為了降低建立發(fā)動機性能預(yù)測模型消耗的實驗成本,利用具有強大的非線性問題分析能力的機器學(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GDI(gasoline direct injection)渦輪增壓發(fā)動機性能。首先采用田口正交實驗法和拉丁超立方算法確定訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的操作點,然后基于僅包含25個樣本的相同訓(xùn)練數(shù)據(jù)訓(xùn)練模型,使用100組相同的測試數(shù)據(jù)測試GRNN和SVR的預(yù)測性能并進行了對比研究。對比分析表明,在實驗數(shù)據(jù)有限的情況下,GRNN有收斂到局部最小值的風(fēng)險,而SVR可以找到最優(yōu)的全局解,并具有良好的預(yù)測精度和泛化能力,因此SVR非常適合應(yīng)用于GDI渦輪增壓發(fā)動機性能預(yù)測,并將顯著降低實驗成本。

【文章頁數(shù)】：10 頁

【部分圖文】：

圖2三維分布圖

拉丁超立方取樣算法(Latinhypercubesampling,LHS)實驗設(shè)計方法是最常用的空間填充實驗設(shè)計算法之一,應(yīng)用LHS實驗設(shè)計方法可以用較少的試驗點覆蓋變量的工作空間,而所需的試驗點相比全因子實驗設(shè)計方法少很多[12]。因此應(yīng)用LHS實驗設(shè)計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個神經(jīng)元的學(xué)習(xí)樣本,yj(j=1,2,3,…,k)為輸入對應(yīng)的輸出,k為輸出的維度。1)輸入層的神經(jīng)元個數(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)測結(jié)果對比

通過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)測值與扭矩,油耗和排氣溫度的目標值如圖4所示。從圖4可以看出GRNN預(yù)測模型對于訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的預(yù)測效果。對于訓(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)測結(jié)果對比

表4SVR模型最優(yōu)懲罰參數(shù)和高斯核參數(shù)Table4OptimalpenaltyparametersandGausskernelparametersofSVRmodel預(yù)測項目Cσ扭矩22.05690.12684油耗35.23740.....

本文編號：3977912