离线优化流程设计 中山云梯维修车出租, 云梯维修车出租, 中山云梯维修车租赁 能量优化控制系统的优化流程：a.对由加速踏板、附加直接横摆力矩、前后车体折转角、纵向车速和前部车体的横摆角速度构成的连续设计空间进行DOE采样。b.将得到的离散采样点传输给“优化参数计算模块”，计算离线优化所需要的目标驱动转矩和附加直接横摆力矩。c.将目标值传输给“优化策略”模块，然后基于驱动系统总效率最大的原则进行优化，并将优化结果存到结果数据库中d.重复b,c过程，直到所有的离散采样数据计算结束。⑴BP人工神经网络简介人工神经网络是一门新兴的边缘性交叉学科，其基本思想是基于模仿生物大脑的结构和功能，采用数学和物理方法进行研究而构成的一种信息处理系统，具有并行处理、信息分布存储、良好的容错功能、高度的非线性以及能够自学习、自组织和自适应性等特点，其学习功能使得它具有良好的输入－输出映射能力。由于人工神经网络系统具有能够通过学习而逼近任意非线性系统的映射能力，因而在系统的建模与预测中具有广泛的应用。误差反向传播神经网络是提出的适用于多层神经网络模型的误差反向传播学习算法，能够将学习结果反馈到中间层的隐含节点中，解决了多层神经网络的学习问题，是目前影响最大的一种人工神经网络学习方法。典型的BP人工神经网络具有三层或三层以上结构的前向网络，其中首层为输入层，末层为输出层，中间各层为隐含层。BP人工神经网络不同层之间的单元为全连接，而同一层内的各个单元之间没有连接.
人工神经网络的处理单元的数学模型主要包括3部分功能：加权、求和及转移。其中，L1层的n个处理单元与L2层的m个处理单元通过连接权向量W={wij},i=1,2,…n,j=1,2,…,m全连接，L1层处理单元的输出构成了L2层各处理单元的输入向量X=(x1,x2,…,xn)T，L2层的各处理单元都具有阈值θj，所以，传递到L2层的各个处理单元的输入值为：加权求和后的计算值传递到L2层后，其各个处理单元的输出结果由转移函数来决定。因为signoid函数的输出与生物神经元的信号输出形式非常类似，能够很好的模拟生物神经元的非线性特征，因此BP人工神经网络通常采用sigmoid函数作为转移函数，BP人工神经网络的处理单元. 因此，L2层各处理单元的输出为：能够进行训练学习是人工神经网络的一个重要特征。一个神经网络模型仅仅具有网络拓扑结构，要想具有智能特性必须要经过学习，让其学会它要做的事情，而学习的过程实际上就是调整网络连接权值的过程，学习完成后，神经网络的连接权值也就调整完成，并且把学习到的知识结果分布记忆（存储）在网络中的各个连接权上。开始设定连接权初值评价连接权值调整结束满足要求否是输入数据评价标准图5.8神经网络学习过程流程图95BP人工神经网络采取的是有指导的学习方式进行训练和学习。
BP人工神经网络的学习过程主要分为如下四个阶段：
①输入模式采用由输入层经过隐含层向输出层逐层传播的“模式顺传播”过程，即各个神经处理单元的激活值从输入层经各个隐含层向输出层传播，从而在输出层的各个神经处理单元得到网络的实际输出。
②将网络的期望输出与其实际输出之差而产生的误差信号由输出层经隐含层向输入层逐层修正连接权值的“误差逆传播”过程，即首先通过比较输出层的各个神经处理单元的实际输出与期望输出，得到二者的差值后按照减小差值的方向，从输出层经过各个隐含层并逐层对各个连接权值进行修正，最后回到输入层。
③由“模式顺传播”过程和“误差逆传播”过程反复交替进行的网络“记忆训练”过程，即这种“正向计算输出—反向传播误差”的过程将不断重复进行。
④网络趋向收敛，即网络的全局误差趋向极小值的“学习收敛”过程，即整个网络的误差逐步降低至可以接受的范围，BP神经网络的学习过程也就随之结束。比较输入神经网络期望输出实际输出学习系统.
⑵神经网络预测模块设计本文BP人工神经网络预测模块的功能就是通过对离线优化数据结果的学习，寻找出加速踏板Aps、附加横摆力矩ΔM、前后车体折转角θ、纵向车速v和前部车体的横摆角速度ωf所组成的输入向量与输出向量—各电机期望输出转矩[T1,T2,T3,T4]T之间非线性关系，并将其存储在BP人工神经网络具体的权值和阈值中，从而实现对未来输入向量所对应的输出向量结果的预测输出。
①选取样本集人工神经网络的样本集一般应该包含训练样本集及测试样本集两种类型。训练样本集的用途是对人工神经网络进行学习训练，而测试样本集则用于测试人工神经网络训练的效果。训练样本集的选取应该具有一定的代表性，以便保证人工神经网络学习的有效性；测试样本集的选择应该满足“交叉检验”的原则，并且训练样本集和测试样本集一般由输入数据向量与目标输出向量所构成。对人工神经网络输入数据的确定实际上应该是对系统输出的影响因子的提取，对其选取主要考虑是否与系统的输出向量有着比较明确的因果关系。BP人工神经网络采用的是有指导的学习方式，因此它的样本集应由输入数据和目标数据构成。本文选取加速踏板开度、附加横摆力矩、前后车体折转角、纵向车速和前部车体的横摆角速度五项参数作为输入数据的五个分量，轮边电驱动铰接云梯维修车中轴和后轴布置的四个轮边驱动电机的输出转矩作为神经网络目标数据的四个分量。因在前期的DOE采样中应用的最优拉丁方技术保证了样本选取的代表性，因此本文选取训练样本为前995个优化数据，测试样本选取为后5个优化数据。
系统的实际输入数据和输出数据常常不在[0,1]区间的范围内，而神经网络学习训练所用的输入数据与输出数据一般要求位于[0,1]之间，因此在神经网络训练前，需要对训练样本集进行归一化处理[122,123]。本文采用最小—最大规范化的方法对原始输入数据和输出数据进行归一化处理，其转换公式为：minmaxminxxyxx (5.41)式中，x是原样本集中某一分量的数据，maxx和minx分别为该分量数据中的最大值和最小值，y是该分量数据x归一化后的数值。对于神经网络预测时的输出数据需要进行反归一化处理，将预测出来的位于[0,1]之间的值转换为该输出向量分量的实际输出值，与最小—最大规范化的方法相对应的反归一化公式.
③数据建模本文将系统网络设计为一个三层的BP人工神经网络。由于输入向量的维数为5，因此该系统网络的输入层的神经处理单元的数目为5个；而输出向量的维数为4，因此输出层的神经处理单元的数目为4个。在三层前向网络中，隐含层神经处理单元的个数可由下式来确定：p2n，p为隐含层中神经处理单元的个数，n为输入层中神经处理单元的个数。因此本文所设计的BP神经网络的隐含层神经处理单元数为11个。
中山云梯维修车出租, 云梯维修车出租, 中山云梯维修车租赁
