GD1091型商用車變速器、傳動軸設計【含CAD圖紙+文檔】

壓縮包內含有CAD圖紙和說明書,均可直接下載獲得文件，所見所得，電腦查看更方便。Q 197216396 或 11970985

機電工程學院 畢業(yè)設計外文資料翻譯 設計題目: GD1091型商用車變速器、傳動軸設計 譯文題目: 基于支持向量機的現(xiàn)代汽油發(fā)動機性能模型 學生姓名： 學 號： 專業(yè)班級： 指導教師： 正文：外文資料譯文 附 件：外文資料原文 指導教師評語： 簽名： 年 月 日 正文：外文資料譯文 文獻出處：浙江科技大學期刊，2005（6） 基于支持向量機的現(xiàn)代汽油發(fā)動機性能模型 黃志文1,王百鍵2,李怡平1,何春明2 (中國澳門大學，1.計算機與信息科學系，2.機電工程系） 摘要：現(xiàn)代汽車汽油發(fā)動機的性能有顯著影響的有效調整。目前的做法 發(fā)動機調式依賴于汽車工程師的經(jīng)驗，調整通常是通過做大量實驗的方法，然后汽車發(fā)動機運行在測功機，以顯示實際的發(fā)動機性能。顯然，目前的做法就是投入大量的時間和金錢，但甚至依然可能無法調整發(fā)動機到最佳狀態(tài)，因為正式的性能模型的發(fā)動機還沒有被確定。隨著新興技術，支持向量機（SVM）實現(xiàn)的汽油發(fā)動機車輛的大致性能模型可以通過訓練從采集樣品的發(fā)動機性能數(shù)據(jù)確定測功機。因此，調整發(fā)動機性能測功機的數(shù)目可以減少，因為估計的發(fā)動機性能模型可以在一定程度上代替測功機測試。在這篇文章中，施工，驗證和精度討論了該模型。 研究表明，預測結果很好地符合實際測試結果。為了說明支持向量機方法的意義，結果也與使用多層前饋神經(jīng)網(wǎng)絡的回歸的方法進行了比較。 關鍵詞:車用汽油發(fā)電機；電子控制單元的調整；支持向量機 1.引言 現(xiàn)代汽車汽油發(fā)動機由電子控制單元（ECU）控制。發(fā)動機性能（例如功率輸出，扭矩，制動 具體的油耗和排放水平）被設置在電子控制單元中的參數(shù)顯著影響。許多參數(shù)都存儲在電子控制單元中，使用查表/圖（圖1）。通常，汽車發(fā)動機的性能是通過測功機試驗獲得。一組性能數(shù)據(jù)關于發(fā)動機輸出功率和扭矩與速度的曲線的的例子示于圖2。傳統(tǒng)上，設置電子控制單元是由車輛制造商完成。但是， 近年來，可編程電子控制單元和電子控制單元只讀存儲器（ROM）的編輯器已被廣泛使用在許多轎車。這些設備允許非原始設備制造商的工程師根據(jù)不同的附加組件和駕駛員的要求來調整他們的引擎 。 發(fā)動機調整的現(xiàn)行做法依賴于能夠處理一個巨大的引擎控制組合數(shù)的有經(jīng)驗的汽車工程師?，F(xiàn)代汽車發(fā)動機的輸入輸出參數(shù)之間的關系 是一個復雜的多變量非線性函數(shù)，這是非常難以確定的，因為現(xiàn)代汽油發(fā)動機是熱流體，機電和計算機控制系統(tǒng)的集合體。因此，發(fā)動機調整通常是通過反復試驗的方法。工程師首先根據(jù)他/她的經(jīng)驗猜測的電子控制單元的設定，然后存儲設置在電子控制單元中的參數(shù)值，然后通過發(fā)動機運行在測功機來測試實際的發(fā)動機性能。如果測試的性能差，工程師調整電子控制單元中參數(shù)設置并重復該過程，直到發(fā)動機表現(xiàn)是令人滿意的。這就是為什么汽車制造商通常要花幾個月的時間來調整最佳新車型的電子控制單元。此外，發(fā)動機性能功能也是引擎依賴，一切發(fā)動機必須經(jīng)過類似的調整過程。 圖1 典型的單子控制單元的設置 圖2發(fā)動機性能曲線 通過了解性能功能/型號,汽車工程師可以預測，是否試用的電子控制單元的設置為增益或虧損。汽車發(fā)動機只需要經(jīng)過驗證后的模型估計一個滿意的參數(shù)設置。因此，不必要的測功機測試，該路徑設置的數(shù)量可以顯著降低，從而節(jié)省了大量的時間和金錢進行測試。 