機車hc標準的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

利用穿戴感測與機器學習進行機車路考評分應用

為了解決機車hc標準的問題，作者蘇永傑 這樣論述：

根據交通部統計資料顯示，機車為我國最主要之私人運具，考取機車駕照亦為多數國人年滿 18 歲時的「成年禮」，在機車駕駛人合法騎乘上路前，則必須考領機車駕駛執照，而考照除要參加講習、筆試外，尚需通過路考項目，現行機車路考主要檢測是否具備基本機車操作穩定性與熟悉道路類型的能力。儘管在汽車駕駛模式識別的分類方面已有許多研究成果，但針對機車騎乘模式樣態分類問題上的研究較少，也沒有關於機車路考騎乘樣態分類議題研究。為了實現這一點，本文以可穿戴感測裝置蒐集到的測量數據為基礎，提出了利用神經網路模型的演算法框架，將蒐集的原始數據透過濾波處理、特徵提取、特徵選擇與數據標籤等預處理後，並利用機器學習演算法進行評

估，用以實現識別機車「變換車道」、「加速」、「煞減速」、「轉彎」、「直行」、「左轉」、「右轉」、「迴轉」等騎乘動作類別，模型整體辨識準確率達 97.4%，其中各騎乘模式辨識準確率為變換車道 96.9%、加速 98.2%、煞減速 94.7%、轉彎 97.7%、直行 98%、左轉 98%、右轉97.4%、迴轉 98.1%等，顯示提出之方法可應用於辨識機車路考騎乘態樣上，達到良好的辨識效果。

以人工神經網路方法推估車輛污染排放之系統構建

為了解決機車hc標準的問題，作者蔡承都 這樣論述：

台灣現行的汽油車輛污染排放檢測大多仍是以定容採樣系統檢測車輛於底盤動力計上隨著固定行車型態行駛的污染排放，而以此檢測方法不僅會限制於只能在標準實驗室內進行，採樣所需的成本也較高，甚至沒有辦法正確的表達出車輛在真實路徑上的污染排放。儘管隨著全球調和輕型車輛測試程序WLTP被提出，但仍會因為各國各地區的道路差異造成排放檢測結果與真實結果有差異。在本研究中首先以機車行駛於台中市區中進行了三條路徑的速度採樣，包括短程市區路徑、標準市區路徑、郊區路徑。透過速度分析便可明顯的看出三條路徑與台灣法規標準行車型態NEDC皆有明顯差異，而我們亦將車輛架設於底盤動力計上重新模擬出此三條真實路徑並進行污染排放的採

樣，發現三條路徑排放的HC、CO、NO及油耗彼此皆有差異。而透過連續瞬時污染排放圖，我們發現HC、CO在加減速的時候有明顯的大幅上升，在等速行駛時會略高於怠速時的排放濃度，而NOx則會隨著速度上升而增加。由此可看出在不同的道路環境下，不管是道路上的速限、紅綠燈數量、駕駛本身的行駛習慣等因素都會影響車輛的污染排放，因此以移動式車輛污染檢測系統(Portable Emission Measurement System, PEMS)對車輛做真實路徑上的瞬時檢測是量測正確車輛污染排放的必要方法。 在柴油車輛的正式認證程序上，以PEMS進行污染量測已經成為程序中的一環，但此系統較為昂貴、並且具有一

定體積，必須占用車輛部分空間，因此仍無法普及做為大量使用的監測設備。本研究以Horiba-584L廢氣分析儀配合熱線式進氣流量計及熱電耦溫度計做採樣，將三樣設備的瞬時數據整合與筆記型電腦裡做瞬時監測與統計，建立了一套成本較低的隨車污染檢測系統，可以對車輛在真實路徑上行駛時採樣連續的O2、CO、CO2、THC、NO排放。 透過蒐集的數據可以探討出各種污染物對車輛、行駛特性、駕駛習慣等等之關係，但關係性並不到相當明確，很難以單純的計算做出正確的污染物排放推估，而隨著人工智慧的發展，AI方式便可解決此問題，以相關性高的參數當作輸入，以多次演算的數學方式找出輸入參數與真實結果的關係便可推估出相對

接近的預期結果。本研究透過PEMS數據推估出對各種污染物排放影響較高的參數為速度、流量、加速度、受力，並以這幾項參數當作輸入，透過人工神經網路模型進行演算與學習，成功的推估出與真實排放相近的預期排放。本研究在CO、CO2上的預測結果相當優異，而在NO上的預測結果仍有提升空間，證明透過人工神經網路對車輛污染排放進行推估是可行的。