| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 自动变速换挡控制策略发展概述 | 第17-22页 |
| 1.2.1 传统的换挡控制策略 | 第18-20页 |
| 1.2.2 智能化的换挡控制策略 | 第20-22页 |
| 1.3 驾驶习惯识别的国内外研究现状 | 第22-24页 |
| 1.3.1 国外研究现状 | 第22-23页 |
| 1.3.2 国内研究现状 | 第23-24页 |
| 1.4 课题研究的主要内容 | 第24-26页 |
| 第二章 基于小波神经网络的驾驶习惯识别 | 第26-36页 |
| 2.1 小波神经网络结构及算法 | 第26-28页 |
| 2.1.1 小波神经网络 | 第26-27页 |
| 2.1.2 小波神经网络学习算法 | 第27-28页 |
| 2.2 驾驶习惯识别方案 | 第28-29页 |
| 2.3 小波神经网络驾驶风格辨识模型 | 第29-32页 |
| 2.3.1 有效工况及表征信号选择 | 第29页 |
| 2.3.2 训练样本 | 第29-30页 |
| 2.3.3 小波神经网络训练与辨识 | 第30-32页 |
| 2.4 贝叶斯融合决策识别驾驶习惯 | 第32-34页 |
| 2.4.1 相同工况的贝叶斯融合决策 | 第32-33页 |
| 2.4.2 所有工况的贝叶斯融合决策 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 基于相空间重构的驾驶习惯识别 | 第36-56页 |
| 3.1 引言 | 第36页 |
| 3.2 混沌时序相空间重构技术介绍 | 第36-39页 |
| 3.2.1 嵌入空间维数m和时间延迟τ的选取 | 第36-38页 |
| 3.2.2 关联维数和Kolmogorov熵计算方法 | 第38-39页 |
| 3.3 驾驶操纵参数的相空间重构 | 第39-46页 |
| 3.3.1 驾驶操纵参数的选择及获取 | 第39-41页 |
| 3.3.2 对选定驾驶操纵参数的相空间重构及分析 | 第41-46页 |
| 3.4 基于KOLMOGOROV熵和关联维数的驾驶习惯分类 | 第46-54页 |
| 3.4.1 K熵和关联维计算 | 第46-50页 |
| 3.4.2 基于K熵和关联维的驾驶习惯评价指数 | 第50-52页 |
| 3.4.3 驾驶习惯评价指数分类应用 | 第52-54页 |
| 3.5 两种驾驶习惯分类方法优缺点对比 | 第54页 |
| 3.6 本章小结 | 第54-56页 |
| 第四章 基于驾驶习惯识别的换挡修正控制策略 | 第56-74页 |
| 4.1 车辆基本换挡规律的制定 | 第56-61页 |
| 4.1.1 经济性基本换挡规律 | 第56-58页 |
| 4.1.2 动力性基本换挡规律 | 第58-61页 |
| 4.2 整车模型建立 | 第61-70页 |
| 4.2.1 发动机模型 | 第61-65页 |
| 4.2.2 变速器模型 | 第65-66页 |
| 4.2.3 车辆动力学模型 | 第66-67页 |
| 4.2.4 换挡规律模型 | 第67-68页 |
| 4.2.5 换挡逻辑判断模型 | 第68-69页 |
| 4.2.6 整车动力学模型 | 第69-70页 |
| 4.3 基于驾驶习惯识别的换挡修正控制策略 | 第70-71页 |
| 4.4 考虑驾驶习惯的换挡规律仿真与分析 | 第71-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第五章 试验及分析 | 第74-81页 |
| 5.1 驾驶习惯识别与换挡修正系统搭建 | 第74-77页 |
| 5.2 试验验证 | 第77-80页 |
| 5.3 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 总结 | 第81页 |
| 6.2 展望 | 第81-83页 |
| 参考文献 | 第83-88页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第88-89页 |