1、“.....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，即学习过程的正向传递过程和误差信号的反向传递过程。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......”。

2、“.....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。其调整公式分列如下式中为神经网络系统学习速率。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......”。

3、“.....确定神经网络结构为，即输入层节点数为隐含层节点数为输出层节点数为初始化输入层隐含层和输出层神经元之间的连接权值初始化隐含层阀值和输出层阀值，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车辆半主动悬架装置起到较好的控制效果。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......”。

4、“.....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，其结果表明采用经遗传算法优化的神经网络的车辆半主动悬架系统其性能相比被动悬架系统以及单纯以神经网络的悬架系统而言有极为明显的提升，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......”。

5、“.....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,参数初始种群生成开搞取随机整数额外定义个存储矩阵,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......”。

6、“.....从陌生到开始接触，从了解到熟悉，这是每个人学习事物所必经的般过程，我对模具的认识过程亦是如此。在论文即将完成之际，我的心情无法平静，从开始进入课题到论文的顺利完成，有多少可敬的师长同学朋友给了我无言的帮助，在这里请接受我诚挚的谢意取主流道球面半径小端直径。经过计算大端直径为。为了便于将凝料从主流道中拔出，将主流道设计成圆锥形其斜度为至度，经换算主流道为了使熔料顺利进入分流道，可在主流道出料断设计半径的圆弧过渡。主流道衬套的形式主流道小端入口处与注射机喷嘴反复接触，属易损件，对材料要求较严，因毕业设计说明而模具主流道部分常设计成可拆卸更换的主流道衬套形式浇口套以便有效的选用优质钢材单独进行加工和热处理。浇口套都是标准件，只需去买就行了。常用浇口套分为有托浇口套和无托浇口套两种下图为前者，有托浇口套用于配装定位圈。由于注射机的喷嘴圆弧半径为，所以浇口套的为。如图所示图主流道衬套分流道和胶口如下图浇注系统的平衡对于中小型塑件的注射模具己广泛使用模多腔的形式，设计应尽量保证所有的型腔同时得到均的充填和成型。般在塑件形状及模具结构允许的情况下......”。

7、“.....否则就需要通过调节浇口尺寸使各浇口的流量及成型工艺条件达到致，这就是浇注系统的平衡。显然，我们设计的模具是平衡式的，即从主流道到各个型腔的分流道的长度相等，形状及截面尺寸都相同。推件机构的设计推出机构把塑件及浇注系统从从型腔中或型芯上脱出来的机构。推出机构组成推出部件推杆拉料杆复位杆推杆固定板推杆垫板限位钉推出导向部件推杆导柱推杆导套复位部件复位杆。推出机构设计原则制件推出顶出是注射成型过程中的最后个环节，推出质量的好坏将最毕业设计说明后决定制品的质量，因此，制品的推出是不可忽视的。在设计推出脱模机构时应遵循下列原则。推出机构应尽量设置在动模侧由于推出机构的动作是通过装在注射机合模机构上的顶杆来驱动的，所以般情况下，推出机构设在动模侧。正因如此，在分型面设计时应尽量注意，开模后使塑件能留在动模侧。保证塑件不因推出而变形损坏为了保证塑件在推出过程中不变形不损坏，设计时应仔细分析塑件对模具的包紧力和粘附力的大小，合理的选择推出方式及推出位置。推力点应作用在制品刚性好的部位，如筋部凸缘壳体形制品的壁缘处......”。

8、“.....防止制件破裂穿孔，如壳体形制件及筒形制件多采用推板推出。从而使塑件受力均匀不变形不损坏。机构简单动作可靠推出机构应使推出动作可靠灵活，制造方便，机构本身要有足够的强度刚度和硬度，以承受推出过程中的各种力的作用，确保塑件顺利脱模。良好的塑件外观推出塑件的位置应尽量设在塑件内部，或隐蔽面和非装饰面，对于透明塑件尤其要注意顶出位置和顶出形式的选择，以免推出痕迹影响塑件的外观质量。合模时的正确复位设计推出机构时，还必须考虑合模时机构的正确复位，并保证不与其他模具零件相干涉。推出机构的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......”。

9、“.....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......”。