CN116738823A - 一种trl腿型得分预测方法、装置、终端及存储介质 - Google Patents
一种trl腿型得分预测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN116738823A CN116738823A CN202310561482.7A CN202310561482A CN116738823A CN 116738823 A CN116738823 A CN 116738823A CN 202310561482 A CN202310561482 A CN 202310561482A CN 116738823 A CN116738823 A CN 116738823A
- Authority
- CN
- China
- Prior art keywords
- trl
- data
- model
- modeling
- algorithm
- 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 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 206010019196 Head injury Diseases 0.000 description 1
- 230000005483 Hooke's law Effects 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于汽车技术领域，具体的说是一种TRL腿型得分预测方法、装置、终端及存储介质。包括：分析造型特征；确认造型特征；收集特征数据；对特征数据进行分流；通过特征数据确定模型；根据模型制定策略；对算法进行训练；对结果进行评估。本发明结合了机器学习方法，通过监督学习的方式，确定模型、制定策略、训练算法，挖掘TRL腿型合力最大值Sum_Force_Max与造型特征之间的数值关系，以此得到具体造型下，对TRL腿型合力最大值Sum_Force_Max的预测，从而更有效的控制造型参数，节约相应的开发时间，减少后续工程分析阶段的开发难度。
Description
技术领域
本发明属于汽车技术领域，具体的说是一种TRL腿型得分预测方法、装置、终端及存储介质。
背景技术
近年来，随着中国汽车行业的发展以及人民收入水平的提高，驾车出行已然是人们最基本的出行交通方式，国内汽车数量显著增长，但是与之俱增的交通事故也成为了用户出行的最大威胁。汽车碰撞安全性能成为了人们日益关注的重点，也成为了衡量汽车整体性能的一项重要指标。
为了促进中国汽车产业的健康发展，加速国内汽车市场的全球化进程，在中国保险行业协会的指导下，中国汽车工程研究院股份有限公司与中保研汽车技术研究院有限公司，在借鉴国际成熟经验——IIHS的基础上，结合中国汽车保险与车辆安全技术现状，制定形成“中国保险汽车安全指数”即“C-IASI”测试评价体系。
C-IASI 2023版分别从车辆耐撞性与维修经济性指数、车内乘员安全指数、车外行人安全指数、车辆辅助安全指数等四个方面对车辆进行测试评价，最终评价结果以直观的等级：优秀(G)、良好(A)、一般(M)、较差(P)的形式定期对外发布。其中，车外行人安全指数试验规程是参考Euro-NCAP中Pedestrian testing protocol编制。头型试验采用儿童/成人头型以11.1m/s±0.2m/s的速度冲击车辆发动机罩等车辆前部结构，测量头部伤害指标。腿型试验是用TRL上腿型与APLI先进腿型以一定速度冲击车辆前保险杠，其中TRL上腿型冲击车辆包络线775mm，测量TRL腿型上下的合力最大值Sum_Force_Max作为监测项，以此作为TRL分数评判的评价指标。TRL腿型的合力值由造型特征与结构特征所影响，其中，造型特征决定了碰撞速度vt。
在2023版C-IASI规程中，TRL上腿型性能试验，是将车辆调整为正常行驶姿态，腿型以vt的速度以一定角度冲击车辆前部腿型试验区域，评价车辆对行人腿部的碰撞保护性能如图1所示。
碰撞速度vt计算式如下：
其中：
En＝0.5×mn×vc 2
其中：
mn＝7.4kg
vc＝vo×cos(1.2α)
vo＝11.11m/s
因此，碰撞速度vt与撞击角度α相关，而撞击角度α则是WAD930与IBRL连线的垂线与水平线的夹角，各包络线与特征线则是由造型特征决定的，因此，碰撞速度vt由造型特征决定。此外，造型所决定的发罩分缝位置、发罩分缝处造型切线斜率等，均是影响TRL腿型合力值的重要因素。在以往的TRL仿真与试验中，由结果可知，造型特征影响更明显，可变动性范围更广，是更主要的影响特征。因此，在造型阶段对造型各参数进行控制是十分重要的。
然而在造型阶段，仅有造型数据，无内部结构数据的情况下，无法运用有限元仿真软件对TRL腿型合力值进行计算，也无法运用机械与力学相关理论，对相应工况进行理论计算，因此，造型对TRL腿型合力值的影响仅能用经验进行评估与判断，难以进行量化，并且准确程度有限。
