CN109255094B - 基于SVR_Adaboost改进算法的商用货车质量估计方法 - Google Patents

基于SVR_Adaboost改进算法的商用货车质量估计方法 Download PDF

Info

Publication number
CN109255094B
CN109255094B CN201810907913.XA CN201810907913A CN109255094B CN 109255094 B CN109255094 B CN 109255094B CN 201810907913 A CN201810907913 A CN 201810907913A CN 109255094 B CN109255094 B CN 109255094B
Authority
CN
China
Prior art keywords
svr
data
adaboost
algorithm
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810907913.XA
Other languages
English (en)
Other versions
CN109255094A (zh
Inventor
郑太雄
田云浪
杨新琴
汪涛
褚良宇
陈云坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810907913.XA priority Critical patent/CN109255094B/zh
Publication of CN109255094A publication Critical patent/CN109255094A/zh
Application granted granted Critical
Publication of CN109255094B publication Critical patent/CN109255094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明请求保护一种基于SVR_Adaboost改进算法的商用货车质量辨识方法，在车辆起步10s，采用时间序列方式在CAN总线中，采集由车辆纵向动力学模型所确定的相关变量纵向驱动力、纵向加速度、迎风阻力、轮胎滚动阻力、路面坡度，并按固定数据结构组合成一组数据。将组合数据Z‑score标准化，再PCA降维到10维，作为输入变量，利用SVR作为基学习算法，再用Adaboost提升方法反复训练，得出一系列弱SVR模型，并组合这些模型，构成最终质量辨识模型。通过Adaboost提升训练后的模型在辨识应用中比单一基学习算法泛化能力更加显著优越、辨识精度更高。

