發(fā)布時間：2024-06-01 15:17

　　換擋決策問題是車輛自動變速理論的核心問題,是保證換擋控制品質(zhì)提升的基礎,其解決的是在復雜的行駛工況條件下選擇合理的換擋時機或換擋點的問題,何時換擋是換擋控制的先決條件,直接影響車輛行駛的動力、經(jīng)濟和駕駛性。兩參數(shù)到三參數(shù)的理論設計方法證明,引入更多有效控制參數(shù)會有效提升換擋規(guī)律對典型工況的適應性,但是按照換擋規(guī)律MAP的設計方法,設計人員除了要標定數(shù)據(jù)以外還要進行大量的策略制定工作來解決實用過程中以適應性為代表的種種問題,設計工作量和人為設計因素都很大;而且這種標定修正一般都是將駕駛員風格和意圖與環(huán)境因素分開考慮,通過逐個的辨識進行疊加修正,但是駕駛員在駕駛車輛行駛時的風格和意圖實際上是根據(jù)環(huán)境做出的,比如坡道的修正疊加就會造成動力需求的疊加增大;同時隨著人工智能技術的全面發(fā)展,人們對于智能化的需求不斷提高,擋位決策的方法也要不斷的進行智能化的發(fā)展以適應時代和市場的需要。利用人工智能技術解決上述問題是一種有效的途徑和嘗試。支持向量機(Support Vector Machines,SVM)是一種自動進行模擬和實現(xiàn)的數(shù)據(jù)挖掘技術,本質(zhì)是通過有限的實例(數(shù)據(jù))來學習整個系統(tǒng)的知識,擺脫了傳...

【文章頁數(shù)】：172 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景
    1.2 自動變速器擋位決策技術研究概況
        1.2.1 擋位決策技術的發(fā)展歷程
        1.2.2 現(xiàn)有的主要擋位決策方法
    1.3 應用SVM的幾個基本問題
    1.4 本文主要研究內(nèi)容
第2章 傳動系統(tǒng)建模及擋位決策問題分析
    2.1 傳動系統(tǒng)建模
        2.1.1 發(fā)動機建模
        2.1.2 離合器模型
        2.1.3 變速箱模型
        2.1.4 整車動力學模型
        2.1.5 模型驗證
    2.2 換擋決策理論及性能分析
        2.2.1 換擋決策基礎理論
        2.2.2 換擋規(guī)律決策適應性分析
    2.3 基于SVM的換擋決策方法
        2.3.1 現(xiàn)有換擋決策的問題
        2.3.2 SVM的選擇分析
        2.3.3 基于SVM學習模型的換擋決策過程
    2.4 本章小結(jié)
第3章 換擋決策SVM學習模型的構建
    3.1 SVM 理論
    3.2 支持向量機換擋決策學習基模型
    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)仿真實驗
    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 “一對多”多分類法
        4.1.2 “一對一”多分類法
        4.1.3 決策有向無環(huán)圖法
        4.1.4 二叉樹支持向量機
    4.2 基于粒子群算法的多分類SVM決策樹構造
        4.2.1 粒子群算法
        4.2.2 粒子群算法的改進策略
        4.2.3 基于改進粒子群算法的二叉樹構造
    4.3 換擋學習模型二叉樹結(jié)構優(yōu)化結(jié)果
    4.4 本章小結(jié)
第5章 環(huán)境特征參數(shù)和工況分類識別
    5.1 基于行駛阻力的環(huán)境特征參數(shù)
        5.1.1 實車負荷度的計算
        5.1.2 特殊環(huán)境對負荷度的影響分析
    5.2 基于學習的自適應行駛工況識別
    5.3 基于神經(jīng)網(wǎng)絡的行駛路段識別方法
        5.3.1 自適應共振理論人工神經(jīng)網(wǎng)絡
        5.3.2 基于ART2 網(wǎng)絡的行駛路段在線識別方法
    5.4 行駛工況在線仿真識別結(jié)果試驗
    5.5 本章小結(jié)
第6章 換擋決策增量學習方法
    6.1 增量學習概述
    6.2 增量學習訓練集的選擇
        6.2.1 增量訓練集的構成
        6.2.2 基于換擋點特征的更新訓練集選擇
    6.3 SVM增量算法
    6.4 增量訓練集的淘汰策略及其減量學習算法
        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 算法實驗結(jié)果
    6.6 換擋決策學習增量實驗
    6.7 本章小結(jié)
第7章 模型驗證及整車試驗
    7.1 整車試驗平臺
        7.1.1 試驗車輛與設備
        7.1.2 TCU系統(tǒng)
        7.1.3 試驗車輛控制信號驗證
    7.2 基于SVM的換擋學習模型實驗
        7.2.1 模型的訓練及驗證
        7.2.2 模型仿真驗證
    7.3 實車路試適應性實驗
    7.4 駕駛風格增量實驗
    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 未來工作及展望
參考文獻
攻讀博士期間發(fā)表的論文及科研成果
致謝



本文編號：3986083