申请/专利权人：西南林业大学

申请日：2024-03-07

公开（公告）日：2024-04-09

公开（公告）号：CN117854636A

主分类号：G16C20/70

分类号：G16C20/70;G16C20/20;G06F18/213;G06F18/243;G06F18/27;G06N20/20;G06N5/01;G06N3/0442;G06N3/09;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种柴油车瞬态过程颗粒物数量排放预测方法，属于颗粒物排放预测技术领域；通过改进EMD算法对柴油车的PN排放数据进行分解，降低了瞬态数据的波动性和随机性，将排放数据预处理分解的结果并结合测试运行数据分别对XGBoost算法和门控循环单元模型进行训练以及修正，通过将训练修正的XGBoost和GRU进行组合获取组合预测模型，实现不同训练技术的联立整合，可以有效提高后续瞬态过程颗粒物数量排放的预测效果；本发明用于解决现有方案中只是基于单一的神经网络算法来对现有的测试数据进行训练获取测试模型，不能将不同的训练技术进行联立整合导致瞬态过程颗粒物数量排放的预测效果不佳的技术问题。

主权项：1.一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，包括：S1：在不同试验条件下进行柴油车实际道路排放试验测试以及数据监测统计，获取柴油车的测试运行数据和排放数据；提取排放数据中不同时间监测统计的颗粒物瞬时排放量的数值并组合得到排放数据序列E（t），将测试运行数据与排放数据序列组合得到测试数据集；S2：通过改进的经验模态分解算法对测试数据集中的排放数据序列E（t）进行分解获取多个不同时频的本征模态函数Hi；S3：将测试数据集中的测试运行数据作为输入量，以及将获得的多个本征模态函数Hi作为输出量，对XGBoost算法进行训练，利用XGBoost模型对多个本征模态函数Hi进行瞬时预测，获得初步预测值；并将多个本征模态函数Hi与初步预测值作差得到残差序列；S4：将残差序列和多个本征模态函数Hi转化为监督学习数据并作为门控循环单元模型的输入参数来对残差序列进行修正，得到残差序列的预测值；S5：将XGBoost模型瞬时预测的初步预测值和门控循环单元模型的预测值进行相加获取组合预测模型；S6：利用训练完成的组合预测模型进行颗粒物瞬态过程排放预测计算并输出颗粒物的实际瞬时估算结果。

全文数据：

权利要求：

百度查询： 西南林业大学 一种柴油车瞬态过程颗粒物数量排放预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD