CN115700593B - 一种基于机器学习的车载网络故障诊断方法 - Google Patents
一种基于机器学习的车载网络故障诊断方法 Download PDFInfo
- Publication number
- CN115700593B CN115700593B CN202211088642.2A CN202211088642A CN115700593B CN 115700593 B CN115700593 B CN 115700593B CN 202211088642 A CN202211088642 A CN 202211088642A CN 115700593 B CN115700593 B CN 115700593B
- Authority
- CN
- China
- Prior art keywords
- seagull
- optimal
- gull
- fault diagnosis
- vehicle
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 6
- 241000272168 Laridae Species 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000003205 fragrance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000243 solution Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 241000364019 Theisoa Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 241000272201 Columbiformes Species 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供一种基于机器学习的车载网络故障诊断方法，包括以下步骤：提取故障特征；确定目标函数；基于海鸥算法，通过高斯映射初始化海鸥种群位置，即初始化每个海鸥的惩罚因子C和核函数参数g，并根据目标函数，计算最优适应度值和最优海鸥位置；引入蝴蝶优化算法的位置更新机制，改进原海鸥算法的位置更新方式，并进行位置更新；对最优海鸥位置进行双向sine变异；根据预设的最大迭代次数依次更新最优海鸥位置，确定最优海鸥位置，即获得对应最优的惩罚因子C和核函数参数g；构建车载网络故障诊断模型，获得故障诊断结果和测试准确率。本方法能够显著提升车载网络故障诊断的效果。
Description
技术领域
本发明涉及车载网络故障诊断技术领域，具体涉及一种基于机器学习的车载网络故障诊断方法。
背景技术
支持向量机(Support vector machine，SVM)近几年来被广泛用于车载网络的故障诊断。例如，向诗晗等人提出采用鸽群算法训练优化SVM模型，进而实现网络故障诊断(向诗晗；徐萍；石才；张旭；胡翔；张磊；余军；彭先军.基于鸽群算法优化支持向量机的网络故障预测方法及系统[P].湖北省：CN109391515A,2019-02-26.)。
然而，SVM的惩罚因子C和RBF核函数参数g的选择质量，直接影响最终的故障诊断结果。智能优化算法是一种有效SVM模型参数优化方法。海鸥算法是一种模拟海鸥觅食行为的新型智能优化算法，同样可以应用于车载网络故障诊断问题。但是，海鸥优化算法存仍然存在以下不足：在确定种群位置时，海鸥个体的位置是随机确定的，这就使得算法具有一定的盲目性和随机性；海鸥算法的位置更新是根据目标物的位置，采用螺旋进攻的方式，向最佳位置移动，但是如果只是根据最佳目标位置进行移动，很容易使海鸥陷入局部最优解，当海鸥算法陷入局部最优解时，没有任何措施能帮助其跳出局部最优解，导致在采用海鸥算法进行车载网络故障诊断时，不能达到最佳的故障诊断效果。
发明内容
为解决上述问题，本发明提供一种基于机器学习的车载网络故障诊断方法，克服了现有海鸥算法存在的几点不足，能够显著提升车载网络故障诊断的效果。
为实现上述目的，本发明提供了如下的技术方案。
一种基于机器学习的车载网络故障诊断方法，包括以下步骤：
提取待诊断的车载网络故障原始数据中的故障特征；
将5折交叉验证SVM的分类准确率作为目标函数，并确定惩罚因子C和RBF核函数参数g的上下限；
基于海鸥算法，通过高斯映射初始化海鸥种群位置，即初始化每个海鸥的惩罚因子C和核函数参数g，并根据目标函数，计算最优适应度值和最优海鸥位置；
引入蝴蝶优化算法的位置更新机制，改进原海鸥算法的位置更新方式，并进行位置更新，获取更新后的最优适应度值和最优海鸥位置；
对最优海鸥位置进行双向sine变异，将变异前后适应度值最优的海鸥位置，作为更新后的最优海鸥位置；
根据预设的最大迭代次数依次更新最优海鸥位置，确定最优海鸥位置，即获得对应最优的惩罚因子C和核函数参数g；
将最优的惩罚因子C和核函数参数g作为SVM模型参数构建车载网络故障诊断模型；
将车载网络故障诊断的特征向量，输入到训练后的车载网络故障诊断模型，获得故障诊断结果和测试准确率。
优选地，所述通过高斯映射初始化海鸥种群位置，包括以下步骤：
通过高斯映射产生随机数：
利用产生的高斯随机数xt初始化海鸥位置Ps(t)为：
Ps(t)＝(UB-LB)×xt+LB
式中，mod(·)为求余函数，LB为海鸥寻优下边界；UB为海鸥寻优上边界。
优选地，所述引入蝴蝶优化算法的位置更新机制，改进原海鸥算法的位置更新方式，并进行位置更新，包括以下步骤：通过海鸥迁徙行为和海鸥全局攻击行为进行海鸥位置更新。
优选地，所述海鸥迁徙行为，包括以下步骤：
采用附加变量A计算海鸥的新位置，来避免与其他海鸥碰撞：
Cs(t)＝A×Ps(t)
A＝fc-(t×fc/Miter)
式中：Cs(t)为不与其他海鸥存在位置冲突的新位置；Ps(t)为海鸥当前位置；t为当前迭代次数；Miter为最大迭代次数；A为海鸥在给定搜索空间中的运动行为；fc为控制系数，取值从2降到0；
向最佳位置所在的方向移动：
Ms(t)＝B×(Pbs(t)-Ps(t))
B＝2×A2×rd
式中：Ms(t)为最佳位置所在的方向；Pbs(t)为第t次迭代的最佳位置；B为负责平衡全局和局部搜索的随机数；rd为[0,1]范围内的随机数；
到达新的位置：
Ds(t)＝|Cs(t)+Ms(t)|
式中：Ds(t)是海鸥的向新位置移动的距离。
优选地，所述海鸥全局攻击行为，包括以下步骤：
通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：
式中：r为每个螺旋的半径，θ为[0，2π]范围内的随机角度值；u和v为螺旋形状的相关常数；e为自然对数的底数；
引入蝴蝶优化算法的位置更新机制，改进后的海鸥位置更新公式如下：
式中：fs(t)＝c·Iα；Ps(t+1)为更新后的第t+1次迭代的海鸥位置；Pbs(t)表示第t次迭代的最佳位置；Ps(t)为第t次迭代的海鸥位置；fs(t)为第t次迭代的海鸥散发出来的香味；α是[0,1]之间的一个随机数；λ是[0,1]之间的一个随机数；r1和r2为[1,N]之间的随机整数，和/>分别为随机选择的第r1和r2个海鸥的位置，r1≠r2；rand为[0,1]之间的随机数；p为切换概率，用于切换海鸥位置更新的公式；c是感知形态因子，为(0,1)之间的一个随机数；I是刺激因子；
计算适应度值：
fitness(t)＝Ff(Ps(t+1))
式中，Ff(·)为计算适应度值时的适应度函数。
优选地，所述对最优海鸥位置进行双向sine变异，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
SinValue＝sin(πx0)
式中，rand为0到1的随机数；x0为迭代序列值；
对最优位置进行变异扰动：
Pbs(j)(t+1)'＝Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中：Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维；
贪婪更新：
每个维度都进行变异后，停止变异。
本发明提出一种基于机器学习的车载网络故障诊断方法，包括以下有益效果：
该方法通过引入高斯映射进行海鸥种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强；该方法对海鸥的位置更新方式进行了改进，引入蝴蝶优化算法的位置更新机制来改进海鸥位置更新方式，综合考虑了不同位置更新模式、本次迭代海鸥最优位置、种群内部的其他海鸥位置等因素更新海鸥位置，实现了算法搜索范围的增大，算法的适应性得以增强；该方法对最优海鸥利用双向sine混沌映射变异，实现了算法在后期跳出局部最优解的能力。
附图说明
图1是本发明实施例的一种基于机器学习的车载网络故障诊断方法的流程图；
图2是本发明实施例的车载网络实验平台；
图3是本发明实施例的故障诊断结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的一种基于机器学习的车载网络故障诊断方法，针对SOA存在的几个问题，提出增强型海鸥优化算法(Improve Seagull optimization algorithm,ISOA)优化SVM并用于车载网络的故障诊断，即：一种基于机器学习的车载网络故障诊断方法的流程如图1所示，具体步骤如下：
S1：对车载网络故障的原始数据进行故障特征提取，得到车载网络故障诊断的特征向量，构建车载网络故障诊断的数据集，将数据集分为训练数据集和测试数据集。
S2：建立基于增强型海鸥算法优化SVM的车载网络故障诊断的目标函数funtion。因为是利用训练数据集计算SVM的分类准确率，所以可以将训练数据集的5折交叉验证SVM的分类准确率作为目标函数，并确定SVM模型的惩罚因子C和RBF核函数参数g的上下限。
