基于深度学习的帕金森病诊断

为实现对帕金森病进行自动诊断,对基于Spiral和Meander手绘图的CNN和CapsNet的PD诊断方案进行研究.图像预处理过程保留了色彩信息,模型可以学习笔划压力、速度等特征.实验结果表明,CapsNet和CNN分别是基于Spi-ral和Meander的最优诊断方案.研究结果表明,Spiral具备比Meander更多的差异来诊断PD,CapsNet是基于Spiral的最佳方案;保留色彩信息的图像更有利于基于手绘图诊断PD,所实现结果(A cc=95.7％)优于先前最优报道(A cc=82.7％).     

一种锂电池SOH估计的KNN-马尔科夫修正策略

锂离子电池的健康状态(State of health, SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异, 因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取, 使用贝叶斯正则化神经网络对锂电池SOH进行预测, 同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明, 贝叶斯正则化算法对锂电池SOH的预测准确度较高, KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性, 组合预测模型对锂电池SOH的平均预测误差小于$1\,\%$, 与采用数据分组处理方法(Group method of data handling, GMDH)、概率神经网络(Probabilistic neural network, PNN)、循环神经网络(Recurrent neural network, RNN)的预测精度进行对比, 该模型的预测精度分别提高了$33.3\,\%$、$48.7\,\%$和$53.1\,\%$.