換擋決策問(wèn)題是車輛自動(dòng)變速理論的核心問(wèn)題,是保證換擋控制品質(zhì)提升的基礎(chǔ),其解決的是在復(fù)雜的行駛工況條件下選擇合理的換擋時(shí)機(jī)或換擋點(diǎn)的問(wèn)題,何時(shí)換擋是換擋控制的先決條件,直接影響車輛行駛的動(dòng)力、經(jīng)濟(jì)和駕駛性。兩參數(shù)到三參數(shù)的理論設(shè)計(jì)方法證明,引入更多有效控制參數(shù)會(huì)有效提升換擋規(guī)律對(duì)典型工況的適應(yīng)性,但是按照換擋規(guī)律MAP的設(shè)計(jì)方法,設(shè)計(jì)人員除了要標(biāo)定數(shù)據(jù)以外還要進(jìn)行大量的策略制定工作來(lái)解決實(shí)用過(guò)程中以適應(yīng)性為代表的種種問(wèn)題,設(shè)計(jì)工作量和人為設(shè)計(jì)因素都很大;而且這種標(biāo)定修正一般都是將駕駛員風(fēng)格和意圖與環(huán)境因素分開(kāi)考慮,通過(guò)逐個(gè)的辨識(shí)進(jìn)行疊加修正,但是駕駛員在駕駛車輛行駛時(shí)的風(fēng)格和意圖實(shí)際上是根據(jù)環(huán)境做出的,比如坡道的修正疊加就會(huì)造成動(dòng)力需求的疊加增大;同時(shí)隨著人工智能技術(shù)的全面發(fā)展,人們對(duì)于智能化的需求不斷提高,擋位決策的方法也要不斷的進(jìn)行智能化的發(fā)展以適應(yīng)時(shí)代和市場(chǎng)的需要。利用人工智能技術(shù)解決上述問(wèn)題是一種有效的途徑和嘗試。支持向量機(jī)(Support Vector Machines,SVM)是一種自動(dòng)進(jìn)行模擬和實(shí)現(xiàn)的數(shù)據(jù)挖掘技術(shù),本質(zhì)是通過(guò)有限的實(shí)例(數(shù)據(jù))來(lái)學(xué)習(xí)整個(gè)系統(tǒng)的知識(shí),擺脫了傳...

【文章頁(yè)數(shù)】：172 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景
    1.2 自動(dòng)變速器擋位決策技術(shù)研究概況
        1.2.1 擋位決策技術(shù)的發(fā)展歷程
        1.2.2 現(xiàn)有的主要擋位決策方法
    1.3 應(yīng)用SVM的幾個(gè)基本問(wèn)題
    1.4 本文主要研究?jī)?nèi)容
第2章 傳動(dòng)系統(tǒng)建模及擋位決策問(wèn)題分析
    2.1 傳動(dòng)系統(tǒng)建模
        2.1.1 發(fā)動(dòng)機(jī)建模
        2.1.2 離合器模型
        2.1.3 變速箱模型
        2.1.4 整車動(dòng)力學(xué)模型
        2.1.5 模型驗(yàn)證
    2.2 換擋決策理論及性能分析
        2.2.1 換擋決策基礎(chǔ)理論
        2.2.2 換擋規(guī)律決策適應(yīng)性分析
    2.3 基于SVM的換擋決策方法
        2.3.1 現(xiàn)有換擋決策的問(wèn)題
        2.3.2 SVM的選擇分析
        2.3.3 基于SVM學(xué)習(xí)模型的換擋決策過(guò)程
    2.4 本章小結(jié)
第3章 換擋決策SVM學(xué)習(xí)模型的構(gòu)建
    3.1 SVM 理論
    3.2 支持向量機(jī)換擋決策學(xué)習(xí)基模型
    3.3 特征選擇和模型參數(shù)的優(yōu)化
        3.3.1 核函數(shù)的選擇
        3.3.2 特征選擇
