• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      汽車運(yùn)行狀態(tài)識別方法研究(一)——特征參數(shù)選擇

      2013-07-25 03:35:40
      中國機(jī)械工程 2013年9期
      關(guān)鍵詞:搜索算法全集子集

      田 毅 張 欣 張 昕 張 良

      1.裝甲兵工程學(xué)院,北京,100072 2.北京交通大學(xué),北京,100044 3.酒泉衛(wèi)星發(fā)射中心鐵路管理處,酒泉,732750

      0 引言

      混合動力電動汽車(HEV)被認(rèn)為是21世紀(jì)解決汽車面臨的石油能源危機(jī)和環(huán)境污染問題的有效方案之一,建立先進(jìn)合理的能量管理控制策略以及對現(xiàn)有控制策略進(jìn)行優(yōu)化已成為國內(nèi)外各研究機(jī)構(gòu)探索的核心技術(shù)之一?;旌蟿恿﹄妱悠嚨目刂撇呗耘c汽車運(yùn)行狀態(tài)緊密相聯(lián),在對控制策略進(jìn)行優(yōu)化的過程中,運(yùn)行工況不同,其優(yōu)化結(jié)果也不同,而且車輛實(shí)際行駛過程中所經(jīng)歷的隨機(jī)狀態(tài)與已制定的典型運(yùn)行工況也會有所差異。基于運(yùn)行狀態(tài)識別的智能控制策略是最新提出的HEV控制策略,它通過對汽車當(dāng)前的運(yùn)行狀態(tài)進(jìn)行識別來調(diào)整整車控制策略,使得HEV能夠適應(yīng)于不同的運(yùn)行狀態(tài)[1-6]。

      2002年,Lin等[1]采用10個參數(shù)建立了基于Hamming神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識別模型,對美國和韓國的6種典型運(yùn)行工況進(jìn)行了識別。2005年,Langari等[2]采用Ericsson定義的26個參數(shù),建立了基于學(xué)習(xí)向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識別模型,對美國LOS的運(yùn)行工況進(jìn)行識別。在我國,羅玉濤等[3]采用“工況塊”的概念,用工況的平均行駛車速和行駛距離作為特征參數(shù),通過模糊分類器對汽車運(yùn)行狀態(tài)進(jìn)行了識別。周楠等[4]采用循環(huán)平均車速、循環(huán)行駛平均車速等10個參數(shù),建立了基于簡單神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識別模型,對北京、紐約、長春、上海等地的汽車運(yùn)行工況進(jìn)行了識別。張良等[5]采用18個參數(shù),建立了基于支持向量機(jī)(SVM)的汽車運(yùn)行狀態(tài)識別模型,對我國上海和廣州市的汽車運(yùn)行工況進(jìn)行了識別。田毅等[6]采用13個參數(shù),建立了基于模糊神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識別模型,對不同敏感性參數(shù)的汽車運(yùn)行工況進(jìn)行了識別。

      對汽車運(yùn)行狀態(tài)識別算法進(jìn)行研究發(fā)現(xiàn),想要得到一個高性能的汽車運(yùn)行狀態(tài)識別模型,必須首先得到一個汽車運(yùn)行狀態(tài)特征參數(shù)最優(yōu)子集。實(shí)際上,目前在特征參數(shù)選擇的算法中,不論是基于Wrapper框架的,還是基于Filter框架的,都是針對確定的特征參數(shù)全集進(jìn)行選擇計(jì)算的。而在對汽車運(yùn)行狀態(tài)特征參數(shù)進(jìn)行分析后發(fā)現(xiàn),其中的分段參數(shù)部分的運(yùn)行狀態(tài)特征參數(shù)之間的邊界是不確定的,不同研究人員定義的特征參數(shù)之間的邊界也是不一樣的,因此特征參數(shù)全集也是不一樣的,對于這種特征參數(shù)選擇問題目前還鮮有人進(jìn)行研究。

