【《基于神经网络的汽车行驶工况识别系统设计》10000字】

基于神经网络的汽车行驶工况识别系统设计目录TOC\o"1-3"\h\u16723第一章前言 2298461.1研究背景及意义 28921.2行驶工况识别的研究现状 25995第二章行驶工况识别方法研究 3106622.1引言 364172.2典型行驶工况下的数据处理 3266002.2.1引言 3137692.2.2试验数据的预处理 3102132.2.3试验数据的样本抽取 4239442.3样本特征分析 5315322.3.1预先定义特征参数 5325822.3.2主成分分析 620954第三章基于神经网络算法建模 670803.1选取神经网络类别 679513.2建立BP神经网络算法离线模型 7169213.2.1BP神经网络完成训练步骤 787473.2.2在MATLAB中完成BP神经网络训练后结果图 8295863.3小结 16764第四章总结 17中文摘要在目前的新能源汽车行业中，越来越多的车企更热衷于去研究如何去对车辆能量进行优化。汽车销量逐渐上升达到饱和，节能环保成为现阶段的研究目标。汽车能量管理策略虽然在提高燃油经济性方面有显著的效果，但这种管理策略需要依赖有效的行驶工况识别。在以往的研究中我们可以发现，车辆能量策略的优化可以从车辆行驶状况识别方面入手，因为准确的车辆行驶状况识别无论是对于混合动力汽车和还是纯电动汽车都有它可以发挥的作用。对于混合动力汽车而言，准确的汽车行驶工况识别能进一步提高整车燃油的经济性；对于纯电动汽车而言，则是能够提高纯电动汽车剩余续驶里程估算的准确性。因此，越来越多的企业和车辆研究人员都希望能够开发出越加先进的车辆驾驶系统，使车辆在实际的应用过程中能够根据不同的驾驶条件进行控制。因为车辆行驶状态的准确识别信号是保证合理控制策略的基础。因此针对汽车行驶工况在线识别的问题，本文收集了4种典型道路工况下采集的数据，在BP神经网络的基础下建立工况识别模型，最终使训练完成的BP神经网络行驶工况识别模型能够有效地对行驶工况进行识别。故本文主要将从行驶工况识别模型的构建流程来展开，即：、试验数据的预处理及样本抽取、样本特征抽取、样本特征分析、在多元统计理论的基础上对数据进行处理、在BP神经网络算法的基础上建模。关键词：行驶工况；bp神经网络；在线识别；能量管理前言1.1研究背景及意义现阶段，汽车的使用数量仍在不断地上升，而汽车排放也已成为大气主要污染源之一。排放的汽车尾气中含有一氧化碳、碳氢化合物和微粒等，这些气体对人体造成了较大的危害，更严重的还会有致癌的可能性，因此我国对汽车排放的要求和控制也变得更加严格。如何开发出更为节能和环保的汽车成了各个汽车企业和汽车研究员的首要问题。汽车能量管理策略虽然在提高燃油经济性方面有显著的效果，但这种管理策略需要依赖有效的行驶工况识别。因此为了实现最优的能量管理，我们需要有目的性地针对行驶工况识别的准确性进行试验，从而去提高能量管理策略对随机工况的适应能力。本文的研究对象混合动力汽车，它在各类汽车中更为节能环保的原因在于其拥有合理的能量管理策略。能量管理策略作为混合动力汽车的一项核心技术，其品质的优劣能够直接地影响汽车的整体性能。1.2行驶工况识别的研究现状汽车行驶工况也称为汽车运转循环，它是指以某一类车辆作为参照物，在典型行驶条件（如行驶区域、行驶温度、行驶时间）限定下的行驶速度关于时间的曲线历程ADDINCNKISM.Ref.{B2A4C00F999A42d18D9F779E4400CAD6}[1]。而行驶工况识别是指将采集到的行驶工况数据进行处理、样本数据训练及离线最优识别模型建立以后，当驾驶汽车时，汽车系统能自动识别此时处于何种工况下进而选取最优控制参数值使发动机能处于低油耗的工作区域的过程。目前，相关的国内外专家在研究车辆工况在线识别已经获得了一定的成果。比如田毅等ADDINCNKISM.Ref.{F6BFE8ADCFF841c1AFC1C03C564A9EEC}[2]专家在现阶段常用识别算法的优缺点的背景下，他们选择了在识别行驶工况中运用K均值聚类算法，并将此应用于混合动力汽车的整车能量管理中。詹森等ADDINCNKISM.Ref.{5354261DA1F34e58BF6B9A7AEC3B0AFE}[3]专家则是基于神经网络模型对汽车的实时车速进行采集和分析，自动找出相近的标准循环工况。刘永刚等专家对各典型工况则是采用遗传算法对典型行驶工况对应的模糊控制器中隶属度函数进行优化，建立一个基于模糊神经网络的行驶工况识别方法。秦大同等ADDINCNKISM.Ref.{21943529B2B74d78B690A3ADF710B74F}[4]专家与bp神经网络算法结合，建立行驶工况识别模型去优化行驶工况识别的精度。林歆悠ADDINCNKISM.Ref.{84D715DE6B964d0f88444E57F2B2DA13}[5]等专家则是选用与LVQ神经网络算法结合对各工况的特征参数不断训练后进行实时工况识别。故在以上学者的研究背景下，大部分学者选用的是3类典型行驶工况ADDINCNKISM.Ref.{F0B1EDA4A9084952B6FFEA383D049D3D}[6-10]，本文针对汽车行驶工况在线识别，选取四类典型行驶工况，对各类典型行驶工况采集实时数据并对其进行预处理并采用随机数抽取样本后，对样本进行特征分析。对设定的14个行驶工况特征参数进行主成分分析。在神经网络理论的基础上运用MATLAB实现构建神经网络工况识别模型，再对算法进行训练，最终能够达到一个较高的识别精度，经过训练和不断改进后的BP神经网络工况识别模型能够对车辆的实际工况有效精确地进行在线识别。第二章行驶工况识别方法研究2.1引言通过研究发现，汽车车速是影响汽车能耗和排放的汽车行驶工况的识别对车辆能量策略有较好的优化效果，它可以使混合动力汽车的燃油经济性能和排放性能得到改进。由于在现实车辆行驶中，汽车的实际运行工况具有随机性和不确定性，控制策略的优化效果也会受到汽车实际运行工况的影响，所以在工况背景下得到的最佳控制策略具有一定的局限性。在能量管理的策略中如果能够对其中的参数值进行实时调节，那么汽车动力源的功率会更加容易去实现最佳的分配，这会使得整车的燃油经济性能也能得到相应的提升。2.2典型行驶工况下的数据处理2.2.1引言近年来，国内对汽车行驶工况识别的研究，主要是在构建行驶工况前先根据不同的道路交通状况划分工况类型，因为车辆从启动出发到目的地停车，在不同的道路交通状况下，路程中可能存在多次的起步或停车。故可以按照道路交通状况和车辆行驶区域的特征选择以一定的行驶车速行驶。故本文将某城市的道路交通状况划分为四类典型行驶工况：城市快速路、城市主干路、城市次干路、城市支路。这四类不同的典型行驶工况分别具有不同的特点。城市快速路要求通过的车辆具有较高的行驶速度，在道路网系统中主要起到“通”的作用，通过该类道路的车速一般是60km/h、80km/h、100km/h。城市主干路和城市快速路相似的是同样要求车辆以较高的速度通过，其承担了整个城市的主要交通流量，该类道路的利用率较高，通过该类道路的车速一般是50—60km/h（I）、40—50km/h(II)、30—40km/h(HI)。城市次干路是一般交通道路，它主要是为了配合城市主干路，一同组成城市的干道网，也就是起到联系各个分散道路交通的作用，城市次干路还具有提供服务的作用，通过该类道路的车速一般是50—60km/h(I)，30—40km/h(H)，20—30km/h(H）。城市支路则是指一个地区（如居住区）内设置的道路，它主要是为了解决居住地区内部的交通，所以该城市支路还设置有车行道和人行道，通过该类道路的车速一般是30—40km/h（I）、20—30km/h（II）、20km/h(m)三类。