一种基于神经网络的执行器退化诊断方法和系统
文献发布时间:2024-04-18 19:58:26
技术领域
本发明属于无人驾驶技术领域,具体涉及到一种基于神经网络的执行器退化诊断方法和系统。
背景技术
L4级别商用车在无人化运营时,主要的应用场景为矿区、码头与园区中,这些场景针对自动驾驶车辆的横纵向控制有精度要求。
在自动驾驶的横纵向控制算法中,应用层计算出横纵向控制算法控制量后,进过转发后由横纵向执行器(例如转向执行器,发动机,电机等)接收,产生最终控制量作用于车辆系统,使系统产生横纵向位移。
L4级别商用车自动驾驶在投入运营使用后,由于原车执行器差异以及伴随车辆运营年限增加导致的执行器性能退化会直接影响车辆自动驾驶横纵向控制算法精度,因此,提前检查和发现执行器的性能退化对于L4级别自动驾驶商用车意义重大。
现有技术在进行执行器诊断时,通常会在执行器性能异常,不能响应输入时介入,这样会导致在执行器存在明显之前已经存在的性能偏差被忽视,并且在执行器不能响应输入时,执行器通常已经存在明显损坏,此时进行维护成本较高。大规模运营的自动驾驶商用车横向控制算法中,算法工程师会依照健康执行器性能设计车辆控制参数,在执行器出现性能异常时,预设的控制参数无法很好地进行车辆控制,会造成精度下降,导致车辆轨迹画龙,碰撞等问题出现。在进行执行器性能退化诊断时,传统手段依照大量先验经验进行诊断,当遇到先验经验所不能涵盖的性能异常时,无法做出明确判断,导致性能异常被忽视,并且先验经验只能在性能异常出现后,进行问题排查时获得,这样效率较低。另外,大规模运营的自动驾驶商用车存在执行器性能偏差表现复杂,待诊断数据量大的特点,人工进行数据分析效率低下且工作量大,实现难度大。
发明内容
针对上述问题,本发明的主要目的在于设计一种基于神经网络的执行器退化诊断方法和系统,通过神经网络学习健康执行器的典型场景参数构建神经网络模型,解决大规模运营执行器诊断数据量大,以及人工数据分析效率低下、实现难度大等技术难题。
为了实现上述目的本发明采用如下技术方案:
一种基于神经网络的执行器退化诊断方法,用于车辆电子转向系统的执行器退化诊断,车辆控制模块的控制算法输出前轮转角控制量,经过前轮转角与方向盘转角映射关系转化发出方向盘转角控制信号,输出至车辆电子转向系统,通过车辆电子转向系统输出前轮转角完成车辆的控制;
其中,该方法针对上述前轮转角与方向盘转角的映射关系进行诊断,包括异常的查找与异常的判定;其步骤为:用神经网络学习健康执行器的车辆控制参数,生成神经网络模型,通过神经网络模型输出待测车辆在当前工况下的预测前轮转角,将预测前轮转角输出值与待测车辆在当前工况下的理论前轮转角输出值进行比对,比对值小于阈值即为健康执行器,比对值大于阈值即为异常执行器。
作为本发明进一步的描述,所述神经网络模型的生成方法包括如下步骤:
步骤101:获取健康执行器典型场景的数据;
步骤102:进行神经网络训练,并判定与输入数据误差是否小于阈值;
步骤103:判定结果小于阈值,则导出神经网络参数,生成神经网络模型,否则继续进行神经网络训练,直至生成神经网络模型。
作为本发明进一步的描述,上述前轮转角与方向盘转角的映射关系的诊断步骤如下:
步骤201:获取疑似故障执行器典型场景的数据;
步骤202:针对获取的数据进行预处理;
步骤203:针对疑似故障执行器典型场景的数据进行场景切分;
步骤204:切分后疑似故障执行器典型场景数据输出理论前轮转角;
步骤205:切分后疑似故障执行器典型场景数据作为方向盘输入数据,通过神经网络模型预测相同输入下健康执行器输出的前轮转角;
步骤206:通过理论前轮转角与预测前轮转角进行比对,判定比对值是否小于阈值;
步骤207:判定结果小于阈值即为健康执行器,判定结果大于阈值即为异常执行器。
作为本发明进一步的描述,待测车辆使用时域统计特征作为输入进行诊断,采用的输入为车辆横摆角速度、车速,使用车辆前轮转角作为输出;
步骤204中,理论前轮转角的表达式为:
其中,δ为车辆前轮转角,L为车辆轴距,R为圆周运动的半径,圆周运动半径表示为:
车辆横摆角速度表示为:
其中,ω
则,车辆横摆角速度-车速-前轮转角的关系表达式为:
上述忽略车辆侧偏角时,进行车辆横摆角速度、车速与前轮转角的理论推导,得到理论前轮转角。
作为本发明进一步的描述,所述神经网络模型为RBF神经网络模型,其通过径向基函数得到步骤205输入信息的变换后输出信息,径向基函数表示为:
其中,X为输入样本,即方向盘转角输入量,‖x-c
其中,b为径向基基宽;
上述神经网络模型得到的输出为预测健康执行器的前轮转角。
作为本发明进一步的描述,所述神经网络模型基于梯度下降法的反向传播进行参数的自适应调节,所述参数包括神经网络基宽、样本中心、神经元权重。
作为本发明进一步的描述,所述的反向传播部分,包括:
神经网络误差为:
E=y
其中,y
神经网络代价函数为:
神经网络基宽变化为:
其中,Δb
神经网络基宽表达式为:
b
其中,η为神经网络基宽的学习效率,α为遗忘因子,均为标定参数,b
样本中心变化为:
样本中心表达式为:
C
其中,C
神经元权重变化为:
神经元权重表达式为:
w
其中,w
通过上述BP神经网络进行参数训练,能够使神经网络基宽、样本中心、各神经元输出权重保持在当前最优解。
一种基于神经网络的执行器退化诊断系统,该系统包括理论前轮转角输出模块、神经网络模型构建模块、异常查找与判定模块;
所述理论前轮转角输出模块,用于待测车辆在当前工况下的理论前轮转角输出;
所述神经网络模型构建模块,用于RBF神经网络模型的构建,并接收方向盘输入数据,输出预测前轮转角;
所述异常查找与判定模块,用于预测前轮转角输出值与理论前轮转角输出值的比对,并通过比对值与阈值的对比,进行判断执行器是否为异常执行器;
其中,比对值小于阈值即为健康执行器,比对值大于阈值即为异常执行器。
一种电子设备,包括:包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信,其特征在于,所述存储器,用于存储计算机程序;
所述处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行上述的执行器退化诊断方法。
一种计算机可读的存储介质,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执行器退化诊断方法。
相对于现有技术,本发明的技术效果为:
本发明提供了一种基于神经网络的执行器退化诊断方法和系统,通过神经网络学习健康执行器的场景参数,构建神经网络模型,可以训练出不同场景下RBF神经网络模型,神经网络模型能够精确预测出相同输入下健康执行器输出的前轮转角,将预测前轮转角与待测车辆的实际输出理论前轮转角直接对比,获得性能差异,效率高,方便使用者快速定位问题,且能够诊断的性能异常类型多。
附图说明
图1为本发明的执行器开环控制架构示意图;
图2为本发明中诊断方法流程示意图;
图3为本发明的车辆转向运动示意图;
图4为本发明的RBF神经网络结构示意图;
图5为本发明的横向执行器系统控制流程示意图;
图6为本发明的退化诊断系统示意图。
具体实施方式
下面结合附图对本发明进行详细描述:
在本发明的一种实施例中,公开一种基于神经网络的执行器退化诊断方法,用于车辆电子转向系统的执行器退化诊断,本实施例,针对常规术语进行介绍如下:
RBF:径向基神经网络算法;EPS:电子转向系统;EHPS:电子液压转向系统;BP:反向传播神经网络;Road Error:道路误差;Yawrate:车辆横摆角速度。
具体的,本实施例,参考图1-4所示,车辆控制模块的横向控制算法内部直接输出为前轮转角控制量,经过前轮转角-方向盘映射关系表转化后发出方向盘转角控制信号,输出至EPS后,通过EPS输出前轮转角完成车辆的控制,因此,横向执行器开环控制架构如图1所示。
