[发明专利]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

权利要求书

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。