摘要：在现阶段机动车交通事故中，有很多是因制动不良导致的。因此汽车必须具备良好制动性能才能正常使用，这就离不开汽车制动性能的检测工作。本研究对神经网络在汽车制动性能检测系统中的应用展开分析，期望能提升汽车制动性能，为汽车安全性能提供一点助益。

    1 汽车制动性能评估的注意事项
    汽车制动器属于汽车重要安全设施，为提升制动性能很多汽车装配了限制阀，其作用是有效控制前后轴的制动力，对其准确分配，防止后轮突然抱死造成制动跑偏。现在很多汽车上都有四轮驱动的功能，配备有ABS防抱死系统，若要评价汽车的制动性能，必须将这些因素考虑进去。
    另外，当前采用的滚筒式制动检测台的制动测试多是在车辆保持静止、路面于车轮下滚动的静态检测，此时ABS系统不能正常工作，这只能对车轮制动器制动的能力进行检测。而在车辆实际运行中，一旦制动，全车的重量会突然间分布到前轴，故而此时前轮制动具有十分重要的作用，应注意对这一时刻的汽车制动情况展开检测。现代电脑技术可以使得板式制动检测台在每秒测量几千次制动情况，以便获取动态情况下的制动情况，便于检测人员对制动和悬挂动态动作有全面了解。近年来，神经网络模型在汽车性能检测中也逐渐得到应用，笔者尝试对这一技术展开分析。

    2 汽车制动性能检测系统中神经网络模型设计
    本研究根据汽车制动性能检测的需求，提出神经网络模型来对这一问题进行解决。在本研究中，提出了一种模糊自组织神经网络模型，将模糊等价关系、类距离%al限应用其中，以便通过分析原始数据，总结诊断规则，从而识别汽车的制动效果。
    2.1数据归一化
    在检测后获得原始数据，在对这些数据处理时，因不同数据具有不同特征，在取值范围上也有一定差异，表达所用单位有一定差异，故而难以直接展开分析或是聚类。在处理前，我们需要先对数据展开归一化分析，将其特征值反映至指定区间。
    2.2模糊等价关系
    模糊匹配运算是对所选取点执行模糊等价关系处理，即先分析原始数据、聚类中心特征值的模糊等价关系，求取特征值模糊等价关系平均值即可算出匹配度。
    2.3模糊自组织网络结构
    模糊自组织神经网结构复杂，包括传统的三层自组织竞争神经网络、改造之后的四层自组织网络，其网络主要包含竞争子网、匹配子网两部分。后者充分应用模糊等价关系、类距离阈限，以便实现对偶发故障的学习，且可尽快适应不断变化的工作环境。
    2.4网络学习算法
    获胜节点获得之后，需对获胜节点相连的第一层权值适当修正，使之和输入矢量的差距减小，之后用权值说明矢量特征，为后期矢量分类和提取制定适当的规则。
    2.5提取算法
    模糊自组织神经网络展开聚类的流程为。
   （1）获得原始数据，展开归一化分析。
   （2）设定误差常数、参数的节点数、初始学习系数与总循环次数。
   （3）对第一层、第二层神经元间权值系数进行随机初始化。
   （4）设定时刻输入训练样本，计算输入样本的匹配度，获得计算竞争层输出。
   （5）学习网络权值。
   （6）通过范数对误差计算，若误差过大则重新开始第4步。最后收集归一化数据并获得原始数据聚类。

    3 神经网络的实际应用
    应用神经网络可对汽车制动性能检测，进而对汽车制动性直接而客观的反映，也就是可对制动时的汽车刚度、轴荷转移、悬架结构等造成的影响。这一方法检测汽车制动性能效率较高，检测便捷。同时，这一检测方法在重复性方面存在一定不足，从某种程度来看，这正说明了神经网络检测系统可对汽车行驶中的实际制动效果加以反映，因为在实际制动中每次制动都是不同的。

    4 结束语
    运用神经网络可对汽车真实的制动情况予以直观反映，操作简便，效率较高，可用于汽车安全性能的评估与检测之中。