基于人工神经网络的汽车座椅舒适度评价模型

第11卷第5期2008年9月

工业工程

I ndustr i a l Eng i n eer i n g Journa l

Vol .11No .5

Sep te mber 2008

收稿日期:200721128

基金项目:国家自然科学基金资助项目(70672077)

作者简介:马佳(19692),男,山东省人,硕士,主要研究方向为汽车坐椅舒适性.

基于人工神经网络的汽车座椅舒适度评价模型

马　佳1

,范智声1

,李飞飞2

,阮　莹2

,苏　强

2

(1.李尔中国工程技术中心,上海201200;2.上海交通大学工业工程与管理系,上海200240)

摘要:针对汽车座椅舒适度评价方法研究的不足,探讨压力分布与舒适度之间的关系;引入人工神经网络,建立了基于BP 神经网络的汽车座椅舒适度评价模型。通过真人真车实验获取36组样本数据,对神经网络进行训练并建立了评价模型。实例验证该模型能够根据座椅压力分布较为准确地预测出座椅舒适度水平。关键词:汽车座椅舒适度;BP 神经网络;压力特征;评价模型

中图分类号:U463.83 文献标识码:A 文章编号:100727375(2008)0520106204

Eva lua ti on of Autom ob ile Sea t Co m fort Ba sed on Arti f i c i a l Neura l Networks

Ma J ia 1

,Fan Zhi 2sheng 1

,L i Fei 2fei 2

,Ruan Ying 2

,Su Q iang

2

(1.Lear China Engineering Center,Shanghai 201200,China;

2.Depart m ent of I ndustrial Engineering and Manage ment,Shanghai J iaot ong University,Shanghai 200240,China )

Abstract:This paper investigates the relati onshi p bet w een the surface p ressure and the corres ponding com 2f ort level of aut omobile seats .A model f or evaluating the comf ort level is constructed based on artificial neural net w orks .36sa mp les are used t o train the neural net w ork .It is de monstrated that the model can be used t o p redict the comf ort level .

Key words:aut omobile seat comf ort;artificial neural net w ork;p ressure distributi on;evaluati on model

据中国消费者报报道:目前我国各种车辆累计

已达上亿辆,患上驾驶员腰痛职业病的人数也日益

增多[1]

。随着汽车技术的进步及其在百姓中的普及,人们对汽车的要求越来越高。人们在追求安全、节能、美观等特性的基础上,越来越关注汽车驾驶的舒适性。其中,汽车座椅舒适性则是整车舒适性的主导因素,因此座椅舒适性研究受到企业的高度关注[2]

。对座椅生产厂家来说,建立一套客观有效的座椅舒适度评价方法具有重要的意义。

研究认为,座椅-人体界面的压力分布对能否使乘坐者保持良好坐姿,减少人体疲劳有重要影响,与座椅舒适度之间有很强的相关性;通过改变人体姿势、座椅尺寸及角度等可以改变压力分布特征等[324]。通过压力分布特征来评价座椅舒适性是较

综合、客观的方法[527]。David Ng [6]

研究了汽车座椅上不同区域的压力分布比例与座椅舒适度的关系。

Kolich M [7]

利用压力特征量和人体测量学量建立了

舒适度评价的多元线性回归模型,并利用Neur o 2

Shells Predict or 软件(一种类神经网络预测系统)建立了神经网络预测模型;同时,Kolich M 也指出,舒适性的评价具有时代性、地域性等特点。本文作者针对中国人人体特征,在国内某汽车工程实验室进行真人真车实验,获取36组压力特征量、人体测量学量及对应的主观舒适度评分数据。在此基础上,应用人工神经网络技术建立了压力分布特征量与主观舒适度评分之间的预测模型,并应用V isual Basic 6.0设计实现了舒适度评价软件。

1　座椅压力分布与舒适度的关系研究

所谓压力分布,就是乘员坐在座椅上,保持良好乘坐姿势下,座椅-人体界面各部位的压力大小。

压力分布是决定座椅舒适性的重要因素[8]

。然而,合理的座椅体压分布并不是压力平均分布,而是根

　第5期马　佳,范智声,李飞飞:基于人工神经网络的汽车座椅舒适度评价模型

据人体骨骼和肌肉受力特征存在一定梯度。具体如

下。

1)在座垫上,坐骨处最大,向四周逐渐减小,大

腿下面的压力最小;

2)在靠背上,肩靠和腰垫处两点支撑,压力最

大,沿此两点向外逐渐减小;

3)另外,左右两边压力应当对称分布,见图1[9]

。

图1　汽车座椅合理的体压分布

为了得到适合我国人体特征的座椅压力分布,研究者在上海李尔中国工程技术中心实验室进行了大量实验。实验共选取了20位实验对象,

其中男性16人,女性4人,年龄在24～42岁之间,身高在155～181c m之间,体重在50～87kg之间,基本符合正态分布,且能基本覆盖中国人体尺寸的90%。实验过程中使用两辆舒适度等级不同的真车,利用XSE NS OR压力分布测试及分析系统获取压力数据。

实验时乘坐者可任意调整座椅姿势,直至取得舒适坐姿。然后读取压力特征数据,包括坐垫的平均压强、最大压强、接触面积和靠背的平均压强、最大压强、接触面积;同时实验者对汽车座椅舒适性给出自己的评分(打分范围为0到10分,0分为极端不舒适,10分为极端舒适)。共获得40组数据,有效数据36组。其中由于2位实验者穿着的后裤兜中装有钥匙,使得4组压力分布出现奇大值,从而无法支持正常分析,舍弃其数据。

图2所示是实验中在XSENS OR压力测试系统中获取的图像。为便于对比,本文选取舒适度评分最高和最低的2个图像做对比,即评分为9分的图像(图2a)及评分为5分的图像(图2b)。将2图像与图1所示理论合理压力分布图像对比,显然得分为9分的图像更符合理论合理体压分布。这表明压力分布图象能在某种程度上反映座椅舒适度水平。 根据实验数据,用M initab软件分析各压力特征量与舒适度评分间的线性相关系数,结果如表1所示。

由表1可得,座椅舒适度(即舒适度评价得分)与单个压力特征量之间线性相关系数非常小,可以认为不存在线性相关关系。

图2　实验中不同得分的压力分布图像对比表1　舒适度评分与6个压力特征量的相关系数压力特征量相关系数

坐垫平均压强-0.03708

坐垫最大压强-0.02331

坐垫接触面积-0.04343

靠背平均压强0.09926

靠背最大压强0.275933

靠背接触面积0.103011

由以上分析可知,压力分布特征能够反映座椅舒适度,但这种关系并非简单的线性关系。所以需建立一种非线性模型描述压力分布特征与舒适度间的关系。人工神经网络模型可以描述任意的非线性关系。下面将讨论利用人工神经网络模型建立压力特征量与舒适度评价的关系模型。

2　应用人工神经网络的合理性

人工神经网络由大量的处理单元连接而成,是一个大规模的非线性自适应系统。它模拟人脑神经网络处理、记忆信息的方式进行信息处理,可以通过预先提供的一批相互对应的输入-输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果[10]。