Description

基于SVR_Adaboost改进算法的商用货车质量估计方法
技术领域
本发明属于商用货车的载重辨识方法，特别是一种无人驾驶商用车辆的质量辨识方法。
背景技术
对于商用货车，车辆载重是一个非常重要的参数，对于商用货车，质量的变化范围最高可达400％。从车辆自动控制问题研究方向来思考，如果车辆的质量能够准确获取，将能够改善车辆操纵稳定性、驾驶舒适性和安全性等。
在无人驾驶车辆轨迹跟踪控制研究领域中，准确获取车辆载重更为重要，尤其是商用货车，载重质量变化的情况会直接影响轨迹跟踪精度。
目前车辆质量辨识的研究领域中，可以分为两类：第一类是依靠公路车辆自动衡器直接获取，这种方式比较昂贵；第二类是参数估计方法[1-4]，这种方式通过纵向驱动力、纵向加速度、迎风阻力、轮胎滚动阻力信息，采用一些智能算法，能够在线准确估计整车质量，属于间接方式估计出整车质量。值得注意的是，第二类主要方法有自适应滑膜观测器[1]、最小二乘法[2-4]、基于纵向频响特性估计法[5]，考虑比较全面的方法有适应空气阻力变化辨识法[6]，还有针对电驱动质量辨识方法[7]。本发明采用的是集成学习法，弱学习采用SVR，集成学习采用Adaboost，另在数据采集采用时间序列方式，都与上述方法有所不同。
现代车辆CAN总线都能提供的如纵向驱动力、纵向加速度、迎风阻力、轮胎滚动阻力等信息，因此在不增加额外传感器的情况，参数估计法能受到很大认可。
另一方面，集成学习能够改善单一弱学习器的泛化能力。Adaboost是集成学习最著名的代表，它通过训练多个好而不同的单一弱学习器，并进行组合成一个强学习器，在辨识应用中能够提升辨识精度[8]。
本申请参考文献:
[1]Mahyuddin M N,Na J,Herrmann G,et al.Adaptive Observer-BasedParameter Estimation With Application to Road Gradient and Vehicle MassEstimation[J].IEEE Transactions on Industrial Electronics,2013,61(6):2851-2863.
[2]Yuan F,Lu X,Zhuoping Y U,et al.Recursive Least Square Vehicle MassEstimation Based on Acceleration Partition[J].Chinese Journal of MechanicalEngineering,2014,27(3):448-458.
[3]Fathy H K,Kang D,Stein J L.Online vehicle mass estimation usingrecursive least squares and supervisory data extraction[C].American ControlConference.IEEE,2008:1842-1848.
[4]Stefanopoulou A.Recursive least squares with forgetting for onlineestimation of vehicle mass and road grade:theory and experiments[J].VehicleSystem Dynamics,2005,43(1):31-55.
[5]胡满江,罗禹贡,陈龙,李克强.基于纵向频响特性的整车质量估计方法[J/OL].吉林大学学报 (工学版):1-8[2018-06-08]
[6]林楠,刘丽,马力,施树明.适应空气阻力变化的商用车质量辨识算法[J].中国公路学报,2016,29(08):143-151.
[7]褚文博,罗禹贡,罗剑,李克强.电驱动车辆的整车质量与路面坡度估计[J].清华大学学报(自然科学版),2014,54(06):724-728.
[8]曹莹,苗启广,刘家辰,等.AdaBoost算法研究进展与展望[J].自动化学报,2013, 39(6):745-758.
发明内容
本发明旨在解决以上现有技术的问题。提出了一种能够提升辨识精度的基于SVR_Adaboost改进算法的商用货车质量估计方法。本发明的技术方案如下：
一种基于SVR_Adaboost改进算法的商用货车质量估计方法，其包括以下步骤：
通过CAN总线采集纵向驱动力Fres、纵向加速度
Figure BDA0001761036670000021
纵向速度vx、迎风阻力 Fw、轮胎滚动阻力系数f及路面坡度θ，形成一组原始数据；
采用Z-score标准分数算法标准化原始数据，使原始数据变换到同一数量级；
采用PCA主成分分析算法对标准化后的数据进行降维；
将Z-score标准化和PCA降维后的数据，输入到SVR_Adaboost支持向量机集成学习改进算法，估计出商用货车载重质量。其中，它的主要改进在于， Adaboost集成学习通过改变数据集的概率分布，将传统SVR弱估计算法改进为强学习算法，这能够提升单一SVR基学习算法的泛化能力和估计精度。
进一步的，所述通过CAN总线采集纵向驱动力Fres、纵向加速度
Figure BDA0001761036670000039
纵向速度vx、迎风阻力Fw、轮胎滚动阻力系数f及路面坡度θ，形成一组原始数据，具体包括：
根据车辆纵向动力学方程
Figure BDA0001761036670000031
确定与质量相关的变量纵向驱动力Fres、纵向加速度
Figure BDA0001761036670000032
纵向速度vx、空气密度ρ、空气阻力系数Cd、迎风面积A、轮胎滚动阻力系数f、道路坡度θ。在车辆起步 10秒，通过同步采集车辆CAN总线提供的Fres、
Figure BDA0001761036670000033
vx、Fw、f、θ。其中，
Figure BDA0001761036670000034
采集频率10Hz，在车辆载重每增加10Kg采集一次数据。
进一步的，所述采用Z-score标准化原始数据，使原始数据变换到同一数量级，公式如下：
Figure BDA0001761036670000035
其中，Z标准化后数据输出，x标准化数据输入，
Figure BDA0001761036670000036
为所有样本数据的均值，
Figure BDA0001761036670000037
为所有样本数据的标准差，M表示数据集样本总数， xi表示数据集第i个样本。
进一步的，所述PCA算法具体包括以下步骤：
输入数据样本集D＝{x1,x2,…,xm-1,xm}，m表示样本总数，将数据降维到10 维；
1)对输入所有样本中心化处理：
Figure BDA0001761036670000038
j＝1,2,…,m；i＝1,2,…,600；xij表示低j个样本的第i个变量的值。
2)计算数据样本集协方差矩阵XXT；
3)对矩阵XXT进行特征值分解，求出特征值λ1,λ2,…,λ600和特征向量ω1,ω2,…,ω600；
4)保留最大的10个特征值对应的特征向量，构成投影矩阵
Figure BDA0001761036670000041
输出PCA降维数据为D*＝DTW。
进一步的，所述将Z-score标准化和PCA降维后的数据，输入到 SVR_Adaboost改进算法，估计出商用货车载重质量，具体包括：
1)根据给定弱学习器SVR和训练数据集D＝{(x1,y1),…,(xi,yi),…,(xm,ym)}；
2)初始化每一个训练样本权重
Figure BDA0001761036670000042
Dt(x)为第t次迭代的样本权重，m 为数据样本集样本个数；
3)Adaboost循环训练好而不同的SVR：
fort＝1,2，…，T do
SVRt＝SVR(Dt)；
Figure BDA0001761036670000043
Figure BDA0001761036670000044
Figure BDA0001761036670000045
Figure BDA0001761036670000046
if|H(x)|＜e：T＝t；break；
其中，Zt为
Figure BDA0001761036670000047
的归一化因子，SVR(Dt)表示第t次训练的SVR模型，εt为SVR(Dt)在各样本下的误差，
Figure BDA0001761036670000048
αt表示SVR(Dt)的权重值，H(x)为组合后的强学习器，e为预设训练误差最大阈 值。
4)Adaboost组合弱学习器SVRt，最后辨识模型为：
Figure BDA0001761036670000049
SVRk(x)即第k次训练好的SVR模型，αk为SVRk(x)的权重值。
进一步的，所述弱学习器SVR的辨识结果表示为：
Figure BDA0001761036670000051
其中，K(x,xi)＝(φ(xi)Tφ(xi))为核函数。α和α*是对应的拉格朗日乘子，b辨识估计函数所带常数项，
Figure BDA0001761036670000052
为把xi映射到不同维度空间的特征向量。
本发明的优点及有益效果如下：
本发明提出一种基于SVR_Adaboost改进算法的商用货车质量辨识方法，改善车辆操纵稳定性、驾驶舒适性和安全性，在无人驾驶车辆中能够提升轨迹跟踪精度。
本发明是通过CAN总线采集纵向驱动力Fres、纵向加速度
Figure BDA0001761036670000053
纵向速度vx、迎风阻力Fw、轮胎滚动阻力系数f、路面坡度θ，这些都是与质量相关的变量，并组合成一组数据，再将数据通过标准化和降维进行数据预处理，最后将预处理过的数据输入SVR_Adaboost改进算法训练好的模型，辨识出车辆载重质量。
本发明的创新点：
1、采用Z-score标准化输入原始数据，能够消除指标之间的量纲影响。
2、采用PCA对标准化后的数据进行降维，起到降低数据复杂度、去除噪声的作用，从而提升辨识精度，降低算法的计算开销。
3、所选用SVR回归算法比起其它回归算法，它具有更严格的数学定义，单一模型预测精度比较高。
4、Adaboost能够训练出多个好而不同的SVR弱学习器，并将它们结合在一起，将弱学习器提升为一个强学习器。最终，算法应用中泛化能力更加显著优越、辨识精度更高。
附图说明
图1是本发明提供优选实施例基于SVR_Adaboost改进算法的商用货车质量辨识方法的辨识流程示意图；
图2为本发明基于SVR_Adaboost改进算法的商用货车质量辨识方法的训练流程示意图；
图3为整车纵向动力学示意图；
图4采集数据组成结构；
图5半载工况按时间序列方式采集数据原始图，其图5A为所采驱动力数据，图5B为所采速度信息；
图6沥青路面辨识结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
训练SVR_Adaboost改进算法模型，具体过程参阅图1所示，具体步骤如下：
步骤1：收集数据集，根据车辆纵向动力学方程
Figure BDA0001761036670000061
Figure BDA0001761036670000062
确定与质量相关的变量Fres、
Figure BDA0001761036670000063
ρ、Cd、A、f、θ。在车辆起步10秒，通过同步采集车辆CAN总线提供的纵向驱动力Fres、纵向加速度
Figure BDA0001761036670000064
纵向速度vx、迎风阻力
Figure BDA0001761036670000065
轮胎滚动阻力系数f、路面坡度θ，采集频率10Hz。为了避免数据集样本数目不够，引起训练出的模型过拟合，泛化能力差，收集数据尽可能大，在车辆载重每增加10Kg采集一次数据。
步骤2：数据集预处理，首先将车辆起步所采集的6个变量数据组合成一组 6*100的数据，如图2所示。再对数据进行Z-score标准化，使数据变换到同一数量级，这能够消除指标之间的量纲影响，标准化方式为：
Figure BDA0001761036670000066
其中，Z标准化后数据输出，x标准化数据输入，
Figure BDA0001761036670000067
为该变量下所有样本数据的均值，
Figure BDA0001761036670000068
为该变量下所有样本数据的标准差，M表示数据集样本总数，xi表示数据集第i个样本。。
经过标准化后，再采用PCA对标准化后的数据进行降维，从600维空间降到10维空间，它起到降低数据复杂度，去除噪声，识别最重要特征的功效，从而提升辨识精度，降低算法的计算开销。PCA算法过程：
输入数据样本集D＝{x1,x2,…,xm-1,xm}，m表示样本总数，将数据降维到10 维。
1)对输入所有样本中心化处理：
Figure BDA0001761036670000071
j＝1,2,…,m；i＝1,2,…,600；xij表示低j个样本的第i个变量的值。
2)计算数据样本集协方差矩阵XXT；
3)对矩阵XXT进行特征值分解，求出特征值λ1,λ2,…,λ600和特征向量ω1,ω2,…,ω600；
4)保留最大的10个特征值对应的特征向量，构成投影矩阵
Figure BDA0001761036670000072
输出PCA降维数据为D*＝DTW。
步骤3：确定弱学习器SVR，它通过在高维中构造超平面，用于该商用货车质量辨识回归任务。其中，SVR与传统的回归模型不同的是，SVR定义能够容忍辨识质量f(x)与真实质量y误差不大于ε，仅当ε＞f(x)-y时，SVR的损失代价函数才计算损失。可以理解为以f(x)为中心，创建一个宽度为2ε的间隔带，训练过程中，训练样本未落入该间隔带，表示预测错误，损失代价函数计算损失。因此，SVR的辨识函数如下所示：
f(x)＝(ωΤx)+b (24)
现在的问题是需要定义损失代价函数Rreg(f)，再通过数据样本集合最小化损失代价，求解出ωΤ和b。
Figure BDA0001761036670000073
其中，C为正则化常数，M训练集样本总数，
Figure BDA0001761036670000074
为：
Figure BDA0001761036670000081
通过ε-不敏感损失函数：
Figure BDA0001761036670000082
使用拉格朗日函数法联合ε-不敏感损失函数(5)，去求解最小化损失代价函数(3)，得下面的二次规划问题：
Figure BDA0001761036670000083
Figure BDA0001761036670000084
