文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 高等教育 > 农学 > 基于支持向量机的道路坡度实时预测方法试验
侵权投诉

基于支持向量机的道路坡度实时预测方法试验

16农业机械学报2014年

0.6、0.8、1m,高(分别为0.4、对应坡道底长均为

4.06m)的爬坡试验数据中提取得到。具体方法如下:每次试验数据参数包括发动机输出扭矩、转速、车速、纵向加速度、道路坡度5个参数;挑选4次试验数据,提取每次试验数据文件的第一行组成学习样本的前4行;依次再取4次试验数据的其余奇数最终得行按同样顺序排列并添加到学习样本中去,

到学习样本。提取任意一次试验数据的偶数行作为测试样本。模型泛化能力验证样本取坡高分别为0.5、0.7、0.9m的爬坡试验数据。实车试验样本通过对山区道路工况数据获得,山区道路坡度相对较大。截取若干段具有代表性的原始试验数据,从中提取SVM学习样本和测试样

具体提取方法与仿真试验数据提取方法相同。本,

模型的泛化能力验证样本选取几段同一次山区道路试验的数据。

对所有样本进行归一化处理,以避免因输入元素大小范围不同而对输出贡献的影响,同时提高计算速度。模型预测的道路坡度数据需要进行反归一化处理,其映射关系系数与归一化处理时相同。2.4

支持向量机算法实现

选用的LibSVM的Matlab版和LabVIEW版工

JenLin)教授等开发的,具箱是由台湾林智仁(Chih-用于SVM模式识别与回归,具有学习速度快、模型

[14]

参数少的特点。本研究选择的核函数为RBF径向基函数。基于Matlab平台,安装LibSVM工具箱,运用svmtrain函数对学习样本进行学习得到道路坡度回归模型,运用svmpredict函数和测试样本得到道路坡度估计值,将其与测试样本中道路坡度进行比较确定模型估计精确性。

SVM方法学习建模时需要优化惩罚系数c和核函数参数g,目前国际上还没有形成统一的模式,本研究采用交叉验证方法,具体为:先从参数范围中选取数据确定二维网格平面,再对每个数据对运用SVM)计算其学习误差,最小二乘支持向量机(LS-能满足精度要求并且学习误差最小的参数对就是最优解。

3.2

图5

Fig.5

道路坡度数据小波滤波结果

RoadslopefilteringresultusingwaveletmethodFig.4

图4

传感器与测试仪器实物图

3.移

Picturesofsensorsandtestinstruments

5.CAN收发器Kvaser

1.基准站GPS天线2.基准站接收机和数据中心服务器动站GPS天线4.移动站GPS接收机6.差分信息通讯CDMA模块

试验中得到的道路坡度和纵向加速度含有较多

15]中的噪声,不便于SVM建模学习。采用文献[的小波滤波方法对道路坡度和纵向加速度数据进行

处理,其中道路坡度处理结果如图5所示

基于支持向量机的道路坡度实时预测方法试验

。

CarSim仿真试验数据测试

SVR算法对道路坡度进行回归预测。选用ε-该算法中参数ε值反映了估计值与测量值的偏差,ε取值越大,需要的支持向量个数越少,模型预测实时性越高。表1是基于CarSim试验数据得到的不同εSVR算法参数优化结果。其中均方误差M值下ε-和平方相关系数R为

1

M=

n

n

^i)2(yi-y∑i=1R=^i∑yiy∑i=1i=1

i=1

2

i

n

n

n

(3)

3

3.1

试验与结果分析

^iyi-n∑y

i=1

实车试验与数据预处理

基于某国产乘用车,搭建如图2所示的道路试验测试系统,部分实物如图4所示。试验时将基站

[式中

^-n∑y

i=1

2

i

(

^i∑y

i=1

)][n∑y-(∑y)]

2

2

i=1

i

(4)

yi———道路坡度实车试验测试值^i—y——道路坡度SVM模型预测值

搭建在安徽农业大学机电工程园,并构建数据中心

服务器,试验车行驶测试在合肥市郊山区进行。试验中没有数据丢包现象,差分龄期都在4s以内,GPS定位精度和标称值一致

基于支持向量机的道路坡度实时预测方法试验

。

均方误差越大,平方相关系数越小,预测效果越差。

上一页第3页

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email