数据作为整个研究过程的基础，但考虑到数据采集过程的困难性和实际条件的缺乏，故在公共数据库中选择出适当的各典型工况下汽车的行驶数据用作后续处理的数据。2.2.2试验数据的预处理当我们得到数据后，需要对每组原始数据进行细致的检查，因为在实际的情况中，我们最终获取的数据集不一定是完美的，因为在数据集当中会或多或少存在一些数据缺失或者数据重复的情况，所以需要对这些数据进行预处理后才能在后续的研究中正式使用。一般没有标准化的数据预处理流程，我们可以根据实际不同的研究目标和不同属性的数据去选择使用不同的数据预处理流程对数据集进行预处理。一般来说，数据预处理的常见过程有:去除唯一属性、处理缺失值、属性编码、数据标准化和正则化、特征选择和主成分分析。在本文所研究的汽车行驶工况识别所需要运用到的数据中，我们采取的方法是对缺失的数据先进行处理，对缺失的数据处理的方法常见的有下面三种：对数据集中缺失的数据不进行处理，直接使用该数据集；对数据集中缺失的数据进行删除；将数据集中缺失的数据进行补全。经过综合的考虑，本文中选择的方法是对数据集中缺失的数据运用插值的方法对该缺失数据进行补全。对于数据中的异常值，可以选择直接将其删除。对处理好后的数据每类工况数进行保存并绘出每类工况的V-t图和a-t图。2.2.3试验数据的样本抽取建立行驶工况识别模型需要以样本库为基础，故我们需要将经过处理后的数据划分为若干个短的行驶片段形成样本库。数据对于机器学习的重要性毋庸置疑，且机器学习是需要大量的数据作为基础，随着数据的增加，算法预测的精确度也会随之增加。通常来说，能够精确实现功能的神经网络通常是需要大量的参数作为支撑，而成功的神经网络的参数往往数以百万计，为了使这些参数能使神经网络正确地工作，我们则需要对这些大量的数据进行训练，但是往往人工采集得到的数据没有这么多，所以理论上，我们需要尽可能多的数据去满足后期行驶工况识别的研究。因此，我们为了保证最终的识别精度，需要尽可能多的扩充样本数量，因此我们将采用随机数法抽取样本去建立样本库。采用随机数法抽取工况样本需要确定抽取样本的长度和抽取的起始时刻。该类方法的详细过程如图2.1所示。图2.1样本抽取方法如可以将抽取的样本长度事先设置为100，也就是识别的周期△T为100s。图2.1中，识别更新周期称为△；在该种典型行驶工况下的数据总量为T；（0,1），它是在这个区间内产生的随机数；样本抽取的起始时刻称为。对每一类典型行驶工况抽取400个样本，四类典型行驶工况则一共为1600个样本，如何确定样本抽取的起始时刻则按式2.1确定：（2.1）2.3样本特征分析2.3.1预先定义特征参数汽车行驶工况识别模型的准确性往往需要输入的特征参数是足够多且有效地，这些特征参数能够充分地描述出各类行驶工况下的特征。根据文献ADDINCNKISM.Ref.{34FFE80FE9A34791AF955B1376119FD3}[6,11]，本文可以预先定义平均路面功率、加速比例、减速比例、匀速比例、怠速比例、平均速度、平均运行速度、最大速度、最小速度、最大加速度、最大减速度、速度标准偏差、加速度标准偏差、累积行驶距离、平均加速度、平均减速度、0-20km/h速度段的比例、20-40km/h速度段的比例、40-60km/h速度段的比例、60-80km/h速度段的比例、80-100km/h速度段的比例、100-120km/h速度段的比例、-0.8m/s2以下加速度段比例、-0.8至-0.1m/s2加速度段比例、±0.1m/s2之间加速度段比例、0.1至0.8m/s2加速度段比例，0.8m/s2以上加速度段比例等27个特征参数对各个行驶工况样本进行描述。然后利用MATLAB编程分别求出各个典型工况样本的27个特征参数值，进而通过直方图和盒形图筛选出各典型工况下存在着较大差异的某些特征参数作为最终描述样本的特征参数。