其中，α和α*是对应的拉格朗日乘子，
Figure BDA0001761036670000085
为把xi映射到不同维度空间的特征向量。
求解出(6)和(7)后，可以得到α、α*，再求出ω和b：
Figure BDA0001761036670000086
求b可以利用KKT(Karush-Kuhn-Tucker)条件，即要求：
Figure BDA0001761036670000087
其中，
Figure BDA0001761036670000088
和
Figure BDA0001761036670000089
是引入的松弛因子，进而求得：
Figure BDA00017610366700000810
最后，SVR的辨识结果表示为：
Figure BDA00017610366700000811
其中，K(x,xi)＝(φ(xi)Tφ(xi))为核函数。
步骤4：采用集成学习最著名代表Adaboost，将SVR弱学习器提升为强学习器。Adaboost将通过改变数据集的概率分布，训练出多个好而不同的弱学习器SVR，并将他们进行集成组合为一个强学习器，这能够提升单一弱学习器的泛化能力和精确度。其算法训练过程如下：
1)根据给定弱学习器SVR和训练数据集D＝{(x1,y1),…,(xi,yi),…,(xm,ym)}；
2)初始化每一个训练样本权重
Figure BDA0001761036670000091
Dt(x)为第t次迭代的样本权重，m 为数据样本集样本个数。
3)Adaboost循环训练好而不同的SVR：
fort＝1,2，…，T do
SVRt＝SVR(Dt)；
Figure BDA0001761036670000092
Figure BDA0001761036670000093
Figure BDA0001761036670000094
Figure BDA0001761036670000095
if|H(x)|＜e：T＝t；break；
其中，Zt为
Figure BDA0001761036670000096
的归一化因子，SVR(Dt)表示第t次训练的SVR模型，εt为SVR(Dt)在各样本下的误差，
Figure BDA0001761036670000097
αt表示SVR(Dt)的权重值，H(x)为组合后的强学习器，e为预设训练误差最大阈 值。
4)Adaboost组合弱学习器SVR，最后辨识模型为：
Figure BDA0001761036670000098
应用SVR_Adaboost改进算法模型，具体步骤如下：
步骤1：在车辆起步10秒，同步采集车辆提供的纵向驱动力Fres、纵向加速度
Figure BDA0001761036670000101
纵向速度vx、迎风阻力Fw、轮胎滚动阻力系数f、路面坡度θ，采集频率 10Hz，并组合成一组数据，即一组数据含6*100个变量。车辆纵向受力如图3 所示，采集数据固定组成结构方式如图4所示。
步骤2：采用Z-score标准化原始数据，使原始数据变换到同一数量级，能够消除指标之间的量纲影响，从CAN总线中所采集的原始数据如图5所示。
步骤3：采用PCA对标准化后的数据进行降维，从600维空间降到10维空间。它起到降低数据复杂度，去除噪声，识别最重要特征的功效，从而提升辨识精度，降低算法的计算开销。
步骤4：将Z-score标准化和PCA降维后的数据，输入到SVR_Adaboost改进算法，辨识出商用货车载重质量，即
Figure BDA0001761036670000102
最终辨识结果如图6 所示。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于SVR_Adaboost改进算法的商用货车质量估计方法，其特征在于，包括以下步骤：
通过CAN总线采集纵向驱动力Fres、纵向加速度
Figure FDA0003928561230000013
纵向速度vx、迎风阻力Fw、轮胎滚动阻力系数f及路面坡度θ，形成一组原始数据；
采用Z-score标准分数算法标准化原始数据，使原始数据变换到同一数量级；
采用PCA主成分分析算法对标准化后的数据进行降维；
将Z-score标准化和PCA降维后的数据，输入到SVR_Adaboost支持向量机集成学习改进算法，估计出商用货车载重质量，其中，它的主要改进在于，Adaboost集成学习通过改变数据集的概率分布，将传统SVR弱估计算法改进为强学习算法；
所述将Z-score标准化和PCA降维后的数据，输入到SVR_Adaboost改进算法，估计出商用货车载重质量，具体包括：
1)根据给定弱学习器SVR和训练数据集D＝{(x1,y1),…,(xi,yi),…,(xm,ym)}；
2)初始化每一个训练样本权重
Figure FDA0003928561230000011
