CN119067271B 用于車輛潤滑油更換周期預測的數據處理方法及裝置 （山東零公里潤滑科技有限公司）

用于車輛潤滑油更換周期預測的數據處理本發明提供了一種用于車輛潤滑油更換周整機制確定特征降維模型的網絡節點數和層權2獲取目標車輛的維修記錄和車輛監測參數，將所述維修記錄和將所述向量數據輸入至預先構建的特征提取模型中，輸出所述向量數據的關鍵特征；通過預先構建的特征降維模型對所述關鍵參數進行降維度處理；其模型的網絡節點數和層權重基于動態拓撲結構調整采用高階神經網絡作為分類算法，對降維度后的所述關鍵特所述特征降維模型包括自編碼器；基于動態拓撲結構調整機制確定所通過預設的訓練樣本集對所述自編碼器進行訓練，通過敏基于所述梯度，以及所述自編碼器的訓練進度和重構誤差，;;其中，nre表示自適應特征反饋調節機制的學習率；Laec表示解碼器的損失函數；;3采用近似方法，計算所述自編碼器的損失函數關于網絡節點數的梯度將所述分類結果確定為所述目標車輛的潤滑油更換周期獲取所述高階神經網絡的輸入和輸出間的互信息，將預設的指數衰減項作為權重，計算所述特征提取模型的損失函數基于所述參數調整因子和預設的搜索策略的迭代情況，對所述搜采用深度學習的注意力機制，對所述初始樣本集進行特征蒸餾處理基于預設的歐拉角參數，對所述生成對抗網絡的參數進行量子門操數據獲取模塊，用于獲取目標車輛的維修記錄和車輛監測參數，4特征提取模塊，用于將所述向量數據輸入至預先構建的特征特征降維模塊，用于通過預先構建的特征降維模型對所述關鍵參數進行降維度處理；執行模塊，用于采用高階神經網絡作為分類算法，對降維度后的所;;其中，nre表示自適應特征反饋調節機制的學習率；Laec表示解碼器的損失函數；;采用近似方法，計算所述自編碼器的損失函數關于網絡節點數的梯度56者基于車輛操作者的經驗判斷。這種方法忽視了車輛運行條件對潤滑油性能的實際影響，[0006]第一方面，本發明實施例提供一種用于車輛潤滑油更換周期預測的數據處理方7[0015]第二方面，本發明實施例提供一種用于車輛潤滑油更換周期預測的數據處理裝征目標車輛的潤滑油的更換屬性；高階神經網絡的權重梯度基于輸入和輸出之間的互信8[0020]圖1為本發明實施例提供的一種用于車輛潤滑油更換周期預測的數據處理方法的[0021]圖2為本發明實施例提供的另一種用于車輛潤滑油更換周期預測的數據處理方法[0023]圖4為本發明實施例提供的一種用于車輛潤滑油更換周期預測的數據處理裝置的[0024]圖5為本發明實施例提供的另一種用于車輛潤滑油更換周期預測的數據處理裝置數據處理方法進行說明，其中，圖1示出了本發明實施例提供的一種用于車輛潤滑油更換9以下方法進行組裝：維修記錄向量化假設每條維修記錄包含以下信息：更換潤滑油的時間以轉換為距離上次更換潤滑油的天數。潤滑油類型：可以使用獨熱編碼（One_Hot體實現時，本發明的數據采集來源包括車輛的內部傳感器和維修記錄，所采集的數據存儲格式為JSON。維修記錄包括每次更換潤滑油的時間、使用的潤滑油類型、維修技師的備注Ra2a3a4a5a6a7a8訓練過程的歷史迭代影響，導致模型從大量數據中提煉出關鍵信息的特征提取能力較差，[0041]綜上，本發明實施例提供的一種用于車輛潤滑油更換周期預測的數據處理方法，更換周期預測的數據處理方法，圖2示出了本發明實施例提供的另一種用于車輛潤滑油更a")vc設置為3。個體的位置來計算新的位置，該方法有效地整合了過去成功的經驗和當前狀態信息。因子時采用指數衰減項e-yct，意味著隨著時間推移（即迭代次數增加早期w"從標準正態分布N(0,1)抽取的隨機值。[0115]式中，w"表示高階神輸出的Softmax函數處理后第i個元素的概率，其中Softmax函數的目的是將輸出轉換為概的學習率；入wu表示梯度懲罰系數；sign(w)是權重的符號函數。優選地，設置為[0132]式中，I(xusiyuj)是輸入特征xui和輸出yuj之間的互信息，p(x,y)是聯合概率密度[0146]式中，FC為蒸餾出的特征向量；x81)為真實數據集；為生成器產生的虛假數[0147]在一個實施例中，特征蒸餾過程采用深度學習中的注意[0149]式中，Qc、Kc和Vc是從輸入數據中學習到的查詢矩陣、鍵矩陣和值矩陣，例中，生成器的參數和判別器的參數op的初始化方式采用量子門轉換的初始化函[0160]c=2T·rand(0,1)[0161]6c=T·rand(0,1)[0162]入c=2T·rand(0,1)[0164]進一步地，生成器利用當前的量子狀態和蒸餾出的特征Ill置，圖4示出了本發明實施例提供的一種用于車輛潤滑油更換周期預測的數據處理裝置的鍵參數；特征降維模塊300，用于通過預先構建的特征降維模型對關鍵參數進行降維度處更換周期預測的數據處理裝置，圖5示出了本發明實施例提供的另一種用于車輛潤滑油更發明實施例還提供了一種電子設備的結構示意圖，如圖6所示，為該電子設備的結構示意Architecture，擴展工業標準結構）總線等，還可以是AMBA（AdvancedMicrocontrollerPeripheralBus）總線、AHB（AdvancedHigh_performanceBus）總線和AXI（Advanced處理器(NetworkProcessor，簡稱NP)等；還可以是數字信號處理器(DigitalSignal[0192]本發明實施例所提供的一種用于車輛潤滑油更換周期預測的數據處理方法及裝硬盤、只