基于L_1范数改进的自回归算法及分类应用

为进一步提升神经自回归密度估计算法拟合联合概率分布能力,提高分类准确率,提出了一种基于L1范数参数正则化的神经自回归密度估计算法,并在L1正则化的基础上加入波利亚科夫平均(Polyak averaging)参数更新思想.对网络进行稀疏化与连接权重的稳定更新,提高分类的准确率.通过调节超参数,选取UCI数据集对改进算法的概率分布拟合能力进行测试,结果显示拟合能力得到提高;对图片数据集进行分类准确率测试,数据集LabelMe分类准确率从83.43%提升到83.85%,数据集UIUC-Sports分类准确率从77.29%提升到78.12%,表明改进算法有效.     

负载跟踪状态下的铝空气电池堆最优功率点优化方法

基于铝空气电池堆二阶等效电路,建立内阻特性和电气输出特性模型,研究操作条件对活化内阻、欧姆内阻、浓差内阻和电堆总内阻的影响作用和变化规律;以电堆输出满足任意负载需求为前提,以总内阻最小为优化目标,基于“最优功率点”概念,提出一种基于粒子群算法的操作条件优化方法,获得最优工作温度、电解液浓度和输出电压等,实现电堆输出性能优化;通过仿真研究和实验研究,验证模型、方法的有效性和可靠性。研究结果表明:在负载跟踪状态下,电堆工作在最优功率点处其堆内总内阻最小;操作条件对电堆输出性能的影响作用和变化规律,在交流阻抗特性和U-I输出特性中的表现具有一致性;该优化方法能够提高电堆输出性能,减少堆内能量损耗。