精确度为0.1是什么意思
知识观察所
编辑|
知识观察所
【前言】
由于减少摩擦与道路覆盖水膜高度之间存在相关性,因此,有关湿度水平的知识与驾驶员和自动驾驶系统息息相关。
湿度定量方法是基于电容式传感器阵列,能够检测轮胎喷出的水,尽管以前对这种方法的研究已经证明了湿度分类的可行性。
但优化机会仍然存在,
虽然这些先前的研究仅限于一种特征选择算法,研究了各种算法并展示了优化的潜力。
除了能够确定类相关特征的特定于应用程序的算法外,对于所考虑的评估指标,性能提高了0.03以上,顺序前向浮动选择尤其产生了超过0.06的最显著性能提升。
此外,先前的研究仅限于条件受限的测试轨道,
因此为了研究上述结果的可转移性,人们对在公共道路上获得的新实验数据进行了研究。
公共道路上未知和变化的环境条件以及更大的轮速范围和转向角效应会显著降低分级机的性能。
可观的信息优势可归因于具有设计相关优势的不同传感器位置
,此外,与车辆中可用的其他传感器数据的融合导致性能进一步提高超过0.02。
【介绍】
车辆轮胎和路面之间的摩擦力越低,在潮湿条件下发生事故的风险就会显著增加,减少摩擦水平与道路覆盖水膜高度相关。
因此,有关当前湿度水平的知识与警告驾驶员或自动驾驶系统潜在的危急情况有关,如今的车辆已经包含各种环境感知技术,但这些技术无法检测和量化路面湿度。
人们提出了一种用于路面湿度量化的新方法,它基于2×4-平面电容式换能器阵列(TA),能够检测轮胎喷出的水。
在测试轨道上的实验研究中,
已经显示了对所提出的电容式传感器系统与湿度相关的依赖性的可靠评估。
此外,在测试轨道上获取的数据的不同分类器算法和评估指标,人们提出了一个1最近邻(1NN)分类器,能够自动区分八个湿度水平,具有相当大的性能。
关于选择合适的特征,
这比使用整个特征集有几个优点
,研究仅限于相对快速和简单的顺序前向选择(SFS)。
因此,除了实现中已建立的算法外,人们还提出了一种特定于应用程序的算法,该算法能够确定与类相关的特征。
此外,虽然之前的研究仅限于条件受限的测试轨道,
但该方法在公共道路上的可转移性,为此获得了在公共道路上获得的新实验数据,包括更高的轮速和转向角以及未知的环境条件。
【相关工作】
对检测与天气有关的道路状况的研究涵盖了广泛的方法,除了对车载摄像头的研究、还能对雷达传感器的研究,因为这些是现代车辆标准设备的一部分。
虽然相机图像可以区分干燥和下雪条件,但对于雷达技术,已经证明了干燥、潮湿和结冰条件之间的区别。
特别是,照明情况欠佳,对车载摄像头来说是个问题,路面粗糙度给雷达传感器带来了困难,其他方法基于声学方法。
除了记录轮胎滚动噪音的麦克风外,声学传感器还用于检测水滴撞击车身部件的结构噪声。
保时捷911(992型)配备了这些类型的传感器,这些可以检测到相当大的湿度,并警告驾驶员可能的打滑。
基于这种,已经有商业测量系统可以量化路面湿度,由于它们易受污染、尺寸和价格的敏感性,它们还不适合汽车系列应用。
据悉,
没有与使用特征选择算法优化路面湿度分类相关的研究工作,因此,考虑了其他应用程序中的既定方法。
虽然包装器方法可能是计算密集型的,但它们通常可以实现高性能,因为特征选择与分类器交互并且考虑了特征依赖关系。
表1概述了特征选择的潜在搜索策略,包括优点和缺点以及已建立算法的示例。
最优搜索策略能够识别最优特征子集,但计算量非常大,因此仅适用于小特征集,
这些策略包括穷举搜索(ES)和分支绑定(BAB)算法及其变体。
由于它们的简单性和速度,经常使用贪婪的搜索策略,常见示例包括SFS和顺序向后选择(SBS)。
基本上,这些算法遵循分别通过添加或删除特征来连续改进评估标准的策略。
由于已经在SFS中添加或在SBS中删除的特征没有进一步考虑,因此这两种算法都可能被困在局部最优中,称为嵌套效应。
浮动搜索策略试图避免嵌套效应,两个例子是顺序前向浮动选择(SFFS)和顺序后向浮动选择(SBFS),
它们是SFS和SBS的扩展,修改贪婪搜索策略以允许向后步骤。
对于SFFS,可以使用SBS向后排除已选择的要素,对于SBFS,可以使用SFS向后排除先前已排除的要素。
另一个熟悉的例子是禁忌搜索(TS),它是元启发式的,与较低的计算成本相关。
与以前的算法相比,TS允许最初导致分类器性能较差的中间步骤,目的是绕过局部最优,使用称为禁忌列表的短期记忆来记录和指导搜索过程。
随机策略的特征在于能够通过随机允许评估标准的暂时恶化来离开局部最优。
然而,它们需要偏差,这可能会显着影响搜索和性能,模拟退火(SA)是基于将物质冷却到其低温平衡的类比,是一个流行的例子。
SA允许对使用时间相关概率接受的子集进行微小和随机修改,
另一个众所周知的例子是遗传算法(GA),其搜索策略源自进化。
