摘要：提出了一种新的汽车使用安谧性评判手法。开始，应用含糊聚类手法对使用安谧性数据举行更为合理的排序。正在此基本上，应用BP神经搜集表面构制了教练样本并对其举行教练，修设了全部的神经搜集布局，取得使用安谧性归纳评判计分值，便当了使用安谧性的评判。比拟古代的评判手法，该手法能够得到更直观、合理的评判结果。同时，该手法可为其他大型、杂乱的（试验）评判供给思绪。

1、序论汽车使用安谧性是指正在驾驶者不觉得过分危殆、疲顿的条款下，汽车能听命驾驶者通过转向系及转向车轮给定的偏向行驶，且当碰到外界搅扰时，汽车能抵当搅扰而依旧安谧行驶的才能。汽车使用安谧性不但影响驾驶的使用便当水平，也是断定汽车高速行驶安乐性的紧要机能之一。汽车使用安谧性试验是整车试验的主要实质之一。GB/T 6323—2014《汽车使用安谧性试验手法》中详述了使用安谧性的试验和评判手法。依据该准绳的划定，汽车使用安谧性试验由很众单项试验组成，个中，稳态展转试验、转向回正机能试验、转向简便性试验、转向盘转角阶跃输入试验、转向盘转角脉冲输入试验、蛇形试验（本文平分别简称为单项1～单项6）是最主要的6个单项试验[2]。汽车行业准绳QC/T 480—1999《汽车使用安谧性目标限值与评判手法》中指出，使用安谧性总的评判计分值由上述6个单项试验计分值举行均匀取得[3]。这种评判办法未研究各单项试验机能是否平衡，从这个角度看，这种评判办法不甚合理。本文研究各单项试验机能的平衡题目，应用含糊聚类理会手法对各车型使用安谧性数据举行排序，应用BP神经搜集表面，将各车型使用安谧性数据加以改制举动BP神经搜集的教练样本，得到全部神经搜集布局。通过该神经搜集布局，可取得每个车型使用安谧性的归纳计分值，便当了车辆使用安谧性的评判。

汽车使用安谧性优劣的评判须要依据某种礼貌对所评判车辆的使用安谧性数据举行排序。聚类理会是将数据分类到分歧簇的历程，于是统一簇中的数据有很大近似性，依据近似水平的巨细，能够对数据举行排序。工程现实中簇的范围往往不分明，采用含糊聚类理会手法往往较量契合现实，是以，本文采用含糊聚类理会手法对汽车使用安谧性数据举行排序。

从市集上完全车型使用安谧性数据（包罗前述6个单项试验计分值）中挑选出若干具有代表性的数据举动样本。日常来说，样本容量应足够大，不失日常性，且为估量便当，本文行使MATLAB软件天生了29组取值畛域为[60,100]的随机数举动样本数据，如表1所示。

将表1中的数据举行含糊聚类理会，即取得各车型使用安谧性归纳机能的排序。含糊聚类理会手法排序的规定是，越先聚为一类的车型，计分值越近似，排名越挨近。倘使存正在某车型，其每个单项试验计分值均不低于上述29个车型，很明显，其应位列第一。现假设一个编号为30的车型，其6个单项试验计分值分裂为上述29组数据中各单项试验计分值的最大值，即97.4、99.9、99.2、99.0、97.2、99.4，然后依据与这个假设车型聚为一类的先后秩序确定车型排序。

将6个单项试验计分值举动各车型特点数据，各车型特点数据组合成数据矩阵X=（xij）30×6，个中，xi1～xi6分裂表现编号为i的车型的6个单项试验计分值。

按照古代聚类手法确定近似水平数据，修设含糊近似矩阵。确定近似水平数据的手法紧要有近似系数法、间隔法、主观评分法等。个中，近似系数法又分为数目积法、夹角余弦法、闭系系数法、几何均匀最小法等。全部采用何种手法，须要依据题目的本质及行使便当情景举行采选。本文采用数目积法估量近似水平数据rij：

用含糊数学中的传达闭包法将上述含糊近似矩阵转化为含糊等价矩阵，尔后举行聚类理会。为便当估量，本文用MATLAB软件编制了含糊聚类理会闭系法式。

移用上述含糊聚类理会法式，取得各车型排序，将其与原排序（依据QC/T 480—1999中的手法取得的排序）举行比拟，结果如表2所示。由表2可知，有6种车型采用两种排序手法的排名纷歧律。

