1、“.....由于半主动悬架装置为非线性系统，以常规控制理论对其进行控制较难达到较好的控制水平，因此使用神经网络控制方法能较好的达到控制目的。然而神经网络控制的硬件灵活性相对其他控制算法而言较差。同时，尽管拥有较好的拟合能力，对于较复杂的控制系统，神经网络预测的结果通常也会存在较大的误差。因此单纯的神经网络的应用具有定的局限性。以遗传算法对神经网络的优化效果较为理想。这说明使用不同的弱人工智能算法使其相互结合取长补短的做法对解决实际的工程应用问题是有极大帮助的。当然，不同算法在相互结合后也可能造成运算量增大随机性增高等些缺点，但这些缺点可以被不断发展的硬件设施及适当调节算法的些参数来避免。通过理论分析以及仿真计算......”。

2、“.....反映了所设计的遗传算法优化的神经网络系统的合理性与可靠性，同时反映出遗传算法优化的神经网络系统具有良好的适应能力和优秀的鲁棒性。这表明弱人工智能算法在对车辆性能进行改善时具有极为优秀的潜力。由于条件所限，本文无法对所提出的控制系统建立实物模型及进行实物的性能实验，对其它优化方法也尚未进行分析运算。对神经网络控制的优化，除本文中所使用的以遗传算法优化外，还有以群智能算法退火算法等对其进行优化等诸多思想。而神经网络控制的计算函数训练参数等也有较多的选择。这需要在未来工作中作进步的探讨。参考文献应艳杰，陈家玮汽车主动悬架控制技术与发展安徽电子信息职业技术学院学报刘少军，饶大可，黄中华车辆主动悬架系统及其控制方法湘潭大学自然科学学报刘少军基于高速开关阀技术的液压主动隔振系统及控制研究策略中南大学博士学位论文......”。

3、“.....尹志新，李端芳，唐萌，贺琳丹基于的时域路面不平度仿真研究装备制造技术彭佳，何杰，李旭杰，等路面不平度随机激励时域模型的仿真比较与评价解放军理工大学学报赵玲基于的汽车悬架系统动态仿真机械陈嫄姈，贾国峰神经网络及网络工作原理郑州牧业工程高等专科学校学报申富饶，徐烨神经网络与机器学习北京机械工业出版社，潘文超果蝇最佳优化算法台湾沧海书局，中文论坛神经网络个案例分析北京北京航空航天大学出版社，姚斌车辆磁流变半主动悬架的模糊控制研究江苏大学硕士学位论文，郭大蕾车辆悬架振动的神经网络半主动控制南京航空航天大学博士学位论文，胡氢，司纪凯智能控制技术现状分析及发展煤矿机械，张吉礼模糊神经网络控制原理与工程应用哈尔滨哈尔滨工业大学出版社，陈杨车辆半主动悬架系统控制与试验研究江苏大学硕士学位论文附录程序绝对遍历,,,,......”。

4、“.....十进制阵的初始化,最佳适应度用遗传算法优化的网络进行值预测,反归化遗传算法优化神经网络预测误差分析样本阻尼器阻尼力系数预测数值,实际数值其他程序见所附盘,此处注意，变时此处变。,结果,最优阻尼器阻尼力系数变化曲线进化代数最优阻尼器阻尼力系数归化,个体范围注意调下初始化开搞编码个体适应度染色体适应度,最优和最差,记录适应度,适应度曲线终止代数进化代数适应度平均适应度输入层输出层隐藏层图中为输入层第个节点的输入信号,,为输入层第个节点到隐藏层第个节点之间的权值,为隐藏层第个节点中的阀值为隐藏层第个节点的激励函数为隐藏层第个节点到输出层第个节点之间的权值,为输出层第个节点中的阀值为输出层第个节点的激励函数为输出层第个节点的输出信号。在神经网络中，信号的传递过程可分成两个部分......”。

