安思穎

摘 要：車(chē)輛轉(zhuǎn)彎時(shí)，是以內(nèi)側(cè)后輪為支點(diǎn)進(jìn)行移動(dòng)，導(dǎo)致前后輪劃過(guò)的區(qū)域不同，從而形成內(nèi)輪差。為了防止內(nèi)輪差事故的發(fā)生，我們建立了數(shù)學(xué)模型，對(duì)內(nèi)輪差進(jìn)行了研究。對(duì)于RBF神經(jīng)網(wǎng)絡(luò)模型，通過(guò)matlab編程實(shí)現(xiàn)了函數(shù)的擬合，得到了真實(shí)數(shù)據(jù)y和RBF神經(jīng)網(wǎng)絡(luò)擬合得到的結(jié)果ty，并作出了真正函數(shù)圖像、RBF神經(jīng)網(wǎng)絡(luò)圖像、和誤差圖像。三維坐標(biāo)分別表示輪距、軸距和最小轉(zhuǎn)彎半徑，用顏色坐標(biāo)表示內(nèi)輪差。從誤差圖像上可以看出，圖像的顏色值是相同的藍(lán)色，從顏色坐標(biāo)上可以讀出值為0，即誤差為0。說(shuō)明神經(jīng)網(wǎng)絡(luò)的輸出已經(jīng)相當(dāng)?shù)谋平瘮?shù)。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò) 內(nèi)輪差 MATLAB

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）09（a）-0033-01

車(chē)輛轉(zhuǎn)彎時(shí)，前內(nèi)輪轉(zhuǎn)彎半徑，與后內(nèi)輪轉(zhuǎn)彎半徑之差，就叫內(nèi)輪差。如果從高處垂直觀察車(chē)輛轉(zhuǎn)彎時(shí)的狀態(tài)，就會(huì)發(fā)現(xiàn)，轉(zhuǎn)彎車(chē)輛是以內(nèi)側(cè)后輪為支點(diǎn)進(jìn)行移動(dòng)的，前后車(chē)輪劃過(guò)的區(qū)域其實(shí)是不同的。內(nèi)輪差被很多人忽略，在馬路上電動(dòng)車(chē)駕駛?cè)嘶蛐腥擞龅睫D(zhuǎn)彎的大貨車(chē)時(shí)，緊貼轉(zhuǎn)彎車(chē)輛停車(chē)，這樣會(huì)造成危險(xiǎn)。為了防范內(nèi)輪差事故并給予行人以警示，用數(shù)學(xué)建模的方式分析車(chē)輛的內(nèi)輪差，并根據(jù)結(jié)果給出一個(gè)可以避免內(nèi)輪差事故發(fā)生的可行方法。

1 模型假設(shè)

針對(duì)以上問(wèn)題，我們提出以下合理假設(shè)。

（1）不考慮前輪外傾、前輪前束、主銷(xiāo)后傾、主銷(xiāo)內(nèi)傾對(duì)車(chē)輛轉(zhuǎn)彎的影響。

（2）轉(zhuǎn)彎時(shí)整個(gè)車(chē)輛沒(méi)有變形，可看作剛體。

（3）轉(zhuǎn)彎時(shí)車(chē)速保持相對(duì)穩(wěn)定。

2 建立基于神經(jīng)網(wǎng)絡(luò)的不同因素對(duì)內(nèi)輪差影響模型

2.1 神經(jīng)網(wǎng)絡(luò)模型分析

由于在實(shí)際問(wèn)題中，影響內(nèi)輪差的因素有很多，我們可以用內(nèi)輪差幾何模型推導(dǎo)內(nèi)輪差的數(shù)據(jù)，通過(guò)回歸分析，找到影響內(nèi)輪差的因素，以及輪距、軸距、最小轉(zhuǎn)彎半徑對(duì)內(nèi)輪差影響的大小程度。但回歸分析總存在著一定的誤差，不能很精確的反應(yīng)不同因素對(duì)內(nèi)輪差的影響，于是我們想到了用人工智能的方法—— 神經(jīng)網(wǎng)絡(luò)來(lái)擬合內(nèi)輪差與不同影響因素之間的函數(shù)，精確程度會(huì)大大的提高。

