基于过滤-封装法与GA_BP神经网络的大小型客车气态物排放预测

摘要

针对当前对于大小型客车的气态物排放预测的研究相对不足的状况，本文以大型普通柴油客车和小型普通汽油客车为研究对象，为搭建相对高精度的客车气态物排放预测模型，进行了相关的研究。主要的研究内容如下：　　(1)针对在实际行驶过程中大小型客车气态物排放数据不足的情况，本文采用便携式车载排放检测技术，在制定好合理的方案和路线之后，分别对大型普通柴油客车和小型普通汽油客车，在湖南长沙市、株洲市、湘潭市的不同道路工况下进行了实际道路测试。接着，对收集的数据进行合理的筛选和优化，也就是完成数据预处理的过程后，初步建立起大小型客车气态物排放的数据库。　　(2)对大小型客车的测试结果进行初步分析。首先，本文结合道路测试的实际情况，分别对小型客车和大型客车的比功率公式进行推导，求出它们对应的比功率值，进一步完善大小型客车气态物排放的数据库。然后，根据求出的大小型客车的比功率值，通过聚类分析的方法，分析了不同道路工况下小型客车和大型客车的比功率分布特征。最后，同样借助聚类分析法，探究了在不同的道路工况下小型客车和大型客车的CO2、CO和NOx排放因子分别随比功率区间变化而变化的规律。　　(3)基于过滤-封装法对大小型客车气态物排放的相关参数进行特征提取和选择。首先，本文对大小型客车气态物排放的数据库中的速度、加速度、比功率和油耗值分别进行一阶差异化、二阶差异化以及一阶移动差异化，得到了包括原始值、一阶差分、二阶差分以及一阶移动差分的特征参数集。然后，利用基于皮尔逊相关系数的过滤法，量化不同特征参数与目标值之间的相关性，再针对已建立好的大小型客车的速度、加速度、比功率和油耗值的特征参数集，分别提取相关系数较高的前两项，组建新的特征参数集。接着，利用基于随机策略的封装法，对新特征参数集中主要的四类特征参数进行排列组合，再依次搭建包括四个隐含层节点数的三层BP神经网络预测模型。最后以平均均方误差MSE为评价指标，筛选出与大小型客车的CO2、CO和NOx排放因子的分别对应的最佳的特征参数输入组合。　　(4)综合比较基于遗传优化的BP神经网络和基于支持向量回归的大小型客车气态物排放预测模型。首先，根据已筛选出的与大小型客车的CO2、CO和NOx排放因子的一一对应的最佳的特征参数输入组合，分别搭建经过遗传算法优化的BP神经网络的大小型客车气态物预测模型，并用一部分试验数据进行了验证。然后，同样针对已筛选出的与大小型客车气态物排放逐一对应的最佳的特征参数输入组合，通过基于交叉验证的网格搜索法进行SVR的参数寻优，分别建立基于支持向量回归的大小型客车气态物预测模型，并用同样的试验数据进行了验证。最后，以平均均方误差MSE、均方根误差RMSE和皮尔逊相关系数为评价指标，对比分析了两种模型的预测结果。结果表明，与支持向量回归算法的大小型客车气态物排放预测模型相比，在瞬时预测水平上，基于GA_BP神经网络的预测模型在整体上更有优势。在总体误差水平上，小型客车的CO2、CO和NOx排放因子的最佳相对误差分别为0.00579%、4.427%、32.276%，而大型客车的CO2、CO和NOx排放因子的最佳相对误差分别为0.02029%、0.0317%、0.01987%。　　本文所述的方法对大小型客车的气态物排放的整体预测效果较好，可以为机动车气态物的排放预测研究提供一些参考和指导，有一定的理论研究意义以及工程应用价值。

目录

声明

第 1 章 绪论

1.1研究背景及意义

1.2机动车气态物排放预测研究现状

1.2.1机动车比功率研究现状

1.2.2特征参数提取方法研究现状

1.2.3 气态物排放预测方法研究现状

1.3本文的框架

第 2 章 大小型客车气态物排放的数据库建立

2.1 引言

2.2 大小型客车的车载排放测试

2.2.1 测试对象和设备

2.2.2 测试路线

2.2.3 数据收集及预处理

2.3 本章小结

第 3 章 大小型客车的测试结果与分析

3.1 引言

3.2 小型客车的测试结果与分析

3.2.1小型客车的比功率公式推导

3.2.2小型客车的VSP分布状况

3.2.3小型客车排放的气态物随VSP区间的变化情况

3.3 大型客车的测试结果与分析

3.3.1大型客车的比功率公式推导

3.3.2大型客车的VSP分布状况

3.3.3大型客车排放的气态物随VSP区间的变化情况

3.4 本章小结

第 4 章 气态物排放预测模型的特征提取与选择

4.1 引言

4.2 特征参数的提取

4.3 特征参数的选择方法

4.3.1 过滤法

4.3.2 封装法

4.3.3本文的特征选择方法

4.4特征选择的结果

4.4.1 本文过滤法的计算结果

4.4.2 本文过滤-封装法的选择结果

4.5 本章小结

第 5 章 大小型客车气态物排放预测模型的建立

5.1 引言

5.2 气态物排放预测模型的介绍

5.2.1 GA_BP 神经网络算法

5.2.2 支持向量回归

5.3 基于 GA_BP 神经网络的大小型客车气态物排放预测模型

5.3.1 建立基于 GA_BP 神经网络算法的预测模型

5.3.2 基于 GA_BP 神经网络的小型客车气态物排放的预测结果

5.3.3 基于 GA_BP 神经网络的大型客车气态物排放的预测结果

5.4 基于支持向量回归的大小型客车气态物排放预测

5.4.1建立基于支持向量回归的预测模型

5.4.2 基于支持向量回归的小型客车气态物排放的预测结果

5.4.3 基于支持向量回归的大型客车气态物排放的预测结果

5.5 两种模型预测结果的对比与分析

5.5.1 大小型客车气态物瞬时排放的预测结果的对比与分析

5.5.2 大小型客车气态物总体排放的预测结果的对比与分析

5.6 本章小结

总结和展望

1 总结

2 展望

参考文献

附录 A 攻读学位期间所发表的学术论文目录

致谢