CN103279795A - 一种乘员碰撞损伤的预测方法 - Google Patents
一种乘员碰撞损伤的预测方法 Download PDFInfo
- Publication number
- CN103279795A CN103279795A CN2013102305565A CN201310230556A CN103279795A CN 103279795 A CN103279795 A CN 103279795A CN 2013102305565 A CN2013102305565 A CN 2013102305565A CN 201310230556 A CN201310230556 A CN 201310230556A CN 103279795 A CN103279795 A CN 103279795A
- Authority
- CN
- China
- Prior art keywords
- occupant
- injury
- prediction
- unconfinement
- guest room
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006378 damage Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 57
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 31
- 208000014674 injury Diseases 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 10
- 230000033001 locomotion Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 10
- 206010019196 Head injury Diseases 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 208000029224 Thoracic injury Diseases 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 208000028373 Neck injury Diseases 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims 2
- 210000005036 nerve Anatomy 0.000 claims 2
- 210000000038 chest Anatomy 0.000 claims 1
- 239000006185 dispersion Substances 0.000 claims 1
- 238000002474 experimental method Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 13
- 238000003050 experimental design method Methods 0.000 abstract description 2
- 238000005034 decoration Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 208000018982 Leg injury Diseases 0.000 description 6
- 206010061225 Limb injury Diseases 0.000 description 6
- 238000013401 experimental design Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 206010061386 Chest injury Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 244000309466 calf Species 0.000 description 2
- 238000013400 design of experiment Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000004221 Multiple Trauma Diseases 0.000 description 1
- 208000023637 Multiple injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种乘员碰撞损伤的预测方法，铁道车辆发生碰撞后，铁道车辆客室内就座的非约束乘员与客室结构间由于相对运动继而发生二次碰撞，该预测方法包括以下步骤：首先提取乘员致伤影响因素，并分析乘员容易受损伤的身体部位，其次基于相关预测方法构建预测模型，再次基于实验设计方法选取的样本对预测模型进行训练，然后利用训练好的预测模型进行损伤预测，最后评价预测模型精度。利用该预测方法，对同一初始状态的乘员在不同试验参数条件下的损伤参数进行预测，从而方便快捷地获得想要得到的乘员损伤指标，大大减少重复试验次数，提高客室内结构参数设计效率。该发明为评估现有和新设计的铁道车辆客室内饰结构参数的安全性能提供了一种新的途径和方法。
Description
技术领域
本发明涉及一种乘员碰撞损伤的预测方法，尤其是在铁道车辆发生碰撞后，铁道车辆客室内就座的非约束乘员碰撞损伤的预测方法。
背景技术
“安全”是永恒的话题，而铁道车辆碰撞事故无法完全避免，世界上许多国家已将碰撞安全性列为铁道车辆装备的核心指标之一。根据维基百科世界铁路事故统计资料，在铁路重大伤亡事故中由列车碰撞所引起的事故比例高达56％。铁道车辆一般由多节车厢组成，当发生碰撞事故后，其撞击过程往往是多节车厢耦合撞击的复杂过程，当两列车端车相互接触发生碰撞时，后面的车厢会接二连三地与前面的车发生接触碰撞，在这个过程中，一般将机车车辆与外部物体及车辆自身结构之间的撞击定义为一次撞击，将人体与车辆内部结构之间的撞击定义为二次撞击。二次碰撞是由于“一次撞击”过程中车辆的急剧减速，乘员与车辆间较快的相对运动致使人体与车辆客室内部结构如车辆座椅、桌子、侧墙、地板、车顶以及乘员之间发生撞击或乘员被抛出车外而造成的伤亡事故。在二次碰撞过程中，车厢内客室空间可能是完好的，人体损伤程度与车辆碰撞过程中的减/加速度、客室内饰结构参数及客室结构的接触刚度等因素有关。
发明内容
本发明正是以铁道车辆客室内就座的非约束乘员为研究对象，基于数值模拟得到的有限试验观测值，建立乘员损伤预测模型，对同一初始状态的乘员在不同试验参数条件下的损伤参数进行预测，从而方便快捷地获得想要得到的乘员损伤指标，大大减少重复试验次数，提高客室内结构参数设计效率。
为实现上述目的，本发明提供一种乘员碰撞损伤的预测方法，所述乘员为铁道车辆客室内就座的非约束乘员，铁道车辆发生碰撞后，所述非约束乘员与客室结构间由于相对运动继而发生二次碰撞，其特征在于包括以下步骤：
(a)根据就座后的所述非约束乘员与客室结构间的相互关系以及所述非约束乘员之间的相互关系，提取车辆客室内非约束乘员致伤影响因素，所述非约束乘员致伤影响因素包括碰撞初始条件、客室内乘员和客室结构间的相互关系以及客室内乘员和乘员之间的相互关系，其中客室内乘员和客室结构间相互关系包括乘员对面为桌子，乘员对面为椅子，乘员对面也为乘员；
(b)在所述非约束乘员与客室结构间的不同相互关系条件下，分析客室内所述非约束乘员最容易受到损伤的身体关键部位，并以所述关键部位的损伤参数或损伤指标为预测目标；
(c)结合人工神经网络模型和非线性全局寻优方法建立混合算法预测模型；
(d)利用正交试验设计方法挑选出具有均匀分散、齐整可比特点的有代表性的样本点作为训练样本，训练所述预测模型；
(e)利用训练好的预测模型进行车辆客室内非约束乘员碰撞损伤预测，并评价所述预测模型的精度。
其中，所述非约束乘员致伤影响因素进一步包括：当乘员对面为桌子时，影响乘员二次碰撞损伤程度的因素有二次碰撞速度，冲击加速度，小桌的高度h，小桌与座椅的距离l1以及小桌的接触刚度k1；当乘员对面为椅子时，影响乘员二次碰撞损伤程度的因素有二次碰撞速度，冲击加速度，座椅的间距l2以及座椅的接触刚度k2；当乘员对面也为乘员时，影响乘员二次碰撞损伤程度的因素有二次碰撞速度，冲击加速度，座椅的间距l2以及座椅的接触刚度k2。
当乘员对面为桌子时，所述预测目标为为胸部和小腿的相关损伤参数；当乘员对面为椅子时，所述预测目标为为头部、颈部和小腿的相关损伤参数；当乘员对面也为乘员时，所述预测目标为头部、颈部和小腿的相关损伤参数。
其中，所述人工神经网络模型包括BP神经网络模型，所述非线性全局寻优方法包括模拟退火算法、蚁群算法和遗传算法；所述步骤(c)进一步包括：
(c1)将非线性全局寻优算法训练出来的最佳神经网络的权值和阈值作为人工神经网络的初始值对神经网络进行初始化；
(c2)对初始化后的人工神经网络进行训练学习，直到误差收敛到设定的精度时训练结束；
(c3)将检测达到要求后的预测模型运用于乘员碰撞损伤预测分析中。
步骤(d)中的训练样本中不同量级的数据采用不同的归一化方法：对于数据量级相对比较大的数据采用对数函数y＝lg(x)/10进行归一化处理；对于数据量级相对比较小的数据采用反正切函数y＝2arctg(x)/π进行归一化处理；其中，所述数量级相对比较大的数据如头部损伤参数HIC、胸部损伤参数TC3MS等，所述数量级相对比较小的数据如颈部损伤参数NIJ、腿部损伤参数TI等。
其中，预测模型的精度评价指标包括：相对误差RE，相对预测误差的平均值MRE，均方误差MSE，决定系数R2和均方误差方根RMSE。
本发明构建的人体关键部位损伤预测模型，很好地运用到铁道车辆客室内乘员的碰撞损伤研究过程中，实现了多影响因素条件下乘员的多损伤参数的预测，从而方便快捷地获得想要得到的乘员损伤指标，大大减少重复试验次数，提高客室内结构参数设计效率。为评估现有和新设计的铁道车辆客室内饰结构参数的安全性能提供了一种新的途径和方法。
附图说明
图1为乘员碰撞损伤的预测方法主要步骤图。
图2为客室内非约束乘员相对位置示意图。
图3为BP神经网络模型图。
