汽車運(yùn)行狀態(tài)識別方法研究（一）——特征參數(shù)選擇

田 毅 張 欣 張 昕 張 良

1.裝甲兵工程學(xué)院，北京，100072 2.北京交通大學(xué)，北京，100044 3.酒泉衛(wèi)星發(fā)射中心鐵路管理處，酒泉，732750

0 引言

混合動力電動汽車（HEV）被認(rèn)為是21世紀(jì)解決汽車面臨的石油能源危機(jī)和環(huán)境污染問題的有效方案之一，建立先進(jìn)合理的能量管理控制策略以及對現(xiàn)有控制策略進(jìn)行優(yōu)化已成為國內(nèi)外各研究機(jī)構(gòu)探索的核心技術(shù)之一?；旌蟿恿﹄妱悠嚨目刂撇呗耘c汽車運(yùn)行狀態(tài)緊密相聯(lián)，在對控制策略進(jìn)行優(yōu)化的過程中，運(yùn)行工況不同，其優(yōu)化結(jié)果也不同，而且車輛實(shí)際行駛過程中所經(jīng)歷的隨機(jī)狀態(tài)與已制定的典型運(yùn)行工況也會有所差異。基于運(yùn)行狀態(tài)識別的智能控制策略是最新提出的HEV控制策略，它通過對汽車當(dāng)前的運(yùn)行狀態(tài)進(jìn)行識別來調(diào)整整車控制策略，使得HEV能夠適應(yīng)于不同的運(yùn)行狀態(tài)［1－6］。

2002年，Lin等［1］采用10個參數(shù)建立了基于Hamming神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識別模型，對美國和韓國的6種典型運(yùn)行工況進(jìn)行了識別。2005年，Langari等［2］采用Ericsson定義的26個參數(shù)，建立了基于學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識別模型，對美國LOS的運(yùn)行工況進(jìn)行識別。在我國，羅玉濤等［3］采用“工況塊”的概念，用工況的平均行駛車速和行駛距離作為特征參數(shù)，通過模糊分類器對汽車運(yùn)行狀態(tài)進(jìn)行了識別。周楠等［4］采用循環(huán)平均車速、循環(huán)行駛平均車速等10個參數(shù)，建立了基于簡單神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識別模型，對北京、紐約、長春、上海等地的汽車運(yùn)行工況進(jìn)行了識別。張良等［5］采用18個參數(shù)，建立了基于支持向量機(jī)（SVM）的汽車運(yùn)行狀態(tài)識別模型，對我國上海和廣州市的汽車運(yùn)行工況進(jìn)行了識別。田毅等［6］采用13個參數(shù)，建立了基于模糊神經(jīng)網(wǎng)絡(luò)的汽車運(yùn)行狀態(tài)識別模型，對不同敏感性參數(shù)的汽車運(yùn)行工況進(jìn)行了識別。

對汽車運(yùn)行狀態(tài)識別算法進(jìn)行研究發(fā)現(xiàn)，想要得到一個高性能的汽車運(yùn)行狀態(tài)識別模型，必須首先得到一個汽車運(yùn)行狀態(tài)特征參數(shù)最優(yōu)子集。實(shí)際上，目前在特征參數(shù)選擇的算法中，不論是基于Wrapper框架的，還是基于Filter框架的，都是針對確定的特征參數(shù)全集進(jìn)行選擇計(jì)算的。而在對汽車運(yùn)行狀態(tài)特征參數(shù)進(jìn)行分析后發(fā)現(xiàn)，其中的分段參數(shù)部分的運(yùn)行狀態(tài)特征參數(shù)之間的邊界是不確定的，不同研究人員定義的特征參數(shù)之間的邊界也是不一樣的，因此特征參數(shù)全集也是不一樣的，對于這種特征參數(shù)選擇問題目前還鮮有人進(jìn)行研究。

本文建立了一種基于混合搜索的汽車運(yùn)行狀態(tài)特征參數(shù)選擇方法，有效地把自適應(yīng)遺傳算法和浮動搜索算法的優(yōu)勢進(jìn)行結(jié)合，順利解決了汽車運(yùn)行狀態(tài)特征參數(shù)選擇問題。

1 汽車運(yùn)行狀態(tài)特征參數(shù)選擇分析

1.1 汽車運(yùn)行狀態(tài)特征參數(shù)全集分析

汽車運(yùn)行狀態(tài)識別是一種在線識別，因此必須保證識別模型的準(zhǔn)確性和實(shí)時性。本文中采用一組共22個特征參數(shù)作為汽車運(yùn)行狀態(tài)特征參數(shù)全集，如表1所示，可分為標(biāo)準(zhǔn)參數(shù)、波動參數(shù)、分段參數(shù)［7］三部分。表中，v1、v2、v3為有關(guān)車速的特征參數(shù)之間的邊界，km/h；r1、r2為有關(guān)減速度的特征參數(shù)之間的邊界，m/s2；a1、a2為有關(guān)加速度的特征參數(shù)之間的邊界，m/s2。

相對加速度aRPA的計(jì)算公式為［7］

式中，v為車速，m/s；a為汽車加速度，m/s2；t為汽車運(yùn)行時間，s。

汽車運(yùn)行狀態(tài)特征參數(shù)中分段參數(shù)部分是對汽車車速曲線變化規(guī)律的一種定性分析，研究人員可以根據(jù)自己的需要對分段參數(shù)部分的特征參數(shù)之間 的 邊 界v1、v2、v3、r1、r2、a1、a2定 義 不 同 的 數(shù)值。在汽車運(yùn)行狀態(tài)特征參數(shù)選擇時，需要對特征參數(shù)之間的邊界進(jìn)行優(yōu)化，從而計(jì)算得到最優(yōu)的特征參數(shù)全集，因此不能采用現(xiàn)有的特征參數(shù)選擇方法進(jìn)行汽車運(yùn)行狀態(tài)特征參數(shù)的選擇計(jì)算，需要建立新的算法來解決這種特征參數(shù)選擇問題。

表1 樣本參數(shù)表

1.2 測試數(shù)據(jù)集建立

測試數(shù)據(jù)集是評價特征參數(shù)子集優(yōu)劣的基礎(chǔ)，其結(jié)果直接影響到識別模型的準(zhǔn)確性及泛化能力。在建立汽車運(yùn)行狀態(tài)識別所需的車輛運(yùn)行工況測試數(shù)據(jù)集時，需要首先對汽車運(yùn)行狀態(tài)進(jìn)行分析，確定其分類類別。通過查閱我國《城市道路設(shè)計(jì)規(guī)范》、城市典型運(yùn)行工況制定等相關(guān)文獻(xiàn)后，發(fā)現(xiàn)快速路和主干道是我國大多數(shù)城市的主要交通路線。本文選用北京、上海、廣州和武漢作為我國城市的代表。另外，為了增加測試數(shù)據(jù)集的覆蓋面，提高汽車運(yùn)行狀態(tài)識別模型的識別準(zhǔn)確性和泛化能力，本文還采用GPS車速采集儀，對汽車在主干道和快速路上的實(shí)際運(yùn)行車速進(jìn)行了采集，采集結(jié)果如圖1所示。

圖1 車速采集

考慮到汽車在行駛過程中車速是一個時變量，汽車車速隨著時間的變化而變化。為了提高識別模型的實(shí)時性，本文采用滾動時間窗的方式對速度－時間曲線進(jìn)行分割［6］，在此基礎(chǔ)上建立汽車運(yùn)行狀態(tài)特征參數(shù)選擇所需的測試數(shù)據(jù)集。通過計(jì)算這些速度小片段的汽車運(yùn)行狀態(tài)特征參數(shù)，可以得到汽車運(yùn)行狀態(tài)的測試數(shù)據(jù)集，其中包括7784組數(shù)據(jù)的主干道測試數(shù)據(jù)集和5805組數(shù)據(jù)的快速路測試數(shù)據(jù)集。然后分別從主干道和快速路測試數(shù)據(jù)集中隨機(jī)選擇200個樣本作為運(yùn)行狀態(tài)分類器的訓(xùn)練數(shù)據(jù)集。

1.3 特征參數(shù)選擇過程分析

采用計(jì)算得到的汽車運(yùn)行狀態(tài)特征參數(shù)全集和測試數(shù)據(jù)集，對汽車運(yùn)行狀態(tài)特征參數(shù)選擇進(jìn)行分析，發(fā)現(xiàn)其具有兩個特點(diǎn)：

（1）汽車運(yùn)行狀態(tài)特征參數(shù)之間的邊界v1、v2、v3、r1、r2、a1、a2不確定，需要對邊界進(jìn)行優(yōu)化，才能計(jì)算得到最優(yōu)的特征參數(shù)全集。因此不能采用現(xiàn)有的特征參數(shù)選擇方法進(jìn)行汽車運(yùn)行狀態(tài)特征參數(shù)的選擇計(jì)算。

