CN115405402A - 一种碳载量模型的确定方法、装置、电子设备及存储介质 - Google Patents
一种碳载量模型的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115405402A CN115405402A CN202211042441.9A CN202211042441A CN115405402A CN 115405402 A CN115405402 A CN 115405402A CN 202211042441 A CN202211042441 A CN 202211042441A CN 115405402 A CN115405402 A CN 115405402A
- Authority
- CN
- China
- Prior art keywords
- parameter
- carbon
- correction coefficient
- target
- determining
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 192
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012937 correction Methods 0.000 claims abstract description 155
- 238000005457 optimization Methods 0.000 claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004048 modification Effects 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 7
- 230000035772 mutation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008929 regeneration Effects 0.000 description 5
- 238000011069 regeneration method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N9/00—Electrical control of exhaust gas treating apparatus
- F01N9/002—Electrical control of exhaust gas treating apparatus of filter regeneration, e.g. detection of clogging
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N9/00—Electrical control of exhaust gas treating apparatus
- F01N9/005—Electrical control of exhaust gas treating apparatus using models instead of sensors to determine operating characteristics of exhaust systems, e.g. calculating catalyst temperature instead of measuring it directly
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
- F01N2900/06—Parameters used for exhaust control or diagnosing
- F01N2900/16—Parameters used for exhaust control or diagnosing said parameters being related to the exhaust apparatus, e.g. particulate filter or catalyst
- F01N2900/1606—Particle filter loading or soot amount
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种碳载量模型的确定方法、装置、电子设备及存储介质。该方法包括:获取预设寻优算法中的待修正参数的当前基准值,以及待修正参数对应的预先标定的参数修正系数表;基于参数修正系数表对待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新预设寻优算法;基于更新后的寻优算法对碳载量模型进行参数寻优,得到目标碳载量模型,其中,目标碳载量模型用于确定目标碳载量值。上述技术方案,通过对待修正参数的当前基准值进行修正,提高了寻优算法的寻优精度,并且将具有高寻优精度的寻优算法对碳载量模型进行参数寻优,得到高准确度的目标碳载量模型,从而提升碳载量值的估计精度。
Description
技术领域
本发明涉及发动机技术领域,尤其涉及一种碳载量模型的确定方法、装置、电子设备及存储介质。
背景技术
目前,增加颗粒捕捉器(Diesel Particulate Filter,简称DPF)成为当前发动机满足颗粒物排放的最简单也最行之有效的方法。随着DPF收集到的微粒越来越多,就会导致后处理背压升高,影响发动机的性能。在后处理喷入柴油,通过柴油机氧化催化器(DieselOxidation catalyst,简称DOC)的氧化作用提升DPF的入口温度,利用高温将DPF中的碳颗粒烧掉,这个过程就是DPF再生。DPF再生的关键触发点就是DPF的碳载量,也就是DPF内部捕捉的碳颗粒质量。
由于发动机实际工作状况复杂,很难依据碳载量模型进行DPF再生的准确判断,所以需要引入合适的寻优算法进行碳载量模型的修正,以提升DPF再生控制的准确性。
在相关技术中,发明人发现:在寻优算法优化迭代过程中,由于算法本身的不足之处,导致连续数代的最佳种群没有太大的变化,陷入局部最优解,使估计得到的碳载量值与实际碳载量值误差较大。
发明内容
本发明提供了一种碳载量模型的确定方法、装置、电子设备及存储介质,以解决估计碳载量误差大的问题。
根据本发明的一方面,提供了一种碳载量模型的确定方法,包括:
获取预设寻优算法中的待修正参数的当前基准值,以及所述待修正参数对应的预先标定的参数修正系数表;
基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新所述预设寻优算法;
基于更新后的寻优算法对碳载量模型进行参数寻优,得到目标碳载量模型,其中,所述目标碳载量模型用于确定目标碳载量值。
根据本发明的另一方面,提供了一种碳载量模型的确定装置,包括:
数据获取模块,用于获取预设寻优算法中的待修正参数的当前基准值,以及所述待修正参数对应的预先标定的参数修正系数表;
参数修正模块,用于基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新所述预设寻优算法;
参数寻优模块,用于基于更新后的寻优算法对碳载量模型进行参数寻优,得到目标碳载量模型,其中,所述目标碳载量模型用于确定目标碳载量值。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的碳载量模型的确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的碳载量模型的确定方法。
本发明实施例的技术方案,通过获取预设寻优算法中的待修正参数的当前基准值,以及待修正参数对应的预先标定的参数修正系数表;进一步的,根据参数修正系数表对待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新预设寻优算法,从而提高了预设寻优算法的寻优精度;进一步的,将具有高寻优精度的寻优算法对碳载量模型进行参数寻优,得到高准确度的目标碳载量模型,从而通过高准确度的目标碳载量模型得到误差较小的碳载量值,提升了碳载量值的估计精度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种碳载量模型的确定方法的流程图;
图2是根据本发明实施例二提供的一种碳载量模型的确定方法的流程图;
图3是根据本发明实施例三提供的一种碳载量模型的确定方法的流程图;
图4是根据本发明实施例三提供的一种交叉、变异概率计算方法的流程图;
图5是根据本发明实施例四提供的一种碳载量模型的确定装置的结构示意图;
图6是实现本发明实施例的碳载量模型的确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“目标”、“原始”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种碳载量模型的确定方法的流程图,本实施例可适用于对发动机的碳载量模型参数自动标定的情况,该方法可以由碳载量模型的确定装置来执行,该碳载量模型的确定装置可以采用硬件和/或软件的形式实现,该碳载量模型的确定装置可配置于计算机终端中。如图1所示,该方法包括:
S110、获取预设寻优算法中的待修正参数的当前基准值,以及所述待修正参数对应的预先标定的参数修正系数表。
在本实施例中,预设寻优算法可以用于寻找系统或模型的最优参数,使系统或模型处于最佳状态。在预设寻优算法在迭代过程中,可以调用多种类型的寻优算法参数,寻优算法参数可以是固定值或变化值。当寻优算法参数为变化值时,该参数可以为待修正参数,通过调整待修正参数的参数值,提升预设寻优算法适应性,进而提升了预设寻优算法的寻优精度。
在本实施例中,待修正参数是指可以调整的寻优算法参数,可以预先根据经验设置初始值,进而跟随迭代过程进行实时修正。参数修正系数表是指用于修正待修正参数的系数表,参数修正系数表中可以包括多个参数修正系数,可以由用户预先标定得到。
具体的,电子设备可以从预先存储位置或路径调用待修正参数的当前基准值以及待修正参数对应的预先标定的参数修正系数表,实现数据的获取。
S120、基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新所述预设寻优算法。
在本发明实施例中,可以通过查表的方式从参数修正系数表中筛选出参数修正系数,并基于参数修正系数对待修正参数进行修正,得到修正后的目标修正参数,使预设寻优算法更具适应性,从而提升预设寻优算法的寻优精度。
