根据不同工况的数据簇建立柴油车辆油耗与排放模型方法技术

一种根据不同工况的数据簇建立柴油车辆油耗与排放模型方法，属于汽车控制技术领域。本发明专利技术的目的是将数据聚类与神经网络结合的建模方法，先使用聚类算法根据车辆不同工况下的数据内部特点，将车辆数据聚类成不同的数据簇，然后使用每个工况对应的数据簇建立专属神经网络模型的根据不同工况的数据簇建立柴油车辆油耗与排放模型方法。本发明专利技术的步骤是：确定模型的输入和输出，分别定义Eps邻域、核心数据点、密度直达、密度可达、簇、噪声点，将数据集划分为不同的数据簇，对于不同数据簇，使用单隐含层双节点结构神经网络建模。本发明专利技术提高了针对性（仅针对特定工况），因此不需要为了满足全面性而牺牲精度，神经网络模型的精度也得到了提高。了提高。

【技术实现步骤摘要】
根据不同工况的数据簇建立柴油车辆油耗与排放模型方法


[0001]本专利技术属于汽车控制


技术介绍

[0002]现有建立车辆油耗与排放模型的方法可以分为完全通过工作机理分析，建立物理模型的建模，这样建模方法由于需要详细描述燃烧过程、热工转换过程才能达到使用精度，因此模型结构复杂，计算量大，不利于车辆油耗与排放控制使用。第二种是使用数据，基于数据驱动得到的黑箱模型。这样的模型由于是通过车辆的历史数据利用“学习”(例如神经网络)的方法获得，这样的模型为了兼顾车辆的不同工况使用，因此需要复杂的学习结构(例如神经网络结构)。并且由于车辆的工况复杂，所以很多时候需要牺牲“精度”去满足“全面性”，即为了兼顾全部工况而建立一个整体较好，但是每个工况不那么好的模型。

技术实现思路

[0003]本专利技术的目的是将数据聚类与神经网络结合的建模方法，先使用聚类算法根据车辆不同工况下的数据内部特点，将车辆数据聚类成不同的数据簇，然后使用每个工况对应的数据簇建立专属神经网络模型的根据不同工况的数据簇建立柴油车辆油耗与排放模型方法。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种根据不同工况的数据簇建立柴油车辆油耗与排放模型方法，S1、选择建立车辆速度与加速度车辆油耗与NOx排放的模型，共采集了n组数据，n根据不同驾驶循环下的训练数据个数而定；其特征在于：S2、将模型的输入为[Speed Acc]，模型的输出为[Fuel NO
x
]，其中Speed为车辆速度，Acc为车辆加速度，Fuel为车辆的油耗，NO
x
为车辆的氮氧化物排放；S3、定义Eps邻域：车辆输入数据集中的数据点[Speed
q Acc
q
]属于输入数据集，且D
ist
([Speed
p Acc
p
],[Speed
q Acc
q
])≤Eps
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，p代表数据点的序号，表明第p个数据；D
ist
([Speed
p Acc
p
],[Speed
q Acc
q
])表示两个数据点[Speed
p Acc
p
]与[Speed
q Acc
q
]之间的欧式距离，其中q代表数据点的序号，表明第q个数据，若满足上式，则表明数据点[Speed
q Acc
q
]在数据点[Speed
p Acc
p
]的Eps邻域内；S4、基于公式(1)得到：N
Eps
([Speed
p Acc
p
])＝{[Speed
q Acc
q
]∈输入数据集|D
ist
([Speed
p Acc
p
],[Speed
q Acc
q
])≤Eps}
ꢀꢀꢀ
(2)N
Eps
([Speed
p Acc
p
])为车辆输入数据集中在数据点[Speed
p Acc
p
]的Eps邻域内所有数据点的集合；S5、定义核心数据点MinPt为设定的邻域密度阈值，若存在数据点]Speed
p Acc
p
]满足：|N
Eps
([Speed
p Acc
p
])|≥MinPts
ꢀꢀꢀꢀꢀ
(3)公式(3)为数据点[Speed
p Acc
p
]是一个核心数据点的判断条件，其中|N
Eps
([Speed
p Acc
p
])|表示数据点[Speed
p Acc
p
]的Eps邻域内全部数据点个数；S6、定义密度直达给定车辆的输入数据集，若存在数据点[Speed
q Acc
q
]∈|N
Eps
([Speed
p Acc
p
])|且数据点[Speed
p Acc
p
]满足式(2)(3)，即数据点[Speed
q Acc
q
]在数据点[Speed
p Acc
p
]的Eps邻域内且数据点[Speed
p Acc
p
]为核心数据点，则称数据点[Speed
q Acc
q
]是从数据点[Speed
p Acc
p
]密度直达的；S7、定义密度可达给定车辆的输入数据集，若存在数据点链([Speed
p Acc
p
],[Speed
q Acc
q
],
…
,[Speed
i Acc
i
])，对于每个相邻数据点之间都是密度直达，则称数据点[Speed
i Acc
i
]从数据点[Speed
p Acc
p
]是密度可达的；S8、定义簇，给定车辆的输入数据集，若数据集中具有非空子集，且满足以下条件，则称非空子集为簇：(1)对任意数据点[Speed
q Acc
q
]，若核心数据点[Speed
p Acc
p
]在某一特定非空子集内且对象[Speed
q Acc
q
]是从核心数据点[Speed
p Acc
p
]密度可达的，则数据点[Speed
q Acc
q
]也属于该特定非空子集；(2)对任意数据点[Speed
p Acc
p
]在某一特定非空子集内,[Speed
q Acc
q
]在该相同的特定非空子集内，数据点[Speed
p Acc
p
]和数据点[Speed
q Acc
q
]是密度相连的；S9、定义噪声点，若数据点[Speed
p Acc
p
]不属于任何簇，则数据点[Speed
p Acc
p
]为噪声
点：[Speed
p Acc
p
]、[Speed
q Acc
q
]、[Speed
i Acc
i
]为核心数据点；[Speed
l Acc
l
][Speed
j Acc
j
]密度直达的关系为：[Speed
l Acc
l
]由[Speed
p Acc
p
]密度直达，[Speed
q Acc
q
]由[Speed
p Acc
p
]密度直达，[Speed
i Acc
i
]由[Speed
q Acc
q
]密度直达，[Speed
j Acc
j
]由[Speed
i Acc
i
]密度直达；密度可达的关系为：[Speed
i Acc
i
]由[Speed
p Acc
p
]密度可达，[Speed
j Acc
j
]由[Speed
p Acc
p
]密度可达，[Speed
j Acc
j
]由[Speed
q Acc
q
]密度可达；其中i、j、l分别指第i个数据、第j个数据和第l个数据；S10、基于数据之间的密度，将数据集划分为不同的数据簇：C
k
，(C
k
∈输入数据集，k∈K)
ꢀꢀꢀ
(5)其中，C为数据簇，k为数据簇的序号，K为数据一共聚类的簇数，C
k
表明为第k个数据簇；S11、对于不同数据簇，使用单隐含层双节点结构神经网络建模，采用下式作为隐含层节点的激活函数：其中为第k个数据簇对应神经网络的隐含层节点的第n个输出，为第k个数据簇对应神经网络的隐含层节点的第m个输入；S12、采用线性激活函数：...

【专利技术属性】
技术研发人员：刘迪，邓诺，胡云峰，宫洵，孙耀，张辉，郭洪艳，陈虹，
申请(专利权)人：吉林大学，
类型：发明
国别省市：