（2）如果運(yùn)行狀態(tài)特征之間的邊界得到確定，則屬于中小規(guī)模特征全集的特征參數(shù)選擇問題，即全集χ中僅有22個參數(shù)，完全可以采用現(xiàn)有的特征參數(shù)選擇方法進(jìn)行求解。

因此在進(jìn)行汽車運(yùn)行狀態(tài)特征參數(shù)選擇時，采用以下步驟：確定輸入?yún)?shù)之間的邊界v1、v2、v3、r1、r2、a1、a2，計(jì)算特征參數(shù)全集；對于任意一組特征參數(shù)之間的邊界，都可以得到一個特征參數(shù)全集χ。識別準(zhǔn)確度的計(jì)算公式為

式中，Racc為識別準(zhǔn)確度；k為測試數(shù)據(jù)集K中數(shù)據(jù)的個數(shù)；Y′＝φs（Sw）為分類器的預(yù)報值；Sw為汽車運(yùn)行狀態(tài)特征參數(shù)子集。

當(dāng)Racc最大，Sw中特征參數(shù)個數(shù)最少時，當(dāng)前的Sw就是汽車運(yùn)行狀態(tài)特征參數(shù)的最優(yōu)子集。

2 混合搜索算法總體結(jié)構(gòu)設(shè)計(jì)

2.1 結(jié)構(gòu)框架設(shè)計(jì)

通過對汽車運(yùn)行狀態(tài)特征參數(shù)選擇對象進(jìn)行研究，發(fā)現(xiàn)主要有兩種搜索對象，一種為對特征參數(shù)邊界進(jìn)行搜索，另外一種為對特征參數(shù)子集進(jìn)行搜索。因此本文針對這兩種搜索對象，采用內(nèi)外兩層循環(huán)的方式，對汽車運(yùn)行狀態(tài)特征參數(shù)進(jìn)行選擇。

（1）外層循環(huán)的主要任務(wù)是尋找最優(yōu)的汽車運(yùn)行狀態(tài)特征參數(shù)之間的邊界，以便生成特征參數(shù)全集，也可以認(rèn)為是特征參數(shù)選擇問題的全局搜索操作。對汽車運(yùn)行狀態(tài)特征參數(shù)之間的邊界進(jìn)行搜索尋優(yōu)是一個多參數(shù)多目標(biāo)優(yōu)化問題，因此需要選擇智能搜索算法。常用的智能搜索算法為遺傳算法、蟻群算法、模擬退火算法等。本文中選用自適應(yīng)遺傳算法［8-9］作為外層循環(huán)的搜索方式。

（2）內(nèi)層循環(huán)的主要任務(wù)是對外層循環(huán)得到的汽車運(yùn)行狀態(tài)特征參數(shù)全集進(jìn)行特征參數(shù)選擇計(jì)算，也可以認(rèn)為是汽車運(yùn)行狀態(tài)特征參數(shù)選擇問題的局部搜索操作。

在汽車運(yùn)行狀態(tài)特征參數(shù)選擇過程中，如果內(nèi)層循環(huán)也采用遺傳算法進(jìn)行特征參數(shù)選擇，則計(jì)算時間過長，也容易產(chǎn)生局部最優(yōu)解，而且遺傳算法對于中小規(guī)模數(shù)據(jù)集的特征參數(shù)選擇來說并不具有優(yōu)勢。為了盡量縮短特征參數(shù)選擇的搜索時間，本文選用了對中小規(guī)模數(shù)據(jù)集搜索能力強(qiáng)的浮動搜索算法作為內(nèi)層循環(huán)的搜索算法。

2.2 自適應(yīng)遺傳算法

汽車運(yùn)行狀態(tài)特征參數(shù)邊界的優(yōu)化模型主要包括：優(yōu)化參數(shù)、約束條件和目標(biāo)函數(shù)。

（1）優(yōu)化參數(shù)。根據(jù)1.1中的分析得到，運(yùn)行狀態(tài)特征參數(shù)之間的邊界v1、v2、v3、r1、r2、a1、a2是不確定的，因此本文將這些參數(shù)作為自適應(yīng)遺傳算法的優(yōu)化參數(shù)。

