CN108052975B - 一种基于核主元和神经网络的车辆运行实时工况预测方法 - Google Patents

Abstract

本发明公开一种基于核主元和神经网络的车辆运行实时工况预测方法，属于自动化技术领域。车辆运行实时工况预测中的道路特征间往往具有非线性特性，而主成分分析是一个线性过程，在降维的同时无法有效提取非线性特征，在特征信息不足的情况下，最终会影响工况预测准确性。本发明首先对车辆运行实时工况进行特征提取，然后引入核主元分析对工况特征做非线性映射，在降低特征维度的同时，提取工况特征的更有效的分量，采用BP神经网络利用降维后的特征对不同车辆工况进行识别。本发明提出的方法弥补了传统的基于主成分分析预测方法的不足，能提取更有效特征，简化神经网络结构，增强神经网络的泛化能力，提高车辆工况识别的正确率。

Description

一种基于核主元和神经网络的车辆运行实时工况预测方法

技术领域

本发明属于自动化技术领域，涉及一种基于核主元和神经网络的车辆运行实时工况预测方法。

背景技术

现有的车辆运行实时工况预测方法常利用主成分分析法对车辆工况特征降维。例如，Hongwen He等人在文献A method for identification of driving patterns inhybrid electric vehicles based on a LVQ neural network(Energies,2012,5(9):3363-3380)中提出一种基于主成分分析法的车辆运行实时工况预测方法，利用主成分分析法将7维车辆工况特征降至4维。车辆运行实时工况预测中的道路特征间往往具有非线性特性，而主成分分析仅对线性特征具有较好的降维效果，对非线性特征无法实现在降维的同时保留足够多的有效信息，在特征信息不足的情况下，最终会影响工况预测准确性。

发明内容

本发明的目的是针对现有的部分算法的不足之处，提供一种核主元分析法。核主元分析法相比主成分分析法在处理高维非线性数据上更加具有优越性，在降低特征维度的同时，消除工况特征间的共线性信息，提取工况特征的有效分量，然后结合BP神经网络利用降维后的特征对不同车辆工况进行识别。

本发明的技术方案是通过数据采集，特征提取，模型建立等手段，确立了一种基于核主元和神经网络的车辆运行实时工况预测方法。利用该方法可有效提高车辆工况预测的准确性。

本发明方法的步骤包括：

基于核主元和神经网络的车辆运行实时工况预测方法，其步骤如下：

步骤1).提取车辆运行实时工况特征；

步骤2).利用核主元分析法对步骤1)获取的工况特征降维；

步骤3).将降维后的特征样本集

分为训练集和测试集，将训练集输入神经网络模型进行训练，然后利用训练后的神经网络模型进行车辆运行实时工况预测。

作为优选，步骤1)中提取车辆运行实时工况特征，具体方法如下：

首先获取车辆行驶的连续速度变量，按照长度为T的采样周期将该变量离散化，在长度为T的时间窗内提取该窗内的运动特征，设运动特征样本集为X＝{x_i}，其中x_i表示提取到的m维空间的运行特征，i＝1,2…N，N为每个运动特征的样本数。

进一步的，步骤2)中利用核主元分析法对步骤1)获取的工况特征降维，具体方法如下：

2.1).定义非线性映射函数φ(x)，假设映射函数φ(x)将特征样本x从m维空间映射到更高维的特征空间，并且映射后的特征具有零均值，即

2.2).在特征空间中定义映射特征的协方差矩阵:

x_i为第i个运动特征；设协方差矩阵C的特征值及特征向量分别为λ,w，则得到

将

代入后得到等式：

将该等式转化成矩阵形式，并在等号两边同时左乘φ(X)^T得：

其中a＝{a_i}，i＝1,2…N；

2.3).根据核函数定义满足：K(X,X^T)＝φ(X)^Tφ(X)，其中K矩阵的第i行第j列元素K_ij＝φ(x_i)^Tφ(x_j)，代入公式(1)化简得：

两边同时消去一个K得到：Ka＝λNa；

2.4).计算核函数K(X,X^T)＝(X*X^T+d)^p，式中d和p为待确定参数；

2.5).通过w对a单位化：

2.6).根据预设的主成分累积贡献率，选择单位化后的a的对应前k个特征向量构成投影向量

主成分累计贡献率E_k形式如下：

其中λ_i为核矩阵K的第i个特征值；

2.7).对特征向量x_i线性变换得到降维后的特征向量

其中：

为

中的第j个向量；

将该等式转化成矩阵形式，得到：

其中

是降维后的特征样本集。

更进一步的，所述的步骤3)中将训练集输入神经网络模型进行训练，然后利用训练后的神经网络模型进行车辆运行实时工况预测的具体方法如下：

3.1).设训练样本集为

其中label_i表示第i个样本标记，代表特征样本

的工况种类，m表示训练样本集的样本数量；建立三层神经网络模型：

其中输入层为线性层，在输入层中输入I_in等于输出I_out，即

输入层神经元数等于输入特征的维度；H_in表示神经网络的隐层输入，W_h表示输入层和隐层神经元之间的权值，隐层神经元数为待定参数，H_out表示隐层输出；Y_in表示神经网络的输出层的输入，W_y表示输出层和隐层之间的权值，输出层神经元的数量为车辆工况的类别数，Y_out表示神经网络输出层的输出；

3.2).建立神经网络模型的目标函数J：

J＝||Y_out-label||²

3.3).优化神经网络模型参数W_h,W_y；

3.4).将测试集输入训练后的神经网络模型，根据工况预测准确率评价模型的好坏；如果模型预测准确率未达到预定值，则改变网络结构及参数初始值，重复步骤3，直到模型预测准确率达到预定值，保存网络结构，并用于车辆运行实时工况预测。

再进一步的，所述的步骤3.3)中优化神经网络模型参数W_h,W_y的方法如下：

3.31).将待优化的参数写成行向量的形式：W＝(W_h ^T,W_y ^T)，将目标函数J二阶泰勒展开：

其中W^k表示第k次迭代的W值，

表示J(·)的导数，H(·)代表Hesse矩阵；

3.32).对f(W)求一阶导，进而求出第k次迭代后W的改变量d^k：

其中E为单位矩阵，β为引入的非负调整参量，其初始值为待定参数，如果矩阵βE+H(W^k)奇异，则在此次迭代中不断增大β值，直到矩阵非奇异；

3.33).得到第k次迭代W的改变量d^k后，更新参数：W^k+1＝W^k+d^k，将参数W^k+1代入神经网络模型，令k＝k+1；

3.34).重复步骤3.31)～3.33)，直到目标函数低于期望值，此时神经网络模型训练结束。

本发明提出的车辆运行实时工况预测方法弥补了传统预测方法的不足，相比与传统的主成分分析降维法，核主元分析在降维的同时，能提取更有效的特征，简化神经网络结构，增强神经网络的泛化能力，提高车辆工况识别的正确率。

附图说明

图1为Advisor软件输出的4种典型工况的速度样本示意图；

图2为对图1中各典型工况进行特征提取的示意图；

图3为BP神经网络结构图；

图4为该模型对4种典型工况的分类结果图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。

1.一种基于核主元和神经网络的车辆运行实时工况预测方法，其特征在于，步骤如下：

步骤1).提取车辆运行实时工况特征，具体方法如下：

首先获取车辆行驶的连续速度变量，按照长度为T的采样周期将该变量离散化，在长度为T的时间窗内提取该窗内的运动特征，设运动特征样本集为X＝{x_i}，其中x_i表示提取到的m维空间的运行特征，i＝1,2…N，N为每个运动特征的样本数。