然后利用盒形图进一步地去分析各典型工况下的特征参数差异。盒形图中矩形框的上下边缘分别表示了待分析样本的上四分位数和下四分位数，矩形框中间横线则表示待分析样本的中位数。而图形最上端和最下端的横线则表明了待分析样本的最大值和最小值。综合直方图和盒形图的分析结果，最终选出平均速度等14个特征参数作为行驶工况识别模型的输入参数，如表2.3.1所示。表2.3.1行驶工况特征参数序号特征参数意义单位1Pa加速比例%2Pd减速比例%3Pc匀速比例%4Pi怠速比例%5Vm平均速度km/h6Vmr平均运行速度km/h7Vmax最大速度km/h8amax最大加速度m/s29S累计行驶距离m10vsd速度标准偏差km/h11asd加速度标准偏差m/s212P±0.1±0.1m/s2之间加速度段比例%13P20-4020-40km/h速度段的比例%14P40-6040-60km/h速度段的比例%2.3.2主成分分析主成分分析(PrincipalComponentAnalysis,PCA)也可以称之为主分量分析，经常被应用于降低数据集的维数，这个过程称为对数据进行降维ADDINCNKISM.Ref.{DDE3AACB9425412e8F2D29C0A0A4DE51}[12]，利用这种方法可以将数据里面的多个指标转换成少数的几个具有代表性的综合指标，但降维后它仍能够同时保留数据集的特征。之所以能够保留数据集的特征，是因为对数据集保留低阶的主成分，而对高阶主成分忽略，这种处理数据的方法将数据集最主要的特征能被保留下来。主成分分析综合评价的主要步骤如下：指标的标准化。计算样本的相关矩阵R。对相关矩阵R的特征值和对应的标准正交特征向量进行计算。计算特征值、计算特征值的贡献率和累计贡献率、计算特征向量。列出主成分函数。构造综合评价函数。在前面步骤中可以得到主成分的得分，此时代入评价函数中进行计算后获得每个样本的综合得分，然后再根据一定的规则将所得样本排列顺序。本文中，对事先定义的14种特征参数值的数据进行汇总，可以得到样本数量1600行特征参数14列的矩阵，然后按照主成分分析综合评价的主要步骤，以少数几个综合指标（即主成分）代替原来所有变量。第三章基于神经网络算法建模3.1选取神经网络类别人工神经网络ADDINCNKISM.Ref.{F7974A94DD5F4e8d9A035A0D298C33FE}[13]（ArtificialNeuralNetwork，ANN）目前是一种已经足够达到模拟人类大脑神经系统对一些繁多复杂信息处理的数学模型。它也可以简称为神经网络(NN)，其是在生物学中神经网络的基础上结合网络拓扑知识衍生而来。该模型有其独特的特征，它具备着多种能力，比如具有并行分布的处理能力、容错性高、智能化和自学习等能力，并且它能够将信息处理与存储结合。通俗来讲，由于神经网络它是由许多的神经元之间相互联接构成的，所以它能够对一些比较复杂或强逻辑性的数据进行处理和计算。激活函数（activationfunction）在神经网络中主要体现为在每一个节点中的特定的输出函数。目前运用在深度学习中的神经网络有许多种类，这些神经网络的用途各异，也各有其优点和局限性。目前常见的神经网络有BP神经网络、RBF神经网络、感知器神经网络、线性神经网络、反馈神经网络。BP神经网络拥有极强的非线性映射能力是它最为突出的优点之一。就理论层面而言，BP网络的层数越多，就需要相对于足够多的隐藏层神经元数目。隐藏层神经元数目若满足，则该BP神经网络就能达到以任意精度接近一个非线性函数的程度。其次，BP神经网络的信息处理采用的方式是分布并行，所以该BP神经网络还有一个功能就是在面对来自外部的刺激和外部对它输入信息时，它能对该种刺激和信息进行联想记忆。同时，当外界对BP神经网络输入样本时，BP神经网络能够对它进行识别，识别后进行分类的能力。BP神经网络可以比较好地处理非线性的问题，能进行非线性分类，因此,这种强大的非线性处理能力使很多非线性分类难题得到了突破和解决。除此之外，BP神经网络还能优化计算，这种优化能力也是被众多学者选择的原因之一。BP神经网络的本质主要是一个非线性优化问题,即它可以在已知的约束条件下，寻找一组参数进行组合，最终使该组合确定的目标函数能达到最小。不过，BP神经网络的优化计算也仍然存在局部极小问题，为了解决局部极小问题就必须通过不断的改进去完善。RBF神经网络简单且非常容易在计算机上实现功能。虽然RBF神经网络具有很强的非线性拟合能力，但这种神经网络与BP神经网络相比，它的局限性是在试验数据不充足的时候，神经网络就无法进行运作将所有的问题的特征都变为数字，这种情况最终导致的结果必定是会丢失一部分信息。由于隐藏层基函数的中心是在输入样本集中选取的,这会使得在很多情形之下，系统内的输入与输出不太容易被反映出来，这对后续的处理带来了困难。感知器神经网络主要用于分类，感知器模型与其他模型相比较而言，它更为简易且容易实现功能，但恰恰模型的过于简单，也使得感知器模型解决问题存在很大的局限性，它只能解决小部分线性可分的问题，不能像BP神经网络能够解决非线性问题。对于Hopfield反馈神经网络而言,存在着在实际的神经网络实现中,总会存在对信息的传输有延迟,这些延迟对神经网络的特性产生一定程度的影响。综上所述，本文从实际可行性和易操作性综合考虑，将选用BP神经网络算法建立对汽车行驶工况识别的离线模型。3.2建立BP神经网络算法离线模型3.2.1BP神经网络完成训练步骤本文选用的BP神经网络是一种多层的前馈神经网络，此神经网络一般是由三层组成，分别是输入层、隐藏（中间）层、输出层，在层与层之间实现全连接，处于同一层的神经元之间并不会存在连接，其结构如图3.1所示。···，是BP神经网络的输入参数，也称为输入神经元，是神经元连接权值，，···，是BP神经网络的输出参数，也称为输出神经元。它的主要的特点是：信号是前向传播的，而误差是反向传播的。根据这个特点可以得知，BP神经网络的传播过程一般是被分成了两个阶段的传递，这两个阶段分别是前向传播和误差的反向传播。第一个阶段即是前向传播信号是先从输入层开始，正向经过隐含层，最后到达输出层；第二阶段即是误差的反向传播，它是从输出层开始，反向经过隐含层，最后到达输入层。因为隐藏层和输入层之间存在权重和偏置，所以通过反向传播可以对它们之间的权重和偏置进行调节。对隐藏层神经元个数的设置通常可以根据设计者设计的目的依据某种规则决定，但需要注意的是保证输入层的神经元个数和数据的维数要相同，输出层神经元个数则是要和进行拟合的数据个数要相同。图3.1BP神经网络拓扑结构图为了使BP神经网络具有较高的预测准确率，则需要在BP神经网络对数据进行预测前不断地对网络进行训练和优化。在此基础上，我们可以经过下面这些步骤完成对BP神经网络的训练过程：初始化网络。根据网络输入和输出参数的个数，从而确定输入和输出神经元个数，确定中间层神经元的个数可以依靠经验进行设置，最后整个网络的架构被确定下来。各个神经元之间的连接权值和中间层输出层之间的阈值a和b事先随机地设定，并需要提前给定神经元激励函数。对隐含层输出进行计算。根据输入变了X，输入层和隐含层之间连接权值以及隐含层阈值a，计算隐含层输出H。计算网络误差。根据网络预测输出O和期望输出Y，计算网络预测误差e。对网络连接权值进行更新。根据网络预测误差e更新网络连接权值，。对网络节点阈值进行更新。根据网络预测误差e更新网络节点阈值a，b。判定算法迭代是否已经达到结束的条件，如果算法迭代没有结束，则重新返回到步骤2。3.2.2在MATLAB中完成BP神经网络训练后结果图在MATLAB中编写程序建立BP神经网络完成训练，运行程序后可以得到训练的结果图。