分会场
内燃机碳中和与排放控制
摘要
实车传感器采集数据中存在着大量的异常点和冗余变量,给基于数据的神经网络预测方法发展带来巨大挑战,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
电子U盘全文仅限大会已缴费参会代表下载。
您还没有登录,请您先 点击这里登录
2024世界内燃机大会
2024 World Congress on Internal Combustion Engines