奚碧清，周 斌，王燕梅，蘇 強，駱 葳

（西南交通大學 機械工程學院，四川 成都 610031）

0 引言

造成汽車交通事故的主要因素：一是人的特性；二是車的安全性；三是道路環(huán)境；四是管理法規(guī)。其中人是主動的、有意識的，只能通過考核、審驗與交通安全的教育來約束，是無法設計或統(tǒng)一的；而車輛是客觀的，可以通過統(tǒng)一設計、評估來提高車輛的安全性能，進而更有效地保護人的安全。當下人們基本通過車輛安全碰撞試驗對汽車安全性進行檢測，但車輛安全碰撞試驗費用昂貴、試驗單一，且具有不可重復性，因此本文利用MATLAB軟件中的BP神經(jīng)網(wǎng)絡工具對汽車碰撞試驗進行模擬，并在GUI中實現(xiàn)可視化操作界面，用于汽車安全評價。

1 汽車安全評價模型

1.1 BP神經(jīng)網(wǎng)絡結構的建立

BP神經(jīng)網(wǎng)絡是一種多層前饋型的神經(jīng)網(wǎng)絡，它的神經(jīng)元激活函數(shù)是S形函數(shù)，輸出量為0到1之間的連續(xù)量，可以實現(xiàn)從輸入到輸出的任意非線性映射，其權值是通過反向傳播方式調整的［1］。一般的BP神經(jīng)網(wǎng)絡通常有1個或多個隱層，隱層中的非線性傳遞函數(shù)神經(jīng)元可以學習輸入、輸出之間的線性和非線性關系，線性輸出拓寬網(wǎng)絡輸出［2－3］。

本文選取汽車外型的7個主要參數(shù)（汽車長度、寬度、高度、整備質量、排量、被動安全裝置數(shù)、價格）作為BP神經(jīng)網(wǎng)絡的輸入，汽車碰撞試驗得分作為BP網(wǎng)絡的輸出。根據(jù)Lippmann提出的最大隱含層節(jié)點的數(shù)目確定方法［4］，本文選取初始隱含層神經(jīng)元個數(shù)為5個，后經(jīng)過反復調試訓練，最終選定為8個，所以構成汽車被動安全評價BP網(wǎng)絡結構為7－8－1，即輸入為7個節(jié)點，隱含層有8個節(jié)點，輸出層有1個節(jié)點。BP網(wǎng)絡拓撲結構見圖1。圖1中，wij為輸入層到隱含層的連接權值，wjk為隱含層到輸出層的連接權值。

圖1 BP網(wǎng)絡拓撲結構圖

1.2 汽車被動安全評價的MATLAB實現(xiàn)

利用MATLAB軟件中的newff、sim和train3個神經(jīng)網(wǎng)絡函數(shù)［5－6］，構建BP神經(jīng)網(wǎng)絡，其中訓練次數(shù)為300次，訓練目標為0.01（即輸出誤差為1%），學習速率為0.01，傳遞函數(shù)為tansig。本文搜集了72款不同車型的碰撞試驗結果數(shù)據(jù)，表1列舉了部分BP神經(jīng)網(wǎng)絡輸入、輸出參數(shù)。

表1 BP神經(jīng)網(wǎng)絡輸入、輸出參數(shù)

表1中的數(shù)據(jù)均來源于C－NCAP官網(wǎng)，被動安全裝置包括前排側氣囊、后排側氣囊、頭部氣簾、膝部氣囊及兒童座椅接口，安裝的加1，未安裝的加0，被動安全裝置數(shù)即上述所有裝置相加所得數(shù)值。

在72組數(shù)據(jù)中隨機選取50組數(shù)據(jù)對BP網(wǎng)絡模型進行訓練，其網(wǎng)絡擬合效果如圖2和圖3所示。

圖3中的誤差是本試驗預測結果與C－NCAP官網(wǎng)上相對應車型的碰撞試驗數(shù)據(jù)的對比結果。

利用建立好的BP神經(jīng)網(wǎng)絡模型對另外22輛車型進行預測，將預測結果與C－NCAP官網(wǎng)上相對應車型的碰撞試驗數(shù)據(jù)對比，得到誤差如圖4所示。

圖2 BP網(wǎng)絡模擬得到的汽車被動安全評價值

圖3 BP網(wǎng)絡模擬得到的汽車被動 安全評價值誤差

圖4 模型預測誤差

由圖4可知，BP神經(jīng)網(wǎng)絡預測模型對22輛車型的預測誤差在0.17%以內(nèi)，滿足既定輸出誤差1%的要求，即基于BP神經(jīng)網(wǎng)絡建立的汽車被動安全評價模型能較準確地對汽車安全進行評價。

2 汽車被動安全評價軟件建立及應用

在上述建立的汽車被動安全評價模型的基礎上，利用MATLAB中的GUI平臺建立可視化的操作界面，如圖5所示。操作者可以選擇在Excel文件中輸入?yún)?shù)，然后導入到汽車被動安全評價軟件中，也可以直接在空格中輸入相應參數(shù)值。

圖5 汽車被動安全評價界面

本文選取3輛不同車型的汽車A，B，C，利用汽車被動安全評價軟件對其進行安全評價，結果如圖6所示。其中A，B，C型車的預測值分別為43.76，53.18和52.07，對比從C－NCAP官網(wǎng)中獲得A，B，C型車的實測值分別為46.21，53.3和52.97，可知軟件在單獨車型預測中存在一定的誤差，但總體誤差值較小，不影響評價各車型安全性能的好壞，其中B車安全性能最好，C車次之，A車最差，與實際碰撞試驗評價結果相符。因此該軟件是可行的，能較準確地評價各車型的被動安全性能。

圖6 汽車被動安全評價應用

3 結論

在樣本數(shù)據(jù)足夠多時（即汽車碰撞試驗數(shù)據(jù)足夠多時），BP神經(jīng)網(wǎng)絡能有效并準確地預測汽車被動安全性能。通過GUI工具對汽車被動安全評價軟件進行可視化設計，方便了實際操作，能夠為消費者提供參考，以便合理選擇所需車型。

［1］哈姆，科斯塔尼克.神經(jīng)網(wǎng)絡計算原理［M］.葉世偉，王海娟，譯.北京：機械工業(yè)出版社，2007.

［2］陳敏.基于BP神經(jīng)網(wǎng)絡的混沌時間序列預測模型研究［D］.長沙：中南大學，2007：15－20.

［3］余立雪.神經(jīng)網(wǎng)絡與實例學習［M］.北京：中國鐵道出版社，1996.

［4］王小川.MATLAB神經(jīng)網(wǎng)絡43個案例分析［M］.北京：北京航空航天大學出版社，2013.

［5］張德豐.MATLAB神經(jīng)網(wǎng)絡應用設計［M］.北京：機械工業(yè)出版社，2009.

［6］王中鮮.MATLAB建模與仿真應用［M］.北京：機械工業(yè)出版社，2010.