机构名称：
¥ 3.0
本文研究了所需压力之间的时间滞后问题，该论点是由车辆阻尼系统的板载计算机和系统输送的实际输出压力计算得出的。研究重点是使用机器学习技术对此延迟进行建模，以便能够在计算机模拟中更好地模拟现实世界。这项研究还着重于寻找一个模型之一，当将其应用于现实世界中的阻尼系统时，能够逆转这一时间的概念证明。时间滞后模型F1是通过评估三种不同的机器学习模型的性能，卷积神经网络（CNN），复发性神经网络（RNN）和长期术语内存（LSTM）的性能来创建的，通过将其输入数据点的输入序列喂入该序列的下一个序列，并将其与实际输出压力相提并论。虽然时间滞后模型F2的逆转在两个阶段进行了训练，但首先将实际输出用作F2的输入并将预测与所需输入进行比较。在第二阶段，我们通过在F2的预测上应用F1模型并将其与所需输入进行比较，从而对F2模型进行了微调。发现F1的所有三个模型都表现良好，但是CNN的性能效果更好，尤其是在较高压力下，因此应该在模拟中使用。对于F2，我们还发现，这两个阶段的过程在较低的压力方面效果很好，但是对于更陡峭，更高的压力来说，这是更多的问题，但可以证明该解决方案可以起作用。
使用机器学习对阻尼系统的性能进行优化
主要关键词
相关文件推荐