最近的研究論文（布雷斯，1998;特拉弗爾等人，1999年;蘇等，2002;嚴等，2003;劉和費等， 2004）根據(jù)實驗數(shù)據(jù)描述了基于柴油發(fā)動機的排放性能使用中性網(wǎng)絡的建模。眾所周知，神經(jīng)網(wǎng)絡（畢曉普，1995年; 赫金，1999年;蘇依肯等人， 2002）是一個普遍的估計。但是它具有兩個主要缺點（斯莫拉等人，1996;Sch?lkopf和斯莫拉，2002）： （1）該體系結構必須確定一個先驗的或被修改的啟發(fā)式的訓練方法， 這導致產(chǎn)生了一個不一定最優(yōu)的網(wǎng)絡結構; （2）神經(jīng)網(wǎng)絡可以很容易地通過局部極小卡住。防止局部極小的各種方法，像早期停止，體重腐爛等都可以采用。 然而，這些方法有大大地的影響估計模型的通用化，即處理新的輸入狀況的能力。 非線性的傳統(tǒng)的數(shù)學方法回歸（Borowiak，1989;賴安，1996; Seber和野，2003）可被應用于構造發(fā)動機性能模型。然而，發(fā)動機的安裝涉及太多參數(shù)和數(shù)據(jù)。構建這樣的高維和非線性數(shù)據(jù)空間的模型對于傳統(tǒng)的回歸方法是一個非常艱巨的任務。 隨著新興技術，支持向量機（SVM）（Cristianini和肖-泰勒， 2000; 蘇依肯等，2002;。佩雷斯 - Ruixo等，2002; Sch?lkopf和斯莫拉，2002），高維的問題，以及以前神經(jīng)網(wǎng)絡的缺點都被克服?；赟VM的回歸，發(fā)動機性能模型可以用于預測精度，這樣的測功機測試的數(shù)量可以顯著降低。此外， 一個測功機并不總是可用的，尤其是在道路上的細調式的情況下。研究對現(xiàn)代汽油發(fā)動機輸出馬力預測和扭矩受限于在電子控制單元不同的參數(shù)設置還是相當罕見的，所以使用支持向量機的發(fā)動機輸出馬力和扭矩的造型是第一次嘗試。在本篇文章中，術語，發(fā)動機的性能，是指在發(fā)動機的輸出功率和扭矩。 2.支持向量機 SVM是一個新興的技術，是由萬普尼克開創(chuàng)的（Cristianini和肖-泰勒，2000; Sch?lkopf和斯莫拉，2002）。它是一個跨學科機器學習，優(yōu)化，統(tǒng)計領域學習和泛化理論?；旧纤强梢杂糜谀Ｊ椒诸惡头蔷€性回歸。支持向量機SVM考慮向量機的應用，作為二次規(guī)劃（QP）權重問題的各種因素，包括正規(guī)化的因素。因為一個二次規(guī)劃是一個至關重要的問題，解決二次規(guī)劃的問題是全球性的（甚至是唯一的），而不是的局部解決方案。支持向量機（斯莫拉等 ，1996），而不是神經(jīng)網(wǎng)絡的優(yōu)點如下： （1）該系統(tǒng)的體系結構不需要測試前確定。任意的輸入數(shù)據(jù)維可以被視為僅僅是線性關于輸入維數(shù)成本的關系; （2）支持向量機回歸作為一個二次規(guī)劃問題來最小化數(shù)據(jù)擬合誤差和正規(guī)化， 這將產(chǎn)生一個全局的（或甚至是唯一的)方法解決最小擬合誤差，同時也可以得到估計模型的高度概括。 3.制定支持向量機非線性回歸 考慮回歸數(shù)據(jù)集上，D ={（X1， Y1），...，（Xn，Yn）}，有n個點，其中xi∈R ,yi∈R。制定支持向量機非線性回歸是由下面的等（耿氏，1998表示; Cristianini和肖-泰勒，2000;Sch?lkopf和斯莫拉，2002；蘇依肯等，2002;） 其中，α,α* 是拉格朗日乘數(shù)（每個乘數(shù)可以表示為一個N維向量）; K，核函數(shù)；ε，用戶預先定義的正規(guī)化常數(shù)；C，用戶預先定義的正實常數(shù)容量控制。 從我們應用的角度看，一些參數(shù)在方程（1）被指定為：N，總數(shù) 引擎設置（數(shù)據(jù)點）；xi，引擎輸入控制 在第i個樣本數(shù)據(jù)點的參數(shù)，I =1,2，...，N （即第i個發(fā)動機設置）;yi，在發(fā)動機輸出轉矩第i個樣本數(shù)據(jù)點。 