為了降低建立發(fā)動(dòng)機(jī)性能預(yù)測(cè)模型消耗的實(shí)驗(yàn)成本,利用具有強(qiáng)大的非線性問(wèn)題分析能力的機(jī)器學(xué)習(xí)算法:廣義回歸神經(jīng)網(wǎng)絡(luò)(general regression neural network,GRNN)和支持向量回歸(support vector regression,SVR),預(yù)測(cè)GDI(gasoline direct injection)渦輪增壓發(fā)動(dòng)機(jī)性能。首先采用田口正交實(shí)驗(yàn)法和拉丁超立方算法確定訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的操作點(diǎn),然后基于僅包含25個(gè)樣本的相同訓(xùn)練數(shù)據(jù)訓(xùn)練模型,使用100組相同的測(cè)試數(shù)據(jù)測(cè)試GRNN和SVR的預(yù)測(cè)性能并進(jìn)行了對(duì)比研究。對(duì)比分析表明,在實(shí)驗(yàn)數(shù)據(jù)有限的情況下,GRNN有收斂到局部最小值的風(fēng)險(xiǎn),而SVR可以找到最優(yōu)的全局解,并具有良好的預(yù)測(cè)精度和泛化能力,因此SVR非常適合應(yīng)用于GDI渦輪增壓發(fā)動(dòng)機(jī)性能預(yù)測(cè),并將顯著降低實(shí)驗(yàn)成本。

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

圖2三維分布圖

拉丁超立方取樣算法(Latinhypercubesampling,LHS)實(shí)驗(yàn)設(shè)計(jì)方法是最常用的空間填充實(shí)驗(yàn)設(shè)計(jì)算法之一,應(yīng)用LHS實(shí)驗(yàn)設(shè)計(jì)方法可以用較少的試驗(yàn)點(diǎn)覆蓋變量的工作空間,而所需的試驗(yàn)點(diǎn)相比全因子實(shí)驗(yàn)設(shè)計(jì)方法少很多[12]。因此應(yīng)用LHS實(shí)驗(yàn)設(shè)計(jì)方法在保證不丟失重要....

圖3廣義回歸網(wǎng)絡(luò)結(jié)構(gòu)圖

GRNN由4層神經(jīng)元構(gòu)成,分別是輸入層、模式層、求和層以及輸出層,其結(jié)構(gòu)如圖3所示。圖中xi(i=1,2,3,…,n)為第i個(gè)神經(jīng)元的學(xué)習(xí)樣本,yj(j=1,2,3,…,k)為輸入對(duì)應(yīng)的輸出,k為輸出的維度。1)輸入層的神經(jīng)元個(gè)數(shù)與訓(xùn)練樣本的輸入向量維度相等,數(shù)據(jù)直接從輸入層傳....

圖4GRNN模型預(yù)測(cè)結(jié)果對(duì)比

通過(guò)選擇合適的寬度系數(shù)訓(xùn)練得到GRNN模型,訓(xùn)練模型的預(yù)測(cè)值與扭矩,油耗和排氣溫度的目標(biāo)值如圖4所示。從圖4可以看出GRNN預(yù)測(cè)模型對(duì)于訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的預(yù)測(cè)效果。對(duì)于訓(xùn)練數(shù)據(jù),扭矩、油耗、排氣溫度的R2分別為0.9662、0.9842和0.9956;eMSE分別為4.4....

圖5SVR模型預(yù)測(cè)結(jié)果對(duì)比

表4SVR模型最優(yōu)懲罰參數(shù)和高斯核參數(shù)Table4OptimalpenaltyparametersandGausskernelparametersofSVRmodel預(yù)測(cè)項(xiàng)目Cσ扭矩22.05690.12684油耗35.23740.....

本文編號(hào)：3977912