      本文建立了一種基于混合搜索的汽車運(yùn)行狀態(tài)特征參數(shù)選擇方法,有效地把自適應(yīng)遺傳算法和浮動搜索算法的優(yōu)勢進(jìn)行結(jié)合,順利解決了汽車運(yùn)行狀態(tài)特征參數(shù)選擇問題。

      1 汽車運(yùn)行狀態(tài)特征參數(shù)選擇分析

      1.1 汽車運(yùn)行狀態(tài)特征參數(shù)全集分析

      汽車運(yùn)行狀態(tài)識別是一種在線識別,因此必須保證識別模型的準(zhǔn)確性和實(shí)時性。本文中采用一組共22個特征參數(shù)作為汽車運(yùn)行狀態(tài)特征參數(shù)全集,如表1所示,可分為標(biāo)準(zhǔn)參數(shù)、波動參數(shù)、分段參數(shù)[7]三部分。表中,v1、v2、v3為有關(guān)車速的特征參數(shù)之間的邊界,km/h;r1、r2為有關(guān)減速度的特征參數(shù)之間的邊界,m/s2;a1、a2為有關(guān)加速度的特征參數(shù)之間的邊界,m/s2。

      相對加速度aRPA的計(jì)算公式為[7]

      式中,v為車速,m/s;a為汽車加速度,m/s2;t為汽車運(yùn)行時間,s。

      汽車運(yùn)行狀態(tài)特征參數(shù)中分段參數(shù)部分是對汽車車速曲線變化規(guī)律的一種定性分析,研究人員可以根據(jù)自己的需要對分段參數(shù)部分的特征參數(shù)之間 的 邊 界v1、v2、v3、r1、r2、a1、a2定 義 不 同 的 數(shù)值。在汽車運(yùn)行狀態(tài)特征參數(shù)選擇時,需要對特征參數(shù)之間的邊界進(jìn)行優(yōu)化,從而計(jì)算得到最優(yōu)的特征參數(shù)全集,因此不能采用現(xiàn)有的特征參數(shù)選擇方法進(jìn)行汽車運(yùn)行狀態(tài)特征參數(shù)的選擇計(jì)算,需要建立新的算法來解決這種特征參數(shù)選擇問題。

      表1 樣本參數(shù)表

      1.2 測試數(shù)據(jù)集建立

      測試數(shù)據(jù)集是評價特征參數(shù)子集優(yōu)劣的基礎(chǔ),其結(jié)果直接影響到識別模型的準(zhǔn)確性及泛化能力。在建立汽車運(yùn)行狀態(tài)識別所需的車輛運(yùn)行工況測試數(shù)據(jù)集時,需要首先對汽車運(yùn)行狀態(tài)進(jìn)行分析,確定其分類類別。通過查閱我國《城市道路設(shè)計(jì)規(guī)范》、城市典型運(yùn)行工況制定等相關(guān)文獻(xiàn)后,發(fā)現(xiàn)快速路和主干道是我國大多數(shù)城市的主要交通路線。本文選用北京、上海、廣州和武漢作為我國城市的代表。另外,為了增加測試數(shù)據(jù)集的覆蓋面,提高汽車運(yùn)行狀態(tài)識別模型的識別準(zhǔn)確性和泛化能力,本文還采用GPS車速采集儀,對汽車在主干道和快速路上的實(shí)際運(yùn)行車速進(jìn)行了采集,采集結(jié)果如圖1所示。

      圖1 車速采集

      考慮到汽車在行駛過程中車速是一個時變量,汽車車速隨著時間的變化而變化。為了提高識別模型的實(shí)時性,本文采用滾動時間窗的方式對速度-時間曲線進(jìn)行分割[6],在此基礎(chǔ)上建立汽車運(yùn)行狀態(tài)特征參數(shù)選擇所需的測試數(shù)據(jù)集。通過計(jì)算這些速度小片段的汽車運(yùn)行狀態(tài)特征參數(shù),可以得到汽車運(yùn)行狀態(tài)的測試數(shù)據(jù)集,其中包括7784組數(shù)據(jù)的主干道測試數(shù)據(jù)集和5805組數(shù)據(jù)的快速路測試數(shù)據(jù)集。然后分別從主干道和快速路測試數(shù)據(jù)集中隨機(jī)選擇200個樣本作為運(yùn)行狀態(tài)分類器的訓(xùn)練數(shù)據(jù)集。

      1.3 特征參數(shù)選擇過程分析

      采用計(jì)算得到的汽車運(yùn)行狀態(tài)特征參數(shù)全集和測試數(shù)據(jù)集,對汽車運(yùn)行狀態(tài)特征參數(shù)選擇進(jìn)行分析,發(fā)現(xiàn)其具有兩個特點(diǎn):

      (1)汽車運(yùn)行狀態(tài)特征參數(shù)之間的邊界v1、v2、v3、r1、r2、a1、a2不確定,需要對邊界進(jìn)行優(yōu)化,才能計(jì)算得到最優(yōu)的特征參數(shù)全集。因此不能采用現(xiàn)有的特征參數(shù)選擇方法進(jìn)行汽車運(yùn)行狀態(tài)特征參數(shù)的選擇計(jì)算。

      (2)如果運(yùn)行狀態(tài)特征之間的邊界得到確定,則屬于中小規(guī)模特征全集的特征參數(shù)選擇問題,即全集χ中僅有22個參數(shù),完全可以采用現(xiàn)有的特征參數(shù)選擇方法進(jìn)行求解。

      因此在進(jìn)行汽車運(yùn)行狀態(tài)特征參數(shù)選擇時,采用以下步驟:確定輸入?yún)?shù)之間的邊界v1、v2、v3、r1、r2、a1、a2,計(jì)算特征參數(shù)全集;對于任意一組特征參數(shù)之間的邊界,都可以得到一個特征參數(shù)全集χ。識別準(zhǔn)確度的計(jì)算公式為

      式中,Racc為識別準(zhǔn)確度;k為測試數(shù)據(jù)集K中數(shù)據(jù)的個數(shù);Y′=φs(Sw)為分類器的預(yù)報值;Sw為汽車運(yùn)行狀態(tài)特征參數(shù)子集。

      當(dāng)Racc最大,Sw中特征參數(shù)個數(shù)最少時,當(dāng)前的Sw就是汽車運(yùn)行狀態(tài)特征參數(shù)的最優(yōu)子集。

      2 混合搜索算法總體結(jié)構(gòu)設(shè)計(jì)

      2.1 結(jié)構(gòu)框架設(shè)計(jì)

      通過對汽車運(yùn)行狀態(tài)特征參數(shù)選擇對象進(jìn)行研究,發(fā)現(xiàn)主要有兩種搜索對象,一種為對特征參數(shù)邊界進(jìn)行搜索,另外一種為對特征參數(shù)子集進(jìn)行搜索。因此本文針對這兩種搜索對象,采用內(nèi)外兩層循環(huán)的方式,對汽車運(yùn)行狀態(tài)特征參數(shù)進(jìn)行選擇。

      (1)外層循環(huán)的主要任務(wù)是尋找最優(yōu)的汽車運(yùn)行狀態(tài)特征參數(shù)之間的邊界,以便生成特征參數(shù)全集,也可以認(rèn)為是特征參數(shù)選擇問題的全局搜索操作。對汽車運(yùn)行狀態(tài)特征參數(shù)之間的邊界進(jìn)行搜索尋優(yōu)是一個多參數(shù)多目標(biāo)優(yōu)化問題,因此需要選擇智能搜索算法。常用的智能搜索算法為遺傳算法、蟻群算法、模擬退火算法等。本文中選用自適應(yīng)遺傳算法[8-9]作為外層循環(huán)的搜索方式。

      (2)內(nèi)層循環(huán)的主要任務(wù)是對外層循環(huán)得到的汽車運(yùn)行狀態(tài)特征參數(shù)全集進(jìn)行特征參數(shù)選擇計(jì)算,也可以認(rèn)為是汽車運(yùn)行狀態(tài)特征參數(shù)選擇問題的局部搜索操作。

      在汽車運(yùn)行狀態(tài)特征參數(shù)選擇過程中,如果內(nèi)層循環(huán)也采用遺傳算法進(jìn)行特征參數(shù)選擇,則計(jì)算時間過長,也容易產(chǎn)生局部最優(yōu)解,而且遺傳算法對于中小規(guī)模數(shù)據(jù)集的特征參數(shù)選擇來說并不具有優(yōu)勢。為了盡量縮短特征參數(shù)選擇的搜索時間,本文選用了對中小規(guī)模數(shù)據(jù)集搜索能力強(qiáng)的浮動搜索算法作為內(nèi)層循環(huán)的搜索算法。

      2.2 自適應(yīng)遺傳算法

      汽車運(yùn)行狀態(tài)特征參數(shù)邊界的優(yōu)化模型主要包括:優(yōu)化參數(shù)、約束條件和目標(biāo)函數(shù)。

      (1)優(yōu)化參數(shù)。根據(jù)1.1中的分析得到,運(yùn)行狀態(tài)特征參數(shù)之間的邊界v1、v2、v3、r1、r2、a1、a2是不確定的,因此本文將這些參數(shù)作為自適應(yīng)遺傳算法的優(yōu)化參數(shù)。

      (2)約束條件。本文對運(yùn)行狀態(tài)特征參數(shù)邊界,即優(yōu)化變量v1、v2、v3、r1、r2、a1、a2的約束區(qū)間上下限根據(jù)經(jīng)驗(yàn)確定,如表2所示。

      表2 優(yōu)化變量的約束區(qū)間

      (3)目標(biāo)函數(shù)。本文采用加權(quán)法建立遺傳算法中的目標(biāo)函數(shù),從而將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題。在汽車運(yùn)行狀態(tài)特征選擇問題中,遺傳算法的目標(biāo)函數(shù)為

      式中,f1為遺傳算法的目標(biāo)函數(shù)值;WA為分類器識別準(zhǔn)確度的權(quán)重;Nsw為特征參數(shù)子集中參數(shù)個數(shù);WF為特征參數(shù)子集中參數(shù)個數(shù)的權(quán)重。

      考慮到Racc和Nsw數(shù)量級的不同,本文中定義WA=0.99,WF=0.01。

      在遺傳算法計(jì)算過程中,通過選擇、雜交和變異三種基本形式,模擬自然選擇以及遺傳過程中的繁殖、雜交和突變現(xiàn)象。然而如果對于無論適應(yīng)度高的個體還是適應(yīng)度低的個體都以同樣的概率進(jìn)行交叉和變異操作,顯然是不合理的。本文采用自適應(yīng)的遺傳算法進(jìn)行計(jì)算,該算法對適應(yīng)度高的個體采用較小的概率進(jìn)行交叉和變異操作,對適應(yīng)度低的個體采用固定的概率進(jìn)行交叉和變異操作[9]。

      (1)選擇操作。本文中采用輪盤賭模型,按各染色體適應(yīng)度大小比例來決定其被選擇數(shù)目的多少。

      (2)交叉操作。交叉概率公式為

      式中,fi為待交叉的兩個個體中適應(yīng)度較高者的適應(yīng)度;favg為當(dāng)前種群中所有個體的平均適應(yīng)度;fbest為當(dāng)前種群中適應(yīng)度最高的個體適應(yīng)度。

      (3)變異操作。交異概率公式為

      2.3 浮動搜索算法

      傳統(tǒng)浮動搜索算法的起始點(diǎn)往往采用隨機(jī)生成的方式[10-11]。因此如果采用傳統(tǒng)的浮動搜索算法,混合搜索算法中每次進(jìn)行浮動搜索計(jì)算所選的起始點(diǎn)之間沒有任何關(guān)系,是相互獨(dú)立的。通過對采用遺傳算法得出的汽車運(yùn)行工況特征參數(shù)全集進(jìn)行分析后發(fā)現(xiàn),這些特征參數(shù)全集之間具有一定的類似性,因此本文提出了起始點(diǎn)種群間遺傳和個體間遺傳兩種選擇浮動搜索算法起始點(diǎn)的方法。

      (1)基于起始點(diǎn)種群間遺傳的混合搜索算法。在遺傳算法每個種群中所有個體計(jì)算完以后,對計(jì)算得到候選特征參數(shù)子集進(jìn)行評價,得到相對最優(yōu)的子集并遺傳給下一代。當(dāng)新的種群生成后進(jìn)行浮動搜索時,選用的起始點(diǎn)就是上一個種群計(jì)算得到的最優(yōu)子集。

      (2)基于起始點(diǎn)個體間遺傳的混合搜索算法。在遺傳算法每個個體計(jì)算完后,就進(jìn)行一次最優(yōu)子集評價,如果比原先的最優(yōu)子集好,則替代,并遺傳給下次搜索;如果不好,則放棄。當(dāng)新的個體進(jìn)行計(jì)算時,起始點(diǎn)就選從當(dāng)前的最優(yōu)子集開始搜索。采用起始點(diǎn)個體間遺傳的混合搜索算法對汽車運(yùn)行狀態(tài)特征參數(shù)進(jìn)行選擇的流程如圖2所示。

      圖2 采用起始點(diǎn)個體間遺傳的混合搜索算法流程圖

      3 汽車運(yùn)行狀態(tài)特征參數(shù)選擇計(jì)算結(jié)果及分析

      3.1 特征參數(shù)最優(yōu)子集

      表3 遺傳算法優(yōu)化后的特征參數(shù)之間的邊界

      3.2 特征參數(shù)最優(yōu)子集的參數(shù)個數(shù)對分類器準(zhǔn)確度的影響

      采用基于向后搜索的特征參數(shù)選擇方法,對優(yōu)化后的汽車運(yùn)行特征參數(shù)全集進(jìn)行搜索,分類器的識別準(zhǔn)確度隨特征參數(shù)個數(shù)的變化如圖3所示。從圖中可以得到,特征參數(shù)最優(yōu)子集中參數(shù)數(shù)目在8~12時,分類器的識別準(zhǔn)確度相差很小。而且,分類器的識別準(zhǔn)確度隨著最優(yōu)子集中特征參數(shù)個數(shù)的減少,先增加后減少。主要是因?yàn)椋禾卣鲄?shù)過多時,不重要的特征參數(shù)會對分類器造成干擾,影響分類器的識別準(zhǔn)確度;當(dāng)特征參數(shù)減少到一定程度時,分類器的識別準(zhǔn)確度保持不變;隨著特征參數(shù)進(jìn)一步減少,當(dāng)其不能完全反映汽車運(yùn)行狀態(tài)的特征時,減少特征參數(shù)個數(shù)會造成特征的缺失,從而導(dǎo)致分類器的識別準(zhǔn)確度大幅度降低。

      圖3 特征參數(shù)子集個數(shù)與分類器識別準(zhǔn)確度的關(guān)系

      3.3 采用不同起始點(diǎn)位置的浮動搜索算法的計(jì)算結(jié)果及分析

      對浮動搜索算法的起始點(diǎn),分別采用起始點(diǎn)獨(dú)立、起始點(diǎn)種群間遺傳和起始點(diǎn)個體間遺傳三種方式對汽車運(yùn)行狀態(tài)特征參數(shù)進(jìn)行選擇,計(jì)算結(jié)果如表4所示。