人工神经网络由于具有自学习、自组织、较好的容错性和优良的非线性逼近能力,而被广泛应用于预测、分类、模式识别和过程控制等各种数据处理场合。其中,BP神经网络(多层前向反馈神经网络)是目前应用最为广泛的一种人工神经网络,它采用误差反向传播学习算法,不断调整层间权重,从而使网络的实际输出更接近理想输出,具有简单、易行、计算量小、并行性强等优点[10]。

701

工　业　工　程第11卷　

应用人工神经网络建立舒适度评价模型具有如下的合理性。

1)人工神经网络能模拟人脑机能,从而可以较好地模拟驾驶员的判断过程。

2)人工神经网络有优良的非线性逼近能力,能够准确描述压力特征量与舒适评分之间的非线性关系。

3)人工神经网络具有自学习能力,通过对大量样本学习建立的关系模型能在一定程度上消除主观性及随机性的影响。

4)不同区域的人因其自身生理特征对舒适度感知不同,可以选择适合本地区的样本数据训练人工神经网络,从而建立适合本地区特征的舒适度评价模型。

3　基于BP 神经网络的舒适度评价模型

3.1　样本获得及数据处理

如前所述,实验中共获取有效数据36组,选取30个作为训练样本,剩余6个作为验证样本。

神经网络的输入参数分别为:坐垫平均压强、坐

垫最大压强、坐垫接触面积、靠背平均压强、靠背最大压强、靠背接触面积、乘坐者的身高、乘坐者的体重。其中前6个参数是重要的压力特征描述量;后2个参数是重要的人体测量学参数,在很大程度上影响着乘客-座椅表面的压力分布。

神经网络输出为乘坐者的主观舒适度评分。为提高网络的泛化能力,对上述输入参数进行归一化处理,处理公式为

X f =X -X m in

X max -X m in

。

式中,X 为向量归一化之前的数值;X max 及X m in

分别为所有样本中该向量的极大值和极小值;X f 为

归一化之后的数值,作为神经网络的输入量。3.2　神经网络结构及参数的选择

本文采用BP 神经网络,误差传递函数采用Sig 2moid 函数。设定学习效率为018;控制误差为0.000001;为避免陷入死循环,设定最大循环次数为20000次。

研究认为,仅含有一个隐含层的BP 神经网络,通过改变节点个数,就能够以任意精度逼任意的n

维到m 维的映射[11]

。因此本研究中建立的神经网络模包含一个隐含层。

用试凑法确定隐含层节点个数。表2为不同隐含层节点个数的神经网络经过10000次训练后的误差值。隐含层含11节点和17节点的网络逼近效果较好,但隐含层为11节点的网络泛化能力较差,因此确定隐含层节点为17个。

表2　不同隐含层节点个数时的网络误差值

隐层节点个数

网络误差值隐层节点个数网络误差值104.1039E -02156.8770E -06112.6303E -06169.9130E -02121.2640E -05172.6640E -06131.2640E -05182.7320E -0414

1.0116E -05

3.3　网络训练

为了方便应用,作者应用V isual Basic 6.0开发了神经网络预测软件,网络训练过程中,误差随迭代次数的变化情况如图3所示。

经过11116次训练后,神经网络达到要求的训练精度。训练效果如表3所示。

图3　网络训练过程中样本均方误差随训练次数的变化图像

表3　BP 神经网络训练效果

样本序号

实际得分

网络输出样本序号

实际得分

网络输出样本序号

实际得分

网络输出165.9991177.0102188.037299.0321277.0122255.019366.0141377.0092355.026455.0171488.0112477.032588.0161566.0122587.989699.0041677.0192687.995788.0131788.0182799.001888.0071888.0212877.004977.0111988.0272954.99910

5

5.010

20

8

8.020

30

5

5.000

8

01

　第5期马　佳,范智声,李飞飞:基于人工神经网络的汽车座椅舒适度评价模型

3.4　网络验证

利用剩余的6个样本作为验证样本输入网络,验证结果如表4所示。

由表4可知,BP神经网络给出的评价结果与实际评价结果接近,个别样本如第1组误差较大,但考虑到舒适度评价中主观因素的存在,这样的评价结果仍是可以接受的。

表4　BP神经网络验证效果

序号真实打分值网络输出值误差

175.9641.034

277.4820.483

388.2370.245

499.3910.391

577.8830.883

666.6060.621

4　结论及展望

本文建立了基于BP神经网络和压力分布特征的汽车座椅舒适度评价模型。利用该模型,仅需要输入实验中获得的压力数据及人体测量学数据,就可由网络给出舒适度评分。作为汽车座椅舒适度的一种定量评价方法,该模型评价客观快速,可节省大量人力、物力。

进一步研究中可通过增加样本量、增加神经网络输入参数(如压力梯度、实验者体形RP I指数)等,提高神经网络的容错性及可适应性。参考文献:

[1]关注驾驶员腰痛职业病:“汽车座椅”影响健康[N].中国

消费者报,2004207201.

[2]王正华,喻凡,庄德军.汽车座椅舒适性的主观和客观评价

[J].汽车工程,2006,28(9):8172819.

[3]Na Seokhee,L i m Sunghyun,Choi Hwa2Soon,et al.Evaluati on

of driver’s discomf ort and postural change using dyna m ic body p ressure distributi on[J].I nternati onal Journal of I ndustrial Er2 gonom ics,2005,35(12):108521096.

[4]M ehta C R,Te wariV K.Seating discomf ort for tract or operat ors

2a critical review[J].I nternati onal Journal of I ndustrial Ergo2 nom ics,2000,25(6):6612674.

[5]W assi m El Fal ou,Jacques Duchene,M ichel Grabisch,etal.E2

valuati on of driver discomfort during l ong2durati on car driving [J].App lied Ergonom ics,2003,34(3):2492255.

[6]David Ng,Tom Cassar,Clifford M Gr oss.Evaluati on of an in2

telligent seat syste m[J].App lied Ergonom ics,1995,26(2): 1092116.

[7]Kolich M,Seal S Taboun.Aut omobile seat comfort p redicti on:

statistical model vs.artificial neural net w J].App lied Er2 gonom ics,2004,35(3):2752284.

[8]郑勋.汽车座椅的舒适性评价[J].汽车科技,1995(6):

16223.

[9]陈润灿.汽车座椅弹性元件的舒适结构设计原则[J].广

东公路交通,1995(2):53258.

[10]袁曾任.人工神经元网络及其应用[M].北京:清华大学

出版社,l999:5214,66277.

[11]杨建刚.人工神经网络实用教程[M].杭州:浙江大学出

版社,2002:44.

