一、BP神经网络在车辆制动性能预测中的应用(论文文献综述)
郝伟[1](2021)在《基于PHM技术的高速动车组关键部件智能检修理论与方法研究》文中进行了进一步梳理随着我国高速动车组运行速度的提高和运用规模的增长,动车组运营安全和保障技术挑战日趋突出。故障预测与健康管理(Prognostics and Health Management,PHM)作为一种设备健康管理技术,可以实现设备状态监控、异常预测、故障诊断、维修预测和维修决策等功能。为了提升高速动车组安全保障能力、降低检修成本、提高检修效率,本文将高速动车组检修业务和PHM技术深度融合,探索基于PHM技术的高速动车组关键部件智能检修理论与方法。重点研究基于风险预判防范的部件状态预测、故障诊断技术,以及基于固定修程计划预防的部件维修预测和维修决策技术,为动车组检修模式从“计划修”向“计划修+预测性维修”转变提供理论依据和技术支撑。主要研究内容包括以下四个方面:(1)针对高速动车组关键部件服役环境复杂、故障模式多样背景下的状态异常预测问题,提出一种在线监测与多隐藏层神经网络预测相结合的方法。该方法对高速动车组关键部件轴承开展状态在线监测,采集动车组齿轮箱轴承、牵引电机驱动端轴承等8类关键位置累计约30000公里样本数据,分析不同温度条件、不同运行状态各区间的轴承温度变化规律,研究轴承温度与时间、行驶特征的相关性,通过多隐藏层神经网络预测方法预判部件健康状况。实验结果表明,与常见方法相比,轴承温度预测精度提升显着,MAPE均在3%以内,RMSE在1以内。(2)针对高速动车组关键部件故障样本数据少导致的识别精度问题,提出一种面向非均衡数据的优化在线序贯极限学习机故障诊断方法。该方法采用K-Means SMOTE方法和基于欧氏距离的欠采样方法重构样本数据集,并利用非均衡数据分类评价函数作为适应度函数,全局寻优故障诊断模型参数,构建故障诊断模型。同时,准确分类的数据作为序贯样本持续更新诊断模型。以实际运营的动车组轴箱轴承数据为样本进行验证,结果表明,与已有方法相比,G-mean值提高了6.9%以上,F1-measure值提高了9%以上。(3)针对高速动车组高级修计划中的运行里程难以预测的问题,提出一种基于经验模态分解与优化深度学习的里程预测算法。该方法采用经验模态分解方法将里程时间序列分解为高低频时间序列,通过构建优化深度置信网络预测模型计算里程预测结果,实现对高级修时间窗的预测。以动车组3年的运行数据为样本,分析样本周期对预测结果的影响,确定里程预测模型的样本周期,实验结果表明,所提方法相对于传统预测方法,MSE降低23.9%以上,MAE降低22%以上,RMSE降低12.7%以上,可作为编制动车组高级修计划的有效依据。(4)针对检修需求非均衡导致的检修资源空置和挤兑、动车组利用率低等问题,提出一种基于粒子群算法的高级修计划优化方法。该方法综合分析动车组高级修计划的影响因素,建立基于损失里程、检修能力和节假日检修天数的高级修计划评价指标,并将评价指标作为粒子群算法适应度函数,构建高级修计划优化模型,全局寻优检修计划方案。实验结果表明,所提方法与传统高级修计划编制方法相比,评价指标降低35.9%,编制耗时大幅减少。本文从关键部件安全保障和能力保持两个方面展开研究,构建智能检修模型,通过动车组实际运营数据和真实业务场景,验证了所提方法的有效性。本文包含图70幅,表35个,参考文献153篇。
赵明静[2](2021)在《基于公共安全视角的城市物流风险分析及预测研究》文中研究说明我国城镇化人口超过60%,城市成为人口的主要聚集地,城市中各类要素高频流动的需求带动城市物流的蓬勃发展,同时城市物流公共安全事件呈现出多样性、复杂性、紧迫性和不确定性等特点,城市公共安全、经济社会运行秩序和人民生命财产安全受到严重威胁。为实现城市物流公共安全风险的有效治理,一方面需要认清城市物流运营对公共安全影响较大的风险因素,完善治理方案,另一方面需要对现实困境进一步分析,归纳当前城市物流公共安全事件的发生特征及规律,进而构建高效且精细的城市物流公共安全风险治理方案。以前的物流企业为保证物流运营安全,大多采取加强监管、安全宣传等传统手段。但是,巨大的人力和物力等资源的耗费给物流企业增加较大的经济负担。虽然目前物流风险研究领域已存在大量的理论思想与方法,但是仍亟需解决很多现实问题。目前的物流风险管理研究过度依赖经验判断和专家知识,风险分析方法理论研究需要继续完善;此外,由于事故数据记录没有统一的规范,导致数据的结构化程度不同,如何对非结构化以及半结构化的数据进行风险分析成为当前研究的热点问题之一。基于以上问题,本文依据风险管理理论的流程,完成的主要工作有:(1)统计分析2008~2020年城市物流公共安全事故。分别对事故类型、事故时间、风险源、后果等多个角度作统计,并结合死亡人数、事故等级等指标对事故特征进行分析,详细梳理事故风险因素及相关规律,使后续风险因素集的建立有据可依;(2)利用文献法与业务流程分析法对事故风险因素进行识别,建立风险因素候选集,采用NASA-TXL量表法得到各因素权重,在风险发生概率和风险损失程度两个属性下利用逼近于理想值的排序法对候选风险因素的重要性程度进行筛选梳理,建立最终的关键风险因素集。并对风险因素的独立性进行检验,为后续建立贝叶斯网络评估模型奠定基础;(3)提出了改进的Apriori算法快速挖掘频繁项集,设计出标准化的公共安全视角下的城市物流风险因素关联规则挖掘流程,运用数据分析和处理等手段,基于建立的关键风险因素集,对统计的235起事故进行分析,共得到374条风险因素关联规则,并对高支持度关联规则、高置信度关联规则以及所有关联规则进行可视化展示。通过可视化结果可以得出城市物流风险因素关联规则呈现显着的聚集特征;(4)基于解释结构模型建立贝叶斯网络的初始结构,通过因果映射方法进行改进建立最终的贝叶斯网络动态风险评估模型。利用贝叶斯网络的推理功能对风险进行结果评估及原因推理,通过敏感度分析,揭示了“人-车-货”是造成事故的重要因素,结果表明贝叶斯网络在提升城市快递物流作业能力、规避公共安全风险方面是有效的。(5)提出了粒子群算法与广义回归神经网络算法相结合的风险等级预测模型优化方法。将模型预测结果与BP神经网络算法预测结果对比,结果显示PSOGRNN模型具有预测准确率高、稳定性高、误差较小的优点,对风险等级进行预测并提前相应的风险防控机制,降低事故造成的人民生命财产损失。本文共有图53幅,表49个,参考文献144篇。
