排序方式: 共有14条查询结果,搜索用时 0 毫秒
1.
针对已有分类器在结构形式和训练方法的不足,构建了一个以二维深度置信网络(2D deep belief networks,2D DBN)为架构的弱监督分层深度学习车辆识别算法。首先,将传统一维的深度置信网络(Deep belief networks,DBN)扩展成2D-DBN,并构建相应分类器结构,从而能够直接以二维图像像素矩阵作为输入; 其次,在传统无监督训练的目标函数中,引入了一个具有适当权重的判别度正则化项,将原有无监督训练转化为带有较弱监督性的弱监督训练方式,从而使提取的特征较传统无监督特征更具判别性。多组对比实验表明,本文所提算法在识别率等指标上要优于已有深度学习算法。 相似文献
2.
针对传统单一控制算法无法有效协调智能汽车不同转向工况下横向控制性能要求的问题,根据智能汽车在高速和低速转向工况下呈现出的系统特性差异,设计了一种基于PID控制和模型预测控制的智能汽车路径跟踪混合控制策略。该控制策略在低速模式下采用PID控制,在高速模式下则采用模型预测控制,通过车辆速度确定路径跟踪控制模式,进而设计带稳定监督的控制模式切换机制,实现了横向控制系统的平滑切换。基于Carsim和MATLAB/Simulink仿真平台对所设计的智能汽车路径跟踪混合控制策略进行了仿真验证,在此基础上,进一步完成了实车试验。仿真和实车试验结果表明,所设计的混合控制策略能够保证智能汽车不同速度下的路径跟踪性能,具有较好的跟踪精度、实时性和车辆行驶稳定性。 相似文献
3.
4.
针对一种基于双行星排构型的功率分流式混合动力汽车,建立系统动态模型,准确描述其转速转矩耦合关系,通过建立各部件的效率模型,分析不同模式下系统的工作效率. 设计控制器结构框架,以系统工作效率和电池充放电平衡为目标,构建基于模型预测控制的优化问题,采用一步马尔科夫链模型预测驾驶员需求转矩及车速,将有限时域内的优化问题转化为非线性规划问题,基于序列二次规划算法实现优化求解. 仿真研究表明,基于系统效率最优的预测控制器能够维持电池的充放电平衡,在美国城市驾驶循环(UDDS)下,当电池初始电池荷电状态(SOC)分别为0.50、0.55和0.60时,相较于以发动机燃油消耗最优为目标,车辆等效燃油经济性分别提高了7.17%、5.73%和10.11%,验证了控制器的有效性和优越性. 相似文献
5.
为了提高功率分流式混合动力汽车模式切换的稳定性,提出干扰补偿的转矩协调控制策略. 针对发动机动态响应振荡及车辆行驶工况多变的问题,设计多变量线性扩张状态观测器,从频域角度验证了观测器对于上述2种干扰的估计精确性. 研究不同干扰对基础电机补偿控制稳定性的影响,指出负载干扰对车辆模式切换响应的影响最大,引起的切换冲击最大可至24.5 m/s3. 提出基于干扰补偿的动力源转矩再分配算法,开展仿真验证. 结果表明,该协调控制策略在受到明显的外界干扰时能够保证系统的稳定性及模式切换的平顺性. 相似文献
6.
为解决智能车辆的自主转向问题,提高车辆在高速运动过程中的转向精度和稳定性,在智能网联汽车的背景下,从路径跟踪控制出发,提出一种变参数的智能网联汽车路径跟踪控制方法。该方法基于模型预测控制原理,设计了一种智能网联汽车的路径跟踪控制器。该方法先以3自由度模型的车辆模型为控制系统;对系统进行线性化后,确定系统的二次型目标函数,并依据函数形式确定矩阵形式;然后,在Carsim和Matlab/Simulink平台上进行离线仿真,确定各个典型工况下适用于该路径跟踪控制器的仿真参数;最后实现系统可根据由车联网获得车辆实际所处道路形状和实际车速选择合适的路径跟踪控制器的控制参数,完成智能网联汽车的自动转向。仿真结果表明该控制器相对于固定控制参数的控制器具有更好的控制效果,可控制车辆以较高车速行驶时达到较高跟踪精度和行驶稳定性。 相似文献
7.
8.
为实现应急救援车辆轨迹跟踪和横向稳定的优化协调,提出了一种基于哈密顿函数的车辆非线性并行控制方法。 分别
建立了车辆动力学模型和轨迹跟踪模型,通过模型变换将车辆动力学模型和轨迹跟踪模型表示为具有相同控制输入的状态方
程,从而将轨迹跟踪和横向稳定协调控制问题转化为一类非线性并行控制问题,分别设计了轨迹跟踪控制和横向稳定性控制的
哈密顿函数,讨论并证明了基于车辆特性的控制器设计存在条件,提出了一种兼顾应急救援车辆轨迹跟踪和横向稳定控制性能
的非线性并行控制方法,并证明了控制系统稳定性。 结果表明,并行控制下的轨迹跟踪精度和稳定性控制精度分别提升了
10. 13%和 13. 79%,从而验证所设计方法能够更好地实现应急救援车辆轨迹跟踪和横向稳定的协调控制。 相似文献
9.
现有基于机器学习的道路分割方法存在当训练样本和目标场景样本分布不匹配时检测效果下降显著的缺陷。针对该问题,该文提出一种基于深度卷积网络和自编码器的场景自适应道路分割算法。首先,采用较为经典的基于慢特征分析(SFA)和GentleBoost的方法,实现了带标签置信度样本的在线选取;其次,利用深度卷积神经网络(DCNN)深度结构的特征自动抽取能力,辅以特征自编码器对源-目标场景下特征相似度度量,提出了一种采用复合深度结构的场景自适应分类器模型并设计了训练方法。在KITTI测试库的测试结果表明,所提算法较现有非场景自适应道路分割算法具有较大的优越性,在检测率上平均提升约4.5%。 相似文献
10.