| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 主要符号对照表 | 第9-10页 |
| 第1章 引言 | 第10-18页 |
| 1.1 选题背景及意义 | 第10-13页 |
| 1.1.1 汽车工业的发展及其带来的问题 | 第10-11页 |
| 1.1.2 HCNG发动机的发展 | 第11-12页 |
| 1.1.3 发动机标定系统对发动机性能的影响 | 第12-13页 |
| 1.2 发动机电控系统标定技术国内外研究现状 | 第13-15页 |
| 1.3 支持向量机等智能算法的发展及应用 | 第15-16页 |
| 1.4 课题研究内容 | 第16-18页 |
| 第2章 HCNG发动机稳态性能研究 | 第18-28页 |
| 2.1 实验用发动机及其控制测量系统 | 第18-19页 |
| 2.1.1 实验发动机 | 第18页 |
| 2.1.2 测量系统 | 第18-19页 |
| 2.2 HCNG发动机稳态标定实验结果与分析 | 第19-26页 |
| 2.2.1 动力性能 | 第19-21页 |
| 2.2.2 经济性能 | 第21-23页 |
| 2.2.3 排放性能 | 第23-25页 |
| 2.2.4 HCNG与CNG外特性性能对比 | 第25-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第3章 支持向量机原理概述及建模 | 第28-43页 |
| 3.1 统计学习理论基础 | 第28-30页 |
| 3.1.1 有限样本的模型预测 | 第28页 |
| 3.1.2 VC维理论 | 第28-29页 |
| 3.1.3 经验风险最小化原则 | 第29页 |
| 3.1.4 结构风险最小化原则 | 第29-30页 |
| 3.2 支持向量机回归理论 | 第30-33页 |
| 3.2.1 线性支持向量机回归 | 第31-32页 |
| 3.2.2 非线性支持向量机回归 | 第32-33页 |
| 3.3 支持向量机的参数优化 | 第33-35页 |
| 3.3.1 模型参数对支持向量机回归的影响 | 第33-34页 |
| 3.3.2 智能优化支持向量机的常用方法 | 第34-35页 |
| 3.4 支持向量机建模与分析 | 第35-42页 |
| 3.4.1 20%HCNG稳态实验数据支持向量机建模 | 第35-37页 |
| 3.4.2 支持向量机回归结果分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 支持向量机模型预测精度的影响因素研究 | 第43-68页 |
| 4.1 支持向量机参数对模型预测精度的影响 | 第43-54页 |
| 4.1.1 NOx比排放预测精度随模型参数的变化规律 | 第43-47页 |
| 4.1.2 NOx比排放支持向量机模型最佳参数的确定 | 第47-54页 |
| 4.2 输入样本对模型预测精度的影响 | 第54-66页 |
| 4.2.1 单自变量数据变化对模型预测精度的影响 | 第54-60页 |
| 4.2.2 双自变量数据变化对模型预测精度的影响 | 第60-63页 |
| 4.2.3 三自变量及四变量数据变化对模型预测精度的影响 | 第63-66页 |
| 4.3 综合评定下最佳支持向量机回归模型的确定 | 第66-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 支持向量机与神经网络回归方法对比 | 第68-74页 |
| 5.1 神经网络原理概述 | 第68-69页 |
| 5.1.1 神经网络基础 | 第68页 |
| 5.1.2 三层BP神经网络 | 第68-69页 |
| 5.2 神经网络回归 | 第69-71页 |
| 5.2.1 基于全数据样本的神经网络回归 | 第69-70页 |
| 5.2.2 基于MAP及当量燃空比减半样本的神经网络回归 | 第70-71页 |
| 5.3 支持向量机与神经网络回归结果对比分析 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 全文总结 | 第74-75页 |
| 6.2 未来工作展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第82页 |