具体实施方式
下面参照附图详细说明本发明的实施方式。图1是乘员碰撞损伤的预测方法主要步骤图。
首先，提取乘员致伤影响因素：当列车发生相互接触碰撞后，车内非约束乘员与客室结构间会有相对运动继而发生二次碰撞，在这个过程中影响乘员二次碰撞损伤程度的因素除加载条件(如冲击加速度)外，还与客室内乘员和客室结构间、乘员和乘员间的相互关系有关。如图2所示，对于我国普通客运列车的传统客室结构布置中，就座后的乘员与客室间的相互关系有：乘员3对面为桌子，乘员4对面为椅子，乘员5对面也为乘员。
当乘员3对面为桌子2时，影响乘员3二次碰撞损伤程度的因素有冲击加速度，小桌2的高度h，小桌2与座椅1的距离l1以及小桌2的接触刚度k1；
当乘员4对面为椅子时，影响乘员4二次碰撞损伤程度的因素有冲击加速度，两座椅的间距l2以及座椅1的接触刚度k2；
当乘员5对面也为乘员时，影响乘员5二次碰撞损伤程度的因素同样有冲击加速度，两座椅的间距l2以及座椅1的接触刚度k2。
其次，分析客室内非约束乘员最易受到损伤的身体关键部位：也从客室内就座的乘员和客室结构之间、乘员和乘员之间的三种相互关系进行分析：
当乘员3对面为桌子2时，通过分析该乘员3最易受到损伤的人体关键部位为胸部和小腿，所以在该损伤预测过程中重点关注的预测目标为胸部损伤参数和腿部损伤参数；
当乘员4对面为椅子1时，通过分析该乘员4最易受到损伤的人体关键部位为头部、颈部和小腿，所以在该损伤预测过程中重点考察的预测目标为头部损伤参数、颈部损伤参数和腿部损伤参数；
当乘员5对面也为乘员时，通过分析两相撞乘员最易受到损伤的人体关键部位为头部、颈部和小腿，所以在该损伤预测过程中同样重点考察的预测目标为头部损伤参数、颈部损伤参数和腿部损伤参数。
再次，构建预测模型并训练预测模型：为了分析各影响因素对乘员损伤参数的影响规律，有效地预测铁道车辆客室内非约束乘员的碰撞损伤情况，结合人工神经神经网络模型和非线性全局寻优方法各自特点建立了混合算法预测模型。具体方法是，先将非线性全局寻优方法训练出来的最佳神经网络的权值和阈值作为人工神经网络的初始值对神经网络进行初始化，然后对初始化后的人工神经网络进行训练学习，直到误差收敛到设定的精度时训练结束，最后将检测达到要求后的网络模型运用于乘员碰撞损伤预测分析中。
其中，所述人工神经网络模型包括BP神经网络模型，本发明将人工神经网络采用BP人工神经网络。神经网络(Artificial Neural Network)模型采用黑匣式的预测，它自身强大的学习能力可将需考虑的多种因素的数据进行融合，输出一个经非线性转换后的较精确的预测值。神经网络中常用的一种模型是BP人工神经网络，该网络模型是一种前向多层神经网络，能较好地处理多因素、不确定性、非线性的预测问题，且能用于解决同时存在多个自变量和多个应变量的预测预报问题。
如图3所示，BP神经网络由输入层、隐含层和输出层构成：输入层神经元为影响乘员损伤参数的主要因素，如冲击加速度，小桌的高度h，小桌与座椅的距离l1，小桌的接触刚度k1，座椅的间距l2以及座椅的接触刚度k2等；输出层神经元为乘员的损伤参数或损伤指标，如头部损伤参数、颈部损伤参数、胸部损伤参数、腿部损伤参数等；隐含层的神经元个数可以通过公式(2r+1，r为输入节点个数)得出。
在本发明中使用的人工神经网络模型的权值和阈值通常是随机选取的，这样不利于提高预测模型的收敛速度，所以要借助寻优方法来优化得到最佳的权值和阈值作为神经网络的初始值对神经网络进行初始化。由于这个优化问题的优化函数是复杂的多峰函数，常规的寻优方法很难得到全局最优解，这种在一定规则的指导下随机搜索模型空间，达到全局寻优目的的优化方法称作全局寻优方法。全局寻优方法避开了由于梯度值计算而引入的局部线性化，使得算法的最终结果不依赖于初始值的选择。常用的非线性全局寻优方法有模拟退火算法、蚁群算法和遗传算法等。本发明中非线性全局寻优方法采用遗传算法。
而遗传算法(Genetic Algorithm)是一种仿效自然界自然选择和自然遗传机制的高度并行、随机、自适应计算模型，是一种通过模拟自然进化过程搜索全局最优解的方法。遗传算法GA因其高效、实用、鲁棒性强等优点而得到广泛应用。在本方法优化训练BP神经网络模型连接权和阀值的问题中，就借助了遗传算法进行寻优，其基本过程是：首先将目标函数转化为适应度函数，然后进行遗传算法的复制(Reproduction)、交叉(Crossover)和变异(Mutation)三个进化步骤，选择即选出每个模式中的最优个体，交叉即对每个模式中除最优个体外的其它个体进行交叉，使交叉的子代适应度大于父代，不大于则循环，直到满足条件或不能继续进行为止，交叉中不满足条件的个体最后进行变异。遗传算法认为生物由低级到高级进化，采用最佳个体保留法，使后代不差于前一代，最终得到最大适应度个体，也即本方法中所求模型的最优值。