聂浩[3](2021)在《考虑交通信息的插电式混合动力汽车智能能量管理策略研究》文中进行了进一步梳理汽车保有量的增加使得环境污染和交通压力逐渐加剧。而新能源汽车凭借其低排放的优势,成为解决环境危机的一种有效方案。插电式混合动力汽车(Plug-in Hybrid Electric Vehicle,PHEV)作为新能源汽车的代表车型,其大容量动力电池和低排量发动机的相互配合能够解决其他车型里程焦虑和排放的问题。但随着路况复杂度的提升,PHEV的经济性能受交通因素的影响也会增大。近些年智能网联技术在汽车行业得到广泛应用,因此探究车联网技术下PHEV多动力源的智能优化控制对于改善其燃油经济性至关重要。本文围绕交通信息对PHEV的速度预测和能量管理问题的影响展开研究。本文首先分析所研究PHEV的工作模式,并基于内燃发动机、电机、动力电池等核心部件数学模型及整车纵向动力学模型,在MATLAB/Simulink中建立车辆物理模型,构建控制策略仿真验证平台。然后在VISSIM中分别建立简单和复杂两种交通流模型,以反映不同类型的行驶路况。两种模型下分别获取目标车辆车速,前车车速及车距三种车联网信息。为了探究车联网信息对于未来短时速度预测的影响,本文依据几种信息间的相互作用关系,设计了级联式神经网络车速预测器。仿真结果表明,在简单路况下,该预测模型具有较高的预测精度,在复杂路况下,其对于交通因素随机变化的适应性较强,网络泛化能力好。在上述内容基础上,本文进一步以深度强化学习方法作为滚动时域优化的解法器,建立了基于深度强化学习的模型预测控制策略,阐述了深度强化学习的基本原理并利用该算法设计了全局优化策略。针对深度强化学习的优势及模型预测控制的不足,本文将两者结合实现短时预测时域内的转矩优化分配。以不同的标准工况和实际工况分别对所提出策略、全局优化及ECMS策略进行仿真,对比分析三者SOC变化范围和燃油经济性,验证所提出策略的有效性。在此基础上分别对不同预测方法和不同车联网信息下控制策略的优化效果进行分析。结果表明在考虑多种交通信息下所设计策略的燃油经济性明显好于传统方法。
张靖[4](2021)在《基于ARIMA和BP神经网络的高速列车轴承温升预测方法研究》文中研究表明轴承作为高速列车安全运行中的重要零部件,所处的服役环境复杂,容易造成磨损、裂纹、剥落等故障,从而给高速列车的运营安全带来很大的威胁,因此对高速列车轴承状态进行实时监测至关重要。目前主要使用车载轴温实时监测系统对轴承的温度变化进行监测,通过设置预警报警阈值来进行预警,从而采取补救措施,有效的避免轴热、燃油而引起的危险事故。由于高速列车运行的工况较为复杂,影响轴承温升的因素较多,且现有的轴温监测系统误报漏报现象频发。因此,本文基于高速列车电机定子、小齿轮箱轴承和大齿轮箱轴承温度的相关数据,对高速列车轴承温升预测方法进行研究,从而达到有效保障高速列车的运行安全,减小维修成本等目的。主要研究内容如下:(1)首先,建立了基于ARIMA时间序列分析的高速列车轴温预测模型。由于ARIMA模型建模只考虑了该高速列车轴承历史温度数据,通过历史温度数据来对未来温度数据进行预测,且高速列车轴承温度数据具有复杂性,使ARIMA时间序列分析模型在高速列车轴承温度预测中存在一定的局限性。从预测结果可以看出时间序列分析模型对轴承温度进行静态预测时的预测效果最为理想,在动态预测时,随着预测步长的增加,预测数据的滞后性越来越明显,延迟不断增大,预测的性能随之降低。(2)其次,建立了基于BP神经网络的高速列车轴温预测模型。从轴承温升原理出发,确定影响轴温变化的敏感因素。根据轴承历史相关数据,建立数据样本。根据BP神经网络算法,确定BP神经网络的网络层数、隐含层的节点数以及网络层之间传递函数的选取,根据数据样本集进行归一化处理后对模型进行训练,建立基于BP神经网络的高速列车轴承温度预测模型。最后采用该模型对高速列车三类轴承温度实测数据进行预测,对其预测误差结果进行分析,结果表明基于BP神经网络的高速列车轴温预测模型预测效果比较理想且泛化能力较好。(3)最后,综合上述两种方法的优点建立了基于ARIMA-BP神经网络优化的高速列车轴温预测模型。为保证高速列车轴承温度的高预测精度,本文将ARIMA预测模型与BP神经网络预测模型相结合,采用ARIMA预测模型对BP神经网络预测的误差进行矫正,进一步提高了预测精度,优化了温度预测模型,采用ARIMA-BP神经网络优化的高速列车轴温预测模型对高速列车三类轴承温度序列进行预测分析,结果表明优化预测模型可以有效改善单一模型预测时的误差积累,从而进一步提高了高速列车三类轴承温度序列的整体预测效果。
钱洪玥[5](2021)在《基于广义回归神经网络的二手车价值评估研究》文中提出随着我国二手车市场的蓬勃发展,二手车交易量不断增长,一个合理有序的二手车评估市场以及规范的二手车评估平台有助于我国二手车交易市场和二手车评估行业的健康可持续发展。我国的二手车交易市场主要使用的还是重置成本法等传统二手车评估方法,传统的二手车评估方法有诸多弊端,比如计算出的结果不够客观,不能够被交易双方所认可和接受,这就启发我们寻找一种更加准确客观的评估方法应用于二手车交易市场中,促进二手车行业健康发展。本文首先总结了在二手车交易市场上国内外所应用的二手车评估方法的不同,根据人工神经网络在各个专业领域处理数据以及预测的优良表现,提出并明确了应用广义回归神经网络模型进行二手车评估的研究意义。其次,基于特征价格理论选取了8个因素作为模型指标进行二手车价值评估研究,在对各类神经网络的计算过程和预测过程进行对比分析后选择建立广义回归神经网络模型进行二手车价值评估的新方法。最后,应用MATLAB软件处理在二手车交易市场上所收集到的二手车交易数据,根据样本数据创建广义回归神经网络模型和BP网络模型。在二手车交易市场上选取实际案例,分别用广义回归神经网络模型、BP网络模型、传统重置成本法、传统现行市价法对其进行评估并对比评估结果,验证了广义回归神经网络模型在二手车价值评估应用中具有更高的可行性和准确性。