2.2 建立神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下。

步驟1：基于K-均值聚類(lèi)方法求取基函數(shù)中心。

（1）網(wǎng)絡(luò)初始化：隨機(jī)選取個(gè)訓(xùn)練樣本作為聚類(lèi)中心（）。

（2）將輸入的訓(xùn)練樣本集合按最近鄰規(guī)則分組：按照與中心為之間的歐式距離將分配到輸入樣本的各個(gè)聚類(lèi)集合中。

3）重新調(diào)整聚類(lèi)中心：計(jì)算各個(gè)聚類(lèi)中心中訓(xùn)練樣本的平均值，即新的聚類(lèi)中心，如果新的聚類(lèi)中心不再發(fā)生變化，則所得到的即為RBF神經(jīng)網(wǎng)絡(luò)最終的基函數(shù)中心，否則返回（2），進(jìn)行下一輪的中心求解。

步驟2：求解方差。

該RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)為高斯函數(shù)，方差可由下式求解：

式中，是所選中心之間的最大距離。

步驟3：計(jì)算隱含層和輸出層之間的權(quán)值。

隱含層至輸出層之間神經(jīng)元的連接權(quán)值可以用最小二乘法直接計(jì)算得到，計(jì)算公式如下：

2.3 神經(jīng)網(wǎng)絡(luò)模型的求解

通過(guò)MATLAB編程實(shí)現(xiàn)了函數(shù)的擬合，得到了真實(shí)數(shù)據(jù)和RBF神經(jīng)網(wǎng)絡(luò)擬合得到的結(jié)果：

y =

0.9407 0.9015 0.8848 0.9211 0.8989 0.9623 1.0240 0.9646 0.9475 0.9807 1.7723 1.8217 1.9135 1.8793 1.8562

ty =

0.9407 0.9015 0.8848 0.9211 0.8989 0.9623 1.0240 0.9646 0.9475 0.9807 1.7723 1.8217 1.9135 1.8793 1.8562

2.4 神經(jīng)網(wǎng)絡(luò)模型的結(jié)果分析

通過(guò)得到的結(jié)果可以看出，RBF神經(jīng)網(wǎng)絡(luò)擬合曲線的精確度相當(dāng)高，通過(guò)matlab編程做出真正函數(shù)圖像、RBF神經(jīng)網(wǎng)絡(luò)圖像、和誤差圖像（如圖1）。圖中三維坐標(biāo)分別表示輪距、軸距和最小轉(zhuǎn)彎半徑，用顏色坐標(biāo)表示內(nèi)輪差。從誤差圖像上可以看出，圖像的顏色值是相同的藍(lán)色，從顏色坐標(biāo)上可以讀出值為0，即誤差為0。說(shuō)明神經(jīng)網(wǎng)絡(luò)的輸出已經(jīng)相當(dāng)?shù)谋平瘮?shù)。

2.5 神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用

如果把神經(jīng)網(wǎng)絡(luò)模型用java編程，做成用戶界面形式，形成一個(gè)系統(tǒng)。我們只需要輸入輪距、軸距、最小轉(zhuǎn)彎半徑，系統(tǒng)通過(guò)神經(jīng)網(wǎng)絡(luò)自動(dòng)得出結(jié)果顯示車(chē)輛的內(nèi)輪差，可以方便用戶使用，而且準(zhǔn)確率極高。

3 結(jié)論

由上述模型的求解過(guò)程不難看出，模型主要考慮的影響內(nèi)輪差的因素有汽車(chē)的軸距、輪距和最小轉(zhuǎn)彎半徑。RBF神經(jīng)網(wǎng)絡(luò)擬合曲線的精確度相當(dāng)高，在系統(tǒng)中輸入輪距、軸距、最小轉(zhuǎn)彎半徑，即可得到輸出的內(nèi)輪差。

參考文獻(xiàn)

[1] 《運(yùn)籌學(xué)》教材編寫(xiě)組編.運(yùn)籌學(xué)[M].3版.北京：清華大學(xué)出版社，2005.6.

[2] 數(shù)據(jù)來(lái)源于汽車(chē)之家[EB/OL].http：//www.autohome.com.cn/.

[3] 薛定宇，陳陽(yáng)泉.高等應(yīng)用數(shù)學(xué)問(wèn)題的MATLAB求解[M].北京：清華大學(xué)出版社，2008.

[4] 姜啟源，謝金星，葉俊.數(shù)學(xué)模型[M].北京：高等教育出版社，2006.

