| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 引言 | 第11-15页 |
| 1.1.1 汽车排放物种类和危害 | 第11-13页 |
| 1.1.2 国外汽车排放法规概况 | 第13-14页 |
| 1.1.3 国内汽车排放法规概况 | 第14-15页 |
| 1.2 汽车排放的研究方法 | 第15-17页 |
| 1.2.1 整车排放物测试方法 | 第15-16页 |
| 1.2.2 整车排放的模拟方法 | 第16-17页 |
| 1.3 人工神经网络发展 | 第17-18页 |
| 1.4 本文主要研究内容及详细安排 | 第18-20页 |
| 第2章 内燃机性能试验及GT-power建模 | 第20-32页 |
| 2.1 内燃机试验系统 | 第20-21页 |
| 2.2 内燃机性能试验 | 第21-23页 |
| 2.2.1 内燃机外特性试验 | 第21-22页 |
| 2.2.2 ESC循环部分工况点测试 | 第22-23页 |
| 2.3 内燃机的GT-power建模 | 第23-32页 |
| 2.3.1 GT-power简介 | 第23页 |
| 2.3.2 GT-power建模 | 第23-27页 |
| 2.3.3 模型的验证 | 第27-32页 |
| 第3章 人工神经网络与内燃机排放性能建模 | 第32-53页 |
| 3.1 大脑神经网络与人工神经网络简介 | 第32-33页 |
| 3.1.1 大脑神经网络 | 第32-33页 |
| 3.1.2 人工神经网络 | 第33页 |
| 3.2 BP神经网络数学描述 | 第33-36页 |
| 3.3 BP神经网络遗传算法 | 第36-38页 |
| 3.3.1 种群初始化 | 第37页 |
| 3.3.2 适应度函数计算 | 第37页 |
| 3.3.3 选择操作 | 第37-38页 |
| 3.3.4 交叉操作 | 第38页 |
| 3.3.5 变异操作 | 第38页 |
| 3.4 BP神经网络的算法流程 | 第38-39页 |
| 3.5 神经网络结构确定 | 第39-42页 |
| 3.6 神经网络建模 | 第42-43页 |
| 3.7 神经网络模型验证 | 第43-53页 |
| 3.7.1 神经网络训练结果验证 | 第43-46页 |
| 3.7.2 神经网络的泛化能力验证 | 第46-48页 |
| 3.7.3 遗传算法的神经网络和传统BP神经网络泛化特性的对比 | 第48-53页 |
| 第4章 整车工况法下排放预测 | 第53-72页 |
| 4.1 汽车运行过程中受力分析 | 第53-57页 |
| 4.1.1 汽车滚动阻力 | 第53-55页 |
| 4.1.2 空气阻力 | 第55页 |
| 4.1.3 爬坡阻力 | 第55-56页 |
| 4.1.4 加速阻力 | 第56页 |
| 4.1.5 动力源动力 | 第56-57页 |
| 4.2 10-15工况法介绍及内燃机工况换算和模拟 | 第57-67页 |
| 4.2.1 日本10-15工况法 | 第57-58页 |
| 4.2.2 内燃机运转工况在整车条件下的转化 | 第58-63页 |
| 4.2.3 应用神经网络计算汽车排放 | 第63-67页 |
| 4.3 ADVISOR模拟整车排放 | 第67-72页 |
| 4.3.1 ADVISOR系统功能及建模方式 | 第67-69页 |
| 4.3.2 ADVISOR模型数据与神经网络预测数据的对比 | 第69-72页 |
| 第5章 结论 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第78页 |
