基于改进主成分和全局k均值聚类的汽车行驶工况构建

为解决传统聚类算法构建工况初始中心易陷入局部最优、执行时耗长的问题,提出了一种改进全局k均值聚类(improved global k-means clustering,IGKM)算法,以缩小作为候选下一簇的初始中心点集,减少算法的迭代次数;采用小波分层阈值降噪和小波分解域量化压缩对原始数据进行预处理,结合改进主成分分析(improved principal component analysis,IPCA)对片段进行降维和分类;最后,合成汽车行驶工况。实验结果表明,所提方法构建行驶工况的速度-加速度联合分布差异值仅为0.87%,聚类平均耗时仅为83.35 s,行驶工况拟合度较高,更能综合反映实际车辆的运行状况。

改进主成分和K-均值聚类算法的行驶工况

为构建行驶工况,消除K-均值算法对初始聚类中心的敏感性及噪声点的干扰,提出一种改进主成分分析和基于密度的改进K-均值聚类组合方法。结合距离优化法和密度法,构建一种数据集密度度量方法。选取距离较大、密度较高的数据点作为初始聚类中心与候选集,优化聚类结果的同时剔除了孤立点,采用较大贡献因子的特征值进行工况合成,最后对行驶工况油耗进行分析。结果表明,所提方法构建行驶工况的速度-加速度联合分布差异值为1.17%,特征参数平均相对误差较小。可见,合成的行驶工况能够很好地反映某地实际交通道路特征,拟合度较高。