901

汽车性能评价指标

汽车性能评价指标 汽车性能到底与哪些参数有关？通常用来评定汽车的性能指标主要有：动力性、燃油经济性、制动性、操控稳定性、平顺性以及通过性等。 动力性 汽车的动力性是用汽车在良好路面上直线行使时所能达到的平均行驶速度来表示。汽车动力性主要用三个方面的指标来评定：最高车速；汽车的加速时间；汽车所能爬上的最大坡度。 最高车速——是指汽车在平坦良好的路面上行驶时所能达到的最高速度。数值越大，动力性就越好。 汽车的加速时间——表示汽车的加速能力也形象的称为反映速度能力，它对汽车的平均行驶车速有很大的影响，特别是轿车，对加速时间更为重要。 常用原地起步加速时间以及超车加速时间来表示。 汽车的爬坡能力——用满载时的汽车所能爬上的最大坡度。 燃油经济性 汽车的燃油经济性常用一定工况下汽车行驶百公里的燃油消耗量或一定燃油量能使汽车行驶的里程来衡量。在我国及欧洲，汽车燃油经济性指标的单位为L/100km，而在美国，则用MPG或mi/gall表示，即每加仑燃油能行驶的公里数。燃油经济性与很多因素有关，如行驶速度，当汽车在接近于低速的中等车速行驶时燃油消耗量最低，高速时随车速增加而迅速增加。另外，汽车的保养与调整也会影响到汽车的油耗量。 制动性 汽车行驶时在短距离内停车且维持行驶方向稳定，以及汽车在长坡时维持一定车速的能力成为汽车的制动性。汽车的制动性能指标主要有制动效能、制动效能的恒定性、制动时汽车的方向稳定性、汽车的制动过程。

制动效能——汽车的制动距离或制动减速度，用汽车在良好路面上以一定初速度制动到停车的制动距离来评价，制动距离越短制动性能越好。 制动效能的恒定性——制动器的抗衰退性能，是指汽车高速行驶下长坡连续制动时，制动器连续制动效能保持的程度。 制动时汽车的方向稳定性——汽车制动时不发生跑偏、侧滑以及失去转向能力的性能。目前主流车型均配置ABS、ESP等配置就是提高方向稳定性。 汽车的制动过程——主要是指制动机构的作用时间。 操控稳定性 汽车的操控稳定性是指司机在不感到紧张、疲劳的情况下，汽车能按照司机通过转向系统给定的方向行驶，而当遇到外界干扰时，汽车所能抵抗干扰而保持稳定行驶的能力。汽车操控稳定性通常用汽车的稳定转向特性来评价。转向特性有不足转向、过度转向以及中性转向三种状况。有不足转向特性的汽车，在固定方向盘转角的情况下绕圆周加速行驶时，转弯半径会增大；有过度转向特性的汽车在这种条件下转弯半径则会逐渐减小；有中性转向特性的汽车则转弯半径不变。易操控的汽车应当有适当的不足转向特性，以防止汽车出现突然甩尾现象。 行驶平顺性 汽车平顺性是保持汽车在行驶过程中，乘员所处的振动环境具有一定的舒适度的性能。这与汽车的底盘参数、车身几何参数，以及汽车的动力性以及操控性等有密切关系。 通过性 通过性是指车辆通过一定情况路况的能力。通过能力强的车子，可以轻松翻越坡度较大的坡道，可以放心的驶入一定深度的河流，也可以高速的行驶在崎岖不平的山路上，在城市中也不用为停车上下马路牙子而担心。总之它可以使你比其他车辆更可能去你想去的地方，让你体验到征服自然的感觉。 汽车使用性能指标

室内环境舒适度评价分析实验报告

室内热舒适环境评价 实验报告 学院： 专业班级： 组长： 组员： 组员： 组员： 实施时间：

1.掌握用室内环境的测试参数计算 PMV 值的方法。 2.对问卷进行总结归纳，对不同人群（如男生和女生，进餐时间长短，室内待 了多久，籍贯），对室内热舒适度做出的的不同反应进行对比分析，以得到不同人群在相同室内环境感受的热舒适度有哪些不同。 二、实验原理 人类对建筑室内环境的评价由室内热湿环境、室内空气质量、建筑光环境、建筑声环境等组成，由于室内声环境将在实验三详细阐述，在本实验中就不做过多说明。 室内热湿环境是对室内空气温度、空气湿度、气流速度和环境热辐射的总称。室内热环境是指影响人体冷热感觉的环境因素，也可以说是人们在房屋内对可以接受的气候条件的主观感受。影响室内环境的因素，除了人们的衣着、活动强度外，主要包括室内温度、室内湿度、气流速度以及人体与房屋墙壁、地面、屋顶之间的辐射换热（简称环境辐射）。人体与环境之间的热交换是以对流和辐射两种方式进行，其中对流换热取决于室内空气温度和气流速度，辐射换热取决于围护结构内表面的平均辐射温度。适宜的室内热环境是指室内空气温度、湿度气流速度以及环境热辐射适当，使人体易于保持热平衡从而感到舒适的室内环境条件。空气温度、空气湿度和气流速度对人体的冷热感觉能够产生影响，这一点容易被人们所感知、所认识，但环境热辐射对人体冷热感产生的影响，往往不易被人们所感知、所认识。例如在冬季的采暖房屋中，人们常常关注室内空气温度是否达到要求，而并没有注意到单层玻璃以及屋顶和外墙保温不足，内表面温度过低，对人体冷热感产生的影响。 室内空气品质（IAQ）是影响人群在建筑中健康的主要因素之一，室内空气污染会危害人身体健康还会影响人们的工作效率，为此国家规定送入建筑的最小新风量必须满足使人健康的在其中工作，已有的研究表明，增加室内通风换气量能减轻病态建筑综合症人员的症状。 室内光环境的要求从只要求“亮”逐渐发展到今天要有合理的照度和光亮分布、正确的投光方向，以达到满足人们的视觉和心理要求。

