基于人工神经网络的汽车座椅舒适度评价模型

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.     

基于优化BP神经网络的汽车座椅舒适性评价

目的探索汽车座椅舒适性评价方法。方法设计实验采集驾驶员基本物理信息及其在实车中的体压数据,利用Lasso算法提取具有较好预测效果的特征向量,利用遗传算法对BP(Back Propagation)神经网络进行优化,建立基于优化BP神经网络的汽车座椅舒适性评价模型。结果利用遗传算法优化后的BP神经网络预测准确率达到90.96%。结论模型可有效实现对汽车座椅舒适性的评价,为汽车正向设计中座椅设计方案的筛选提供参考。     

基于感性工学的汽车座椅静态舒适度的研究

目的为汽车座椅静态舒适度评价提供更为完善的主客观评价方法。方法文章基于感性工学,从主观视觉舒适度研究方法结合现有体压分布的客观舒适度测量方法,在问卷调查的基础上,按照局部不舒适等级进行测量,分析汽车座椅外观对人感受的影响时,采用语义差分法对乘坐感觉进行量化,并利用统计方法分析得出各感觉对舒适度的影响。结果得出汽车座椅视觉舒适度的设计影响因素;座椅乘坐是否舒适与身体和座椅接触面以及载荷有直接关系。结论感性工学的方法,可适用于对汽车座椅舒适度的静态评价中,结合体压分布实验和身体不适等级测量,可以为企业座椅的设计的改进提供指导。     

舒适驾驶姿势试验及模糊评价

座椅是影响整车舒适性的关键因素,其中人体驾驶舒适角度又是座椅舒适性设计的参考基础.本研究面向我国人体尺寸特征,召集了20个试验者,针对PASSAT和POLO两种不同级别的车型各进行了20组试验.统计计算出试验车型的人体驾驶舒适角度(包括靠背角、躯干大腿角、膝角)的均值和范围及其相关关系,并通过与国外文献参考角度之间的对比分析明确了我国人体驾驶舒适角度与国外人体驾驶舒适角度之间的差异.在试验结果基础上,应用模糊理论建立了不同驾驶姿势与舒适度指标之间的模糊评价模型,并通过实例分析验证了该模型方法的实用性.本文的研究结果对我国汽车座椅舒适性设计及其改进具有较大的参考价值.     

儿童安全座椅舒适度评价研究

目的探究"大数据"的时代背景下儿童安全座椅健康舒适性评价影响因素,提出安全座椅舒适度评价应考虑的因素。方法通过文献研究和大数据分析安全座椅舒适度各影响因素,采用人体压力分布指标实验,研究不同材质、不同曲面形态的汽车儿童安全座椅坐垫的人体压力分布特征及与安全座椅舒适度的关系。结果舒适度的评价体系应结合基于大数据的主客观评价方法。结论运用大数据分析方法和大数据可视化技术,可突破传统安全座椅舒适性评价方法的局限,安全座椅舒适评价方式将以革新快捷、直观的方式呈现。     

基于可供性概念的座椅舒适度设计

目的从视觉感知和使用感知角度探讨可供性概念在座椅舒适度研究中的作用,结合使用者的视觉体验与生理心理体验,为座椅舒适度创新设计提供指导。方法以可供性概念为基础,利用文献分析法将其内涵扩展为真实可供性和感知可供性的综合,并对座椅舒适度要素从情感体验、生理因素和心理因素3个方面进行阐述,最终将可供性引入到座椅舒适度设计中,提出座椅舒适可供性概念并构建了座椅舒适可供性设计要素模型,并对运用该模型进行座椅舒适度设计进行介绍。结论座椅舒适度创新设计既要满足使用者的生理需求,又要满足对于座椅表面特性传达的视觉心理需求。从视觉感知和使用感知到的舒适程度进行创新设计,并形成两者的匹配关系,才能更加满足使用者对座椅舒适度的需求。     

公交车驾驶员座椅系统舒适性的应用研究

首先分析几种乘坐舒适性评价方法，应用PRO／E软件建立了某型公交车驾驶员座椅总成的几何模型，应用ADAMS软件建立了动力学模型，仿真计算了动力学性能参数，采用国标GB4970—78标准，分析了该座椅的舒适性，同时分析了座椅结构参数与舒适性之间的关系，从而为座椅设计提供了一些建议。     

