针对BA-FRVM的研究及用于汽车典型故障件的数量预测

摘要

近年来，随着汽车企业的快速发展，该行业数据量激增，汽车企业迫切需要在数据中去寻找规律，根据历史数据预测配件需求数量、诊断汽车故障等。在这样的背景下，许多人工智能算法开始被应用于汽车行业，其中，运用最多的是SVM和BP神经网络。鉴于BP神经网络和SVM自身的一些局限性和缺点，本文采用BA-RVM优化后的BA-FRVM算法作为汽车典型故障件数量的预测。
　　本文建立一种基于蝙蝠算法快速相关向量机的汽车典型故障件数量预测模型，在Matlab R2014a软件上实现全部仿真实验。首先，研究干扰相关向量机预测准确率的影响因子-核参数，通过蝙蝠算法选择适合当前数据的核参数，达到核参数的自适应;在汽车典型故障件数据下验证BA-RVM算法，通过仿真实验选择合适的特征归一化方法;其次，通过BA-RVM算法在不同的数据下实验，选出合适的核函数，接着对BA-RVM算法训练效率进行优化，得到BA-FRVM算法，将UCI网站上三种不同类型的数据作为实验数据，以此来验证BA-FRVM算法的可信性和可靠性，然后再在汽车典型故障件数据下进行实验，并与BA-RVM算法对比训练时间、相关向量数以及错误率;再次，对BA-FRVM算法进行多方面的研究，研究不同迭代次数与错误率的关系，不同蝙蝠数量对预测准确率的影响，训练模型错误率与核参数宽度的关系，不同训练样本量对预测准确率的影响，与相似算法BA-SVR对比训练时间、相关(支持)向量数以及错误率，与广泛应用的BA-BP算法对比训练时间和错误率。最后，将BA-FRVM算法用Java编程语言实现，用jblas矩阵库实现矩阵运算，并将BA-FRVM算法试用于实际的故障件数量预测系统中。
　　最终，通过实验结果可知:相比BA-SVR和BA-BP算法，BA-FRVM算法训练速度更快，预测准确率更高，能够更好的适用于汽车典型故障件数量预测。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景和意义

1．1．1 引言及问题的提出

1．1．2 准备解决的问题

1．2 国内外研究现状

1．2．1 汽车行业的发展现状

1．2．2 汽车典型故障件数量预测的国内外研究现状

1．3 论文的结构安排及主要工作

第2章 BA-RVM算法模型与数据的特征归一化方法选择

2．1 BA算法基本模型

2．2 RVM算法回归模型

2．3 重新验证BA-RVM核参数自适应选择

2．4 汽车故障件数据背景分析

2．5 数据的特征归一化方法

2．6 实验设计与实现

2．6．1 仿真平台及实验环境

2．6．2 实验设计及测试数据

2．6．3 仿真结果及实验结论

2．7 本章小结

第3章 BA-RVM核函数选择与效率优化

3．1 核函数

3．2 BA-RVM算法效率优化

3．3 实验设计与实现

3．3．1 实验设计及测试数据

3．3．2 仿真结果及实验结论

3．4 本章小结

第4章 BA-FRVM研究并与其他算法对比分析

4．1 BA-FRVM迭代次数与错误率的研究分析

4．2 BA-FRVM在不同蝙蝠数量下的研究分析

4．3 BA-FRVM在不同数据样本量下的研究分析

4．4 BA-FRVM不同核函数参数下的研究分析

4．5 BA-FRVM与BA-SVR算法比较分析

4．5．1 SVR算法模型

4．5．2 实验实现与实验结论

4．6 BA-FRVM与BA-BP算法比较分析

4．6．1 BP算法模型

4．6．2 实验实现与实验结论

4．7 本章小结

第5章 BA-FRVM在系统中的应用

5．1 汽车典型故障件数量预测系统介绍

5．1．1 系统需求分析

5．1．2 第三方矩阵库选取

5．1．3 系统开发环境

5．2 系统所使用的数据表结构

5．3 系统设计与实现

5．4 系统各个模块结果展示

5．4．1 故障件基本信息查询

5．4．2 故障件数量预测的训练模块

5．4．3 故障件数量预测的预测模块

5．5 本章小结

总结与展望

本文工作总结

未来工作展望

致谢

参考文献

攻读硕士学位期间发表的论文