王玙[6](2020)在《现代有轨电车车载混合储能系统能量管理策略及容量配置优化研究》文中研究表明现代有轨电车具有编组灵活、造价低廉、外形美观等优点,已成为了城市轨道交通的重要组成部分。近年来,现代有轨电车的新型无接触网供电技术得到日益广泛的应用,其中,车载储能式供电是广受欢迎的无接触网供电方式之一。本文以兼具高功率密度与高能量密度的电池-超级电容车载混合储能供电技术为对象开展相关研究,主要研究内容如下:(1)为了充分发挥电池与超级电容优势互补的特点,本文提出了一种基于电池与超级电容能量交互的固定功率比例分配策略。该策略在传统的规则策略的基础上,考虑有轨电车部分区间能耗大的运行需求,在超级电容电压低于设定阈值的情况下,进入电池主动状态,实现电池与超级电容之间的能量转移,使混合储能系统实现稳定的高功率输出,并能够有效降低储能系统的配置重量。(2)提出了现代有轨电车混合储能系统能量管理策略与容量配置的三步式协同优化方法。第一步为能量管理策略的改进,即基于能量交互的固定功率比例分配策略的提出。第二步为能量管理策略参数的多目标优化,通过拆解优化过程,清晰地展现能量管理策略与容量配置的联系和对系统性能的影响,克服了通过优化算法进行单步配置易陷入局部最优的缺陷。第三步为容量配置的最终优化,基于优化后的策略参数,通过改进的粒子群算法得到电池寿命与系统重量的多目标最优配置结果。本文通过案例仿真分析,验证了该配置方法的优势。同时,为了解决前期设计中计算效率低的问题,本文开发了一套能量管理策略与容量配置优化软件,可快速完成车载储能系统容量配置优化及能量管理策略验证,并基于该软件,进行了参考供电方式的快速分析。(3)提出了有轨电车的运行工况构建方法,并进行了有轨电车行驶工况的区域性特征分析。有轨电车具有多路权模式、线路固定、运行灵活的特点,兼具城轨车辆与非轨道交通车辆的运行特性。本文借鉴电动汽车的工况分析方法,通过主成分分析及K-均值聚类构建有轨电车的行驶工况,把有轨电车的工况分成了拥堵工况、畅通工况与高速工况三类。同时,基于有轨电车运行规则性强的特点,根据线路条件对有轨电车运行区域进行划分,并通过数据统计进行各工况下的短行程归属分析,判断各区域是否具有明显的工况特征。通过工况构建与区域划分,能够利用有轨电车的运行特点对混合储能系统进行深度优化,进一步提升供电系统的运行效率,实现电气化铁路节能的目标。(4)为了实现混合储能系统的效率提升和电池的寿命延长,本文提出了具有实时优化效果的工况自适应的能量管理策略。工况自适应策略由滚动优化策略和规则型策略组成,其中滚动优化策略通过小波神经网络进行有轨电车的状态预测,并基于动态规划算法进行功率分配的优化。工况自适应策略充分利用了有轨电车运行过程中的工况分析成果与区域性特征,结合了规则型策略和算法型策略的优点,既能够接近全局最优策略的优化效果,又能够实现对策略的简化,保证混合储能系统的稳定运行,方便工程应用。(5)为了验证本文的研究内容,搭建了90k W电池-超级电容混合储能样机,基于本文所提出的运行策略与充电策略,对混合储能系统进行了控制方案的设计与实验,验证系统的动态特性。并对本文所提出的能量管理策略进行了实验验证,证明策略的有效性和工程应用价值。
侯兆凯[7](2020)在《高速公路交通事故严重程度GA-BP预测方法研究》文中提出近些年我国车辆指数增长,交通资源与车辆之间的供需矛盾日益加剧,交通事故频发,各界人士都密切关注并渴望解决这一难题。随着人工智能快速发展与国家政策导向,对高速公路交通事故进行深入探讨,研究构建交通事故智能预测方法,对后期研发交通事故智能监测预测、预警与处理等智能化系统具有重要意义。基于高速公路交通安全现状,本文首先从事故影响因素分析与交通事故智能预测方法两方面分析已有研究成果,提出了用BP神经网络和遗传算法智能预测高速公路交通事故严重程度。其次,明确了我国交通事故的定义和交通事故严重程度划分依据,依据交通系统中人、车、路、环境四要素的相互作用机理与云南省K高速公路交通事故的历史数据,全面系统地分析了高速公路交通事故严重程度的影响因素,采用极值统计思想量化了初步整理指标,采用主成分分析法简化与选取了特征指标。然后,基于神经网络和遗传算法的特点与不足,提出了采用遗传算法优化BP神经网络结构的权值和阈值完成建模,给出了详细的参数设计与建模过程,并在MATLAB完成了高速公路交通事故GA-BP神经网络预测模型的实现。最后,选取云南省K高速公路对交通事故智能预测方法进行验证,对事故数据进行处理、筛选分类后,312条事故数据用于模型基本结构的设计与学习训练,100条事故数据用于验证模型。结果表明:模型预测值与实际事故严重程度基本吻合,预测准确率高达95%;采用遗传算法优化后的BP神经网络均方误差由1.89×10-4降低到5.37×10-5。本文的研究成果可以用于后期交通事故实时监测与预测,方便交通事故的提前预警、及时干预、优化处理等,也为交通事故智能监测预测、预警与处理等智能化系统的实现奠定基础。
钟煜一[8](2020)在《基于动态预警数据的公交车辆安全运行及风险评估研究》文中研究表明近年来,随着我国经济社会的快速发展,由公交车辆引发的交通事故日益频发。为了减少公交事故发生的数量,提高公交运营的安全性,相关部门在公交车辆安装了智能化的预警系统,对公交车辆运行安全状态进行动态监测,进而有效预防交通事故的发生。因此,如何利用既有的车辆预警数据,科学系统的评估公交车辆的运行风险,对于避免和减少人员伤亡和财产损失具有一定的现实意义。论文的主要工作及结论如下:(1)针对我国公共交通发展趋势、安全管理现状和车辆监管技术在公交安全管理中的应用情况,分别从公交车辆运行安全管理、交通安全评价与分析和交通安全事故预测三个方面进行了梳理分析,指出合理利用预警大数据对于提升公交车辆安全监管水平的重要意义。(2)分别从人、车、路、环境四个方面,研究了公交安全运行的关联因素,介绍了镇江公交预警系统的主要功能、安装情况、系统平台的构成以及公交车辆安全运行的监管方法。(3)基于镇江公交预警数据,分析了不同天气、不同路段、不同时段、不同驾驶员特性等条件下的公交车辆预警特征,应用k-means聚类算法将不同驾驶倾向性的驾驶员分为了三种类型,利用预警数据探究各因素变化对公交预警的影响机理,为公交车辆安全运行风险评估模型的建立奠定了基础。(4)以镇江公交的运行数据为分析样本,提取了天气、时间、速度、年龄、驾龄、性别、学历共7个重要的变量,利用BP神经网络原理,通过对参数进行调整,不断对数据样本进行训练,并分别建立了驾驶员疲劳风险预测模型和车辆异常状态风险预测模型,实现对驾驶员疲劳驾驶、车辆异常状态风险的预测研判和公交车辆运行风险的事前防控。(5)基于层次分析法构建了公交车辆安全运行风险评估模型,综合运用公交车辆预警数据,对公交车辆运行风险进行量化评估,提出了不同组合因素情形下的公交车辆运行风险特征值,评价方法可在公交车辆运行风险状态动态评估中进行实际运用。
