学术前沿 | 利用任务依赖加权的多任务学习法提高纯电动汽车的声音和振动舒适性

主要观点总结

本文主要介绍了提高纯电动汽车振声舒适性的重要性，提出一种基于多任务学习与振动声舒适知识图谱相结合的方法，通过实验验证了该方法在提高车内振动声舒适性方面的准确性和鲁棒性。

关键观点总结

关键观点1: 电动汽车的振声舒适性是目前发展的重点

纯电动汽车的声学和振动特性带来了预测和优化的挑战，需要寻求新的解决方案。

关键观点2: 多任务学习方法的应用

通过多任务学习方法，将均方差不确定性解释作为任务相关加权(TDW)，有效平衡不同回归任务之间的损失，提高了预测准确性。

关键观点3: VACKG知识图谱的结合

提出一种基于tw的多任务学习与振动声舒适知识图谱(VACKG)相结合的融合方法，通过层次关系划分降低问题解决的复杂性。

关键观点4: 实验验证

采用真实的电动汽车进行道路试验，采集噪声和振动数据，验证了所提方法在提高车内振动声舒适性方面的准确性和鲁棒性，优于传统预测和优化方法。

关键观点5: 未来展望与免责声明

模型准确性和泛化取决于有效和可靠的训练数据样本的数量，未来将致力于扩展数据集以增强预测和优化性能。同时，文中免责声明提示读者信息来源于期刊文章，不意味着赞同其观点或真实性，仅供参考。

文章预览

    提高纯电动汽车的振声舒适性是目前发展的重点。pev的声学和振动特性表现出广泛的频率分布，并且包含许多目标，因此对其预测和优化提出了挑战。传统的仿真和实验方法虽然能够同时分析噪声和振动信息 ，但由于建模复杂，效率低下。本文提出了一种解决方案，通过多任务学习方法，将均方差不确定性解释作为任务相关加权(TDW)，有效地平衡不同回归任务之间的损失。该方法校正了任务之间的偏差预测，确保了在不同特征和频率分布下准确的室内振动声学舒适性预测。在此基础上，提出了一种基于tw的多任务学习与振动声舒适知识图谱(VACKG)相结合的融合方法。通过对PEV噪声和振动的预测与优化，验证了该方法在提高车内振动声舒适性方面的准确性和鲁棒性。      本研究提出了一种数据与知识融合的方法，将基于tw的多任务学习与知识图 ………………………………