| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-32页 |
| 1.1 引言 | 第12-15页 |
| 1.2 柴油机性能标定及优化方法研究现状 | 第15-18页 |
| 1.2.1 传统试验标定方法 | 第15页 |
| 1.2.2 基于模型标定方法 | 第15-16页 |
| 1.2.3 柴油机性能优化方法 | 第16-18页 |
| 1.3 柴油机数值仿真模型发展概况 | 第18-19页 |
| 1.4 机器学习的发展及应用现状 | 第19-24页 |
| 1.4.1 神经网络的应用特点 | 第19-20页 |
| 1.4.2 神经网络在内燃机领域的应用概况 | 第20-21页 |
| 1.4.3 支持向量机的应用特点 | 第21-23页 |
| 1.4.4 支持向量机在内燃机领域的应用概况 | 第23-24页 |
| 1.5 智能优化算法的发展及应用现状 | 第24-27页 |
| 1.5.1 遗传算法 | 第24-25页 |
| 1.5.2 群体智能算法 | 第25-27页 |
| 1.6 本文研究内容 | 第27-32页 |
| 1.6.1 基于智能算法和机器学习的柴油机优化方法的提出 | 第28-29页 |
| 1.6.2 本文的研究流程和主要研究内容 | 第29-32页 |
| 第2章 柴油机试验及数值仿真模型 | 第32-54页 |
| 2.1 引言 | 第32页 |
| 2.2 原型机及试验 | 第32-35页 |
| 2.3 高压共轨系统仿真 | 第35-38页 |
| 2.3.1 高压共轨系统组成及工作原理 | 第35-36页 |
| 2.3.2 电控喷油器的结构及工作原理 | 第36-37页 |
| 2.3.3 高压共轨系统喷油规律仿真模型 | 第37-38页 |
| 2.4 柴油机工作过程仿真 | 第38-47页 |
| 2.4.1 柴油机缸内工作过程仿真 | 第38-40页 |
| 2.4.2 进排气系统仿真 | 第40-41页 |
| 2.4.3 涡轮增压器仿真 | 第41-42页 |
| 2.4.4 柴油机工作过程仿真模型标定和验证 | 第42-47页 |
| 2.5 柴油机仿真模型泛化能力验证 | 第47-52页 |
| 2.6 本章小结 | 第52-54页 |
| 第3章 柴油机机器学习预测模型应用研究 | 第54-88页 |
| 3.1 引言 | 第54-55页 |
| 3.2 神经网络预测模型研究 | 第55-67页 |
| 3.2.1 神经网络原理 | 第55页 |
| 3.2.2 神经网络模型的建立 | 第55-61页 |
| 3.2.3 神经网络模型预测性能分析 | 第61-67页 |
| 3.3 支持向量机预测模型研究 | 第67-84页 |
| 3.3.1 支持向量机基本思想 | 第67-71页 |
| 3.3.2 支持向量机回归预测模型的建立 | 第71-75页 |
| 3.3.3 支持向量机参数分析 | 第75-78页 |
| 3.3.4 支持向量机模型预测性能分析 | 第78-84页 |
| 3.4 神经网络和支持向量机对比分析 | 第84-85页 |
| 3.5 本章小结 | 第85-88页 |
| 第4章 柴油机神经网络预测模型优化研究 | 第88-104页 |
| 4.1 引言 | 第88页 |
| 4.2 传统遗传遗传算法原理 | 第88-93页 |
| 4.3 神经网络初始权值阈值优化方法 | 第93-94页 |
| 4.4 神经网络训练集验证集划分优化方法 | 第94-96页 |
| 4.5 两种神经网络优化方法对比分析 | 第96-100页 |
| 4.5.1 初始种群评估 | 第96-98页 |
| 4.5.2 进化轨迹对比 | 第98-99页 |
| 4.5.3 优化幅度对比 | 第99-100页 |
| 4.6 基于遗传算法的神经网络综合寻优算法 | 第100-102页 |
| 4.7 最优神经网络预测模型预测性能分析 | 第102-103页 |
| 4.8 本章小结 | 第103-104页 |
| 第5章 柴油机支持向量机预测模型优化研究 | 第104-114页 |
| 5.1 引言 | 第104页 |
| 5.2 人工鱼群算法原理及优化流程 | 第104-107页 |
| 5.3 基于人工鱼群算法的支持向量机参数寻优 | 第107-110页 |
| 5.4 人工鱼群寻优与网格寻优方法对比 | 第110-111页 |
| 5.5 最优支持向量机预测模型预测性能分析 | 第111-113页 |
| 5.6 本章小结 | 第113-114页 |
| 第6章 基于机器学习的柴油机智能优化方法研究 | 第114-130页 |
| 6.1 引言 | 第114页 |
| 6.2 多目标优化问题及PARETO最优解 | 第114-115页 |
| 6.3 改进的非支配排序遗传算法NSAG-II | 第115-117页 |
| 6.4 基于NSGA-II和支持向量机的柴油机多目标在线寻优方法 | 第117-120页 |
| 6.5 多目标在线寻优方法的验证 | 第120-128页 |
| 6.5.1 支持向量机的强化学习性能 | 第121-122页 |
| 6.5.2 NSGA-II算法寻优性能 | 第122-125页 |
| 6.5.3 寻优结果分析 | 第125-127页 |
| 6.5.4 在线寻优方法计算速度分析 | 第127-128页 |
| 6.6 本章小结 | 第128-130页 |
| 结论 | 第130-134页 |
| 参考文献 | 第134-152页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第152-154页 |
| 致谢 | 第154页 |