汽车尾气在自组织特征映射下的排放水平评估方法.docVIP

汽车尾气在自组织特征映射下的排放水平评估方法 摘 要：针对汽车尾气的非线性数据聚类问题，提出一种在自组织特征映射（Self-Organizing Map，SOM）下的聚类方法来评估汽车的排放水平。根据汽车在城区真实环境中的行驶速度设置SOM神经网络中的神经元个数，通过神经元之间拓扑相关的学习方式，自动形成具有数据原始属性的有序映射，实现不同排放水平的尾气数据聚类。为避免网络训练过程中出现训练死区的现象，竞争学习采用弹性邻域半径代替固定邻域半径，自适应地缩放学习区域。以某轻型车的THC和CO2排放数据为对象的数值试验结果表明，采用弹性邻域半径的SOM神经网络的聚类准确性优于采用固定邻域半径的SOM神经网络，能有效评估汽车尾气排放水平。 关键词：汽车尾气；自组织特征映射（SOM）；竞争学习；聚类分析 中图分类号：U467.5+21文献标文献标识码：A文献标DOI：10.3969/j.issn.2095-1469.2013.05.06 持续增长的汽车保有量给城市发展带来各种形式的环境压力，特别是其尾气排放所引起的空气污染问题[1]。大量文献指出汽车尾气会给人类健康造成许多负面影响，并且随着暴露在这些污染物中的人群数量的增加，这些负面影响在城市中日益加剧[2-3]， 于是针对汽车尾气更严格的排放标准[4]得以实施。为满足这一新标准，学术界和工程界的专家学者提出许多方法和技术以降低汽车尾气中有害气体的排放量[5-6]。然而，极少有研究从“大数据”的角度[7]关注汽车尾气的污染评估模型。事实上，职能监管部门更关心的是在真实行驶条件下对汽车尾气排放的大数据进行分析，借此评估汽车尾气对城市环境的影响程度，进而为新标准的有效执行提供决策依据。 由于燃料在发动机中的物理化学反应极其复杂，加之车辆驾驶方式因人而异，以及车辆行驶环境的多样性，导致汽车排放的尾气具有复杂的非线性、时变性和随机性等特征，从而使基于发动机中物化反应原理的汽车尾气排放模型无法满足对排放水平高可靠分析的需要。作为一种非线性数据分析工具，神经网络广泛应用于数据分析的各个领域[8]。事实上，通过分析汽车尾气数据以实现对排放水平的评估，本质上可看成是一个数据聚类问题。众所周知，自组织映射神经网络（Self-Organizing Map Network，SOM NN）在数据的聚类、分类问题中得到广泛关注，并取得良好的应用效果[9-10]。然而，SOM网络所采用的固定邻域半径的学习方式容易造成训练“死区”，使某些神经元无法得到合适的训练，进而影响数据聚类、分类的准确性[11-12]。 针对上述问题，本文提出一种在自组织特征映射下的汽车尾气排放水平评估方法。该方法将汽车尾气按不同的城区行驶速度划分为不同的排放种类，每种行驶速度对应着一种排放水平，通过SOM神经网络的拓扑有序映射将高维的排放数据映射到一个二维的特征空间，以描述汽车在真实条件下不同速度的排放水平。为提高数据聚类的准确性，在SOM神经网络采用的固定邻域半径的基础上，通过引入权值与输入向量之间的夹角来定义一种新的弹性邻域半径。该弹性邻域半径可自适应地缩放竞争层神经元的学习区域，避免这些神经元因权值在初始化过程中离输入向量太远而进入训练死区。 1 具有弹性邻域半径的SOM神经网络 由于SOM神经网络中邻域半径的更新过程采用固定的缩放方式，使网络训练容易形成训练死区，为了提高对汽车排放数据聚类的准确性，本文提出一种具有弹性邻域半径的SOM神经网络。该网络的拓扑结构与Kohonen提出的SOM网络相同，只是在竞争学习过程中采用弹性邻域半径来缩放学习区域。 1.1 SOM神经网络的拓扑结构 荷兰学者Kohonen提出的自组织特征映射，本质上属于一种无监督竞争学习的动态映射方式[13-15]。由此产生的SOM神经网络中，一次仅有一个神经元被“激活”。图1给出了这种网络常用的拓扑结构（从一维的输入到二维的映射输出），其基本思想是：来源于原始事件空间中的输入信号被由自适应单元所构成的简单网络接受，输入信号以某种表示方式被自动映射为一系列输出响应，这种输出响应保持了与原始事件相同的拓扑排序的方式。因此，SOM神经网络能自动形成对事件属性的正确拓扑映射。换言之，SOM神经网络能以拓扑有序的方式，将任意维数的输入模式变换成一维或二维的特征映射[16-17]。 值得指出的是，在图1所示的结构中，即使输出神经元之间没有侧向连接，但与输入具有最佳匹配的神经元（即获胜神经元）邻域内的其它神经元被更新，使这个邻域内的神经元与其以前所处的状态相比，更像获胜神经元那样响应。网络中的神经元并不是以相互独立的方式，而是以拓扑相关的方式进行学习。这种学习方式对于形成有序映射来说是至关重要的。 1.2 改进的竞争学习算法 SOM神经网络的竞争学习算法可通过下述推导加以描述