步骤2).利用核主元分析法对步骤1)获取的工况特征降维，具体方法如下：

2.1).定义非线性映射函数φ(x)，假设映射函数φ(x)将特征样本x从m维空间映射到更高维的特征空间，并且映射后的特征具有零均值，即

2.2).在特征空间中定义映射特征的协方差矩阵:

x_i为第i个运动特征；设协方差矩阵C的特征值及特征向量分别为λ,w，则得到

将

代入后得到等式：

将该等式转化成矩阵形式，并在等号两边同时左乘φ(X)^T得：

其中a＝{a_i}，i＝1,2…N；

2.3).根据核函数定义满足：K(X,X^T)＝φ(X)^Tφ(X)，其中K矩阵的第i行第j列元素K_ij＝φ(x_i)^Tφ(x_j)，代入公式(1)化简得：

两边同时消去一个K得到：Ka＝λNa；

2.4).计算核函数K(X,X^T)＝(X*X^T+d)^p，式中d和p为待确定参数；

2.5).通过w对a单位化：

2.6).根据预设的主成分累积贡献率，选择单位化后的a的对应前k个特征向量构成投影向量

主成分累计贡献率E_k形式如下：

其中λ_i为核矩阵K的第i个特征值；

2.7).对特征向量x_i线性变换得到降维后的特征向量

其中：

为

中的第j个向量；

将该等式转化成矩阵形式，得到：

其中

是降维后的特征样本集。

步骤3).将降维后的特征样本集

分为训练集和测试集，将训练集输入神经网络模型进行训练，然后利用训练后的神经网络模型进行车辆运行实时工况预测。模型训练和工况的预测具体方法如下：

3.1).设训练样本集为

其中label_i表示第i个样本标记，代表特征样本

的工况种类，m表示训练样本集的样本数量；建立三层神经网络模型：

其中输入层为线性层，在输入层中输入I_in等于输出Io_ut，即

输入层神经元数等于输入特征的维度；H_in表示神经网络的隐层输入，W_h表示输入层和隐层神经元之间的权值，隐层神经元数为待定参数，H_out表示隐层输出；Y_in表示神经网络的输出层的输入，W_y表示输出层和隐层之间的权值，输出层神经元的数量为车辆工况的类别数，Y_out表示神经网络输出层的输出；

3.2).建立神经网络模型的目标函数J：

J＝||Y_out-label||²

3.3).优化神经网络模型参数W_h,W_y，优化方法如3.31)～3.34)：

3.31).将待优化的参数写成行向量的形式：W＝(W_h ^T,W_y ^T)，将目标函数J二阶泰勒展开：

其中W^k表示第k次迭代的W值，

表示J(·)的导数，H(·)代表Hesse矩阵；

3.32).对f(W)求一阶导，进而求出第k次迭代后W的改变量d^k：

其中E为单位矩阵，β为引入的非负调整参量，其初始值为待定参数，如果矩阵βE+H(W^k)奇异，则在此次迭代中不断增大β值，直到矩阵非奇异；

3.33).得到第k次迭代W的改变量d^k后，更新参数：W^k+1＝W^k+d^k，将参数W^k+1代入神经网络模型，令k＝k+1；

3.34).重复步骤3.31)～3.33)，直到目标函数低于期望值，此时神经网络模型训练结束。

3.4).将测试集输入训练后的神经网络模型，根据工况预测准确率评价模型的好坏；如果模型预测准确率未达到预定值，则改变网络结构及参数初始值，重复步骤3，直到模型预测准确率达到预定值，保存网络结构，并用于车辆运行实时工况预测。

下面基于上述方法，结合具体实施例说明本发明的实现方式和效果。

实施例1

以FTP-75工况(又称UDDS)、WVUSUB工况、HWFET工况及MANHATTAN工况4种典型循环工况为例，建立车辆运行实时工况预测模型。

步骤(1).获取上述4类典型工况特征。

首先从Advisor软件中导出上述4种典型工况的车辆行驶的实时连续速度样本，采样周期T＝41s(如图1所示)，并在T＝41s的时间窗长度内提取该窗内的运动特征(如图2所示)，表1给出了本实施例中采用的12个最能代表车辆工况的运动特征。设运动特征样本集为X＝{x_i}，其中x_i表示提取到的维度为12运行特征，i＝1,2…N，N为每个运动特征的样本数。