汽车座椅的人机工程学分析

目的研究汽车座椅人机工程的舒适性。方法从汽车座椅的人机工程学设计进行探讨,找到目前汽车座椅设计中的问题,并解决问题,促进我国的汽车工业不断向前发展。结论汽车座椅的设计从人们的实际需求入手,进行人性化的设计。满足人们心理需求的汽车座椅,才可以被消费者和市场所接受,从而创造更大的价值,除了座椅的造型之外,座椅的人机工程学设计,成为了汽车座椅设计的关键要素。     

座椅热舒适性客观评价温度模型构建

本文建立了人体一座椅接触面的温度模型,利用实测温度数据验证了模型的精度。从接触面温度特性模型中提取出了三个评价指标：接触面最终温度,接触面温度的最大变化率以及接触面的平均温度,据此建立了座椅舒适度客观评价体系。利用评价体系对三种材料座椅（泡沫、压模和木质座椅）进行评估,结果表明：泡沫座椅的舒适度得分为8．96±2．58,压模座椅的舒适度得分为6．15±1．96,木质座椅的舒适度得分为4．91±1．88。主观测评法得到的座椅舒适度得分为：泡沫座椅的舒适度得分为8．36±1．21,压模座椅的舒适度得分为7．27±1．42,木质座椅的舒适度得分为5．36±3．14。结论,利用人体一座椅接触面温度特性来衡量座椅舒适度的客观评价体系具有一定的实用性和可靠性。     

面向座椅舒适性分析的三维人体参数化建模

应用三维坐姿人体模型可在座椅的设计阶段高效精确地进行座椅几何舒适性分析。参照二维坐姿人体模板拟定三维坐姿人体模型的结构要素,采用基于特征造型的方法构建三维人体模型。采用基于原型模型的参数化建模方法,实现对三维坐姿人体模型的参数化驱动。通过＂人—椅＂模型的几何匹配,自动精确提取坐姿人体模型的姿态角度,对比人体坐姿标准舒适角度范围,实现座椅舒适性的评价和分析。     

An intelligent control for linear ultrasonic motor using interval type-2 fuzzy neural network

An interval type-2 fuzzy neural network (IT2FNN) is developed for the position control of a thetas-axis motion-control stage using a linear ultrasonic motor to confront the uncertainties of the motion-control stage. A T2FNN consists of a type-2 fuzzy linguistic process as the antecedent part and a three-layer interval neural network as the consequent part. A general T2FNN is computationally intensive due to the complexity of reducing type 2 to type 1. Therefore an IT2FNN is adopted to simplify the computational process. Moreover, the developed IT2FNN combines the merits of an interval type-2 fuzzy logic system and a neural network. Furthermore, the parameter-learning of the IT2FNN, which is based on the supervised gradient decent method using a delta adaptation law, is performed on line. Experimental results show that the dynamic behaviours of the proposed IT2FNN control system are more effective and robust with regard to uncertainties than the type-1 FNN control system.     

基于人工神经网络的光谱反射率重建

目的研究基于BP神经网络法和FNN神经网络法重构图像光谱反射率的精度。方法以SG标准色卡作为训练样本,分别使用BP和FNN神经网络法,对测试样本DC标准色卡的光谱反射率进行预测,并利用CIEL*a*b*色差公式、均方根误差(ERMS)和光谱匹配精度(GFC)对结果进行评价。结果 BP和FNN神经网络重构的光谱反射率平均色差(ΔEab)分别为2.997和3.071,平均均方根误差(ERMS)分别为0.056和0.049,平均光谱匹配精度(GFC)分别为0.987和0.991。结论 2种神经网络方法重构的光谱反射率具有相当优越的色度和光谱精度。相比于FNN神经网络,BP神经网络更加适合于光谱图像的获取领域。     

Recurrent Radial Basis Function Network-Based Fuzzy Neural Network Control for Permanent-Magnet Linear Synchronous Motor Servo Drive

