神经网络和深度学习在电动汽车中的应用.pdfVIP

第1期(总第197期)现代车用动力No.1(serialNo.197)

2025年2月MODERNVEHICLEPOWERFeb.2025

doi:10.3969/j.issn,1671-5446.2025.01.006

神经网络和深度学习在电动汽车中的应用

周杰,何巍²,马国忠,林明晶1

（1.中国第一汽车股份有限公司，吉林长春130013;2.长春汽车职业技术大学，吉林长春130013）

摘要：神经网络和深度学习的迅猛发展显著推动了人工智能图像识别和语音识别技术的进步，这两种技术已经在多个领域展

现出巨大的潜力和应用价值。提出一种基于语义分割数据集和Fast-SCNN算法的模型训练方法,以及一种基于卷积块注意力

模块（CBAM)机制的模型优化方法。通过与Faster-RCNN训练的目标检测模型进行比较,语义分割方法训练的模型成功克服

了天线在复杂环境检测试验目标中的两大问题：低对比度和小目标检测。利用神经网络生成图像、仿真数据采集以及试验数

据测量方案，进行了大量细致的数据测量和仿真分析。试验结果表明，该模型能够准确地对试验目标进行分类并追踪其移动

位置。在神经网络解决现实问题的过程中,明确遇到的困难和解决问题的标准方法。与传统方法相比，该方法成本更低,数

据测量更准确，检测结果更稳定。

关键词：神经网络；深度学习；人工智能；电动汽车

中图分类号:U469.72文献标志码：A文章编号:1671-5446(2025)01-0028-06

ApplicationofNeuralNetworksandDeepLearninginElectricVehicles

ZHOUJie,HEWei?,MAGuozhong,LINMingjing

(1.ChinaFirstAutomobileCo.,Ltd.,Changchun130013,China;

2.ChangchunAutomobileIndustryInstitute,Changchun130013,China)

Abstract:ThecontinuousdevelopmentofneuralnetworksanddeeplearninghascatalyzedthedevelopmentofAIimagerecognition

technologyandspeechrecognitiontechnology,whichhaveemergedinvariousfields.Itproposesamodeltrainingmethodbasedonse-

manticsegmentationdatasetandFast-SCNNalgorithm,andamodeloptimizationmethodbasedonCBAMmechanism.Bycomparing

withthetargetdetectionmodeltrainedbyFaster-RCNN,themodeltrainedbythesemanticsegmentationmethodsuccessfullyovercomes

twomajorproblemsofantennasindetectingtesttargetsincomplexenvironments:Lowcontrastandsmalltargetdetection.Simulation

andexperimentaldataprogramforimagegenerationandacquisitionusingneuralnetworks,throughextensivedatameasurementsand

simulations,thetesttargetca