针对锂电池剩余寿命预测的直接健康因子难以测量以及预测精度不高等问题,提出一种改进灰狼优化最小二乘支持向量机(improved gray wolf optimization least-squares support vector machine, IGWO-LSSVM)的锂电池剩余寿命间接预测方法...针对锂电池剩余寿命预测的直接健康因子难以测量以及预测精度不高等问题,提出一种改进灰狼优化最小二乘支持向量机(improved gray wolf optimization least-squares support vector machine, IGWO-LSSVM)的锂电池剩余寿命间接预测方法。该方法从电池放电特性曲线中获取3种表征电池性能退化的间接健康因子,通过引入tent混沌映射、收敛因子非线性递减与莱维飞行策略对灰狼算法加以改进,并结合LS-SVM模型,形成了具有全局优化的改进灰狼优化最小二乘支持向量机的锂电池寿命预测模型。最后利用NASA数据集对文中提出的方法进行了验证,并将实验结果与GWO-LSSVM、PSO-ELM和BP神经网络算法进行了对比分析,试验结果表明文中所提出的改进算法具有更好的预测性能。展开更多
文摘针对锂电池剩余寿命预测的直接健康因子难以测量以及预测精度不高等问题,提出一种改进灰狼优化最小二乘支持向量机(improved gray wolf optimization least-squares support vector machine, IGWO-LSSVM)的锂电池剩余寿命间接预测方法。该方法从电池放电特性曲线中获取3种表征电池性能退化的间接健康因子,通过引入tent混沌映射、收敛因子非线性递减与莱维飞行策略对灰狼算法加以改进,并结合LS-SVM模型,形成了具有全局优化的改进灰狼优化最小二乘支持向量机的锂电池寿命预测模型。最后利用NASA数据集对文中提出的方法进行了验证,并将实验结果与GWO-LSSVM、PSO-ELM和BP神经网络算法进行了对比分析,试验结果表明文中所提出的改进算法具有更好的预测性能。
文摘大数据的发展对数据分类领域的分类准确性有了更高的要求;支持向量机(Support Vector Machine,SVM)的广泛应用需要一种高效的方法来构造一个分类能力强的SVM分类器;SVM的核函数参数与惩罚因子以及特征子集对预测模型的复杂度和预测精度有着重要影响。为提高SVM的分类性能,文中将SVM的渐近性融合到灰狼优化(Grey Wolf Optimization,GWO)算法中,提出了新的SVM分类器模型,该模型对SVM的参数与数据的特征子集同时进行优化,融合SVM渐近性的新灰狼个体将灰狼优化算法的搜索空间导向超参数空间中的最佳区域,能够更快地获得最优解;此外,将获得的分类准确率、所选特征个数和支持向量个数相结合,提出了一种新的适应度函数,新的适应度函数与融合渐近性的灰狼优化算法将搜索引向最优解。采用UCI中的多个经典数据集对所提模型进行验证,将其与网格搜素算法、未融合渐近性的灰狼优化算法以及其他文献中的方法进行对比,其分类准确率在不同数据集上均有不同程度的提升。实验结果表明,所提算法能找到SVM的最优参数与最小特征子集,具有更高的分类准确率和更短的平均处理时间。