在实际工况中,获得的健康执行器数据无法做到输入与被诊断数据输入完全一致,因此,为解决该问题,本实施例引入了神经网络预测在被诊断数据输入下健康执行器输出;具体的,本实施例的诊断方法,针对上述前轮转角-方向盘转角的映射关系进行诊断,包括异常的查找与异常的判定;如图2所示,其步骤为:用神经网络学习健康执行器的车辆控制参数,生成神经网络模型,通过神经网络模型输出待测车辆在当前工况下的预测前轮转角,将预测前轮转角输出值与待测车辆在当前工况下的理论前轮转角输出值进行比对,比对值小于阈值即为健康执行器,比对值大于阈值即为异常执行器。
上述基于健康执行器的直接性能对比,并设置阈值,当动静态性能指标有衰减并达到超出预设的阈值后,发出性能退化预警标志位。
更具体的,本实施例,针对上述神经网络模型的生成方法包括如下步骤:
步骤101:获取健康执行器典型场景的数据;
步骤102:进行神经网络训练,并判定与输入数据误差是否小于阈值;
步骤103:判定结果小于阈值,则导出神经网络参数,生成神经网络模型,否则继续进行神经网络训练,直至生成神经网络模型。
步骤101中,健康执行器典型场景的数据包括:车速、车辆横摆角速度、道路曲率半径、档位、泊车标志位、方向盘转角请求值与实际值;车速、车辆横摆角速度,用于计算理论前轮转角;道路曲率半径、档位、泊车标志位,用于场景切分;方向盘转角请求值与实际值,用于神经网络训练输入。
步骤102中,输入数据包括两个:1.方向盘转角请求值,2.理论前轮转角;方向盘转角请求值,作为神经网络输入;理论前轮转角,作为方向盘输出参考,用于神经网络自适应参数调整。
步骤103中,导出的神经网络参数包含:神经网络节点个数、神经网络权重矩阵、神经网络基宽矩阵、神经网络节点中心矩阵。
针对上述前轮转角-方向盘转角的映射关系的诊断步骤如下:
步骤201:获取疑似故障执行器典型场景的数据;
步骤202:针对获取的数据进行预处理;
步骤203:针对疑似故障执行器典型场景的数据进行场景切分;
步骤204:切分后疑似故障执行器典型场景数据输出理论前轮转角;
步骤205:切分后疑似故障执行器典型场景数据作为方向盘输入数据,通过神经网络模型预测相同输入下健康执行器输出的前轮转角;
步骤206:通过理论前轮转角与预测前轮转角进行比对,判定比对值是否小于阈值;
步骤207:判定结果小于阈值即为健康执行器,判定结果大于阈值即为异常执行器。
步骤201中,疑似故障执行器典型场景的数据包括:车速、车辆横摆角速度、道路曲率半径、档位、泊车标志位、方向盘转角请求值与实际值;车速、车辆横摆角速度,用于计算理论前轮转角;道路曲率半径、档位、泊车标志位,用于场景切分;方向盘转角请求值与实际值,用于神经网络训练输入。
步骤202中,预处理包括针对执行器不同场景的数据切分。
步骤203中,数据切分为在python中使用指定数据段,针对给定的取值范围进行数据切分。
还需要说明的是,原车执行器信号的原始统计特征可以分为两类:时域统计特征、频域统计特征。在本实施例中,待测车辆使用时域统计特征作为输入进行诊断,采用的输入为车辆横摆角速度Yawrate、车速,使用车辆前轮转角作为输出;
以上的输入、输出在车辆运动学中,在低速时,轮胎没有侧偏角时,车辆运动学模型参考图3所示,车辆的转向运动可以做出如下推导;即步骤204中,在一个采样周期内,车辆的横向运动可以被视为按照一个固定圆心的圆弧运动,在过程中,理论前轮转角的表达式为:
其中,δ为车辆前轮转角,L为车辆轴距,R为圆周运动的半径,圆周运动半径表示为:
在此时刻,车辆横摆角速度表示为:
其中,ω
因此,车辆横摆角速度-车速-前轮转角的关系表达式为:
做出以上推导的原因是因为,该方法在最终实施过程中,车辆没有安装前轮转角传感器,但是安装了车辆横摆角速度传感器与车速传感器,因此无法以前轮转角为直接输入,但并不包括上述通过车辆横摆角速度与车速得出理论前轮转角的方式,还包括能够得出理论前轮转角的其他任何一种方式;另外,在特定场景下,可以忽略车辆侧偏角时,可以进行车辆横摆角速度、车速与前轮转角的理论推导,得到理论前轮转角。