李炜[9](2020)在《基于电参数的制动液含水率检测方法研究》文中研究表明制动液是液压制动系统中传递制动压力的介质,在汽车的安全行驶中起着重要的作用,制动液含水率的检测是保证制动液是否合格的重要技术。为此研究一种能够快速准确检测制动液含水率的方有重要的理论研究意义和使用价值。本文首先设计了含水率检测系统的下位机和上位机,并通过实验验证了该检测系统的可靠性与正确性,并通过实验完成了制动液电参数的采集。利用采集到的电参数,采用BP神经网络、支持向量机和极限学习机等三种机器学习方法,构建了制动液含水率与电参数之间的非线性映射关系,完成了对制动液含水率的预测实验。实验结果表明BP神经网络的回归预测总体均方误差为0.002,决定系数R值为0.9574,分类精度为86.1%;支持向量机的回归预测总体均方误差为0.0043,决定系数R值为0.9662,分类精度为94.4%;极限学习机的回归预测总体均方值为0.009,决定系数R值为0.8778,分类精度为88.9%。进一步又采用长短期神经网络和堆栈稀疏自编码器完成了对制动液含水率的预测实验。实验结果表明长短期神经网络的回归预测大致为一条直线,将所有样本的含水率都预测成了一个值,将样本都分为了一类,说明长短期神经网络不适用于此类数据的预测分析。SAE优化后仅有极限学习机的预测效果变好,均方误差变小、分类精度变高;BP神经网络的预测效果反而变差,总体均方误差变大,拟合优度变小,但分类精度有所提升;而支持向量机预测效果严重变差,拟合优度为极低的0.0949,均方误差也变大为0.05,几乎无法对含水率进行预测。通过样条插值法对数据进行扩充后,三个模型的预测效果都有所提升,其中SAE+BP、SAE+SVM、SAE+ELM的均方误差分别为0.0081、0.0159、0.0004,分类精度分别为96.3%、88.9%、95.4%。从实验结果可以得知SAE+ELM模型的回归预测效果较好,SAE+BP模型的分类效果较好,准确率达到了96.3%。表明检测系统能够满足制动液含水率检测的要求。
周恒平[10](2020)在《电动汽车驾驶员制动意图识别方法研究》文中进行了进一步梳理当前汽车工业面临着能源与环境的种种挑战,各国政府以及汽车企业都开始大力发展电动汽车。虽然电动汽车污染少、效率高、绿色可持续的优势明显,但目前仍存在着初始成本高和续驶里程短的问题。再生制动系统中,通过制动意图识别制动状态为制动力控制提供依据,从而回收制动能量,是电动汽车的一条重要的节能途径。同时,准确识别驾驶员意图是汽车一系列电子控制系统稳定工作的关键,对汽车工业实现电控化、网联化、智能化的发展具有重要的意义。在项目“基于能量再生的电动汽车机电协调制动控制研究”中,为了更准确、实时地识别驾驶员制动意图,实现稳定的再生制动功能,本文通过研究车辆行驶状况和驾驶员操作特性,对制动意图进行分类表征;通过分析再生制动系统结构和理论,对特征参数进行了选取;最后,基于神经网络模型提出了一种驾驶员制动意图的识别方法,并验证了模型的识别效果。论文主要进行了以下研究工作:综合分析驾驶员制动意图的识别理论基础,其识别的实质是一种模式的识别,通过对比四种典型的模式识别方案选择神经网络模式识别作为制动意图识别的理论方法。在电动汽车制动过程中,驾驶员制动意图是制定相应的复合制动控制策略的重要依据。分析了再生制动结构原理,能量回收潜力和影响因素,以及电动机控制策略的特性。并研究了制动意图类别与制动系统参数之间的关联。根据不同工况下各个典型意图的特点,模拟试验获取特征参数数据,基于制动踏板位移及其变化率两个参数建立了驾驶员制动意图的BP神经网络识别模型。基于邻域成分分析和极限学习机算法优化制动意图模型的识别速率与精度。首先,对制动相关的特征参数进行邻域成分分析,选取制动踏板位移及其变化率和制动踏板力三个识别参数。然后,运用极限学习机理论建立包含单隐层神经网络的制动意图识别模型。最后,优化模型并利用试验数据验证模型识别准确率达到95.56%,用时为0.18s,表明极限学习机优化的制动意图模型具有较好的识别准确率和实时性。最后根据项目的总体目标要求,将优化的驾驶员制动意图识别模型嵌入到再生制动系统中,设计基于制动意图的再生制动台架试验方案评估模型对于能量回收的效果。
二、BP神经网络在车辆制动性能预测中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、BP神经网络在车辆制动性能预测中的应用(论文提纲范文)
(1)基于PHM技术的高速动车组关键部件智能检修理论与方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
主要符号对照表 |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 动车组关键部件状态检测和故障诊断研究现状 |
1.2.2 动车组检修计划与检修决策研究现状 |
1.2.3 主要存在的问题 |
1.3 研究内容 |
1.4 组织结构 |
2 高速动车组关键部件检修业务与PHM技术分析 |
2.1 高速动车组关键部件检修业务 |
2.1.1 计划修 |
2.1.2 预测性维修 |
2.1.3 关键部件检修业务分析 |
2.2 PHM技术 |
2.2.1 PHM体系结构 |
2.2.2 极限学习机 |
2.2.3 支持向量机 |
2.2.4 神经网络 |
2.2.5 深度学习 |
2.2.6 PHM技术分析 |
2.3 本章小结 |
3 高速动车组轴承温度信息在线监测与预测 |
3.1 问题背景 |
3.2 相关研究 |
3.3 动车组轴承温度在线监测 |
3.4 动车组轴承温度预测模型 |
3.4.1 多隐藏层神经网络 |
3.4.2 轴承温度预测模型 |
3.5 实验与分析 |
3.5.1 数据描述 |
3.5.2 评价指标 |
3.5.3 实验结果分析 |
3.6 本章小结 |
4 基于优化极限学习机的非均衡数据故障诊断 |
4.1 问题背景 |
4.2 相关研究 |
4.3 基于优化极限学习机的非均衡数据故障诊断模型 |
4.3.1 优化的极限学习机 |
4.3.2 非均衡数据处理策略 |
4.3.3 优化的故障诊断模型 |
4.4 实验与分析 |
4.4.1 数据描述 |
4.4.2 评价指标 |
4.4.3 实验结果分析 |
4.5 本章小结 |
5 基于优化深度学习的动车组高级修计划预测 |
5.1 问题背景 |
5.2 相关研究 |
5.3 高级修计划时间模型及里程预测分析 |
5.3.1 高级修计划时间模型 |
5.3.2 里程预测分析 |
5.4 基于EMD与优化深度学习的动车组里程预测模型 |
5.4.1 经验模态分解 |
5.4.2 优化的深度学习预测模型 |
5.4.3 动车组里程预测模型 |
5.5 实验与分析 |
5.5.1 数据描述 |
5.5.2 评价指标 |
5.5.3 时序数据分解 |
5.5.4 实验结果分析 |
5.6 本章小结 |
6 基于粒子群算法的动车组高级修计划优化 |
6.1 问题背景 |
6.2 相关研究 |
6.3 高级修计划模型 |
6.3.1 模型设计难点 |
6.3.2 模型设计思路 |
6.3.3 数学模型 |
6.4 基于粒子群算法的高级修计划模型优化 |
6.4.1 粒子群算法 |
6.4.2 基于粒子群算法的高级修计划模型 |
6.5 实验与分析 |
6.5.1 数据描述 |
6.5.2 实验结果分析 |
6.6 本章小结 |
7 结论与展望 |
7.1 主要结论 |
7.2 主要创新点 |
7.3 工作展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(2)基于公共安全视角的城市物流风险分析及预测研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外相关研究综述 |
1.2.1 物流风险研究综述 |
1.2.2 事故模型综述 |
1.2.3 主要存在问题 |
1.3 研究内容与研究方法 |
1.3.1 研究问题界定 |
1.3.2 研究内容 |
1.3.3 研究思路及方法 |
1.4 本章小结 |
2 相关理论基础及事故统计分析 |
2.1 城市物流系统概述 |
2.1.1 城市物流系统的概念 |
2.1.2 城市物流系统的特征 |
2.1.3 城市物流系统的体系结构 |
2.1.4 城市物流系统的复杂性 |
2.2 风险的相关理论 |
2.2.1 风险的基本概念 |
2.2.2 风险管理概述 |
2.3 城市物流公共安全事故统计分析 |
2.3.1 城市物流公共安全事故因果连锁理论 |
2.3.2 城市物流公共安全事故统计分析 |
2.4 本章小结 |
3 公共安全视角下的城市物流风险因素分析 |
3.1 风险因素分析 |
3.1.1 风险因素分析流程 |
3.1.2 风险因素识别方法 |
3.1.3 风险因素评价方法 |
3.1.4 城市物流公共安全领域风险因素分析 |
3.2 风险因素识别 |
3.2.1 文献法识别 |
3.2.2 业务流程分析法识别 |
3.2.3 城市物流公共安全风险因素集 |
3.3 关键风险因素集的构建 |
3.3.1 关键风险因素集构建的基本流程 |
3.3.2 关键风险因素集构建原则 |
3.3.3 关键风险因素的选择 |
3.4 本章小结 |
4 风险因素关联规则挖掘和可视化分析 |
4.1 风险因素关联规则挖掘方法 |
4.1.1 关联规则挖掘方法 |
4.1.2 快速挖掘频繁项集的VS_Apriori算法 |
4.1.3 关联规则挖掘流程 |
4.2 风险分析、数据分析和处理 |
4.2.1 风险分析 |
4.2.2 数据分析 |
4.2.3 数据处理 |
4.3 风险因素关联规则挖掘 |
4.3.1 高支持度关联规则 |
4.3.2 高置信度关联规则 |
4.4 风险因素关联规则的可视化分析 |
4.4.1 高支持度关联规则可视化分析 |
4.4.2 高置信度关联规则可视化分析 |
4.4.3 所有关联规则的可视化分析 |
4.5 本章小结 |
5 公共安全视角下的城市物流动态风险评估 |
5.1 贝叶斯网络概述 |
5.1.1 贝叶斯网络原理 |
5.1.2 参数学习 |
5.1.3 结构学习 |
5.1.4 贝叶斯网络推理 |
5.2 解释结构模型概述 |
5.3 基于贝叶斯网络的城市物流公共安全风险评估 |
5.3.1 初始网络构建 |
5.3.2 网络结构改进 |
5.3.3 贝叶斯网络模型的确定 |
5.4 动态风险评估贝叶斯网络模型应用 |
5.4.1 后验概率分析 |
5.4.2 敏感度分析 |
5.5 本章小结 |
6 公共安全视角下的城市物流风险预测研究 |
6.1 城市物流公共安全风险预测方法 |
6.1.1 广义回归神经网络理论概述 |
6.1.2 粒子群算法概述 |
6.1.3 PSO-GRNN预测模型概述 |
6.1.4 模型性能评价标准 |
6.2 基于PSO-GRNN的城市物流风险预测模型 |
6.2.1 数据准备 |
6.2.2 基于PSO-GRNN算法的风险预测 |
6.2.3 预测结果分析 |
6.3 城市物流风险预防及控制措施 |
6.3.1 风险预防措施 |
6.3.2 风险控制措施 |
6.4 本章小结 |
7 研究结论与展望 |
7.1 主要结论 |
7.2 研究创新点 |
7.3 研究展望 |
参考文献 |
附录A 物流公共安全事故详表 |
附录B 物流公共安全风险因素评估调查问卷 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(3)考虑交通信息的插电式混合动力汽车智能能量管理策略研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.2 插电式混合动力汽车研究现状 |
1.2.1 PHEV发展现状 |
1.2.2 PHEV动力结构分类 |
1.3 车速预测研究现状 |
1.4 PHEV能量管理策略研究现状 |
1.4.1 基于规则的能量管理策略 |
1.4.2 基于优化的能量管理策略 |
1.4.3 智能能量管理策略 |
1.5 本文主要研究内容 |
第2章 插电式混合动力汽车模型搭建 |
2.1 PHEV车辆构型 |
2.2 PHEV工作模式分析 |
2.3 PHEV整车模型分析及搭建 |
2.3.1 发动机模型 |
2.3.2 电机模型 |
2.3.3 动力电池模型 |
2.3.4 变速箱、车轮及离合器模型 |
2.3.5 车辆动力学模型 |
2.4 本章小结 |
第3章 考虑交通信息的车速预测方法研究 |
3.1 车速预测方法构建思路 |
3.2 基于VISSIM的交通流建模 |
3.2.1 交通流建模原理及过程 |
3.2.2 交通流模型仿真结果 |
3.3 基于级联式神经网络的车速预测仿真结果 |
3.3.1 简单交通路况下的预测结果 |
3.3.2 复杂交通路况下的仿真结果 |
3.4 本章小结 |
第4章 基于深度强化学习的PHEV能量管理策略 |
4.1 强化学习算法简介 |
4.2 深度强化学习能量管理策略设计 |
4.2.1 深度强化学习算法概述 |
4.2.2 贪婪算法及深度网络的设计 |
4.2.3 经验池重放及策略模型设计 |
4.3 仿真研究 |
4.4 本章小结 |
第5章 考虑交通信息的PHEV模型预测控制策略 |
5.1 模型预测控制基本理论介绍 |