基于人工神经网络的通信信号分类识别

基于人工神经网络的通信信号分类识别 冯 涛 (中国电子科技集团公司第54研究所,河北石家庄050081) 摘 要 通信信号的分类识别是一种典型的统计模式识别问题。系统地论述了通信信号特征选择、特征提取和分类识别的原理和方法。设计了人工神经网络分类器,包括神经网络模型的选择、分类器的输入输出表示、神经网络拓扑结构和训练算法,并提出了分层结构的神经网络分类器。 关键词 模式识别;特征提取;分类器;神经网中图分类号 TP391 文献标识码 A Classification and Identification of Communication Signal Using Artificial Neural Networks FE NG Tao (T he 54th Research Institute of CETC,Shijia zhuan g Hebei 050081,China) Abstract The classification and identificati on of communication signal is a typical statistical pattern identification.The paper discusses the theory and method of feature selection,feature extraction and classi fication &identificaiton of communication signal.A classifier based on artificial neural networks is designed,includin g the selection of neural network model,the input and output expression of the classifier,neural network topology and trainin g algorithm.Finally a hierarchical archi tecture classifier based on artificial neural networks is presented. Key words pattern recognition;features extraction;classifier;neural networks 收稿日期:2005-12-16 0 引言 在通信对抗侦察中,侦察接收设备在截获敌方通信信号后,必须经过对信号的特征提取和对信号特征的分析识别,才能变为有价值的通信对抗情报。通过对信号特征的分析识别,可以得到信号种类、通信体制、网路组成等方面的情报,从而为研究通信对抗策略、研制和发展通信对抗装备提供重要参考依据。 1 通信信号分类识别的原理 通信信号的分类识别是一种典型的模式识别应用,其作用和目的就是将某一接收到的信号正确地归入某一种类型中。一般过程如图1 所示。 图1 通信信号分类识别的一般过程 下面简单介绍这几部分的作用。 信号获取:接收来自天线的信号x (t),并对信号进行变频、放大和滤波,输出一个中频信号; A/D 变换:将中频模拟信号变换为计算机可以运算的数字信号x (n); 以上2步是信号空间x (t)到观察空间x (n )的变换映射。 特征提取:为了有效地实现分类识别,必须对原始数据进行变换,得到最能反映分类差别的特征。这些特征的选择和提取是非常重要的,因为它强烈地影响着分类器的设计和性能。理想情况下,经过特征提取得到的特征向量对不同信号类型应该有明显的差别; 分类器设计和分类决策:分类问题是根据识别对象特征的观察值将其分到某个类别中去。首先,在样本训练集基础上确定合适的规则和分类器结构,然后,学习训练得到分类器参数。最后进行分类决策,把待识别信号从特征空间映射到决策空间。 2 通信信号特征参数的选择与特征提取 2 1 通信信号特征参数的选择 选择好的特征参数可以提高低信噪比下的正确 识别率,降低分类器设计的难度,是基于统计模式识别方法最为关键的一个环节。试图根据有限的信号 信号与信息处理 24 2006Radio Engineering Vo1 36No 6

人工神经网络大作业

X X X X大学 研究生考查课 作业 课程名称：智能控制理论与技术 研究生姓名：学号： 作业成绩： 任课教师(签名) 交作业日时间：2010年12月22日

人工神经网络(artificial neural network，简称ANN)是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能元件(即人工神经元)，按各种不同的联结方式组成的一个网络。模拟大脑的某些机制，实现某个方面的功能，可以用在模仿视觉、函数逼近、模式识别、分类和数据压缩等领域，是近年来人工智能计算的一个重要学科分支。 人工神经网络用相互联结的计算单元网络来描述体系。输人与输出的关系由联结权重和计算单元来反映，每个计算单元综合加权输人，通过激活函数作用产生输出，主要的激活函数是Sigmoid函数。ANN有中间单元的多层前向和反馈网络。从一系列给定数据得到模型化结果是ANN的一个重要特点，而模型化是选择网络权重实现的，因此选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法就能得到包含学习训练样本范围的输人和输出的关系。如果用于学习训练的样本不能充分反映体系的特性，用ANN也不能很好描述与预测体系。显然，选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法是ANN的重要研究内容之一，而寻求应用合适的激活函数也是ANN研究发展的重要内容。由于人工神经网络具有很强的非线性多变量数据的能力，已经在多组分非线性标定与预报中展现出诱人的前景。人工神经网络在工程领域中的应用前景越来越宽广。 1人工神经网络基本理论[1] 1.1神经生物学基础 可以简略地认为生物神经系统是以神经元为信号处理单元,通过广泛的突触联系形成的信息处理集团,其物质结构基础和功能单元是脑神经细胞即神经元(neu ron)。(1)神经元具有信号的输入、整合、输出三种主要功能作用行为。突触是整个神经系统各单元间信号传递驿站,它构成各神经元之间广泛的联接。(3)大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物,其变化是先天遗传信息确定的总框架下有限的自组织过程。 1.2建模方法 神经元的数量早在胎儿时期就已固定,后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系,这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法:①神经生物学模型方法,即根据微观神经生物学知识的积累,把脑神经系统的结构及机理逐步解释清楚,在此基础上建立脑功能模型。②神经计算模型方法,即首先建立粗略近似的数学模型并研究该模型的动力学特性,然后再与真实对象作比较(仿真处理方法)。 1.3概念 人工神经网络用物理可实现系统来模仿人脑神经系统的结构和功能,是一门新兴的前沿交叉学科,其概念以T.Kohonen.Pr的论述最具代表性:人工神经网络就是由简单的处理单元(通常为适应性)组成的并行互联网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 1.4应用领域 人工神经网络在复杂类模式识别、运动控制、感知觉模拟方面有着不可替代的作用。概括地说人工神经网络主要应用于解决下述几类问题:模式信息处理和模式识别、最优化问题、信息的智能化处理、复杂控制、信号处理、数学逼近映射、感知觉模拟、概率密度函数估计、化学谱图分析、联想记忆及数据恢复等。 1.5理论局限性 (1)受限于脑科学的已有研究成果由于生理试验的困难性,目前对于人脑思维与记忆机制的认识尚很肤浅,对脑神经网的运行和神经细胞的内部处理机制还没有太多的认识。 (2)尚未建立起完整成熟的理论体系目前已提出的众多人工神经网络模型,归纳起来一般都是一个由节点及其互连构成的有向拓扑网,节点间互连强度构成的矩阵可通过某种学

BP神经网络的网络学习评价模型

20 摘 要：研究网络学习评价问题对推动网络教学资源的使用具有十分重要的意义，传统的网络学习评价方法具有很强的主观性，且仅限于线性模型，缺少科学性。为克服传统网络学习评价方法的不足，实现网络学习评价的智能化，提出了一种基于BP 神经网络的的网络学习评价模型，并利用MA TLAB 进行实验仿真，测试结果表明，该评价模型准确率高，能为网络学习评价提供可靠数据。 关键词：神经网络；MATLAB ；网络学习评价 中图分类号：TP183 文献标识码：A 随着教育信息技术的进一步推广和网络教学资源的不断丰富，网络学习作为一种主要学习方式已经被越来越多的人所接受。近几年，各级精品课程、网络课程的建设所取得的成效已是有目共睹，但重建设、轻使用的现象已成为困扰今后精品课程、网络课程建设的主要因素。教学资源之所以建 起来容易用起来难，原因是多方面的，但网络学习评价机制不健全无疑是其中的一个重要方面。[1] 全面地、科学地评价网络学习，对推动网络教学资源的使用具有十分重的意义。 而传统评价法是在评价指标体系中明确各项指标的权重，使用线性模型进行计算，这种方法缺陷是权值的确定具有很强的主观性，且评价只限线性模型。由于影响网络学习质量的因素很多，且各因素影响的程度也不同，很难用一个线性模型来表达他们之间的函数关系，属于复杂的非线性分 类问题。[2] 而人工神经网络作为一种智能计算技术, 以其非线性映射并具有学习能力等基本特性已广泛应用于模式识别和非线性分类问题。 1网络学习评价问题的提出 网络学习评价问题实质上属于模式识别中的一个分类问题，即根据学生网络学习的各种数据，依据网络学习评价指标体系，对数据进行分析、处理，并得出学生网络学习评价等级。设 n x x x ,,,21 为网络学习评价的n 个评价指标，y 为网络学习评价结果等级，网络学习评价结果等级与评价指标的关系可表示为),,,(21n x x x f y ，进行网络学习评价就是找出评价指标n x x x ,,,21 与评价等级y 之间的函数关系。 2网络学习评价指标体系构建 要进行网络学习评价，首先必须确定网络学习评价的内容和评价标准，即评价的指标体系。在 分析已有的网络学习评价体系的基础上，根据学习评价的基本原则与方法，从学习态度、学习过程和学习效果3个方面构建评价指标（如图1所示）。 第11卷第1期 广州职业教育论坛 Vol.11 No.1 2012年2月 GUANGZHOU VOCATIONAL EDUCATION FORUM Feb. 2012

