[发明专利]一种基于核主元和神经网络的车辆运行实时工况预测方法

说明书

本发明公开一种基于核主元和神经网络的车辆运行实时工况预测方法，属于自动化技术领域。车辆运行实时工况预测中的道路特征间往往具有非线性特性，而主成分分析是一个线性过程，在降维的同时无法有效提取非线性特征，在特征信息不足的情况下，最终会影响工况预测准确性。本发明首先对车辆运行实时工况进行特征提取，然后引入核主元分析对工况特征做非线性映射，在降低特征维度的同时，提取工况特征的更有效的分量，采用BP神经网络利用降维后的特征对不同车辆工况进行识别。本发明提出的方法弥补了传统的基于主成分分析预测方法的不足，能提取更有效特征，简化神经网络结构，增强神经网络的泛化能力，提高车辆工况识别的正确率。

技术领域

本发明属于自动化技术领域，涉及一种基于核主元和神经网络的车辆运行实时工况预测方法。

背景技术

现有的车辆运行实时工况预测方法常利用主成分分析法对车辆工况特征降维。例如，Hongwen He等人在文献A method for identification of driving patterns inhybrid electric vehicles based on a LVQ neural network(Energies,2012,5(9):3363-3380)中提出一种基于主成分分析法的车辆运行实时工况预测方法，利用主成分分析法将7维车辆工况特征降至4维。车辆运行实时工况预测中的道路特征间往往具有非线性特性，而主成分分析仅对线性特征具有较好的降维效果，对非线性特征无法实现在降维的同时保留足够多的有效信息，在特征信息不足的情况下，最终会影响工况预测准确性。

发明内容

本发明的目的是针对现有的部分算法的不足之处，提供一种核主元分析法。核主元分析法相比主成分分析法在处理高维非线性数据上更加具有优越性，在降低特征维度的同时，消除工况特征间的共线性信息，提取工况特征的有效分量，然后结合BP神经网络利用降维后的特征对不同车辆工况进行识别。

本发明的技术方案是通过数据采集，特征提取，模型建立等手段，确立了一种基于核主元和神经网络的车辆运行实时工况预测方法。利用该方法可有效提高车辆工况预测的准确性。

本发明方法的步骤包括：

基于核主元和神经网络的车辆运行实时工况预测方法，其步骤如下：

步骤1).提取车辆运行实时工况特征；

步骤2).利用核主元分析法对步骤1)获取的工况特征降维；

步骤3).将降维后的特征样本集分为训练集和测试集，将训练集输入神经网络模型进行训练，然后利用训练后的神经网络模型进行车辆运行实时工况预测。

作为优选，步骤1)中提取车辆运行实时工况特征，具体方法如下：

首先获取车辆行驶的连续速度变量，按照长度为T的采样周期将该变量离散化，在长度为T的时间窗内提取该窗内的运动特征，设运动特征样本集为X＝{x_i}，其中x_i表示提取到的m维空间的运行特征，i＝1,2…N，N为每个运动特征的样本数。

进一步的，步骤2)中利用核主元分析法对步骤1)获取的工况特征降维，具体方法如下：

2.1).定义非线性映射函数φ(x)，假设映射函数φ(x)将特征样本x从m维空间映射到更高维的特征空间，并且映射后的特征具有零均值，即

2.2).在特征空间中定义映射特征的协方差矩阵:x_i为第i个运动特征；设协方差矩阵C的特征值及特征向量分别为λ,w，则得到将代入后得到等式：将该等式转化成矩阵形式，并在等号两边同时左乘φ(X)^T得：

其中a＝{a_i}，i＝1,2…N；