| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 锂电池预测与健康管理 | 第12-13页 |
| 1.2.2 锂电池健康预测方法 | 第13-15页 |
| 1.2.3 高斯过程回归 | 第15-16页 |
| 1.2.4 高斯过程回归的核函数 | 第16页 |
| 1.2.5 高斯过程回归的稀疏和更新 | 第16-17页 |
| 1.3 研究内容及章节安排 | 第17-19页 |
| 2 锂电池健康及高斯过程回归理论 | 第19-31页 |
| 2.1 锂电池工作与退化原理 | 第19-20页 |
| 2.1.1 锂电池工作原理 | 第19页 |
| 2.1.2 锂电池退化原理分析 | 第19-20页 |
| 2.2 锂电池实验数据 | 第20-21页 |
| 2.3 锂电池健康的影响因素分析 | 第21-24页 |
| 2.3.1 锂电池容量对健康的影响 | 第21-24页 |
| 2.3.2 锂电池电压对健康的影响 | 第24页 |
| 2.4 高斯过程相关理论 | 第24-26页 |
| 2.4.1 随机过程 | 第25页 |
| 2.4.2 高斯分布与高斯过程 | 第25-26页 |
| 2.5 高斯过程回归 | 第26-30页 |
| 2.5.1 高斯过程回归的建模方法 | 第26-27页 |
| 2.5.2 高斯过程回归的预测原理 | 第27-28页 |
| 2.5.3 高斯过程回归的核函数 | 第28-29页 |
| 2.5.4 核函数的超参数 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3 基于组合核函数GPR算法的锂电池健康预测 | 第31-47页 |
| 3.1 单一核函数 | 第31-37页 |
| 3.1.1 单一核函数的结构分析 | 第31-32页 |
| 3.1.2 单一核函数对预测的影响 | 第32-33页 |
| 3.1.3 核函数的超参数对预测的影响 | 第33-37页 |
| 3.2 组合核函数 | 第37-39页 |
| 3.2.1 组合法则 | 第37-38页 |
| 3.2.2 组合核函数的结构分析 | 第38-39页 |
| 3.3 基于组合核函数GPR算法的锂电池健康预测 | 第39-45页 |
| 3.3.1 基于单一核函数GPR算法的锂电池数据拟合 | 第40-42页 |
| 3.3.2 基于组合核函数GPR算法的锂电池数据拟合 | 第42-43页 |
| 3.3.3 基于组合核函数GPR算法的锂电池健康预测 | 第43-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 基于迭代GPR算法的锂电池健康预测 | 第47-65页 |
| 4.1 标准GPR存在的问题分析 | 第47-48页 |
| 4.1.1 稀疏问题 | 第47页 |
| 4.1.2 模型更新问题 | 第47-48页 |
| 4.2 稀疏高斯过程回归方法 | 第48-50页 |
| 4.2.1 数据子集近似法 | 第48页 |
| 4.2.2 降秩近似法 | 第48-50页 |
| 4.2.3 稀疏伪输入法 | 第50页 |
| 4.3 迭代高斯过程回归方法 | 第50-54页 |
| 4.3.1 迭代高斯过程回归 | 第50-52页 |
| 4.3.2 稀疏在线高斯过程回归 | 第52-54页 |
| 4.4 复杂度分析和仿真验证 | 第54-60页 |
| 4.4.1 算法复杂度分析 | 第54-55页 |
| 4.4.2 算法仿真验证 | 第55-60页 |
| 4.5 基于迭代GPR算法的锂电池健康预测 | 第60-64页 |
| 4.6 本章小结 | 第64-65页 |
| 5 结论 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 不足与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 图索引 | 第71-73页 |
| 表索引 | 第73-75页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第75-79页 |
| 学位论文数据集 | 第79页 |