BP神经网络训练学习过程中的样本选取：由于正交试验设计方法挑选出的有代表性的点具备“均匀分散、齐整可比”的特点，故正交试验设计被用于本方法中训练样本的选取。试验设计(Design OfExperiment：DOE)是为了对试验数据进行合理的统计分析研究，基于概率论和数理统计等理论经济科学地布置试验方案来处理目标响应值和试验因素之间关系的研究方法。其具体方法是通过合理选择试验条件来布置试验，以及对试验数据进行分析处理从而合理地设计出总体最优的试验方案。试验指标、试验因素和试验水平是进行试验设计要考虑的三个缺一不可的要素；在试验设计过程中，比较常用的试验设计方法有全因子试验设计、正交试验设计、均匀试验设计、拉丁超立方设计和最优拉丁超立方设计等。
为了加快网络训练的收敛性和使预测结果更加精准，在预测模型训练学习之前，样本中不同量级的数据采用不同的归一化方法：对于数据量级相对比较大的数据采用对数函数y＝lg(x)/10进行归一化处理(如头部损伤参数HIC、胸部损伤参数TC3MS的结果)；对于数据量级相对比较小的数据采用反正切函数y＝2arctg(x)/π进行归一化处理(如颈部损伤参数NIJ、腿部损伤参数TI的结果)。
最后，利用训练好的模型进行预测及其预测精度评价：为了客观评价预测模型的预测精度，借助预测精度评价指标对模型的预测结果进行了分析，常用的预测精度评价指标有：相对误差RE，相对预测误差的平均值MRE，均方误差MSE，决定系数R2，均方误差方根RMSE(即标准误差)等，当这些评价指标均达到理想限值范围内时，就认为该预测模型具有理想的预测精度。
Claims (6)
1.一种乘员碰撞损伤的预测方法，所述乘员为铁道车辆客室内就座的非约束乘员，铁道车辆发生碰撞后，所述非约束乘员与客室结构间由于相对运动继而发生二次碰撞，其特征在于包括以下步骤：
(a)根据就座后的所述非约束乘员与客室结构间的相互关系以及所述非约束乘员之间的相互关系，提取车辆客室内非约束乘员致伤影响因素，所述非约束乘员致伤影响因素包括碰撞初始条件、客室内乘员和客室结构间的相互关系以及客室内乘员和乘员之间的相互关系，其中客室内乘员和客室结构间相互关系包括乘员对面为桌子，乘员对面为椅子，乘员对面也为乘员；
(b)在所述非约束乘员与客室结构间的不同相互关系条件下，分析客室内所述非约束乘员最容易受到损伤的身体关键部位，并以所述关键部位的损伤参数或损伤指标为预测目标；
(c)结合人工神经网络模型和非线性全局寻优方法建立混合算法预测模型；
(d)利用正交试验设计方法挑选出具有均匀分散、齐整可比特点的有代表性的样本点作为训练样本，训练所述预测模型；
(e)利用训练好的预测模型进行车辆客室内非约束乘员碰撞损伤预测，并评价所述预测模型的精度。
2.如权利要求1所述的预测方法，所述非约束乘员致伤影响因素进一步包括：当乘员对面为桌子时，影响乘员二次碰撞损伤程度的因素有二次碰撞速度，冲击加速度，桌子的高度h，桌子与椅子的距离l1以及桌子的接触刚度k1；当乘员对面为椅子时，影响乘员二次碰撞损伤程度的因素有二次碰撞速度，冲击加速度，椅子的间距l2以及椅子的接触刚度k2；当乘员对面也为乘员时，影响乘员二次碰撞损伤程度的因素有二次碰撞速度，冲击加速度，椅子的间距l2以及椅子的接触刚度k2。
3.如权利要求1所述的预测方法，当乘员对面为桌子时，所述预测目标为为胸部和小腿的相关损伤参数；当乘员对面为椅子时，所述预测目标为为头部、颈部和小腿的相关损伤参数；当乘员对面也为乘员时，所述预测目标为头部、颈部和小腿的相关损伤参数。
4.如权利要求1-3任一项所述的预测方法，所述人工神经网络模型包括BP神经网络模型，所述非线性全局寻优方法包括模拟退火算法、蚁群算法和遗传算法，步骤(c)进一步包括：
(c1)将非线性全局寻优方法训练出来的最佳神经网络的权值和阈值作为人工神经网络的初始值对神经网络进行初始化；
(c2)对初始化后的人工神经网络进行训练学习，直到误差收敛到设定的精度时训练结束；
(c3)将检测达到要求后的预测模型运用于乘员碰撞损伤预测分析中。
5.如权利要求1所述的预测方法，所述训练样本中不同量级的数据采用不同的归一化方法：对于数据量级相对比较大的数据采用对数函数y＝lg(x)/10进行归一化处理，对于数据量级相对比较小的数据采用反正切函数y＝2arctg(x)/π进行归一化处理；所述数量级相对比较大的数据如头部损伤参数HIC、胸部损伤参数TC3MS等，所述数量级相对比较小的数据如颈部损伤参数NIJ、腿部损伤参数TI等。
6.如权利要求1所述的预测方法，所述预测模型的精度评价指标包括：相对误差RE，相对预测误差的平均值MRE，均方误差MSE，决定系数R2和均方误差方根RMSE。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310230556.5A CN103279795B (zh) | 2013-06-13 | 2013-06-13 | 一种乘员碰撞损伤的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310230556.5A CN103279795B (zh) | 2013-06-13 | 2013-06-13 | 一种乘员碰撞损伤的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103279795A true CN103279795A (zh) | 2013-09-04 |
| CN103279795B CN103279795B (zh) | 2016-01-13 |
