[發明專利]一種基于RS-BP神經網絡的汽車發動機油耗預測方法

在審

• 申請號: 201910445020.2
• 申請日: 2019-05-27
• 公開（公告）號: CN110245390A
• 公開（公告）日: 2019-09-17
• 發明（設計）人: 葛化敏;薛志威;祝天培
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 劉傳玉

1.一種基于RS-BP神經網絡的汽車發動機油耗預測方法，其特征在于，包含以下步驟：

步驟1)，采集汽車發動機試驗數據，包含發動機的扭矩、轉速、油門的開度、燃油溫度、和發動機油耗；

步驟2)，對采集的汽車發動機實驗數據進行數據歸一化處理；

步驟3)，構建RS-BP神經網絡模型；

步驟3.1)，將汽車發動機試驗數據按各個屬性對應的區間劃分規則進行編碼，獲得汽車發動機試驗數據決策表；

步驟3.2)，約簡屬性，將汽車發動機試驗數據決策表定義為一個四元組：

S＝(U,C∪D,V,f)

式中，U為論域；C∪D為屬性集，C為條件屬性；D為決策屬性；V＝UV_α(α∈C∪D)；V_α為屬性α的值域；f為論域與值域之間的信息函數；γ_c(D)＝|pos_c(D)|/|U|，pos_c(D)表示屬性D關于屬性C的正域，γ_c(D)衡量了根據條件屬性C能正確劃分的比例；對于當pos_{C-R}(D)＝pos_c(D)，則稱R為C中D不必要的，否則為必要的；若P為條件屬性集C的一個非空子集，當滿足pos_P(D)＝pos_C(D)且pos_R(D)≠pos_C(D)，任意則稱P為關于D的屬性約簡集；

步驟3.3)，以遺傳算法為工具，對汽車發動機試驗數據決策表進行約簡：

步驟3.3.1)，由公式γ_c(D)＝|pos_c(D)|/|U|計算出決策屬性D({d₁,d₂,d₃,…d_i})對條件屬性C({c₁,c₂,c₃,…c_j})的依賴度γ_C(d)；

步驟3.3.2)，定義reduct(C)＝C-{c_j}為條件屬性C的約簡集，將條件屬性c_j逐個剔除，考察γ_reduct(C)(d)和γ_C(d)大小關系，若相等，則終止計算；若不等，執行步驟3.3.3)；

步驟3.3.3)，運用染色體編碼技術，根據以下公式將每個條件屬性以二進制字符串{0,1}的形式對每個個體編碼，1表示此條件屬性屬于該個體，0表示此條件屬性不屬于該個體；得到每個個體的適應度F(r)：

F(r)＝(l-l_τ)/l+γ_C(d)

式中，l_τ為編碼1的染色體個數，l為條件屬性個數；初始種群由Pop_size個長度為|C|(剩余條件屬性個數)的二進制個體組成，Pop_size＝2^|C|；

步驟3.3.4)，計算下一代種群每個個體的適應度，根據輪盤賭規則進行選擇，采用交叉概率P_c來描述交叉點處部分染色體交換概率，采用變異概率P_m來描述某位等位屬性編碼值反轉概率；

步驟3.3.5)，復制最優個體進入下一代種群，考察其適應度，若適應度不再變化或迭代步數達數值限制量Maxgen，輸出最優個體，否則跳轉執行3.3.4)；

步驟3.4)，利用粗糙集理論對汽車發動機試驗數據進行預處理，剔除不相關屬性后獲得約簡樣本空間，以簡化輸入變量；將約簡樣本空間輸入BP神經網絡進行訓練，得到RS-BP神經網絡模型；

步驟4)，用已構建的RS-BP神經網絡拓撲模型進行訓練學習，得到訓練好的RS-BP神經網絡模型；

步驟5)，運用好訓練好的RS-BP神經網絡模型，將需要進行發動機油耗預測的汽車的扭矩、轉速、油門的開度、燃油溫度輸入其中，獲得該汽車的耗油預測量。

2.根據權利要求1所述的基于RS-BP神經網絡的汽車發動機油耗預測方法，其特征在于，所述步驟2)中采用min-max法對數據進行歸一化處理，公式為：

式中，X表示歸一化之前的汽車發動機實驗數據，X^*表示歸一化之后的汽車發動機實驗數據，max為汽車發動機實驗數據的最大值，min為汽車發動機實驗數據最小值。