[5] matlab中文論壇.MATLABA神經(jīng)網(wǎng)絡(luò)案例分析[M].北京航空航天大學(xué)出版社，2010，4.endprint

摘 要：車(chē)輛轉(zhuǎn)彎時(shí)，是以內(nèi)側(cè)后輪為支點(diǎn)進(jìn)行移動(dòng)，導(dǎo)致前后輪劃過(guò)的區(qū)域不同，從而形成內(nèi)輪差。為了防止內(nèi)輪差事故的發(fā)生，我們建立了數(shù)學(xué)模型，對(duì)內(nèi)輪差進(jìn)行了研究。對(duì)于RBF神經(jīng)網(wǎng)絡(luò)模型，通過(guò)matlab編程實(shí)現(xiàn)了函數(shù)的擬合，得到了真實(shí)數(shù)據(jù)y和RBF神經(jīng)網(wǎng)絡(luò)擬合得到的結(jié)果ty，并作出了真正函數(shù)圖像、RBF神經(jīng)網(wǎng)絡(luò)圖像、和誤差圖像。三維坐標(biāo)分別表示輪距、軸距和最小轉(zhuǎn)彎半徑，用顏色坐標(biāo)表示內(nèi)輪差。從誤差圖像上可以看出，圖像的顏色值是相同的藍(lán)色，從顏色坐標(biāo)上可以讀出值為0，即誤差為0。說(shuō)明神經(jīng)網(wǎng)絡(luò)的輸出已經(jīng)相當(dāng)?shù)谋平瘮?shù)。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò) 內(nèi)輪差 MATLAB

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）09（a）-0033-01

車(chē)輛轉(zhuǎn)彎時(shí)，前內(nèi)輪轉(zhuǎn)彎半徑，與后內(nèi)輪轉(zhuǎn)彎半徑之差，就叫內(nèi)輪差。如果從高處垂直觀察車(chē)輛轉(zhuǎn)彎時(shí)的狀態(tài)，就會(huì)發(fā)現(xiàn)，轉(zhuǎn)彎車(chē)輛是以內(nèi)側(cè)后輪為支點(diǎn)進(jìn)行移動(dòng)的，前后車(chē)輪劃過(guò)的區(qū)域其實(shí)是不同的。內(nèi)輪差被很多人忽略，在馬路上電動(dòng)車(chē)駕駛?cè)嘶蛐腥擞龅睫D(zhuǎn)彎的大貨車(chē)時(shí)，緊貼轉(zhuǎn)彎車(chē)輛停車(chē)，這樣會(huì)造成危險(xiǎn)。為了防范內(nèi)輪差事故并給予行人以警示，用數(shù)學(xué)建模的方式分析車(chē)輛的內(nèi)輪差，并根據(jù)結(jié)果給出一個(gè)可以避免內(nèi)輪差事故發(fā)生的可行方法。

1 模型假設(shè)

針對(duì)以上問(wèn)題，我們提出以下合理假設(shè)。

（1）不考慮前輪外傾、前輪前束、主銷(xiāo)后傾、主銷(xiāo)內(nèi)傾對(duì)車(chē)輛轉(zhuǎn)彎的影響。

（2）轉(zhuǎn)彎時(shí)整個(gè)車(chē)輛沒(méi)有變形，可看作剛體。

（3）轉(zhuǎn)彎時(shí)車(chē)速保持相對(duì)穩(wěn)定。

2 建立基于神經(jīng)網(wǎng)絡(luò)的不同因素對(duì)內(nèi)輪差影響模型

2.1 神經(jīng)網(wǎng)絡(luò)模型分析

由于在實(shí)際問(wèn)題中，影響內(nèi)輪差的因素有很多，我們可以用內(nèi)輪差幾何模型推導(dǎo)內(nèi)輪差的數(shù)據(jù)，通過(guò)回歸分析，找到影響內(nèi)輪差的因素，以及輪距、軸距、最小轉(zhuǎn)彎半徑對(duì)內(nèi)輪差影響的大小程度。但回歸分析總存在著一定的誤差，不能很精確的反應(yīng)不同因素對(duì)內(nèi)輪差的影響，于是我們想到了用人工智能的方法—— 神經(jīng)網(wǎng)絡(luò)來(lái)擬合內(nèi)輪差與不同影響因素之間的函數(shù)，精確程度會(huì)大大的提高。