5.2 基于深度强化学习的模型预测控制策略 |
5.2.1 基于深度强化学习的模型预测控制策略建立 |
5.2.2 MPC控制策略求解过程 |
5.3 基于深度强化学习的模型预测控制策略仿真结果 |
5.4 考虑交通信息的PHEV模型预测控制能量管理策略 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 全文总结 |
6.2 进一步展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
学位论文评阅及答辩情况表 |
(4)基于ARIMA和BP神经网络的高速列车轴承温升预测方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及其意义 |
1.2 国内外研究现状 |
1.2.1 神经网络预测研究现状 |
1.2.2 时间序列分析预测方法研究现状 |
1.2.3 组合预测研究现状 |
1.3 研究框架 |
2 研究基础与相关理论 |
2.1 高速列车轴温实时监测系统 |
2.1.1 轴温传感器 |
2.1.2 轴温实时检测系统工作原理 |
2.1.3 轴温预警报警机制 |
2.2 数据预处理 |
2.3 数据相关性分析 |
2.4 模型预测误差评价指标 |
2.5 本章小结 |
3 基于时间序列分析的高速列车轴温预测 |
3.1 时间序列分析理论 |
3.1.1 定义 |
3.1.2 时间序列相关概念 |
3.1.3 时间序列相关检验 |
3.2 时间序列模型 |
3.2.1 自回归(AR)模型 |
3.2.2 移动平均(MA)模型 |
3.2.3 自回归移动平均(ARMA)模型 |
3.2.4 差分自回归移动平均(ARIMA)模型 |
3.3 基于ARIMA模型的预测步骤 |
3.4 高速列车轴承温度的ARIMA模型预测分析 |
3.4.1 平稳性分析 |
3.4.2 ARIMA模型识别 |
3.4.3 ARIMA模型参数估计 |
3.4.4 ARIMA模型的显着性检验 |
3.4.5 ARIMA模型选择和评价 |
3.4.6 ARIMA模型预测 |
3.5 本章小结 |
4 基于BP神经网络的高速列车轴温预测 |
4.1 轴承温升影响因素相关性分析 |
4.2 人工神经网络的基本原理 |
4.3 BP神经网络的基本原理 |
4.3.1 BP神经网络的基本概述 |
4.3.2 BP神经网络的算法公式 |
4.4 基于BP神经网络的高速列车轴温预测 |
4.4.1 数据处理 |
4.4.2 BP神经网络结构设计 |
4.4.3 高速列车轴承温度的BP神经网络模型预测分析 |
4.5 本章小结 |
5 基于ARIMA和 BP神经网络的优化组合预测模型 |
5.1 基于ARIMA模型的温度预测误差矫正 |
5.1.1 数据与处理 |
5.1.2 模型辨识 |
5.1.3 误差预测 |
5.2 基于ARIMA误差优化的BP神经网络轴温预测分析 |
5.3 本章小结 |
结论 |
致谢 |
参考文献 |
(5)基于广义回归神经网络的二手车价值评估研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景及意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 文献综述 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.2.3 文献述评 |
1.3 研究内容和方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
2 二手车价值评估的特征理论分析 |
2.1 特征价格理论的基础及应用 |
2.1.1 特征价格理论的基础 |
2.1.2 特征价格理论的应用 |
2.2 二手车特征价格的属性分析 |
2.2.1 特征价格指数 |
2.2.2 二手车特征价格属性的选取 |
3 广义回归神经网络理论基础 |
3.1 人工神经网络 |
3.1.1 神经网络的发展状况 |
3.1.2 神经网络的基本概念 |
3.1.3 选择适用于二手车价值评估研究的神经网络 |
3.2 径向基神经网络 |
3.2.1 径向基神经网络的结构 |
3.2.2 径向基神经网络的映射 |
3.3 广义回归神经网络 |
3.3.1 GRNN的基本结构 |
3.3.2 GRNN的预测算法 |
4 GRNN在二手车价值评估中的实证研究 |
4.1 GRNN模型用于二手车价值评估的可行性分析 |
4.2 二手车价值评估指标的选取 |
4.3 实证分析 |
4.3.1 样本数据收集与处理 |
4.3.2 GRNN模型的创建 |
4.3.3 BP模型的创建 |
4.3.4 GRNN模型与BP模型的对比 |
4.4 案例分析 |
4.5 小结 |
5 研究结论与展望 |
5.1 研究结论 |
5.2 展望 |
致谢 |
参考文献 |
附录 Ⅰ 汽车品牌量化打分数据表 |
附录 Ⅱ 车型级别量化打分数据表 |
附录 Ⅲ 城市级别量化打分数据表 |
附录 Ⅳ 技术状况量化打分数据表 |
附录 Ⅴ 车辆图片及基本信息 |
个人简历、在学期间发表的学术论文及取得的研究成果 |
(6)现代有轨电车车载混合储能系统能量管理策略及容量配置优化研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景和意义 |
1.2 车载储能式有轨电车的国内外研究现状 |
1.2.1 车载混合储能系统的容量配置 |
1.2.2 车载混合储能系统的能量管理策略 |
1.3 论文内容及章节安排 |
2 能量管理策略与容量配置协同优化 |
2.1 储能系统特性及建模 |
2.1.1 单体特性及建模 |
2.1.2 混合储能系统拓扑选择 |
2.2 基于规则的能量管理策略 |
2.2.1 基于能量交互的固定功率比例分配策略 |
2.2.2 充电策略 |
2.3 容量配置协同优化 |
2.3.1 边界条件分析 |
2.3.2 容量配置优化过程 |
2.4 能量管理策略与容量配置协同优化仿真分析 |
2.4.1 输入条件 |
2.4.2 协同优化过程 |
2.4.3 配置结果及性能分析 |
2.5 车载混合储能系统配置优化及策略验证的软件开发 |
2.5.1 容量配置优化及能量管理策略验证软件 |
2.5.2 基于软件仿真的供电方式快速分析 |
2.6 本章小结 |
3 基于多路权模式的有轨电车运行工况构建 |
3.1 有轨电车路权分析 |
3.1.1 完全独立路权 |