S130、基于更新后的寻优算法对碳载量模型进行参数寻优,得到目标碳载量模型,其中,所述目标碳载量模型用于确定目标碳载量值。
在本发明实施例中,将具有高寻优精度的寻优算法对碳载量模型进行参数寻优,得到高准确度的目标碳载量模型,换而言之,目标碳载量模型是指模型参数寻优后的高准确度模型,从而通过高准确度的目标碳载量模型得到误差较小的目标碳载量值,提升了碳载量值的估计精度。
本发明实施例的技术方案,通过获取预设寻优算法中的待修正参数的当前基准值,以及待修正参数对应的预先标定的参数修正系数表;进一步的,根据参数修正系数表对待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新预设寻优算法,从而提高了预设寻优算法的寻优精度;进一步的,将具有高寻优精度的寻优算法对碳载量模型进行参数寻优,得到高准确度的目标碳载量模型,从而通过高准确度的目标碳载量模型得到误差较小的碳载量值,提升了碳载量值的估计精度。
实施例二
图2为本发明实施例二提供的一种碳载量模型的确定方法的流程图,本实施例在上述实施例的基础上,对“基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数”进行了细化。可选的,所述基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数,包括:获取所述预设寻优算法中当前代的碳载量模型参数;基于预设寻优算法中当前代的碳载量模型参数和所述参数修正系数表确定参数修正系数;基于所述待修正参数的当前基准值和所述参数修正系数,确定当前代的目标修正参数;其中,所述目标修正参数作为下一代的待修正参数的当前基准值。
如图2所示,该方法包括:
S210、获取预设寻优算法中的待修正参数的当前基准值,以及所述待修正参数对应的预先标定的参数修正系数表。
S220、获取所述预设寻优算法中当前代的碳载量模型参数。
在本实施例中,碳载量模型参数是指输入至预设寻优算法中待寻优的模型参数。示例性地,碳载量模型参数可以包括但不限于碳载量瞬态修正Map和被动再生Map和被动再生修正Curve等。
S230、基于预设寻优算法中当前代的碳载量模型参数和所述参数修正系数表确定参数修正系数。
在本实施例中,可以根据当前代的碳载量模型参数对参数修正系数表进行系数查找,从而得到参数修正系数。
在上述实施例的基础上,所述基于预设寻优算法中当前代的碳载量模型参数和所述参数修正系数表确定参数修正系数,包括:基于预设寻优算法中的估算碳载量参数和称重碳载量参数确定当前碳载量参数误差;基于所述当前碳载量参数误差和历史碳载量参数误差确定碳载量参数历史差值;基于所述当前碳载量参数误差和所述碳载量参数历史差值,在所述参数修正系数表中匹配,得到参数修正系数。
其中,碳载量模型参数可以包括估算碳载量参数和称重碳载量参数,估算碳载量参数是通过碳载量模型估算得到的参数值,称重碳载量参数是通过称重得到的参数值。可以理解的是,历史碳载量参数误差的确定方法与当前碳载量参数误差相同,即历史碳载量参数误差通过历史代的估算碳载量参数和称重碳载量参数确定得到。示例性的,碳载量参数历史差值可以为当前代的当前碳载量参数误差和上一代的当前碳载量参数误差的差值。
具体地,将预设寻优算法中的多个估算碳载量参数和称重碳载量参数作差,并对作差结果取绝对值,将多个碳载量模型参数的作差绝对值进行均值处理,得到当前代的碳载量模型参数误差绝对值的平均值,换而言之,当前碳载量参数误差可以为当前代的碳载量模型参数误差绝对值的平均值;进一步的,可以根据当前碳载量参数误差与历史碳载量参数误差的差值,并对差值取绝对值,得到碳载量参数历史差值。需要说明的是,参数修正系数表可以为二维系数表,其横轴可以由多个碳载量参数误差组成,纵轴可以有多个碳载量参数历史差值组成,从而可以根据当前碳载量参数误差和碳载量参数历史差值,在参数修正系数表中匹配,得到参数修正系数。
S240、基于所述待修正参数的当前基准值和所述参数修正系数,确定当前代的目标修正参数,并基于各目标修正参数更新所述预设寻优算法。
具体地,将待修正参数的当前基准值与参数修正系数相乘,得到当前代的目标修正参数。
S250、基于更新后的寻优算法对碳载量模型进行参数寻优,得到目标碳载量模型,其中,所述目标碳载量模型用于确定目标碳载量值。
本发明实施例的技术方案,通过获取预设寻优算法中当前代的碳载量模型参数,基于预设寻优算法中当前代的碳载量模型参数和参数修正系数表确定参数修正系数,实现了参数修正系数的查找,并将待修正参数的当前基准值与参数修正系数相乘,得到当前代的修正后的目标修正参数,使预设寻优算法更具适应性,从而提升预设寻优算法的寻优精度。
实施例三
图3为本发明实施例三提供的一种碳载量模型的确定方法的流程图,本实施例在上述实施例的基础上,提供了一个优选示例。可选的,所述待修正参数的当前基准值包括交叉概率基准值和变异概率基准值;所述预先标定的参数修正系数表包括交叉概率修正系数表和变异概率修正系数表。如图3所示,该方法包括:
S310、获取预设寻优算法中的交叉概率基准值和变异概率基准值,以及交叉概率修正系数表和变异概率修正系数表。
S320、基于所述交叉概率修正系数表和变异概率修正系数表分别对所述交叉概率基准值和变异概率基准值进行修正,得到对应的目标修正参数,并基于各目标修正参数更新所述预设寻优算法。
S330、基于更新后的寻优算法对碳载量模型进行参数寻优,得到目标碳载量模型,其中,所述目标碳载量模型用于确定目标碳载量值。
在本实施例中,预设寻优算法可以为遗传算法,遗传算法的待修正参数可以包括交叉概率和变异概率。可以理解的是,通过对遗传算法的交叉概率和变异概率进行修正,可以提高遗传算法对碳载量模型的寻优精度,缩小估计得到的碳载量与实际碳载量的误差。
示例性地,交叉概率修正系数表(即表1交叉概率修正系数Map)和变异概率修正系数表(即表2变异概率修正系数Map)的x轴的参数可以用e表示,换而言之,e为每一代所有染色体误差绝对值的平均值(即当前碳载量参数误差)。交叉概率修正系数表和变异概率修正系数表的y轴的参数可以用△e表示,换而言之,△e为本代与上一代e的差值的绝对值(即碳载量参数历史差值),即△e=|en-en-1|。交叉概率基准值可以为0.3,变异概率基准值可以为0.08,Map表中的修正系数的范围可以为0.5-2.0。基于x和y查交叉概率修正系数Map和变异概率修正系数Map,可以分别得到交叉概率修正系数和变异概率修正系数;进一步的,将交叉概率修正系数与交叉概率基准值相乘,得到交叉概率对应的目标修正参数(即交叉概率最终值),同理,将变异概率修正系数与变异概率基准值相乘,得到变异概率对应的目标修正参数(即变异概率最终值)。
表1交叉概率修正系数Map
x/y | 0 | 5 | 8 | 10 | 25 | 300 |
0 | 3.0 | 2.0 | 1.8 | 1.6 | 1.5 | 1.5 |
0.3 | 2.0 | 2.0 | 1.8 | 1.6 | 1.5 | 1.5 |
0.5 | 1.8 | 1.8 | 1.6 | 1.4 | 1.2 | 1.2 |
1 | 1.6 | 1.6 | 1.3 | 1.0 | 0.8 | 0.8 |
2 | 1.5 | 1.5 | 1.2 | 0.8 | 0.5 | 0.5 |
300 | 1.5 | 1.5 | 1.2 | 0.8 | 0.5 | 0.3 |
表2变异概率修正系数Map
x/y | 0 | 5 | 8 | 10 | 25 | 300 |
0 | 0.3 | 0.5 | 0.8 | 1.2 | 1.5 | 1.5 |
0.3 | 0.5 | 0.5 | 0.8 | 1.2 | 1.5 | 1.5 |
0.5 | 0.8 | 0.8 | 1.0 | 1.4 | 1.6 | 1.6 |
1 | 1.2 | 1.2 | 1.3 | 1.6 | 1.8 | 1.8 |
2 | 1.5 | 1.5 | 1.6 | 1.8 | 2 | 2 |
300 | 1.5 | 1.5 | 1.6 | 1.8 | 2 | 3 |
在本实施例中,可以利用实时更新交叉概率和变异概率的遗传算法对碳载量模型的参数进行寻优,最后得到最优模型参数,并以具有最优模型参数的目标碳载量模型估计碳载量值。
使用遗传算法进行寻优的具体步骤如下:首先,对碳载量模型参数进行基因编码,产生初始种群;第二,计算个体适应度并进行种群选优;第三,判断是否满足收敛要求,若是,则执行第四步染色体解码输出最优碳载量模型参数,结束全局寻优,若否,则执行第五步依次进行选择、交叉、变异;第六,在选择交叉变异之后重新计算个体适应度并进行种群选优;第七,产生第K+1代种群,并重新回到第三步再次判断是否满足收敛要求。
本发明实施例的技术方案,将实行修正交叉概率和变异概率的遗传算法对碳载量模型的参数进行寻优,最后得到最优模型参数,并以具有最优模型参数的目标碳载量模型估计碳载量值,提升了估计碳载量值的精度。
实施例四
图5为本发明实施例四提供的一种碳载量模型的确定装置的结构示意图。如图5所示,该装置包括:
数据获取模块410,用于获取预设寻优算法中的待修正参数的当前基准值,以及所述待修正参数对应的预先标定的参数修正系数表;
参数修正模块420,用于基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新所述预设寻优算法;
参数寻优模块430,用于基于更新后的寻优算法对碳载量模型进行参数寻优,得到目标碳载量模型,其中,所述目标碳载量模型用于确定目标碳载量值。
本发明实施例的技术方案,通过获取预设寻优算法中的待修正参数的当前基准值,以及待修正参数对应的预先标定的参数修正系数表;进一步的,根据参数修正系数表对待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新预设寻优算法,从而提高了预设寻优算法的寻优精度;进一步的,将具有高寻优精度的寻优算法对碳载量模型进行参数寻优,得到高准确度的目标碳载量模型,从而通过高准确度的目标碳载量模型得到误差较小的碳载量值,提升了碳载量值的估计精度。
可选的,参数修正模块420,包括:
模型参数获取单元,用于获取所述预设寻优算法中当前代的碳载量模型参数;
参数修正系数确定单元,用于基于预设寻优算法中当前代的碳载量模型参数和所述参数修正系数表确定参数修正系数;
目标修正参数确定单元,用于基于所述待修正参数的当前基准值和所述参数修正系数,确定当前代的目标修正参数;
其中,所述目标修正参数作为下一代的待修正参数的当前基准值。
可选的,参数修正系数确定单元,还用于:
基于预设寻优算法中的估算碳载量参数和称重碳载量参数确定当前碳载量参数误差;
基于所述当前碳载量参数误差和历史碳载量参数误差确定碳载量参数历史差值;
基于所述当前碳载量参数误差和所述碳载量参数历史差值,在所述参数修正系数表中匹配,得到参数修正系数。
可选的,目标修正参数确定单元,还用于:
将所述待修正参数的当前基准值与所述参数修正系数相乘,得到当前代的目标修正参数。
可选的,所述待修正参数的当前基准值包括交叉概率基准值和变异概率基准值;所述预先标定的参数修正系数表包括交叉概率修正系数表和变异概率修正系数表。
本发明实施例所提供的碳载量模型的确定装置可执行本发明任意实施例所提供的碳载量模型的确定方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如碳载量模型的确定方法,包括:
获取预设寻优算法中的待修正参数的当前基准值,以及所述待修正参数对应的预先标定的参数修正系数表;
基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新所述预设寻优算法;
基于更新后的寻优算法对碳载量模型进行参数寻优,确定目标碳载量模型,其中,所述目标碳载量模型用于确定目标碳载量值。
在一些实施例中,碳载量模型的确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的碳载量模型的确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行碳载量模型的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种碳载量模型的确定方法,其特征在于,包括:
获取预设寻优算法中的待修正参数的当前基准值,以及所述待修正参数对应的预先标定的参数修正系数表;
基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新所述预设寻优算法;
基于更新后的寻优算法对碳载量模型进行参数寻优,得到目标碳载量模型,其中,所述目标碳载量模型用于确定目标碳载量值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数,包括:
获取所述预设寻优算法中当前代的碳载量模型参数;
基于预设寻优算法中当前代的碳载量模型参数和所述参数修正系数表确定参数修正系数;
基于所述待修正参数的当前基准值和所述参数修正系数,确定当前代的目标修正参数。
3.根据权利要求2所述的方法,其特征在于,所述基于预设寻优算法中当前代的碳载量模型参数和所述参数修正系数表确定参数修正系数,包括:
基于预设寻优算法中当前代的估算碳载量参数和称重碳载量参数确定当前碳载量参数误差;
基于所述当前碳载量参数误差和历史碳载量参数误差确定碳载量参数历史差值;
基于所述当前碳载量参数误差和所述碳载量参数历史差值,在所述参数修正系数表中匹配,得到当前代的参数修正系数。
4.根据权利要求2所述的方法,其特征在于,所述基于所述待修正参数的当前基准值和所述参数修正系数,确定当前代的目标修正参数,包括:
将所述待修正参数的当前基准值与所述参数修正系数相乘,得到当前代的目标修正参数。
5.根据权利要求1所述的方法,其特征在于,所述待修正参数的当前基准值包括交叉概率基准值和变异概率基准值;所述预先标定的参数修正系数表包括交叉概率修正系数表和变异概率修正系数表。
6.一种碳载量模型的确定装置,其特征在于,包括:
数据获取模块,用于获取预设寻优算法中的待修正参数的当前基准值,以及所述待修正参数对应的预先标定的参数修正系数表;
参数修正模块,用于基于所述参数修正系数表对所述待修正参数的当前基准值进行修正,得到目标修正参数,并基于各目标修正参数更新所述预设寻优算法;
参数寻优模块,用于基于更新后的寻优算法对碳载量模型进行参数寻优,得到目标碳载量模型,其中,所述目标碳载量模型用于确定目标碳载量值。
7.根据权利要求6所述的装置,其特征在于,所述参数修正模块,包括:
模型参数获取单元,用于获取所述预设寻优算法中当前代的碳载量模型参数;
参数修正系数确定单元,用于基于预设寻优算法中当前代的碳载量模型参数和所述参数修正系数表确定参数修正系数;
目标修正参数确定单元,用于基于所述待修正参数的当前基准值和所述参数修正系数,确定当前代的目标修正参数。
8.根据权利要求7所述的装置,其特征在于,所述参数修正系数确定单元,还用于:
基于预设寻优算法中的估算碳载量参数和称重碳载量参数确定当前碳载量参数误差;
基于所述当前碳载量参数误差和历史碳载量参数误差确定碳载量参数历史差值;
基于所述当前碳载量参数误差和所述碳载量参数历史差值,在所述参数修正系数表中匹配,得到参数修正系数。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的参数修正方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的参数修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211042441.9A CN115405402B (zh) | 2022-08-29 | 2022-08-29 | 一种碳载量模型的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211042441.9A CN115405402B (zh) | 2022-08-29 | 2022-08-29 | 一种碳载量模型的确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115405402A true CN115405402A (zh) | 2022-11-29 |
