Methode zur Klassifizierung von Unfallszenarien mithilfe von FE-Gesamtfahrzeugsimulationen, Wavelettransformierten und künstlichen neuronalen Netz.
8 Angebote vergleichen

Lieferung aus: Deutschland, Versandkostenfrei.
Methode zur Klassifizierung von Unfallszenarien mithilfe von FE-Gesamtfahrzeugsimulationen, Wavelettransformierten und künstlichen neuronalen Netzen: Im Rahmen der Arbeit wird eine Methode zur Klassifizierung von Unfallszenarien entwickelt, wobei es sich bei den Unfällen um Pfahlkollisionen handelt. Die Klassifizierung eines Unfallszenarios erfolgt durch die Abschätzung der bevorstehenden Fahrzeuggeschwindigkeits?nderungen in Fahrzeugl?ngs- und Fahrzeugquerrichtung sowie der Positionsabsch?tzung des Pfahls. Zudem ist eine genaue Abschätzung der genannten Unfallparameter bereits 10 ms nach dem Pfahlaufprall möglich. Für eine genaue Abschätzung der Unfallparameter werden Beschleunigungs- und Gierratensignale des Fahrzeugs benötigt, die mithilfe von FE-Gesamtfahrzeugsimulationen gewonnen werden. Sowohl die Beschleunigungs- als auch die Gierratensignale erfahren im Anschluss eine Wavelettransformation. Zudem wird der Betrag der Wavelettransformierten im Zeit- und im Frequenzbereich diskretisiert. Dies ist notwendig, um wesentliche Informationen in einer geeigneten Form aus den Signalen ziehen zu können, damit diese als Eingangsparameter für künstliche neuronale Netze nutzbar sind. Mithilfe der künstlichen neuronalen Netze erfolgt die Abschätzung der wesentlichen bereits oben genannten Unfallparameter. Zudem können diese Unfallparameter nach einem erfolgreichen Training eines künstlichen neuronalen Netzes auch für unbekannte Unfallszenarien bestimmt werden, wobei die äußeren Grenzen der Trainingsmenge einzuhalten sind. Aufgrund der frühzeitigen Unfallparameterabsch?tzungen ist eine Anpassung der Ausl?sealgorithmen der Rückhaltesysteme möglich. Der bedarfsgerechte Einsatz von Rückhaltesystemen in einem Unfallszenario könnte dadurch zu einer erheblichen Verringerung der Verletzungsschwere fähren. Die Untersuchungen in dieser Arbeit beziehen sich ausschließlich auf Kollisionen mit einem Pfahlhindernis, welches sich frontal vor dem Fahrzeug befindet. Die erzielten Ergebnisse sind insbesondere bei der Abschätzung der Aufprallgeschwindigkeit in Fahrzeuglängsrichtung und der Pfahlpositionen sehr genau. Zudem besitzt die Methode ein sehr stabiles Verhalten bezüglich Gewichtsänderungen am Fahrzeug im gesamten zulässigen Gewichtsbereich. Auch auf erhebliche Größenänderungen des Pfahldurchmessers kann ein künstliches neuronales Netz durch ein entsprechendes Training angepasst werden, sodass auch in diesen Unfallszenarien genaue Abschätzungen möglich sind. Zuletzt wird in der Arbeit dargelegt, dass die guten Ergebnisse nicht auf Zufälligkeiten beruhen, sondern in den charakteristischen Eigenschaften der verwendeten Eingangsgrößen begründet sind. Ebook.