      表4 采用不同起始點(diǎn)位置的浮動搜索算法的計(jì)算結(jié)果

      從表4中可以得到,浮動搜索算法的起始點(diǎn)采用種群間遺傳或個體間遺傳的方式得到了相同的特征參數(shù)最優(yōu)子集,而且比采用起始點(diǎn)獨(dú)立方式計(jì)算得到的結(jié)果更好。分析原因主要是因?yàn)榛旌纤阉魉惴ㄖ懈铀阉鞑捎闷鹗键c(diǎn)獨(dú)立的方式,沒有充分利用到每次搜索得到的特征參數(shù)最優(yōu)子集的優(yōu)勢,起始點(diǎn)不是最優(yōu)點(diǎn),使得計(jì)算結(jié)果容易陷入局部最優(yōu)。相對于采用起始點(diǎn)獨(dú)立的方式,采用個體間遺傳的方式,可以使得搜索時間縮短45%,汽車運(yùn)行狀態(tài)特征參數(shù)最優(yōu)子集個數(shù)從11個降低到8個,采用特征參數(shù)最優(yōu)子集訓(xùn)練得到的分類器識別準(zhǔn)確度也有所提高。在汽車運(yùn)行狀態(tài)特征參數(shù)選擇計(jì)算過程中,起始點(diǎn)采用個體間遺傳的方式比采用種群間遺傳的方式的計(jì)算時間更短,原因是采用個體間遺傳的方式雖然增加了評價特征參數(shù)子集優(yōu)劣的時間,但是浮動搜索的起始點(diǎn)更加優(yōu)秀,最大程度地避免了無效搜索,縮短了搜索的時間。

      不同起始點(diǎn)位置的浮動搜索算法計(jì)算得到的最優(yōu)子集中特征參數(shù)個數(shù)隨進(jìn)化代數(shù)的變化曲線如圖4所示,由圖4a可以得到,特征參數(shù)個數(shù)雖然總體上隨著進(jìn)化代數(shù)的增加而減少,但是由于沒有充分利用每次搜索得到的特征參數(shù)最優(yōu)子集的優(yōu)勢,使得計(jì)算結(jié)果很容易脫離最優(yōu)區(qū)域,搜索初期會出現(xiàn)特征參數(shù)偶爾增加的情況,而且最終的結(jié)果也不是最優(yōu)解,只能得到11個參數(shù)的特征參數(shù)最優(yōu)子集。起始點(diǎn)個體間遺傳的搜索效率最高,當(dāng)進(jìn)化代數(shù)達(dá)到31代時就得到了最優(yōu)解,比起始點(diǎn)種群間遺傳要快6代,而且得到了8個參數(shù)的特征參數(shù)最優(yōu)子集。

      圖4 特征參數(shù)個數(shù)隨進(jìn)化代數(shù)的變化曲線

      4 結(jié)論

      為了解決汽車運(yùn)行狀態(tài)特征參數(shù)選擇問題,本文提出了一種混合搜索算法。該算法將自適應(yīng)遺傳算法和浮動搜索算法相結(jié)合,通過自適應(yīng)遺傳算法對汽車運(yùn)行狀態(tài)特征參數(shù)之間的邊界進(jìn)行搜索,依據(jù)獲得的邊界得出汽車運(yùn)行狀態(tài)特征參數(shù)全集特征;在此基礎(chǔ)上,以浮動搜索算法對全集參數(shù)進(jìn)行搜索,進(jìn)而選擇出汽車運(yùn)行狀態(tài)特征參數(shù)最優(yōu)子集。

      本文中還對最優(yōu)子集中參數(shù)數(shù)量進(jìn)行了分析,得到最優(yōu)子集的識別準(zhǔn)確度會隨著參數(shù)個數(shù)的減少先增大后減小的結(jié)論。另外,通過計(jì)算說明浮動搜索算法的起始點(diǎn)采用個體間遺傳的方式,相對于采用傳統(tǒng)的起始點(diǎn)獨(dú)立的方式,可以使得汽車運(yùn)行狀態(tài)特征參數(shù)最優(yōu)子集中參數(shù)個數(shù)從11個減少到8個,并可提高搜索效率和最優(yōu)子集的識別準(zhǔn)確度。

      [1]Lin C,Jeon S,Peng H,et al.Driving Pattern Recognition for Control of Hybrid Electric Trucks[J].Vehicle System Dynamics,2004,42(1/2):41-57.