如图3.2所示，该神经网络的隐含层节点数的选择是根据大量文献参考和经验将其设置在10-26的区间内，利用for循环，设置神经网络参数，在每次经过两个节点后需要暂停并检测此时隐含层节点数下是如何影响训练误差的，从而选择出最合适的隐含层节点数。图3.2隐含层节点数对训练误差的影响图如图3.3所示，学习率的选择同样是根据大量的文献参考和经验将设置在0.01-0.2的区间内，利用for循环，设置神经网络参数，每隔0.01暂停一次检测学习率对训练误差的影响，最终选择出最佳的学习率。图3.3学习率对训练误差的影响图在新建BP神经网络时将其训练次数初始设定为100次。从图3.4可知，当训练次数达到16时，训练误差就达到了稳态，故BP神经网络在16次时就停止训练。图3.4BP神经网络训练误差曲线图图3.5为BP神经网络的预测结果图，测试样本为100个，将4类输出结果编制标签，将BP网络输出的实际值与编制好的标签对比，从图中我们可以看到实际值与BP预测值基本无偏差，这说明该BP神经网络的训练效果不错。图3.5BP神经网络预测的结果图在图3.6中的第一部分展示的是神经网络的结构图，可知这是一个14输入4输出，26个隐藏层的BP网络。第二部分显示，该网络采用随机划分的方法将数据集划分为训练集数据、验证集数据和测试集数据。BP神经网络采用的梯度下降BP训练算法是一种学习率自适应的算法；MSE是指误差的指标。图片中的第三部分显示了BP神经网络的训练进度。Epoch是指训练的次数；在该进度条的右边指的是该BP神经网络训练所需要的最大的训练次数，这里我设定的是初始值为100，而在进度条里面显示的是完成该BP神经网络所需训练的实际次数，即经过16次训练后神经网络就停止训练了。Tim指训练时间，也就是完成训练所使用的时间。Performance指性能指标；该网络的最大误差为1.52，目标误差为0.0001，实际误差为0.0254，可在Plots中的Performance中详细查看。Gradient是指梯度，该网络的最大梯度为2.44，阈值梯度为1.00e−07，实际梯度为0.0169，可在Plots中的TrainingState中详细查看。mu是阻尼因子参数，用于给神经网络的权重再加一个调制，这样是为了避免在BP网络训练的过程中陷入局部最小值的情况。该网络所使用Levenberg–Marquardt算法中的阻尼因子最小值为0.001，阈值为1.00e+10,实际值为1.00e−06,Mu值越大意味着算法收敛效果越好。可在Plots中的TrainingState中详细查看。validationchecks是指泛化能力检查，它能够有效防止BP神经网络的训练过适的，当训练过适的时候网络的验证误差会大于训练误差的次数。故泛化能力检查的默认值一般为6。可在Plots中的TrainingState中详细查看。第四部分是训练结果图，分别是网络性能图、训练阶段参数变化情况图、各个样本集和总体的相关性图。图3.6图3.7中蓝色、红色、绿色线条分别对应的是训练，测试和验证的误差，所谓验证，就是网络会自动从训练数据集中随机抽取一部分作为验证数据，目的是用来检验网络的训练是否达到收敛。图中的绿色圆圈是代表最小验证误差对应的迭代次数和误差值。图3.7最佳验证性能图训练阶段参数变化情况如图3.8中展示的，分别有梯度下降图、误差精度图和泛化能力检查图。梯度下降主要是为了找到一个解使得目标函数，即预测误差比较小。泛化能力检查是指在训练过程中采用training训练，在每一次的训练之后，系统会自动地将validationset中的样本数据输入到神经网络进行验证，在validationset输入后会得出一个误差（此误差不是网络的训练误差，而是验证样本数据输入后得到的输出误差，它可能是均方误差），而在这之前对validationset会设置一个步数，比如通常情况下默认的步数是6，即系统判断这个误差是否在连续6次检验后还不下降，如果不下降或者甚至上升，则说明trainingset训练的误差已经不再减小，这个时候再对神经网络进行训练就没有必要了，故系统就停止训练，不然可能会陷入过学习。