本实施例,上述神经网络模型为RBF神经网络模型,RBF神经网络的功能是按照被控对象的输入量(方向盘转角信号)和输出响应值(理论前轮转角)离线训练出被控对象的等效模型,使用离线等效模型对输入进行预测,得到在给定输入下的等效健康执行器输出。
RBF神经网络通常只有三层,即输入层、中间层和输出层。其中,中间层主要计算输入X和样本矢量c(记忆样本)之间的欧式距离的RBF的值,输出层对其做一个线性的组合。
如图4所示,其中,输入层为x
径向基函数(RBF)又称特殊情况下的高斯核函数,是某种沿径向对称的标量函数,通常定义为样本到数据中心之间径向距离(通常是欧式距离)的单调函数(由于距离是径向同性的)。
本实施例,通过径向基函数得到步骤205输入信息的变换后输出信息,径向基函数表示为:
其中,X为输入样本,即方向盘转角输入量,‖x-c
其中,b为径向基基宽;
在完成隐含层计算后,能够得到输入信息进行空间变换后的输出,将输出信息通过线性加权后输出,即为输出层的作用,得到的结果为整个神经网络的输出。本实施例,上述神经网络模型得到的输出为预测健康执行器的前轮转角。
在实际过程中,RBF神经网络的参数加入自适应性后,预测输出才能更加贴近实际输出,因此,需要设计神经网络的参数自适应调节率,具体的,本实施例,上述神经网络模型基于梯度下降法的反向传播进行参数的自适应调节,所述参数包括神经网络基宽、样本中心、神经元权重,神经网络基宽、样本中心按照上述的径向基函数表达式,可以得到一个神经元的径向基函数输出,一个神经元的径向基函数输出乘以该神经元权重后,得到一个神经元的输出,所有神经元输出叠加后,得到神经网络的输出。
BP神经网络是一种用途广泛的神经网络算法,在算法中,被反向传播的为误差信号,这个过程中可以被阐述为:在整个神经网络的计算过程中,不间断地收集本实施例所产生的误差,误差与上述定义一致,即为RBF神经网络输出的预测前轮转角与实际理论前轮转角输出值之差。随着整个系统的迭代循环不断继续,本实施例的方法误差不断产生,BP神经网络通过方法误差来调节特定参数,达到使得误差最小的目标。
在本实施例中,BP神经网络的作用为调节RBF神经网络中的三个重要参数:径向基函数中心节点、径向基基宽、神经元输出权重,从而达到调整整个RBF神经网络的性能目标,在保证RBF神经网络的预测输出与实际值误差,即方法误差为当前最优解的情况下,将RBF神经网络预测出的PID参数输出,完成最终的纵向速度控制。
上述的反向传播部分,包括:
神经网络误差为:
E=y
其中,y
神经网络代价函数为:
神经网络基宽变化为:
其中,Δb
神经网络基宽表达式为:
b
其中,η为神经网络基宽的学习效率,α为遗忘因子,均为标定参数,b
样本中心变化为:
样本中心表达式为:
C
其中,C
神经元权重变化为:
神经元权重表达式为:
w
其中,w
通过上述BP神经网络进行参数训练,能够使神经网络基宽、样本中心、各神经元输出权重保持在当前最优解。此处的神经网络基宽、样本中心、各神经元输出权重保持在当前最优解,即神经网络输出与输出参考值之间误差最小,表征神经网络输出准确。
通过上述公开的实施例可知,一个RBF神经网络如果确定了输入、输出维度、径向基中心节点c
直线场景:
该场景中,车辆沿直线行驶,方向盘变化幅度小,会在-5°至5°之间变化,存在部分变道场景,方向盘会在快速转动20°之后快速回到-5°至5°的范围内,在此场景中,输出存在明显噪声干扰。
低速过弯场景:
在该场景中,车辆速度较低,方向盘输入值会存在较大变化,最大可以达到极限转向角度(-700°至700°),方向盘输入变化频率较低,输出不存在明显噪声干扰。
泊车场景:
在该场景中,车辆速度较低,方向盘输入值会存在较大变化,最大可以达到极限转向角度(-700°至700°),方向盘输入变化频率较低,输出不存在明显噪声干扰,由于在泊车过程中,存在倒车场景,车辆横摆角速度与前向行驶时相反,需要单独划分出场景。
按照以上不同场景,健康执行器数据进行训练后,会得到分别针对直线、低速过弯、泊车场景的RBF神经网络模型参数,用于不同场景的健康执行器输出预测。
在本实施例的具体实施过程中,实际要解决的自动驾驶商用车性能诊断问题的数据来源均为实际运营场景中所记录的数据。在这些数据中,存在人工接管的驾驶数据,由于人工驾驶与自动驾驶控制算法驾驶在驾驶习惯,输入方式等方面存在差异,神经网络预测模型的训练数据无法涵盖该部分,因此需要对输入的待检测数据进行数据筛选,获得与神经网络训练数据类似场景的数据,以这些数据的方向盘转角作为神经网络输入,预测健康执行器在相同操作下的输出,再与实际输出进行对比。按照上述描述,RBF神经网络本身已经按照不同场景进行训练,因此,待检测数据需要按照训练数据场景进行场景划分,并使用不同RBF神经网络模型进行对比,使预测健康执行器输出更加合理。
在本实施例中,实际自动驾驶商用车运营的具体场景可以分为高速直线行驶、低速向前行驶与大转角过弯,以及低速泊车场景。
通过上述内容公开本申请的具体诊断方法,相对于现有技术,本实施例的优势如下:
1.本发明的诊断方法,能够使用健康执行器数据训练出不同场景下RBF神经网络预测模型,神经网络预测模型在可以精确预测出相同输入下健康执行器的输出,并与待诊断输出进行直接对比,获得性能差异,效率高,可以诊断的性能异常类型多;
2.本发明的诊断方法,使用python处理待诊断执行器数据,针对不同工况进行场景切分,针对不同场景对应的神经网络模型进行对比,获得待诊断执行器与健康执行器的性能差异,方便使用者快速定位问题。
在本发明的另一种实施例中,公开一种基于神经网络的执行器退化诊断系统,如图6所示,该系统包括理论前轮转角输出模块、神经网络模型构建模块、异常查找与判定模块;
所述理论前轮转角输出模块,用于待测车辆在当前工况下的理论前轮转角输出;
所述神经网络模型构建模块,用于RBF神经网络模型的构建,并接收方向盘输入数据,输出预测前轮转角;
所述异常查找与判定模块,用于预测前轮转角输出值与理论前轮转角输出值的比对,并通过比对值与阈值的对比,进行判断执行器是否为异常执行器;
其中,比对值小于阈值即为健康执行器,比对值大于阈值即为异常执行器。
在本实施例中,该系统针对方向盘转角-前轮转角的映射关系是否存在异常进行查找并判定,异常可以被分为输出量准确性异常、输出快速性异常。
一、输出量准确性异常的危害如下:
如果实车前轮转角-方向盘映射关系与预设的数据表格存在较大差异时,控制算法输出的前轮转角不能在最终的执行端被执行。最终可能产生的结构可以被分为以下两种情况:
1.预设引射表中前轮转角-方向盘转化比例比实际执行器小:
方向盘没有转到控制算法需要的前轮转角位置,导致横向控制量不足,RoadError变大,系统控制精度下降,如果控制算法中存在误差累加项时,还可能导致累加项输出值过大无法短时间消除,从而影响整体控制精度。
2.预设引射表中前轮转角-方向盘转化比例比实际执行器大:
方向盘每次响应控制算法控制指令都会放大控制量,导致系统存在较大超调量,针对控制算法中的反馈控制系统(横向控制执行器系统),持续被放大的控制量会导致整体反馈控制系统发散的情况,使整个控制算法不稳定,在实际车辆上表现出车辆画龙或者方向盘振荡等现象,导致车辆横向控制精度下降。
在横向控制中,控制算法计算的前轮转角作用到执行器时,需要经过预设引射表换算成方向盘转角,而本实施例神经网络得到映射关系表表征真正车辆的前轮转角与方向盘的映射关系,若神经网络得到的映射关系表与预设映射表存在较大误差时,预设的数据表格会被替换。
在自动驾驶横向控制算法中,包含了前馈控制系统与反馈控制系统,过大的超调量会导致横向控制算法稳定性下降,本实施例,诊断系统的目的是为了减少这种现象的发生。
二、输出快速性异常的危害如下:
在请求方向盘转角发出后,如果横向控制系统反应慢,即输出存在较长时间延迟,不能及时响应输入请求,会导致横向控制总体存在较大延迟,不能准确进行横向控制,导致横向误差变大,横向控制稳定变差。
具体的横向控制执行器系统的控制流程如图5所示:
将方向盘转角控制量作为系统输入,整个转向执行器系统可以被视为一个反馈控制系统,该系统在接收了输入信号(方向盘转角)后,经过内部控制策略调整,输出指定方向盘与对应车速下的前轮转角。根据自动控制原理相关知识,可以使用经典控制系统的动态静态性能评价指标对系统进行性能评估,在本实施例中,具体性能指标如下:
本实施例,以下的“系统”指的是方向盘请求到前轮转角之间的横向执行器系统,“系统输出”为本实施例的诊断系统,用于判断执行器是否健康的直接数据来源。
稳态误差:
e
其中,r为参考输入,本实施例为期望前轮转角,y
上升时间:
其中,
调整时间:
其中,
超调量:
其中,y
上述指标中,稳态误差指系统达到参考输出与稳态后的输出的差值,上升时间指系统达到90%稳态输出的与系统达到10%稳态输出的时间差,调整时间为系统达到95%稳态输出时所使用的时间,超调量指在系统响应过程中出现的最大值与稳态值的误差比。
反馈控制系统的控制目标可以被分为稳定性,准确性,快速性。从上述四个指标来看,稳态误差与超调量表示了系统的准确性与稳定性,上升时间与调整时间表征了系统的快速性。
在健康系统中,以上执行器性能指标均可以进行特定方式的测试获得准确的指标值,从而得到健康执行器性能量化指标。在本实施例中,可以基于健康的转向执行器进行固定测试来获取;健康执行器方向盘转角与车辆横摆角速度的性能指标映射关系,得出以上性能指标参考值。
在本发明的另一种实施例中,还包括一种电子设备,该电子设备可以包括处理器以及存储由计算机程序指令的存储器。
具体的,本实施例,上述处理器可以包括中央处理器(CPU),或者特定集成电路,或者可以被配置成本实施例的一个或多个集成电路;上述的存储器可以包括用于数据或指令的大容量存储器,针对该存储器,包括但不限于硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合;在适当的情况下,存储器可包括可移除或不可移除(或固定)的介质;在特定实施例中,存储器是非易失性固态存储器。在特定实施例中,存储器包括只读存储器(ROM)。在适当的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
上述处理器通过读取并执行存储器中存储的计算机程序指令,实现本发明上述公开的执行器退化诊断方法。
还需要说明的是,本实施例的电子设备还可以包括通信接口和通信总线。其中,处理器、存储器、通信接口通过通信总线连接并完成相互间的通信。通信接口,主要用于实现本发明实施例中各单元、各模块、装置或设备之间的通信。
上述的通信总线包括硬件、软件或者软硬件两者的结合,将在线数据流量设备的部件彼此耦接在一起。在适当的情况下,通信总线可以包括一个或多个总线。
另外,结合上述实施例中执行器退化诊断方法,本发明的实施例可提供一种计算机存储介质来实现,该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行上述的执行器退化诊断方法。
需要明确的是,本发明并不限于上述公开的方法、系统、设备,还包括本领域技术人员基于本发明的思路后作出的各种改变、修改和添加,或者改变步骤之间的顺序。
本发明当以硬件的方式实现时,其可以是电子电路、专用集成电路,适当的固件、插件、功能卡等;当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段,程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传,“机器可读介质”可以包括能够存储或传输信息的任何介质,例如:电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、光盘、硬盘、光纤介质、射频链路等待。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
- 一种基于轻量级神经网络的图像退化方法及退化系统
- 一种基于TOMFIR残差的飞行控制系统执行器微小故障诊断方法