模糊推理神经网络诊断模型案例

模糊推理神经网络诊断模型案例 [摘要]本文基于通用神经网络的自适应性和诊断的建模方法，建立了一种新的故障诊断模型一模糊神经网络诊断模型，并对它的智能诊断机理和突出特点进行了深入分析。最后，将该诊断模型应用于某大型汽轮发电机组故障诊断中，分析得出它具有明显的提高诊断精确度的优越性。 [关键词]神经网络故障诊断智能诊断 1模糊推理神经网络诊断模型建立 1．1通用网络模型自适应动态特性 比较两类典型的神经网络一前向BP网络与反馈Hopfied网络，可以发现其核心是单层神经网络，则两类网络可以用一个通用神经网络模型来描述。根据点集拓扑理论和人工神经网络空间概念，对这个通用神经网络模型的特征进行分析得出以下两个结论，证明从略。 定理1神经网络空间在紧集上的连续函数空间C上以及按L2范数在平方可积函数空间I上都是稠密的。 推论1由通用神经网络模型所生成的任何开集可以一致逼近紧集上的连续映射函数f∈C(Rn。Rm)。 由推论1表明，通用网络模型所概括的任何开集(如BP网络、Hopfied网络、BAM网络)通过自学习都能一致逼近紧集上的连续映射函数f∈(Rn，Rm)，因而具有良好的自学习、自适应动态特性。 1．2诊断建模方法 设xjn(j=1，2，...，k)对应反映设备运行状态第n个观测样本的k个特征参数，yin，(i=1，2，...l)对应第n个样本的1种故障模式，共有N个样本xjn∈RN，yin∈RN，[n=1，2，...，N)，则故障模式向量Y={yin，i=1，2，...，l}与特征参数向量x={xin，i=1，2，...，k}间的内在关系用函数P表示，有：X=P(Y)。当N→∞时，函数P的逆函数存在，以函数S表示，有：Y=S(X) 诊断问题建模的实质就是根据有限的样本集，确定函数S(X)的一等价映射关系SS(X)，使得对于任意的ε>0，满足：

汽车的主要性能指标

汽车的主要性能包括动力性、燃油经济性、制动性、操纵稳定性、行驶平顺性、通过性、排放及噪声污染等。 （5）汽车的动力性。汽车的动力性可用三个指标来评定，即汽车的最高车速、加速能力和爬坡能力。汽车的最高车速是在平坦良好的路面（沥青铺设路面）所能达到的最高行驶速度。随着我国高速公路网的快速发展，目前，我国汽车的最高车速均已超过"$$ 公里& 小时。 汽车的加速能力是指汽车在行驶中迅速增加行驶速度的能力。汽车的加速能力常用汽车原地起步的加速性和超车加速性来评价。原地起步加速一般常用$ ’($ 公里& 小时所需时间多少来表示。超车加速的时间越短越好。汽车的爬坡能力是指汽车满载时，在良好的路面上以最低前进挡所能爬行的最大坡度。 （6）汽车的燃油经济性。汽车在一定的使用条件下，以最小的燃油消耗量完成单位运输工作的能力称为其燃油经济性。我国和欧洲一样，均用百公里耗油多少升来作为汽车燃油经济性指标。 （7）汽车的制动性。汽车的制动性能主要从制动效能、制动抗热衰退性和制动时汽车的方向稳定性这三个方面来评价。 1）汽车的制动效能。是指汽车迅速降低行驶速度直至停车的能力。制动效能是制动性能最基本的评价指标。它是由一定初速度下的制动时间、制动距离和制动减速度来评定。由于制动距离与行车安全有直接关系，因此，交通管理部门常按制动距离来制定安全法规。 2）汽车的制动抗热衰退性。是指汽车高速制动、短时间内多次重复制动或下长坡连续制动时制动效能的热稳定性。 3）汽车制动时的方向稳定性。是指汽车在制动时，按指定轨迹行驶的能力，即不发生跑偏、侧滑或甩尾失去转向能力。 （8）汽车的操纵稳定性。汽车的操纵稳定性包含着互相联系的两部分内容，一是操纵性，二是稳定性。操纵性是指汽车能及时准确地按驾驶员的转向指令转向；稳定性则是指汽车受到外界干扰后，能自行恢复正常行驶的方向，而不发生倒滑、倾覆、失控等现象。 （9）汽车行驶的平顺性。汽车行驶时，对路面不平度的隔振特性，称为汽车的行驶平顺性。汽车行驶时，路面的不平会激起汽车的振动，振动达到一定程度时，会使乘客感到不舒适和疲劳，或货物损坏，还会缩短汽车的使用寿命。 （10）汽车的通过性。汽车的通过性是指汽车在一定的载质量下能以足够的平均经济车速，顺利地通过坏路或无路区域，并能克服各种障碍物且具有一定的寿命。汽车的用途不同，对通过性的要求也不一样。行驶在城市铺设路面的汽车，对通过性要求并不突出，但对农用车或军用车辆，就要求有良好的通过性，因为这类车辆所行驶的路面条件复杂且较恶劣。（11）汽车的排放污染和噪声污染。汽车主要有三个排放污染源：一是发动机排气管排出的燃烧废气（柴油车还排放大量的颗粒物）；二是曲轴箱排放物；三是燃料蒸发排放物。这些排放物对环境的污染极大，对人类身体产生严重的不良影响，降低汽车排放污染是一项重要工作。汽车的噪声随着城市汽车保有量的增加，已成了城市环境中最主要的噪声源。 为了有效地控制城市的交通噪声，各国都制定了各种机动车的噪声标准及限值标。

室内环境对人舒适度的影响(优.选)

室内环境对人的舒适度影响 首先，我们先来了解一下什么是人的舒适度。 舒适度是一个比较主观的概念。它是指一个人在所处的环境内所感受到的惬意程度。 人的年龄、健康状况、体质、心理状况甚至衣着都会影响人的舒适度。而我们主要研究的是房间环境对人的舒适度影响。我认为，室内环境对人的舒适度影响主要在空气清洁程度、照明、噪音、空气温度、墙壁温度、空气湿度、气流运动等情况，期中后4者可以统称为室内热环境。 下面我们来一一了解这些因素对我们舒适度的影响。 一、室内热环境 室内热环境对人体的散热有很大的影响，即对人体维持自身体温稳定有着直接的影响，因此对人的舒适度有极大的影响。室内热环境主要由空气温度、空气湿度、气流运动（即通风情况）和墙壁温度等4个方面构成。 1、空气温度 人的活动量越大，则对流就越强，而人的服装表明温度与空气温度之间的温差越大，人体的散热量就越大。在环境温度为19摄氏度时，人体的散热损失相较于其他温度是最小的。人体的散热主要通过流汗来实现。试想一下，大部分情况下流汗给我们带来的都不是很爽的感受，这样就会影响到人的舒适度。整体而言，空气温度对人体的影响是极大的，它会影响到人的活动，进而影响到着装，这些对于人