（2）約束條件。本文對運(yùn)行狀態(tài)特征參數(shù)邊界，即優(yōu)化變量v1、v2、v3、r1、r2、a1、a2的約束區(qū)間上下限根據(jù)經(jīng)驗(yàn)確定，如表2所示。

表2 優(yōu)化變量的約束區(qū)間

（3）目標(biāo)函數(shù)。本文采用加權(quán)法建立遺傳算法中的目標(biāo)函數(shù)，從而將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題。在汽車運(yùn)行狀態(tài)特征選擇問題中，遺傳算法的目標(biāo)函數(shù)為

式中，f1為遺傳算法的目標(biāo)函數(shù)值；WA為分類器識別準(zhǔn)確度的權(quán)重；Nsw為特征參數(shù)子集中參數(shù)個數(shù)；WF為特征參數(shù)子集中參數(shù)個數(shù)的權(quán)重。

考慮到Racc和Nsw數(shù)量級的不同，本文中定義WA＝0.99，WF＝0.01。

在遺傳算法計(jì)算過程中，通過選擇、雜交和變異三種基本形式，模擬自然選擇以及遺傳過程中的繁殖、雜交和突變現(xiàn)象。然而如果對于無論適應(yīng)度高的個體還是適應(yīng)度低的個體都以同樣的概率進(jìn)行交叉和變異操作，顯然是不合理的。本文采用自適應(yīng)的遺傳算法進(jìn)行計(jì)算，該算法對適應(yīng)度高的個體采用較小的概率進(jìn)行交叉和變異操作，對適應(yīng)度低的個體采用固定的概率進(jìn)行交叉和變異操作［9］。

（1）選擇操作。本文中采用輪盤賭模型，按各染色體適應(yīng)度大小比例來決定其被選擇數(shù)目的多少。

（2）交叉操作。交叉概率公式為

式中，fi為待交叉的兩個個體中適應(yīng)度較高者的適應(yīng)度；favg為當(dāng)前種群中所有個體的平均適應(yīng)度；fbest為當(dāng)前種群中適應(yīng)度最高的個體適應(yīng)度。

（3）變異操作。交異概率公式為

2.3 浮動搜索算法

傳統(tǒng)浮動搜索算法的起始點(diǎn)往往采用隨機(jī)生成的方式［10-11］。因此如果采用傳統(tǒng)的浮動搜索算法，混合搜索算法中每次進(jìn)行浮動搜索計(jì)算所選的起始點(diǎn)之間沒有任何關(guān)系，是相互獨(dú)立的。通過對采用遺傳算法得出的汽車運(yùn)行工況特征參數(shù)全集進(jìn)行分析后發(fā)現(xiàn)，這些特征參數(shù)全集之間具有一定的類似性，因此本文提出了起始點(diǎn)種群間遺傳和個體間遺傳兩種選擇浮動搜索算法起始點(diǎn)的方法。

（1）基于起始點(diǎn)種群間遺傳的混合搜索算法。在遺傳算法每個種群中所有個體計(jì)算完以后，對計(jì)算得到候選特征參數(shù)子集進(jìn)行評價，得到相對最優(yōu)的子集并遺傳給下一代。當(dāng)新的種群生成后進(jìn)行浮動搜索時，選用的起始點(diǎn)就是上一個種群計(jì)算得到的最優(yōu)子集。

（2）基于起始點(diǎn)個體間遺傳的混合搜索算法。在遺傳算法每個個體計(jì)算完后，就進(jìn)行一次最優(yōu)子集評價，如果比原先的最優(yōu)子集好，則替代，并遺傳給下次搜索；如果不好，則放棄。當(dāng)新的個體進(jìn)行計(jì)算時，起始點(diǎn)就選從當(dāng)前的最優(yōu)子集開始搜索。采用起始點(diǎn)個體間遺傳的混合搜索算法對汽車運(yùn)行狀態(tài)特征參數(shù)進(jìn)行選擇的流程如圖2所示。

圖2 采用起始點(diǎn)個體間遺傳的混合搜索算法流程圖

3 汽車運(yùn)行狀態(tài)特征參數(shù)選擇計(jì)算結(jié)果及分析

3.1 特征參數(shù)最優(yōu)子集

表3 遺傳算法優(yōu)化后的特征參數(shù)之間的邊界

3.2 特征參數(shù)最優(yōu)子集的參數(shù)個數(shù)對分類器準(zhǔn)確度的影響

采用基于向后搜索的特征參數(shù)選擇方法，對優(yōu)化后的汽車運(yùn)行特征參數(shù)全集進(jìn)行搜索，分類器的識別準(zhǔn)確度隨特征參數(shù)個數(shù)的變化如圖3所示。從圖中可以得到，特征參數(shù)最優(yōu)子集中參數(shù)數(shù)目在8～12時，分類器的識別準(zhǔn)確度相差很小。而且，分類器的識別準(zhǔn)確度隨著最優(yōu)子集中特征參數(shù)個數(shù)的減少，先增加后減少。主要是因?yàn)椋禾卣鲄?shù)過多時，不重要的特征參數(shù)會對分類器造成干擾，影響分類器的識別準(zhǔn)確度；當(dāng)特征參數(shù)減少到一定程度時，分類器的識別準(zhǔn)確度保持不變；隨著特征參數(shù)進(jìn)一步減少，當(dāng)其不能完全反映汽車運(yùn)行狀態(tài)的特征時，減少特征參數(shù)個數(shù)會造成特征的缺失，從而導(dǎo)致分類器的識別準(zhǔn)確度大幅度降低。

圖3 特征參數(shù)子集個數(shù)與分類器識別準(zhǔn)確度的關(guān)系

3.3 采用不同起始點(diǎn)位置的浮動搜索算法的計(jì)算結(jié)果及分析

對浮動搜索算法的起始點(diǎn)，分別采用起始點(diǎn)獨(dú)立、起始點(diǎn)種群間遺傳和起始點(diǎn)個體間遺傳三種方式對汽車運(yùn)行狀態(tài)特征參數(shù)進(jìn)行選擇，計(jì)算結(jié)果如表4所示。

表4 采用不同起始點(diǎn)位置的浮動搜索算法的計(jì)算結(jié)果

從表4中可以得到，浮動搜索算法的起始點(diǎn)采用種群間遺傳或個體間遺傳的方式得到了相同的特征參數(shù)最優(yōu)子集，而且比采用起始點(diǎn)獨(dú)立方式計(jì)算得到的結(jié)果更好。分析原因主要是因?yàn)榛旌纤阉魉惴ㄖ懈铀阉鞑捎闷鹗键c(diǎn)獨(dú)立的方式，沒有充分利用到每次搜索得到的特征參數(shù)最優(yōu)子集的優(yōu)勢，起始點(diǎn)不是最優(yōu)點(diǎn)，使得計(jì)算結(jié)果容易陷入局部最優(yōu)。相對于采用起始點(diǎn)獨(dú)立的方式，采用個體間遺傳的方式，可以使得搜索時間縮短45%，汽車運(yùn)行狀態(tài)特征參數(shù)最優(yōu)子集個數(shù)從11個降低到8個，采用特征參數(shù)最優(yōu)子集訓(xùn)練得到的分類器識別準(zhǔn)確度也有所提高。在汽車運(yùn)行狀態(tài)特征參數(shù)選擇計(jì)算過程中，起始點(diǎn)采用個體間遺傳的方式比采用種群間遺傳的方式的計(jì)算時間更短，原因是采用個體間遺傳的方式雖然增加了評價特征參數(shù)子集優(yōu)劣的時間，但是浮動搜索的起始點(diǎn)更加優(yōu)秀，最大程度地避免了無效搜索，縮短了搜索的時間。

不同起始點(diǎn)位置的浮動搜索算法計(jì)算得到的最優(yōu)子集中特征參數(shù)個數(shù)隨進(jìn)化代數(shù)的變化曲線如圖4所示，由圖4a可以得到，特征參數(shù)個數(shù)雖然總體上隨著進(jìn)化代數(shù)的增加而減少，但是由于沒有充分利用每次搜索得到的特征參數(shù)最優(yōu)子集的優(yōu)勢，使得計(jì)算結(jié)果很容易脫離最優(yōu)區(qū)域，搜索初期會出現(xiàn)特征參數(shù)偶爾增加的情況，而且最終的結(jié)果也不是最優(yōu)解，只能得到11個參數(shù)的特征參數(shù)最優(yōu)子集。起始點(diǎn)個體間遺傳的搜索效率最高，當(dāng)進(jìn)化代數(shù)達(dá)到31代時就得到了最優(yōu)解，比起始點(diǎn)種群間遺傳要快6代，而且得到了8個參數(shù)的特征參數(shù)最優(yōu)子集。

圖4 特征參數(shù)個數(shù)隨進(jìn)化代數(shù)的變化曲線

4 結(jié)論

為了解決汽車運(yùn)行狀態(tài)特征參數(shù)選擇問題，本文提出了一種混合搜索算法。該算法將自適應(yīng)遺傳算法和浮動搜索算法相結(jié)合，通過自適應(yīng)遺傳算法對汽車運(yùn)行狀態(tài)特征參數(shù)之間的邊界進(jìn)行搜索，依據(jù)獲得的邊界得出汽車運(yùn)行狀態(tài)特征參數(shù)全集特征；在此基礎(chǔ)上，以浮動搜索算法對全集參數(shù)進(jìn)行搜索，進(jìn)而選擇出汽車運(yùn)行狀態(tài)特征參數(shù)最優(yōu)子集。

本文中還對最優(yōu)子集中參數(shù)數(shù)量進(jìn)行了分析，得到最優(yōu)子集的識別準(zhǔn)確度會隨著參數(shù)個數(shù)的減少先增大后減小的結(jié)論。另外，通過計(jì)算說明浮動搜索算法的起始點(diǎn)采用個體間遺傳的方式，相對于采用傳統(tǒng)的起始點(diǎn)獨(dú)立的方式，可以使得汽車運(yùn)行狀態(tài)特征參數(shù)最優(yōu)子集中參數(shù)個數(shù)從11個減少到8個，并可提高搜索效率和最優(yōu)子集的識別準(zhǔn)確度。

［1］Lin C，Jeon S，Peng H，et al.Driving Pattern Recognition for Control of Hybrid Electric Trucks［J］.Vehicle System Dynamics，2004，42（1/2）：41－57.

［2］Langari R，Won J S.Intelligent Energy Management Agent for a Parallel Hybrid Vehicle—Part I：System Architecture and Design of the Driving Situation Identification Process［C］//IEEE Transaxtions on Vehicular Technology.USA：IEEE，2005：925－935.

［3］羅玉濤，胡紅斐，沈繼軍.混合動力電動汽車行駛工況分析與識別［J］.華南理工大學(xué)學(xué)報（自然科學(xué)版），2007，35（6）：8－13.Luo Yutao，Hu Hongfei，Shen Jijun.Analysis and Recognition of Running Cycles of Hybrid Electric Vehicle［J］.Journal of South China University of Technology（Natural Science Edition），2007，35（6）：8－13.

［4］周楠，王慶年，曾小華.基于工況識別的HEV自適應(yīng)能量管理算法［J］.湖南大學(xué)學(xué)報（自然科學(xué)版），2009，36（9）：37－41.

Zhou Nan，Wang Qingnian，Zeng Xiaohua.Adaptive HEV Energy Managemen Algorithms Based on Drive－cycle Recognition［J］.Journal of Hunan University（Natural Sciences），2009，36（9）：37－41.

［5］Zhang Liang，Zhang Xin，Tian Yi，et al.Intelligent Energy Management for Parallel HEV Based on Driving Cycle Identification using SVM［C］//The Institution of Engineering and Technology，Proceedings of the 2009 International Workshop on Information Security and Application.Oulu：IWISA，2009：457－460.

［6］田毅，張欣，張昕，等.基于神經(jīng)網(wǎng)絡(luò)工況識別的HEV模糊控制策略［J］.控制理論與應(yīng)用，2011，28（3）：363－369.

Tian Yi，Zhang Xin，Zhang Xin，et al.HEV Fuzzy Control Strategy Based on the Neural Network Identification of Driving Cycle［J］.Control Theory＆ Applications，2011，28（3）：363－369.

［7］Ericsson E.Independent Driving Pattern Factors and Their Influence on Fuel－use and Exhaust Emission Factors［J］.Transportation Research Part D，2001，6（4）：325－345.

［8］魏志成.基于遺傳算法的魯棒數(shù)字圖像水印研究［D］.天津：天津大學(xué)，2007.

［9］曾喻江.基于遺傳算法的衛(wèi)星星座設(shè)計(jì)［D］.武漢：華中科技大學(xué)，2007.

［10］Somol P，Pudil P，Novovicova J，et al.Adaptive Floating Search Methods in Feature Selection［J］.Pattern Recognition Letters，1999，20（3）：1157－1163.

［11］Songyot N，David P C.An Improvement on Floating Search Algorithms for Feature Subset Selection［J］.Pattern Recognition，2009，42（4）：1932－1940.