“华为杯”研究生数学建模竞赛2019年-【华为杯】D题:基于改进 K-means 聚类和隐马尔可夫链的汽车行驶工况构建(附获奖论文和MATLAB代码实现)

该博客详细介绍了在2019年华为杯数学建模竞赛中,如何利用改进的K-means聚类算法和隐马尔可夫链(HMM)对汽车行驶工况进行建模。内容涵盖问题重述、模型建立、数据预处理、模型求解与检验,以及模型评价等环节,特别强调了数据异常处理和运动特征的提取。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

摘要:

一、问题重述

1.1 研究背景

1.2 问题重述

二、模型假设

三、模型符号说明

四、问题一的模型建立与求解

4.1 问题分析

4.2 数据预处理

4.2.1 GPS 速度异常数据

4.2.2 时间不连续数据

4.2.3 缺失数据补充

4.2.4 删除不良数据

4.2.4 涉及的计算公式

4.2.5 预处理后的统计分析

五、问题二的模型建立与求解

5.1 问题分析

5.2 数据处理

5.2.1 工况状态划分标准

5.2.2 时间不连续处理

5.3 提取运动学片段

六、问题三的模型建立与求解

6.1 问题分析

6.2 运动特征提取

6.3 数据处理

6.3.1 标记工况状态

6.3.2 计算特征指标值

6.3.3 确定候选片段的特征矩阵

6.4 汽车行驶工况模型的建立与求解

6.4.1 基于改进 k-means 聚类与隐马尔科夫链的行驶工况模型——模型 1

6.4.2 模型 1 的求解

6.4.3 基于多目标 0-1 线性规划的行驶工况模型——模型 2

6.4.4 模型 2 的求解

6.5 模型求解与检验

6.5.1 模型求解

6.5.2 模型检验

七、模型评价

7.1 模型的优点

7.2 模型的不足

7.3 模型的改进

八、参考文献

代码实现

读取表格文件

数据预处理(处理得到加速度 a 和相邻两段时间间隔△t 和标志位 flag )

异常数据的标记

异常数据的删除,再次计算

车辆工况状态标记

Gps 信号绘制

建立汽车运动特征评估体系

分割运动片段

隐马尔科夫链处理汽车工况数据


摘要:
汽车行驶工况的构建对于车辆能耗、排放测试,以及汽车性能指标优化有着重要意义。
而欧洲 NEDC 工况、世界 WLTC 工况等为基准的行驶工况构建并不完全适用我国汽车行驶
工况的构建,基于此,制定反映我国实际道路行驶状况的工况显得越来越重要。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

格图素书

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值