)值，uk為線性組合結(jié)果，θk為閾值。(·)為激勵函數(shù)，yk為神經(jīng)元k的輸出；2)確定網(wǎng)絡(luò)結(jié)構(gòu)采用前饋型神經(jīng)網(wǎng)絡(luò)；確定人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法確定人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法采用監(jiān)督學(xué)習(xí)方法，給定訓(xùn)練樣本集，學(xué)習(xí)系統(tǒng)根據(jù)已知的輸出與實際輸出之間的差值來調(diào)節(jié)系統(tǒng)參數(shù)，學(xué)習(xí)的規(guī)則采用delta學(xué)習(xí)規(guī)則ek(n)＝dk(n)-yk(n)其中yk(n)為當輸入為xk(n)時，神經(jīng)元k在n時刻的實際輸出，dk(n)表示應(yīng)有的輸出，可由訓(xùn)練樣本給出；3)建立人工神經(jīng)網(wǎng)絡(luò)建立了單隱層反向傳播神經(jīng)網(wǎng)絡(luò)，輸入層為13個節(jié)點，隱層有10個節(jié)點，輸出層有22個節(jié)點，根據(jù)所選的樣本數(shù)據(jù)庫，進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練；用完成歸一化的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，設(shè)置容許誤差為5E-4，樣本的選擇是根據(jù)各種收集到的相關(guān)資料基礎(chǔ)上，綜合國內(nèi)轎車的相應(yīng)數(shù)據(jù)而確定了近千種車型中進行篩選，通過各類型車輛的統(tǒng)計分析，選擇出代表性的車型。3.根據(jù)權(quán)利要求2所述的計算機輔助的汽車底盤選型方法，其特征在于激勵函數(shù)(·)采用Sigmoid函數(shù)，該函數(shù)具有平滑和漸進性，并保持單調(diào)性，其函數(shù)形式為其中參數(shù)α可控制其斜率。全文摘要本發(fā)明主要是涉及一種計算機輔助的汽車底盤選型方法，輸入一定的底盤已知條件，通過神經(jīng)網(wǎng)絡(luò)算法模擬專家思維，建立單隱層反向傳播神經(jīng)網(wǎng)絡(luò)(BP網(wǎng))，輸入層為13個節(jié)點，隱層為10個節(jié)點，輸出層為22個節(jié)點。在擁有大量車型數(shù)據(jù)的數(shù)據(jù)庫的基礎(chǔ)上，選擇恰當?shù)臉颖緮?shù)據(jù)庫，對目標車輛各總成進行統(tǒng)計、分析，進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，加以推理，得出對于底盤結(jié)構(gòu)型式及其它參數(shù)的推理結(jié)果，并在此基礎(chǔ)上，實現(xiàn)底盤各總成的選型以及關(guān)鍵參數(shù)的確定。本發(fā)明的有益效果是，對于設(shè)計中條件描述不夠充分的汽車底盤選型設(shè)計問題，提供了有效的計算機支持。文檔編號G06N3/00GK1750010SQ20051006102公開日2006年3月22日申請日期2005年10月9日優(yōu)先權(quán)日2005年10月9日發(fā)明者黃建根,寧連利申請人:萬向錢潮股份有限公司