Dt(x)为第t次迭代的样本权重，m为数据样本集样本个数；
3)Adaboost循环训练好而不同的SVR：
Figure FDA0003928561230000012
其中，Zt——为
Figure FDA0003928561230000021
的归一化因子
SVR(Dt)——表示第t次训练的SVR模型
εt——计算SVR(Dt)在辨识各训练样本下的误差
Figure FDA0003928561230000022
wt,i——第SVR(Dt)在第i个样本下权重
M——为样本总数
I——指示函数，即ht(xi)≠yi为1，否则为0
βt——
Figure FDA0003928561230000023
αt——表示SVR(Dt)模型，在此次训练后的权重值
H(x)——构建最终组合后的强模型器
e——为期望训练误差目标值
4)Adaboost组合弱学习器SVR，最后辨识模型为：
Figure FDA0003928561230000024
SVRt(x)——第k次训练完成的SVR模型。
2.根据权利要求1所述的基于SVR_Adaboost改进算法的商用货车质量估计方法，其特征在于，所述通过CAN总线采集纵向驱动力Fres、纵向加速度
Figure FDA0003928561230000025
纵向速度vx、迎风阻力Fw、轮胎滚动阻力系数f及路面坡度θ，形成一组原始数据，具体包括：
根据车辆纵向动力学方程
Figure FDA0003928561230000026
确定与质量相关的变量纵向驱动力Fres、纵向加速度
Figure FDA0003928561230000027
纵向速度vx、空气密度ρ、空气阻力系数Cd、迎风面积A、轮胎滚动阻力系数f、道路坡度θ。在车辆起步10秒，通过同步采集车辆CAN总线提供的Fres、
Figure FDA0003928561230000028
vx、Fw、f、θ，其中，
Figure FDA0003928561230000029
采集频率10Hz，在车辆载重每增加10Kg采集一次数据。
3.根据权利要求1所述的基于SVR_Adaboost改进算法的商用货车质量估计方法，其特征在于，所述采用Z-score标准化原始数据，使原始数据变换到同一数量级，公式如下：
Figure FDA0003928561230000031
其中，Z标准化后数据输出，x标准化数据输入，
Figure FDA0003928561230000032
为所有样本数据的均值，
Figure FDA0003928561230000033
为所有样本数据的标准差，M表示数据集样本总数，xi表示训练样本中第i个样本的数据值。
4.根据权利要求3所述的基于SVR_Adaboost改进算法的商用货车质量估计方法，其特征在于，所述PCA算法具体包括以下步骤：
输入数据样本集D＝{x1,x2,…,xm-1,xm}，m表示样本总数，将数据降维到10维；
1)对输入所有样本中心化处理：
Figure FDA0003928561230000034
xij表示低j个样本的第i个变量的值；
2)计算数据样本集协方差矩阵XXT；
3)对矩阵XXT进行特征值分解，求出特征值λ1,λ2,…,λ600和特征向量ω1,ω2,…,ω600；
4)保留最大的10个特征值对应的特征向量，构成投影矩阵
Figure FDA0003928561230000035
Figure FDA0003928561230000036
输出PCA降维数据为D*＝DT。
5.根据权利要求4所述的基于SVR_Adaboost改进算法的商用货车质量估计方法，其特征在于，所述弱学习器SVR的辨识结果表示为：
Figure FDA0003928561230000037
其中，
Figure FDA0003928561230000038
为核函数，α和α*是对应的拉格朗日乘子，b为辨识模型的偏移量，
Figure FDA0003928561230000039
为非线性变换函数，将输入空间映射到高维特征空间。
CN201810907913.XA 2018-08-10 2018-08-10 基于SVR_Adaboost改进算法的商用货车质量估计方法 Active CN109255094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810907913.XA CN109255094B (zh) 2018-08-10 2018-08-10 基于SVR_Adaboost改进算法的商用货车质量估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810907913.XA CN109255094B (zh) 2018-08-10 2018-08-10 基于SVR_Adaboost改进算法的商用货车质量估计方法

