典型文献
GA-ACO算法优化BP神经网络的重型车排放预测
文献摘要：
为了减少实际行驶排放试验(real driving emission,RDE)受到驾驶行为、车型等干扰的情况,降低试验耗时和测试成本,基于BP神经网络建立了重型车的排放预测模型,引入遗传算法(genetic algorithm,GA)和蚁群算法(ant colony optimization,ACO)进行优化.使用便携式排放测试系统(portable emissions measurement system,PEMS)对某重型车进行RDE试验,并将试验数据划分为训练集、测试集、验证集,通过B型关联度算法提取数据主要成分用于训练与预测.结果表明:瞬时排放水平上,NOx预测结果与样本数据的皮尔逊相关系数为0.9686,线性高度相关;整体误差水平上,NOx排放因子的最大相对误差为2.36％.该模型对重型车的瞬时排放和整体排放特性预测准确性较好,对辅助RDE试验具有参考意义.
文献关键词：
重型车;实际行驶排放试验;排放预测;GA-ACO-BP
中图分类号：
作者姓名：
闻增佳;谭建伟;王怀宇;余浩;常虹;孙文强
作者机构：
北京理工大学 机械与车辆学院, 北京 100081;中国汽车工程研究院股份有限公司, 重庆 401122;潍柴动力股份有限公司OBD标定室, 山东 潍坊 261001
文献出处：
引用格式：
[1]闻增佳;谭建伟;王怀宇;余浩;常虹;孙文强-.GA-ACO算法优化BP神经网络的重型车排放预测)[J].重庆理工大学学报,2022(12):202-209
A类：
实际行驶排放试验
B类：
GA,ACO,算法优化,重型车,排放预测,real,driving,RDE,驾驶行为,车型,试成,genetic,algorithm,蚁群算法,ant,colony,optimization,便携式排放测试系统,portable,emissions,measurement,system,PEMS,数据划分,训练集,测试集,验证集,提取数据,分用,排放水平,NOx,皮尔逊相关系数,整体误差,排放因子,排放特性,特性预测,预测准确性
AB值：
0.411455
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。
