基于SVM学习模型的换挡决策研究
发布时间：2024-06-01 15:17
换挡决策问题是车辆自动变速理论的核心问题,是保证换挡控制品质提升的基础,其解决的是在复杂的行驶工况条件下选择合理的换挡时机或换挡点的问题,何时换挡是换挡控制的先决条件,直接影响车辆行驶的动力、经济和驾驶性。两参数到三参数的理论设计方法证明,引入更多有效控制参数会有效提升换挡规律对典型工况的适应性,但是按照换挡规律MAP的设计方法,设计人员除了要标定数据以外还要进行大量的策略制定工作来解决实用过程中以适应性为代表的种种问题,设计工作量和人为设计因素都很大;而且这种标定修正一般都是将驾驶员风格和意图与环境因素分开考虑,通过逐个的辨识进行叠加修正,但是驾驶员在驾驶车辆行驶时的风格和意图实际上是根据环境做出的,比如坡道的修正叠加就会造成动力需求的叠加增大;同时随着人工智能技术的全面发展,人们对于智能化的需求不断提高,挡位决策的方法也要不断的进行智能化的发展以适应时代和市场的需要。利用人工智能技术解决上述问题是一种有效的途径和尝试。支持向量机(Support Vector Machines,SVM)是一种自动进行模拟和实现的数据挖掘技术,本质是通过有限的实例(数据)来学习整个系统的知识,摆脱了传...
【文章页数】：172 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景
1.2 自动变速器挡位决策技术研究概况
1.2.1 挡位决策技术的发展历程
1.2.2 现有的主要挡位决策方法
1.3 应用SVM的几个基本问题
1.4 本文主要研究内容
第2章 传动系统建模及挡位决策问题分析
2.1 传动系统建模
2.1.1 发动机建模
2.1.2 离合器模型
2.1.3 变速箱模型
2.1.4 整车动力学模型
2.1.5 模型验证
2.2 换挡决策理论及性能分析
2.2.1 换挡决策基础理论
2.2.2 换挡规律决策适应性分析
2.3 基于SVM的换挡决策方法
2.3.1 现有换挡决策的问题
2.3.2 SVM的选择分析
2.3.3 基于SVM学习模型的换挡决策过程
2.4 本章小结
第3章 换挡决策SVM学习模型的构建
3.1 SVM 理论
3.2 支持向量机换挡决策学习基模型
3.3 特征选择和模型参数的优化
3.3.1 核函数的选择
3.3.2 特征选择
3.3.3 SVM的模型参数
3.4 基于遗传算法的特征选择和模型参数联合寻优方法
3.4.1 遗传算法
3.4.2 GA联合寻优方法
3.4.3 联合寻优仿真实验
3.5 本章小结
第4章 多分类SVM挡位决策
4.1 SVM多分类方法
4.1.1 “一对多”多分类法
4.1.2 “一对一”多分类法
4.1.3 决策有向无环图法
4.1.4 二叉树支持向量机
4.2 基于粒子群算法的多分类SVM决策树构造
4.2.1 粒子群算法
4.2.2 粒子群算法的改进策略
4.2.3 基于改进粒子群算法的二叉树构造
4.3 换挡学习模型二叉树结构优化结果
4.4 本章小结
第5章 环境特征参数和工况分类识别
5.1 基于行驶阻力的环境特征参数
5.1.1 实车负荷度的计算
5.1.2 特殊环境对负荷度的影响分析
5.2 基于学习的自适应行驶工况识别
5.3 基于神经网络的行驶路段识别方法
5.3.1 自适应共振理论人工神经网络
5.3.2 基于ART2 网络的行驶路段在线识别方法
5.4 行驶工况在线仿真识别结果试验
5.5 本章小结
第6章 换挡决策增量学习方法
6.1 增量学习概述
6.2 增量学习训练集的选择
6.2.1 增量训练集的构成
6.2.2 基于换挡点特征的更新训练集选择
6.3 SVM增量算法
6.4 增量训练集的淘汰策略及其减量学习算法
6.4.1 增量更新样本集的淘汰算法
6.4.2 更新样本集的减量算法
6.5 算法实验结果
6.6 换挡决策学习增量实验
6.7 本章小结
