基于CNN-BILSTM混合网络的锂离子电池荷电状态估计

针对新能源电池的使用越来越广泛与对电池充电状态(state of charge,SOC)估计精度要求越来越高的问题,提出了一种卷积神经网络（convolutional neural networks,CNN）-双向长短期记忆神经网络（bidirectional long and short term memory neural network,BILSTM）的混合神经网络,用于拟合已知电池的电流电压等与SOC之间的关系,以推测SOC。首先,利用CNN来提取输入数据之间的空间关系,运用BILSTM提取其正向和逆向的时间特征并将其进行合并,以达到最大化地利用数据,提高学习及适应能力。混合模型的具体结构为输入层+卷积层+双向长短期记忆层+一组全连接层+输出层。其次,经过多组不同超参数的对比试验,分析找出了其性能最佳时的超参数,并在学习过程中加入了学习率下降策略以提高学习精度降低过拟合。然后,为检验混合模型的泛化能力,在不同的电池循环下对其进行了实验验证,结果表明在不同的循环次数下混合网络均表现了很好的估计性能,其估计精度可以保持在1%左右。最后,为证明网络的预测精度,文章还运用常用的网络估计...     

基于PID-BPNN的矿用铅酸蓄电池SOC在线估计

针对矿山避难硐室安全供电系统中铅酸蓄电池内化成过程中检测是否已经达到满电荷量,且在组装铅酸蓄电池时需要考虑电池均衡问题都需要进行准确估算SOC的问题,提出基于BP神经网络的PID控制通过修正反馈误差来实现铅酸蓄电池SOC在线估计。采用实验的方法获取数据,选取与电池SOC相关的因子作为BP神经网络的输入参数,最终准确在线预测蓄电池SOC值。仿真结果表明,基于BP神经网络的PID控制的铅酸蓄电池SOC估计的精度大大提高,同时为电池管理系统提供一个新的估计方法。     

基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。     

PNN神经网络在甚高频通信收发机故障诊断中的应用

为提高甚高频通信收发机通信失真故障诊断的效率和准确性,提出了一种利用PNN神经网络进故障诊断的方法.利用甚高频通信收发机输出信号中的9个参数作为故障特征输入向量,5类故障模式作为输出向量,建立PNN神经网络故障诊断模型.仿真实例表明,该诊断方法可行、有效,可大大提高诊断效率和准确性.     

FMM神经网络结合CART的感应电动机故障诊断方法

针对感应电动机存在多种故障问题,提出一种融合模糊极小-极大（FMM）神经网络和分类回归树（CART）的电机故障诊断方法（FMM-CART）,对转子断条、定子绕组和电压失衡三种常见电机故障进行诊断。通过采集电机三相的电流信号,并进行功率谱分析,提取特定谐波信号作为FMM-CART模型的输入特征。训练过的FMM神经网络根据输入特征计算置信因子,CART根据置信因子构建决策树,最终输出诊断结果。实验结果表明,FMM-CART能有效的诊断各种电机故障,且具有较少的检测时间和较低的网络复杂度。     

自学习稀疏密集连接卷积神经网络图像分类方法

通道剪枝是深度模型压缩的主要方法之一。针对密集连接卷积神经网络中,每一层都接收其前部所有卷积层的输出特征图作为输入,但并非每个后部层都需要所有先前层的特征,网络中存在很大冗余的缺点。本文提出一种自学习剪枝密集连接网络中冗余通道的方法,得到稀疏密集连接卷积神经网络。首先,提出了一种衡量每个卷积层中每个输入特征图对输出特征图贡献度大小的方法,贡献度小的输入特征图即为冗余特征图;其次,介绍了通过自学习,网络分阶段剪枝冗余通道的训练过程,得到了稀疏密集连接卷积神经网络,该网络剪枝了密集连接网络中的冗余通道,减少了网络参数,降低了存储和计算量;最后,为了验证本文方法的有效性,在图像分类数据集CIFAR-10/100上进行了实验,在不牺牲准确率的前提下减小了模型冗余。      

钻机回转液压系统仿真与健康评估

针对钻机实际故障数据获取较难和性能退化的非线性等问题,提出一种基于RBF神经网络的钻机回转液压系统健康状态评估方法。使用AMEsim软件搭建回转液压系统仿真模型,模拟了液压泵内泄露和液压马达内泄露,采集了样本数据并提取特征量,通过主成分分析法（PCA）对特征量进行降维处理,使用K均值算法（K-means）和粒子群优化算法（PSO）优化RBF神经网络参数,通过训练建立RBF神经网络健康评估模型,输入PCA处理后的数据,评估模型自动输出评估结果,实现了钻机回转液压系统健康状态的智能评估。结果表明,该方法具有较高准确性和可靠性,可用于钻机回转液压系统的健康评估,并为进一步开展钻机液压系统智能故障诊断和健康评估奠定了研究基础。     

