基于离散油膜模型的汽油机瞬态空燃比控制

为了解决进气管喷射汽油机在瞬态工况的空燃比控制问题,针对现有的发动机平均值模型,讨论了其中的油膜模型和油膜补偿器模型存在的问题和原因,建立了能直接用于微控制器的离散化油膜模型以及相应的油膜补偿器模型,用Matlab/Simulink对补偿效果进行仿真研究。结果表明,该模型能很好地补偿发动机瞬态工况的喷油量,把空燃比误差控制在允许的范围内,使发动机的动态响应更加迅速和平稳。     

电控喷射汽油机瞬态空燃比控制策略的研究

全面分析和研究了电控喷射汽油机瞬态空燃比的控制策略,包括基于观测器理论的空燃比控制策略以 及基于人工智能的空燃比控制策略。     

基于最小二乘支持向量机的公路工程造价预测模型

由于公路工程造价的影响因素错综复杂,且历史数据非常有限,使公路工程造价预测成为典型的小样本条件下非线性回归问题。针对传统的回归方法解决这类问题的不足,该文提出一种新型的公路工程造价预测模型。该模型基于最小二乘支持向量机的基本原理,结合公路工程的具体特征,实现了公路工程造价的智能化预测。新模型充分发挥了最小二乘支持向量机在解决有限样本及非线性回归问题中的优势,建立了较准确的预测模型,且训练速度较普通支持向量机更快。实证数据分析验证了本模型的有效性。     

基于小波网络逆系统的汽油机瞬态空燃比预测控制研究

为实现瞬态空燃比精确控制,提出基于小波网络逆系统的复合预测控制策略.利用小波网络辨识空燃比系统逆模型,实现对瞬态空燃比系统中进气量的动态前馈补偿,并将该逆系统与原系统串联构成一伪线性系统,然后结合动态矩阵控制对系统的扰动、误差等进行修正,实现对非线性、时滞、时变的瞬态空燃比系统的预测控制;最后利用瞬态工况试验数据进行仿...     

车用汽油机瞬态空燃比的混沌时序非线性组合辨识模型

为提高汽油机瞬态空燃比的辨识精度,提出了混沌时序非线性组合辨识模型.采用2种单项辨识方法,包括最小二乘支持向量机(LS-SVM)及径向基函数(RBF)前向型神经网络,分别对瞬态空燃比时间序列进行建模与辨识.采用非线性组合方法利用BP神经网络对2种单项辨识方法的结果进行组合辨识,并与Elman神经网络模型及最小二乘辨识模型进行比较.结果表明:混沌时序非线性组合辨识模型的辨识精度优于Elman神经网络模型及最小二乘辨识模型,具有更强的非线性辨识能力,能提高瞬态空燃比的辨识精度,为空燃比反馈控制的成功实行提供了有力依据.     

基于模型的汽油机过渡工况空燃比控制研究

针对汽油机过渡工况的空燃比控制精度问题,对装备FAI电喷系统的汽油机进气道内燃油动态特性现象学模型(X-τ模型)参数进行了标定,并分析了进气道温度、发动机转速和负荷对模型参数的影响。通过对汽油机过渡工况空燃比进行的基于模型的控制试验,验证了该方法可以有效满足汽油机对过渡工况空燃比快速响应、精确控制的要求。     

基于改进均值模型的汽油机瞬态空燃比控制研究

结合平均值模型(MVEM)和BP网络的优点,对平均值模型进行改进,将BP网络替代均值模型中经典X-τ油膜模型,对喷油脉宽进行辨识。将改进后的均值模型和原均值模型在SIMULNK中建模,研究结果表明,采用改进后的均值模型,发动机瞬态空燃比最大偏离值和偏离时间明显得到改善,具有精度高、跟踪快速的特点,为基于模型的发动机瞬态工况空燃比的控制提供参考。     

基于BP神经网络的车用汽油机过渡工况空燃比多步预测模型

为克服车用汽油机空燃比传输延迟对空燃比控制精度的影响,提出了一种基于BP神经网络的空燃比多步预测模型。通过对空燃比数学模型的分析,确定神经网络空燃比多步预测模型的输入向量,同时为提高空燃比预测精度,在神经网络输入向量中增加反映空燃比变化趋势的导数信息。以HL495发动机过渡工况试验数据进行仿真,结果表明该方法能精确预测过渡工况空燃比。     

基于最小二乘支持向量机的城市客运量预测模型

针对城市公路客运量预测中存在的非线性、复杂性和不确定性,提出了一种基于最小二乘支持向量机的城市客运量预测模型.结合西安市历年城市客运量数据,编程实现该预测模型,仿真结果表明了该预测模型的有效性.     

基于相空间重构和支持向量机的盾构滚刀岩机实验台轴承状态趋势预测

以盾构滚刀岩机作用实验台为研究对象,提出一种基于相空间重构和最小二乘支持向量机的盾构轴承状态评估及预测方法。该方法将一维时间序列重构到高维相空间中,利用相点作为支持向量机输入,自适应地对特征进行选取,并结合支持向量机非线性回归的优点,可有效预测轴承的运行状态。对实际采集的盾构滚刀岩机实验台的轴承信号进行研究分析,发现本算法的预测结果明显优于BP神经网络。将本文算法应用于工程实践,可以对盾构关键轴承状态评估和预测,能够为盾构轴承的定期保养和维修提供有效的指导。     

基于支持向量机模型的深基坑变形预测研究

支持向量机是近年来在统计学习理论基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.将支持向量机用于基坑变形预测,根据基坑位移的实测时间序列资料,建立基坑位移与时间的关系模型.将实际基坑工程监测资料作为学习训练样本和测试样本,将模型计算结果与实际监测值进行对比分析、研究....     

基于支持向量机的多年冻土路基融沉变形预测

多年冻土路基热稳定性差,工后沉降量大,路基病害较为严重。如果能够准确预测该类路基的工后融沉值,就可为工程建设提供重要的参考依据,从而提高该类路基的路用性能。为此,在对现有预测模型应用效果分析的基础上,首次将支持向量机应用于多年冻土路基融沉变形的预测中,提出了一种有效可行的新型预测方法,并以实际工程为依托,构建了基于支持向量机原理的多年冻土路基融沉变形预测模型。通过与实测值及其它预测模型的对比分析表明：该模型在预测过程中有效的避免了“过拟合”及“维数灾难”,人为干预较少,具有预测精度高,泛化能力强,预测结果稳定的特点,成功的解决了多年冻土路基影响因素多,样本数量少等带来的预测难题。     

基于逐类组合支持向量机的边坡稳定性预测研究

首次采用逐类组合支持向量机（TCSVM）方法,用于解决边坡稳定性预测的问题。模型是先用支持向量分类机（SVC）对边坡状态进行判识,然后用支持向量回归机（SVR）建立边坡安全系数预测模型,再用建好的模型对未知边坡的稳定性进行判别和安全性系数预测。利用模型对71个边坡实例中的61个进行学习,10个进行检验。结果表明:TCSVM对边坡安全系数的预测结果均优于SVM和PCA-SVM。表明逐类组合支持向量机方法提高了安全性系数预测的准确率,对边坡稳定性研究具有积极意义。     

基于支持向量机理论的经济圈交通网络评价研究

为快速高效地对经济圈交通网络进行评价分析,在确定经济圈交通网络评价指标后,采用新的评价方法——基于支持向量机的综合评价方法,通过计算机编程对样本数据学习,能较好地识别经济圈交通网络的评价等级。支持向量机对小样本、非线性的数据具有较好的学习识别能力,对具有相同数据特性的经济圈交通网络评价指标数据进行模式识别,可以准确地判断经济圈交通网络发展水平所属等级。最后对珠三角和长三角经济圈交通网络评价指标数据进行验证,并与基于BP神经网络的评价方法进行对比分析,结果表明该方法客观、准确,具有较高的评价效率。     

基于支持向量机的高速公路意外事件检测模型

为建立快速高效的高速公路意外事件自动检测系统,提高意外事件救援效率,就高速公路意外事件检测中的关键技术进行了研究。在剖析现有模型特征的基础上,引入支持向量机理论,建立了基于支持向量机的高速公路意外事件检测模型。利用自主开发的EAD-Simulations系统所建立的数据库,对模型进行了仿真试验,分析了不同核函数对检测性能的影响,研究了单侧输入与双侧输入、不同输入特征因素组合的性能指标。结果表明:与California 8#算法相比,该模型检测率提高了179%,误检率降低至0.50%,平均检测时间缩短了81%;同时得到了上游占有率与流率组合的最优输入特征。