文献

J-GLOBAL ID：201802265987590916   整理番号：18A1354340

電気自動車のドライバ制動強度のハイブリッド学習に基づく分類と定量的推論【JST・京大機械翻訳】

Hybrid-Learning-Based Classification and Quantitative Inference of Driver Braking Intensity of an Electrified Vehicle

著者 (7件)： Lv Chen (Cranfield University, Cranfield, Bedford) ,  Xing Yang (Advanced Vehicle Engineering Centre, Cranfield University, Cranfield, U.K.) ,  Lu Chao (School of Mechanical Engineering, Beijing Institute of Technology, Beijing, China) ,  Liu Yahui (Department of Automotive Engineering, Tsinghua University, Beijing, China) ,  Guo Hongyan (Department of Control Science and Engineering, Jilin University, Changchun, China) ,  Gao Hongbo (Department of Automotive Engineering, Tsinghua University, Beijing, China) ,  Cao Dongpu (Department of Mechanical and Mechatronics Engineering, University of Waterloo, Waterloo, ON, Canada)
資料名： IEEE Transactions on Vehicular Technology  (IEEE Transactions on Vehicular Technology)
巻： 67  号： 7  ページ： 5718-5729  発行年： 2018年 
JST資料番号： C0244A  ISSN： 0018-9545  CODEN： ITVTAB  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 運転者の制動強度の認識は,電気自動車のための高度な制御とエネルギー管理のために非常に重要である。本論文では,制動強度を新しいハイブリッド教師なしおよび教師つき学習法に基づいて3つのレベルに分類した。最初に,手動で各々の制動強度レベルのために閾値を選択する代わりに,教師なしのガウス混合モデルを用いて,ブレーキ圧力によって自動的に制動事象をクラスタ化した。次に,監督されたランダムフォレストモデルを訓練して,車両とパワートレインの状態信号によって正しい制動強度レベルを分類した。より効率的な分類器を得るために,重要な特徴を解析し,選択した。さらに,離散的制動強度レベルの獲得を超えて,新しい連続観測方法を,車両状態の事前決定特徴を用いて,定量的解析およびブレーキ強度を認識するために,人工ニューラルネットワークに基づいて提案した。実世界の運転シナリオの下で電気自動車において実験データを収集した。最後に,提案した方法の分類と回帰結果を評価し議論した。結果は,様々な減速シナリオによる制動強度分類と定量的認識のために提案したハイブリッド学習法の実現可能性と精度を実証した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ブレーキ ,  *電気自動車 ,  ニューラルネットワーク ,  クラスタ化 ,  定量的分析 ,  教師つき学習 ,  エネルギー管理
準シソーラス用語： パワートレイン ,  Gauss混合モデル ,  ランダムフォレスト , 【Automatic Indexing@JST】

分類 (1件)： 電気自動車  (QG07020B)

タイトルに関連する用語 (7件)： 電気自動車 ,  ドライバ ,  制動 ,  ハイブリッド学習 ,  分類 ,  定量 ,  推論