[发明专利]一种基于RS-BP神经网络的汽车发动机油耗预测方法

摘要

本发明公开了一种基于RS‑BP神经网络的汽车发动机油耗预测方法，首先采集汽车发动机试验数据，包含发动机的扭矩、转速、油门的开度、燃油温度、和发动机油耗；然后对采集的汽车发动机实验数据进行数据归一化处理，构建RS‑BP神经网络模型；接着训练RS‑BP神经网络模型；最后，将需要进行发动机油耗预测的汽车的扭矩、转速、油门的开度、燃油温度输入其中，获得该汽车的耗油预测量。本发明弥补了现有的汽车发动机油耗数据说服力的不足，更加全面的收集数据，克服数据维数的不足，尽量使数据全面化。

主权项

1.一种基于RS‑BP神经网络的汽车发动机油耗预测方法，其特征在于，包含以下步骤：步骤1)，采集汽车发动机试验数据，包含发动机的扭矩、转速、油门的开度、燃油温度、和发动机油耗；步骤2)，对采集的汽车发动机实验数据进行数据归一化处理；步骤3)，构建RS‑BP神经网络模型；步骤3.1)，将汽车发动机试验数据按各个属性对应的区间划分规则进行编码，获得汽车发动机试验数据决策表；步骤3.2)，约简属性，将汽车发动机试验数据决策表定义为一个四元组：S＝(U,C∪D,V,f)式中，U为论域；C∪D为属性集，C为条件属性；D为决策属性；V＝UV_α(α∈C∪D)；V_α为属性α的值域；f为论域与值域之间的信息函数；γ_c(D)＝|pos_c(D)|/|U|，pos_c(D)表示属性D关于属性C的正域，γ_c(D)衡量了根据条件属性C能正确划分的比例；对于当pos_{C‑R}(D)＝pos_c(D)，则称R为C中D不必要的，否则为必要的；若P为条件属性集C的一个非空子集，当满足pos_P(D)＝pos_C(D)且pos_R(D)≠pos_C(D)，任意则称P为关于D的属性约简集；步骤3.3)，以遗传算法为工具，对汽车发动机试验数据决策表进行约简：步骤3.3.1)，由公式γ_c(D)＝|pos_c(D)|/|U|计算出决策属性D({d₁,d₂,d₃,…d_i})对条件属性C({c₁,c₂,c₃,…c_j})的依赖度γ_C(d)；步骤3.3.2)，定义reduct(C)＝C‑{c_j}为条件属性C的约简集，将条件属性c_j逐个剔除，考察γ_reduct(C)(d)和γ_C(d)大小关系，若相等，则终止计算；若不等，执行步骤3.3.3)；步骤3.3.3)，运用染色体编码技术，根据以下公式将每个条件属性以二进制字符串{0,1}的形式对每个个体编码，1表示此条件属性属于该个体，0表示此条件属性不属于该个体；得到每个个体的适应度F(r)：F(r)＝(l‑l_τ)/l+γ_C(d)式中，l_τ为编码1的染色体个数，l为条件属性个数；初始种群由Pop_size个长度为|C|(剩余条件属性个数)的二进制个体组成，Pop_size＝2^|C|；步骤3.3.4)，计算下一代种群每个个体的适应度，根据轮盘赌规则进行选择，采用交叉概率P_c来描述交叉点处部分染色体交换概率，采用变异概率P_m来描述某位等位属性编码值反转概率；步骤3.3.5)，复制最优个体进入下一代种群，考察其适应度，若适应度不再变化或迭代步数达数值限制量Maxgen，输出最优个体，否则跳转执行3.3.4)；步骤3.4)，利用粗糙集理论对汽车发动机试验数据进行预处理，剔除不相关属性后获得约简样本空间，以简化输入变量；将约简样本空间输入BP神经网络进行训练，得到RS‑BP神经网络模型；步骤4)，用已构建的RS‑BP神经网络拓扑模型进行训练学习，得到训练好的RS‑BP神经网络模型；步骤5)，运用好训练好的RS‑BP神经网络模型，将需要进行发动机油耗预测的汽车的扭矩、转速、油门的开度、燃油温度输入其中，获得该汽车的耗油预测量。