[发明专利]一种GA-BP工况识别方法及系统

权利要求书

1.一种GA-BP工况识别方法，其特征在于，包括如下步骤：

S1、获取典型工况，并对所述典型工况进行采样，得到若干组训练样本；其中，每一个训练样本为一个速度区间；

S2、基于遗传算法GA优化的BP神经网络构建工况识别模型，并利用所述训练样本对所述工况识别模型进行训练，得到BP神经网络的权值和阈值，完成所述工况识别模型的训练；

S3、实时采集车辆的行驶速度，并输入训练好的工况识别模型，完成车辆的工况识别。

2.根据权利要求1所述的GA-BP工况识别方法，其特征在于，所述BP神经网络包括依次连接的输入层、隐含层、输出层，所述输入层与所述隐含层之间以及所述隐含层与所述输出层之间设有激活函数。

3.根据权利要求2所述的GA-BP工况识别方法，其特征在于，所述输入层与所述隐含层之间的激活函数为双极S型函数，所述隐含层与所述输出层之间的激活函数为线性函数。

4.根据权利要求1所述的GA-BP工况识别方法，其特征在于，所述GA的参数包括适应度、迭代次数、选择策略、交叉概率、变异概率。

5.根据权利要求4所述的GA-BP工况识别方法，其特征在于，其中，所述适应度为误差函数。

6.根据权利要求4所述的GA-BP工况识别方法，其特征在于，所述选择策略为：采用所述适应度的倒数作为个体选择的概率，并利用轮盘赌进行个体选择。

7.根据权利要求4所述的GA-BP工况识别方法，其特征在于，所述交叉概率为0.4～0.99。

8.根据权利要求4所述的GA-BP工况识别方法，其特征在于，所述变异概率为0.0001～0.1。

9.根据权利要求1～8任一项所述的GA-BP工况识别方法，其特征在于，所述工况识别模型的训练过程，包括：

1)将训练样本输入至所述工况识别模型，利用遗传算法将训练样本随机生成一个初始种群，并对初始种群中的个体分别进行二进制编码；

2)通过BP神经网络对种群中的每个个体分别进行适应度计算，所述适应度为误差的倒数；

3)对种群中的个体进行不同概率的选择、交叉、变异，对种群进行更新，并对更新后种群中的个体进行适应度的计算；

4)对更新后种群中个体的适应度进行两两比较，并采用适应度高的个体替换适应度低的个体，形成新的种群；

5)重复步骤2)～4)，直到适应度大于预设阈值，或者迭代次数到达预设次数；

6)将种群中最优个体解码，得到初始的权值、阈值，输入BP神经网络，对所述BP神经网络进行训练，得到BP神经网络的权值、阈值的最优值，完成工况识别模型的训练。

10.一种GA-BP工况识别系统，其特征在于，包括数据获取模块、车速检测模块、工况识别模块；所述数据获取模块、车速检测模块分别与所述工况识别模块相连接；

所述数据获取模块用于获取典型工况，并对所述典型工况进行采样，得到若干组训练样本，将训练样本输入至所述工况识别模块；其中，每一个训练样本为一个速度区间；

所述车速检测模块用于实时采集车辆的行驶速度，并将车辆的实时行驶速度输入至所述工况识别模块；

所述工况识别模块采用基于GA优化的BP神经网络模型对车辆进行工况识别；所述BP神经网络模型通过所述训练样本进行训练，并通过训练好的BP神经网络模型、车辆的实时行驶速度完成车辆的工况识别。