目录
7 . 5 . 2 基于 PCA 和 K 均值聚类模型构建行驶工况曲线 PCA 降维过程及结果
7 . 5 . 3 基于 Kernel PCA 和 BIRCH 聚类模型构建行驶工况曲线
7 . 5 . 4 基于 AutoEncoder 模型优化汽车行驶工况曲线
摘要:
本文研究了汽车行驶工况的构建问题。主要创新点在于结合了随机搜索和
聚类分析法,并使用径向基核化主成分分析和
BIRCH
层次聚类方法进行改进,
最后首次提出使用自编码器直接优化已有工况的特征参数误差的方法。
问题一:我们对原始采集数据中的不良数据进行了预处理,主要包括
(1)
针
对
GPS
超级会员免费看
该研究探讨了基于随机搜索、主成分分析(PCA)、K均值聚类、BIRCH聚类以及自编码器模型(AutoEncoder)在汽车行驶工况构建中的应用。通过数据预处理解决信号丢失、加减速度异常等问题,然后通过运动学片段划分和特征降维方法,构建行驶工况曲线。模型比较分析显示,AutoEncoder模型在优化汽车行驶工况曲线方面表现出色。
订阅专栏 解锁全文
&spm=1001.2101.3001.5002&articleId=131765824&d=1&t=3&u=549cbcc914904ac1a634b01751d57c95)
2752

被折叠的 条评论
为什么被折叠?