αi和α*是已知的作為對應于第i個數(shù)據(jù)點，其中第i個數(shù)據(jù)點表示第i個發(fā)動機設置和輸出扭矩支持的值。此外，徑向基函數(shù)（RBF）與用戶預先定義的樣本方差2選為內核函數(shù)，因為它往往會產(chǎn)生良好的效果非線性回歸（蘇依肯等，2002;西格，2004）。然后用商業(yè)優(yōu)化軟件包解方程（1），如矩陣實驗室及其優(yōu)化工具箱，兩個N維向量α，α*獲得解決方案，從而產(chǎn)生下列目標非線性模型： 其中，b為偏置常數(shù)，X，新的引擎輸入設置 有n個參數(shù); σ2，用戶指定的樣本方差。 為了得到b，m試驗數(shù)據(jù)點dk=∈D，k= 1，2，...，m，被選擇，使得它們的相應的αk和αk*∈（0，c）中，即0<αk，αk* and y= 其中，r是發(fā)動機轉速（rpm）和r={1000，2000，3000，...，8000};Ir，點火提前在相應的發(fā)動機轉速r（上止點前），O，整體點火（±上止點前），Tr，噴油時間在相應的發(fā)動機轉速r（毫秒），f，整體燃油調整（±％）; Jr，停止燃油噴射在相應的發(fā)動機轉速r（上止點前），D，點火停留時間在?15 V（毫秒）; a，空氣溫度（℃），P，燃油壓力（bar），Tr，在相應的發(fā)動機轉速r（牛米）的發(fā)動機扭矩。 盡管發(fā)動機轉速r是連續(xù)變量，在實際的電子控制單元設置中，工程師通常為每個類別的發(fā)動機速度的參數(shù)設置一個地圖格式。地圖通常把速度范圍離散地在500的時間間隔，如圖1所示，即r ={1000，1500，2000，2500，...}。因此，沒有必要在所有的速度范圍內建立一個模型。出于這個原因，r是手動分類，在指定的間隔，而不是任何整數(shù)，范圍從0到8500。為了簡化描述和實驗，所設定的發(fā)動機轉速是在1000的時間間隔，間隔調整為{1000，2000，3000，...，8000}，因為r的其它值也遵循完全相同的建模過程。 由于有些數(shù)據(jù)是發(fā)動機轉速有關，另一個符號dr是用來進一步指定包含關于特定r的數(shù)據(jù)集。例如，D1000包含以下參數(shù)： ，而D8000包含（圖3）。 圖3 根據(jù)各種發(fā)動機轉速分離數(shù)據(jù)集D成8個子集Dr 因此，D被分離成8子集即D1000，D2000，...，D8000。訓練數(shù)據(jù)（發(fā)動機設置）為D1000的一個例子示于 表1中。對于每個子集Dr，它被一個接一個傳遞到支持向量機回歸模塊，方程（1），以構造八種相關于發(fā)動機轉速r的扭矩M r（x），即Mr（X）=Mr={M1000，M2000，...，M8000}。 在這種方式中，支持向量機模塊以8倍的速度運行。在每次運行，一個獨特的子集Dr作為訓練集來估算其對應的扭矩模型。針對發(fā)動機轉速曲線與發(fā)動機轉矩通過擬合，并通過由M1000，M2000，...，M8000產(chǎn)生的所有數(shù)據(jù)點，因此獲得的一條曲線。 表1在1000個測試數(shù)據(jù)系統(tǒng)中的實驗數(shù)據(jù) di 4.2數(shù)據(jù)采樣和安裝啟用 在實際的發(fā)動機安裝，汽車工程師確定初始設定，它基本能啟動發(fā)動機，然后通過調整初始設置值的參數(shù)，進行發(fā)動機微調。因此，輸入?yún)?shù)是基于對由發(fā)動機制造商所提供的初始設置的數(shù)據(jù)點進行采樣。在我們的實驗中，200個不同的引擎設置以及性能輸出的樣本數(shù)據(jù)集D是從本田B16A DOHC發(fā)動機獲取由一個可編程的電子控制單元，MOTEC M4控制（圖4），在測功機（圖5）運行并保持控制節(jié)氣門全開。 圖4使用MOTEC M4可編程電子控制單元引擎輸入?yún)?shù)的調整 性能輸出是僅針對發(fā)動機轉速，發(fā)動機扭矩，因為在發(fā)動機的馬力使用的計算方法： 其中，HP是發(fā)動機馬力（HP），r，引擎轉速（轉速：每分鐘轉數(shù)）;T，發(fā)動機扭矩（Nm）。