文档名：基于多样性增强集成学习的电池健康状态评估
摘要：为了提高多样性、小样本数据条件下电池健康状态的评估精度,基于集成学习理论提出了一种多样性增强的Stacking集成学习回归算法.该算法核心思想是通过基于动态时间规整的K-均值聚类算法构建多样性数据,采用Stacking集成学习回归算法学习数据的多样性特征,获得更佳的模型精度,并增强模型对多样性数据的泛化能力.Stacking集成学习回归算法由多个基学习器和一个输出学习器构成,通过多个基学习器获得初步结果,通过输出学习器对初级结果进行进一步学习获得最终结果.最后采用美国国家宇航局的公开电池数据集验证了算法的有效性.
作者：冯雪松 向勇Author：FengXuesong XiangYong
作者单位：电子科技大学材料与能源学院,成都611731
刊名：电测与仪表 ISTICPKU
Journal：ElectricalMeasurement&Instrumentation
年，卷(期)：2023, 60(9)
分类号：TM912
关键词：电池健康状态 多样性增强 集成学习
Keywords：batteryhealthstate diversityenhanced integratedlearning
机标分类号：TP391TP181TP277
在线出版日期：2023年9月20日
基金项目：四川省科技支撑计划项目基于多样性增强集成学习的电池健康状态评估[
期刊论文] 电测与仪表--2023, 60(9)冯雪松 向勇为了提高多样性、小样本数据条件下电池健康状态的评估精度,基于集成学习理论提出了一种多样性增强的Stacking集成学习回归算法.该算法核心思想是通过基于动态时间规整的K-均值聚类算法构建多样性数据,采用Stacking集成学...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于多样性增强集成学习的电池健康状态评估 Evaluation of battery health state based on diversity enhanced integrated learning
基于多样性增强集成学习的电池健康状态评估.pdf
- 文件大小:
- 18.52 MB
- 下载次数:
- 60
-
高速下载
|
|
