[发明专利]一种发动机排放实时预测方法

权利要求书

1.一种发动机排放实时预测方法，其特征在于，包括以下步骤：

步骤一、获取若干已知的发动机排放历史测试数据样本，所述发动机排放历史测试数据样本包括影响发动机排放的各个评价指标的数值以及发动机在该工况下的排放数值；

步骤二、将所述若干已知的发动机排放历史测试数据样本随机分为训练集和测试集两部分；

步骤三、确定神经网络预测模型的拓扑结构，具体步骤如下：

第一步，将所述发动机排放历史测试数据样本训练集中影响发动机排放的各个评价指标的数值作为神经网络的输入，将所述发动机排放历史测试数据样本训练集中发动机在该工况下的排放数值作为神经网络的输出，根据输入输出维数确定神经网络输入层节点数目以及输出层节点数目，然后选取若干不同隐含层节点数对神经网络预测模型进行训练；

第二步，对神经网络预测模型训练完成后，得到若干不同隐含层节点数目下的神经网络预测模型，将所述发动机排放历史测试数据样本测试集中影响发动机排放的各个评价指标的数值作为神经网络的输入，分别计算在不同隐含层节点数下神经网络预测值与理论值的均方根误差；

第三步，将神经网络预测模型的预测值与理论值的均方根误差最小对应的隐含层节点数目作为最优隐含层节点数目，将所述的神经网络预测模型中的隐含层节点数目设置为最优隐含层节点数目；

步骤四、采用思维进化算法对步骤三得到的若干相同拓扑结构神经网络预测模型的初始权值及初始阈值进行优化；

步骤五、采用Adaboost算法，将上述思维进化算法得到的若干相同拓扑结构神经网络预测模型的最佳初始权值和最佳初始阈值作为若干相同拓扑结构神经网络预测模型的初始权值和初始阈值，以所述发动机排放历史测试数据样本训练集对各神经网络预测模型进行学习训练，训练完成后，得到若干个神经网络弱预测器，最后将各个神经网络弱预测器组合成为神经网络强预测器模型；

步骤六、实时采集影响发动机排放的各个评价指标数值，将其导入神经网络强预测器模型，获取发动机排放实时预测结果。

2.根据权利要求1所述的一种发动机排放实时预测方法，其特征在于：所述步骤三第一步的训练步骤具体如下：

步骤301，将所述发动机排放历史测试数据样本训练集中各样本i输入k及输出l采用最大-最小标准进行归一化处理，公式为：

其中，m表示训练集样本总数，p表示输入层节点数目，h表示输出层节点数目，表示训练集中第i个样本的第k个输入，x_kmax表示训练集所有样本中第k个输入的最大值，x_kmin表示训练集所有样本中第k个输入的最小值，表示训练集中第i个样本的第l个输出，y_lmax表示训练集所有样本中第l个输出的最大值，y_lmin表示训练集所有样本中第l个输出的最小值；

步骤302，初始化输入层第k个神经元与隐含层第s个神经元之间的连接权值w_ks，隐含层第s个神经元的阈值a_s，隐含层第s个神经元与输出层第l个神经元之间的连接权值w_sl以及输出层第l个神经元的阈值b_l；

步骤303，计算训练集各样本i隐含层输出公式为：

其中，表示第i个样本第s个隐含层神经元的输出，g为隐含层节点数目，f为隐含层神经元激励函数，此处选择单曲正切S形函数，示意为：

步骤304，计算训练集各样本i输出层输出公式为：

其中，表示第i个样本第l个输出层神经元的输出，M为输出层神经元激励函数，选择线性函数，公式为：

M(t)＝t (3-6)

步骤305，计算神经网络输出误差，公式为：

步骤306，采用梯度下降方法更新输入层第k个神经元与隐含层第s个神经元之间的连接权值w_ks以及隐含层第s个神经元与输出层第l个神经元之间的连接权值w_sl，具体为：

输入层第k个神经元与隐含层第s个神经元之间的连接权值变化量Δw_ks为：

其中，η为设定的学习速率；

则更新后的输入层第k个神经元与隐含层第s个神经元之间的连接权值w_ks为：

w_ks＝w_ks+Δw_ks k＝1,2,…,p；s＝1,2,…,g (3-9)

隐含层第s个神经元与输出层第l个神经元之间的连接权值变化量Δw_sl为：

则更新后的隐含层第s个神经元与输出层第l个神经元之间的连接权值w_sl为：

w_sl＝w_sl+Δw_sl s＝1,2,…,g；l＝1,2,…,h (3-11)

步骤307，采用梯度下降方法更新隐含层第s个神经元的阈值a_s以及输出层第l个神经元的阈值b_l，具体为：

隐含层第s个神经元的阈值变化量Δa_s为：

则更新后的隐含层第s个神经元的阈值a_s为：

a_s＝a_s+Δa_s s＝1,2,…,g (3-13)

输出层第l个神经元的阈值变化量Δb_l为：

则更新后的输出层第l个神经元的阈值b_l为：

b_l＝b_l+Δb_l l＝1,2,…,h (3-15)

步骤308，判断算法迭代是否结束，若没有结束，重复步骤303-307。