Loading...
机构名称:
¥ 1.0

锂离子电池降解的复杂性质导致文献中提出了许多基于机器的基于机器学习的方法。但是,使用复杂模型的机器学习在计算上可能很昂贵,尽管线性模型的速度更快,但它们也可能不灵活。分段线性模型提供了一种折衷,这是一种快速而灵活的替代方案,其计算上的昂贵不如神经网络或高斯过程回归等技术。在这里,将电池健康预测的分段线性方法(包括自动化功能选择步骤)与高斯流程回归模型进行了比较,并且发现在训练数据集中的中位错误方面表现出色,并且在第95个误差百分位数上的表现确实更好。特征选择过程演示了限制输入之间的相关性的好处。进一步的试验发现,分段线性方法可用于改变培训数据的输入大小和可用性。

分段线性建模,具有自动化功能选择,用于锂离子电池终止预后

分段线性建模,具有自动化功能选择,用于锂离子电池终止预后PDF文件第1页

分段线性建模,具有自动化功能选择,用于锂离子电池终止预后PDF文件第2页

分段线性建模,具有自动化功能选择,用于锂离子电池终止预后PDF文件第3页

分段线性建模,具有自动化功能选择,用于锂离子电池终止预后PDF文件第4页

分段线性建模,具有自动化功能选择,用于锂离子电池终止预后PDF文件第5页

相关文件推荐