Von Händler/Antiquariat, AHA-BUCH GmbH [51283250], Einbeck, NDS, Germany.
This item is printed on demand - Print on Demand Titel. Neuware - Im Rahmen der Arbeit wird eine Methode zur Klassifizierung von Unfallszenarien entwickelt, wobei es sich bei den Unfällen um Pfahlkollisionen handelt. Die Klassifizierung eines Unfallszenarios erfolgt durch die Abschätzung der bevorstehenden Fahrzeuggeschwindigkeitsänderungen in Fahrzeuglängs- und Fahrzeugquerrichtung sowie der Positionsabschätzung des Pfahls. Zudem ist eine genaue Abschätzung der genannten Unfallparameter bereits 10 ms nach dem Pfahlaufprall möglich. Für eine genaue Abschätzung der Unfallparameter werden Beschleunigungs- und Gierratensignale des Fahrzeugs benötigt, die mithilfe von FE-Gesamtfahrzeugsimulationen gewonnen werden. Sowohl die Beschleunigungs- als auch die Gierratensignale erfahren im Anschluss eine Wavelettransformation. Zudem wird der Betrag der Wavelettransformierten im Zeit- und im Frequenzbereich diskretisiert. Dies ist notwendig, um wesentliche Informationen in einer geeigneten Form aus den Signalen ziehen zu können, damit diese als Eingangsparameter für künstliche neuronale Netze nutzbar sind. Mithilfe der künstlichen neuronalen Netze erfolgt die Abschätzung der wesentlichen bereits oben genannten Unfallparameter. Zudem können diese Unfallparameter nach einem erfolgreichen Training eines künstlichen neuronalen Netzes auch für unbekannte Unfallszenarien bestimmt werden, wobei die äußeren Grenzen der Trainingsmenge einzuhalten sind. Aufgrund der frühzeitigen Unfallparameterabschätzungen ist eine Anpassung der Auslösealgorithmen der Rückhaltesysteme möglich. Der bedarfsgerechte Einsatz von Rückhaltesystemen in einem Unfallszenario könnte dadurch zu einer erheblichen Verringerung der Verletzungsschwere führen. Die Untersuchungen in dieser Arbeit beziehen sich ausschließlich auf Kollisionen mit einem Pfahlhindernis, welches sich frontal vor dem Fahrzeug befindet. Die erzielten Ergebnisse sind insbesondere bei der Abschätzung der Aufprallgeschwindigkeit in Fahrzeuglängsrichtung und der Pfahlpositionen sehr genau. Zudem besitzt die Methode ein sehr stabiles Verhalten bezüglich Gewichtsänderungen am Fahrzeug im gesamten zulässigen Gewichtsbereich. Auch auf erhebliche Größenänderungen des Pfahldurchmessers kann ein künstliches neuronales Netz durch ein entsprechendes Training angepasst werden, sodass auch in diesen Unfallszenarien genaue Abschätzungen möglich sind. Zuletzt wird in der Arbeit dargelegt, dass die guten Ergebnisse nicht auf Zufälligkeiten beruhen, sondern in den charakteristischen Eigenschaften der verwendeten Eingangsgrößen begründet sind. 192 pp. Deutsch.

Lieferung aus: Vereinigtes Königreich Großbritannien und Nordirland, Versandkostenfrei.
Von Händler/Antiquariat, The Book Depository EURO [60485773], London, United Kingdom.
Language: German Brand New Book ***** Print on Demand *****.Im Rahmen der Arbeit wird eine Methode zur Klassifizierung von Unfallszenarien entwickelt, wobei es sich bei den Unf llen um Pfahlkollisionen handelt. Die Klassifizierung eines Unfallszenarios erfolgt durch die Absch tzung der bevorstehenden Fahrzeuggeschwindigkeits nderungen in Fahrzeugl ngs- und Fahrzeugquerrichtung sowie der Positionsabsch tzung des Pfahls. Zudem ist eine genaue Absch tzung der genannten Unfallparameter bereits 10 ms nach dem Pfahlaufprall m glich. F r eine genaue Absch tzung der Unfallparameter werden Beschleunigungs- und Gierratensignale des Fahrzeugs ben tigt, die mithilfe von FE-Gesamtfahrzeugsimulationen gewonnen werden. Sowohl die Beschleunigungs- als auch die Gierratensignale erfahren im Anschluss eine Wavelettransformation. Zudem wird der Betrag der Wavelettransformierten im Zeit- und im Frequenzbereich diskretisiert. Dies ist notwendig, um wesentliche Informationen in einer geeigneten Form aus den Signalen ziehen zu k nnen, damit diese als Eingangsparameter f r k nstliche neuronale Netze nutzbar sind. Mithilfe der k nstlichen neuronalen Netze erfolgt die Absch tzung der wesentlichen bereits oben genannten Unfallparameter. Zudem k nnen diese Unfallparameter nach einem erfolgreichen Training eines k nstlichen neuronalen Netzes auch f r unbekannte Unfallszenarien bestimmt werden, wobei die u eren Grenzen der Trainingsmenge einzuhalten sind. Aufgrund der fr hzeitigen Unfallparameterabsch tzungen ist eine Anpassung der Ausl sealgorithmen der R ckhaltesysteme m glich. Der bedarfsgerechte Einsatz von R ckhaltesystemen in einem Unfallszenario k nnte dadurch zu einer erheblichen Verringerung der Verletzungsschwere f hren. Die Untersuchungen in dieser Arbeit beziehen sich ausschlie lich auf Kollisionen mit einem Pfahlhindernis, welches sich frontal vor dem Fahrzeug befindet. Die erzielten Ergebnisse sind insbesondere bei der Absch tzung der Aufprallgeschwindigkeit in Fahrzeugl ngsrichtung und der Pfahlpositionen sehr genau. Zudem besitzt die Meth.

Lieferung aus: Vereinigtes Königreich Großbritannien und Nordirland, Versandkostenfrei.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen

Lieferung aus: Deutschland, Gewöhnlich versandfertig in 24 Stunden.
Von Händler/Antiquariat, Amazon.de.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen

Lieferung aus: Deutschland, Gewöhnlich versandfertig in 24 Stunden.
Von Händler/Antiquariat, Amazon.de.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen

Lieferung aus: Vereinigtes Königreich Großbritannien und Nordirland, Versandkostenfrei.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen

Von Händler/Antiquariat, Paperbackshop-US [8408184], Secaucus, NJ, U.S.A.
New Book. This item is printed on demand. Shipped from US This item is printed on demand.