用含糊聚类理会手法取得的新排序，既研究了6个单项试验的一共分值，又研究了各单项试验机能是否平衡，即各单项试验机能是否亲密29组数据中相应考验的最好机能。比如，排名为21、22（编号为14、23）的两个车型各单项试验计分值总和分裂为472.3和471.8，依据原排序手法，编号为14的车辆使用安谧性较好，而行使新排序手法，编号为23的车辆使用安谧性较好，这是由于该车型各单项试验机能间更平衡，更亲密29组车型中各单项试验的最好机能。

含糊聚类理会手法的舛误是只可给出相对排名，不行给出全部计分值，这正在现实运用中较为未便，无法取得更为直观的评判结果。为处理这个题目，给出使用安谧性归纳计分值。

因为含糊聚类理会的排名结果不是以各车型各单项试验计分值总和举行排序取得的，各车型6个单项试验计分值与所央浼的归纳计分值之间不再是纯洁的线性（均匀）闭连，而是较为杂乱的非线性闭连。那么，采用适宜的手法拟合出这种非线性闭连成为题目的枢纽。对待非线性闭连的拟合，日常有一元线性回归法（将非线性闭连简化为线性闭连）、众项式法、高次弧线法等。而对待较杂乱的非线性闭连，上述手法拟合精度不高，成果不睬念。

神经搜集时间自闪现今后，通俗运用于各式非线性闭连拟合，个中BP神经搜集运用最为通俗。对杂乱非线性闭连的拟合是BP神经搜集的上风所正在，其拟合精度较高，且拟合精度可依据现实须要举行调理[6～8]。是以本文采用BP神经搜集举行拟合。

BP神经搜集所需的教练样本须有输入数据和输出数据。明显，输出数据为各车型使用安谧性归纳计分值，而输入数据则为表1中29个车型各单项试验计分值。本文中教练样本输出数据参考6个单项试验均匀计分值举行构制。全部来说，针对表2中两种排序结果，对待排序不存正在分别的车辆，其教练样本输出数据直接为6个单项试验的均匀计分值，对待排序存正在分别的车辆，其教练样本输出数据要参考均匀计分值举行改制。表3为教练样本部门输出数据。

如表3所示，对待排序存正在分别的车辆，如排名为21、22（编号为14、23）的两个车型需正在排名为20、23（编号为12、28）的两个车型的归纳计分值之间举行线性插值。当然，也可选用其他办法完成这个结果，如直接变更编号为14、23的两个车型的均匀计分值并将其举动教练样本输出数据。原形上，当表1中车型数目足够众时，由线性插值取得的结果与“确凿”归纳计分值之间的偏差很小。是以，只消车型数目足够众，日常情景下，均可依据线性插值办法举行归纳计分值的构制。是以，本文采用线性插值手法举行处分。

取得教练样本后，需对BP神经搜集举行教练。为此，应用MATLAB软件编制了相应法式举行估量，部门法式如下：

BP神经搜集根本布局为输入层神经元6个、输出层神经元1个、中央层（隐含层）神经元36个（教练历程中一贯调理的结果），如图1所示。

教练完毕后，存在输入层与中央层、中央层与输出层之间的联贯权值和偏移值。表5为经BP神经搜集估量取得的归纳计分值（教练样本输入数据输入到BP神经搜集后输出的数值）与表面归纳计分值（即教练样本输出数据）的分别。由表5可知，BP神经搜集拟合精度较好，两组数据无分别。

至此，BP神经搜集布局已确定。只需将某车型使用安谧性的6个单项试验计分值输入到此BP神经搜集中，即可取得该车型使用安谧性归纳计分值，便当了使用安谧性评判。

比拟QC/T 480—1999中的评判手法，采用含糊聚类理会手法对汽车使用安谧性数据举行排序，能够取得更为合理的评判结果。采用BP神经搜集算法，取得全部神经搜集布局及使用安谧性归纳计分值，便当了使用安谧性评判。同时，本文所述评判手法可为其他大型、杂乱的（试验）评判供给思绪。

汽车测试网-创设于2008年，报道汽车测试时间与产物、趋向、动态等 闭系邮箱 marketing#auto-testing.net (把#改成@)