CN112508055A - 一种车辆总体性能参数比较方法及相关设备 - Google Patents
一种车辆总体性能参数比较方法及相关设备 Download PDFInfo
- Publication number
- CN112508055A CN112508055A CN202011258262.XA CN202011258262A CN112508055A CN 112508055 A CN112508055 A CN 112508055A CN 202011258262 A CN202011258262 A CN 202011258262A CN 112508055 A CN112508055 A CN 112508055A
- Authority
- CN
- China
- Prior art keywords
- vehicles
- matrix
- fuzzy
- data
- characteristic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 138
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种车辆总体性能参数比较方法及相关设备,包括:获取两辆或两辆以上车辆的两种或两种以上特征性能数据;根据所述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;对所有车辆的特征性能数据矩阵进行分析,得到所述所有车辆的模糊等价矩阵;对所述模糊等价矩阵进行分析,得到所述所有车辆的总体性能参数的比较结果。通过对待比对车辆总体性能参数性能进行计算,对待比对车辆性能参数性能做出一个综合性的排名,解决了对待比对车辆总体性能参数性能进行比较时,只能按评价指标清单逐项地进行对比的问题。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种车辆总体性能参数比较方法及相关设备。
背景技术
随着人们对汽车需求越来越大,人们对汽车得总体性能要求也越来越高,而汽车的总体性能参数包括很多种类的特征性能数据,比如,怠速振动、怠速噪声、路噪、风噪、加速噪声等。
现有技术的技术方案对汽车的总体性能进行比较时,只能按特征性能数据清单逐项地进行对比,对汽车的总体性能进行比较的效率低下,而且对比结果不便于结合到一起对汽车的总体性能进行评判,尤其是面对多辆汽车需要对比时,难以得到一个科学、综合的总体性能排名。
发明内容
鉴于现有技术存在上述技术问题,本发明实施例提供一种车辆总体性能参数比较方法及相关设备。
第一方面,本发明实施例提供一种车辆总体性能参数比较方法,包括:
获取两辆或两辆以上车辆的两种或两种以上特征性能数据;
根据所述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;
对所有车辆的特征性能数据矩阵进行分析,得到所述所有车辆的模糊等价矩阵;
对所述模糊等价矩阵进行分析,得到所述所有车辆的总体性能参数的比较结果。
可选地,所述对特征数据矩阵进行分析,得到模糊等价矩阵的步骤,包括:
对所述所有车辆的特征性能数据矩阵进行模糊聚类分析,
得到所述所有车辆的排序数据;
基于所述所有车辆的排序数据,获得所述模糊等价矩阵。
可选地,所述对基于所述所有车辆的排序数据,获得所述模糊等价矩阵的步骤,包括:
根据所述所有车辆的排序数据调整所述每辆车辆的特征数据矩阵;
根据调整后的所述每辆车辆的特征数据矩阵生成所述所有车辆的最终数据矩阵;
基于所述所有车辆的最终数据矩阵,获得所述模糊等价矩阵。
可选地,所述基于所述所有车辆的最终数据矩阵,获得所述模糊等价矩阵的步骤,包括:
计算所述最终数据矩阵的相似程度,得到所述最终数据矩阵的相似程度数据;
根据所述相似程度数据建立所述所有车辆的模糊相似矩阵;
基于所述所有车辆的模糊相似矩阵,获得所述模糊等价矩阵。
可选地,所述计算所述最终数据矩阵的相似程度,得到所述最终数据矩阵的相似程度数据的步骤,包括:
采用夹角余弦法或者数量积法对所述最终数据矩阵进行计算,获得所述最终数据矩阵的相似程度数据。
可选地,所述基于所述所有车辆的模糊相似矩阵,获得所述模糊等价矩阵的步骤,包括:
对所述模糊相似矩阵进行转化;
将转化后的所述模糊相似矩阵作为所述所有车辆的模糊等价矩阵。
可选地,所述对所述模糊等价矩阵进行分析,得到所述所有车辆的总体性能参数的比较结果的步骤,包括:
对所述所有车辆的模糊等价矩阵进行模糊聚类分析;
根据对所述模糊等价矩阵进行模糊聚类分析的分析结果,得到所述所有车辆的总体性能参数的比较结果。
第二方面,本发明实施例提供一种车辆总体性能参数比较装置,包括:
获取模块,用于获取两辆或两辆以上车辆的两种或两种以上特征性能数据;
生成模块,用于根据所述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;
转化模块,用于对所有车辆的特征性能数据矩阵进行分析,得到所述所有车辆的模糊等价矩阵;
比较模块,用于对所述模糊等价矩阵进行分析,得到所述所有车辆的总体性能参数的比较结果。
第三方面,本发明实施例提供一种电子设备,包括:储存器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器用于执行存储器中存储的计算机程序时实现如上述的车辆总体性能参数比较方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现上述的车辆总体性能参数比较方法的步骤。
本发明实施例提供的一个或者多个技术方案,至少实现了如下技术效果或者优点:
通过本发明实施例提供的车辆总体性能参数比较方法及相关设备,通过获取两辆或两辆以上车辆的两种或两种以上特征性能数据;从车辆的众多种性能参数中提炼出两种或两种以上特征性能数据,优化了特征性能数据数量,使得比较车辆总体性能参数时更便于计算;根据所述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;对所有车辆的特征性能数据矩阵进行分析,得到所述所有车辆的模糊等价矩阵;对所述模糊等价矩阵进行分析,得到各车辆总体性能的相对排序,即得到所述所有车辆的总体性能参数的比较结果。综合两种或两种以上特征性能数据进而得到所有车辆的模糊等价矩阵,通过所有车辆的模糊等价矩阵对所有车辆的总体性能参数进行比较,使得所有车辆的总体性能参数的比较结果科学准确,解决了现有技术无法对车辆总体性能参数进行比较的问题,提高了对车辆总体性能参数进行比较的效率,避免生产出错。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种可能的车辆总体性能参数比较方法流程图;
图2为本发明实施例中一种可能的车辆总体性能参数比较装置的结构示意图;
图3为本申请实施例提供的一种可能的电子设备的硬件结构示意图;
图4为本申请实施例提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
本发明实施例提供一种车辆总体性能参数比较方法及相关设备,总的思路如下:获取两辆或两辆以上车辆的两种或两种以上特征性能数据;根据上述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;对所有车辆的特征性能数据矩阵进行分析,得到上述所有车辆的模糊等价矩阵;对上述模糊等价矩阵进行分析,得到上述所有车辆的总体性能参数的比较结果。
通过上述,从车辆众多性能参数中提炼出两种或两种以上特征性能数据,优化了特征性能数据数量,综合两种或两种以上特征性能数据对车辆的总体性能参数进行比较,使得所有车辆的总体性能参数的比较结果科学准确,解决了无法对车辆总体性能参数进行比较的问题,提高了对车辆总体性能参数进行比较的效率,避免生产出错。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一方面,请参考图1,本发明实施例提供一种车辆总体性能参数比较方法,101、获取两辆或两辆以上车辆的两种或两种以上特征性能数据;
上述特征性能数据的种类众多,如怠速振动、怠速噪声、路噪、风噪、加速噪声等,需要在众多种特征性能数据中获取能够体现车辆总体性能参数的特征性能数据。
示例性的,获取能够体现车辆内部噪声和振动情况的特征性能数据、获取能够体现车辆前排性能参数的特征性能数据和获取能够体现车辆在最不适合运行的条件下的性能参数的特征性能数据,上述获取两辆或两辆以上车辆的两种或两种以上特征性能数据的具体特征性能数据种类,如表1所示:
表1
102、根据上述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;
示例性的,将上述每辆车辆的上述18种特征性能数据组合成特征性能数据矩阵X1=(xij)N×18。其中,N为参与总体性能参数比较的车辆总数;18即18种特征性能数据,j=1-18,xi1―xi18分别表示编号为i的车辆的18种特征性能数据。
103、对所有车辆的特征性能数据矩阵进行分析,得到上述所有车辆的模糊等价矩阵;
上述对所有车辆的特征性能数据矩阵进行分析的过程,采用模糊聚类分析方法对上述所有车辆的特征性能数据矩阵进行分析,模糊聚类分析方法排序的原则是,越先聚为一类的车辆,排名越靠近。如果存在某车辆,其每种特征性能数据均不低于上述N个车辆对应的特征性能数据,在排序时,上述某车辆应位列最后一位。
