基于改良灰色bpnn和马氏链的汽车形态进化趋势预测方法
【专利摘要】基于改良灰色BPNN和马氏链的汽车形态进化趋势预测方法，以某品牌汽车为例，提取进化过程中出现的各代汽车侧面轮廓线，并输入软件得到其BEZIER曲线特征点坐标及坐标数据。具体实施步骤是：采用改良后的灰色模型，完成对汽车形态特征点进化曲线的粗略拟合；以拟合值作为输入值，实测值作为目标值，对BP神经网络(BPNN)进行训练，训练后的网络可以对特征点进化趋势作出量化预测；在此基础上，借助马氏链划分系统状态，修正预测结果以提高精度。该组合方法具有更高的精度和可靠性，因此具有潜在的应用价值。
【专利说明】基于改良灰色BPNN和马氏链的汽车形态进化趋势预测方 法
【技术领域】
[0001] 本发明涉及一种预测方法，具体涉及基于改良灰色BP順和马氏链的汽车形态进 化趋势预测方法。
【背景技术】
[0002] 汽车形态进化趋势预测一直是汽车设计的研究热点。成熟汽车品牌会在其产品更 新换代过程中保留一定的形态延续，W此提升品牌识别性，因此研究汽车形态进化趋势不 仅可W为品牌本身提供设计信息，还可W为其他品牌提供设计参考。进化算法为基础的定 量分析。定性分析如使用形状文法研究产品及汽车形态设计，或建立了产品特征变化与消 费者意象之间的映射关系进行定性预测。但与定性分析相比，定量分析能为设计师提供更 明确的设计信息，如借助遗传算法研究汽车风格并建立生成设计方法，然而使用主观评价 设定进化算法的适应度评价会影响结果的客观性，为增强预测结果的可信度，实测数据结 合组合方法进行数值预测更加有实际意义。
[0003] 汽车形态进化趋势定量预测的难点是使用单一模型需要大量样本，如线性回归 等。而汽车形态进化代数过少，其特征点进化预测属于典型小样本预测，因此如何通过小样 本的数据得到汽车形态进化趋势是预测的难点。
【发明内容】
[0004] 为解决波动型小样本数据预测难的问题，本发明采取了 W下步骤：
[0005] 本发明包括W下步骤：
[000引 （1)数据提取
[0007] 假设某车型在经历了 C次更新换代。在ALIAS软件中，汽车数模W前轮轮也为坐 标零点，W统一长度为标准进行缩放后，获得侧面轮廓线，每条线包括前车灯、前引擎盖、前 挡风玻璃、车顶、后挡风玻璃、后车箱和后车灯走部分。W Bezier曲线形式对其予W描绘， 每条Bezier曲线包括两个端点，前车灯、前挡风玻璃、后挡风玻璃有1个控制点，前引擎盖、 车顶、后车箱、后车灯有2个控制点，且相邻曲线共享同一端点。在二维坐标系统中获得点X 轴与Y轴坐标，得到19个点坐标，点坐标从第1代到第C代变化数列。由于汽车形态变化 代数较少，其数列属于典型小样本数列，
[0008] (2)对灰色模型进行改良，使其更适合波动型数据预测
[0009] A、假设有特征点X坐标数据序列为；X = (xi，X,，…，X。}。建立新数据序列X'= lx' ^X' 2,…，X' J，并替换序列X;
[0010] 当 j = 1，2 时，X' j= Xj;
[0011] 当 j = 3, 4,…，n 时，x'j. = Xj. + 完Mj.，如 Xi> X 2, X j时，u j= 0,反之，u J =-2[Xj-x"];如 Xi< X 2, X j时，u J= 0,反之，u J= 2[x 广Xj_i];
[001引 B、对X'做={x' 1(扣，X' 2做，…，X'。脚}进行一阶累加，生成模块X'…= lx' 1(1)，X' 2(V..，X' n(l)};
[0013] 由一阶灰色模型X' w构成的微分方程为：
[0014]
【权利要求】