        3.3.3 SVM的模型參數(shù)
    3.4 基于遺傳算法的特征選擇和模型參數(shù)聯(lián)合尋優(yōu)方法
        3.4.1 遺傳算法
        3.4.2 GA聯(lián)合尋優(yōu)方法
        3.4.3 聯(lián)合尋優(yōu)仿真實(shí)驗(yàn)
    3.5 本章小結(jié)
第4章 多分類SVM擋位決策
    4.1 SVM多分類方法
        4.1.1 “一對(duì)多”多分類法
        4.1.2 “一對(duì)一”多分類法
        4.1.3 決策有向無(wú)環(huán)圖法
        4.1.4 二叉樹(shù)支持向量機(jī)
    4.2 基于粒子群算法的多分類SVM決策樹(shù)構(gòu)造
        4.2.1 粒子群算法
        4.2.2 粒子群算法的改進(jìn)策略
        4.2.3 基于改進(jìn)粒子群算法的二叉樹(shù)構(gòu)造
    4.3 換擋學(xué)習(xí)模型二叉樹(shù)結(jié)構(gòu)優(yōu)化結(jié)果
    4.4 本章小結(jié)
第5章 環(huán)境特征參數(shù)和工況分類識(shí)別
    5.1 基于行駛阻力的環(huán)境特征參數(shù)
        5.1.1 實(shí)車負(fù)荷度的計(jì)算
        5.1.2 特殊環(huán)境對(duì)負(fù)荷度的影響分析
    5.2 基于學(xué)習(xí)的自適應(yīng)行駛工況識(shí)別
    5.3 基于神經(jīng)網(wǎng)絡(luò)的行駛路段識(shí)別方法
        5.3.1 自適應(yīng)共振理論人工神經(jīng)網(wǎng)絡(luò)
        5.3.2 基于ART2 網(wǎng)絡(luò)的行駛路段在線識(shí)別方法
    5.4 行駛工況在線仿真識(shí)別結(jié)果試驗(yàn)
    5.5 本章小結(jié)
第6章 換擋決策增量學(xué)習(xí)方法
    6.1 增量學(xué)習(xí)概述
    6.2 增量學(xué)習(xí)訓(xùn)練集的選擇
        6.2.1 增量訓(xùn)練集的構(gòu)成
        6.2.2 基于換擋點(diǎn)特征的更新訓(xùn)練集選擇
    6.3 SVM增量算法
    6.4 增量訓(xùn)練集的淘汰策略及其減量學(xué)習(xí)算法
        6.4.1 增量更新樣本集的淘汰算法
        6.4.2 更新樣本集的減量算法
    6.5 算法實(shí)驗(yàn)結(jié)果
    6.6 換擋決策學(xué)習(xí)增量實(shí)驗(yàn)
    6.7 本章小結(jié)
第7章 模型驗(yàn)證及整車試驗(yàn)
    7.1 整車試驗(yàn)平臺(tái)
        7.1.1 試驗(yàn)車輛與設(shè)備
        7.1.2 TCU系統(tǒng)
        7.1.3 試驗(yàn)車輛控制信號(hào)驗(yàn)證
    7.2 基于SVM的換擋學(xué)習(xí)模型實(shí)驗(yàn)
        7.2.1 模型的訓(xùn)練及驗(yàn)證
        7.2.2 模型仿真驗(yàn)證
    7.3 實(shí)車路試適應(yīng)性實(shí)驗(yàn)
    7.4 駕駛風(fēng)格增量實(shí)驗(yàn)
    7.5 本章小結(jié)
第8章 總結(jié)與展望
    8.1 論文的主要研究工作
    8.2 論文的創(chuàng)新性工作
    8.3 未來(lái)工作及展望
參考文獻(xiàn)
攻讀博士期間發(fā)表的論文及科研成果
致謝



本文編號(hào)：3986083