收集樣本數(shù)據(jù)集D的每一個數(shù)據(jù)子集Dr?D，它被隨機分為兩組： 圖5在底盤測功機汽車的發(fā)動機性能數(shù)據(jù)采集 TRAINr代表訓練和TESTr代表測試，以使得Dr= TRAINr∪TESTr，其中TRAINr含有80％的Dr和TESTR持有其余的20％（圖6）。然后每個TRAINr被發(fā)送到支持向量機模塊進行訓練，它已被利用MATLAB6.5在MS Windows XP中的優(yōu)化工具箱實現(xiàn)的，它運行在一個有512M內存的第三代電腦上。執(zhí)行和其他重要問題將在下面的小節(jié)中討論。 4.3數(shù)據(jù)前處理和后處理 為了有更準確的回歸結果，該數(shù)據(jù)集通常是標準化之前進行測試（派爾，1999年）。這可以防止任何參數(shù)主導的輸出值帶來危害。所有輸入和輸出值必然要標準化到一定變化范圍內[0,1]，即單位方差，通過下面的變換公式： 其中，Vmin和Vmax分別代表輸入或輸出參數(shù)v的最小值和最大值。例如，V∈[8,39]，Vmin= 8和Vmax=39。限制發(fā)動機的每個輸入和輸出參數(shù)應該通過多個實驗或專家知識或制造商的數(shù)據(jù)表來預先裁定的。由于所有的輸入值進行標準化，輸出扭矩值v*的支持向量機生產(chǎn)的不是實際值。它必須重新代入式（5）以獲得實際的輸出值v。 圖6進一步分離數(shù)據(jù)隨機分為訓練集（TRAINr）和測試集（TESTr） 4.4誤差 為驗證Mr的每個模型的準確性，誤差函數(shù)被建立。對于某型號Mr，相應的驗證錯誤是： 其中為第i個數(shù)據(jù)點的測試集或驗證集發(fā)動機的輸入?yún)?shù);di=表示第i個數(shù)據(jù)點; yi是在數(shù)據(jù)點di的真實扭矩值，n為數(shù)據(jù)點在試驗組或驗證集的數(shù)目。 錯誤Er是一個測試點二和其相應的推定轉矩值的真值扭矩義Mr（xi）之間的差的根均方。 差異也由真扭矩yi劃分，從而該結果內的標準化范圍是[0，1]。它可保證誤差Er還在于在該范圍內。因此，各轉矩模型的準確率Mr使用下列公式計算： 5.超參數(shù)值選擇 方程（1）和（2）表明，用戶必須調整 3個超參數(shù)（ε，σ，C）。如果不知道他們的最佳值，所有型號的扭矩都不能很好執(zhí)行。為了選擇這些最佳超參數(shù)的值，通常采用10倍交叉驗證（蘇依肯等，2002）。 10倍交叉驗證表示運行的次數(shù)是10，并將訓練數(shù)據(jù)集TRAINr進一步分為10份的數(shù)據(jù)點。換句話說，如果 TRAINr有200引擎的設置，每個部分 包含20引擎設置。 在每次運行時，十個不相交的部分之一被隨機選擇用于驗證的。本文選取單一的部分稱為驗證集，用VALIDr表示。其余九個部分組成訓練集記為TRr（圖6和圖7）。最初，超參數(shù)的值首先被猜測。在這些猜測超參數(shù)值下，一個轉矩模型受到TRr的測試，和其相應的驗證錯誤是基于VALIDr以及式中的誤差函數(shù)計算（6）。此過程重復10次，每次用TRr和VALIDr的不同組合。其結果是，利用同一組猜測超參數(shù)值10個模型產(chǎn)生。猜測的超參數(shù)的概括是通過在運行的次數(shù)平均的平方錯誤評估驗證。 * 陰影部分是每次運行時驗證集，而所有剩余的部分則是訓練數(shù)據(jù)集 圖7 .10倍交叉驗證的概念 通過猜測的不同組合（ε，σ，C），一個最好的組合 猜值被選擇（即用最小平方驗證錯誤）因為它們有最好的概括。使用這些超參數(shù)，每個目標轉矩模型M R使用的所有訓練數(shù)據(jù)TRAINr再培訓。 雖然10倍交叉驗證涉及10 不同的訓練數(shù)據(jù)，并產(chǎn)生10個不同的扭矩模型，它們都不是最終的轉矩模型。10個模型只是核實工作的泛化的超參數(shù)看不見的數(shù)據(jù)。每個力矩模型是使用最后生產(chǎn)工序的整個訓練數(shù)據(jù)集TRAINr 。 6.訓練 如第3節(jié)中所述，超參數(shù)的組合的數(shù)量是非常巨大的。為了確定最佳組合的超參數(shù)，這是非常耗時的。為了簡化我們的實驗支持向量機方法演示，我們假設c =σ=1.0這是常見的選擇。因此，剩余的超參數(shù)被發(fā)現(xiàn)為ε，它表示什么是模型泛化。在這種情況下，ε的值是從一個范圍以增量0.01在0.0至0.2變化。這意味著總共有20個值0.01，0.02，0.03，...，0.2。采用10倍交叉驗證來訓練集TRAINr為20次之后，ε值產(chǎn)生用于TRAINr最低驗證錯誤成本被選擇為最佳的超參數(shù)常數(shù)εr*。重復此過程八次全部超參常數(shù)εr*值的所有TRAINr可確定。最后，8轉矩模型M r是使用基于對應的訓練數(shù)據(jù)集TRAINr 支持向量機模塊和所確定的超參數(shù)常數(shù)εr*來進行生產(chǎn)的。偏差b*對于不同的轉矩模型Mr也可以很容易的使用公式（3）計算。 7.結果 為了說明支持向量機回歸的優(yōu)勢，測試結果與從訓練獲得的具有反向傳播功能的多層前饋神經(jīng)網(wǎng)絡（MFN）進行比較。因為多層前饋神經(jīng)網(wǎng)絡是一個眾所周知的通用估算器，從多層前饋神經(jīng)網(wǎng)絡獲得的結果可以被看作是一個標準的基準。 7.1 支持向量機的結果 獲得所有扭矩模式的發(fā)動機后，它利用式（6）和（7）逐個對自己的測試設置TESTr的精度進行評估。根據(jù)表2中所獲得的精確度，預測的結果與他們的在超參數(shù)下的實際測試結果吻合良好。然而，據(jù)信，該模型的精度可通過增加訓練數(shù)據(jù)的數(shù)量來提高。 表2不同型號Mr和相應的超參數(shù)精度（假設C =σ=1.0） 7.2 多層前饋神經(jīng)網(wǎng)絡的結果 八神經(jīng)網(wǎng)絡NETr={NET1000，NET2000，...，NET8000}對于發(fā)動機轉速r基于相同的八組訓練數(shù)據(jù)TRAINr =TRr∪VALIDr被建立。 TRr實際上是用于訓練相應的網(wǎng)絡NETr而VALIDr被用作訓練的早期停止驗證集，以便提供更好的網(wǎng)絡推廣。 每一個神經(jīng)網(wǎng)絡由8個輸入神經(jīng)元（發(fā)動機設置在一定的發(fā)動機轉速r的參數(shù)），一個輸出神經(jīng)元（輸出轉矩值Tr）和50個隱含神經(jīng)元，這僅僅只是猜測。通常情況下，50個隱含神經(jīng)元能夠提供足夠的能力來接近一個高度非線性函數(shù)。隱藏神經(jīng)元內部使用的激活函數(shù)為郯S型傳遞函數(shù)，而純粹的線性濾波器是用于輸出神經(jīng)元（圖8）。 訓練方法中采用標準反向傳播的算法（即朝向梯度的負方向，梯度逐漸下降），從而多層前饋神經(jīng)網(wǎng)絡MFN的結果可以被看作是一個標準。更新的學習速率被設定為0.05。每個網(wǎng)絡進行訓練300時代。所有NETr的訓練結果示于表3中。相同的測試也選擇TESTr集，使得通過SVM和多層前饋神經(jīng)網(wǎng)絡構建模型所得精度合理地進行比較。使用公式每個NETr的平均精確度使用（6）和（7）進行計算，結果如表3所示。 圖8每個MFN架構（層圖） 表3八神經(jīng)網(wǎng)絡訓練誤差和平均精度 7.3 討論結果 表2和表3可以看出，在相同 測試設置TESTr ，SVM在整體精度上優(yōu)于 MFN約5.56％。此外，超參數(shù)和訓練時間的問題也進行了比較。 在SVM，3種超參數(shù)（ε，σ，c）須為用戶估計。他們可以使用被猜中10倍交叉驗證。在MFN，學習速率和隱神經(jīng)元的數(shù)目是必需的要從用戶提供 。當然，這些參數(shù)也可以用 10倍交叉驗證得到解決。然而，支持向量機往往可以產(chǎn)生更好的泛化精度相比與MFN看不見的例子，如圖所示在表2和3 。 另一個問題是關于所需培訓時間。