We propose a recurrent radial basis function network-based (RBFN-based) fuzzy neural network (FNN) to control the position of the mover of a field-oriented control permanent-magnet linear synchronous motor (PMLSM) to track periodic reference trajectories. The proposed recurrent RBFN-based FNN combines the merits of self-constructing fuzzy neural network (SCFNN), recurrent neural network (RNN), and RBFN. Moreover, it performs the structureand parameter-learning phases concurrently. The structure learning is based on the partition of input space, and the parameter learning is based on the supervised gradient descent method, using a delta adaptation law. Furthermore, all the control algorithms are implemented in a TMS320C32 DSP-based control computer. The simulated and experimental results due to periodic reference trajectories show that the dynamic behaviors of the proposed recurrent RBFN-based FNN control system are robust with regard to uncertainties     

Recurrent RBFN-based fuzzy neural network control for X-Y-theta motion control stage using linear ultrasonic motors

A recurrent radial basis function network (RBFN) based fuzzy neural network (FNN) control system is proposed to control the position of an X-Y-theta motion control stage using linear ultrasonic motors (LUSMs) to track various contours in this study. The proposed recurrent RBFN-based FNN combines the merits of self-constructing fuzzy neural network (SCFNN), recurrent neural network (RNN), and RBFN. Moreover, the structure and the parameter learning phases of the recurrent RBFN-based FNN are performed concurrently and on line. The structure learning is based on the partition of input space, and the parameter learning is based on the supervised gradient decent method using a delta adaptation law. The experimental results due to various contours show that the dynamic behaviors of the proposed recurrent RBFN-based FNN control system are robust with regard to uncertainties.     

基于模糊神经网络的设备故障预测研究

对模糊神经网络技术进行了研究，提出了预测分析的模糊神经网络模型；建立了故障指标评定方法，利用预测算法运用参数历史故障指标对参数指标进行趋势预测，预测得到的参数指标可以根据专家诊断系统判据进行诊断，对未来设备的健康状况进行可信度较高的评估。经仿真结果验证，该算法预测精度较高，预测结果可信.     

爆破振动特征参量的粗糙集模糊神经网络预测

摘 要 爆破振动特征参量对爆破振动危害效应有重要影响。首次用粗糙集模糊神经网络方法对振幅、主频率及主频持续时间进行预测。首先介绍了粗糙集模糊神经网络的基本思想,其次,分析了印象爆破振动特征参量的主要因素,建立了基于粗糙集模糊神经网络的爆破振动特征参量预测模型;最后用某边坡开挖爆破中的振动观测指标对模型进行了训练,并对15组指标进行了测试。结果表明：粗糙集模糊神经网络预测模型能反映了影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。一次预测1个指标的精度高于同时预测3个指标的精度。     

Recurrent Functional-Link-Based Fuzzy Neural Network Controller With Improved Particle Swarm Optimization for a Linear Synchronous Motor Drive

A recurrent functional link (FL)-based fuzzy neural network (FNN) controller is proposed in this study to control the mover of a permanent-magnet linear synchronous motor (PMLSM) servo drive to track periodic reference trajectories. First, the dynamic model of the PMLSM drive system is derived. Next, a recurrent FL-based FNN controller is proposed in this study to control the PMLSM. Moreover, the online learning algorithms of the connective weights, means, and standard deviations of the recurrent FL-based FNN are derived using the back-propagation (BP) method. However, divergence or degenerated responses will result from the inappropriate selection of large or small learning rates. Therefore, an improved particle swarm optimization (IPSO) is adopted to adapt the learning rates of the recurrent FL-based FNN online. Finally, the control performance of the proposed recurrent FL-based FNN controller with IPSO is verified by some simulated and experimental results.      

基于混合智能的刀具状态在线识别

提出了一个将小波包分析方法,模糊理论及人工神经网络技术相结合的智能刀具状态在线监测系统,系统利用小波包方法将声发射信号分解为不同频带的时间序列,从中抽取出与刀具切削状态紧密相关的序列信号的构方根值（RMS）作为信号特征值,为了表示刀具状态与特征值之间的关系提出了一个模糊神经网络模型,采用了自组织竞争学习与BP算法相结合的混合学习算法,可迅速,可靠地对刀具状态进行识别。     

一种改进的模糊神经网络控制器学习算法

提出了一种改进的模糊神经网络混合学习算法,运用遗传算法优化构成隶属函数的网络结构,运用最小二乘法进行解模糊,具有更高的学习精度和更快的收敛速度,解决了在多变量系统中采用模糊神经网络时学习收敛慢且易陷入局部极小点的问题。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。