在造型阶段，仅有造型数据，无内部结构数据的情况下，无法运用有限元仿真软件对TRL腿型合力值进行计算，也无法运用机械与力学相关理论，对相应工况进行理论计算，因此，造型对TRL腿型合力值的影响仅能用经验进行评估与判断，其缺点如下：
1、无法进行力学建模，缺少理论依据；
2、无计算结果，难以进行量化；
3、过度依赖经验判断，准确程度有限。
发明内容
本发明提供了一种TRL腿型得分预测方法、装置、终端及存储介质，结合了机器学习方法，通过监督学习的方式，确定模型、制定策略、训练算法，挖掘TRL腿型合力最大值Sum_Force_Max与造型特征之间的数值关系，以此得到具体造型下，对TRL腿型合力最大值Sum_Force_Max的预测，从而更有效的控制造型参数，节约相应的开发时间，减少后续工程分析阶段的开发难度。
本发明技术方案结合附图说明如下：
第一方面，本发明实施例提供了一种TRL腿型得分预测方法，包括：
分析造型特征；
确认造型特征；
收集特征数据；
对特征数据进行分流；
通过特征数据确定模型；
根据模型制定策略；
对算法进行训练；
对结果进行评估。
进一步的，所述分析造型特征具体为：针对造型数据，分析对TRL腿型合力值产生影响的特征；
所述确认造型特征具体为：
对有效的特征进行特征筛选，确认所需计算与分析的特征。
进一步的，所述收集特征数据具体为：
将筛选出的有效特征进行赋值，将特征值体现在模型中，并对模型再进行仿真计算，计算出TRL腿型合力值数据，与对应的特征值进行数据记录，按等差数列的方式改变特征值，重复此步骤，得到多组的数据量；
所述对特征数据进行分流具体为：
将一部分数据作为训练数据，用以进行算法训练，其余的数据作为测试数据，用以评估算法的准确率与可靠性；所述训练数据的数量大于测试数据的数量。
进一步的，所述通过特征数据确定模型具体为：
根据数据结构与特点生成模型，即条件概率分布。
进一步的，所述根据模型制定策略具体为：
从生成的模型中选择最优损失函数与风险函数。
进一步的，所述对算法进行训练具体为：
导入训练数据计算出最优的算法。
进一步的，所述对结果进行评估具体为：
输入测试数据，通过训练出的算法对测试数据进行结果输出，评估结果的准确率进行打分，若结果在误差范围内，结束流程，若结果在误差范围外，则重新训练算法或重新确定模型。
第二方面，本发明实施例还提供了一种TRL腿型得分预测的装置，包括：
分析模块，用于分析造型特征；
确认模块，用于确认造型特征；
收集模块，用于收集特征数据；
分流模块，用于对特征数据进行分流；
确定模块，用于通过特征数据确定模型；
制定模块，用于根据模型制定策略；
训练模块，用于对算法进行训练；
评估模块，用于对结果进行评估。
第三方面，提供一种终端，包括：
一个或多个处理器；
用于存储所述一个或多个处理器可执行指令的存储器；
其中，所述一个或多个处理器被配置为：
执行本发明实施例的第一方面所述的方法。
第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行本发明实施例的第一方面所述的方法。
第五方面，提供一种应用程序产品，当应用程序产品在终端在运行时，使得终端执行本发明实施例的第一方面所述的方法。
本发明的有益效果为：
本发明结合了机器学习方法，通过监督学习的方式，在大量数据与算例的基础上，确定模型、制定策略、训练算法，挖掘TRL腿型合力最大值Sum_Force_Max与造型特征之间的数值关系，以此得到具体造型下对TRL腿型合力最大值Sum_Force_Max的预测，在造型阶段即可得到得到TRL腿型得分，且结果具有较高的准确率和参考性，同时可以得到TRL腿型合力最大值与相应特征之间的算法关系，方便进行特征量化。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为TRL腿型试验示意图；
图2为本发明所述一种TRL腿型得分预测方法的流程图；
图3为本发明所述一种TRL腿型得分预测装置的结构示意图；
图4为一种终端结构示意框图。
图中：
1、冲击器；2、前保险杠横梁。
具体实施方式
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做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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
图2为本发明实施例一提供的一种TRL腿型得分预测方法的流程图，本实施例可适用于TRL腿型得分预测的情况，该方法可以由本发明实施例中的一种TRL腿型得分预测装置来执行，该装置可采用软件和/或硬件的方式实现。
一种TRL腿型得分预测方法，包括以下步骤：
步骤一、分析造型特征；具体为：针对造型数据，分析对TRL腿型合力值产生影响的特征；
其中，对TRL腿型合力值有影响的特征包括碰撞速度vt、WAD930与发罩分缝线距离、发罩前分缝处造型切线斜率、格栅前沿与发罩分缝线距离等。
步骤二、确认造型特征；
对有效的特征进行特征筛选，确认所需计算与分析的特征。
步骤三、收集特征数据；
将筛选出的有效特征进行赋值，将特征值体现在模型中，并对模型再进行仿真计算，计算出TRL腿型合力值数据，与对应的特征值进行数据记录，按等差数列的方式改变特征值，重复此步骤，得到多组的数据量；
修改地面线高度，不同的地面线高度可得到不同的WAD930与WAD775包络线，从而得到不同的撞击角度α，可计算出相应的碰撞速度vt。地面线以1mm为分度，以标准地面线高度减15mm为初始值，取30个分度进行仿真计算，计算10款轿车车型，得到相应的仿真结果并记录，数据集记为：
T＝{(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)}(n＝300)
其中，x为碰撞速度vt，y为对应的TRL腿型合力值最大值Sum_Force_Max。
步骤四、对特征数据进行分流；
将200组数据作为训练数据，用以进行算法训练，其余的100组数据作为测试数据，用以评估算法的准确率与可靠性；所述训练数据的数量大于测试数据的数量。
步骤五、通过特征数据确定模型；
根据数据结构与特点生成模型，即条件概率分布。
本实施例采用回归法，根据能量公式与胡克定律，TRL腿型合力值与碰撞速度vt成正比，取行碰撞速度vt的x与TRL腿型合力值最大值Sum_Force_Max的y为线性关系，因此取模型为：
Y＝a1X+a0
其中，a0、a1，为相关系数。
步骤六、根据模型制定策略；
从生成的模型中选择最优模型即损失函数与风险函数。
取损失函数为平方损失函数，记为：
L(Y,f(X))＝(Y-f(X))2
取经验损失为：
步骤七、对算法进行训练；
导入训练数据计算出最优的算法。
用python语言进行代码实现，同时将训练数据导入，训练算法，使损失经验Remp(f)取得最小值，得到相应的a0、a1，即可确定最终的算法。
步骤八、对结果进行评估。
运用测试数据对算法进行评估，若评估结果良好，则可运用该算法，在特定的造型下，最终得到TRL腿型得分。
综上，本发明结合了机器学习方法，通过监督学习的方式，在大量数据与算例的基础上，确定模型、制定策略、训练算法，挖掘TRL腿型合力最大值Sum_Force_Max与造型特征之间的数值关系，以此得到具体造型下对TRL腿型合力最大值Sum_Force_Max的预测，在造型阶段即可得到得到TRL腿型得分，且结果具有较高的准确率和参考性，同时可以得到TRL腿型合力最大值与相应特征之间的算法关系，方便进行特征量化。
实施例二
参阅图3，一种TRL腿型得分预测的装置，包括：
分析模块，用于分析造型特征；
确认模块，用于确认造型特征；
收集模块，用于收集特征数据；
分流模块，用于对特征数据进行分流；
确定模块，用于通过特征数据确定模型；
制定模块，用于根据模型制定策略；
训练模块，用于对算法进行训练；
评估模块，用于对结果进行评估。
实施例三
图4是本申请实施例提供的一种终端的结构框图，该终端可以是上述实施例中的终端。该终端可以是便携式移动终端，比如：智能手机、平板电脑。终端还可能被称为用户设备、便携式终端等其他名称。
通常，终端包括有：处理器301和存储器302。
处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是有形的和非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中提供的一种TRL腿型得分预测方法。
在一些实施例中，终端还可选包括有：外围设备接口303和至少一个外围设备。具体地，外围设备包括：射频电路304、触摸显示屏305、摄像头306、音频电路307、定位组件308和电源309中的至少一种。
外围设备接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和外围设备接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和外围设备接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
触摸显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。触摸显示屏305还具有采集在触摸显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。触摸显示屏305用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，触摸显示屏305可以为一个，设置终端的前面板；在另一些实施例中，触摸显示屏305可以为至少两个，分别设置在终端的不同表面或呈折叠设计；在再一些实施例中，触摸显示屏305可以是柔性显示屏，设置在终端的弯曲表面上或折叠面上。甚至，触摸显示屏305还可以设置成非矩形的不规则图形，也即异形屏。