CN107908876A - 基于多尺度卷积神经网络的混合动力车辆工况预测方法 - Google Patents
基于多尺度卷积神经网络的混合动力车辆工况预测方法 Download PDFInfo
- Publication number
- CN107908876A CN107908876A CN201711137299.5A CN201711137299A CN107908876A CN 107908876 A CN107908876 A CN 107908876A CN 201711137299 A CN201711137299 A CN 201711137299A CN 107908876 A CN107908876 A CN 107908876A
- Authority
- CN
- China
- Prior art keywords
- operating mode
- neural networks
- convolutional neural
- time series
- working condition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Feedback Control In General (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本发明涉及一种基于多尺度卷积神经网络的混合动力车辆工况预测方法,其特征在于包括内容如下:步骤1):将原始的车辆工况时间序列进行减少采样率和低频滤波处理,相应得到新的关于车辆工况的时间序列;步骤2):基于多频率的关于工况的时间序列和多尺度的关于工况的时间序列数据来构造不同的卷积神经网络,得到相应工况的特征数据集;步骤3):得到的相应工况的特征数据集进行深度串联得到新的特征数据集,并利用新的特征数据集构造一个全卷积神经网络,采用全卷积神经网络完成车辆工况类型预测。本发明可以提取工况数据的不同尺度和频率的特征,有利于提高车辆类型预测的准确性。
Description
技术领域
本发明涉及一种混合动力车辆的工况类型预测方法,特别是关于一种基于多尺度卷积神经网络的混合动力车辆工况预测方法,属于混合动力车辆控制技术领域。
背景技术
随着全球石油资源越来越短缺和政府部门对车辆排放的限制越来越严格,混合动力车辆越来越多地出现在汽车市场。混合动力的特有结构为车辆的节能减排提供了新的可能性,因此需要对整车的能量分配进行优化,也就是所谓车辆的能量管理策略的研究。
车辆的能量管理策略往往依赖于未知的未来工况类型,所以需要对车辆的工况类型进行预测。现有的工况预测方法,需要先提取工况数据的特征然后进行工况分类。此类方法需要大量的试验和调试,大大增加了整个过程的工作量。
发明内容
针对上述问题,本发明的目的是提供一种将特征提取和分类过程融合在一起的基于多尺度卷积神经网络的混合动力车辆工况预测方法,能够减少特征值选取带来的工作量。
为实现上述目的,本发明采取以下技术方案:一种基于多尺度卷积神经网络的混合动力车辆工况预测方法,其特征在于包括内容如下:步骤1)将原始的车辆工况时间序列进行减少采样率和低频滤波处理,得到相应的关于车辆工况的时间序列;步骤2)基于不同的关于工况的时间序列序列数据构造不同的卷积神经网络,得到相应工况的特征数据集;步骤3)将相应工况的特征数据集进行深度串联得到新的特征数据集,并利用新的特征数据集构造全卷积神经网络,采用全卷积神经网络完成车辆工况类型预测。
进一步地,所述步骤1)将原始的车辆工况时间序列进行减少采样率和低频滤波处理,得到相应的关于车辆工况的时间序列的具体过程为:步骤1.1):获取原始的混合动力车辆工况时间序列,假设有N个车辆工况时间序列i=1,2,…,N,其中,表示时刻j时刻的速度,yi表示车辆工况Vi所对应的类型,yi在有限个正整数中取值,每个不同的正整数代表不同的车辆工况类型;步骤1.2)将的一部分数据进行减少采样率处理,即每隔k个点保留一个采样点,相应得到多频率的关于工况的时间序列;步骤1.3)将的另一部分数据采用移动平均的低频滤波处理方法处理,相应得到多尺度的关于工况的时间序列。
进一步地,所述步骤2)基于不同的关于工况的时间序列序列数据构造不同的卷积神经网络,得到相应工况的特征数据集,具体过程为:步骤2.1)构造局部神经网络中的卷积层,其中,卷积层的过滤器的大小均相同;步骤2.2)构造局部神经网络中的池化层,其中,池化层采用最大池化来处理数据,并且池化大小和步长都取m/3,其中,m表示经过卷积层后输出的时间序列的长度;步骤2.3)根据卷积层和池化层的参数设置,构造局部卷积神经网络,得到相应工况的特征数据集。
进一步地,所述步骤3)将相应工况的特征数据集进行深度串联得到新的特征数据集,并利用新的特征数据集构造全卷积神经网络,采用全卷积神经网络完成车辆工况类型预测的具体过程为:步骤3.1)将采用不同局部神经网络得到的关于工况的特征集采用深度串联的方法得到新的特征数据集;步骤3.2)构造全卷积神经网络的卷积层;步骤3.3)构造全卷积神经网络的池化层;步骤3.4)构造全连接层;步骤3.5)输出层采用softmax类型的激活函数;步骤3.6)通过新构造的全卷积神经网络输出车辆工况类型的概率分布,完成车辆工况类型预测。
本发明由于采取以上技术方案,其具有以下优点:1、本发明将车辆工况的特征提取和工况的分类结合在一起,而不需要进行基于专家经验的特征提取,因此本发明可以提取工况数据的不同尺度和频率的特征,有利于提高车辆类型预测的准确性。2、相对现有的需要先提取工况数据的特征然后进行工况分类,本发明的能够减少特征值选取带来的工作量,节省了调试和实验的时间,有效提高了工作效率。
附图说明
图1是本发明的混合动力车辆工况预测方法流程图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
如图1所示,本发明提供的基于多尺度卷积神经网络的混合动力车辆工况预测方法,包括三个阶段:
一、第一阶段为转换阶段:
转换阶段主要将原始的车辆工况时间序列(本发明实施例中原始的车辆工况时间序列是指车辆在每一时刻下采集的速度值)进行减少采样率和低频滤波处理,相应得到新的关于车辆工况的时间序列,具体过程为:
1、获取原始的混合动力车辆工况时间序列,假设有N个车辆工况时间序列i=1,2,…,N,其中,采样频率为100Hz,表示时刻j时刻的速度,yi表示车辆工况Vi所对应的类型,yi在有限个正整数中取值,每个不同的正整数代表不同的车辆工况类型,具体选取可以是根据具体的工况分类进行确定,例如选取1表示是车辆拥挤的工况,选取2表示车辆流畅的工况。
2、对原始的混合动力车辆工况时间序列的一部分数据进行减少采样频率处理得到多频率的关于工况的时间序列,同时对原始的混合动力车辆工况时间序列的另一部分数据进行低频过滤处理,得到多尺度的关于工况的时间序列,具体过程为:
2.1)将的一部分数据进行减少采样率处理,即每隔k个点保留一个采样点,可以定义k=100,200,…,在此不做具体限定,可以根据实际需要进行设置,得到多频率的关于工况的时间序列。
2.2)将的另一部分数据进行低频滤波处理,本发明采用移动平均的低频滤波处理方法形成新的时间序列,也就是针对不同的窗口长度l,得到新的时间序列i=1,2,…,n-l+1,其中,n表示向量Vi中分量的个数。这里,根据窗口长度l的取值不同,得到多尺度的关于工况的时间序列。
二、第二阶段为构造局部卷积神经网络阶段,将第一阶段得到的基于多频率的关于工况的时间序列和多尺度的关于工况的时间序列数据来构造不同的卷积神经网络,得到相应工况的特征数据集。构造卷积神经网络可以根据需要采用现有的算法进行构造,具体过程不做赘述,本发明局部卷积神经网络的构造过程为:
1、构造局部神经网络中的卷积层,其中,卷积层的过滤器的大小都取一样的大小。目的是为了减少需要待定的参数,从而减少计算量。
2、构造局部神经网络中的池化层,其中,池化层采用最大池化来处理数据,并且池化大小和步长都取m/3,其中,m表示经过卷积层后输出的时间序列的长度。
3、根据卷积层和池化层的参数设置,构造局部卷积神经网络,得到相应工况的特征数据集。
三、第三阶段是全卷积神经网络阶段,此阶段将第二阶段得到的相应工况的特征数据集进行深度串联得到新的特征数据集,并利用新的特征数据集构造一个全卷积神经网络,并采用全卷积神经网络完成车辆工况类型预测,具体过程为:
1、将采用不同局部神经网络得到的关于工况的特征集采用深度串联的方法得到新的特征数据集,深度串联方法可以采用现有的方法,在此对其过程不再赘述。
2、构造此卷积神经网络的卷积层,卷积层的构造方法可以根据具体的数据情况采用现有方法。
3、构造此卷积神经网络的池化层,本发明的池化层采用最大池化来处理数据,池化大小由具体数据决定,在此不再赘述。
4、构造全连接层,全连接层的构造与传统的神经网络层的构造方法相同,在此不做赘述。
5、输出层采用softmax类型的激活函数。
6、通过全卷积神经网络输出各种工况类型的概率分布,完成车辆工况类型预测。
上述各实施例仅用于说明本发明,其中方法的各实施步骤等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (4)
1.一种基于多尺度卷积神经网络的混合动力车辆工况预测方法,其特征在于包括内容如下:
步骤1)将原始的车辆工况时间序列进行减少采样率和低频滤波处理,得到相应的关于车辆工况的时间序列;
步骤2)基于不同的关于工况的时间序列序列数据构造不同的卷积神经网络,得到相应工况的特征数据集;
步骤3)将相应工况的特征数据集进行深度串联得到新的特征数据集,并利用新的特征数据集构造全卷积神经网络,采用全卷积神经网络完成车辆工况类型预测。
2.如权利要求1所述的基于多尺度卷积神经网络的混合动力车辆工况预测方法,其特征在于,所述步骤1)将原始的车辆工况时间序列进行减少采样率和低频滤波处理,得到相应的关于车辆工况的时间序列的具体过程为:
步骤1.1):获取原始的混合动力车辆工况时间序列,假设有N个车辆工况时间序列其中,表示时刻j时刻的速度,yi表示车辆工况Vi所对应的类型,yi在有限个正整数中取值,每个不同的正整数代表不同的车辆工况类型;
步骤1.2)将的一部分数据进行减少采样率处理,即每隔k个点保留一个采样点,相应得到多频率的关于工况的时间序列;
步骤1.3)将的另一部分数据采用移动平均的低频滤波处理方法处理,相应得到多尺度的关于工况的时间序列。
