典型文献
车联网数据的PCA-LVQ行驶工况识别方法与测试
文献摘要：
提出了基于主成分分析-学习向量量化(PCA-LVQ)神经网络智能算法的行驶工况的识别方法.基于用户车联网数据,通过运动学片段划分后,首先对速度、刹车频次、驾驶时间等多维度特征参数进行主成分分析(principal component analysis,PCA),实现输入信息降维处理,避免冗余信息带来的识别误差.其次将降维后的信息输入到LVQ神经网络模型中进行训练,并将模型用于用户典型驾驶工况的识别,分别对模型识别的影响因素进行研究.结果表明:基于PCA-LVQ智能算法的行驶工况识别方法能够有效进行工况识别,工况识别的精度与运动学片段长度相关,还受训练样本量和识别量的影响,但不受工况顺序影响.
文献关键词：
主成分分析;学习向量量化神经网络;工况识别;车联网数据
中图分类号：
作者姓名：
郑国峰;林鑫;张承伟;肖攀;张学东
作者机构：
中国汽车工程研究院股份有限公司,重庆 401122;重庆交通大学 机电与车辆工程学院,重庆 400074
文献出处：
引用格式：
[1]郑国峰;林鑫;张承伟;肖攀;张学东-.车联网数据的PCA-LVQ行驶工况识别方法与测试)[J].重庆理工大学学报,2022(06):96-104
A类：
学习向量量化神经网络
B类：
车联网数据,LVQ,行驶工况识别,网络智能,智能算法,运动学片段,片段划分,刹车,驾驶时间,多维度特征,principal,component,analysis,降维处理,冗余信息,识别误差,信息输入,驾驶工况,模型识别,段长度,受训,训练样本,样本量
AB值：
0.280244
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
