一种碳载量估算神经网络模型的训练方法和相关设备与流程

本发明涉及发动机控制，具体涉及一种碳载量估算神经网络模型的训练方法和相关设备。

背景技术：

1、碳载量其实就是颗粒捕集器的碳载量，是颗粒捕集器(diesel-particulate-filter，简称dpf)捕捉到的微小颗粒数量。颗粒捕集器可以过滤尾气中的微小颗粒，从而起到净化尾气的作用。dpf碳载量低于百分之十五属于正常的情况，如果高于百分之十五则可能出现了堵塞，需要再生复位处理。因此，为了及时净化尾气，碳载量的预测十分重要，对于神经网络的碳载量数据预测，神经网络的数据设计和采集是关键因素，一般要求输入数据符合均匀分布，但在实际工作中，遇到的问题是，实际碳载量数据不符合均匀分布，或者是实际碳载量的数据丢失，或者是实际碳载量数据不全，原因可能是试验设计考虑不周，或者是实际执行困难。如果是这样的话，模型建立和训练会受到很大影响，继而使得碳载量估算值精度不够，模型泛化性能差。

2、因此，如何提高模型训练过程中的碳载量数据的可靠性，为本领域技术人员亟待解决的技术问题之一。

技术实现思路

1、有鉴于此，本发明实施例提供一种碳载量估算神经网络模型的训练方法和相关设备，以实现提高神经网络模型的碳载量数据的预测结果的可靠性。

2、为实现上述目的，本发明实施例提供如下技术方案：

3、一种碳载量估算神经网络模型的训练方法，其特征在于，包括：

4、获取神经网络模型的碳载量估算损失函数，所述神经网络模型用于进行碳载量估算；

5、采用概率因子对所述碳载量估算损失函数进行修正，所述概率因子为神经网络模型的预测值与目标空间中任意目标值的距离之间的相似性的倒数；

6、基于修正后的碳载量估算损失函数对神经网络模型进行训练。

7、可选的，上述碳载量估算神经网络模型的训练方法中，所述概率因子wp为：

8、

9、或

10、

11、

12、其中，c为比例常数；

13、k用于表示第k个神经元；

14、p表示训练过程中输入样本的数量；

15、t表示输入样本对应的目标值；

16、o表示输入样本对应的预测值；

17、tp表示第p个输入样本对应的目标值；

18、op表示第p个输入样本对应的预测值；

19、p2(tp)表示tp在目标域中出现的概率，所述目标域为p个目标值组成的集合；

20、dtp表示tp的积分；

21、表示tp出现的次数；

22、采用基于修正后的碳载量估算损失函数对神经网络模型进行训练。

23、可选的，上述碳载量估算神经网络模型的训练方法中，所述c为超参数，取值为20。

24、可选的，上述碳载量估算神经网络模型的训练方法中，采用概率因子对所述碳载量估算损失函数进行修正，包括：

25、将碳载量估算损失函数与所述概率因子进行乘积运算，将乘积运算结果作为修正后的碳载量估算损失函数。

26、可选的，上述碳载量估算神经网络模型的训练方法中，所述碳载量估算损失函数loss为其中，l为神经网络模型输出层的神经元节点。

27、可选的，上述碳载量估算神经网络模型的训练方法中，所述神经网络模型的隐含层第i个节点的输入neti为

28、所述神经网络模型的隐含层第i个节点的输出oi为

29、所述神经网络模型的输出层第k个节点的输入netk为

30、

31、所述神经网络模型的输出层第k个节点的输出ok为

32、

33、其中，wij为隐含层第i个节点的权值；

34、所述xj为输入样本的第j个特征值；

35、所述θi为隐含层第i个节点的阀值；

36、所述wki为输出层第k个节点的权值；

37、所述φ为隐含层传递函数；

38、所述ak为输出层第k个节点的阀值；

39、ψ为输出层传递函数；

40、m等于神经网络模型的输入数量与延迟步长的乘积；

41、所述神经网络模型的输出层第k个节点权值的修正量δwki为

42、

43、所述神经网络模型的输出层第k个节点阀值的修正量δak为

44、

45、所述神经网络模型的隐含层第i个节点权值的修正量δwij为

46、

47、所述神经网络模型的隐含层第i个节点阀值的修正量δθi为

48、

49、其中，所述η为学习速率；

50、所述ψ′为输出层传递函数的反函数；

51、所述yi为第i个隐含层单元的输出，也即第k个输出层单元的输入；

52、所述φ′为隐含层传递函数的反函数。

53、可选的，上述碳载量估算神经网络模型的训练方法中，还包括：

54、采用动量-自适应梯度下降法学习所述神经网络模型的权值和阀值。

55、一种碳载量估算神经网络模型的训练装置，包括：

56、模型获取单元，用于获取用于进行碳载量估算的神经网络模型；

57、损失函数修正单元，用于获取神经网络模型的碳载量估算损失函数，采用概率因子对所述碳载量估算损失函数进行修正，所述概率因子为神经网络模型的预测值与目标空间中任意目标值的距离之间的相似性的倒数；

58、模型训练单元，用于基于修正后的碳载量估算损失函数对神经网络模型进行训练。

59、一种碳载量估算神经网络模型的训练设备，包括：

60、包括存储器和处理器；

61、所述存储器，用于存储程序；

62、所述处理器，用于执行所述程序，实现上述任一项所述的碳载量估算神经网络模型的训练方法的各个步骤。

63、一种汽车，包括上述碳载量估算神经网络模型的训练装置。

64、基于上述技术方案，本发明实施例提供的碳载量估算神经网络模型的训练方法和相关设备，通过采用概率因子对所述碳载量估算损失函数进行修正，基于修正后的损失函数训练所述神经网络模型，可以使得出现频次高的目标值拟合度更高，从而在采用训练后的神经网络模型进行碳载量数据预测时，能够有效提高碳载量数据的预测精度，改善神经网络模型泛化性能。

技术特征：

1.一种碳载量估算神经网络模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的碳载量估算神经网络模型的训练方法，其特征在于，

3.根据权利要求1所述的碳载量估算神经网络模型的训练方法，其特征在于，所述c为超参数，取值为20。

4.根据权利要求1所述的碳载量估算神经网络模型的训练方法，其特征在于，采用概率因子对所述碳载量估算损失函数进行修正，包括：

5.根据权利要求2所述的碳载量估算神经网络模型的训练方法，其特征在于，所述碳载量估算损失函数loss为其中，l为神经网络模型输出层的神经元节点。

6.根据权利要求5所述的碳载量估算神经网络模型的训练方法，其特征在于，所述神经网络模型的隐含层第i个节点的输入neti为

7.根据权利要求6所述的碳载量估算神经网络模型的训练方法，其特征在于，还包括：

8.一种碳载量估算神经网络模型的训练装置，其特征在于，包括：

9.一种碳载量估算神经网络模型的训练设备，其特征在于，包括：

10.一种汽车，其特征在于，包括权利要求8所述的碳载量估算神经网络模型的训练装置。

技术总结
本发明提供一种碳载量估算神经网络模型的训练方法和相关设备，方案通过采用概率因子对所述碳载量估算损失函数进行修正，基于修正后的损失函数训练所述神经网络模型，可以使得出现频次高的目标值拟合度更高，从而在采用训练后的神经网络模型进行碳载量数据预测时，能够有效提高碳载量数据的预测精度，改善神经网络模型泛化性能。

技术研发人员：王秀雷,赵康荏,史彦晓
受保护的技术使用者：潍柴动力股份有限公司
技术研发日：
技术公布日：2024/3/27