多类分类支持向量机在工程车辆自动变速挡位决策中的运用资料.pdf

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 （1）（2） （1） （2） 韩顺杰 赵丁选 战玉全 （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：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：工程车辆; 自动变速;挡位决策;支持向量机;二叉数 0 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 [2] 作取得一系列令人注目的成果 （如专家系统、神经网络等） 。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，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- 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SVM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N 个两类 SVM，1-a-1 共需N (N −1) / 2 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 曾提出决策导向循环图 （Decisi