1. 一种基于改良灰色BPNN和马氏链的汽车形态进化趋势预测方法，其特征是： (1) 数据提取 假设某车型在经历了c次更新换代，在ALIAS软件中，汽车数模以前轮轮心为坐标零 点，以统一长度为标准进行缩放后，获得侧面轮廓线，每条线包括前车灯、前引擎盖、前挡风 玻璃、车顶、后挡风玻璃、后车箱和后车灯七部分，以Bezier曲线形式对其予以描绘，每条 Bezier曲线包括两个端点，前车灯、前挡风玻璃、后挡风玻璃有1个控制点，前引擎盖、车 顶、后车箱、后车灯有2个控制点，且相邻曲线共享同一端点。在二维坐标系统中获得点X 轴与Y轴坐标，得到19个点坐标，点坐标从第1代到第c代变化数列，由于汽车形态变化代 数较少，其数列属于典型小样本数列， (2) 对灰色模型进行改良，使其更适合波动型数据预测 A、假设有特征点X坐标数据序列为：x= (XpX2,…，xn}。建立新数据序列X' = {x'X' 2,…，x'J，并替换序列X;
C、 从u= {u3,U4，…，un}中取非零值，若非零值个数大于等于4,则建立序列V?，并重 复步骤2,用得到的模拟值序列取代原序列u中对应的非零值，且u中零值保持不变，从 而得到新序列^ =设3，纪，…，心}。若非零值个数小于4,则^ ; D、 获得改良灰色模型拟合值 当j= 1，2 时，i/〇) =i，/〇);
(3) 改良灰色BPNN对特征点进化的曲线拟合 将灰色模型拟合值作为输入值，将实际值作为输出值，并结合灰色预测模型所需数据 少及神经网络具有的自学习和自适应能力的特点，对神经网络进行训练，当网络的实际输 出与期望输出非常接近时，表明网络结果学习已较好地掌握输入与输出间的映射关系，这 样可以消除神经网络不考虑数据先后关系带来的负面影响； 改良灰色BPNN模型包括三层：输入层、隐含层、输出层。改良灰色模型的模拟值fQ)为 输入向量，原始测量值X为输出值。取的前75 %为训练集，后25 %为检验集，输出层节 点数为1，隐含层节点数为3,预测数据序列记为R; (4) 马氏链对改良灰色BP神经网络预测结果的修正 马尔科夫链（MarkovChain)简称为，改良灰色BPNN对新一代汽车造型特征点位置进 行预测，其结果通常在一定范围内随机波动，马尔科夫链能够有效地预见并消除由系统随 机性而产生的预测误差； A、 利用黄金分割率原理计算数据的状态区间 根据改良灰色BPNN的预测序列R与实际值序列X得到相对误差值序列q，对其归一化 处理后，得到均值歹，，黄金分割率为Q=0.618,按下式计算分割点入，实现w个区间的划 分： Ali =h <w,h =1,2,? ? ? (4) 取s值为1和-1，得到3个状态空间[0，aj，[ai，a2]，[a2，l]。将其还原到序列q中，得到三个状态区间A[IV，r1+]，r2 [r2_,r2+]，r3 [r3_,r3+],其中IV=emin,r1+=r2_= emin+ai (emaX_emin)，r2+= r 3-= e min+a2 (emaX_emin)，r3+= e max。emaX、emin分别代表相对误差值序 列q中的最大和最小值； B、 计算转移概率矩阵 马尔科夫链预测模型表示为： Pt+1=P〇[P(1)]t+1 (5) 式中，Pt+1为t+1时刻的概率分布，P"为初始时刻的无条件概率分布，P(1)为一步转移概 率矩阵，其表达式为：
式中Pu (与初始时刻无关）为一步转移概率，表示过程从、时刻状态a过一步转移到tn+1时刻状态a」的概率，pi」=P(Xn+1=a」IXn=ai)。O彡PijS^ 1，
C、根据式（5)可以计算出t+1时刻的概率区间，得到该时刻的相对误差状态区间r[r_，r+]，最终预测结果为：
【文档编号】G06N3/02GK104504462SQ201410760641
【公开日】2015年4月8日 申请日期:2014年12月11日 优先权日:2014年12月11日
【发明者】徐秋莹, 杨明朗, 刘卫东, 吴江, 姚玉云, 晏合敏 申请人:南昌大学