触摸显示屏305可以采用LCD(Liquid CrystalDisplay，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件306用于采集图像或视频。可选地，摄像头组件306包括前置摄像头和后置摄像头。通常，前置摄像头用于实现视频通话或自拍，后置摄像头用于实现照片或视频的拍摄。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能，主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能。在一些实施例中，摄像头组件306还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路307用于提供用户和终端之间的音频接口。音频电路307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器301进行处理，或者输入至射频电路304以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器301或射频电路304的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路307还可以包括耳机插孔。
定位组件308用于定位终端的当前地理位置，以实现导航或LBS(Location BasedService，基于位置的服务)。定位组件308可以是基于美国的GPS(Global PositioningSystem，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源309用于为终端中的各个组件进行供电。电源309可以是交流电、直流电、一次性电池或可充电电池。当电源309包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图4中示出的结构并不构成对终端的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
实施例四
在示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的一种TRL腿型得分预测方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
实施例五
在示例性实施例中，还提供了一种应用程序产品，包括一条或多条指令，该一条或多条指令可以由上述装置的处理器301执行，以完成上述一种TRL腿型得分预测方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施模式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种TRL腿型得分预测方法，其特征在于，包括：
分析造型特征；
确认造型特征；
收集特征数据；
对特征数据进行分流；
通过特征数据确定模型；
根据模型制定策略；
对算法进行训练；
对结果进行评估。
2.根据权利要求1所述的一种TRL腿型得分预测方法，其特征在于，所述分析造型特征具体为：针对造型数据，分析对TRL腿型合力值产生影响的特征；
所述确认造型特征具体为：
确认所需计算与分析的特征，并且对有效的特征进行特征筛选。
3.根据权利要求1所述的一种TRL腿型得分预测方法，其特征在于，所述收集特征数据具体为：
将筛选出的有效特征值进行仿真计算，计算出TRL腿型合力值数据，与对应的特征值进行数据记录，重复此步骤，得到多组的数据量；
所述对特征数据进行分流具体为：
将一部分数据作为训练数据，用以进行算法训练，其余的数据作为测试数据，用以评估算法的准确率与可靠性；所述训练数据的数量大于测试数据的数量。
4.根据权利要求1所述的一种TRL腿型得分预测方法，其特征在于，所述通过特征数据确定模型具体为：
根据数据结构与特点生成模型，即条件概率分布。
5.根据权利要求1所述的一种TRL腿型得分预测方法，其特征在于，所述根据模型制定策略具体为：
从生成的模型中选择最优模型即损失函数与风险函数。
6.根据权利要求1所述的一种TRL腿型得分预测方法，其特征在于，所述对算法进行训练具体为：
导入训练数据计算出最优的算法。
7.根据权利要求1所述的一种TRL腿型得分预测方法，其特征在于，所述对结果进行评估具体为：
输入测试数据，通过训练出的算法对测试数据进行结果输出，评估结果的准确率进行打分，若结果在误差范围内，结束流程，若结果在误差范围外，则重新训练算法或重新确定模型。
8.一种TRL腿型得分预测的装置，其特征在于，包括：
分析模块，用于分析造型特征；
确认模块，用于确认造型特征；
收集模块，用于收集特征数据；
分流模块，用于对特征数据进行分流；
确定模块，用于通过特征数据确定模型；
制定模块，用于根据模型制定策略；
训练模块，用于对算法进行训练；