3.1.2 半独立路权及信号优先原则 |
3.1.3 光谷线有轨电车路权介绍 |
3.2 国内外行驶工况研究现状 |
3.3 有轨电车行驶工况构建 |
3.3.1 有轨电车行驶工况构建方法 |
3.3.2 光谷线有轨电车行驶工况构建 |
3.4 行驶工况区域性特征分析 |
3.5 本章小结 |
4 基于线路预测的混合储能系统工况自适应优化控制 |
4.1 基于状态预测的有轨电车混合储能系统滚动优化策略 |
4.1.1 速度预测 |
4.1.2 滚动优化 |
4.2 工况自适应优化策略 |
4.3 工况自适应策略的仿真分析 |
4.4 本章小结 |
5 基于90kW混合储能样机的实验验证 |
5.1 90kW电池-超级电容混合储能样机 |
5.2 储能变流器控制方案设计 |
5.2.1 基于混合储能负载的DC/DC变换器小信号建模 |
5.2.2 基于电池负载的DC/DC变换器的控制参数计算 |
5.2.3 基于超级电容负载的DC/DC变换器的控制参数计算 |
5.3 混合储能系统控制方案验证 |
5.3.1 电池控制方案实验验证 |
5.3.2 超级电容控制方案实验验证 |
5.4 基于规则的能量管理策略实验验证 |
5.4.1 固定功率比例分配策略实验验证 |
5.4.2 基于能量交互的固定功率比例分配策略实验验证 |
5.4.3 充电策略实验验证 |
5.5 工况自适应策略的实验验证 |
5.6 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(7)高速公路交通事故严重程度GA-BP预测方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 事故特性与成因分析方面 |
1.2.2 人工智能在交通事故识别预测中的应用 |
1.2.3 小结 |
1.3 主要研究内容 |
1.4 技术路线 |
第二章 高速公路交通事故严重程度预测方法基础理论 |
2.1 神经网络基础知识 |
2.1.1 神经网络概述 |
2.1.2 神经网络基本结构 |
2.2 BP神经网络 |
2.2.1 BP神经网络特性 |
2.2.2 BP神经网络原理 |
2.2.3 BP神经网络的逼近能力与程序实现 |
2.2.4 BP神经网络的局限性与改进 |
2.3 遗传算法 |
2.3.1 遗传算法概述 |
2.3.2 遗传算法的基本概念 |
2.3.3 遗传算法原理与程序实现 |
2.3.4 遗传算法特点 |
2.4 本章小结 |
第三章 高速公路交通事故严重程度影响因素分析与指标选取 |
3.1 道路交通事故严重程度划分方法 |
3.2 高速公路交通事故严重程度影响因素分析 |
3.2.1 人的影响 |
3.2.2 车的影响 |
3.2.3 路的影响 |
3.2.4 环境的影响 |
3.3 高速公路交通事故严重程度指标量化与选取 |
3.3.1 变量量化方法 |
3.3.2 特征指标选取 |
3.4 本章小结 |
第四章 高速公路交通事故GA-BP神经网络预测模型构建 |
4.1 GA-BP神经网络建模思路 |
4.2 GA-BP神经网络模型构建 |
4.2.1 GA-BP神经网络样本准备 |
4.2.2 BP神经网络结构设计 |
4.2.3 遗传算法优化设计 |
4.2.4 GA-BP网络模型设计 |
4.3 基于MATLAB的 GA-BP网络模型实现 |
4.3.1 MATLAB的网络工具箱介绍 |
4.3.2 模型的MATLAB程序实现 |
4.4 本章小结 |
第五章 高速公路交通事故预测模型准确性验证 |
5.1 实例验证路段概况 |
5.2 事故数据收集与预处理 |
5.2.1 事故数据收集 |
5.2.2 事故数据预处理 |
5.3 高速公路交通事故预测模型设计 |
5.3.1 GA-BP神经网络结构设计 |
5.3.2 GA-BP神经网络训练函数设计 |
5.4 基于K高速事故验证数据集的预测模型验证 |
5.4.1 事故智能预测模型的准确性验证 |
5.4.2 遗传算法优化的有效性验证 |
5.5 本章小结 |
结论与展望 |
主要研究工作与结论 |
论文创新点 |
建议与展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
附录一 MATLAB实现代码 |
附录二 模型预测测试集 |
(8)基于动态预警数据的公交车辆安全运行及风险评估研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题来源 |
1.2 研究背景 |
1.3 国内外研究现状综述 |
1.3.1 国外研究概况 |
1.3.2 国内研究概况 |
1.3.3 研究现状总结 |
1.4 研究目标与内容 |
1.4.1 研究目标 |
1.4.2 研究内容 |
1.5 研究方法与技术路线 |
1.6 本章小结 |
第二章 公交车辆安全运行风险要素及监管方法 |
2.1 公交车辆安全运行风险因素分析 |
2.1.1 人的因素 |
2.1.2 车辆因素 |
2.1.3 道路因素 |
2.1.4 环境因素 |
2.2 公交车辆安全运行预警系统构建 |
2.2.1 主要设备及功能 |
2.2.2 预警系统概况 |
2.2.3 主要预警类型 |
2.3 公交车辆安全运行监管手段 |
2.3.1 安装预警设备 |
2.3.2 分析预警数据 |
2.3.3 实施运行监测 |
2.3.4 部署应急方案 |
2.4 本章小结 |
第三章 基于动态预警数据的公交运行风险演化特性分析 |
3.1 数据获取与清洗 |
3.1.1 数据获取 |
3.1.2 数据清洗 |
3.2 面向不同风险要素的公交车辆预警特性分析 |
3.2.1 天气状况 |
3.2.2 时间分布 |
3.2.3 空间分布 |
3.2.4 速度差异 |
3.2.5 驾驶员特征 |
3.3 基于k-means聚类算法的驾驶倾向性分析 |
3.3.1 聚类分析 |
3.3.2 聚类结果分析 |
3.4 本章小结 |
第四章 基于BP模型的公交车辆安全运行风险状态预测研究 |
4.1 模型选择 |
4.2 建模思路 |
4.2.1 BP神经网络的设计 |
4.2.2 函数选用 |
4.2.3 权值更新规则 |
4.2.4 BP神经网络训练步骤 |
4.3 数据来源 |
4.4 建模过程 |
4.4.1 数据预处理 |
4.4.2 公交车辆运行状态风险预测模型 |
4.5 模拟仿真 |
4.6 模型分析结论 |
4.7 本章小结 |