5、“.....参照文献及文献，可将其以下列函数表示在学习过程的正向传递过程中隐藏层第个节点的输入隐藏层第个节点的输出输出层第个节点的输入输出层第个节点的输出在误差信号的反向传递过程中，神经网络首先经由输出层开始，对神经网络的产生的误差进行逆向分析，同时以梯度下降的方式对各层的权重与阀值进行调节，从而使神经网络能设立对应已知输入和输出关系的参数结构。对于每个样本的二次型误差准则函数式中为输出层第个节点的期望输出系统对个样本的总误差准则函数根据误差梯度下降法依次修正从隐藏层第个节点到输出层第个节点之间的权值的修正量，输出层第个节点中的阀值修正量，从输入层第个节点到隐藏层第个节点之间的权值修正量，输出层第个节点中的阀值修正量......”。

6、“.....又因为综上，可得到以下调整公式神经网络流程图如图所示图神经网络流程图批量输入学习样本并且对输入和输出量进行归化处理参数初始化最大训练次数。学习精度，隐节点数，初始权值，阈值，初始学习速率等计算各层的输入和输出值计算输出层识差ε修正权值与阈值结束开始以神经网络算法对半主动车辆悬架系统进行控制神经网络的建立根据车辆悬架系统的控制需求，确定神经网络结构为......”。

7、“.....给定学习速率和神经元激励参数。建立神经网络结构如图所示图所建立的神经网络其中，隐藏层所使用的转换函数类型为型，输出层所使用的转换函数类型为线性型。二神经网络训练参数的选取由于神经网络在被训练时需要输入参数及对应的输出参数作为训练数据，使神经网络系统能依照训练数据调整其每个神经元节点的权值和阀值，故选择适当的参数作为训练数据是对神经网络而言较为重要的个环节。在半主动车辆悬架模型中，系统输入参数为时间频率下路面不平度，输出参数为车身振动加速度车身振动速度车身振动位移车轮振动加速度车轮振动速度车轮振动位移，系统可变参数为悬架装置阻尼器阻尼系数。故此神经网络的训练数据仅能从以上参数中选取......”。

8、“.....最后所需对悬架系统进行控制的量也仅有个，故可以将神经网络的输入层神经元及输出层神经元均设立为个。此时神经网络系统的输出参数为悬架装置阻尼器阻尼系数。对于神经网络的输入参数，则有较多的选择。由于在车身振动加速度车身振动速度车身振动位移车轮振动加速度车轮振动速度车轮振动位移等六个参数中，对人体所感受到的平顺感舒适感影响最深的是车身振动的频率和强度即车身振动加速度，故此本文选取车身振动加速度作为神经网络的输入参数。由于在实际应用中，半主动车辆悬架装置所连接的微处理器较难在短时间内对大量数据进行反应。因此，神经网络所能使用的训练数据较少。故本文在模拟仿真中仅使用组数据对控制车辆悬架装置的神经网始化个体编码方法为实属编码，每个个体均为实数串，由输入层与隐藏层连接权值隐藏层阀值隐藏层与输出层连接权值以及输出层阀值个部分组成......”。

9、“.....在网络结构已知的情况下，即可组成个确定的神经网络。适应度函数根据个体得到神经网络的初始权值和阀值，用训练数据训练神经网络后预测系统输出。将预测输出与期望输出之间的误差绝对值之和作为个体适应度值。个体适应度值计算公式为式中为神经网络输出节点数为神经网络第个节点的期望输出为神经网络第个节点的预测输出。选择操作遗传算法的选择操作有轮盘赌法锦标赛法等多种方法，本案例选择轮盘赌法，即基于适应度比例的选择策略。每个个体的选择概率为式中为个体的个体适应度值的倒数，为种群个体数目。交叉操作本文中对个体的编码采用实数编码，故交叉操作方法也采用实数交叉法。第个染色体和第个染色体在染色体位的交叉操作方法如下式中为,区间上的随机数。变异操作选取第个个体的第个基因进行变异......”。