| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 绪论 | 第10-17页 |
| ·论文研究的背景和意义 | 第10-13页 |
| ·国内外研究现状综述 | 第13-14页 |
| ·论文的内容和研究框架 | 第14-16页 |
| ·本章小结 | 第16-17页 |
| 2 锂电池工作原理及主要的性能参数 | 第17-21页 |
| ·锂电池工作的基本原理 | 第17-18页 |
| ·电池主要性能 | 第18-20页 |
| ·本章小结 | 第20-21页 |
| 3 锂电池数据的分析与处理 | 第21-37页 |
| ·数据的采集 | 第21-25页 |
| ·系统整体架构 | 第21-22页 |
| ·关键技术 | 第22-25页 |
| ·数据处理方法 | 第25-29页 |
| ·异常数据的检查与预处理 | 第25-26页 |
| ·数据的完整性处理 | 第26页 |
| ·电池充放电数据分类处理 | 第26-27页 |
| ·数据处理算法的设计与实现 | 第27-29页 |
| ·数据分析 | 第29-36页 |
| ·锂电池的参数介绍 | 第29-30页 |
| ·锂电池充放电特性 | 第30-36页 |
| ·本章小结 | 第36-37页 |
| 4 RBF神经网络动态预测锂电池SOC的研究 | 第37-51页 |
| ·RBF原理介绍 | 第37-39页 |
| ·人工神经网络 | 第37-38页 |
| ·RBF神经网络 | 第38-39页 |
| ·RBF人工神经网络的电池SOC预测模型的设计 | 第39-46页 |
| ·电池数据的变换处理 | 第40页 |
| ·RBF神经网络结构设计 | 第40-42页 |
| ·RBF神经网络的学习算法 | 第42-44页 |
| ·输入变量选择研究 | 第44-46页 |
| ·实验结果 | 第46-50页 |
| ·本章小结 | 第50-51页 |
| 5 基于遗传算法改进RBF神经网络动态预测锂电池SOC的研究 | 第51-61页 |
| ·遗传算法原理 | 第51-52页 |
| ·基于遗传算法改进的RBF神经网络学习算法 | 第52-54页 |
| ·遗传编码 | 第52页 |
| ·适应度函数的构造 | 第52-53页 |
| ·遗传算法的基本操作 | 第53-54页 |
| ·隐含层到输出层权值的计算 | 第54页 |
| ·模型算法的设计与实现 | 第54-55页 |
| ·模型实验结果 | 第55-57页 |
| ·学习算法效果对比与分析 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| ·本文主要工作 | 第61-62页 |
| ·本文的创新点 | 第62页 |
| ·展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录A | 第66-68页 |
| 作者简历 | 第68-70页 |
| 学位论文数据集 | 第70页 |