【摘 要】
：
传统模型在锂电池充电剩余时间预测中的泛化能力受到一定约束。针对此问题,提出一种基于独立长短期记忆循环神经网络(IndyLSTM)的锂电池充电剩余时间预测方法。通过对锂电池充电过程数据的分析,利用IndyLSTM在处理序列化数据时可以长期记忆历史数据的优势,对充电剩余时间进行预测。采用美国国家航空航天局(NASA)公开的电池数据,与常规的LSTM和SVR模型进行实验对比,IndyLSTM预测结果在准
论文部分内容阅读
传统模型在锂电池充电剩余时间预测中的泛化能力受到一定约束。针对此问题,提出一种基于独立长短期记忆循环神经网络(IndyLSTM)的锂电池充电剩余时间预测方法。通过对锂电池充电过程数据的分析,利用IndyLSTM在处理序列化数据时可以长期记忆历史数据的优势,对充电剩余时间进行预测。采用美国国家航空航天局(NASA)公开的电池数据,与常规的LSTM和SVR模型进行实验对比,IndyLSTM预测结果在准确性和稳定性方面表现更好。
其他文献
综述基于神经网络的异常心电图诊断的应用,目的是提供神经网络在该方面的详细研究。概述常见的神经网络算法以及心电信号检测分类的过程。通过回顾近三年的相关文献,重点关注不同网络架构的性能表现,诸如准确度、特异性和敏感性等性能指标。讨论当前研究存在的问题,并进行研究展望。
朱俊贤,一个67岁两袖清风、退了休的老法官,和他那部形影相随的坐骑,完成了累计近五万公里的骑行计划。北京、青藏高原、拉萨、缅甸、云南……都曾留下过他的足迹。虽然风尘
为了探究流注放电过程中初始电离区域形状对流注发展的影响,使用COMSOL Multiphysics软件对板-板间隙为10 mm的流注放电过程进行二维模拟。仿真结果表明,在标准大气压下,初始电离区域形状的改变会对流注的时空发展特性产生影响。流注的发展速率随着分布位置间隔的增大而降低,流注通道出现明显的分叉现象。根据初始电离区域形状不规则性提出一种包络面轮廓指示法,通过识别与特定电子密度相关的指示轮廓
为了提升Wi-Fi设备的访问安全性,提出一种基于信道状态信息(Channel State Information, CSI)的Wi-Fi认证方法。该方法能够有效避免非法用户在非限定区域连接Wi-Fi。根据用户在不同位置连接Wi-Fi时能够引起不同CSI多载波分部的特性,在Wi-Fi信号范围内的各区域建立指纹库,采用Hampel滤波器去除CSI数据流中环境因素引起的噪声,利用支持向量机(Suppor
大型平台的远距离运输任务中,对装载方案作合理规划,可以显著降低成本、提高效率,具有重要研究意义。基于实际场景,提出一种改进的集装箱装载优化模型。综合考虑空间利用效率、船队控制成本和快速作业反应三个要求,设计多目标优化函数;对船型、设备种类构建双重匹配约束;通过分治思想对复杂模型进行拆分,应用遗传算法优化求解。仿真实验结果表明,该模型求解效率高,可反映大型平台远海运输的装载综合需求,具有很好的应用价
摘 要 为开展有效的幼儿园教育工作，打造教育新形势下的新教育课堂，广大幼儿园教育工作者必须在认真审视教育新形势下，切实在幼儿教育工作中落实科学发展观，在以质量求生存中从多方面出发，开展有效的幼儿园教育工作。 关键词 幼儿园;教育工作;有效性 中图分类号：G612 文献标识码：A 文章编号：1002-7661（2019）16-0047-01 在激烈竞争的现实环境下，幼儿教育工作越来越受到社会的
网络设备分类的前提是要对流量数据进行正确的预处理。现有预处理方法大多利用编程语言开发出小型工具类软件,应用范围较窄不具有推广性,无法满足一些特定的处理需求且源码不公开。对此,提出一种通用性的网络流量数据集构造方法,可以快速完成特征提取。并提出一种特征提取库的模块化方法,能够不断完善统计特征。通过在公开的pcap数据集上的实验,证明了该方法能有效解决pcap网络流统计特征的提取,具有很好的实用性和处
为提高负荷预测精度,提出一种基于小波分解的多模型集成短期负荷预测方法。由最大互信息系数(MIC)选出与负荷相关性高的特征候选集;为获得平稳的负荷序列,将小波分解集成到多预测模型中;小波分解后的负荷序列由多种预测模型(最小二乘支持向量回归、长短期记忆循环神经网络和极限梯度提升树)进行训练,这些模型在同一小时内提供不同的预测;在集成过程中采用二次学习来组合各时段预测结果并得到最终输出。真实电网数据实验
在软件定义的物联网中主要通过减轻控制器端的请求负载和增加数据服务器数量来降低网络中数据传输的延迟,但未考虑数据转发平面上的数据传输延迟问题,导致网络整体数据传输延迟。对此,提出一种基于蚁群算法的数据传输方法。在数据转发平面上,对数据流的路径进行动态规划,实现数据流合理均衡分配到可行的多路径上。该方法能够充分利用网络资源,使网络达到负载均衡,避免网络数据传输拥塞,从而降低网络中数据传输的延迟。仿真实
针对传统情感分类模型的分类效果不足,无法准确地捕捉词语之间关系的问题,提出一种基于预训练语言模型词向量融合的GE-BiLSTM(Glove-ELMO-BiLSTM)情感分析模型。通过预训练语言模型ELMO以语言模型为目的训练词向量,再与传统的Glove模型的训练结果进行运算融合,结合了全局信息以及局部上下文信息,增加了词向量矩阵的稠密度,词语之间的特征得到更好的表达,结合BiLSTM神经网络可以更