一种基于预测开路电压的SOC估算方法

估算锂离子动力电池荷电状态（SOC）是电池管理的一个难点,通过对电池放电曲线及恢复曲线分析,拟合出电池开路电压的计算公式,解决了动态情况下预测电池开路电压的问题,使开路电压估算SOC在电动车上使用成为可能。本文采用建立电池模型的方法,通过实验所得数据对模型进行曲线拟合,得到最优参数,并通过另外几组数据进行验证。实验结果...     

基于BP神经网络的图书馆志愿者岗位分配

针对图书馆志愿者特点与其适合岗位之间较为复杂的关系,提出基于反向传播(Back Propagation,BP)神经网络的图书馆志愿者岗位分配方法。采用文献研究法、实地调研法,研究图书馆志愿者岗位的设置,以及从事岗位所需的特点;把志愿者特点作为网络的输入,岗位作为网络的输出,构建3层的BP神经网络;通过问卷调查获取BP神经网络的训练、测试样本。实验结果表明,采用270组样本对BP神经网络进行训练,在迭代了54次后网络输出误差达到收敛;采用30组新的样本数据对网络进行测试,图书馆志愿者的岗位分类的准确率达到83.3%。因此基于该网络,可以有效对图书馆志愿者进行岗位分配。     

基于神经网络的微波电路建模与优化

本文讨论用神经网络对微波电路进行建模、优化。借助电磁声理论计算或基于实际测量,可得到微波电路的输入、输出样本数据,从而可训练神经网络,在兼顾它的推广性能的基础上,对微波电路建模。进一步,通过优化神经网络对应参数,可优化微波电路。文章用ＲＢＦ（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ）神经网络对微带变阻器建模、优化,以此为例,进行了较为详细的阐述。     

基于神经网络异或算法的误差演算

本文主要针对神经网络异或实现方法,建立误差反馈模型对误差演算分析。本次设计首先确定网络中权值和阈值,选择任意大小的参数,输出结果是误差的形式;然后通过误差反馈到输入层、输出层和隐层,通过修正函数重复循环修改输入数据的权值和阈值,直到系统误差小于0.0001,抓住这个原理用神经网络的matlab实现对误差进行调节。     

基于神经网络的分振幅光偏振仪的数据处理

分振幅光偏振仪(DOAP)是一种高速测量光波偏振态的传感器。提出了一种基于人工神经网络(ANN)的分振幅光偏振仪的数据处理方法,将分振幅光偏振仪中电路系统输出的电信号作为神经网络的输入,入射光的斯托克斯参数作为神经网络的输出,建立一个前向多层神经网络模型。通过网络训练,使该网络确立了电路系统输出电信号与入射光斯托克斯参数之间的映射关系。由测量时得到的电信号,利用训练后的神经网络可以计算出待测的入射光的斯托克斯参数。测试结果表明,在测量精度方面,该方法获得的斯托克斯参数的总均方根偏差为1.9%,略优于基于矩阵运算的数据处理方法。     

基于样条权函数神经网络的人脸识别研究

文章对人脸识别技术进行了调查,对比分析了传统识别技术以及基于深度学习识别技术的不同,指出由于深度学习的网络结构较为复杂,在人脸识别过程中容易出现算法过拟合的现象。针对上述过拟合问题,文章对基于权函数神经网络的人脸识别算法进行了研究,此类神经网络结构简单,仅有输入、输出两层结构,将人脸图片作为输入信息,网络训练目标为计算三次样条权函数,仿真实验证明该类网络具有较好的识别准确度和识别效率。     

基于卷积神经网络的色散介质电磁参数重构

色散介质的经验模型适合描述等离子体、水、生物肌体组织等媒介。为了反演色散媒介的电磁参数,提出一种基于卷积神经网络的色散介质电磁参数反演方法。在电磁参数反演的过程中,利用前向算法获得色散介质的散射电场,反演算法通过卷积神经网络将原逆散射问题转化为一个回归估计问题。提取不同频率TM波照射下色散介质的散射电场值的实部和虚部作为样本信息并作为卷积神经网络的输入,色散介质电磁参数作为输出,经过适当的训练,重构出自由空间中色散介质圆柱体电磁参数。经过与BP神经网络反演结果的比较,验证了该方法的有效性及准确性。     

微带线的神经网络模型

本文采用多层感知器神经网络对微带线进行建模。将微带线的结构尺寸和频率作为神经网络的输入样本。微带线的电特性参数(由电磁场数值方法获得)作为输出样本,采用BP算法对多层感知器进行训练。当对多层感知器训练结束后,在学习范围内将微带线的尺寸和频率输入到多层感知器,从输出端可以立即得到准确的电特性参数。     

卷积神经网络模型分析

随着深度学习概念的提出,深层神经网络成为机器学习的一个研究方向。在众多的神经网络模型中,卷积神经网络由于具有权值共享、局部感受野、降维等特点,取得了较好的应用成果。卷积神经网络结构包括输入层、卷积层、下采样层、全连接层、输出层,当前层的输出经过激活函数作用后成为下一层的输入。文章对卷积网络的数学模型进行详细推理,采用Python编码实现了深层卷积网络,分别在MNIST和CIFAR-10数据集上进行了测试。实验结果表明,无论是灰度图像还是彩色图像,卷积神经网络都具有较好的识别效果。     

基于Informer的电池荷电状态估算及其稀疏优化方法

准确估计电池荷电状态（State Of Charge,SOC）是延长电动汽车电池使用寿命，确保电动汽车行驶安全的重要基础.传统的深度学习估计方法存在并行化计算效率不高、训练时间长的问题.为此，利用基于自注意力机制的Informer模型来估计电池SOC.其降低了传统自注意力机制的时间复杂度、提高了硬件使用率、降低了训练时长，与其他深度学习方法相比估计更准确.然而Informer模型仍然存在体量大及参数冗余的问题，故提出稀疏优化方法 .利用基于彩票假设的幅值迭代剪枝方法对Informer进行稀疏化处理，突出主导注意力特征，实现了在降低参数冗余的同时提升模型估计精度.在室温下，提出的稀疏化Informer模型估计电池SOC的平均绝对误差和均方根误差分别达到0.285 8%和0.383 0%，相比于Informer模型在平均绝对误差指标上估计精度提升了25%.并验证了其具备估计不同类型锂电池SOC的泛化能力.与循环神经网络、卷积神经网络这类传统的深度学习模型相比，本模型进行电池SOC估计时训练速度更快，估计准确性和稳定性更高.     

用BP神经网络技术重构介质圆柱体电磁参数

将BP神经网络技术应用于介质圆柱体电磁逆散射问题研究,通过BP神经网络将原逆散射问题转化为一个回归估计问题.设置多个目标散射场观测点,分别以目标不同的电磁参数及其响应下的散射电场的幅值作为BP网络的输出与输入,采用L-M训练算法,经过适当的训练,建立起逆散射模型,再以新的散射电场作为输入,实时重构了自由空间及半空间介质圆柱体的相对介电常数和电导率.数值结果显示了该方法的有效性及准确性,为目标的实时逆散射研究提供了一种高效的方法.     

基于神经网络方法的半导体生产工艺优化

以提高生产成品率为目标,利用神经网络的非线性和容错性,对半导体芯片生产过程进行了分析和优化,具体内容如下：（１）使用神经网络方法建立模型,确定生产线上工艺参数和成品率之间的映射关系,构造以工艺参数为输入,成品率为输出的多维函数曲面．（２）对上述多维函数曲面进行搜索,搜索成品率最高的最优点,以该最优点的工艺参数值为依据确定工艺参数的规范值．（３）对工艺参数规范进行优化,在实际生产工艺中反复实践,直至达到提高成品率的目的．生产实践证明,神经网络的分析结果是合理的．根据神经网络分析提出的优化建议,有效地提高了工     

基于ARM电池检测管理系统的设计与实现

针对电池组进行充放电时,电池组内每个电池存在荷电状态(SOC)值不一致的问题,设计并实现了电池检测管理系统.提出了基于开路电压法、安时计量法以及卡尔曼滤波算法相结合的SOC值估计方法,通过飞渡电容实现每个电池之间能量的转移,最终使每个电池的SOC值趋向于一致.测试和实验结果表明,电池组进行充放电时,电池检测管理系统能够有效地解决每个电池SOC值不一致的问题,大大地提升了电池的使用寿命和使用效率.