的舒适度都有一定程度上的影响。 2、空气湿度 世卫组织规定，室内湿度要全年保持在40%-70%之间，人生活在相对湿度45%-65%的环境中最感舒适。当空气的相对湿度低于30%时。80%以上的居民会感到空气干燥。 在干燥的环境中，人呼吸系统的抵抗力降低，易引发或者加重呼吸系统的疾病。当相对湿度低于40%时，人会感到咽喉发干，有时还会鼻腔出血。干燥的空气还会导致皮肤粗糙起皱甚至开裂，过敏性皮炎、皮肤瘙痒不适等过敏性疾病。 过高的湿度同样会影响到人在室内的舒适度。湿度太高影响人的体温调节功能，因散热不良而引起体温升高，脉搏加快甚至头晕。当相对湿度达到80%以上时，人体水分蒸发变慢，严重影响机体的正常散热，使人感到胸部受压、憋闷，皮肤呼吸不畅，高温不易下降，容易诱发中暑。 同时湿度还会影响人对温度的感觉，较高的相对湿度会进一步加剧人的热感觉，而较低的相对湿度则会带来相反的感觉。 室内的空气湿度对室内污染物、微生物都有一定影响。相对湿度会影响到室内污染物的水溶性；同样，不同的室内湿度会对不同的微生物存活有着不同的影响，这里不再赘述。 由此可以看出，空气湿度对人的舒适度有着较大的影响。在我国北方一些家庭里面，冬天会备有加湿器，主要也是因为北方冬季采取集中供暖，导致室内空气比较干燥，给人带来不舒服的感受，才使得

实验报告 人工神经网络

实验报告人工神经网络 实验原理：利用线性回归和神经网络建模技术分析预测。 实验题目：利用给出的葡萄酒数据集，解释获得的分析结论。 library(plspm); data(wines); wines 实验要求： 1、探索认识意大利葡萄酒数据集，对葡萄酒数据预处理，将其随机划分为训练集和测试集，然后创建一个线性回归模型； 2、利用neuralnet包拟合神经网络模型； 3、评估两个模型的优劣，如果都不理想，提出你的改进思路。 分析报告： 1、线性回归模型 > rm(list=ls()) > gc() used (Mb) gc trigger (Mb) max used (Mb) Ncells 250340 13.4 608394 32.5 408712 21.9 Vcells 498334 3.9 8388608 64.0 1606736 12.3 >library(plspm) >data(wines) >wines[c(1:5),] class alcohol malic.acid ash alcalinity magnesium phenols flavanoids 1 1 14.23 1.71 2.43 15.6 127 2.80 3.06 2 1 13.20 1.78 2.14 11.2 100 2.65 2.76 3 1 13.16 2.36 2.67 18.6 101 2.80 3.24 4 1 14.37 1.9 5 2.50 16.8 113 3.85 3.49 5 1 13.24 2.59 2.87 21.0 118 2.80 2.69 nofla.phen proantho col.intens hue diluted proline 1 0.28 2.29 5.64 1.04 3.9 2 1065 2 0.26 1.28 4.38 1.05 3.40 1050 3 0.30 2.81 5.68 1.03 3.17 1185 4 0.24 2.18 7.80 0.86 3.4 5 1480 5 0.39 1.82 4.32 1.04 2.93 735 > data <- wines > summary(wines)

模糊控制与神经网络

BP神经网络 BP (Back Propagation)神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。 如图所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，够成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。 在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。 BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。 神经网络 神经网络是： 思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。 逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面： （1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。 （2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。 （3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。 （4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。 纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。 【人工神经网络的工作原理】 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。

汽车主要使用性能指标

汽车主要使用性能指标 汽车的使用性能是指汽车能适应各种使用条件而发挥最大工作效率的能力。主要有下面几项。 （一）汽车的动力性 这是汽车首要的使用性能。汽车必须有足够的平均速度才能正常行驶。汽车必须有足够的牵引力才能克服各种行驶阻力，正常行驶。这些都取决于动力性的好坏。汽车动力性可从下面三方面指标进行评价。 1、汽车的最高车速指汽车满载在良好水平路面上能达到的最高行驶速度。 2、汽车的加速能力指汽车在各种使用条件下迅速增加汽车行驶速度的能力。加速过程中加速用的时间越短、加速度越大和加速距离越短的汽车，加速性能就越好。 3、汽车的上坡能力上坡能力用汽车满载时以最低挡位在坚硬路面上等速行驶所能克服的最大坡度来表示，称为最大爬坡度。它表示汽车最大牵引力的大小。 不同类型的汽车对上述三项指标要求各有不同。轿车与客车偏重于最高车速和加速能力，载重汽车和越野汽车对最大爬坡度要求较严。但不论何种汽车，为在公路上能正常行驶，必须具备一定的平均速度和加速能力。 （二）汽车的燃料经济性 为降低汽车运输成本，要求汽车以最少的燃料消耗，完成尽量多的运输量。汽车以最少的燃料消耗量完成单位运输工作量的能力，称为燃料经济性，评价指标为每行驶100公里消耗掉的燃料量（升）。 （三）汽车的制动性 汽车具有良好的制动性是安全行驶的保证，也是汽车动力性得以很好发挥的前提。汽车制动性有下述三方面的内容。 1、制动效能汽车迅速减速直至停车的能力。常用制动过程中的制动时间、制动减速度和制动距离来评价。汽车的制动效能除和汽车技术状况有关外，还与