在加权搜索策略中,根据特征与类决策的相关性为特征分配权重,特征加权(FW)可以与前面介绍的搜索策略相结合来实现。
一个例子是带有特征加权的禁忌搜索(TSFW),它是先前引入的算法的扩展,但是,FW会导致过度拟合的可能性增加。
【初步-湿度分类】
具有欧氏距离度量的1NN分类器是用于对路面湿度水平进行分类的合适学习算法。
为了预测类,1NN识别训练数据中与要分配的测试样本距离最小的点。
与大多数学习算法相同,1NN假设平衡的类分布和相等的错误分类成本。
对于路面湿度分类,使用适当的指标进行分类器评估和识别合适的特征已被证明是一种合适的方法,应用这些指标是为了防止更频繁地错误地预测小类。
平衡精度(BAC)是一种常用的指标,可以取值在[0,1],其中1表示完美分类。它被定义为每个类在类数上获得的平均值的召回率。
【实验设置】
1.测试车辆
测试车辆是保时捷911(991.2型Carrera4GTS),
配备20′′前轴上的245/35冬季轮胎,胎面深度约为6毫米,胎面花纹不对称。
车辆配备了参考测量系统(Lufft,MARWIS),用于确定当前的路面湿度,它通常用作机场和冬季服务的决策支持,可以用非侵入性光谱测量0至6毫米范围内的水膜厚度。
它提供的分辨率为0.1μ米,精度为±10%,采样率为100Hz。
在实验研究中,MARWIS通过控制器局域网(CAN)连接并集成到车辆的前行李箱中,该后备箱配备了通往道路的开口。
因此,参考数据可以与来自传感器系统的数据(参见第IV-B节)和来自车辆总线的数据(例如,轮速)同步记录。
由于开口位于车辆中心
,MARWIS有限的感应区域仅覆盖水平移动到轮胎轨道的路面,因此,轮胎轨道中精确的水膜厚度可能会出现小偏差。
2.传感器系统
测试车辆配备了两个电容式传感器系统,每个系统都包括一个换能器阵列和传感器电子设备,下面介绍了各个组件:
换能器阵列
一个2×4平面的电容式TA,能够检测轮胎喷出的水及其与湿度相关的依赖性。
对于文中的数据采集,在前轮拱罩衬套的后向侧面施加两个TA,
因为喷雾首先撞击这些TA,从而提供了更快的决策。
由于轮胎的位移特性导致后轮条件的改变,导致路面湿度特别低的缺点,因此两个TA都应用于前轮。
传感器电子
为了可靠地采集电容式测量数据,使用了特定应用的传感器电子元件,这些电子元件安装在轮拱衬里后面的防水外壳中,如图1(b)所示。
此外,传感器电子元件包括温度传感器、32位微控制器和CAN收发器,各个传感器的测量数据通过CAN总线以int16数据类型传输,
理论值范围为3276.8pF至3276.7pF,分辨率为0.1pF,采样率为145Hz。
【特征选择算法】
通常,特征集的各个特征对于类预测具有不同的重要性,它们可以相互关联,对决策过程产生反作用。
特征的减少通常是可取的,
称为特征选择,除了通过排除相关和适得其反的特征来显着减少训练时间和复杂性外,
特别是分类器性能的潜在提高必须作为一个关键优势。
如特征选择算法概述(见第一节)所示,
各种具有不同优点和缺点的搜索策略可用于查找合适的特征子集。
尽管对算法的性能进行了一些比较研究,但不存在可以独立于数据集和进一步边界条件的搜索策略。
因此,通常会针对给定问题评估不同的算法,原则上,可以根据边界条件和要求进行预选,对于本问题,特别是大特征集是导致排除表1中列出的某些算法的标准。
除了使用特定于应用程序的优化标准来评估合适的特征(在中成功实现)之外,修改搜索策略是考虑不平衡数据集的另一种可能性。
图2显示了下面称为类特征选择(CFS)的算法的流程图。
【传感器融合】
为了评估由于公共道路上给定的边界条件而增加的复杂性水平的重要性,
最初基于先前调查的派生参数化开发了一个分类器。
表5总结了在测试轨道和公共道路上获得的两个数据集的结果。
【结论】
由于之前的工作仅限于一种特征选择算法,因此调查包括了进一步的算法,并证明了优化的潜力。
对于所考虑的评估指标,拟议的CFS将分类器性能提高了0.03以上,而SFFS的性能提升最为显著,超过0.06。
此外,我在测试轨道上获得的数据所获得的结果与在公共道路上生成的数据的可转移性。
由于未知和变化的环境条件以及更大的轮速范围和转向角效应导致复杂性增加,分级机性能显着下降。
在这里,显著的信息增益可归因于具有设计相关优势的不同传感器位置,从而将性能提高约0.02。
总体而言,本文提出的研究结果可以显着有助于对路面湿度进行可靠的分类
。
参考文献:
使用表面自由能技术在潮湿条件下轮胎和路面之间摩擦系数的演变,第204卷,2019年。
使用电容式传感器系统进行路面湿度量化,第9卷,2021年。
用于冬季路面状况分类的自动图像识别系统,第1375-1379页,2010年。
如果你也喜欢我的文章,不妨点个
“关注”
吧!小生在此谢过了!
