[发明专利]一种基于机器学习的车载网络故障诊断方法

权利要求书

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。

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x_t初始化海鸥位置P_s(t)为：

P_s(t)＝(UB-LB)×x_t+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。

4.根据权利要求3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：

C_s(t)＝A×P_s(t)

A＝f_c-(t×f_c/Miter)

式中：C_s(t)为不与其他海鸥存在位置冲突的新位置；P_s(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；f_c为控制系数，取值从2降到0；

向最佳位置所在的方向移动：

M_s(t)＝B×(P_bs(t)-P_s(t))

B＝2×A²×r_d

式中：M_s(t)为最佳位置所在的方向；P_bs(t)为最佳位置；B为负责平衡全局和局部搜索的随机数；r_d为[0,1]范围内的随机数；

到达新的位置：

D_s(t)＝|C_s(t)+M_s(t)|

式中：D_s(t)是海鸥的向新位置移动的距离。