RDWKCPSO-PCA-BPNN的汽车燃油消耗预测

针对不同乘用车综合工况下理论百公里燃油消耗数据,文章提出了一种基于主成分分析(principal component analysis,PCA)和BP神经网络(back propagation neural network,BPNN)的燃油消耗预测模型;通过PCA方法对选取影响理论燃油消耗的24个因素进行压缩,简化模型结构,再利用BPNN算法,构建燃油消耗预测模型;由于神经网络中的权值和阈值对预测模型效果影响较大,采用基于随机动态惯性权重和Kent映射的混沌粒子群算法(RDWKCPSO)优化PCA-BPNN模型中的权值和阈值。对3种标准函数的寻优测试结果表明,RDWKCPSO优化算法更容易跳出局部最优实现全局寻优,提高了模型适应能力及预测精度。

主成分分析与神经网络结合的燃油消耗预测

从车型、发动机、变速器和轮胎等方面分析了与汽车燃油消耗相关的影响因素,通过主成分方法对影响汽车燃油消耗的变量进行了压缩,消除了各变量之间的线性相关性。再利用BP神经网络对主成分的得分进行预测,建立燃油消耗预测模型。结果表明,与传统BP神经网络相比,采用主成分分析与神经网络相结合的燃油消耗预测模型简化了神经网络结构,提高了预测精度,为预测汽车燃油消耗量提供了新的思路。

基于行驶工况特征的汽车燃油消耗的预测

本文从行驶工况特征参数来进行燃油消耗的预测。首先对典型道路上采集的百公里燃油消耗和行驶工况数据进行划分,获得大量行驶片段。接着用主成分分析法从所有行驶片段的13个特征参数中得到了3个主成分。最后利用BP神经网络对3个主成分的得分进行燃油消耗的预测。结果表明,与一般的BP神经网络相比,采用主成分分析和神经网络相结合的燃油消耗预测模型,简化了网络结构,提高了预测精度,可用来预测城市道路行驶工况的燃油消耗。

基于BP神经网络的船舶气象航线决策系统

[目的]为应对国际燃油价格波动和降低温室气体排放的需求,提出一种基于BP神经网络的船舶气象航线决策系统,在考虑经济和环境因素的情况下提高船舶运营效率。[方法]首先,从航海日志和午报等提取船速、转速、平均吃水、吃水差、船上货物重量、风和海浪的影响等7种运营数据,通过BP神经网络方法预测船舶燃油消耗量;然后,提出基于改进Dijkstra算法的船舶气象航线决策系统,并利用该系统获得船舶最优航线。最后,对12335 t多用途船营口至仁川的航线进行仿真分析。[结果]利用BP神经网络方法预测的燃油消耗量与实测值的拟合优度为79.97%,表明预测效果较好;通过决策系统获得了该船在15和17 kn航速下的气象航线。[结论]基于BP神经网络的船舶气象航线决策系统获得的船舶航线更准确、可靠,有助于减少船舶的燃油消耗量和CO_(2)排放量,为船东和海事管理部门提供技术支持。