2.2 建立神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下。

步驟1：基于K-均值聚類(lèi)方法求取基函數(shù)中心。

（1）網(wǎng)絡(luò)初始化：隨機(jī)選取個(gè)訓(xùn)練樣本作為聚類(lèi)中心（）。

（2）將輸入的訓(xùn)練樣本集合按最近鄰規(guī)則分組：按照與中心為之間的歐式距離將分配到輸入樣本的各個(gè)聚類(lèi)集合中。

3）重新調(diào)整聚類(lèi)中心：計(jì)算各個(gè)聚類(lèi)中心中訓(xùn)練樣本的平均值，即新的聚類(lèi)中心，如果新的聚類(lèi)中心不再發(fā)生變化，則所得到的即為RBF神經(jīng)網(wǎng)絡(luò)最終的基函數(shù)中心，否則返回（2），進(jìn)行下一輪的中心求解。

步驟2：求解方差。

該RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)為高斯函數(shù)，方差可由下式求解：

式中，是所選中心之間的最大距離。

步驟3：計(jì)算隱含層和輸出層之間的權(quán)值。

隱含層至輸出層之間神經(jīng)元的連接權(quán)值可以用最小二乘法直接計(jì)算得到，計(jì)算公式如下：

2.3 神經(jīng)網(wǎng)絡(luò)模型的求解

通過(guò)MATLAB編程實(shí)現(xiàn)了函數(shù)的擬合，得到了真實(shí)數(shù)據(jù)和RBF神經(jīng)網(wǎng)絡(luò)擬合得到的結(jié)果：

y =

0.9407 0.9015 0.8848 0.9211 0.8989 0.9623 1.0240 0.9646 0.9475 0.9807 1.7723 1.8217 1.9135 1.8793 1.8562

ty =

0.9407 0.9015 0.8848 0.9211 0.8989 0.9623 1.0240 0.9646 0.9475 0.9807 1.7723 1.8217 1.9135 1.8793 1.8562

2.4 神經(jīng)網(wǎng)絡(luò)模型的結(jié)果分析

通過(guò)得到的結(jié)果可以看出，RBF神經(jīng)網(wǎng)絡(luò)擬合曲線的精確度相當(dāng)高，通過(guò)matlab編程做出真正函數(shù)圖像、RBF神經(jīng)網(wǎng)絡(luò)圖像、和誤差圖像（如圖1）。圖中三維坐標(biāo)分別表示輪距、軸距和最小轉(zhuǎn)彎半徑，用顏色坐標(biāo)表示內(nèi)輪差。從誤差圖像上可以看出，圖像的顏色值是相同的藍(lán)色，從顏色坐標(biāo)上可以讀出值為0，即誤差為0。說(shuō)明神經(jīng)網(wǎng)絡(luò)的輸出已經(jīng)相當(dāng)?shù)谋平瘮?shù)。

2.5 神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用

如果把神經(jīng)網(wǎng)絡(luò)模型用java編程，做成用戶界面形式，形成一個(gè)系統(tǒng)。我們只需要輸入輪距、軸距、最小轉(zhuǎn)彎半徑，系統(tǒng)通過(guò)神經(jīng)網(wǎng)絡(luò)自動(dòng)得出結(jié)果顯示車(chē)輛的內(nèi)輪差，可以方便用戶使用，而且準(zhǔn)確率極高。

3 結(jié)論

由上述模型的求解過(guò)程不難看出，模型主要考慮的影響內(nèi)輪差的因素有汽車(chē)的軸距、輪距和最小轉(zhuǎn)彎半徑。RBF神經(jīng)網(wǎng)絡(luò)擬合曲線的精確度相當(dāng)高，在系統(tǒng)中輸入輪距、軸距、最小轉(zhuǎn)彎半徑，即可得到輸出的內(nèi)輪差。

參考文獻(xiàn)

[1] 《運(yùn)籌學(xué)》教材編寫(xiě)組編.運(yùn)籌學(xué)[M].3版.北京：清華大學(xué)出版社，2005.6.

[2] 數(shù)據(jù)來(lái)源于汽車(chē)之家[EB/OL].http：//www.autohome.com.cn/.

[3] 薛定宇，陳陽(yáng)泉.高等應(yīng)用數(shù)學(xué)問(wèn)題的MATLAB求解[M].北京：清華大學(xué)出版社，2008.

[4] 姜啟源，謝金星，葉俊.數(shù)學(xué)模型[M].北京：高等教育出版社，2006.

[5] matlab中文論壇.MATLABA神經(jīng)網(wǎng)絡(luò)案例分析[M].北京航空航天大學(xué)出版社，2010，4.endprint

摘 要：車(chē)輛轉(zhuǎn)彎時(shí)，是以內(nèi)側(cè)后輪為支點(diǎn)進(jìn)行移動(dòng)，導(dǎo)致前后輪劃過(guò)的區(qū)域不同，從而形成內(nèi)輪差。為了防止內(nèi)輪差事故的發(fā)生，我們建立了數(shù)學(xué)模型，對(duì)內(nèi)輪差進(jìn)行了研究。對(duì)于RBF神經(jīng)網(wǎng)絡(luò)模型，通過(guò)matlab編程實(shí)現(xiàn)了函數(shù)的擬合，得到了真實(shí)數(shù)據(jù)y和RBF神經(jīng)網(wǎng)絡(luò)擬合得到的結(jié)果ty，并作出了真正函數(shù)圖像、RBF神經(jīng)網(wǎng)絡(luò)圖像、和誤差圖像。三維坐標(biāo)分別表示輪距、軸距和最小轉(zhuǎn)彎半徑，用顏色坐標(biāo)表示內(nèi)輪差。從誤差圖像上可以看出，圖像的顏色值是相同的藍(lán)色，從顏色坐標(biāo)上可以讀出值為0，即誤差為0。說(shuō)明神經(jīng)網(wǎng)絡(luò)的輸出已經(jīng)相當(dāng)?shù)谋平瘮?shù)。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò) 內(nèi)輪差 MATLAB

中圖分類(lèi)號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）09（a）-0033-01

車(chē)輛轉(zhuǎn)彎時(shí)，前內(nèi)輪轉(zhuǎn)彎半徑，與后內(nèi)輪轉(zhuǎn)彎半徑之差，就叫內(nèi)輪差。如果從高處垂直觀察車(chē)輛轉(zhuǎn)彎時(shí)的狀態(tài)，就會(huì)發(fā)現(xiàn)，轉(zhuǎn)彎車(chē)輛是以內(nèi)側(cè)后輪為支點(diǎn)進(jìn)行移動(dòng)的，前后車(chē)輪劃過(guò)的區(qū)域其實(shí)是不同的。內(nèi)輪差被很多人忽略，在馬路上電動(dòng)車(chē)駕駛?cè)嘶蛐腥擞龅睫D(zhuǎn)彎的大貨車(chē)時(shí)，緊貼轉(zhuǎn)彎車(chē)輛停車(chē)，這樣會(huì)造成危險(xiǎn)。為了防范內(nèi)輪差事故并給予行人以警示，用數(shù)學(xué)建模的方式分析車(chē)輛的內(nèi)輪差，并根據(jù)結(jié)果給出一個(gè)可以避免內(nèi)輪差事故發(fā)生的可行方法。

1 模型假設(shè)

針對(duì)以上問(wèn)題，我們提出以下合理假設(shè)。

（1）不考慮前輪外傾、前輪前束、主銷(xiāo)后傾、主銷(xiāo)內(nèi)傾對(duì)車(chē)輛轉(zhuǎn)彎的影響。

（2）轉(zhuǎn)彎時(shí)整個(gè)車(chē)輛沒(méi)有變形，可看作剛體。

（3）轉(zhuǎn)彎時(shí)車(chē)速保持相對(duì)穩(wěn)定。

2 建立基于神經(jīng)網(wǎng)絡(luò)的不同因素對(duì)內(nèi)輪差影響模型

2.1 神經(jīng)網(wǎng)絡(luò)模型分析

由于在實(shí)際問(wèn)題中，影響內(nèi)輪差的因素有很多，我們可以用內(nèi)輪差幾何模型推導(dǎo)內(nèi)輪差的數(shù)據(jù)，通過(guò)回歸分析，找到影響內(nèi)輪差的因素，以及輪距、軸距、最小轉(zhuǎn)彎半徑對(duì)內(nèi)輪差影響的大小程度。但回歸分析總存在著一定的誤差，不能很精確的反應(yīng)不同因素對(duì)內(nèi)輪差的影響，于是我們想到了用人工智能的方法—— 神經(jīng)網(wǎng)絡(luò)來(lái)擬合內(nèi)輪差與不同影響因素之間的函數(shù)，精確程度會(huì)大大的提高。