Family
ID=49062307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310230556.5A Active CN103279795B (zh) | 2013-06-13 | 2013-06-13 | 一种乘员碰撞损伤的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103279795B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104908842A (zh) * | 2014-03-11 | 2015-09-16 | 东北林业大学 | 一种减轻行人与微型客车碰撞事故中头部碰撞损伤的方法 |
| CN106872180A (zh) * | 2017-01-24 | 2017-06-20 | 中国汽车技术研究中心 | 一种用于车辆正碰中判定乘员头部损伤的方法 |
| CN108625636A (zh) * | 2018-04-30 | 2018-10-09 | 罗杰敏 | 一种智慧城市安全交通系统 |
| CN108664910A (zh) * | 2018-04-30 | 2018-10-16 | 许晓山 | 校园学生接送管理系统 |
| CN109785951A (zh) * | 2019-02-20 | 2019-05-21 | 江苏大学 | 一种多车碰撞中乘员伤情预测及优先救援方法 |
| CN110009109A (zh) * | 2019-03-01 | 2019-07-12 | 上海拍拍贷金融信息服务有限公司 | 模型预测方法、装置、设备及存储介质 |
| CN110379516A (zh) * | 2019-07-24 | 2019-10-25 | 国网山东省电力公司鲁能体育文化分公司 | 一种基于大数据的运动机能分析伤病风险概率预测非线性模型的构建方法 |
| CN110377988A (zh) * | 2019-07-08 | 2019-10-25 | 清华大学 | 乘员道路交通事故损伤预测方法 |
| CN110766213A (zh) * | 2019-10-15 | 2020-02-07 | 清华大学 | 汽车乘员碰撞损伤预测方法及计算机设备 |
| CN110851958A (zh) * | 2019-10-16 | 2020-02-28 | 清华大学 | 碰撞严重性的预测方法 |
| CN111027168A (zh) * | 2019-10-15 | 2020-04-17 | 长沙理工大学 | 一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法 |
| CN111695692A (zh) * | 2019-03-12 | 2020-09-22 | 现代自动车株式会社 | 用于预测损伤程度的装置和方法 |
| CN112308330A (zh) * | 2020-11-09 | 2021-02-02 | 清华大学 | 数字化事故数据库构建方法、装置和计算机设备 |
| CN113109666A (zh) * | 2021-04-09 | 2021-07-13 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
| CN113487075A (zh) * | 2021-06-29 | 2021-10-08 | 东风汽车集团股份有限公司 | 一种车辆事故乘员伤害预测方法、系统及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040002932A1 (en) * | 2002-06-28 | 2004-01-01 | Horvitz Eric J. | Multi-attribute specfication of preferences about people, priorities and privacy for guiding messaging and communications |
| CN101419679A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种混合动力电动汽车行驶状态的智能识别方法 |
| US7542949B2 (en) * | 2004-05-12 | 2009-06-02 | Mitsubishi Electric Research Laboratories, Inc. | Determining temporal patterns in sensed data sequences by hierarchical decomposition of hidden Markov models |
| CN101609515A (zh) * | 2009-06-25 | 2009-12-23 | 福州大学 | 基于人工智能的混凝土配合比设计方法 |
-
2013
