汽车工程学报
汽車工程學報
기차공정학보
CHINESE JOURNAL OF AUTOMOTIVE ENGINEERING
2013年
5期
354-360
,共7页
刘鸿淼%罗德超%李鹏华%孟凡迪
劉鴻淼%囉德超%李鵬華%孟凡迪
류홍묘%라덕초%리붕화%맹범적
汽车尾气%自组织特征映射(SOM)%竞争学习%聚类分析
汽車尾氣%自組織特徵映射(SOM)%競爭學習%聚類分析
기차미기%자조직특정영사(SOM)%경쟁학습%취류분석
针对汽车尾气的非线性数据聚类问题,提出一种在自组织特征映射(Self-Organizing Map,SOM)下的聚类方法来评估汽车的排放水平.根据汽车在城区真实环境中的行驶速度设置SOM神经网络中的神经元个数,通过神经元之间拓扑相关的学习方式,自动形成具有数据原始属性的有序映射,实现不同排放水平的尾气数据聚类.为避免网络训练过程中出现训练死区的现象,竞争学习采用弹性邻域半径代替固定邻域半径,自适应地缩放学习区域.以某轻型车的THC和CO2排放数据为对象的数值试验结果表明,采用弹性邻域半径的SOM神经网络的聚类准确性优于采用固定邻域半径的SOM神经网络,能有效评估汽车尾气排放水平.
針對汽車尾氣的非線性數據聚類問題,提齣一種在自組織特徵映射(Self-Organizing Map,SOM)下的聚類方法來評估汽車的排放水平.根據汽車在城區真實環境中的行駛速度設置SOM神經網絡中的神經元箇數,通過神經元之間拓撲相關的學習方式,自動形成具有數據原始屬性的有序映射,實現不同排放水平的尾氣數據聚類.為避免網絡訓練過程中齣現訓練死區的現象,競爭學習採用彈性鄰域半徑代替固定鄰域半徑,自適應地縮放學習區域.以某輕型車的THC和CO2排放數據為對象的數值試驗結果錶明,採用彈性鄰域半徑的SOM神經網絡的聚類準確性優于採用固定鄰域半徑的SOM神經網絡,能有效評估汽車尾氣排放水平.
침대기차미기적비선성수거취류문제,제출일충재자조직특정영사(Self-Organizing Map,SOM)하적취류방법래평고기차적배방수평.근거기차재성구진실배경중적행사속도설치SOM신경망락중적신경원개수,통과신경원지간탁복상관적학습방식,자동형성구유수거원시속성적유서영사,실현불동배방수평적미기수거취류.위피면망락훈련과정중출현훈련사구적현상,경쟁학습채용탄성린역반경대체고정린역반경,자괄응지축방학습구역.이모경형차적THC화CO2배방수거위대상적수치시험결과표명,채용탄성린역반경적SOM신경망락적취류준학성우우채용고정린역반경적SOM신경망락,능유효평고기차미기배방수평.