评估模块，用于对结果进行评估。
9.一种终端，其特征在于，包括：
一个或多个处理器；
用于存储所述一个或多个处理器可执行指令的存储器；
其中，所述一个或多个处理器被配置为：
执行如权利要求1至7任一所述的一种TRL腿型得分预测方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行如权利要求1至7任一所述的一种TRL腿型得分预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310561482.7A CN116738823A (zh) | 2023-05-18 | 2023-05-18 | 一种trl腿型得分预测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310561482.7A CN116738823A (zh) | 2023-05-18 | 2023-05-18 | 一种trl腿型得分预测方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116738823A true CN116738823A (zh) | 2023-09-12 |
Family
ID=87912362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310561482.7A Pending CN116738823A (zh) | 2023-05-18 | 2023-05-18 | 一种trl腿型得分预测方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738823A (zh) |
-
2023
- 2023-05-18 CN CN202310561482.7A patent/CN116738823A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112078565B (zh) | 氢燃料电池电动汽车的能量管理方法、装置及存储介质 | |
| CN111114554B (zh) | 行驶轨迹预测方法、装置、终端及存储介质 | |
| CN110750992B (zh) | 命名实体识别方法、装置、电子设备及介质 | |
| CN107818288A (zh) | 标志牌信息获取方法及装置 | |
| CN110147532B (zh) | 编码方法、装置、设备及存储介质 | |
| CN110162604B (zh) | 语句生成方法、装置、设备及存储介质 | |
| CN109190648A (zh) | 模拟环境生成方法、装置、移动终端及计算机可读取存储介质 | |
| CN112150560B (zh) | 确定消失点的方法、装置及计算机存储介质 | |
| CN115471662B (zh) | 语义分割模型的训练方法、识别方法、装置和存储介质 | |
| CN105654030A (zh) | 电子装置、电子装置的控制方法、计算机程序及计算机可读记录介质 | |
| CN109130854B (zh) | 限速提醒方法、装置及存储介质 | |
| CN108909717B (zh) | 电动汽车的轻量化水平确定方法、装置及存储介质 | |
| CN112991439B (zh) | 定位目标物体的方法、装置、电子设备及介质 | |
| CN112269939B (zh) | 自动驾驶的场景搜索方法、装置、终端、服务器及介质 | |
| CN113836632B (zh) | 一种基于造型数据的校核方法、系统、终端及储存介质 | |
| CN111444749B (zh) | 路面导向标志的识别方法、装置及存储介质 | |
| CN116738823A (zh) | 一种trl腿型得分预测方法、装置、终端及存储介质 | |
| CN113408809B (zh) | 汽车的设计方案评价方法、装置及计算机存储介质 | |
| CN115033978A (zh) | 油箱隔板瞬态强度仿真分析方法、装置、终端及存储介质 | |
| CN116109531A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN117010083A (zh) | 汽车行驶过程石子撞击汽车覆盖件仿真分析载荷设计方法 | |
| CN113734199B (zh) | 车辆控制方法、装置、终端及存储介质 | |
| CN117115596B (zh) | 对象动作分类模型的训练方法、装置、设备及介质 | |
| CN118298669A (zh) | 车辆预警的方法、装置、设备及存储介质 | |
| CN118194035A (zh) | 一种行人保护头部碰撞性能等级预测方法、装置及终端 |
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 |