S3：参数设置。海鸥种群的大小(即海鸥个体的数量)N；迭代的最大次数(即迭代停止的条件)Miter；海鸥寻优下边界LB；海鸥寻优上边界UB
S4：基于海鸥算法，通过高斯映射初始化海鸥种群位置，即初始化每个海鸥的惩罚因子C和核函数参数g，并根据目标函数，计算最优适应度值和最优海鸥位置：
通过高斯映射随机数xt产生：
利用产生的高斯随机数xt初始化海鸥位置Ps(t)为：
Ps(t)＝(UB-LB)×xt+LB
式中，mod(·)为求余函数，LB为海鸥寻优下边界；UB为海鸥寻优上边界。
S5：海鸥迁徙行为：
在迁移过程中，算法模拟海鸥群如何从一个位置移动到另一个位置。在这个阶段主要包含三个行为：避免碰撞，向最佳位置方向移动和靠近最佳位置。
采用附加变量A计算海鸥的新位置，来避免与其他海鸥碰撞：
Cs(t)＝A×Ps(t)
A＝fc-(t×fc/Miter)
式中：Cs(t)为不与其他海鸥存在位置冲突的新位置；Ps(t)为海鸥当前位置；t为当前迭代次数；Miter为最大迭代次数；A为海鸥在给定搜索空间中的运动行为；fc为控制系数，取值从2降到0；
向最佳位置所在的方向移动：
Ms(t)＝B×(Pbs(t)-Ps(t))
B＝2×A2×rd
式中：Ms(t)为最佳位置所在的方向；Pbs(t)为第t次迭代的最佳位置；B为负责平衡全局和局部搜索的随机数；rd为[0,1]范围内的随机数；
到达新的位置：
Ds(t)＝|Cs(t)+Ms(t)|
式中：Ds(t)是海鸥的向新位置移动的距离。
S6：海鸥攻击行为：
海鸥在攻击猎物过程中，通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：
式中：r为每个螺旋的半径，θ为[0，2π]范围内的随机角度值；u和v为螺旋形状的相关常数；e为自然对数的底数。
原始海鸥算法中，只利用最优海鸥位置进行引导，来更新海鸥位置，为了更加有效的提高海鸥的全局搜索能力，引入蝴蝶优化算法算法的位置更新机制来改进海鸥位置更新方式，综合考虑了根据切换概率选择不同位置更新模式、本次迭代海鸥最优位置、种群内部的其他海鸥位置等因素更新海鸥位置，避免每次迭代中出现局部最优，进而提高海鸥算法的全局搜索能力。
引入蝴蝶优化算法的位置更新机制，改进后的海鸥位置更新公式如下：
式中：fs(t)＝c·Iα；Ps(t+1)为更新后的第t+1次迭代的海鸥位置；Pbs(t)表示第t次迭代的最佳位置；Ps(t)为第t次迭代的海鸥位置；fs(t)为第t次迭代的海鸥散发出来的香味；α是[0,1]之间的一个随机数；λ是[0,1]之间的一个随机数；r1和r2为[1,N]之间的随机整数，和/>分别为随机选择的第r1和r2个海鸥的位置，r1≠r2；rand为[0,1]之间的随机数；p为切换概率，用于切换海鸥位置更新的公式；c是感知形态因子，为(0,1)之间的一个随机数；I是刺激因子。
计算适应度值：
fitness(t)＝Ff(Ps(t+1))
式中，Ff(·)为计算适应度值时的适应度函数。
S7：记录当次迭代中最优海鸥。
S8：对最优海鸥位置进行双向sine变异，将变异前后适应度值最优的海鸥位置，作为更新后的最优海鸥位置。
根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
SinValue＝sin(πx0)
式中，rand为0到1的随机数；x0为迭代序列值；
对最优位置进行变异扰动：
Pbs(j)(t+1)'＝Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中：Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维；
贪婪更新：
每个维度都进行变异后，停止变异。
S9：记录当次迭代中最优海鸥。
S10：重复执行S6～S9，根据预设的最大迭代次数依次更新最优海鸥位置，确定最优海鸥位置，即得到SVM的最优参数Cbest和gbest。
S11：将最优的惩罚因子C和核函数参数g作为SVM模型参数构建车载网络故障诊断模型；将车载网络故障诊断的特征向量，输入到训练后的车载网络故障诊断模型，获得故障诊断结果和测试准确率。
本实施例中：
如图2所示为车载网络实验平台，该平台采用双总线拓扑结构，总线末端接端接器以防止阻抗不匹配而发生发射现象，网络上分别挂接车载网络协议分析仪1台、车载网络故障注入设备1台、网络节点6个等。在验证实验中，平台模拟车载网络6种典型状态，分别是：①网络正常；②网络断路；③近端端接故障；④远端端接故障；⑤双侧端接故障；⑥间歇性断路。
采集车载网络每种状态2000组样本，并随机将其中1600组作为训练样本，剩余400组为测试样本。分别采用SOA-SVM和ISOA-SVM对车载网络进行故障诊断。SOA算法中的参数为：N＝50，Maxiter＝200，C和g的搜索范围均是在0-100之间，即LB＝0，UB＝100；ISOA算法中的参数为：N＝50，Maxiter＝200，C和g的搜索范围均是在0-100之间，即LB＝0，UB＝100。
如图3所示，与SOA-SVM比较，ISOA-SVM对车载网络的6种状态的独立诊断精度均要高些；对于平均诊断精度，ISOA-SVM相比于SOA-SVM提高了7.03％。也就是说，ISOA搜索得到的SVM参数要优于SOA搜索得到的SVM参数。仿真结果表明，ISOA算法比SOA算法搜索能力更强，ISOA-SVM比SOA-SVM的诊断精确度更高，验证了方法的有效性。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于机器学习的车载网络故障诊断方法，其特征在于，包括以下步骤：
提取待诊断的车载网络故障原始数据中的故障特征；
将5折交叉验证SVM的分类准确率作为目标函数，并确定惩罚因子C和RBF核函数参数g的上下限；
基于海鸥算法，通过高斯映射初始化海鸥种群位置，即初始化每个海鸥的惩罚因子C和核函数参数g，并根据目标函数，计算最优适应度值和最优海鸥位置；
引入蝴蝶优化算法的位置更新机制，改进原海鸥算法的位置更新方式，并进行位置更新，获取更新后的最优适应度值和最优海鸥位置；
对最优海鸥位置进行双向sine变异，将变异前后适应度值最优的海鸥位置，作为更新后的最优海鸥位置；
根据预设的最大迭代次数依次更新最优海鸥位置，确定最优海鸥位置，即获得对应最优的惩罚因子C和核函数参数g；
将最优的惩罚因子C和核函数参数g作为SVM模型参数构建车载网络故障诊断模型；
将车载网络故障诊断的特征向量，输入到训练后的车载网络故障诊断模型，获得故障诊断结果；
所述引入蝴蝶优化算法的位置更新机制，改进原海鸥算法的位置更新方式，并进行位置更新，包括以下步骤：通过海鸥迁徙行为和海鸥全局攻击行为进行海鸥位置更新；
所述海鸥迁徙行为，包括以下步骤：
采用附加变量A计算海鸥的新位置，来避免与其他海鸥碰撞：
Cs(t)＝A×Ps(t)
A＝fc-(t×fc/Miter)
式中：Cs(t)为不与其他海鸥存在位置冲突的新位置；Ps(t)为海鸥当前位置；t为当前迭代次数；Miter为最大迭代次数；A为海鸥在给定搜索空间中的运动行为；fc为控制系数，取值从2降到0；
向最佳位置所在的方向移动：
Ms(t)＝B×(Pbs(t)-Ps(t))
B＝2×A2×rd
式中：Ms(t)为最佳位置所在的方向；Pbs(t)为第t次迭代的最佳位置；B为负责平衡全局和局部搜索的随机数；rd为[0,1]范围内的随机数；
到达新的位置：
Ds(t)＝|Cs(t)+Ms(t)|
式中：Ds(t)是海鸥的向新位置移动的距离；
所述海鸥全局攻击行为，包括以下步骤：
通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：
式中：r为每个螺旋的半径，θ为[0，2π]范围内的随机角度值；u和v为螺旋形状的相关常数；e为自然对数的底数；
引入蝴蝶优化算法的位置更新机制，改进后的海鸥位置更新公式如下：
式中：；Ps(t+1)为更新后的第t+1次迭代的海鸥位置；Pbs(t)表示第t次迭代的最佳位置；Ps(t)为第t次迭代的海鸥位置；fs(t)为第t次迭代的海鸥散发出来的香味；α是[0,1]之间的一个随机数；λ是[0,1]之间的一个随机数；r1和r2为[1,N]之间的随机整数，Pr1(t)和Pr2(t)分别为随机选择的第r1和r2个海鸥的位置，r1≠r2；rand为[0,1]之间的随机数；p为切换概率，用于切换海鸥位置更新的公式；c是感知形态因子，为(0,1)之间的一个随机数；/>是刺激因子；
计算适应度值：
fitness(t)＝Ff(Ps(t+1))
式中，Ff(·)为计算适应度值时的适应度函数。
2.根据权利要求1所述的一种基于机器学习的车载网络故障诊断方法，其特征在于，所述通过高斯映射初始化海鸥种群位置，包括以下步骤：
通过高斯映射产生随机数：
利用产生的高斯随机数xt初始化海鸥位置Ps(t)为：
Ps(t)＝(UB-LB)×xt+LB
式中，mod(·)为求余函数，LB为海鸥寻优下边界；UB为海鸥寻优上边界。
3.根据权利要求1所述的一种基于机器学习的车载网络故障诊断方法，其特征在于，所述对最优海鸥位置进行双向sine变异，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
SinValue＝sin(πx0)
式中，rand为0到1的随机数；x0为迭代序列值；
对最优位置进行变异扰动：
Pbs(j)(t+1)'＝Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中：Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维；
贪婪更新：
每个维度都进行变异后，停止变异。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211088642.2A CN115700593B (zh) | 2022-09-07 | 2022-09-07 | 一种基于机器学习的车载网络故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211088642.2A CN115700593B (zh) | 2022-09-07 | 2022-09-07 | 一种基于机器学习的车载网络故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115700593A CN115700593A (zh) | 2023-02-07 |
| CN115700593B true CN115700593B (zh) | 2024-01-16 |
Family
ID=85120480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211088642.2A Active CN115700593B (zh) | 2022-09-07 | 2022-09-07 | 一种基于机器学习的车载网络故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115700593B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116278987B (zh) * | 2023-03-16 | 2024-04-23 | 佛山仙湖实验室 | 基于鸽群优化算法的氢燃料电池汽车能量管理方法及系统 |
| CN117521534B (zh) * | 2024-01-08 | 2024-03-15 | 中国人民解放军陆军装甲兵学院 | 基于数据驱动的轮毂电机驱动装置集成匹配设计方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森（厦门）数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
| CN111814947A (zh) * | 2020-06-30 | 2020-10-23 | 安徽大学 | 一种蝴蝶算法的优化实现方法 |
| CN112631261A (zh) * | 2021-02-08 | 2021-04-09 | 南京农业大学 | 一种大功率拖拉机远程故障诊断系统及方法 |
| CN113867368A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于改进海鸥算法的机器人路径规划方法 |
| CN114818780A (zh) * | 2022-03-28 | 2022-07-29 | 南京航空航天大学 | 基于ceemdan和apso-svm的车辆轴承故障诊断方法 |
| CN114844886A (zh) * | 2022-03-22 | 2022-08-02 | 山东理工大学 | 云边结合环境下基于海鸥优化算法的移动服务选择方法 |
| CN114926023A (zh) * | 2022-05-19 | 2022-08-19 | 燕山大学 | 一种基于改进海鸥优化算法的柔性作业车间调度方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11727812B2 (en) * | 2017-07-27 | 2023-08-15 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
| KR20200119932A (ko) * | 2019-04-02 | 2020-10-21 | 현대자동차주식회사 | 자율 주행 차량 및 그를 위한 점검 방법 |
-
2022
- 2022-09-07 CN CN202211088642.2A patent/CN115700593B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森（厦门）数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
| CN111814947A (zh) * | 2020-06-30 | 2020-10-23 | 安徽大学 | 一种蝴蝶算法的优化实现方法 |
| CN112631261A (zh) * | 2021-02-08 | 2021-04-09 | 南京农业大学 | 一种大功率拖拉机远程故障诊断系统及方法 |
| CN113867368A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于改进海鸥算法的机器人路径规划方法 |
| CN114844886A (zh) * | 2022-03-22 | 2022-08-02 | 山东理工大学 | 云边结合环境下基于海鸥优化算法的移动服务选择方法 |
