XiaoMi-AI文件搜索系统
World File Search Systemfiltering
修改的扩展Kalman过滤算法，用于可充电电池的精确电压和电荷估计
1 1频道工程系，香港理工大学，香港，中国2号医学和工业超声中心，詹姆斯·瓦特工程学院，格拉斯哥大学，格拉斯哥大学，格拉斯哥大学，英国格拉斯哥，英国21118694r@connect.polyu.hk; tianshidexuanzhe@gmail.com; kokokhlam@polyu.edu.hk; kwokho.lam@glasgow.ac.uk通信：kwokho.lam@glasgow.ac.uk，中国香港香港理工大学电气工程系；詹姆斯·瓦特工程学院医学和工业超声学院，格拉斯哥大学，格拉斯哥大学，英国苏格兰，格拉斯哥大学†同样贡献。 摘要：随着电动汽车（EV）的普及，可充电电池的电压和最新电压（SOC）估计具有重要意义。 SOC参数已被用作传递可充电锂离子电池（LIB）的电能的指标，而电压已是监测所需的关键参数，以防止造成电池损坏的原因，尤其是在充电和放电过程中。 因此，研究重点是使用算法准确估算SOC和电压。 具有避免重大估计误差的能力，使用间接测量值（例如电压和电流）获得的参数，已采用常规扩展卡尔曼过滤（EKF）来估计SOC的最佳值。 但是，该算法在SOC和电压估计中的精度有限，并且对电压预测的误差降低仍然没有深入研究。 这项研究表明，常规的EKF算法会引起估计错误，尤其是当当前突然改变时。1 1频道工程系，香港理工大学，香港，中国2号医学和工业超声中心，詹姆斯·瓦特工程学院，格拉斯哥大学，格拉斯哥大学，格拉斯哥大学，英国格拉斯哥，英国21118694r@connect.polyu.hk; tianshidexuanzhe@gmail.com; kokokhlam@polyu.edu.hk; kwokho.lam@glasgow.ac.uk通信：kwokho.lam@glasgow.ac.uk，中国香港香港理工大学电气工程系；詹姆斯·瓦特工程学院医学和工业超声学院，格拉斯哥大学，格拉斯哥大学，英国苏格兰，格拉斯哥大学†同样贡献。 摘要：随着电动汽车（EV）的普及，可充电电池的电压和最新电压（SOC）估计具有重要意义。 SOC参数已被用作传递可充电锂离子电池（LIB）的电能的指标，而电压已是监测所需的关键参数，以防止造成电池损坏的原因，尤其是在充电和放电过程中。 因此，研究重点是使用算法准确估算SOC和电压。 具有避免重大估计误差的能力，使用间接测量值（例如电压和电流）获得的参数，已采用常规扩展卡尔曼过滤（EKF）来估计SOC的最佳值。 但是，该算法在SOC和电压估计中的精度有限，并且对电压预测的误差降低仍然没有深入研究。 这项研究表明，常规的EKF算法会引起估计错误，尤其是当当前突然改变时。1频道工程系，香港理工大学，香港，中国2号医学和工业超声中心，詹姆斯·瓦特工程学院，格拉斯哥大学，格拉斯哥大学，格拉斯哥大学，英国格拉斯哥，英国21118694r@connect.polyu.hk; tianshidexuanzhe@gmail.com; kokokhlam@polyu.edu.hk; kwokho.lam@glasgow.ac.uk通信：kwokho.lam@glasgow.ac.uk，中国香港香港理工大学电气工程系；詹姆斯·瓦特工程学院医学和工业超声学院，格拉斯哥大学，格拉斯哥大学，英国苏格兰，格拉斯哥大学†同样贡献。摘要：随着电动汽车（EV）的普及，可充电电池的电压和最新电压（SOC）估计具有重要意义。SOC参数已被用作传递可充电锂离子电池（LIB）的电能的指标，而电压已是监测所需的关键参数，以防止造成电池损坏的原因，尤其是在充电和放电过程中。因此，研究重点是使用算法准确估算SOC和电压。具有避免重大估计误差的能力，使用间接测量值（例如电压和电流）获得的参数，已采用常规扩展卡尔曼过滤（EKF）来估计SOC的最佳值。但是，该算法在SOC和电压估计中的精度有限，并且对电压预测的误差降低仍然没有深入研究。这项研究表明，常规的EKF算法会引起估计错误，尤其是当当前突然改变时。尽管可以通过诸如Double Kalman滤波等联合算法提高SOC精度，但是由于非线性误差的叠加，仍然需要优化EKF本身。在这项研究中，进行了修改后的扩展卡尔曼滤波（MEKF）算法的研究，以估算LIB的电压和SOC，并具有估计精度的极大提高。Yuasa Lev50单元在298 K处的标准放电率为0.2 c，以获取离线参数，然后使用新提出的新提出的动态估计数学电池模型（DBOFT）进行优化。这是第一次提出一种结合增益矩阵和噪声的方法，以减少当前转弯点的电压估计误差，从而大大提高了电压估计的准确性。具体来说，MEKF算法能够实时调整参数并减少SOC
基于电池 - 脱离电动汽车电动汽车的新自适应过滤算法的能源管理策略
运输部门近年来目睹了电动汽车的逐步整合。电动汽车的优势是不发射大气污染物，而是由于电池限制而在自主方面处于不利地位[1]。可以提高车辆的自主权，保留电池寿命并减少系统的重量，可以添加诸如UltraCapacitor（UC）或燃料电池之类的来源[2]。但是，只有在由能源管理策略（EMS）控制的情况下，多功能系统才能有效，该策略（EMS）协调了将其特性和局限性考虑到源之间的功能分裂。EMS的主要目标本质上是协调源和负载之间的功率流，以提高系统的全局效率。使用的功率来源通常具有不同的本质，EMS必须实施策略，这些策略不仅要利用每个来源，而且还要尽可能地延长其寿命。ems使用固定频率过滤表示能量源之间能量分布的简单方法
工件过滤应用程序以增加通信BCI中的在线均等：在日常生活中使用
在开发可靠的脑部计算机界面（BCIS）方面，一个重大挑战是在获得的脑信号中存在伪影。这些文物可能会导致错误的解释，模型拟合不佳以及随后的在线绩效降低。此外，在家庭或医院环境中的BCIS更容易受到环境噪音的影响。伪影处理程序旨在通过过滤，重建和/或消除不良信号污染物来减少信号干扰。虽然在概念上且在很大程度上是无可争议的，但在BCI系统中是必不可少的，合适的人工处理应用程序，在某些情况下仍未解决，并且在某些情况下可能会降低性能。使用这些程序的大多数BCI研究中仍未探索的潜在混杂是缺乏在线使用（例如在线平价）的均等。此手稿比较了使用整个数据集的经常使用的离线数字过滤和在线数字过滤方法之间进行分类性能，在线数字过滤方法中，将对闭环控制过程中将使用的分段数据时期进行过滤。在BCI试点研究中招收的健康成年人样本（n = 30）中，旨在整合新的通信界面，在与在线奇偶校验过滤时，模型性能有很大的好处。在线模拟这项研究中的条件上表现出相似的性能，但在线均等的方法似乎没有任何弊端。
基于随机滤波方法的储能元件剩余使用寿命预测综述
摘要：锂离子电池是一种绿色环保的储能元件，因其能量密度高、循环性能好而成为储能的首选。锂离子电池在充放电循环过程中会发生不可逆过程，造成电池容量的不断衰减，最终导致电池失效，准确的剩余使用寿命（RUL）预测技术对储能元件的安全使用和维护具有重要意义。本文综述了国内外储能元件RUL预测方法的研究进展。首先明确储能元件的失效机理，然后总结以锂离子电池为代表的储能元件RUL预测方法；其次，分析了基于卡尔曼滤波和粒子滤波的数据-模型融合方法在锂离子电池RUL预测中的应用，并讨论了储能元件RUL预测面临的问题及未来的研究展望。
一种基于EEG信号的空间分布来增强SSVEP特征的方法
摘要：在本文中，我们提出了基于规范相关分析（CCA）的EEG信号的分类算法，并与自适应过滤整合。它可以增强大脑 - 计算机接口（BCI）拼写中的稳态视觉诱发电势（SSVEP）的检测。通过删除背景脑电图（EEG）活动，在CCA算法前采用了一种自适应过滤器来提高SSVEP信号的信噪比（SNR）。开发了整体方法是为了整合与多个刺激频率相对应的递归最小二乘（RLS）自适应过滤器。该方法由实际实验从六个目标记录的SSVEP信号和Tsinghua University的40个目标的公共SSVEP数据集中记录下来的SSVEP信号。比较了CCA方法的精度和基于CCA的集成RLS滤波器算法（RLS-CCA方法）。实验结果表明，与纯CCA方法相比，提出的基于RLS-CCA的方法显着提高了分类精度。尤其是当脑电图的数量较低时（三个枕发电极和五个非枕骨电极）时，其优势更为明显，精度达到91.23％，这更适合于高密度EEG不容易收集的可穿戴环境。
singh认为胡须覆盖技术和紧身过滤面件的定量拟合测试（FFP3）
背景：在最近的Covid-19大流行期间，锡克教宗教界的成员参加了医学，牙科，护理或盟友卫生学校，或者已经从事医学专业的人必须做出一个艰难的决定，是否要剃光他们的胡须，以继续他们的学校和职业，还是改变了他们的投影专业或改变他们的专业志向或职业。他们面临着艰巨的任务，即确保自己受到职业空中危害，同时也遵守宗教和文化期望。在大流行的最初阶段缺乏可用的替代方案进一步需要探索创造性解决方案。
使用机器学习和过滤伊拉克糖尿病数据动态的多级糖尿病的预测建模
糖尿病是一种与血糖水平升高有关的持续代谢疾病，被称为血糖。随着时间的流逝，这种情况会对心脏，血管，眼睛，肾脏和神经产生不利影响。这是一种慢性疾病，当人体无法产生足够的胰岛素或无法有效使用其胰岛素的胰岛素时会产生。当糖尿病无法得到适当治疗时，通常会导致高血糖，这种疾病的特征是血糖水平升高或葡萄糖耐受性受损。这可能会对各种身体系统（包括神经和血管）造成重大伤害。在本文中，我们建议使用医学城医院数据动态实验室极度不平衡的实验室进行多类糖尿病检测和分类方法。我们还制定了一个新的数据集，该数据集是根据医疗城医院数据动态实验室中等不平衡的。要正确识别多类糖尿病，我们采用了三个机器学习分类器，即支持向量机器，逻辑恢复和k-nearest邻居。我们还专注于降低维度（功能选择 - 窗口，包装器和嵌入式方法），以修剪不必要的特征并扩大分类性能。要优化分类器的分类性能，我们通过超参数优化使用10倍网格搜索交叉验证来调整模型。通过根据基于包装器的顺序特征选择使用前9个功能，K-Nearest邻居为其他性能指标提供了0.935和1.0的精度。对于原始的极度不平衡数据集（具有70:30的分区和支持向量机分类器），我们达到了0.964的最高准确性，精度为0.968，召回0.964，F1得分为0.962，Cohen Kappa为0.835，为0.835和0.99的COHEN KAPPA和0.99的UC和0.99的uc auc of Top 4 Fift top 4 Feater fip Top 4功能。对于我们创建的具有80:20分区的中等不平衡的数据集，SVM分类器可实现0.938的最大精度，而对于其他性能指标，则可实现1.0。对于多类糖尿病的检测和分类，我们的实验表现优于医学城医院数据动力学实验室的研究。
使用小波变换和长期术语记忆网络
摘要：通常使用试验期产生的所需的血液动力学响应函数（DHRF）来识别功能近红外光谱的活化通道。但是，在未知的试验期内无法使用这种方法。在本文中，提出了一种不使用DHRF的创新方法，该方法使用最大重叠离散小波变换在静止状态下提取闪烁的信号，确定与生理噪声相对应的低频小波，并使用长期术语内存网络训练它们，并预测它们在训练它们，并预测他们在任务过程中进行训练。预测的动机是在任务开始时保持生理噪声的相位信息，这是可能的，因为信号从静止状态延伸到任务会话。该技术将静息状态数据分解为九个小波，并使用第五到第九波进行学习和预测。在第八波小波中，从15-S预测窗口中使用和没有DHRF之间的预测误差差似乎是最大的。考虑到激活周期在生理噪声附近时消除生理噪声的困难，当不适用常规方法时，提出的方法可以是一种替代解决方案。在被动脑计算机界面中，估计大脑信号启动时间是必要的。
基于综合药理学的筛选方法，开拓三尖杉生物碱中抗泛癌关键药物的策略
© 作者 2024。开放存取 本文根据知识共享署名 4.0 国际许可协议进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可协议的链接，并指明是否做出了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可协议中，除非资料的致谢中另有说明。 如果资料未包含在文章的知识共享许可协议中，且您的预期用途不被法定规定允许或超出了允许的用途，则需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/ 。知识共享公共领域贡献豁免（http://creativeco mmons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
用高线粒体含量过滤细胞在癌症单细胞研究中去除可行的代谢改变的恶性细胞种群
此外，PCTMT已与细胞特异性代谢活性密切相关，从而导致不同细胞类型的实质性变异性，并且经常超过传统过滤器设定的阈值[8,14,16,17]。例如，蒙特塞拉特 - 尤索索（Montserrat-Ayuso）和埃斯特维（Esteve-Codina）[12]认为，常规的线粒体过滤器可能会无意中消除具有高代谢活性的健康细胞。此外，大多数将PCTMT与细胞质量联系起来的研究是在健康而不是患病的组织上进行的，而恶性组织通常由于线粒体DNA（MTDNA）拷贝数升高而导致的线粒体计数较高，或者表现出更高的线粒体计数[18]或MTOR途径的激活[18] [199,20]。因此，在癌症研究中，使用基于整个细胞群体的预定义阈值或中值绝对偏差来过滤较高的PCTMT细胞，可能会无意中消除恶性细胞的罕见，功能上重要的亚群。