CN115405402B CN115405402B (zh) | 2024-03-19 |
Family
ID=84160568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211042441.9A Active CN115405402B (zh) | 2022-08-29 | 2022-08-29 | 一种碳载量模型的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115405402B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1333165A1 (en) * | 2002-01-25 | 2003-08-06 | C.R.F. Società Consortile per Azioni | Method of determining the amount of particulate accumulated in a particulate filter |
GB0518421D0 (en) * | 2005-09-09 | 2005-10-19 | Delphi Tech Inc | Process for the regeneration of a particulate filter |
EP1986067A1 (en) * | 2007-04-27 | 2008-10-29 | HONDA MOTOR CO., Ltd. | Electronic control system for controlling plant temperature |
US20120000184A1 (en) * | 2010-07-02 | 2012-01-05 | Gm Global Technology Operations, Inc. | Method of monitoring soot mass in a particulate filter and monitoring system for same |
US20120004863A1 (en) * | 2010-07-02 | 2012-01-05 | Gm Global Technology Operations, Inc. | Method of monitoring soot mass in a particulate filter and monitoring system for same with correction for active regeneration inefficiency |
DE102010055641A1 (de) * | 2010-12-22 | 2012-06-28 | Volkswagen Aktiengesellschaft | Verfahren und Steuereinrichtung zur Ermittlung einer Rußbeladung eines Partikelfilters |
US20140033678A1 (en) * | 2012-08-01 | 2014-02-06 | GM Global Technology Operations LLC | Nox-flowrate and temperature correction during soot mass estimation in a vehicle exhaust after-treatment device |
CN106481419A (zh) * | 2016-11-08 | 2017-03-08 | 清华大学苏州汽车研究院(吴江) | 一种柴油机微粒捕集器的积碳量计算方法 |
CN108661755A (zh) * | 2017-03-27 | 2018-10-16 | 通用汽车环球科技运作有限责任公司 | 烟尘模型可配置校正块(ccb)控制系统 |
CN109356698A (zh) * | 2018-09-07 | 2019-02-19 | 清华大学 | 一种dpf自适应主动再生控制方法、装置和系统 |
CN110030072A (zh) * | 2019-01-04 | 2019-07-19 | 西南交通大学 | 发动机尾气过滤器积碳量监测方法 |
CN110941917A (zh) * | 2019-12-17 | 2020-03-31 | 凯龙高科技股份有限公司 | 一种柴油机dpf基于压降的碳载量计算方法 |
CN111852630A (zh) * | 2020-08-24 | 2020-10-30 | 安徽江淮汽车集团股份有限公司 | 一种碳载量检测方法、设备、存储介质及装置 |
CN111980791A (zh) * | 2020-09-02 | 2020-11-24 | 潍柴动力股份有限公司 | 一种数据处理方法及系统 |