全学儿3342题目不是说要精确到0.1吗 -
郟凡叔15136349950 ______ 你没理解这个精确度的意义这里说“精确度为0.1”不同于“结果精确到0.1”,不是要将近似根的结果保留一位小数,而是近似根和准确根的差不超过0.1.根据推算,准确根一定在1.375和1.4375之间,即使准确根为1.375,我们所取的近似根1.4375和它的差也不足0.1,是符合作为近似根条件的.同样,即使准确根为1.4375,近似根也可以取1.375.在这个范围的任意实数都是可以的.你之所以有误会,应该是精确度恰好为0.1,让你和小数位数联系到一起,如果题目要求“精确度0.2”,你就不会有这样的问题了.
全学儿3342物理中、分度值和精确度有什么不同?注意是不同! -
郟凡叔15136349950 ______ 一般的学生刻度尺,长20CM,分度值为1MM,也就是每两条刻度线之间的长度为1MM.但是我们用这样的刻度尺测量某物体长度时,应该在毫米后再估读一位,也就说,读数的精确度为0.1毫米.不知道这样解释,能不能理解.
全学儿3342用二分法求方程的近似解精确到0.1的含义是什么 -
郟凡叔15136349950 ______ |区间两个端点的差值小于了这个精确度,就代表近似值已得出.比如:最后的区间[a,b],只要|a-b|<0.1,就可以结束了,不用再往下算了 近似值为a,b的平均数,或者f(a)与f(b)哪个与零最接近就取哪个.
全学儿3342未注公差正负0.1是什么意思 -
郟凡叔15136349950 ______ 精度为0.1,理想产品应保证在正负0.05左右之间,因公差不能等于或大于精度的最大值.标准尺寸表的公差值也是如此.
全学儿3342精确度为0.01mm是什么意思 -
郟凡叔15136349950 ______ 计算结果,保留两位小数,单位毫米.
全学儿3342精确到0.05mm是什么意思,我只知道精确到0.01mm -
郟凡叔15136349950 ______ 嗯首先来说精度是1mm除以游标上的格数 10格就是精确到0.1mm 20格就是精确到0.05mm 50格就是精确到0.02mm 其中,精度0.1mm的,读数读到0.1mm就行了(但是我很奇怪..不是说精确度末位为1的要估读到下一位么.....) 精度是0.05mm的,读数精确到0.05mm,即读数的末尾是0.05mm或0.10mm或其它0.05的倍数 精度是0.02mm的,读数精确0.02mm,即读数的末尾是0.02、0.04、0.06等0.02的倍数
全学儿3342物理中、分度值和精确度有什么不同?注意是不同! -
郟凡叔15136349950 ______[答案] 一般的学生刻度尺,长20CM,分度值为1MM,也就是每两条刻度线之间的长度为1MM.但是我们用这样的刻度尺测量某物体长度时,应该在毫米后再估读一位,也就说,读数的精确度为0.1毫米.不知道这样解释,能不能理解.
全学儿3342精确度0.005啥意思,以前只见过0.001 -
郟凡叔15136349950 ______[答案] ①精确度0.005的意义:将小数点后的第三位数按四舍五入法处理,最后得到一个有两位小数的近似数,这个近似数的误差不超过小数点后第二位的半个单位,即误差不超过0.01/2=0.005,这就是近似数的精确度为0.005的意义.比如...
全学儿3342精度是±1%RS ,RS是啥意思 -
郟凡叔15136349950 ______ RS是满量程的意思,0.1%就是最大误差为满量程的0.1%(在量程范围内).
全学儿3342仪器仪表的精确度等级用什么表示呢?
郟凡叔15136349950 ______ 仪表精度=(允许绝对误差/测量范围)x100.在正常的使用条件下,仪表测量结果的准确程度叫仪表的准确度.引用误差越小,仪表的准确度越高,而引用误差与仪表的量程范围有关,所以在使用同一准确度的仪表时,往往采取压缩量程范围,以减小测量误差.在工业测量中,为了便于表示仪表的质量,通常用准确度等级来表示仪表的准确程度.准确度等级就是最大引用误差去掉正,负号及百分号.准确度等级是衡量仪表质量优劣的重要指标之一.我国工业仪表等级分为0.1,0.2,0.5,1.0,1.5,2.5,5.0七个等级,并标志在仪表刻度标尺或铭牌上.仪表准确度习惯上称为精度,准确度等级习惯上称为精度等级.仪表精度=(绝对误差的最大值/仪表量程)*100%.