1车辆系统模型及换档规律（rhythmical)。齿轮减速机一般用于低转速大扭矩的传动设备，把电动机普通的减速机也会有几对相同原理齿轮达到理想的减速效果，大小齿轮的齿数之比，就是传动比。随着减速机行业的不断发展，越来越多的企业运用到了减速机。
　　利用车辆系简化模型可以获得对车辆换档过程的直观理解。硬齿面齿轮减速机一般用于低转速大扭矩的传动设备，把电动机普通的减速机也会有几对相同原理齿轮达到理想的减速效果，大小齿轮的齿数之比，就是传动比。随着减速机行业的不断发展，越来越多的企业运用到了减速机。
　　换档规律（rhythmical)是车辆自动换档控制系统的核心，通常获得换档规律有两种方法：一是通过(tōng guò)学习优秀（解释:出色、非常好)驾驶员的换档经验（experience)，提取最佳换档规律；二是依据汽车自动变速理论，在一定约束条件下，按某种目标函数通过优化（optimalize）实验（experiment)来获取换档规律。行星齿轮减速机又称为行星减速机，伺服减速机。在减速机家族中，行星减速机以其体积小，传动效率高，减速范围广，精度高等诸多优点，而被广泛应用于伺服电机、步进电机、直流电机等传动系统中。其作用就是在保证精密传动的前提下，主要被用来降低转速增大扭矩和降低负载/电机的转动惯量比。
　　可以看出，为了实现节能使液力变矩器工作在高效区，可以把变矩器效率(efficiency)曲线与高效区最低限的交点视为换档点，即对应就使液力变矩器的i落在（i1，i2）的范围内，使变矩器的工况点经常保持在高效区，也就在一定的意义上达到了节能。将变矩器效率=75%（对于汽车wmin=0.8，工程车辆wmin=0.75）定为高效区最低限，当<75%，且i i2时，上升一档；当=75%，且i1ii2时，保持原档位。以上换档规律是现今应用比较广泛的节能换档规律。
　　根据车辆系模型以及上述换档规律的分析，可以通过(tōng guò)测得的发动机转速及变矩器涡轮转速得到液力变矩器的比i，因此自动换档控制系统(system)的参数(parameter)分别是反映驾驶员意图的油门的开度，发动机转速ne和液力变矩器涡轮转速nt. 2神经网络的自动换档系统。
　　21自动换档BP神经网络模型。
　　BP网络是一种单向传播的多层前馈网络，其结构简单，可塑性强，在许多领域得到广泛应用。根据上面分析得到的自动换档规律，通过试验比较确定如图3所示的自动换档BP神经网络模型。采用4层神经网络，各层神经元数为2-3-3-4.输入层对应于换档规律的输入量：油门的开度和涡轮与泵轮的比i.网络输出层有4个节点，分别对应4个档位信号，y1，y2，y3，y4，与所选择的档位相对应的信号为1，其他3个为0.图3BP神经网络自动换档模型根据换档规律，基于BP神经网络的自动换档控制系统(system)如图4所示。根据所测得的油门开度和变矩器转速比i以及档位y的数据，依照图4在ECU中建立的BP神经网络自动换档控制系统进行图4BP神经网络的自动换档控制训练，根据误差不断调整BP网络的权值，当完成训练后，就可得到网络权值矩阵，构成了训练后的BP神经网络智能换档控制系统。
　　22LM算法。
　　虽然BP神经网络具有很强的非线性逼近，自适应和自学习能力，但是传统的BP算法存在着收敛速度慢，局部极值，难以确定隐层和隐层节点个数等缺点。因此出现了很多改进的算法。LM算法是一种利用标准数值优化（optimalize）技术的快速算法，是梯度下降法与高斯牛顿法的结合，也可以说成是高斯牛顿法的改进形式。它既有高斯牛顿法的局部收敛性，又具有梯度下降法的全局特性，训练步骤如下。
　　（1）将所有输入提交网络并计算相应的网络输出y和误差e，然后计算所有输出的误差平方和。
　　（2）初始化敏感度，进行反向传播计算，计算雅可比矩阵的元素，由于此算法不需要计算Hessian阵，Hessian阵可以用下面的矩阵来近似替换：H=JTJ，其梯度为g=JT e，其中，J是雅可比矩阵，它含有网络训练误差的一阶导数，是权值和阈值的函数，雅可比矩阵可以通过(tōng guò)标准的前馈网络技术进行计算，比Hessian矩阵的计算要简单得多。
　　（3）求网络参数（权值和偏置值）的调整矩阵。
　　（4）用xk+xk调整网络参数(parameter)，重新计算偏差平方和。如果新的和小于第1步中计算所得的和，则把网络训练速度！k减小倍，并更新xk，然后用xk+1=xk+xk调整网络参数，转第1步；如果平方误差和没有减少，则把！k增大倍，转第3步。
　　（5）达到设定的网络收敛条件，退出训练，存储相关(related)网络参数。
　　23改进的LM算法。
　　为了克服LM算法的BP神经网络与传统BP算法的神经网络共有的不好的地方，就是可能收敛于局部（part)最小点，在这里对LM算法进行一些改进。训练指标由均方偏差达到某一设定值，改变为两次相邻训练的均方误差的差值的绝对值# F（xk+1）-F（xk）#达到某一设定值，并且连续（Continuity)进行30次网络收敛，每次随机取初始网络权值和偏置值。训练结束后，选取30次收敛中效果最好的一次，较好地减少了网络收敛于局部最小的点可能性。
　　由于LM算法的神经网络具有在几百次以内就完成一次收敛训练的良好特性，所以连续进行30次收敛的时间不会过长。
　　3仿真研究。
　　31仿真（simulation)实验。
　　利用MATLAB进行仿真实验（experiment)研究，根据上面所述的节能换档规律，拟定以变矩器效率(efficiency)不低于075为目标(cause)，采用归一化后的工程车辆换档试验数据（data)来训练BP神经网络。网络的理想输入为油门开度，变矩器速比i，相应得到的输出为最佳档位，算法采用上述改进的LM算法，用来校验的输入为，i.神经网络训练结果如图5所示。可以直观地比较经过训练后的神经网络输出和理想输出，结果证明训练后的BP神经网络自动换档控制（control)系统能够判断出最佳档位。
　　32实验结果分析。
　　采用BP算法进行网络训练的迭代(更替)次数。可看出采用基本的BP算法进行训练需1000次迭代都未能满足训练精度（精确度）要求，而采用改进的LM算法训练只需要进行十几次迭代就能达到精度要求，大大降低了训练所需时间。
　　4结论。
　　神经网络有着很强的非线性映射和自学习能力，将神经网络应用于车辆自动换档最佳档位决策时，用它建立的模型能够较好地反映换档控制系统(system)的特性，对自动变速器的档位判断进行较为准确地模拟和预测。相对于传统的BP算法的神经网络模型而言，改进的LM算法的BP神经网络模型的模拟预测效果更好，并能以快得多的速度完成网络模型的收敛训练。