汽车制动时的速度以及轮胎和路面的情况有关。 2．制动效能的恒定性在短时间内连续制动后，制动器温度升高导致制动效能下降，称之为制动器的热衰退，连续制动后制动效能的稳定程度为制动效能的恒定性。 3．制动时方向的稳定性是指汽车在制动过程中不发生跑偏、侧滑和失去转向的能力。当左右侧制动动力不一样时，容易发生跑偏；当车?quot;抱死"时，易发生侧滑或者失去转向能力。为防止上述现象发生，现代汽车没有电子防抱死装置．防止紧急制动时车轮抱死而发生危险。 （四）汽车的操纵性和稳定性 汽车的操纵性是指汽车对驾驶员转向指令的响应能力，直接影响到行车安全。轮胎的气压和弹性，悬挂装置的刚度以及汽车重心的位置都对该性能有重要影响。 汽车的稳定性是汽车在受到外界扰动后恢复原来运动状态的能力，以及抵御发生倾覆和侧滑的能力。对于汽车来说，侧向稳定性尤为重要。当汽车在横向坡道上行驶。转弯以及受其他侧向力时，容易发生侧滑或者侧翻。汽车重心的高度越低，稳定性越好。合适的前轮定位角度使汽车具有自动回正和保持直线行驶的能力，提高了汽车直线行驶的稳定性。如果装载超高、超载，转弯时车速过快，横向坡道角过大以及偏载等，容易造成汽车侧滑及侧翻。 （五）汽车的行驶平顶性 汽车在行驶过程中由于路面不平的冲击，会造成汽车的振动，使乘客感到疲劳和不舒适，货物损坏。为防止上述现象的发生，不得不降低车速。同时振动还会影响汽车的使用寿命。汽车在行驶中对路面不平的降震程度，称为汽车的行驶平顺性。 汽车行驶平顺性的物理量评价指标，客车和轿车采?quot;舒适降低界限"车速特性。当汽车速度超过此界限时，就会降低乘坐舒适性，使人感到疲劳不舒服。该界限值越高，说明平顺性越好。货车采用"疲劳--降低工效界限"车速特性。汽车车身的固有频率也可作为平顺性的评价指标。从舒适性出发，车身的固有频率在600赫兹～850 赫兹的范围内较好。高速汽车尤其是轿车要求具有优良的行驶

建筑环境学之不同人群对室内环境舒适度评价差异的分析报告

不同人群对室内环境舒适度评价差异的分析 实验者：杨隆胜20110102120、杨江波20110102124、任国瑞20100120112、廖钙20110102115地点：湖南大学图书馆五楼 时间：2014-04-25上午9:00—10:00 一、实验目的 1、掌握室内热舒适环境评价的基本方法。 2、通过调查问卷的形式，通过对问卷的归纳总结不同性别、不同地域的人群对于相同的室内环境对热舒适度的不同反应做出对比分析，得出一些具有代表性或者一般性的规律，从而更好的指导我们以后的学习方向。 3、掌握用室内环境的测试参数计算PMV值的方法。 二、实验原理 室内热湿环境是对室内空气温度、空气湿度、气流速度和环境热辐射的总称。室内热环境是指影响人体冷热感觉的环境因素，也可以说是人们在房屋内对可以接受的气候条件的主观感受。影响室内环境的因素，除了人们的衣着、活动强度外，主要包括室内温度、室内湿度、气流速度以及人体与房屋墙壁、地面、屋顶之间的辐射换热（简称环境辐射）。热舒适一般是指人们对其所处的微小气候产生的不冷不热的主观感觉，它是多种因素综合作用的结果，是一个精神的、主观的心理反映。有专家指出，凡是有80%的人感到满意的地方就是就算达到了舒适状况。 最初人们对空调热环境进行评价时，是用传统数学方法，对热感觉各个级别间原本很模糊的边界给于精确的界定。这样就会出现用精确数学处理热舒适反而不精确的现象。引入模糊数学方法建立模糊综合评判模型，这是一种比以前更加科学的热舒适评判体系，但由于每个人生理上的差异及主观感觉的多样性，使得每个个体的舒适区都不尽相同，而模糊评判模型是根据群体的热感觉建立的，不能完全适用于每一个个体。因此，对室内热舒适性进行评价时，发展了多种评价方法。

各种评价方法统计

第一种 模糊评价方法：内燃机性能评价。 第二种 数据包络分析法 人工神经网络评价法 思想与原理 人工神经网络是模仿生物神经网络功能的一种经验模型，输入和输出之间的变换关系一般是非线性的。首先根据输入的信息尽力神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正，是输出结果与实际值之间的差距不断缩小。人工神经网络通过样本的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系。由于人工神经网络本身具有非线性的特点，且在应用中只需对神经网络进行专门问题的样本训练，它能够把问题的特征反映在神经元之间相互关系的权中，所以，把实际问题特征参数输入后，神经网络输出端就能给出解决问题的结果。 神经网络的特点是，神经网络将信息或知识分布储存在大量的神经元或整个系统中。它具有全息联想的特征，具有高速运算的能力，具有很强的适应能力，具有自学习、自组织的潜力。他能根据历史数据通过学习和训练能找出输入和输出之间的内在联系，从而能得出问题的解。另外，他有较强的容错能力，能够处理那些有噪声或不完全的数据。部分节点不参与运算，也不会对整个系统的性能造成太大的影响。 反向传播（Back Propagation，BP）神经网络是由Rumelhart等人于1985年提出的一种很有影响的神经元模型，它是一种多层次反馈性模型，使用的石油“导师”的学习算法。有广阔的应用前景。 模型和步骤 处理单元，或称之为神经元，是神经网络的最基本组成部分。一个神经网络系统中有许多处理单元，每个处理单元的具体操作步骤都是从其相邻的其他单元中接受输入，然后产生出输出送到与其相邻的单元中去。神经网络的处理单元可以分为三种类型：输入单元、输出单元和隐含单元。输入单元是从外界环境接受信息，输出单元则给出神经网络系统对外界环境的作用，这两种处理单元与外界都有直接的联系。隐含单元则处于神经网络之中，他不与外界产生直接的联系。它从网络内不接受输入信息，是哟产生的输出则制作能够用于神经网络系统中的其他处理单元。隐含单元在神经网络中起着极为重要的作用。 人工神经网络的工作过程具有循环特征。对事物的哦按段分析必须经过一个学习和训练工程。1949年，Hebb率先提出了改变神经元连接强度的学习规则。其过程是：将样本（训练）数据赋予输入端，并将网络实际输出和期望输出相比较，得到误差信号，以此为依据来调整连接权值。重复此过程，直到收敛于稳态。 BP网络是一种具有三层或者三层以上的层次结构网络，相邻上、下层之间各神经元实现全连接，即下层的每个神经元与上层的每个神经元都实现权连接，而每层各种神经元之间无连接。换个角度看，BP神经网络不仅具有输入层节点，输出层节点，还可以有1个或者多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐含层的输出信号传播到输出节点，最后给出输出结果。在BP算法中，节点的作用的机理函数通常选取S形函数。 对于BP模型的输入层神经元，其输出与输入相同，中间隐含层和输出层的神经元的操 作规则如下：Ykj=f(∑ = -- n 1 1 , 1 i i k kj i k Y W) Y k-1i是k-1层的第i个神经元的输出，也是第k层神经元的输入；

