基于预测模型融合的电池寿命预测方法及存储介质.pdf
小新****ou
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于预测模型融合的电池寿命预测方法及存储介质.pdf
本发明提供了一种基于预测模型融合的电池寿命预测方法及存储介质,所述电池寿命预测方法将长短记忆网络模型嵌套于粒子滤波模型之中,融合模型结构简单,用已有历史数据训练长短记忆网络模型得到退化趋势方程确定粒子滤波模型的的状态转移方程,解决了粒子滤波模型过于依赖经验模型的问题,粒子滤波模型利用粒子的加权和逼近容量的预测值,能得到剩余寿命的不确定表达,此外,将在线获得的新样本增加到原有训练样本集中重新训练模型,使得模型参数更新及时,有更好的适应性,可以实现镉镍蓄电池剩余循环寿命预测。
电池寿命预测方法及计算机可读存储介质.pdf
本发明提供了一种电池寿命预测方法及计算机可读存储介质,本发明的电池寿命预测方法,该方法包括以下步骤:S1、选取待评价的电池,根据电池的标定生命周期和电池所处环境的温度场进行分析,获取电池充放电测试的循环圈数m,并根据循环圈数m进行分析获取循环里程L2;S2、基于温度场的温度分布,模拟电池在整车端的使用状态,制定电池充放电测试的预设工况;S3、根据预设工况和循环里程L2进行分析及调整,获取用于电池充放电测试的测定工况和测定循环周期;S4、在测定工况下,对电池在测定循环周期内进行连续充放电测试,获取电池的测定
基于模型融合的牌型预测方法、装置、设备及存储介质.pdf
本发明属于棋牌游戏技术领域,公开了一种基于模型融合的牌型预测方法、装置、设备及存储介质。该方法包括:构建游戏环境;根据所述游戏规则与预设需求,确定奖励策略;获取当前牌局信息,根据所述当前牌局信息、奖励策略与强化学习模型,建立样本数据库;根据样本数据库对强化学习模型进行训练,建立对局模型;根据对局模型,得到对局数据;根据对局数据,对监督学习模型进行训练,得到牌型预测模型;根据目标牌局信息与牌型预测模型,得到预测数据,根据预测数据进行出牌。通过上述方式,利用强化学习从无到有的特性,结合监督学习的高效性,训练出
基于模型融合的来访量预测方法、装置、设备及存储介质.pdf
本发明提供一种基于模型融合的来访量预测方法、装置、设备及存储介质,其中,方法提取各楼盘的基本数据,并且连接服务器获取天气数据,对基本数据和天气数据进行预处理后,分别输入时间序列模型和LightGBM回归模型中,得到各自的来访量预测值,最终将两个模型融合,并直接求两个来访量预测值的平均值,得到目标来访量预测值,从而实现对楼盘来访量的预测,并可以适当调整营销模式以及人员安排,进一步提高销售的工作效率以及楼盘的销售业绩。
基于模型融合的设备剩余寿命预测的开题报告.docx
基于模型融合的设备剩余寿命预测的开题报告1.研究背景随着工业化的快速发展,大量传统生产设备已经逐渐进入老化期,这些设备的损坏将会给生产带来很大的影响,甚至造成生产线的停工。而对于公司而言,更换这些设备将会耗费很大的资源,因此,开发一种设备剩余寿命预测模型,对于延长设备的使用寿命、提升设备的运行效率具有非常重要的意义。目前,设备剩余寿命预测的研究已经成为了热门领域之一,其中,基于机器学习的模型已经被广泛应用于工业生产领域。但是,这些模型在实际应用中存在着许多问题,例如单一模型的预测性能不够强,很难适应复杂的