104、对上述模糊等价矩阵进行分析,得到上述所有车辆的总体性能参数的比较结果。
上述对上述模糊等价矩阵进行分析的过程,采用模糊聚类分析方法对上述模糊等价矩阵进行分析;
示例性的,找出上述模糊等价矩阵中除主对角线元素外的所有不同的元素,将其保存到存储器Ⅰ中。
将上述存储器Ⅰ中的元素从大到小进行排序,将排序结果保存到存储器Ⅱ中。
遍历上述存储器Ⅱ中的所有元素,为第一循环。
遍历上述模糊等价矩阵的下三角元素,即行号大于列号的元素,为第二循环,第二循环包含于第一循环中。
当上述第二循环当前遍历元素等于上述第一循环当前遍历元素时,将上述第二循环当前遍历元素的行号保存到存储器Ⅲ中。
第一循环结束后,上述存储器Ⅲ中所保存的上述行号即为上述所有车辆的总体性能参数的比较结果。
通过本发明实施例提供的车辆总体性能参数比较方法,通过获取两辆或两辆以上车辆的两种或两种以上特征性能数据;从车辆的众多种性能参数中提炼出两种或两种以上特征性能数据,优化了特征性能数据数量,使得比较车辆总体性能参数时更便于计算;根据上述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;对所有车辆的特征性能数据矩阵进行分析,得到上述所有车辆的模糊等价矩阵;对上述模糊等价矩阵进行分析,得到各车辆总体性能的相对排序,即得到上述所有车辆的总体性能参数的比较结果。综合两种或两种以上特征性能数据对车辆的总体性能参数进行比较,使得所有车辆的总体性能参数的比较结果科学准确,解决了无法对车辆总体性能参数进行比较的问题,提高了对车辆总体性能参数进行比较的效率,避免生产出错。
在一种可能的实施方式中,上述对特征数据矩阵进行分析,得到模糊等价矩阵的步骤,包括:
对上述所有车辆的特征性能数据矩阵进行模糊聚类分析,
得到上述所有车辆的排序数据;
基于上述所有车辆的排序数据,获得上述模糊等价矩阵。
示例性的,根据上述模糊聚类分析方法的原理,现假设一个编号为N+1的车辆,其18种特征性能数据分别为上述N辆车辆中对应种类的特征性能数据的最大值。按照与上述编号为N+1的车辆聚为一类的先后次序确定N辆车辆的排序,最先聚为一类的车辆,排名最后一位;最后聚为一类的车辆,排名第一位,由此,得到得到上述所有车辆的排序数据;
基于上述所有车辆的排序数据,获得上述模糊等价矩阵。
在一种可能的实施方式中,上述对基于上述所有车辆的排序数据,获得上述模糊等价矩阵的步骤,包括:
根据上述所有车辆的排序数据调整上述每辆车辆的特征数据矩阵;
根据调整后的上述每辆车辆的特征数据矩阵生成上述所有车辆的最终数据矩阵;
基于上述所有车辆的最终数据矩阵,获得上述模糊等价矩阵。
示例性的,按照与上述编号为N+1的车辆聚为一类的先后次序确定N辆车辆的排序,根据上述N辆车辆的排序,得到最终的数据矩阵X=(xij)(N+1)×18。
在一种可能的实施方式中,上述基于上述所有车辆的最终数据矩阵,获得上述模糊等价矩阵的步骤,包括:
计算上述最终数据矩阵的相似程度,得到上述最终数据矩阵的相似程度数据;
根据上述相似程度数据建立上述所有车辆的模糊相似矩阵;
基于上述所有车辆的模糊相似矩阵,获得上述模糊等价矩阵。
确定相似程度数据的方法主要有相似系数法、距离法、主观评分法等,是理性的,本例采用夹角余弦法或者数量积法对上述最终数据矩阵进行计算,获得上述最终数据矩阵的相似程度数据,具体的:
采用夹角余弦法计算相似程度数据rij时,根据公式:
其中,i,j=1,2,…,N+1。
采用数量积法计算相似程度数据rij时,根据公式:
用以下公式计算相似程度数据rij。
其中,i,j=1,2,…,N+1,c为常数,其值一般可取为:1<c≤10。取值原则为使由rij所构成集合的取值范围尽量接近(0,1)。
根据上述rij建立所述所有车辆的模糊相似矩阵R=(rij)(N+1)×(N+1);
根据上述所有车辆的模糊相似矩阵R=(rij)(N+1)×(N+1),获得上述模糊等价矩阵。
在一种可能的实施方式中,上述基于上述所有车辆的模糊相似矩阵,获得上述模糊等价矩阵的步骤,包括:
对上述模糊相似矩阵进行转化;
将转化后的上述模糊相似矩阵作为上述所有车辆的模糊等价矩阵。
示例性的,上述模糊相似矩阵进行转化的过程具体为:
对上述所有车辆的模糊相似矩阵R=(rij)(N+1)×(N+1)进行平方操作,得到R2,将上述R2再次进行平方操作,得到R4,将上述R4再次进行平方操作,得到R8,以此类推,直到第一次出现Rk·Rk=Rk时停止平方操作,Rk即为所求的模糊等价矩阵。
