Professional Documents
Culture Documents
中文部分
中文部分
卷积神经网络属于深度神经网络的一种,能够从原始数据中提取出更高层次和更抽象的数据特征 ,
广泛应用于图像分类、人脸识别等领域。卷积神经网络的核心结构为卷积核所在的卷积层,假设卷积
神经网络的输入和输出分别为 x 和 a ,则输入和输出之间的关系可以通过非线性映射和学习参数构成
的函数表示为:
其中𝐷是图像深度,F 是卷积核的大小(宽度或高度),𝑤𝑑,𝑚,𝑛表示第𝑑通道第𝑚行第𝑛列参数值,
𝑤𝑏为偏置项。
CNN 通过卷积核滑窗移动的方式,对样本局部区域的特征信息逐层进行提取,使用卷积核的优势
主要体现为连续数据的局部信息往往是存在相关性的,卷积核提取局部信息的特性能够捕捉以上相关
性,确保了连续数据提取特征的完整性;同时卷积核能够实现权值共享,减少深度人工神经网络的参
数数量,降低了模型的计算量和占用内存量。
因此,卷积神经网络的本质是将输入经过多层特征提取(数据变换或降维)后映射至输出的过程 。
使用卷积核的优势主要体现为连续数据的局部信息往往是存在相关性的,卷积核提取局部信息的特性
能够捕捉以上相关性,确保了连续数据提取特征的完整性;
传统 RNN 模型随着计算的叠加,早期时间输入的状态信息权重会被逐渐削弱,甚至遗忘。对于比
较复杂的问题而言,往往需要早期的信息作为支撑,而传统 RNN 结构无法有效的提供这些信息,因此
传统 RNN 无法有效应对长时间尺度问题。
了解决神经网络中的梯度消失弊端,门控循环单元模型也由此被提出。 GRU 网络是 RNN 网络的
一种,在传统 RNN 的基础上引入重置门与更新门,t-1 时刻的隐藏层状态,不直接参与 t 时刻隐藏层
状态的计算,而是通过重置门与更新门决定参与下一个时间步计算的信息数量其结构如图 3.2(b)所示。
通过修改神经网络中隐藏状态的计算方式,解决当时间步数较大或者时间步数较小时,RNN 的梯度容
易消失或者爆炸的问题,从而使 GRU 更好地捕捉时间序列中时间步距离较大的依赖关系。
M 期望在最坏的分配情况下工作,即不同时段之间的分配差距较大,因此可以通过最
使用的电池,接受了[37]测试。电池额定电阻为 43-mΩdc,如表一[37]、[38]所示。所有的测试都是在
热室中进行的,使用的是由双创发射电路制造的电池测试设备,如表 II 和图 3(a)所示。
当电流低于 50 mA 时终止。然后将热室温度设置为所需的环境温度,以记录后续的驱动循环,然后再
次暂停 3 小时,以使电池内部温度达到稳定状态。电池然后放电使用驱动循环功率配置,包括再生制
动(即充电)电源,如果环境温度大于或等于 10◦C,电池额定充电的最低温度。用于测量电流和计算容
安时相比是很小的。
在实验过程中,电池被置于 10 个驱动循环中。每个数据集由不同驱动周期的随机组合组成,包括
HWFET、UDDS、LA92 和 US06。构建这些独特的数据集,由不同的驱动周期组成,具有不同的动力
后将被称为训练数据,而验证是在完全不同的周期子集上执行的(通常是一个或两个),今后被称为测
高达 13◦C,由于较高的损失在低温。
网络可能需要重新训练,以适应完全不同的电池,但它的架构和网络超参数的值,如学习率,不会改
变。这与传统的评估技术没有任何不同,必须为不同类型的电池重新参数化电池模型。
(phillip.kollmeyer@gmail.com)执行。如果这些数据被用于任何目的,应该适当地引用。
/*************************************************/
在五种不同的温度下进行了一系列测试,如下所示(每次测试后电池充电,速率为 1C 至
1. 在 25℃温度下循环 10 次以打破它(此数据不包括在内)
2. C/20 充放电试验
4. EIS 测试从 1mHz 到 100,95,90,80,70…, 30, 25, 20, 15, 10, 5, 0%社会。
5. 执行的 9 个驱动周期的系列,顺序如下:周期 1,周期 2,周期 3,周期 4,US06, HWFET,
18650PF 电池。
10°c 时终止,在 2.32Ah (80% DOD)、2.03Ah (70% DOD)和 1.74Ah (60% DOD)分别在
7. 9 个驱动循环被重复(“-20degC Trise”文件夹),启动腔温度为-20degC,然后允许向上
漂移,这样电池温度在驱动循环中上升到 10 或 20degC。这些测试允许测试电池模型或
SOC 算法与不同的温度驱动循环测试。然而,随着更多测试的进行,电池会老化,所以
这些测试结果可能无法完美地与早期测试开发的模型进行比较。
个小时的暂停。循环和充电保存在一个连续的文件中,以允许评估电池模型或 SOC 算法
在一个连续的数据集与不同的温度。
于步骤 7 中描述的。
10. 循环 1 到 4 重复(“10degC Trise with pauses”),初始环境温度为 10degC,类似于步骤
8 中描述的。这些循环包括再生能量,因为温度高于 10 摄氏度。
/*************************************************/
数据列:
电压(被测电池端电压,传感器引线直接焊接到电池端)
电流(以安培测量电流)
Ah(测量安培小时,在每次充电、测试或驱动循环之前重置 Ah 计数器)
Wh(测量的瓦时,在每次充电、测试或驱动循环后重置 Wh 计数器)
功率(以瓦为单位)
Battery_Temp_degC(电池外壳温度,电池中间,用热电偶测量的摄氏度,在较低温度下
修正了热电偶偏移)
时间(以秒为单位的时间,从每个数据文件开始处的零开始)
(测量室内温度,单位为摄氏度)
/*************************************************/
时间步长:
/*************************************************/
重复的数据: