机构名称：
¥ 1.0
早期周期的电池寿命预测对于研究人员和制造商检查产品质量并促进技术开发至关重要。机器学习已被广泛用于构建数据驱动的SO，以进行高准确性预测。但是，电池的内部机制对许多因素敏感，例如充电/放电协议，制造/存储条件和使用模式。这些因素将引起状态转变，从而降低数据驱动方法的预测准确性。转移学习是一种有前途的技术，它通过共同利用来自各种来源的信息来克服这种困难并实现准确的预测。因此，我们开发了两种转移学习方法：贝叶斯模型融合和加权正交匹配的追求，从策略性地将先验知识与目标数据集的有限信息相结合，以实现出色的预测性能。从我们的结果中，我们的转移学习方法通过适应目标域而将根平方的错误减少了41％。此外，转移学习策略确定了不同电池组上有影响力的特征的变化，因此从数据挖掘的角度删除了电池降解机制和状态过渡的根本原因。这些发现表明，我们工作中提出的转移学习策略能够获取跨多个数据源来解决专业问题的知识。
临床干预措施比定义通过扩张和疏散定义出血的定量测量更准确
主要关键词
相关文件推荐