| CN114818780A (zh) * | 2022-03-28 | 2022-07-29 | 南京航空航天大学 | 基于ceemdan和apso-svm的车辆轴承故障诊断方法 |
| CN114926023A (zh) * | 2022-05-19 | 2022-08-19 | 燕山大学 | 一种基于改进海鸥优化算法的柔性作业车间调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| "具有动态方差高斯变异的蝴蝶优化算法";张小萍等;《云南师范大学学报(自然科学版)》;第42卷;第31-36页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115700593A (zh) | 2023-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115700593B (zh) | 一种基于机器学习的车载网络故障诊断方法 | |
| CN115756925B (zh) | 一种基于智能优化算法的车载网络故障诊断方法 | |
| CN115660024B (zh) | 基于智能优化算法和机器学习的车载网络故障诊断方法 | |
| CN115204316A (zh) | 一种基于支持向量机的车载网络故障诊断方法 | |
| CN111310915A (zh) | 一种面向强化学习的数据异常检测防御方法 | |
| CN111898211A (zh) | 基于深度强化学习的智能车速度决策方法及其仿真方法 | |
| CN107169557A (zh) | 一种对布谷鸟优化算法进行改进的方法 | |
| KR102457914B1 (ko) | 심층강화학습기반 자율주행차량을 이용한 정체 현상 해결 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
| CN112434171A (zh) | 一种基于强化学习的知识图谱推理补全方法及系统 | |
| CN111416797A (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
| CN114170789A (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
| CN107247973A (zh) | 一种基于spark的支持向量机参数优选并行粒子群寻优方法 | |
| Wang et al. | A new chaotic starling particle swarm optimization algorithm for clustering problems | |
| WO2023011172A1 (zh) | 一种驾驶行为确定方法及其相关设备 | |
| Koren et al. | Adaptive stress testing without domain heuristics using go-explore | |
| CN114281103B (zh) | 一种零交互通信的飞行器集群协同搜索方法 | |
| Zhang et al. | An improved algorithm of robot path planning in complex environment based on Double DQN | |
| Fonseca et al. | Model-agnostic approaches to handling noisy labels when training sound event classifiers | |
| Davodi et al. | Coherency approach by hybrid PSO, K-Means clustering method in power system | |
| CN113467481A (zh) | 一种基于改进Sarsa算法的路径规划方法 | |
| CN115545120A (zh) | 车载网络故障诊断方法和诊断装置、存储介质、终端设备 | |
| Zhang et al. | Optimization of neural network based on genetic algorithm and BP | |
| CN115796006A (zh) | 一种基于woa-elm预测模型的新能源储能电站风速预测方法 | |
| CN115148292A (zh) | 基于人工智能的dna模体预测方法、装置、设备及介质 | |
| Gu et al. | A game theory approach to attack-defense strategy for perception of connected vehicles |
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 |