在一种可能的实施方式中,上述对上述模糊等价矩阵进行分析,得到上述所有车辆的总体性能参数的比较结果的步骤,包括:
对上述所有车辆的模糊等价矩阵进行模糊聚类分析;
根据对上述模糊等价矩阵进行模糊聚类分析的分析结果,得到上述所有车辆的总体性能参数的比较结果。
示例性的,找出上述模糊等价矩阵Rk中除主对角线元素外的所有不同的元素,将其保存到存储器Ⅰ中。
将上述存储器Ⅰ中的元素从大到小进行排序,将排序结果保存到存储器Ⅱ中。
遍历上述存储器Ⅱ中的所有元素,为第一循环。
遍历上述模糊等价矩阵Rk的下三角元素,即行号大于列号的元素,为第二循环,第二循环包含于第一循环中。
当上述第二循环当前遍历元素等于上述第一循环当前遍历元素时,将上述第二循环当前遍历元素的行号保存到存储器Ⅲ中。
第一循环结束后,上述存储器Ⅲ中所保存的上述行号即为上述所有车辆的总体性能参数的比较结果。
第二方面,本发明实施例提供一种车辆总体性能参数比较装置,用于实现第一方面上述的车辆总体性能参数比较方法。或者本领域技术人员也可以设计其他用于实现第一方面上述的对比方法的装置。参见图2所示,本发明实施例提供一种车辆总体性能参数比较装置,包括:
获取模块201,用于获取两辆或两辆以上车辆的两种或两种以上特征性能数据;
生成模块202,用于根据上述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;
转化模块203,用于对所有车辆的特征性能数据矩阵进行分析,得到上述所有车辆的模糊等价矩阵;
比较模块204,用于对上述模糊等价矩阵进行分析,得到上述所有车辆的总体性能参数的比较结果。
第三方面,本发明实施例提供一种电子设备,请参阅图3,包括存储器310、处理器320及存储在存储器320上并可在处理器320上运行的计算机程序311,处理器320执行计算机程序311时实现以下步骤:获取两辆或两辆以上车辆的两种或两种以上特征性能数据;根据上述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;对所有车辆的特征性能数据矩阵进行分析,得到上述所有车辆的模糊等价矩阵;对上述模糊等价矩阵进行分析,得到上述所有车辆的总体性能参数的比较结果。
请参阅图4,图4为本申请实施例提供的一种计算机可读存储介质的实施例示意图。
如图4所示,本实施例提供了一种计算机可读存储介质400,其上存储有计算机程序411,该计算机程序411被处理器执行时实现如下步骤:获取两辆或两辆以上车辆的两种或两种以上特征性能数据;根据上述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;对所有车辆的特征性能数据矩阵进行分析,得到上述所有车辆的模糊等价矩阵;对上述模糊等价矩阵进行分析,得到上述所有车辆的总体性能参数的比较结果。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种车辆总体性能参数比较方法,其特征在于,包括:
获取两辆或两辆以上车辆的两种或两种以上特征性能数据;
根据所述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;
对所有车辆的特征性能数据矩阵进行分析,得到所述所有车辆的模糊等价矩阵;
对所述模糊等价矩阵进行分析,得到所述所有车辆的总体性能参数的比较结果。
2.如权利要求1所述的方法,其特征在于,所述对特征数据矩阵进行分析,得到模糊等价矩阵的步骤,包括:
对所述所有车辆的特征性能数据矩阵进行模糊聚类分析,
得到所述所有车辆的排序数据;
基于所述所有车辆的排序数据,获得所述模糊等价矩阵。
3.如权利要求2所述的方法,其特征在于,所述对基于所述所有车辆的排序数据,获得所述模糊等价矩阵的步骤,包括:
根据所述所有车辆的排序数据调整所述每辆车辆的特征数据矩阵;
根据调整后的所述每辆车辆的特征数据矩阵生成所述所有车辆的最终数据矩阵;
基于所述所有车辆的最终数据矩阵,获得所述模糊等价矩阵。
4.如权利要求3所述的方法,其特征在于,所述基于所述所有车辆的最终数据矩阵,获得所述模糊等价矩阵的步骤,包括:
计算所述最终数据矩阵的相似程度,得到所述最终数据矩阵的相似程度数据;
根据所述相似程度数据建立所述所有车辆的模糊相似矩阵;
基于所述所有车辆的模糊相似矩阵,获得所述模糊等价矩阵。
5.如权利要求4所述的方法,其特征在于,所述计算所述最终数据矩阵的相似程度,得到所述最终数据矩阵的相似程度数据的步骤,包括:
采用夹角余弦法或者数量积法对所述最终数据矩阵进行计算,获得所述最终数据矩阵的相似程度数据。
