为提高利用重力异常数据反演马里亚纳海沟地形的精度,基于残差深度神经网络(residual deep neural network,RDNN)方法和重力异常等数据反演了马里亚纳海沟的1′×1′海底地形,通过实测检核点水深对RDNN模型的精度进行评估,并和重力...为提高利用重力异常数据反演马里亚纳海沟地形的精度,基于残差深度神经网络(residual deep neural network,RDNN)方法和重力异常等数据反演了马里亚纳海沟的1′×1′海底地形,通过实测检核点水深对RDNN模型的精度进行评估,并和重力地质法(gravity-geology method,GGM)模型结果进行对比。结果表明RDNN较GGM对马里亚纳海沟地形反演更为精细,实测水深检核表明RDNN模型均方根误差为128.98 m,优于GGM模型的150.14 m,且RDNN与船测检核水深也有更好一致性,RDNN深度学习模型为利用重力异常数据反演高精度海底地形提供了参考和依据。展开更多
由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法...由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。展开更多
文摘由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。
