2具体应用
根据以上理论，采用改进的BP神经网络形式，动量因子取0.9，对有效功率校正系数和燃油消耗率校正系数与指示功率比和机械效率的关系同时进行识别，采用双输入双输出的2-10-2结构、2-15-2结构、2-20-2结构进行训练，识别情况分别如表3-5所示。
从实际的应用效果来看，2-15-2和2-20-2的逼近能力相似，2-15-2的速度快于2-20-2结构，而2-20-2结构的识别能力要远低于前两种结构，采用更少的隐层结点数就会使训练的时间过长，甚至使训练过程无法进行.因此最后选择2-15-2的BP网络结构作为最终的神经网络形式。如图1所示为训练次数与误差平方和之间的关系曲线，表4为部分网络输出与实际数值的比较.
通过以上计算分析可见，神经网络的映射输出能力是相当强的，通过合理的网络结构选择和具体的参数应用，完全可以满足优化设计的计算要求，大大缩短优化当中的计算迭代时间，提高计算效率。
3结论
（1）人工神经网络有很强的数据映射能力，能够很好地识别所给数据之间的对应关系，映射的精度可以满足一般设计计算要求.
（2）对于包含无规律图表数据的有关计算问题，应用神经网络是一个很好的加快运算速度的解决方法.
（3）在数据的映射识别当中，网络的结构形式和参数选择对于问题的求解精度和速度都是致关重要的’同时应当注意数据的过度训练问题.
（4）智能算法的应用为具体的工程计算提供了更方便、有效的手段，信捷职称论文写作发表网，寻找有效的计算方法，以及多种算法的混合应用将是摆在设计人员的一个课题.
[1]焦李成.神经网络系统理论[M]西安:西安电子科技大学出版社，1990.
[2]焦李成.神经网络的应用与实现[M].西安:西安电子科技大学出版社，1993.
[3]王文成.神经网络及其在汽车工程中的应用[M].北京:北京理工大学出版社，1998.
[4]张成宝，丁玉兰，雷雨成.人工神经网络在汽车变速器齿轮故障诊断中的应用[J].汽车工程,1999,21(6) 374-378.
[5]Watanahle Y, Sharp H S. Neural network learning control of automotive aotic-e suspension systems.lnternational,lournal of Vehicle Design[J]，1999，21(2/3):124一147.
[6]Ghazizadeh A, FahimA, Cindy M E1. Neural net works rep resentation of a vehicle model:(Neuro一Vehicle[J]Intern ational,lournal of Vehicle Design, 1996，17(1)55-75
[7]F Oztiirk, Oztiirk N. Feature一basedenvironmentalissues: ne ural network based feature recognition[J].International ,lour nal of Vehicle Design，6999，21(2/3):190一205.