通過使用一個800 MHz的奔騰III的電腦 與512 MB內存的電腦，支持向量機在同一時間大約需要30分鐘來訓練8個屬性，包括計算為10倍交叉驗證訓練200個數(shù)據(jù)點。總共有11個SVM訓練課程（10次交叉驗證，1次最后一次訓練）的一個模型。換句話說，八款車型涉及88 SVM的訓練，所以總的訓練時間大約為30×88=2640分鐘或44小時。對于MFN，一個時代大約需要2分鐘，每個網(wǎng)絡需要300時代進行培訓。因此，它需要大約8×300×2=4800分鐘或80小時為了八個網(wǎng)絡。根據(jù)這個估計，支持向量機的訓練時間只有約55％神經(jīng)網(wǎng)絡訓練的時間。 7.4 結論 支持向量機方法在不同的發(fā)動機轉速下用于產(chǎn)生一組扭矩模型的現(xiàn)代汽油發(fā)動機。該模型分別在回歸的基礎上從汽車發(fā)動機通過測功機獲得八組樣本數(shù)據(jù)。開發(fā)的預測模型對于車輛微調非常有用，因為試驗電子控制單元的設置可以在測功機或路試運行車輛發(fā)動機前預見是收益還是虧損。如果發(fā)動機的性能與測試電子控制單元設置可以預見到有增益，車輛發(fā)動機然后在測功機運行進行驗證。如果發(fā)動機性能預計將虧損，測功機測試是不必要的，另一個引擎設置應該嘗試。這樣的預測模型可以大大減少一些昂貴的測功機測試，它不僅采取最佳的優(yōu)化調整，也節(jié)約大量開支的燃油，備件，潤滑劑等。該模型也被認為是可以讓汽車工程師預測他/她的新引擎的設置是在道路測試中是收益還是虧損，其中測功機無法使用。 此外，實驗表明，該轉矩模型的性能和準確度非常令人滿意。支持向量機方法在整體精度上比傳統(tǒng)的神經(jīng)網(wǎng)絡方法高5.56％，其訓練時間也比使用神經(jīng)網(wǎng)絡減少約45 ％ 。這方法可以應用到各種不同的車用發(fā)動機。 參考文獻： [1] Bishop, C., 1995. Neural Networks for Pattern Recognition. Oxford University Press. [2] Borowiak, D., 1989. Model Discrimination for Nonlinear Regression Models. Marcel Dekker. [3] Brace, C., 1998. Prediction of Diesel Engine Exhaust Emission using Artificial Neural Networks. IMechE Seminar S591, [4] Gunn, S., 1998. Support Vector Machines for Classification and Regression. ISIS Technical Report ISIS-1-98. Image Speech & Intelligent Systems Research Group, University of Southampton, U.K. [5] Haykin, S., 1999. Neural Networks: A Comprehensive Foundation. Prentice Hall. [6] Liu, Z.T., Fei, S.M., 2004. Study of CNG/diesel dual fuel engine’s emissions by means of RBF neural network.J Zhejiang Univ SCI, 5(8):960-965. [7] Pyle, D., 1999. Data Preparation for Data Mining. Morgan Kaufmann. [8] Ryan, T., 1996. Modern Regression Methods. Wiley-Inter- science. [9] Sch?lkopf, B., Smola, A., 2002. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press. 附件:外文資料原文 23