3.如权利要求1所述的基于多尺度卷积神经网络的混合动力车辆工况预测方法,其特征在于,所述步骤2)基于不同的关于工况的时间序列序列数据构造不同的卷积神经网络,得到相应工况的特征数据集,具体过程为:
步骤2.1)构造局部神经网络中的卷积层,其中,卷积层的过滤器的大小均相同;
步骤2.2)构造局部神经网络中的池化层,其中,池化层采用最大池化来处理数据,并且池化大小和步长都取m/3,其中,m表示经过卷积层后输出的时间序列的长度;
步骤2.3)根据卷积层和池化层的参数设置,构造局部卷积神经网络,得到相应工况的特征数据集。
4.如权利要求1所述的基于多尺度卷积神经网络的混合动力车辆工况预测方法,其特征在于,所述步骤3)将相应工况的特征数据集进行深度串联得到新的特征数据集,并利用新的特征数据集构造全卷积神经网络,采用全卷积神经网络完成车辆工况类型预测的具体过程为:
步骤3.1)将采用不同局部神经网络得到的关于工况的特征集采用深度串联的方法得到新的特征数据集;
步骤3.2)构造全卷积神经网络的卷积层;
步骤3.3)构造全卷积神经网络的池化层;
步骤3.4)构造全连接层;
步骤3.5)输出层采用softmax类型的激活函数;
步骤3.6)通过新构造的全卷积神经网络输出车辆工况类型的概率分布,完成车辆工况类型预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711137299.5A CN107908876A (zh) | 2017-11-16 | 2017-11-16 | 基于多尺度卷积神经网络的混合动力车辆工况预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711137299.5A CN107908876A (zh) | 2017-11-16 | 2017-11-16 | 基于多尺度卷积神经网络的混合动力车辆工况预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107908876A true CN107908876A (zh) | 2018-04-13 |
Family
ID=61844355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711137299.5A Pending CN107908876A (zh) | 2017-11-16 | 2017-11-16 | 基于多尺度卷积神经网络的混合动力车辆工况预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107908876A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733909A (zh) * | 2018-05-16 | 2018-11-02 | 中国科学院遥感与数字地球研究所 | 一种冰盖融化区探测方法 |
CN109543643A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 基于一维全卷积神经网络的载波信号检测方法 |
CN110398370A (zh) * | 2019-08-20 | 2019-11-01 | 贵州大学 | 一种基于hts-cnn模型的轴承故障诊断方法 |
CN114419341A (zh) * | 2022-01-20 | 2022-04-29 | 大连海事大学 | 一种基于迁移学习改进的卷积神经网络图像识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法 |
CN104970789A (zh) * | 2014-04-04 | 2015-10-14 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及*** |
CN105551036A (zh) * | 2015-12-10 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种深度学习网络的训练方法和装置 |
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
-
2017
- 2017-11-16 CN CN201711137299.5A patent/CN107908876A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法 |
CN104970789A (zh) * | 2014-04-04 | 2015-10-14 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及*** |
CN105551036A (zh) * | 2015-12-10 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种深度学习网络的训练方法和装置 |
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
CUI ZHICHENG 等: "Multi-Scale Convolutional Neural Networks for Time Series", 《COMPUTER VISION AND PATTERN RECOGNITION(CS.CV)》 * |
曾祥瑞: "具有实时运算潜力的并联混合动力汽车模型预测控制", 《汽车安全与节能学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733909A (zh) * | 2018-05-16 | 2018-11-02 | 中国科学院遥感与数字地球研究所 | 一种冰盖融化区探测方法 |
CN109543643A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 基于一维全卷积神经网络的载波信号检测方法 |
CN109543643B (zh) * | 2018-11-30 | 2022-07-01 | 电子科技大学 | 基于一维全卷积神经网络的载波信号检测方法 |
CN110398370A (zh) * | 2019-08-20 | 2019-11-01 | 贵州大学 | 一种基于hts-cnn模型的轴承故障诊断方法 |
CN110398370B (zh) * | 2019-08-20 | 2021-02-05 | 贵州大学 | 一种基于hts-cnn模型的轴承故障诊断方法 |
CN114419341A (zh) * | 2022-01-20 | 2022-04-29 | 大连海事大学 | 一种基于迁移学习改进的卷积神经网络图像识别方法 |
CN114419341B (zh) * | 2022-01-20 | 2024-04-26 | 大连海事大学 | 一种基于迁移学习改进的卷积神经网络图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908876A (zh) | 基于多尺度卷积神经网络的混合动力车辆工况预测方法 | |
Guo et al. | Hierarchical neural architecture search for single image super-resolution | |
CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
CN109102064A (zh) | 一种高精度的神经网络量化压缩方法 | |
CN115249332B (zh) | 基于空谱双分支卷积网络的高光谱图像分类方法及设备 | |
CN111178318A (zh) | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 | |
CN110210620A (zh) | 一种用于深度神经网络的通道剪枝方法 | |
CN103310481A (zh) | 一种基于模糊熵迭代的点云精简方法 | |
CN104504389A (zh) | 一种基于卷积神经网络的卫星云量计算方法 | |
CN108304786A (zh) | 一种基于二值化卷积神经网络的行人检测方法 | |
CN104467739B (zh) | 一种带宽、中心频点可调的数字滤波器及其实现方法 | |
CN110321959A (zh) | 一种多光谱图像信息和cnn的煤矸识别方法 | |
CN106844636A (zh) | 一种基于深度学习的非结构化数据处理方法 | |
CN110765582B (zh) | 基于马尔可夫链的自组织中心K-means微电网场景划分方法 | |
Zhu et al. | Change detection based on the combination of improved SegNet neural network and morphology | |
CN114282711A (zh) | 一种融入时频分析的光伏短期发电量预测方法 | |
CN104462456A (zh) | 基于生活数据处理的大数据*** | |
CN107527140A (zh) | 一种基于模糊隶属度的高速列车运行工况确定方法 | |
CN106981194B (zh) | 一种高速路网关键路段的识别方法 | |
CN112751633B (zh) | 一种基于多尺度窗口滑动的宽带频谱检测方法 | |
CN113888505A (zh) | 一种基于语义分割的自然场景文本检测方法 | |
CN113807366A (zh) | 一种基于深度学习的点云关键点提取方法 | |
Yuan et al. | Enas4d: Efficient multi-stage cnn architecture search for dynamic inference | |
CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
CN111260049A (zh) | 一种基于国产嵌入式***的神经网络实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |
|
RJ01 | Rejection of invention patent application after publication |