| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第13-33页 |
| 1.1 研究背景与意义 | 第13页 |
| 1.2 智能悬架系统发展现状 | 第13-18页 |
| 1.2.1 车辆智能悬架系统分类 | 第13-16页 |
| 1.2.2 车辆智能悬架在民用车辆领域的应用 | 第16-17页 |
| 1.2.3 车辆智能悬架在军用车辆领域的应用 | 第17-18页 |
| 1.3 路面感知技术概述 | 第18-21页 |
| 1.3.1 路面复现技术 | 第18-19页 |
| 1.3.2 基于车辆动力学响应的路面识别 | 第19页 |
| 1.3.3 基于神经网络技术的路面识别 | 第19-20页 |
| 1.3.4 基于车载摄像头的路面感知 | 第20-21页 |
| 1.4 车辆智能悬架控制理论发展概述 | 第21-27页 |
| 1.4.1 传统控制算法 | 第21-22页 |
| 1.4.2 现代控制算法 | 第22-25页 |
| 1.4.3 智能控制算法 | 第25-26页 |
| 1.4.4 车辆悬架系统状态观测 | 第26-27页 |
| 1.5 车辆智能悬架系统性能指标分析与难点问题 | 第27-29页 |
| 1.5.1 车辆悬架系统性能指标分析 | 第27-28页 |
| 1.5.2 智能悬架系统特点与控制问题 | 第28-29页 |
| 1.6 车辆智能悬架系统发展展望 | 第29-31页 |
| 1.7 本文主要研究内容 | 第31-33页 |
| 第2章 车辆智能悬架系统振动模型与路面模型 | 第33-56页 |
| 2.1 引言 | 第33页 |
| 2.2 悬架系统模型建立 | 第33-39页 |
| 2.2.1 悬架系统建模原则 | 第33-34页 |
| 2.2.2 四分之一麦弗逊悬架模型 | 第34-37页 |
| 2.2.3 单轮2自由度线性悬架模型 | 第37-39页 |
| 2.3 可调阻尼减振器建模 | 第39-51页 |
| 2.3.1 CDC减振器工作原理分析 | 第39-42页 |
| 2.3.2 CDC减振器速度—力特性研究 | 第42-45页 |
| 2.3.3 基于RBF神经网络的减振器的建模 | 第45-51页 |
| 2.4 路面时域高程的生成 | 第51-54页 |
| 2.4.1 路面输入模型 | 第51-53页 |
| 2.4.2 时域路面随机输入的构造 | 第53-54页 |
| 2.5 本章小结 | 第54-56页 |
| 第3章 悬架参数对智能悬架控制算法性能的影响 | 第56-78页 |
| 3.1 引言 | 第56页 |
| 3.2 车辆悬架系统无量纲参数的定义 | 第56-58页 |
| 3.3 无量纲参数对智能悬架控制性能影响的仿真分析 | 第58-68页 |
| 3.3.1 智能悬架控制算法介绍 | 第58-60页 |
| 3.3.2 阻尼比对智能悬架控制性能的影响 | 第60-64页 |
| 3.3.3 质量比对智能悬架控制性能的影响 | 第64-66页 |
| 3.3.4 刚度比对智能悬架控制性能的影响 | 第66-68页 |
| 3.4 车辆智能悬架的簧载质量估计 | 第68-76页 |
| 3.4.1 簧载质量估计的流程 | 第68-69页 |
| 3.4.2 基于卡尔曼滤波算法的车辆悬架状态估计 | 第69-74页 |
| 3.4.3 基于遗忘因子递推最小二乘法的参数估计 | 第74-76页 |
| 3.5 本章小结 | 第76-78页 |
| 第4章 基于多传感器信息融合的路面等级识别研究 | 第78-101页 |
| 4.1 引言 | 第78页 |
| 4.2 基于多传感器信息融合的路面等级识别流程及路面感知的重要性 | 第78-81页 |
| 4.3 基于小波包与经验模态分解的悬架振动响应分析 | 第81-87页 |
| 4.3.1 小波包分析基本理论 | 第82-83页 |
| 4.3.2 经验模态分解方法的基本原理 | 第83-85页 |
| 4.3.3 基于小波包和EMD协同方法的振动信号分析 | 第85-87页 |
| 4.4 悬架动态响应信号的特征参数提取 | 第87-92页 |
| 4.4.1 传感器信号与特征参数定义 | 第87-88页 |
| 4.4.2 基于最大相关最小冗余（mRMR）特征选择算法 | 第88-92页 |
| 4.5 基于传感器信息融合的级联分类器设计 | 第92-100页 |
| 4.5.1 概率神经网络分类器 | 第93-94页 |
| 4.5.2 随机森林 | 第94-95页 |
| 4.5.3 基于传感器信息融合的级联分类器 | 第95-96页 |
| 4.5.4 仿真结果及分析 | 第96-100页 |
| 4.6 本章小结 | 第100-101页 |
| 第5章 智能悬架自适应神经网络控制算法研究 | 第101-118页 |
| 5.1 引言 | 第101页 |
| 5.2 问题描述 | 第101-102页 |
| 5.3 基于滑模变结构的自适应神经网络控制算法（SMCNN）研究 | 第102-104页 |
| 5.4 自适应神经网络backstepping控制算法研究 | 第104-107页 |
| 5.5 智能悬架控制器控制参数的优化 | 第107-109页 |
| 5.5.1 智能悬架控制算法参数选取的依据 | 第107-108页 |
| 5.5.2 基于改进型粒子群优化算法的参数选取 | 第108-109页 |
| 5.6 智能悬架系统综合仿真分析 | 第109-117页 |
| 5.6.1 正弦路面激励仿真分析 | 第110-112页 |
| 5.6.2 减速带激励仿真分析 | 第112-114页 |
| 5.6.3 随机路面激励仿真分析 | 第114-117页 |
| 5.7 本章小结 | 第117-118页 |
| 第6章 智能悬架控制器研制及台架实验 | 第118-129页 |
| 6.1 引言 | 第118页 |
| 6.2 基于四分之一悬架的台架实验平台开发 | 第118-122页 |
| 6.2.1 单轮车辆悬架台架组成 | 第118-119页 |
| 6.2.2 基于NI PXI系统的悬架测控平台 | 第119-122页 |
| 6.3 半主动悬架控制器的研制 | 第122-123页 |
| 6.4 基于多传感器信息融合的路面等级识别实验 | 第123-127页 |
| 6.5 自适应神经网络算法的半主动悬架控制实验 | 第127-128页 |
| 6.6 本章小结 | 第128-129页 |
| 总结 | 第129-133页 |
| 参考文献 | 第133-147页 |
| 攻读学位期间发表论文与研究成果清单 | 第147-149页 |
| 致谢 | 第149-150页 |
| 作者简介 | 第150页 |