2.2 建立神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下。

步驟1：基于K-均值聚類(lèi)方法求取基函數(shù)中心。

（1）網(wǎng)絡(luò)初始化：隨機(jī)選取個(gè)訓(xùn)練樣本作為聚類(lèi)中心（）。

（2）將輸入的訓(xùn)練樣本集合按最近鄰規(guī)則分組：按照與中心為之間的歐式距離將分配到輸入樣本的各個(gè)聚類(lèi)集合中。

3）重新調(diào)整聚類(lèi)中心：計(jì)算各個(gè)聚類(lèi)中心中訓(xùn)練樣本的平均值，即新的聚類(lèi)中心，如果新的聚類(lèi)中心不再發(fā)生變化，則所得到的即為RBF神經(jīng)網(wǎng)絡(luò)最終的基函數(shù)中心，否則返回（2），進(jìn)行下一輪的中心求解。

步驟2：求解方差。

該RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)為高斯函數(shù)，方差可由下式求解：

式中，是所選中心之間的最大距離。

步驟3：計(jì)算隱含層和輸出層之間的權(quán)值。

隱含層至輸出層之間神經(jīng)元的連接權(quán)值可以用最小二乘法直接計(jì)算得到，計(jì)算公式如下：

2.3 神經(jīng)網(wǎng)絡(luò)模型的求解

通過(guò)MATLAB編程實(shí)現(xiàn)了函數(shù)的擬合，得到了真實(shí)數(shù)據(jù)和RBF神經(jīng)網(wǎng)絡(luò)擬合得到的結(jié)果：

y =

0.9407 0.9015 0.8848 0.9211 0.8989 0.9623 1.0240 0.9646 0.9475 0.9807 1.7723 1.8217 1.9135 1.8793 1.8562

ty =

0.9407 0.9015 0.8848 0.9211 0.8989 0.9623 1.0240 0.9646 0.9475 0.9807 1.7723 1.8217 1.9135 1.8793 1.8562

2.4 神經(jīng)網(wǎng)絡(luò)模型的結(jié)果分析

通過(guò)得到的結(jié)果可以看出，RBF神經(jīng)網(wǎng)絡(luò)擬合曲線的精確度相當(dāng)高，通過(guò)matlab編程做出真正函數(shù)圖像、RBF神經(jīng)網(wǎng)絡(luò)圖像、和誤差圖像（如圖1）。圖中三維坐標(biāo)分別表示輪距、軸距和最小轉(zhuǎn)彎半徑，用顏色坐標(biāo)表示內(nèi)輪差。從誤差圖像上可以看出，圖像的顏色值是相同的藍(lán)色，從顏色坐標(biāo)上可以讀出值為0，即誤差為0。說(shuō)明神經(jīng)網(wǎng)絡(luò)的輸出已經(jīng)相當(dāng)?shù)谋平瘮?shù)。

2.5 神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用

如果把神經(jīng)網(wǎng)絡(luò)模型用java編程，做成用戶界面形式，形成一個(gè)系統(tǒng)。我們只需要輸入輪距、軸距、最小轉(zhuǎn)彎半徑，系統(tǒng)通過(guò)神經(jīng)網(wǎng)絡(luò)自動(dòng)得出結(jié)果顯示車(chē)輛的內(nèi)輪差，可以方便用戶使用，而且準(zhǔn)確率極高。

3 結(jié)論

由上述模型的求解過(guò)程不難看出，模型主要考慮的影響內(nèi)輪差的因素有汽車(chē)的軸距、輪距和最小轉(zhuǎn)彎半徑。RBF神經(jīng)網(wǎng)絡(luò)擬合曲線的精確度相當(dāng)高，在系統(tǒng)中輸入輪距、軸距、最小轉(zhuǎn)彎半徑，即可得到輸出的內(nèi)輪差。

參考文獻(xiàn)

[1] 《運(yùn)籌學(xué)》教材編寫(xiě)組編.運(yùn)籌學(xué)[M].3版.北京：清華大學(xué)出版社，2005.6.

[2] 數(shù)據(jù)來(lái)源于汽車(chē)之家[EB/OL].http：//www.autohome.com.cn/.

[3] 薛定宇，陳陽(yáng)泉.高等應(yīng)用數(shù)學(xué)問(wèn)題的MATLAB求解[M].北京：清華大學(xué)出版社，2008.

[4] 姜啟源，謝金星，葉俊.數(shù)學(xué)模型[M].北京：高等教育出版社，2006.

[5] matlab中文論壇.MATLABA神經(jīng)網(wǎng)絡(luò)案例分析[M].北京航空航天大學(xué)出版社，2010，4.endprint