第五章 基于层次分析法的公交车辆安全运行风险评估研究 |
5.1 模型构建 |
5.1.1 公交车辆运行风险安全评价 |
5.1.2 构造判断矩阵 |
5.1.3 权值向量计算方法 |
5.1.4 层次单排序及一致性检验 |
5.2 判别矩阵构建及权重求解 |
5.2.1 疲劳驾驶预警风险度量分析 |
5.2.2 车辆异常状态预警风险度量分析 |
5.3 基于不同条件下的公交车辆安全运行风险评估 |
5.3.1 数据预处理 |
5.3.2 实例验证 |
5.3.3 天气和驾龄对公交运行风险的组合影响分析 |
5.3.4 时段和驾龄对公交运行风险的组合影响分析 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 主要结论与创新点 |
6.1.1 主要结论 |
6.1.2 创新点 |
6.2 研究展望 |
参考文献 |
附录 |
攻读学位期间取得的研究成果 |
致谢 |
(9)基于电参数的制动液含水率检测方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究的背景和意义 |
1.1.1 课题研究的背景 |
1.1.2 课题研究的目的和意义 |
1.2 国内外研究现状 |
1.3 本文的研究内容 |
第二章 制动液含水率检测系统设计 |
2.1 含水率检测的方法的提出 |
2.2 制动液含水率检测系统下位机设计 |
2.2.1 稳压电源模块设计 |
2.2.2 信号发生器模块设计 |
2.2.3 信号采集电路设计 |
2.3 制动液含水率检测系统上位机设计 |
2.4 本章小结 |
第三章 系统功能可行性验证实验与数据采集 |
3.1 信号发生器验证实验 |
3.2 系统下位机测量功能实验验证 |
3.2.1 系统下位机测量数据仿真验证 |
3.2.2 系统下位机数据测量 |
3.2.3 仿真结果与实验结果的对比 |
3.3 制动液含水量电参数采集实验 |
3.4 本章小结 |
第四章 基于三种机器学习模型的含水率预测 |
4.1 基于BP神经网络的预测实验 |
4.1.1 BP神经网络理论与模型 |
4.1.2 实验结果分析 |
4.2 基于支持向量机的预测实验 |
4.2.1 支持向量机理论与模型 |
4.2.2 实验结果分析 |
4.3 基于极限学习机的预测实验 |
4.3.1 极限学习机原理与模型 |
4.3.2 实验结果分析 |
4.4 本章小结 |
第五章 基于两种深度学习的含水率预测 |
5.1 基于长短期神经网络的预测实验 |
5.1.1 长短期神经网络原理与模型 |
5.1.2 实验结果分析 |
5.2 基于堆栈稀疏自编码器的预测实验 |
5.2.1 堆栈稀疏自编码器原理与模型 |
5.2.2 实验结果分析 |
5.3 六个模型的实验对比分析 |
5.4 数据扩充后六个模型的实验 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 主要研究内容与结论 |
6.2 展望 |
致谢 |
参考文献 |
附录A 信号发生器原理图 |
附录B 采集电路原理图 |
在学期间发表的论文和取得的学术成果 |
(10)电动汽车驾驶员制动意图识别方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 汽车制动系统发展现状 |
1.3 驾驶员制动意图研究现状 |
1.3.1 驾驶员制动意图国内研究现状 |
1.3.2 驾驶员制动意图国外研究现状 |
1.4 论文主要内容 |
1.5 本章小结 |
第二章 制动意图识别模式分析 |
2.1 模式识别概述 |
2.2 意图识别算法分类 |
2.2.1 模糊模式识别 |
2.2.2 统计模式识别 |
2.2.3 句法结构模式识别 |
2.2.4 人工神经网络模式识别 |
2.3 制动意图识别方法选择 |
2.4 本章小结 |
第三章 再生制动分析及制动意图试验设计 |
3.1 再生制动结构分析 |
3.2 再生制动系统策略 |
3.2.1 电机制动控制方案 |
3.2.2 考虑制动意图的复合控制策略 |
3.3 制动意图试验设计 |
3.3.1 驾驶模拟器搭建 |
3.3.2 制动试验工况设计 |
3.4 本章小结 |
第四章 基于BP神经网络的制动意图识别 |
4.1 驾驶行为分析及制动意图分类 |
4.2 特征参数选择 |
4.3 识别模型建立 |
4.3.1 BP神经网络识别原理 |
4.3.2 制动信号数据预处理 |
4.3.3 BP神经网络设计 |
4.4 模型训练及验证 |
4.4.1 模型训练 |
4.4.2 模型验证 |
4.5 本章小结 |
第五章 制动意图识别模型的优化分析 |
5.1 特征参数优化 |
5.1.1 邻域成分分析算法 |
5.1.2 特征参数权重 |
5.2 模型优化 |
5.2.1 识别算法分析 |
5.2.2 模型建立及优化 |
5.3 模型验证 |
5.4 本章小结 |
第六章 基于制动意图的再生制动台架试验方案 |
6.1 试验台架结构与功能 |
6.2 试验原理与方案 |
第七章 结论 |
7.1 结论 |
7.2 展望 |
参考文献 |
攻读学位期间取得的科研成果 |
致谢 |
四、BP神经网络在车辆制动性能预测中的应用(论文参考文献)
- [1]基于PHM技术的高速动车组关键部件智能检修理论与方法研究[D]. 郝伟. 北京交通大学, 2021
- [2]基于公共安全视角的城市物流风险分析及预测研究[D]. 赵明静. 北京交通大学, 2021(02)
- [3]考虑交通信息的插电式混合动力汽车智能能量管理策略研究[D]. 聂浩. 山东大学, 2021(12)
- [4]基于ARIMA和BP神经网络的高速列车轴承温升预测方法研究[D]. 张靖. 兰州交通大学, 2021(02)
- [5]基于广义回归神经网络的二手车价值评估研究[D]. 钱洪玥. 重庆理工大学, 2021(02)
- [6]现代有轨电车车载混合储能系统能量管理策略及容量配置优化研究[D]. 王玙. 北京交通大学, 2020(03)
- [7]高速公路交通事故严重程度GA-BP预测方法研究[D]. 侯兆凯. 长安大学, 2020(06)
- [8]基于动态预警数据的公交车辆安全运行及风险评估研究[D]. 钟煜一. 扬州大学, 2020(04)
- [9]基于电参数的制动液含水率检测方法研究[D]. 李炜. 重庆交通大学, 2020(01)
- [10]电动汽车驾驶员制动意图识别方法研究[D]. 周恒平. 太原理工大学, 2020