包括摘要,背景意义,论文结构安排,开发技术介绍,需求分析,可行性分析,功能分析,业务流程分析,数据库设计,er图,数据字典,数据流图,详细设计,系统截图,测试,总结,致谢,参考文献。
2024-04-21 15:45:57 6.17MB 毕业设计 计算机毕业设计 毕业论文
1
论GB_T 24347电动汽车DC_DC变换器与实际应用的不符之处.pdf
立足于国内外技术创新管理现状,归纳了中外研究者针对国家、区域、行业、企业以及混合视角五个层面的研究情况。从中国新能源汽车行业的实际情况出发,用文献聚合分析法对国内外新能源汽车产业技术创新管理的关注点、研究内容等进行总结,把握研究焦点、找到国内外研究差距以及中国新能源汽车产业技术创新的误区,为该产业进行全面、高效的技术创新管理提供参考。
2024-01-12 21:22:27 332KB 行业研究
1
新能源汽车电驱动技术EMc,
2024-01-01 22:06:16 26.8MB
1
从拆解Model3看智能电动汽车发展趋势
2023-12-16 14:29:17 12.14MB 新能源汽车 行业研究
1
东吴证券-汽车热管理行业深度报告:乘新能源汽车东风,热管理迎来新机遇-230423
2023-12-14 08:26:27 2.87MB
1
看一下行业报告方便进行数学建模和对行业现状的了解~B 题 长三角新能源汽车发展与双碳关系研究《节能与新能源汽车技术路线图 2.0》提出至 2035 年,新能源汽车市场占比 超过 50%,燃料电池汽车保有量达到 100 万辆,节能汽车全面实现混合动力化, 汽车产业实现电动化转型的明确目标。这与国务院办公厅印发的《新能源汽车产 业发展规划(2021—2035 年)》的目标是一致的。有人测算,如果这一目标如期实 现,到 2035 年,我国新能源汽车保有量将达到 8000 万—1 亿辆,燃料电池汽车 达到 100 万辆。如今,新能源和新能源汽车两大产业的兴起,为实现国家从化石 能源为主导向可再生能源为主导转型的目标、为实现碳减排创造了两大先决条件: 上游有了以光电、风电为主的充足的可再生能源,下游有了可以大幅度消纳可再 生能源的新能源汽车。 上海发改委印发的《上海市 2023 年碳达峰碳中和及节能减排重点工作安排》 文件指出,严格控制煤炭消费总量,推动本地“光伏+”综合开发利用、杭州湾海 上风电建设、市外清洁电力通道建设 。。。
2023-11-23 14:29:14 6.07MB
1
新能源汽车车载双向OBC,PFC,LLC,V2G 双向 充电桩 电动汽车 车载充电机 充放电机 MATLAB仿真模型 : (1)基于V2G技术的双向AC DC、DC DC充放电机MATLAB仿真模型; (2)前级电路为双向AC DC单相PWM整流器,输入AC220V,输入单位功率因数; (3)后级电路为双向DC DC,双向CLLC谐振变换器,谐振频率150kHz,采用PFM变频控制,输出DC360V; (4)仿真功率3.5kW。 正向变换时单相交流电网向电动汽车输出DC360V,反向变换时电动汽车向电网回馈能量; 学会此模型,工资2万起步 版本为2016a及以上
2023-10-18 10:56:08 420KB matlab
1
4. 技术与伦理分析 一、自动驾驶问题 根据之前出过的类似事件推测,此次事故发生可能是因为自动驾驶。根据数据显示,在10个月时间内,美国共发生三百多起关于自动驾驶的交通事故,其中有70%都来自特斯拉。但特斯拉官方至今没有给出有效处理方案,总裁马斯克甚至还放话,特斯拉的自动驾驶是全世界最安全的。 环境感知问题:这个问题是最基本的问题,未来感知环境,汽车上必须按照多个传感器,传感器包括了各种雷达、摄像头等采集周边信息的设备,汽车必须不短感知周围的环境才能基于环境去做决策。 智能决策问题:,这里的决策主要是车辆的状态控制信息,包括车辆停止,前进,后退,转弯,加速,减速等指令。这个决策速度将决定汽车的行驶速度可以有多快,这个过程需要大量的计算能力,需要利用强大的计算机与智能软件算法去实现。如果决策速度慢,车辆行驶速度就慢,如果决策失误,就会导致安全事故的发生。 车辆控制问题:这部分技术比较成熟,可以借助传统的车辆控制系统去适配和改造。 二、锂电池隐患问题 那么新能源的锂电池真的这么容易起火吗?一位专业的电动汽车电池员工解释道,新能源汽车如果受到撞击,在相同条件下,确实比燃油汽车更容易起火。比如
2023-10-18 10:15:05 1.66MB 自动驾驶 范文/模板/素材 安全 嵌入式
1
神经网络模型普遍存在过拟合问题,所以采用增加3层丢弃层避免梯度消失的问题,利用adam优化器自动优化学习率。 本文使用ReLu Activation函数激活参数特征,然后连接Batch Normalization层和Dropout层,再用Flatten层对数据进行平滑处理,最后将数据输入两个堆叠的LSTM层输出预测数据。 经过多次调整超参数后,确定丢弃率为0.15。 为该单特征LSTM模型的损失变化图。由图可见,该模型损失函数的下降速度极快,在训练次数达到三百次左右时,损失已经基本维持在0附近,并逐步趋于平稳,说明该模型能够很快地收敛到一个较优的参数状态,避免了过拟合或欠拟合的问题。该模型的整体MAPE最低时达到10.69%,整体的拟合程度较高。
2023-10-11 23:01:33 6KB lstm 神经网络
1