基于RBF神经网络识别路面不平度的研究
本文旨在解决基于RBF神经网络识别路面不平度的三个挑战:输入选择、输入方案确定和识别效果评价。为此,引入了RBF神经网络和训练过程的分析,并选择车辆响应作为RBF神经网络的输入。为了确定RBF神经网络的输入方案,引入了正交试验设计。同时,相关系数和均方根误差被用作RBF神经网络识别效果的评价指标。
首先,RBF神经网络是一种常用的神经网络类型,它可以用于解决非线性问题。RBF神经网络的训练过程包括选择合适的输入、确定输入方案和评价识别效果三个步骤。在本文中,我们选择车辆响应作为RBF神经网络的输入,因为车辆响应可以反映路面不平度的影响。
其次,为了确定RBF神经网络的输入方案,我们引入了正交试验设计。正交试验设计是一种常用的实验设计方法,它可以帮助我们确定合适的输入方案。通过正交试验设计,我们可以确定RBF神经网络的输入方案,从而提高识别效果。
最后,我们使用相关系数和均方根误差作为RBF神经网络识别效果的评价指标。相关系数可以衡量RBF神经网络的识别 accuracy,而均方根误差可以衡量RBF神经网络的识别精度。通过这两个评价指标,我们可以评价RBF神经网络的识别效果。
在本文中,我们使用了车辆和路面不平度系统的四自由度平面模型来模拟车辆响应和前轮路面不平度。然后,我们应用RBF神经网络对常用路面等级和常用车速行驶下的某汽车的前轮路面不平度进行了识别。结果表明,所提出的方法可以解决基于RBF神经网络识别路面不平度的三个挑战。
本文的贡献包括:
1. 提出了基于RBF神经网络识别路面不平度的新方法。
2. 引入了正交试验设计来确定RBF神经网络的输入方案。
3. 使用相关系数和均方根误差作为RBF神经网络识别效果的评价指标。
本文的结果可以应用于解决基于RBF神经网络识别路面不平度的问题,并且可以扩展到其他神经网络中。
关键词:路面不平度识别、RBF神经网络、正交试验设计、车辆响应、路面等级、车速。