CN112395710A (zh) * | 2020-12-02 | 2021-02-23 | 潍柴动力股份有限公司 | 一种碳载量模型的修正方法及装置 |
CN112648057A (zh) * | 2020-12-22 | 2021-04-13 | 潍柴动力股份有限公司 | 颗粒物捕捉器的碳载量检测方法、相关设备及存储介质 |
CN112727569A (zh) * | 2021-01-08 | 2021-04-30 | 东风商用车有限公司 | 一种dpf自适应主动再生控制方法、装置和系统 |
CN112983608A (zh) * | 2021-02-09 | 2021-06-18 | 联合汽车电子有限公司 | 颗粒捕集器碳载量计算方法、系统、控制器和存储介质 |
CN113074035A (zh) * | 2021-05-07 | 2021-07-06 | 潍柴动力股份有限公司 | 一种dpf碳载量估计方法、装置及系统 |
CN113756919A (zh) * | 2021-09-26 | 2021-12-07 | 潍柴动力股份有限公司 | 碳载量模型修正方法、装置及存储介质 |
CN114704361A (zh) * | 2022-04-24 | 2022-07-05 | 潍柴动力股份有限公司 | Dpf部分再生控制方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-29 CN CN202211042441.9A patent/CN115405402B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1333165A1 (en) * | 2002-01-25 | 2003-08-06 | C.R.F. Società Consortile per Azioni | Method of determining the amount of particulate accumulated in a particulate filter |
GB0518421D0 (en) * | 2005-09-09 | 2005-10-19 | Delphi Tech Inc | Process for the regeneration of a particulate filter |
EP1986067A1 (en) * | 2007-04-27 | 2008-10-29 | HONDA MOTOR CO., Ltd. | Electronic control system for controlling plant temperature |
US20120000184A1 (en) * | 2010-07-02 | 2012-01-05 | Gm Global Technology Operations, Inc. | Method of monitoring soot mass in a particulate filter and monitoring system for same |
US20120004863A1 (en) * | 2010-07-02 | 2012-01-05 | Gm Global Technology Operations, Inc. | Method of monitoring soot mass in a particulate filter and monitoring system for same with correction for active regeneration inefficiency |
DE102010055641A1 (de) * | 2010-12-22 | 2012-06-28 | Volkswagen Aktiengesellschaft | Verfahren und Steuereinrichtung zur Ermittlung einer Rußbeladung eines Partikelfilters |
US20140033678A1 (en) * | 2012-08-01 | 2014-02-06 | GM Global Technology Operations LLC | Nox-flowrate and temperature correction during soot mass estimation in a vehicle exhaust after-treatment device |
CN106481419A (zh) * | 2016-11-08 | 2017-03-08 | 清华大学苏州汽车研究院(吴江) | 一种柴油机微粒捕集器的积碳量计算方法 |
CN108661755A (zh) * | 2017-03-27 | 2018-10-16 | 通用汽车环球科技运作有限责任公司 | 烟尘模型可配置校正块(ccb)控制系统 |
CN109356698A (zh) * | 2018-09-07 | 2019-02-19 | 清华大学 | 一种dpf自适应主动再生控制方法、装置和系统 |
CN110030072A (zh) * | 2019-01-04 | 2019-07-19 | 西南交通大学 | 发动机尾气过滤器积碳量监测方法 |