      [2]Langari R,Won J S.Intelligent Energy Management Agent for a Parallel Hybrid Vehicle—Part I:System Architecture and Design of the Driving Situation Identification Process[C]//IEEE Transaxtions on Vehicular Technology.USA:IEEE,2005:925-935.

      [3]羅玉濤,胡紅斐,沈繼軍.混合動力電動汽車行駛工況分析與識別[J].華南理工大學(xué)學(xué)報(自然科學(xué)版),2007,35(6):8-13.Luo Yutao,Hu Hongfei,Shen Jijun.Analysis and Recognition of Running Cycles of Hybrid Electric Vehicle[J].Journal of South China University of Technology(Natural Science Edition),2007,35(6):8-13.

      [4]周楠,王慶年,曾小華.基于工況識別的HEV自適應(yīng)能量管理算法[J].湖南大學(xué)學(xué)報(自然科學(xué)版),2009,36(9):37-41.

      Zhou Nan,Wang Qingnian,Zeng Xiaohua.Adaptive HEV Energy Managemen Algorithms Based on Drive-cycle Recognition[J].Journal of Hunan University(Natural Sciences),2009,36(9):37-41.

      [5]Zhang Liang,Zhang Xin,Tian Yi,et al.Intelligent Energy Management for Parallel HEV Based on Driving Cycle Identification using SVM[C]//The Institution of Engineering and Technology,Proceedings of the 2009 International Workshop on Information Security and Application.Oulu:IWISA,2009:457-460.

      [6]田毅,張欣,張昕,等.基于神經(jīng)網(wǎng)絡(luò)工況識別的HEV模糊控制策略[J].控制理論與應(yīng)用,2011,28(3):363-369.

      Tian Yi,Zhang Xin,Zhang Xin,et al.HEV Fuzzy Control Strategy Based on the Neural Network Identification of Driving Cycle[J].Control Theory& Applications,2011,28(3):363-369.

      [7]Ericsson E.Independent Driving Pattern Factors and Their Influence on Fuel-use and Exhaust Emission Factors[J].Transportation Research Part D,2001,6(4):325-345.

      [8]魏志成.基于遺傳算法的魯棒數(shù)字圖像水印研究[D].天津:天津大學(xué),2007.

      [9]曾喻江.基于遺傳算法的衛(wèi)星星座設(shè)計(jì)[D].武漢:華中科技大學(xué),2007.

      [10]Somol P,Pudil P,Novovicova J,et al.Adaptive Floating Search Methods in Feature Selection[J].Pattern Recognition Letters,1999,20(3):1157-1163.

      [11]Songyot N,David P C.An Improvement on Floating Search Algorithms for Feature Subset Selection[J].Pattern Recognition,2009,42(4):1932-1940.

      猜你喜歡
      搜索算法全集子集
      嚴(yán)復(fù)全集
      由一道有關(guān)集合的子集個數(shù)題引發(fā)的思考
      拓?fù)淇臻g中緊致子集的性質(zhì)研究
      改進(jìn)的和聲搜索算法求解凸二次規(guī)劃及線性規(guī)劃
      關(guān)于奇數(shù)階二元子集的分離序列
      上海人民出版社 章太炎全集
      基于汽車接力的潮流轉(zhuǎn)移快速搜索算法
      每一次愛情都只是愛情的子集
      都市麗人(2015年4期)2015-03-20 13:33:22
      基于逐維改進(jìn)的自適應(yīng)步長布谷鳥搜索算法
      基于跳點(diǎn)搜索算法的網(wǎng)格地圖尋路
      庆安县| 余姚市| 定远县| 庆安县| 广州市| 井陉县| 樟树市| 夏河县| 清苑县| 天气| 林州市| 岐山县| 诸暨市| 于田县| 温州市| 灵山县| 保定市| 大余县| 攀枝花市| 兴海县| 新绛县| 郧西县| 内江市| 广河县| 英超| 馆陶县| 金山区| 如东县| 阳新县| 蒲城县| 和田县| 万宁市| 潼南县| 义马市| 上杭县| 拉萨市| 泸定县| 玉山县| 红河县| 彰武县| 金门县|