Publications (2)

Publication Number Publication Date
CN109255094A CN109255094A (zh) 2019-01-22
CN109255094B true CN109255094B (zh) 2022-12-27

Family

ID=65048761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810907913.XA Active CN109255094B (zh) 2018-08-10 2018-08-10 基于SVR_Adaboost改进算法的商用货车质量估计方法

Country Status (1)

Country Link
CN (1) CN109255094B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148230B (zh) * 2019-05-20 2021-05-25 兴民智通(武汉)汽车技术有限公司 一种基于lstm神经网络的整车载重预测方法
US11453404B2 (en) * 2019-09-05 2022-09-27 Baidu Usa Llc Gear based vehicle load inference system
CN111497859B (zh) * 2020-06-30 2020-10-09 北京主线科技有限公司 一种结合重量参数辨识的车辆纵向控制方法
CN113204920B (zh) * 2021-05-12 2022-02-15 紫清智行科技(北京)有限公司 基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置
CN113642695A (zh) * 2021-08-20 2021-11-12 天津海运职业学院 一种基于动态粒子群算法的船舶供应商评价算法
CN113721509B (zh) * 2021-08-25 2024-03-08 武汉理工大学 一种基于集装箱货车信号采集装置的参数估计方法
CN113954873B (zh) * 2021-11-01 2023-04-25 北京科技大学 一种基于降维模型的转向和制动一体化路径跟踪控制方法
CN115435882A (zh) * 2022-09-23 2022-12-06 中铁第四勘察设计院集团有限公司 一种基于车桥耦合效应的铁路桥梁动态称重方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103264669A (zh) * 2013-05-31 2013-08-28 吉林大学 一种基于can信息和功能原理的重型车质量实时辨识方法
CN105644565A (zh) * 2016-02-02 2016-06-08 潍柴动力股份有限公司 一种混合动力汽车负载的测量方法
CN107229801A (zh) * 2017-06-12 2017-10-03 吉林大学 轮胎滚动阻力系数在线辨识方法
CN107561942A (zh) * 2017-09-12 2018-01-09 重庆邮电大学 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法
CN107992895A (zh) * 2017-10-19 2018-05-04 电子科技大学 一种Boosting支持向量机学习方法
CN108022001A (zh) * 2017-09-20 2018-05-11 河海大学 基于pca和分位数回归森林的短期负荷概率密度预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8630767B2 (en) * 2007-12-03 2014-01-14 Nira Dynamics Ab Estimation of the load of a vehicle

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103264669A (zh) * 2013-05-31 2013-08-28 吉林大学 一种基于can信息和功能原理的重型车质量实时辨识方法
CN105644565A (zh) * 2016-02-02 2016-06-08 潍柴动力股份有限公司 一种混合动力汽车负载的测量方法
CN107229801A (zh) * 2017-06-12 2017-10-03 吉林大学 轮胎滚动阻力系数在线辨识方法
CN107561942A (zh) * 2017-09-12 2018-01-09 重庆邮电大学 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法
CN108022001A (zh) * 2017-09-20 2018-05-11 河海大学 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN107992895A (zh) * 2017-10-19 2018-05-04 电子科技大学 一种Boosting支持向量机学习方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于最小二乘支持向量机的汽车ABS控制研究;郑太雄等;《中国机械工程》;20090825(第16期);116-119 *
智能商用车辆的轨迹跟踪控制研究;田云浪;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200215;C035-287 *
适应空气阻力变化的商用车质量辨识算法;林楠 等;《中国公路学报》;20160831;第29卷(第8期);143-151 *

Also Published As

Publication number Publication date
CN109255094A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN109255094B (zh) 基于SVR_Adaboost改进算法的商用货车质量估计方法
CN111038485B (zh) 基于驾驶风格识别的混合动力汽车控制方法及系统
CN106371610B (zh) 一种基于脑电信号的驾驶疲劳的检测方法
CN107515895B (zh) 一种基于目标检测的视觉目标检索方法与系统
CN106971194B (zh) 一种基于改进hmm和svm双层算法的驾驶意图识别方法
CN107229602B (zh) 一种智能楼宇微网用电行为的识别方法
CN111008504B (zh) 一种基于气象模式识别的风电功率预测误差建模方法
CN106951914B (zh) 一种优化模糊鉴别向量提取的电子鼻鉴别食醋品种方法
CN111126575A (zh) 基于机器学习的气体传感器阵列混合气体检测方法及装置
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN102693452A (zh) 基于半监督回归学习的多模型软测量方法
CN108052975B (zh) 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
CN112327168A (zh) 一种基于XGBoost的电动汽车电池消耗预测方法
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
CN105334504A (zh) 基于大边界的非线性判别投影模型的雷达目标识别方法
CN113326960A (zh) 基于粒子群算法优化lstm的地铁牵引能耗预测方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN115730635A (zh) 一种电动汽车负荷预测方法
CN115204041A (zh) 一种大型航空器进场和进近阶段耗油量预测方法
CN114547963A (zh) 一种基于数据驱动的轮胎建模方法和介质
CN114117852A (zh) 一种基于有限差分工作域划分的区域热负荷滚动预测方法
CN116894215B (zh) 一种基于半监督动态图注意的齿轮箱故障诊断方法
CN101702172A (zh) 一种基于类-属性关系依赖度的数据离散化方法
CN111985782B (zh) 基于环境感知的自动驾驶有轨电车运行风险评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant