【作者】

张泽坤; 沈照杰

【单位】

哈尔滨工业大学; 哈尔滨工业大学（威海）

【摘要】

柴油机氮氧化物排放预测神经网络模型的预测效果受数据质量影响较大。本文拟针对实车传感器测量数据集开展车联网大数据预处理研究，以期改善深度学习模型预测训练过程、提高预测精度。本文对比了相关性分析和主成分分析两种变量筛选方法的神经网络预测效果，结果表明相关性分析法的模型预测精度更高，而主成分分析运算速度更快。本文提出了一种基于神经网络预测模型绝对误差的Z-score异常点剔除法，构建了符合Z-score原理的近似正态分布数据集，分析不同数据剔除范围对氮氧化物预测精度的影响。经过变量筛选和异常点剔除，模型决定系数、均方误差、绝对误差分别从0.895、0.0085、0.0649变为了0.923、0.0063、0.0574，模型的运算单次迭代时间由225μs降低至了150μs。

【关键词】

柴油机氮氧化物排放预测；BP神经网络；数据预处理；相关性分析；主成分分析；Z-score剔除

【论文集名称】

高原内燃机分会（第二分会场）

【会议名称】

2023 内燃机“高效、低碳、清洁燃烧”学术年会

【会议时间】

2023-8-3至2023-8-6

【会议地点】

哈尔滨

【下载次数】

9

返回