[发明专利]基于SVR_Adaboost改进算法的商用货车质量估计方法

权利要求书

1.一种基于SVR_Adaboost改进算法的商用货车质量估计方法，其特征在于，包括以下步骤：

通过CAN总线采集纵向驱动力F_res、纵向加速度纵向速度v_x、迎风阻力F_w、轮胎滚动阻力系数f及路面坡度θ，形成一组原始数据；

采用Z-score标准分数算法标准化原始数据，使原始数据变换到同一数量级；

采用PCA主成分分析算法对标准化后的数据进行降维；

将Z-score标准化和PCA降维后的数据，输入到SVR_Adaboost支持向量机集成学习改进算法，估计出商用货车载重质量，其中，它的主要改进在于，Adaboost集成学习通过改变数据集的概率分布，将传统SVR弱估计算法改进为强学习算法；

所述将Z-score标准化和PCA降维后的数据，输入到SVR_Adaboost改进算法，估计出商用货车载重质量，具体包括：

1)根据给定弱学习器SVR和训练数据集D＝{(x₁,y₁),…,(x_i,y_i),…,(x_m,y_m)}；

2)初始化每一个训练样本权重D_t(x)为第t次迭代的样本权重，m为数据样本集样本个数；

3)Adaboost循环训练好而不同的SVR：

其中，Z_t——为的归一化因子

SVR(D_t)——表示第t次训练的SVR模型

ε_t——计算SVR(D_t)在辨识各训练样本下的误差

w_t,i——第SVR(D_t)在第i个样本下权重

M——为样本总数

I——指示函数，即h_t(x_i)≠y_i为1，否则为0

β_t——

α_t——表示SVR(D_t)模型，在此次训练后的权重值

H(x)——构建最终组合后的强模型器

e——为期望训练误差目标值

4)Adaboost组合弱学习器SVR，最后辨识模型为：

SVR_t(x)——第k次训练完成的SVR模型。

2.根据权利要求1所述的基于SVR_Adaboost改进算法的商用货车质量估计方法，其特征在于，所述通过CAN总线采集纵向驱动力F_res、纵向加速度纵向速度v_x、迎风阻力F_w、轮胎滚动阻力系数f及路面坡度θ，形成一组原始数据，具体包括：

根据车辆纵向动力学方程确定与质量相关的变量纵向驱动力F_res、纵向加速度纵向速度v_x、空气密度ρ、空气阻力系数C_d、迎风面积A、轮胎滚动阻力系数f、道路坡度θ。在车辆起步10秒，通过同步采集车辆CAN总线提供的F_res、v_x、F_w、f、θ，其中，采集频率10Hz，在车辆载重每增加10Kg采集一次数据。

3.根据权利要求1所述的基于SVR_Adaboost改进算法的商用货车质量估计方法，其特征在于，所述采用Z-score标准化原始数据，使原始数据变换到同一数量级，公式如下：

其中，Z标准化后数据输出，x标准化数据输入，为所有样本数据的均值，为所有样本数据的标准差，M表示数据集样本总数，x_i表示训练样本中第i个样本的数据值。