排序方式: 共有22条查询结果,搜索用时 15 毫秒
1.
针对现有端到端自动驾驶网络对于类人驾驶行为与思维特征模拟不足的问题,从类人驾驶特征出发,设计了一个包含时空特征、历史状态特征及未来特征的端到端类人驾驶控制决策网络。采用多层卷积和长短期卷积时序记忆网络(Conv-LSTM),对前方道路视觉感知图像时间序列进行时空特征提取,同时采用一维卷积和长短期时序记忆网络(Long Short-Term Memory,LSTM) 对车辆状态信息时间序列进行历史状态特征提取,进而采用多任务参数共享方式进行当前时刻和未来序列的方向盘转角、车速的控制决策,并以未来序列作为辅助任务督促当前时刻的主任务学习。为更好地耦合汽车纵横向控制参数学习的过程,还提出一种权衡纵横向控制参数损失量级及学习速度的权重自适应方法,并引入容差阈值,建立衡量纵横向控制参数训练效果的评价方法。依托Comma2k19数据集对所构建控制决策网络进行训练和验证,体现出良好的可行性及优越性。 相似文献
2.
3.
一种用于车内结构声源辨识的方法 总被引:1,自引:0,他引:1
结合“声学互易性原理”及车内噪声有限元分析,提出一种车内结构声源辨识的方法。该方法可以摆脱对试验的依赖,因而能够应用于车身结构的图纸设计阶段。然后,采用该方法对某型国产轿车的车内结构声源进行辨况,发现对驾驶员右耳位置处噪声贡献最大的车身结构板块为右前车项,这一结论与采用相关分析法所得结论相一致。最后,基于车内降噪优化模型对右前车顶进行降噪处理,获得了明显的降噪效果。 相似文献
4.
5.
6.
针对人工经验提取特征进行减振器异响鉴别的复杂性与不可扩展性的问题,分析了深度信念网络(deep belief networks,DBNs)在减振器异响鉴别中的应用,并结合减振器整车与台架试验提出了完整的减振器异响鉴别流程.该方法只需将收集到的减振器活塞杆顶端振动加速度信号作为输入,经过DBNs模型逐层特征学习便可进行减振器异响鉴别.同时将鉴别结果与经典的BP神经网络、支持向量机以及传统的3种人工特征提取方法进行对比分析.结果表明:在输入仅为原始信号的条件下,深度信念网络模型对减振器异响鉴别的准确率为96.7%,表明了深度信念网络在减振器异响甄别中的优越性,具有广泛的工程应用前景. 相似文献
7.
8.
9.
提出一种以车内降噪为目的车身结构动态修改的新方法,该方法将对车身壁结构的局部修改等效地视为在其上附加一子结构,并给出了车内声压变化与车身壁结构修改间的直接定量关系。以此为基础,建立了子结构的优化设计模型,通过具体算例说明了子结构位置选择的恰当与否对降噪效果至关重要,并通过试验验证了其可行性。 相似文献
10.