6.如权利要求4所述的方法,其特征在于,所述基于所述所有车辆的模糊相似矩阵,获得所述模糊等价矩阵的步骤,包括:
对所述模糊相似矩阵进行转化;
将转化后的所述模糊相似矩阵作为所述所有车辆的模糊等价矩阵。
7.如权利要求1所述的方法,其特征在于,所述对所述模糊等价矩阵进行分析,得到所述所有车辆的总体性能参数的比较结果的步骤,包括:
对所述所有车辆的模糊等价矩阵进行模糊聚类分析;
根据对所述模糊等价矩阵进行模糊聚类分析的分析结果,得到所述所有车辆的总体性能参数的比较结果。
8.一种车辆总体性能参数比较装置,其特征在于,包括:
获取模块,用于获取两辆或两辆以上车辆的两种或两种以上特征性能数据;
生成模块,用于根据所述两种或两辆以上特征性能数据建立每辆车辆的特征性能数据矩阵;
转化模块,用于对所有车辆的特征性能数据矩阵进行分析,得到所述所有车辆的模糊等价矩阵;
比较模块,用于对所述模糊等价矩阵进行分析,得到所述所有车辆的总体性能参数的比较结果。
9.一种电子设备,包括:储存器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任一项所述的车辆总体性能参数比较方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的车辆总体性能参数比较方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011258262.XA CN112508055A (zh) | 2020-11-12 | 2020-11-12 | 一种车辆总体性能参数比较方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011258262.XA CN112508055A (zh) | 2020-11-12 | 2020-11-12 | 一种车辆总体性能参数比较方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508055A true CN112508055A (zh) | 2021-03-16 |
Family
ID=74957184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011258262.XA Pending CN112508055A (zh) | 2020-11-12 | 2020-11-12 | 一种车辆总体性能参数比较方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508055A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198175A (zh) * | 2013-03-04 | 2013-07-10 | 辽宁省电力有限公司鞍山供电公司 | 基于模糊聚类的变压器故障诊断方法 |
CN107008671A (zh) * | 2017-03-29 | 2017-08-04 | 北京新能源汽车股份有限公司 | 一种动力电池的分类方法及装置 |
CN109003266A (zh) * | 2018-07-13 | 2018-12-14 | 中国科学院长春光学精密机械与物理研究所 | 一种基于模糊聚类统计图像质量主观评价结果的方法 |
CN111306572A (zh) * | 2020-04-13 | 2020-06-19 | 辽宁汇德电气有限公司 | 一种锅炉智能优化燃烧节能控制系统 |
-
2020
- 2020-11-12 CN CN202011258262.XA patent/CN112508055A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198175A (zh) * | 2013-03-04 | 2013-07-10 | 辽宁省电力有限公司鞍山供电公司 | 基于模糊聚类的变压器故障诊断方法 |
CN107008671A (zh) * | 2017-03-29 | 2017-08-04 | 北京新能源汽车股份有限公司 | 一种动力电池的分类方法及装置 |
CN109003266A (zh) * | 2018-07-13 | 2018-12-14 | 中国科学院长春光学精密机械与物理研究所 | 一种基于模糊聚类统计图像质量主观评价结果的方法 |
CN111306572A (zh) * | 2020-04-13 | 2020-06-19 | 辽宁汇德电气有限公司 | 一种锅炉智能优化燃烧节能控制系统 |
Non-Patent Citations (2)
Title |
---|
顾丽娟 等: "模糊聚类分析应用于民航飞机环保性能评估", 《海军航空工程学院学报》 * |
高小清 等: "汽车操纵稳定性评价方法研究", 《汽车技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rocha-Junior et al. | Efficient processing of top-k spatial preference queries | |
US9747337B2 (en) | Group-by size result estimation | |
US20090024607A1 (en) | Query selection for effectively learning ranking functions | |
CN108804576B (zh) | 一种基于链接分析的域名层级结构探测方法 | |
US20120069024A1 (en) | Method for generating a graph lattice from a corpus of one or more data graphs | |
US20090216799A1 (en) | Discovering topical structures of databases | |
Böhm et al. | Outlier-robust clustering using independent components | |
Pardeshi et al. | Improved k-medoids clustering based on cluster validity index and object density | |
Li et al. | Simultaneous localized feature selection and model detection for Gaussian mixtures | |
EP3067804B1 (en) | Data arrangement program, data arrangement method, and data arrangement apparatus | |
CN110866249A (zh) | 一种动态检测恶意代码的方法、装置及电子设备 | |
CN111125199A (zh) | 一种数据库访问方法、装置及电子设备 | |
CN112765362B (zh) | 基于改进自编码器的知识图谱实体对齐方法及相关设备 | |
CN117556369A (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
Kumari et al. | An efficient system for color image retrieval representing semantic information to enhance performance by optimizing feature extraction | |
Shi et al. | A shrinking-based clustering approach for multidimensional data | |
Cheng et al. | Mofsrank: a multiobjective evolutionary algorithm for feature selection in learning to rank | |
CN113792084A (zh) | 数据热度的分析方法、装置、设备及存储介质 | |
CN112508055A (zh) | 一种车辆总体性能参数比较方法及相关设备 | |
US9053579B2 (en) | Selective learning for growing a graph lattice | |
CN110210572B (zh) | 图像分类方法、装置、存储介质及设备 | |
CN1570972A (zh) | 一种基于图像纹理特征的图像检索方法 | |
CN116611612A (zh) | 水陆两栖艇性能评价方法、系统、装置及存储介质 | |
CN113610350B (zh) | 复杂工况故障诊断方法、设备、存储介质及装置 | |
CN110555470B (zh) | 一种喷油器分组方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |
|
RJ01 | Rejection of invention patent application after publication |