XiaoMi-AI文件搜索系统
World File Search System混合脉冲
可充电电池的混合脉冲功率表征测试的物理信息设计
可充电电池的行业标准诊断方法，例如混合动力汽车的混合脉冲功率表征（HPPC）测试，提供了一些健康状况（SOH）的迹象，但缺乏指导协议设计并确定降级机制的物理基础。我们为HPPC测试开发了基于物理学的理论框架，该框架能够准确确定多孔电极模拟中电池降解的特定机制。我们表明，电压脉冲通常比电流脉冲更可取，因为电压分辨线性化更快地量化了降低而无需牺牲精度或在测量过程中允许态度的显着变化。此外，从电极动力学尺度的差异中发现了电荷 /放电脉冲之间的不对称信息增益。我们演示了使用富含镍的阴极和石墨阳极的模拟锂离子电池上的物理信息的HPPC方法。通过物理知识的HPPC进行多变量优化，可以迅速确定与阳极处降解现象相关的动力学参数，例如固体电解质相间相（SEI）生长（SEI）生长和锂板，以及在阴极中，例如氧化诱导的阳离子疾病。如果通过实验验证了HPPC测试的标准电压协议，则可以通过为电池降解的可解释的机器学习提供新的电化学特征来加快电池SOH评估和加速材料设计的关键作用。©2024作者。由IOP Publishing Limited代表电化学学会出版。[doi：10.1149/1945-7111/ad4394]这是根据Creative Commons Attribution 4.0许可（CC by，http://creativecommons.org/licenses/ by/4.0/）分发的开放式访问文章，如果原始工作适当地引用了原始作品，则可以在任何媒介中不受限制地重复使用工作。
一种用于推进机器学习模型的混合脉冲卷积神经网络方法
在本文中，我们提出了一种新颖的独立混合脉冲卷积神经网络 (SC-NN) 模型，并在图像修复任务上进行了测试。我们的方法利用 SNN 的独特功能（例如基于事件的计算和时间处理）以及 CNN 强大的表示学习能力来生成高质量的修复图像。该模型在专为图像修复设计的自定义数据集上进行训练，其中使用蒙版创建缺失区域。混合模型由 SNNConv2d 层和传统 CNN 层组成。SNNConv2d 层实现泄漏积分和发射 (LIF) 神经元模型，捕捉脉冲行为，而 CNN 层捕捉空间特征。在本研究中，均方误差 (MSE) 损失函数演示了训练过程，其中训练损失值为 0.015，表示在训练集上的表现准确，并且模型实现了低至 0 的验证损失值。 0017 的测试结果。此外，大量的实验结果证明了其最先进的性能，展示了在单个网络中集成时间动态和特征提取进行图像修复的潜力。