人工神经网络的模型

MP模型神经元 人工神经网络的模型：人工神经元的模型、常用的激活转移函数、人工神经 元的主要结构单元是信号的输入、综合处理和输出 人工神经元之间通过互相联接形成网络，称为人工神经网络 神经元之间相互联接的方式称为联接模式。相互之间的联接强度由联接权值体现。 在人工神经网络中，改变信息处理及能力的过程，就是修改网络权值的过程。 人工神经网络的构造大体上都采用如下的一些原则： 由一定数量的基本神经元分层联接； 每个神经元的输入、输出信号以及综合处理内容都比较简单； 网络的学习和知识存储体现在各神经元之间的联接强度上。 神经网络解决问题的能力与功效除了与网络结构有关外，在很大程度上取决于网络激活函数。 人工神经网络是对人类神经系统的一种模拟。尽管人类神经系统规模宏大、结构复杂、功能 神奇，但其最基本的处理单元却只有神经元。人工神经系统的功能实际上是通过大量神经元 的广泛互连，以规模宏伟的并行运算来实现的。 人工神经网络模型至少有几十种，其分类方法也有多种。例如，若按网络拓扑结构，可分为 无反馈网络与有反馈网络；若按网络的学习方法，可分为有教师的学习网络和无教师的学习网络；若按网络的性能，可分为连续型网络与离散型网络，或分为确定性网络与随机型网络；若按突触连接的性质，可分为一阶线性关联网络与高阶非线性关联网络。 人工神经网络的局限性： (1) 受到脑科学研究的限制：由于生理实验的困难性，因此目前人类对思维和记忆机制的认 识还很肤浅，还有很多问题需要解决； (2) 还没有完整成熟的理论体系； (3) 还带有浓厚的策略和经验色彩； (4) 与传统技术的接口不成熟。 如果将大量功能简单的形式神经元通过一定的拓扑结构组织起来，构成群体并行分布式处理 的计算结构，那么这种结构就是人工神经网络，在不引起混淆的情况下，统称为神经网络。 ____________ 根据神经元之间连接的拓扑结构上的不同，可将神经网络结构分为两大类： 分层网络相互连接型网络 分层网络可以细分为三种互连形式:

汽车制动性能评价指标

汽车制动性能评价指标 Final approval draft on November 22, 2020

3-2 汽车制动性能评价指标 导入新课：制动性能的评价指标包括制动效能、制动效能的恒定性、制动时的方向稳定性三个方面。 一、制动效能 制动效能是指汽车迅速降低行驶速度直至停车，或在下坡时维持一定车速及坡道驻车的能力，是制动性能最基本的评价指标。一般用制动减速度、制动力、制动距离等来评价。 1、制动减速度 是指制动时单位时间内车速的变化量。它反映了地面制动力的大小，与制动器制动力及附着力有关。 2、制动力 1）地面制动力 2）制动器制动力 3）地面制动力、制动器制动力和附着力之间的关系 汽车的地面制动力越大，制动减速度越大，制动距离越短；而地面制动力首先取决于制动器制动力，同时受地面附着条件的限制。因此只有汽车具有足够的制动器制动力，同时地面又能提供高的附着力时，才能获得足够的地面制动力 3、制动距离 是指车辆在规定的出速度下，以规定踏板力急踩制动踏板时，从驾驶员右脚接触到制动踏板到车辆停止时车辆所使的距离。 影响制动距离的主要因素：制动器起作用的时间、最大制动减速度

（有附着力和制动器制动力决定）、制动出速度。因此及时维护车辆能缩短制动器起作用时间以及制动性能的稳定。 二、制动效能的恒定性 1）热衰退性 制动效能的稳定性是指汽车制动的抗热衰退性，是指汽车高速制动、短时间重复制动或下长坡连续制动时制动效能的热稳定性。因为制动产生大量的热量，使制动器温度上升，制动器在热状态下能否保持有效的制动效能是衡量制动性能的重要指标。 2）水衰退性 当制动器被水浸湿时，应在汽车涉水后多踩几次制动踏板，是制动蹄和制动鼓摩擦生热迅速干燥。 三、制动时的方向稳定性 制动时方向的稳定性是指汽车制动时不发生跑偏、侧滑及失支转向能力。 1、制动跑偏 主要是由于左、右轮（尤其是前轴）制动器制动力不相等。为限制制动跑偏，要求前轴左、右制动力之差不大于该轴符负荷的5%，后轴为8% 2、制动侧滑与制动时转向能力的丧失 侧滑是指制动时汽车的某一轴或两轴发生横向滑移。 制动时转向能力丧失是指弯道制动时。汽车不再按原来的弯道行驶而沿前线方向驶出，或直线行驶制动时转动转向盘不能改变方向的现象。原因是转向轮抱死。

人工神经网络在聚类分析中的运用

摘要：本文采用无导师监督的som网络，对全国31个省市自治区的人民生活质量进行了综合评价，在没有先验信息的条件下，不采用人为主观赋予各指标权重的办法，转而运用自组织神经网络自组织竞争学习的网络方法来进行赋值、计算和评价，消除了主观确定各指标的权重的主观性，得到的结果较为符合各省市自治区的实际结果。 关键词：聚类分析；k-means聚类；系统聚类；自组织神经网络；人民生活质量 一、引言（研究现状） 自改革开放以来，我国生产力极大发展，生活水平总体上得到了提高。但是，地区间的发展不平衡始终存在，而且差距越来越大，不同地区人民的生活水平也存在显著的差异。据此，我们利用自组织人工神经网络方法对全国31个省市自治区的人民生活水平质量进行分析评价。 二、指标选取与预处理 1.指标选取 遵循合理性、全面性、可操作性、可比性的原则，从以下5个层面共11个二级指标构建了人民生活质量综合评价指标体系（如下表所示）。 人民生活质量综合评价指标体系 2.指标预处理 （1）正向指标是指标数据越大，则评价也高，如人均可支配收入，人均公园等。 正向指标的处理规则如下（1）： kohonen 自组织神经网络 输入层是一个一维序列，该序列有n个元素，对应于样本向量的维度；竞争层又称为输出层，该层是由m′n=h个神经元组成的二维平面阵列其神经元的个数对应于输出样本空间的维数，可以使一维或者二维点阵。 竞争层之间的神经元与输入层之间的神经元是全连接的，在输入层神经元之间没有权连接，在竞争层的神经元之间有局部的权连接，表明竞争层神经元之间的侧反馈作用。训练之后的竞争层神经元代表者不同的分类样本。 自组织特征映射神经网络的目标：从样本的数据中找出数据所具有的特征，达到能够自动对样本进行分类的目的。 2.网络反馈算法 自组织网络的学习过程可分为以下两步： （1）神经元竞争学习过程 对于每一个样本向量，该向量会与和它相连的竞争层中的神经元的连接权进行竞争比较（相似性的比较），这就是神经元竞争的过程。相似性程度最大的神经元就被称为获胜神经元，将获胜神经元称为该样本在竞争层的像，相同的样本具有相同的像。 （2）侧反馈过程 竞争层中竞争获胜的神经元会对周围的神经元产生侧反馈作用，其侧反馈机制遵循以下原则：以获胜神经元为中心，对临近邻域的神经元表现为兴奋性侧反馈。以获胜神经元为中心，对邻域外的神经元表现为抑制性侧反馈。 对于竞争获胜的那个神经元j，其邻域内的神经元在不同程度程度上得到兴奋的侧反馈，而在nj（t）外的神经元都得到了抑制的侧反馈。nj（t）是时间t的函数，随着时间的增加，nj（t）围城的面积越来越小，最后只剩下一个神经元，而这个神经元，则反映着一个类的特征或者一个类的属性。 3.评价流程 （1）对n个输入层输入神经元到竞争层输出神经元j的连接权值为（6）式：