| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内研究现状及分析 | 第12-16页 |
| 1.2.1 锂电池数据处理研究现状 | 第12-15页 |
| 1.2.2 高斯过程回归发展现状 | 第15-16页 |
| 1.3 本文的研究内容及安排 | 第16-19页 |
| 2 高斯过程回归理论及锂电池数据分析 | 第19-37页 |
| 2.1 高斯过程回归 | 第19-23页 |
| 2.1.1 权值空间论 | 第19-21页 |
| 2.1.2 函数空间法 | 第21-23页 |
| 2.2 高斯过程回归的核函数 | 第23-27页 |
| 2.2.1 均值函数与协方差函数 | 第23-24页 |
| 2.2.2 核函数类型 | 第24-25页 |
| 2.2.3 组合核函数 | 第25-26页 |
| 2.2.4 超参数 | 第26-27页 |
| 2.3 锂电池的退化过程分析 | 第27-30页 |
| 2.3.1 锂电池的工作原理 | 第27-28页 |
| 2.3.2 锂电池的退化过程分析 | 第28-30页 |
| 2.4 锂电池实验数据集 | 第30-31页 |
| 2.5 实验数据初步分析 | 第31-35页 |
| 2.5.1 锂电池的容量衰退曲线分析 | 第31-32页 |
| 2.5.2 锂电池电压变化曲线 | 第32-35页 |
| 2.6 本章小结 | 第35-37页 |
| 3 基于组合核函数的离线GPR算法 | 第37-53页 |
| 3.1 基于GPR算法的建模方法 | 第37页 |
| 3.2 核函数对预测分布的影响 | 第37-46页 |
| 3.2.1 单一核函数对预测分布的影响 | 第38-44页 |
| 3.2.2 组合核函数对预测分布的影响 | 第44-46页 |
| 3.3 基于组合核函数GPR算法的电池数据离线处理 | 第46-52页 |
| 3.3.1 基于组合核函数GPR算法的锂电池容量数据拟合 | 第46-49页 |
| 3.3.2 基于组合核函数GPR算法的锂电池容量离线预测 | 第49-52页 |
| 3.4 本章小结 | 第52-53页 |
| 4 基于在线GPR算法的电池数据建模 | 第53-63页 |
| 4.1 基于增量学习的在线GPR算法 | 第53-55页 |
| 4.1.1 增量学习算法 | 第53页 |
| 4.1.2 高斯过程回归增量学习模型 | 第53-55页 |
| 4.2 在线算法的复杂度分析 | 第55-57页 |
| 4.3 基于组合核函数-在线GPR算法的电压数据建模 | 第57-62页 |
| 4.3.1 一次放电周期电压数据的在线处理 | 第57-59页 |
| 4.3.2 多充放电周期电压数据的在线处理 | 第59-62页 |
| 4.4 本章小结 | 第62-63页 |
| 5 基于IGSA-GPR算法的锂电池数据在线处理 | 第63-81页 |
| 5.1 共轭梯度法及其缺点 | 第63-64页 |
| 5.2 改进的引力搜索算法IGSA | 第64-66页 |
| 5.2.1 引力搜索算法GSA | 第64-65页 |
| 5.2.2 改进的引力搜索算法IGSA | 第65-66页 |
| 5.3 IGSA-GPR算法在线预测框架设计 | 第66-68页 |
| 5.4 基于IGSA-GPR算法的电池数据建模 | 第68-78页 |
| 5.4.1 基于IGSA-GPR算法的锂电池RUL在线预测 | 第68-74页 |
| 5.4.2 基于IGSA-GPR算法的锂电池SOH在线预测 | 第74-78页 |
| 5.5 本章小结 | 第78-81页 |
| 6 结论 | 第81-83页 |
| 6.1 总结 | 第81-82页 |
| 6.2 展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 图索引 | 第87-89页 |
| 表索引 | 第89-90页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第90-92页 |
| 学位论文数据集 | 第92页 |