图3.7训练阶段参数变化情况图在各个样本集和总体的相关性分析图像3.8中，因为神经网络往往会存在的其中一个缺点是过拟合，过拟合即是神经网络对训练的数据过分拟合之后导致训练后的数据与其他并没有参与训练的数据之间发生了偏离。因此为了避免在神经网络训练过程中出现过拟合，本文采用的方法是将所有的数据划分为三份，这里在程序中是直接调用了divideFcn函数，这个函数直接默认将数据集划分为训练数据、校验数据和测试数据。其中训练数据是70%，校验数据和测试数据都是15%。只有训练数据参加训练，其他两部分数据不参加训练，用于检验。当R值越接近1，拟合越理想。图3.8各个样本集和总体的相关性分析图图3.9展示的是网络训练结束测试样本的混淆矩阵，横坐标为目标行驶工况类别，即样本原本所属的行驶工况类别，纵坐标为BP网络输出的样本所属的行驶工况类别，对角线为正确的识别。可以看出四类典型行驶工况的识别正确率分别为91.70%、85.20%、92.90%、100.00%。混淆矩阵右下角为所有测试样本总体识别正确率，基于BP神经网络的行驶工况离线识别模型的准确率为92%。图3.9各个样本集和总体的相关性分析图3.3小结就汽车的行驶工况识别而言，它是一个复杂的非线性问题。而BP神经网络恰好具有处理复杂非线性问题的能力。本章主要研究在BP神经网络的基础上最终达到能够对汽车行驶工况进行识别的成果。在Matlab中建立BP神经网络模型，并不断对模型进行了性能优化和训练。利用性能优化且训练后的神经网络对汽车行驶工况进行识别,识别结果显示该神经网络模型的预测值和实际值重合率较高，识别准确率可以达到92%，说明BP神经网络可以应用于汽车行驶工况的识别中。经过撰写论文和实现实例过程中对神经网络的初步学习，我感受到了机器学习和神经网络具有它独特的魅力和乐趣；在学习的过程中我不断地由浅入深、突破自我。尽管神经网络及机器学习刚开始了解的时候是非常的困难，很多名词术语也不懂。但是当我经过一段时间的学习了解之后做出了实例，能感受到一种非常大的喜悦和激动。经过具体的实践后，可以大致对神经网络作出总结：1、导入需要处理的数据。2、对获得的数据进行预处理，采用随机数法随机获取实验数据和目标数据。（其中包括归一化：mapminmax）3、构建一个训练网络：newff4、对构建的网络进行训练：train5、进行数据仿真操作sin(net,x)6、验证和后评价7、绘图直观地显示数据模拟训练的效果。总结本篇文章首先总结了该课题的研究背景及意义、行驶工况识别的研究现状。然后描述了汽车行驶工况识别的研究过程：定义了四类典型行驶工况，在公共数据库中获取四类典型行驶工况下的汽车行驶数据。选择随机数法去抽取出工况样本，目的是为了对样本的数量进行尽可能多的扩充，因为大量的样本数据可以大大地提高神经网络的识别精度。对扩充后的样本数据再通过直方图以及盒形图法进行特征分析，进而利用主成分分析原理对识别模型输入参数进行了降维处理，得到可作为识别模型输入的样本数据。最后讲述基于BP神经网络的算法建模：利用BP神经网络算法建立了离线的汽车行驶工况识别模型，该模型经过训练和优化后，其识别准确率能够达到92%。本文虽然总结分析了基于BP神经网络算法实现汽车行驶工况识别，但是其中还有很多不足之处。程序调试中可能也还存在很多问题，程序实现效果也还有进步的空间，结果分析不够全面。这些都还是需要加强提高的，本文的完成不代表对该课题研究的结束，因为这还只是该课题的冰山一角，还有很多的理论知识需要不断去学习。ADDINCNKISM