第7章 模型验证及整车试验
7.1 整车试验平台
7.1.1 试验车辆与设备
7.1.2 TCU系统
7.1.3 试验车辆控制信号验证
7.2 基于SVM的换挡学习模型实验
7.2.1 模型的训练及验证
7.2.2 模型仿真验证
7.3 实车路试适应性实验
7.4 驾驶风格增量实验
7.5 本章小结
第8章 总结与展望
8.1 论文的主要研究工作
8.2 论文的创新性工作
8.3 未来工作及展望
参考文献
攻读博士期间发表的论文及科研成果
致谢
本文编号：3986083
【文章页数】：172 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景
1.2 自动变速器挡位决策技术研究概况
1.2.1 挡位决策技术的发展历程
1.2.2 现有的主要挡位决策方法
1.3 应用SVM的几个基本问题
1.4 本文主要研究内容
第2章 传动系统建模及挡位决策问题分析
2.1 传动系统建模
2.1.1 发动机建模
2.1.2 离合器模型
2.1.3 变速箱模型
2.1.4 整车动力学模型
2.1.5 模型验证
2.2 换挡决策理论及性能分析
2.2.1 换挡决策基础理论
2.2.2 换挡规律决策适应性分析
2.3 基于SVM的换挡决策方法
2.3.1 现有换挡决策的问题
2.3.2 SVM的选择分析
2.3.3 基于SVM学习模型的换挡决策过程
2.4 本章小结
第3章 换挡决策SVM学习模型的构建
3.1 SVM 理论
3.2 支持向量机换挡决策学习基模型
3.3 特征选择和模型参数的优化
3.3.1 核函数的选择
3.3.2 特征选择
3.3.3 SVM的模型参数
3.4 基于遗传算法的特征选择和模型参数联合寻优方法
3.4.1 遗传算法
3.4.2 GA联合寻优方法
3.4.3 联合寻优仿真实验
3.5 本章小结
第4章 多分类SVM挡位决策
4.1 SVM多分类方法
4.1.1 “一对多”多分类法
4.1.2 “一对一”多分类法
4.1.3 决策有向无环图法
4.1.4 二叉树支持向量机
4.2 基于粒子群算法的多分类SVM决策树构造
4.2.1 粒子群算法
4.2.2 粒子群算法的改进策略
4.2.3 基于改进粒子群算法的二叉树构造
4.3 换挡学习模型二叉树结构优化结果
4.4 本章小结
第5章 环境特征参数和工况分类识别
5.1 基于行驶阻力的环境特征参数
5.1.1 实车负荷度的计算
5.1.2 特殊环境对负荷度的影响分析
5.2 基于学习的自适应行驶工况识别
5.3 基于神经网络的行驶路段识别方法
5.3.1 自适应共振理论人工神经网络
5.3.2 基于ART2 网络的行驶路段在线识别方法
5.4 行驶工况在线仿真识别结果试验
5.5 本章小结
第6章 换挡决策增量学习方法
6.1 增量学习概述
6.2 增量学习训练集的选择
6.2.1 增量训练集的构成
6.2.2 基于换挡点特征的更新训练集选择
6.3 SVM增量算法
6.4 增量训练集的淘汰策略及其减量学习算法
6.4.1 增量更新样本集的淘汰算法
6.4.2 更新样本集的减量算法
6.5 算法实验结果
6.6 换挡决策学习增量实验
6.7 本章小结
第7章 模型验证及整车试验
7.1 整车试验平台
7.1.1 试验车辆与设备
7.1.2 TCU系统
7.1.3 试验车辆控制信号验证
7.2 基于SVM的换挡学习模型实验
7.2.1 模型的训练及验证
7.2.2 模型仿真验证
7.3 实车路试适应性实验
7.4 驾驶风格增量实验
7.5 本章小结
第8章 总结与展望
8.1 论文的主要研究工作
8.2 论文的创新性工作
8.3 未来工作及展望
参考文献
攻读博士期间发表的论文及科研成果
致谢
本文编号：3986083
本文链接：https://www.wllwen.com/kejilunwen/qiche/3986083.html
最近更新
教材专著
