《多类分类支持向量机在工程车辆自动变速挡位决策中的应用》由会员分享，可在线阅读，更多相关《多类分类支持向量机在工程车辆自动变速挡位决策中的应用（7页珍藏版）》请在金锄头文库上搜索。
1、http:/ 多类分类支持向量机在工程车辆自动变速挡位决策中的应用1韩顺杰（1） （2） 赵丁选（1） 战玉全（2）（1 吉林大学 机械科学与工程学院，长春 130022， 2 长春工业大学电气与电子工程学院 长春 130012） 摘 要：摘 要：经典的支持向量机(Support Vector Machine, 简称支持 SVM)是针对二类分类的， 在解决工程车辆自动变速挡位决策这种典型的多类分类问题时存在困难， 本文提出了基于二 叉数支持向量机的挡位决策算法， 将分类器分布在各个节点上， 从而构成了多类支持向量机， 减少了分类器数量和重复训练样本的数量。该方法能够根据车辆的运行状态确定最佳挡
2、位， 从而及时、准确的满足工程车辆自动换挡的要求。实验结果表明：基于二叉树的支持向量机 性能要比遗传 RBF 神经网络略好。 关键词：关键词：工程车辆; 自动变速;挡位决策;支持向量机;二叉数 0 引言引言 工程车辆例如装载机、推土机等的主传动系多采用液力机械传动形式来提高对高强度 负载的适应能力，但当传动系统中的液力变矩器遇到高强度负载时，其传动效率会大幅度 下降，为了提高液力机械传动系统传动效率，可以通过增加动力换挡变速箱的挡位数，依 靠微处理器控制的自动变速来适应负载的变化，控制液力变矩器尽量在高效区工作，从而 大幅度提高工程车辆的传动效率、动力性和经济性1。自动变速的主要问题之一是挡位
3、决 策，即根据驾驶员意图，车辆的运行状态和道路状况等因素，按照车辆某些性能参数最优 的原则，确定车辆的最佳挡位。 机器学习是解决这一问题的有效途径。随着学习理论的不断进步，处理信息的技术不 断发展，计算机技术的不断飞跃，机器学习也在不断的深入，以人工智能为代表的研究工 作取得一系列令人注目的成果（如专家系统、神经网络等）2。近年来发展起来的一种机器学习方法支持向量机（Support Vector Machines，简称支持SVM）方法又为我们解决这一问题提供了比较有效的手段。 支持向量机是建立在统计学习理论和结构风险最小化原则之上，与传统的基于经验风 险最小原理的神经网络方法相比具有明显优点，
4、主要有（1）SVM是针对有限样本，得到 现有样本信息下的最优解； （2）SVM算法最终转化为二次型寻优问题，从理论上，能够得 到全局最优解，解决了人工神经网络方法中无法避免的局部极值问题； （3）SVM算法通过 非线性变换，将样本空间转换到高维特性空间，在高维空间中构造线性分类函数，来实现 对原空间的非线性分类，这些特殊性质保证机器学习既有好的推广能力，同时巧妙地解决 了维数问题3。 最初，支持向量机是为两类分类问题而设计，而在实际应用中，多类分类问题更为普 遍，例如挡位决策，如何将支持向量机的优良性能推广到多类分类当中去，已成为目前支 持向量机研究的热点问题。本文针对以往多类分类方法存在的不
5、足，提出了一种基于二叉1高等学校博士学科点专项科研基金资助课题：工程车辆四参数自动变速技术研究（项目编号：20020183003） -1- http:/ 树的适合工程车辆自动变速挡位决策的支持向量机多类分类方法。 1 几种常用的多类几种常用的多类SVM算法算法4 5 目前，SVM 解决多类识别问题的方法一般为：标准算法有 1-a-r(one-against-rest)和1-a-1(one-against-one)算法。1-a-r 需要构造个两类 SVM，1-a-1 共需个分类器。这两种算法推广误差都无界，1-a-1 算法若单个分类器不规范化，整个分类器将趋于过 学习。Platt 曾提出决策导向
6、循环图（Decision Directed Acyclic Graph,DDAG）将多个两类分类器组合成多类分类器。对于类问题需要N2/ ) 1(NNN2/ ) 1(NN个分类器。优点是推广误差只取决于类数和节点上的类间间隙，速度比标准算法快。DDAG 和 1-a-1 的共同缺点是分类 数目随类数增加急剧增加，决策时速度较慢。J.Weaton 曾提出推广优化问题的 qp-mc-sv 和 线性规划 lp-mc-sv 算法，它们在构造决策函数时，同时考虑所有的类，将原始优化问题推 广，缺点是计算量都比较大，优点是得到的决策分类面所需 SVM 的数量比常规方法少。 N另一类方法就是构造基于二叉数的多
7、类 SVM 决策方法，首先将所有类别分成两个子 类，再将子类进一步划分成两个次子类，如此循环下去，直到所有节点都只包含一个单独 的类别为止，此节点也是二叉树中的叶子，这样就得到一个倒立的二叉树。该方法将所有 的多类问题分解成系列的两类分类问题，其中两个子类间的分类算法采用二值 SVM，二叉树方法克服传统方法所遇到的不可分问题， 并且对于K类分类问题秩序构造1K个 SVM 分类器，测试时并不一定需要计算所有的分类器判别函数，从而节省测试时间。本文所提 出的工程车辆自动变速挡位决策方法就是一种基于二叉树的多分类 SVM 方法。 2 工程车辆自动换挡规律简介 2 工程车辆自动换挡规律简介 2.1 工
8、程车辆传动系统 工程车辆传动系统如图 1 所示。 发动机输出的动力主要分为两部分： 一部分通过液 力变矩器、变速器和驱动桥驱动车轮旋转，并转化为驱动工程车辆形式的驱动力；另一部 分则传递给油泵，以液压能的形式传递给各工作装置。 发动机液力变矩器变速箱驱动桥车轮车轮工作泵工作装置图 1 工程车辆传动系统示意图 Fig.1 Transmission system of construction vehicle 2.2 工程车辆四参数换挡规律 在遇到高强度负载时，工程车辆仅靠液力变矩器改变变矩比来输出较大转矩，当外界 负载增大时，变矩比增大，传动效率会大幅度下降，甚至将为零。而当外界负载减小，发 动
9、机转速提高时，变矩比减小，传动效率会降低。为了克服上述缺点，充分发挥发动机的 效率，除了在传动系统中使用多挡位的动力变速箱外，还必须采用自动变速控制来减轻操 作者的劳动强度。换挡规律是自动变速系统判断当前所处挡位（含升、降挡）的依据。本 文所论述的换挡规律是针对液力变矩器的传动效率问题提出的，其目的是通过变速箱换挡 来控制液力变矩器工作在高效区，从而提高整个传动系统的效率，实现节能。 -2- http:/ 2i1i=0.75B00.210.40.60.8102340.20.40.60.8100 30 20 10 泵轮转矩系数 B104 转速比 i 40 K效率 变矩比 K 图 2 液力变矩器原
10、始特性图 Fig.2 Primary characteristics of torque converter 为了达到上述目的，可以考虑将变矩器效率与高效区最低限的交点作为换挡点（如图 2） 。通过测量变矩器泵轮转速（即发动机转速）及变矩器涡轮转速得到变矩器的转速比 ，将 控制在（）范围内，从而使变矩器的工况点经常保持在高效区。工程车辆的运行状态可以用发动机油门位置enwnii21,ii、工作油泵压力p、变矩器泵轮转速（即发动机转速）及变矩器涡轮转速来描述。 以 ZL50E 装载机为例， 可以将变矩器效率enwn75. 0=定为高效区最低限。当75. 075. 0且时，保持原挡位。由于该换挡规
11、律需要根据所测得的 4 个参数21iii、p、和确定最佳挡位，故称四参数换挡规律。 enwn3 基于决策二叉树支持向量机的工程车辆挡位决策 3 基于决策二叉树支持向量机的工程车辆挡位决策 根据工程车辆四参数节能换档规律，工程车辆的运行状态，用、p、及来描述，通过制定的档位决策方法，对 4 个前进挡位作出决策。设采集到的个样本，则该问题抽象为属性集 X 到分类集 Y 的映射，即参数矩阵，挡位enwnn4nX4 , 3 , 2 , 1=Y。已知的 4个参数的c挡评价标准为。本文的评价指标、评价样本和检验样本等数据均来自工程车辆传动实验台上测得的自动变速系统运行数据。 4cZ工程车辆挡位决策系统由四
12、大部分组成：数据的规则化，二叉树的构建、学习部分和 识别部分。 3.1 数据的规则化 由于工程车辆的被测的 4 个参数量纲不同，从而它们之间可能不具有可比性。解决这 个问题的方法是对指标进行规格化， 以解决不同参数大小不一所带来的影响。 我们用式 （1）对中实测参数越大，挡位越高的指标规格化，用（2）对实测参数越大，挡位越低的4nX-3- http:/ 指标规格化。 jcjjij ijzzxxr11 = ni, 2 , 1 =4 , 3 , 2 , 1=j （1） jcjijj ijzzxxr11 = ni, 2 , 1 =4 , 3 , 2 , 1=j （2） 上式中为工程车辆挡位，上式得到
13、的是被测参数的特征值矩阵。 cmnX3.2决策二叉树的构建6工程车辆挡位决策过程如下：首先将 SVM1 作为二叉树的根节点，将属于 1 挡的测试 样本决策出来，不属于 1 挡的样本通过 SVM2 进行分类，如此直到 SVM3 将 4 挡样本决策 出来，决策树如图 3。 1挡2挡4挡3挡SVM1SVM2SVM3图 3 基于二叉树的 SVM 挡位决策 Fig.3 Shift decision based on SVM-binary tree 3.3 样本学习（样本训练） 即通过对样本数据检测，求出各类的分类函数的过程，算法如下： 0 对数据规则化得到特征值矩阵； 4nR1 4321,CCCCS=/
14、表示挡位， 共 4 有四个挡位，iC4321,CCCC的排列顺序即对应建立分类函数的顺序； 2 ，直到 3， 每次递增 1；/四类分类问题需建立 413 个分类函数； 1=ii3 4 选择； iC5 改变类对应的训练样本分类值为 1； iC6 设其余的1nC类对应的训练样本分类值为1； 7 应用 SVM 两类分类方法求iC类的分类函数； 8 iCSS=； 9 -4- http:/ 其中应用 SVM 两类分类方法求分类函数的算法如下： （备注：以下的矩阵X实质是矩阵R） 1)从较多的训练样本数据中选择支持向量 方法：选择适当的核函数；本系统中选取径向基核函数： )(RBF22 exp),(i i
15、xxxxK= 式中，1.5。 确定规范化参数C的值，本系统中选取 100。 C 将学习样本和对应的分类值代入下列函数并求解最大值； =ninjjijijiniixxKyyaQ111),(21max)(max =ZITT 21其中：。 ),(,),(21jijiijT nxxKyyZ = =满足条件： Ci0 ni, 1 = =niiiy 10求出的非零且小于C的 Lagrange 算子对应的样本即为支持向量。 2)写出最优分界面方程，从而由支持向量构建基于 SVM 的系统 方法：利用和 =SVSiiixyw)(21srxxwb+=，分别求出和b，即可得分类函数： w)sgn()(bxwxf+=),(sgn(bxxKyii SVSi+=3.4 识别部分 使用决策二叉树对实例进行分类时，由树根开始对该对象的属性代入分类函数逐渐测 试其值，当测试值为 1 时，即到达叶结点；终止前进，表示该实例所处的类为此叶结点代 表的类；当测试值1 时，顺着分支向下走，直至到达某个叶结点。 3.5 测试结果 通过对 2 个数据集， 每个数据集重复 40 次的测试， 得到支持向量机方法在数据集上的 平均值及其方差，与遗传
