基于高斯过程回归模型的锂电池数据处理
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-15页 |
| 1.2.1 数据处理的研究现状 | 第11-12页 |
| 1.2.2 锂电池数据处理的发展现状 | 第12-13页 |
| 1.2.3 高斯过程的发展现状 | 第13-15页 |
| 1.3 本文的研究内容及安排 | 第15-17页 |
| 2 高斯过程回归的理论及锂电池的工作原理 | 第17-32页 |
| 2.1 高斯过程回归模型 | 第17-23页 |
| 2.1.1 随机过程与高斯分布 | 第17-19页 |
| 2.1.2 高斯过程的概念 | 第19页 |
| 2.1.3 函数空间法 | 第19-21页 |
| 2.1.4 权重空间法 | 第21-23页 |
| 2.2 高斯过程回归的核函数 | 第23-28页 |
| 2.2.1 均值函数与协方差函数 | 第23-24页 |
| 2.2.2 单一核函数的类型 | 第24-26页 |
| 2.2.3 组合核函数 | 第26-27页 |
| 2.2.4 超参数的学习 | 第27-28页 |
| 2.3 锂电池的工作原理及退化过程分析 | 第28-31页 |
| 2.3.1 锂电池的工作原理 | 第28-29页 |
| 2.3.2 锂电池的退化过程分析 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 高斯过程回归模型及锂电池数据处理 | 第32-46页 |
| 3.1 建立高斯过程回归模型的方法 | 第32页 |
| 3.2 核函数对预测分布的影响 | 第32-36页 |
| 3.2.1 单一核函数对预测分布的影响 | 第33-34页 |
| 3.2.2 组合核函数对预测分布的影响 | 第34-36页 |
| 3.3 锂电池的实验数据 | 第36-39页 |
| 3.3.1 仿真数据来源 | 第37页 |
| 3.3.2 仿真数据分析 | 第37-39页 |
| 3.4 基于GPR算法的锂电池数据处理 | 第39-45页 |
| 3.4.1 均方误差与平均相对误差 | 第39页 |
| 3.4.2 EOD的预测 | 第39-43页 |
| 3.4.3 EOL的预测 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4 稀疏高斯过程回归 | 第46-58页 |
| 4.1 稀疏高斯过程的原理 | 第46页 |
| 4.2 稀疏高斯过程回归的几类方法 | 第46-53页 |
| 4.2.1 数据子集近似法 | 第46-47页 |
| 4.2.2 降秩近似法 | 第47-50页 |
| 4.2.3 稀疏伪输入法 | 第50-51页 |
| 4.2.4 稀疏在线高斯过程回归法 | 第51-53页 |
| 4.3 算法复杂度分析 | 第53页 |
| 4.4 仿真结果及分析 | 第53-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 结论 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第63-65页 |
| 学位论文数据集 | 第65页 |
