| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 美国、欧盟和日本的滑行试验方法对比 | 第11-14页 |
| 1.2.2 我国国家标准中推荐的滑行试验方法 | 第14页 |
| 1.3 本文的主要工作 | 第14-16页 |
| 第二章 车辆滑行试验方法介绍 | 第16-20页 |
| 2.1 道路滑行试验方法 | 第16-17页 |
| 2.2 台架滑行试验 | 第17-19页 |
| 2.2.1 台架滑行试验步骤与原理 | 第17-18页 |
| 2.2.2 计算顺序 | 第18-19页 |
| 2.3 本章小节 | 第19-20页 |
| 第三章 BP神经网络的预测效果研究 | 第20-35页 |
| 3.1 神经网络概述 | 第20-27页 |
| 3.1.1 神经网络的发展过程 | 第20-21页 |
| 3.1.2 神经网络的一些应用领域 | 第21-22页 |
| 3.1.3 神经网络学习原理 | 第22页 |
| 3.1.4 神经网络的的特点 | 第22-23页 |
| 3.1.5 BP神经网络基本理论 | 第23页 |
| 3.1.6 BP神经网络工作原理 | 第23-26页 |
| 3.1.7 BP算法操作步骤 | 第26页 |
| 3.1.8 BP神经网络的主要缺点及改进方法 | 第26-27页 |
| 3.2 MATLAB仿真下的滑行阻力建模 | 第27-34页 |
| 3.2.1 Matlab软件和神经网络工具箱简介 | 第27-28页 |
| 3.2.2 利用nntool神经网络工具箱进行仿真分析 | 第28-32页 |
| 3.2.3 网络的评估与分析 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 遗传算法改进阻力预测模型 | 第35-60页 |
| 4.1 遗传算法概述 | 第35-40页 |
| 4.1.1 遗传算法发展过程 | 第35-36页 |
| 4.1.2 遗传算法四要素和基本操作 | 第36-37页 |
| 4.1.3 遗传算法的理论基础 | 第37-38页 |
| 4.1.4 遗传算法在优化方法上的的特点 | 第38-39页 |
| 4.1.5 遗传算法的优势 | 第39页 |
| 4.1.6 遗传算法与传统优化算法对比 | 第39-40页 |
| 4.2 车辆滑行阻力分析与建模 | 第40-46页 |
| 4.2.1 滑行试验的力学分析 | 第40-43页 |
| 4.2.2 车辆滑行阻力平衡方程 | 第43-44页 |
| 4.2.3 滑行阻力校准 | 第44-45页 |
| 4.2.4 影响滑行阻力的因素 | 第45-46页 |
| 4.3 遗传算法优化滑行阻力建模的具体实现 | 第46-52页 |
| 4.3.1 遗传算法优化过程 | 第46-47页 |
| 4.3.2 数据预处理 | 第47-48页 |
| 4.3.3 BP网络参数确定 | 第48-50页 |
| 4.3.4 遗传算法参数设定 | 第50-51页 |
| 4.3.5 变异算子 | 第51-52页 |
| 4.3.6 种群规模 | 第52页 |
| 4.3.7 终止循环条件 | 第52页 |
| 4.4 模型建立和程序设计实例 | 第52-57页 |
| 4.4.1 变量设置及数据归一化 | 第52-53页 |
| 4.4.2 编码函数 | 第53-55页 |
| 4.4.3 Matlab遗传算法工具箱（GAOT） | 第55-56页 |
| 4.4.4 工具箱函数在网络参数优化中的运用 | 第56-57页 |
| 4.5 仿真测试结果与分析 | 第57-59页 |
| 4.6 本章小节 | 第59-60页 |
| 第五章 结论与展望 | 第60-62页 |
| 5.1 结论 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间已发表或录用的论文 | 第66-68页 |