表1时间窗长度内的运动特征

步骤(2).利用核主元分析法对上述获取的工况特征降维。

a.定义非线性映射函数φ(x)，假设映射函数φ(x)将特征样本x从m维空间映射到更高维的特征空间，并且映射后的特征具有零均值，即

b.在特征空间中定义映射特征的协方差矩阵:

x_i为第i个运动特征。设协方差矩阵C的特征值及特征向量分别为λ,w，将

代入后得到等式：

将该等式转化成矩阵形式，并在等号两边同时左乘φ(X)^T得：

其中a＝{a_i}，i＝1,2…N；

c.由核函数定义满足：K(X,X^T)＝φ(X)^Tφ(X)，其中K矩阵的第i行第j列元素K_ij＝φ(x_i)^Tφ(x_j)。代入上式化简得：Ka＝λNa，知a为K的特征向量矩阵。式中K(x_i,x_j)＝(＜x_i,x_j＞+1)²。

d.通过w对a单位化：

e.选择使主成分累计贡献率达到0.95的对应的对应单位化后的特征向量构成投影向量

主成分累计贡献率形式如下：

其中λ_i为核矩阵K的第i个特征值；λ为核矩阵K特征值。

f.对特征向量x_i线性变换得到降维后的特征向量

其中：

为

中的第j个向量；

将该等式写成矩阵的形式即：

其中

是降维后的特征样本集。

步骤(3).将上面得到的低维工况特征样本集按照4：1的比例分为训练集和测试集，其中训练集用来训练神经网络模型(其结构如图3所示)，测试集不参与模型训练。网络隐含层神经元数为9，输入神经元数位5，输出神经元数为4。具体步骤为：

Ⅰ.设训练样本集为

其中label_i表示第i个样本标记，代表该特征样本的工况种类，m表示训练样本集的样本数量。建立三层神经网络模型：

其中I代表输入层，输入层为线性层，故在输入层中输入等于输出，即

输入层神经元数等于输入特征的维度；H_in表示神经网络的隐层输入，W_h表示输入层和隐层神经元之间的权值，隐层神经元数为待定参数，H_out表示隐层输出；Y_in表示神经网络的输出层的输入，W_y表示输出层和隐层之间的权值，输出层神经元的数量为车辆工况的类别数，Y_out表示神经网络输出层的输出。

Ⅱ.建立神经网络模型的目标函数J：

J＝||Y_out-label||²

Ⅲ.优化神经网络模型参数W_h,W_y：

首先将待优化的参数写成行向量的形式：W＝(W_h ^T,W_y ^T)，将目标函数J二阶泰勒展开：

其中W^k表示第k次迭代的W值，表示的导数，代表Hesse矩阵；

然后对f(W)求一阶导，进而求出第k次迭代后W的改变量d^k：

其中E为单位矩阵，β为引入的非负调整参量，其初始值为待定参数，如果矩阵βE+H(W^k)奇异，则在此次迭代中不断增大β值，直到矩阵非奇异；

得到第k次迭代W的改变量d^k后，更新参数：W^k+1＝W^k+d^k，将参数W^k+1代入神经网络模型，令k＝k+1；

重复上述优化步骤，直至达到目标函数值，此时神经网络模型训练结束。

Ⅳ.模型选择：将测试集输入神经网络模型，根据工况预测准确率评价模型的好坏。如果模型预测准确率未达到预定值，则改变网络结构及参数初始值，重复步骤3，直到模型预测准确率达到预定值，保存网络结构，并用于车辆运行实时工况预测。

基于上述构建的神经网络模型进行车辆运行实时工况预测，运动特征测试集样本在该模型上的分类表现如图4所示。其中包含4种典型工况的21个样本仅2个识别错误，分类准确率达90.47％。可知基于核主元核神经网络的车辆运行实时工况预测方法可行。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (1)

1.一种基于核主元和神经网络的车辆运行实时工况预测方法，其特征在于，步骤如下：

步骤1).提取车辆运行实时工况特征，具体方法如下：

首先获取车辆行驶的连续速度变量，按照长度为T＝41s的采样周期将该变量离散化，在长度为T的时间窗内提取该窗内的运动特征，设运动特征样本集为X＝{x_i}，其中x_i表示提取到的m维空间的运行特征，i＝1,2…N，N为每个运动特征的样本数；

步骤2).利用核主元分析法对步骤1)获取的工况特征降维，具体方法如下：

2.1).定义非线性映射函数φ(x)，假设映射函数φ(x)将特征样本x从m维空间映射到更高维的特征空间，并且映射后的特征具有零均值，即

2.2).在特征空间中定义映射特征的协方差矩阵:

x_i为第i个运动特征；设协方差矩阵C的特征值及特征向量分别为λ,w，则得到

将

代入后得到等式：

将该等式转化成矩阵形式，并在等号两边同时左乘φ(X)^T得：

其中核矩阵K的特征向量矩阵a＝{a_i}，i＝1,2…N；

2.3).根据核函数定义满足：K(X,X^T)＝φ(X)^Tφ(X)，其中K矩阵的第l行第h列元素K_lh＝φ(x_l)^Tφ(x_h)，代入公式(1)化简得：

两边同时消去一个K得到：Ka＝λNa；

2.4).计算核函数K(X,X^T)＝(X*X^T+d)^p，式中d和p为待确定参数；

2.5).通过w对a单位化：

2.6).根据预设的主成分累积贡献率，选择单位化后的a的对应前r个特征向量构成投影向量

主成分累计贡献率E_r形式如下：

其中λ_c为核矩阵K的第c个特征值；

2.7).对特征向量x_i线性变换得到降维后的特征向量

其中：

为

中的第j个向量；

将该等式转化成矩阵形式，得到：

其中

是降维后的特征样本集；

步骤3).将降维后的特征样本集

分为训练集和测试集，将训练集输入神经网络模型进行训练，然后利用训练后的神经网络模型进行车辆运行实时工况预测，具体方法如下：

3.1).设训练样本集为

其中label_z表示第z个样本标记，代表特征样本

的工况种类，M表示训练样本集的样本数量；建立三层神经网络模型：

H_in＝W_h*I_out,

Y_in＝W_y*H_out,

其中输入层为线性层，在输入层中输入I_in等于输出I_out，即

输入层神经元数等于输入特征的维度；H_in表示神经网络的隐层输入，W_h表示输入层和隐层神经元之间的权值，隐层神经元数为待定参数，H_out表示隐层输出；Y_in表示神经网络的输出层的输入，W_y表示输出层和隐层之间的权值，输出层神经元的数量为车辆工况的类别数，Y_out表示神经网络输出层的输出；

所述神经网络的隐层神经元数为9，输入层神经元数为5，输出层神经元数为4；

3.2).建立神经网络模型的目标函数J：

J＝||Y_out-label||²

3.3).优化神经网络模型参数W_h,W_y，具体方法如下：

3.31).将待优化的参数写成行向量的形式：W＝(W_h ^T,W_y ^T)，将目标函数J二阶泰勒展开：

其中W^k表示第k次迭代的W值，

表示J(·)的导数，H(·)代表Hesse矩阵；

3.32).对f(W)求一阶导，进而求出第k次迭代后W的改变量d^k：

其中E为单位矩阵，β为引入的非负调整参量，其初始值为待定参数，如果矩阵βE+H(W^k)奇异，则在此次迭代中不断增大β值，直到矩阵非奇异；

3.33).得到第k次迭代W的改变量d^k后，更新参数：W^k+1＝W^k+d^k，将参数W^k+1代入神经网络模型，令k＝k+1；

3.34).重复步骤3.31)～3.33)，直至达到目标函数值，此时神经网络模型训练结束；

3.4).将测试集输入训练后的神经网络模型，根据工况预测准确率评价模型的好坏；如果模型预测准确率未达到预定值，则改变网络结构及参数初始值，重复步骤3.3)，直到模型预测准确率达到预定值，保存网络结构，并用于车辆运行实时工况预测。

Images