XiaoMi-AI文件搜索系统
World File Search System热梯度
具有热梯度的微型多传感器系统
两个微芯片用作纳米电子鼻，分别有四个相同的使用 SnO 2 纳米线作为传感材料的微结构传感器（一个芯片装饰有 Ag 纳米粒子，另一个装饰有 Pt 纳米粒子）。由于集成微加热器产生的热梯度，这种创新方法使用在不同工作温度下工作的相同传感器。使用内部开发的硬件和软件的系统收集来自八个传感器的信号并将它们组合成八维数据向量。这些向量用支持向量机处理，以便在校准后对所有气体进行定性和定量区分。该系统在校准范围内运行良好（100% 正确分类，浓度值平均误差为 6.9%）。这项工作的重点是尽量减少校准所需的点数，同时保持良好的传感器性能，包括分类和浓度估计误差。因此，校准范围（就气体浓度而言）逐渐缩小，并使用超出这些新降低限值的浓度进行进一步测试。尽管只有几个训练点（每种气体只有两个），但该系统表现良好，对于浓度高达校准范围 25 倍的气体，分类正确率为 96%，平均误差率为 31.7%。在非常低的浓度下（低至校准范围的 20 倍），系统工作得不太好，分类正确率为 93%，平均误差率为 38.6%，这可能是因为接近传感器的检测限。© 2023 越南国立大学，河内。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
锂离子电池寿命预测方法在热梯度条件下
摘要：锂离子电池组中不可避免的热梯度由于热量产生和耗散不均，这会影响电池老化。在本文中，建立了用于模拟实用热梯度条件的实验平台。实验结果表明高非线性电池降解程度很高。考虑到高度非线性，高度非平稳性和随时间变化的数据的极限学习机器（ELM），它具有良好的学习能力和拟合能力。在本文中提出了基于麻雀搜索算法（SSA）的电池寿命预测模型，以优化ELM网络的随机权重和偏置，并通过实验数据进行验证。结果表明，与传统的ELM和后传播神经网络相比，SSA优化的ELM的预测结果具有较低的平均绝对误差百分比和均方根误差，这表明SSA-ELM模型具有较高的预测准确性，并且具有更好的稳定性，并且具有高非线性程度的处理数据方面具有明显的优势。