- 2013-06-13 CN CN201310230556.5A patent/CN103279795B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040002932A1 (en) * | 2002-06-28 | 2004-01-01 | Horvitz Eric J. | Multi-attribute specfication of preferences about people, priorities and privacy for guiding messaging and communications |
| US7542949B2 (en) * | 2004-05-12 | 2009-06-02 | Mitsubishi Electric Research Laboratories, Inc. | Determining temporal patterns in sensed data sequences by hierarchical decomposition of hidden Markov models |
| CN101419679A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种混合动力电动汽车行驶状态的智能识别方法 |
| CN101609515A (zh) * | 2009-06-25 | 2009-12-23 | 福州大学 | 基于人工智能的混凝土配合比设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王文斌 等: "高速列车座椅间距对乘员二次碰撞伤害的影响", 《计算机辅助工程》, 30 June 2008 (2008-06-30) * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104908842A (zh) * | 2014-03-11 | 2015-09-16 | 东北林业大学 | 一种减轻行人与微型客车碰撞事故中头部碰撞损伤的方法 |
| CN106872180A (zh) * | 2017-01-24 | 2017-06-20 | 中国汽车技术研究中心 | 一种用于车辆正碰中判定乘员头部损伤的方法 |
| CN106872180B (zh) * | 2017-01-24 | 2019-03-19 | 中国汽车技术研究中心 | 一种用于车辆正碰中判定乘员头部损伤的方法 |
| CN108625636A (zh) * | 2018-04-30 | 2018-10-09 | 罗杰敏 | 一种智慧城市安全交通系统 |
| CN108664910A (zh) * | 2018-04-30 | 2018-10-16 | 许晓山 | 校园学生接送管理系统 |
| CN109785951A (zh) * | 2019-02-20 | 2019-05-21 | 江苏大学 | 一种多车碰撞中乘员伤情预测及优先救援方法 |
| CN110009109A (zh) * | 2019-03-01 | 2019-07-12 | 上海拍拍贷金融信息服务有限公司 | 模型预测方法、装置、设备及存储介质 |
| CN110009109B (zh) * | 2019-03-01 | 2021-09-10 | 上海拍拍贷金融信息服务有限公司 | 用于预测用户逾期还款概率的模型预测方法及相关设备 |
| CN111695692A (zh) * | 2019-03-12 | 2020-09-22 | 现代自动车株式会社 | 用于预测损伤程度的装置和方法 |
| CN110377988A (zh) * | 2019-07-08 | 2019-10-25 | 清华大学 | 乘员道路交通事故损伤预测方法 |
| CN110377988B (zh) * | 2019-07-08 | 2020-05-22 | 清华大学 | 乘员道路交通事故损伤预测方法 |
| CN110379516A (zh) * | 2019-07-24 | 2019-10-25 | 国网山东省电力公司鲁能体育文化分公司 | 一种基于大数据的运动机能分析伤病风险概率预测非线性模型的构建方法 |
| CN110379516B (zh) * | 2019-07-24 | 2023-01-10 | 国网山东省电力公司鲁能体育文化分公司 | 一种基于大数据的运动机能分析伤病风险概率预测非线性模型的构建方法 |
| CN110766213A (zh) * | 2019-10-15 | 2020-02-07 | 清华大学 | 汽车乘员碰撞损伤预测方法及计算机设备 |
| CN111027168A (zh) * | 2019-10-15 | 2020-04-17 | 长沙理工大学 | 一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法 |
| CN111027168B (zh) * | 2019-10-15 | 2022-10-04 | 长沙理工大学 | 一种用于检测装备在毁灭性碰撞时承载能力的原位无损检测方法 |
| CN110851958A (zh) * | 2019-10-16 | 2020-02-28 | 清华大学 | 碰撞严重性的预测方法 |
| CN110851958B (zh) * | 2019-10-16 | 2021-04-20 | 清华大学 | 一种面向乘员损伤风险的碰撞严重性预测方法 |
| US12194936B2 (en) | 2019-10-16 | 2025-01-14 | Tsinghua University | Collision severity prediction device for occupant injury risk |
| CN112308330A (zh) * | 2020-11-09 | 2021-02-02 | 清华大学 | 数字化事故数据库构建方法、装置和计算机设备 |
| CN113109666A (zh) * | 2021-04-09 | 2021-07-13 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
| CN113109666B (zh) * | 2021-04-09 | 2024-03-15 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
| CN113487075A (zh) * | 2021-06-29 | 2021-10-08 | 东风汽车集团股份有限公司 | 一种车辆事故乘员伤害预测方法、系统及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103279795B (zh) | 2016-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103279795B (zh) | 一种乘员碰撞损伤的预测方法 | |
| CN110851958B (zh) | 一种面向乘员损伤风险的碰撞严重性预测方法 | |
| CN101576443B (zh) | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 | |
| CN107194433A (zh) | 一种基于深度自编码网络的雷达一维距离像目标识别方法 | |
| CN106127747A (zh) | 基于深度学习的汽车表面损伤分类方法及装置 | |
| WO2016091084A1 (zh) | 一种基于复杂网络的高速列车系统安全评估方法 | |
| CN106250613A (zh) | 一种车轮服役状态安全域估计及故障诊断方法 | |
| CN105550515B (zh) | 一种对空气质量数据进行多级综合评判的方法 | |
| CN107239905A (zh) | 基于改进ahp‑gcm的机载网络安全风险评估方法 | |
| CN113485301B (zh) | 自动驾驶汽车控制系统的预期功能安全性能的量化评价方法 | |
| CN104318105B (zh) | 飞机飞行试验有效架次评定方法 | |
| CN104240542B (zh) | 一种基于地磁传感器网络的机场场面机动目标识别方法 | |
| CN116542521A (zh) | 一种基于rf-bp-rf模型的轨道列车事故预测方法 | |
| CN108073978A (zh) | 一种人工智能超深度学习模型的构成方法 | |
| CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
| CN116129510A (zh) | 基于眼动数据评估飞行员对不同编码信息感知的方法与装置 | |
| CN107300907A (zh) | 结合综合评估与假设检验的飞行器控制系统性能评定方法 | |
| CN110705005B (zh) | 一种自动驾驶事故测试场景筛选方法 | |
| CN108073979A (zh) | 一种导入人工智能超深度学习用于图像识别的方法 | |
| Du et al. | Evaluation of the autonomous parking system based on BP neural network | |
| Xie et al. | Forecasting impact injuries of unrestrained occupants in railway vehicle passenger compartments | |
| CN115856818A (zh) | 基于不确定性和数据拒判的雷达目标分类方法 | |
| CN116245316A (zh) | 一种电动汽车公共充电需求分析方法 | |
| Sulaimon et al. | A new reinforcement learning-based framework for unbiased autonomous software systems | |
| CN104680790A (zh) | 一种基于误差逆传播算法的集疏港公路安全评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |