-
公开(公告)号：CN112731183A
公开(公告)日：2021-04-30
申请号：CN202011518358.5
申请日：2020-12-21
申请人： 首都师范大学
IPC分类号： G01R31/392 , G01R31/367 , G06N3/04 , G06N3/08
摘要： 本发明公开一种基于改进的ELM的锂离子电池寿命预测方法，一种是把ELM的输入层与隐藏层之间的全连接关系改为卷积运算操作，即引入一个常规大小卷积核，将它视为原来输入层与隐藏层之间连接权值的变形，与输入层数据卷积，将提取到的特征矩阵经平均池化，得到隐藏层输出矩阵H，再把H的Moore‑Penrose广义逆H+与训练集的输出矩阵相乘得到输出权重矩阵β，带入测试集数据进行结果预测。另一种是把ELM输入层与隐藏层间的全连接关系改为池化，即输入层数据直接经池化得到隐藏层输出矩阵H，再把H的Moore‑Penrose广义逆H+与训练集的输出矩阵相乘得到输出权重矩阵β，带入测试集数据进行结果预测。本发明使预测结果更精确，鲁棒性更强。
-
公开(公告)号：CN113627076A
公开(公告)日：2021-11-09
申请号：CN202110816868.9
申请日：2021-07-20
申请人： 首都师范大学
IPC分类号： G06F30/27 , G06N3/04 , G06N3/08 , G06F119/04 , G06F119/08
摘要： 本发明公开一种基于HI和ANN的锂离子电池RUL预测方法，首先搜索充放电过程中所有已经测量到的电压、电流、温度等，根据数据不同特性，提出不同的特征提取方法获取与容量相关的HI。针对提取后的HI中可能出现的异常值，根据异常值所在的位置，采用常见的平均值替代法及归一化替代法。然后，基于修正后的各项HI与容量之间的Pearson相关系数进行最优特征选择，选出值最大的作为最优的HI。最后，从时间序列HI的形状特征、时间依赖特性、序列变换特征3个方面来构建神经网络，从而实现RUL的预测。本发明所用的提取方法较为简单；降低后续网络训练和预测成本；降低了噪声对于序列的干扰，提高了预测精度。
-
公开(公告)号：CN112731183B
公开(公告)日：2023-04-21
申请号：CN202011518358.5
申请日：2020-12-21
申请人： 首都师范大学
IPC分类号： G01R31/392 , G01R31/367 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开一种基于改进的ELM的锂离子电池寿命预测方法，一种是把ELM的输入层与隐藏层之间的全连接关系改为卷积运算操作，即引入一个常规大小卷积核，将它视为原来输入层与隐藏层之间连接权值的变形，与输入层数据卷积，将提取到的特征矩阵经平均池化，得到隐藏层输出矩阵H，再把H的Moore‑Penrose广义逆H+与训练集的输出矩阵相乘得到输出权重矩阵β，带入测试集数据进行结果预测。另一种是把ELM输入层与隐藏层间的全连接关系改为池化，即输入层数据直接经池化得到隐藏层输出矩阵H，再把H的Moore‑Penrose广义逆H+与训练集的输出矩阵相乘得到输出权重矩阵β，带入测试集数据进行结果预测。本发明使预测结果更精确，鲁棒性更强。
-
公开(公告)号：CN115792677A
公开(公告)日：2023-03-14
申请号：CN202211526361.0
申请日：2020-12-21
申请人： 首都师范大学
IPC分类号： G01R31/392 , G01R31/367 , G06N3/08 , G06N3/0464
摘要： 本发明公开一种基于改进的ELM的锂离子电池寿命预测方法，一种是把ELM的输入层与隐藏层之间的全连接关系改为卷积运算操作，即引入一个常规大小卷积核，将它视为原来输入层与隐藏层之间连接权值的变形，与输入层数据卷积，将提取到的特征矩阵经平均池化，得到隐藏层输出矩阵H，再把H的Moore‑Penrose广义逆H+与训练集的输出矩阵相乘得到输出权重矩阵β，带入测试集数据进行结果预测。另一种是把ELM输入层与隐藏层间的全连接关系改为池化，即输入层数据直接经池化得到隐藏层输出矩阵H，再把H的Moore‑Penrose广义逆H+与训练集的输出矩阵相乘得到输出权重矩阵β，带入测试集数据进行结果预测。本发明使预测结果更精确，鲁棒性更强。
-
-
-
搜索结果
4 条记录 (耗时 0.022 秒)