CN110941917A (zh) * | 2019-12-17 | 2020-03-31 | 凯龙高科技股份有限公司 | 一种柴油机dpf基于压降的碳载量计算方法 |
CN111852630A (zh) * | 2020-08-24 | 2020-10-30 | 安徽江淮汽车集团股份有限公司 | 一种碳载量检测方法、设备、存储介质及装置 |
CN111980791A (zh) * | 2020-09-02 | 2020-11-24 | 潍柴动力股份有限公司 | 一种数据处理方法及系统 |
CN112395710A (zh) * | 2020-12-02 | 2021-02-23 | 潍柴动力股份有限公司 | 一种碳载量模型的修正方法及装置 |
CN112648057A (zh) * | 2020-12-22 | 2021-04-13 | 潍柴动力股份有限公司 | 颗粒物捕捉器的碳载量检测方法、相关设备及存储介质 |
CN112727569A (zh) * | 2021-01-08 | 2021-04-30 | 东风商用车有限公司 | 一种dpf自适应主动再生控制方法、装置和系统 |
CN112983608A (zh) * | 2021-02-09 | 2021-06-18 | 联合汽车电子有限公司 | 颗粒捕集器碳载量计算方法、系统、控制器和存储介质 |
CN113074035A (zh) * | 2021-05-07 | 2021-07-06 | 潍柴动力股份有限公司 | 一种dpf碳载量估计方法、装置及系统 |
CN113756919A (zh) * | 2021-09-26 | 2021-12-07 | 潍柴动力股份有限公司 | 碳载量模型修正方法、装置及存储介质 |
CN114704361A (zh) * | 2022-04-24 | 2022-07-05 | 潍柴动力股份有限公司 | Dpf部分再生控制方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
杨闯等: "轻型柴油车DPF碳载量的计算与路试验证", 《汽车零部件》, pages 66 - 70 * |
Also Published As
Publication number | Publication date |
---|---|
CN115405402B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101530A (zh) | 神经网络训练方法、装置、设备及存储介质 | |
CN113312578B (zh) | 一种数据指标的波动归因方法、装置、设备、及介质 | |
CN110287048B (zh) | 数据异常检测方法和装置 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115577491A (zh) | 一种参数修正方法、装置、电子设备及存储介质 | |
CN112700006A (zh) | 网络架构搜索方法、装置、电子设备及介质 | |
CN115405402B (zh) | 一种碳载量模型的确定方法、装置、电子设备及存储介质 | |
CN116503370A (zh) | 烟丝宽度的确定方法、装置、电子设备及存储介质 | |
CN114884813B (zh) | 一种网络架构确定方法、装置、电子设备及存储介质 | |
CN110633804A (zh) | 金融产品进件评价方法、服务器和存储介质 | |
CN115495705A (zh) | 评价函数确定方法、装置、电子设备以及存储介质 | |
CN113449062A (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
CN110580523B (zh) | 一种模拟神经网络处理器的误差校准方法及装置 | |
CN113886842B (zh) | 基于测试的动态智能调度方法及装置 | |
CN114418063B (zh) | 神经网络模型中网络层的分配方法与装置 | |
CN117271098B (zh) | 一种ai模型计算核调度方法、装置、设备及存储介质 | |
CN115934300B (zh) | 一种云计算平台巡检任务调度方法及系统 | |
CN115480993A (zh) | 一种信号到达时间阈值确定方法、装置、设备及存储介质 | |
CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
CN115456167A (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN115293329A (zh) | 一种参数更新方法、装置、设备及存储介质 | |
CN116361912A (zh) | 一种车架铸造加长梁重构方法、装置、设备及存储介质 | |
CN115329940A (zh) | 一种卷积算法的推荐方法、装置、设备及存储介质 | |
CN114491416A (zh) | 特征信息的处理方法、装置、电子设备和存储介质 | |
CN111144665A (zh) | 一种优化热负荷预测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |