CN113821975A - 一种燃料电池性能衰减预测方法及系统 - Google Patents
一种燃料电池性能衰减预测方法及系统 Download PDFInfo
- Publication number
- CN113821975A CN113821975A CN202111063036.0A CN202111063036A CN113821975A CN 113821975 A CN113821975 A CN 113821975A CN 202111063036 A CN202111063036 A CN 202111063036A CN 113821975 A CN113821975 A CN 113821975A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- model
- meta
- performance degradation
- cell performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000015556 catabolic process Effects 0.000 claims abstract description 50
- 238000006731 degradation reaction Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000002790 cross-validation Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000010998 test method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种燃料电池性能衰减预测方法及系统,本发明包括建立燃料电池性能退化模型的步骤:获取实验数据作为训练样本;采用自检法对多种元模型类型中的元模型进行元建模;计算所有元模型的输出及其决定系数R2;选择决定系数R2普遍较大的一种元模型类型;采用留一交叉法对训练样本进行分类;使用选择的元模型对分类后的训练样本进行留一交叉验证并计算均方误差MSE;选取均方误差最小的元模型作为燃料电池性能退化模型。本发明能够实现对燃料电池长期运行中的性能退化预测,具备较高的拟合精度和预测精度,以保证模型能够在准确描述以前性能数据的同时,对将来的性能进行预测,而且普遍性好,可适用于各种类型燃料电池的性能退化预测。
Description
技术领域
本发明涉及燃料电池技术,具体涉及一种燃料电池性能衰减预测方法及系统。
背景技术
燃料电池被认为是21世纪最有前途的绿色能源技术之一。具有能量密度高、污染小、安全性高、结构简单、易储存等优点。但在长期运行中,燃料电池的性能会随着运行时间的延长而降低。然而,以往的研究工作只是用实验对性能退化的规律进行阐述,并没有将其量化。因此,如何实现燃料电池性能衰减预测,已成为一项亟待解决的关键技术问题。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种燃料电池性能衰减预测方法及系统,本发明能够实现对燃料电池长期运行中的性能退化预测,具备较高的拟合精度和预测精度,以保证模型能够在准确描述以前性能数据的同时,对将来的性能进行预测,而且普遍性好,可适用于各种类型燃料电池的性能退化预测。
为了解决上述技术问题,本发明采用的技术方案为:
一种燃料电池性能衰减预测方法,包括建立用于实现燃料电池的测试数据、性能退化预测结果之间的映射关系的燃料电池性能退化模型的步骤:
1)获取燃料电池性能衰减实验的实验数据作为训练样本,所述燃料电池性能衰减实验的实验数据包括燃料电池的测试数据及其对应的性能退化结果;
2)使用所有燃料电池训练样本,采用多种类型的元模型构建方法进行元模型建模;
3)将所有训练样本的输入变量代入每个元模型,并计算该元模型的输出;
4)基于每一个元模型的输出计算该元模型的决定系数R2;
5)选择决定系数R2普遍较大的一种元模型类型;
6)采用留一交叉法对训练样本进行分类;
7)使用所选择的元模型类型下的不同元模型对分类后的训练样本进行留一交叉验证;
8)计算出所选择的元模型类型下的不同元模型的均方误差;
9)选取均方误差最小的元模型作为最终得到的燃料电池性能退化模型。
可选地,步骤2)中采用多种类型的元模型构建方法进行元模型建模时,采用的多种类型的元模型构建方法包括克里金KG。
可选地,步骤2)中采用多种类型的元模型构建方法进行元模型建模时,采用的多种类型的元模型构建方法包括径向基函数RBF。
可选地,步骤2)中采用多种类型的元模型构建方法进行元模型建模时,采用的多种类型的元模型构建方法包括多元自适应样条回归MARS。
可选地,步骤3)中计算该元模型的输出时,元模型的输入变量包括j,t,元模型的输出变量为ΔV,其中j表示电流密度,t表示燃料电池运行时间,ΔV表示燃料电池输出电压衰减项。
可选地,步骤4)中决定系数R2的计算函数表达式为:
可选地,步骤8)中均方误差的计算函数表达式为:
可选地,所述建立用于实现燃料电池的测试数据、性能退化预测结果之间的映射关系的燃料电池性能退化模型之后,还包括对燃料电池进行性能退化预测的步骤:获取被测燃料电池的测试数据,将被测燃料电池的测试数据输入所述燃料电池性能退化模型,从而获得被测燃料电池的测试数据所对应的燃料电池性能衰减预测结果。
此外,本发明还提供一种燃料电池性能衰减预测系统,包括相互连接的微处理器和存储器,该微处理器被编程或配置以执行所述燃料电池性能衰减预测方法的步骤。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质中存储有被编程或配置以执行所述燃料电池性能衰减预测方法的计算机程序。
和现有技术相比,本发明具有下述优点:
1、本发明将自检法与留一交叉法两种典型方法结合,自检法用来保证模型具有足够的拟合精度;留一交叉法用来保证模型具有足够的预测精度,因此使得本发明能够实现对燃料电池长期运行中的性能退化预测,具备较高的拟合精度和预测精度,以保证模型能够在准确描述以前性能数据的同时,对将来的性能进行预测。
2、本发明普遍性好,可适用于各种类型燃料电池的性能退化预测。
附图说明
图1为本发明实施例方法的基本流程示意图。
具体实施方式
如图1所示,本实施例燃料电池性能衰减预测方法包括建立用于实现燃料电池的测试数据、性能退化预测结果之间的映射关系的燃料电池性能退化模型的步骤:
1)获取燃料电池性能衰减实验的实验数据作为训练样本,所述燃料电池性能衰减实验的实验数据包括燃料电池的测试数据及其对应的性能退化结果;
2)使用所有燃料电池训练样本,采用多种类型的元模型构建方法进行元模型建模;
3)将所有训练样本的输入变量代入每个元模型,并计算该元模型的输出;
4)基于每一个元模型的输出计算该元模型的决定系数R2;
5)选择决定系数R2普遍较大的一种元模型类型;
6)采用留一交叉法对训练样本进行分类;
7)使用所选择的元模型类型下的不同元模型对分类后的训练样本进行留一交叉验证;
8)计算出所选择的元模型类型下的不同元模型的均方误差;
9)选取均方误差最小的元模型作为最终得到的燃料电池性能退化模型。
本实施例中,步骤2)中采用多种类型的元模型构建方法进行元模型建模时,采用的多种类型的元模型构建方法包括克里金KG、径向基函数RBF、多元自适应样条回归MARS,此外可以根据需要采用其中的一种或者多种,每一种类型的元模型构建方法进行元模型建模时,可根据参数设置建立多个同类型的元模型。需要说明的是,克里金KG、径向基函数RBF、多元自适应样条回归MARS都是现有的元模型构建方法,本实施例方法仅仅是对上述现有的元模型构建方法的应用,并不涉及对上述现有的元模型构建方法的改进。故,上述现有的元模型构建方法的实现细节,在此不再详细说明。此外,元模型构建方法还可以根据需要采用其他的方法,例如神经网络、其他回归模型的构建方法,其构建的元模型同样也可以实现同样的输入、输出之间的映射关系。
参见图1,本实施例步骤3)中计算该元模型的输出时,元模型的输入变量包括j,t,元模型的输出变量为ΔV,其中j表示电流密度,t表示燃料电池运行时间,ΔV表示燃料电池输出电压衰减项,该元模型采用函数表达式的方式可表示为:ΔV=f(j,t),其中,f为该衰减项预测模型的映射关系,通过将所有训练样本对元模型进行训练得到。
自检法是一种不同其他检测方法的评估方法,它并不将同一输入数值数据进行区分,而是模型创建和模型预测均由实验数据中所有的输入数据本身完成。将所有的输入数据作为训练样本进行模型的建立,并且将输入数据重新带入到模型中进行计算。此方法中决定系数R2被用作最佳元模型类型选择的标准。系数表示模型对观测值匹配程度,通常取值范围为0到1。当R2越接近1时,表示模型对实验数据的描述精度越高。本实施例中,步骤4)中决定系数R2的计算函数表达式为:
留一交叉法将数据样本分成小子集集合。对于留一法交叉验证中的每个测试,选择一个样本作为测试样本,其余作为训练样本。测试次数等于样本量。此方法中采用均方误差(MSE)来比较不同元模型之间的差异。当MSE接近于0时,表明具有较高的预测能力。本实施例中,步骤8)中均方误差的计算函数表达式为:
本实施例中,建立用于实现燃料电池的测试数据、性能退化预测结果之间的映射关系的燃料电池性能退化模型之后,还包括对燃料电池进行性能退化预测的步骤:获取被测燃料电池的测试数据,将被测燃料电池的测试数据输入所述燃料电池性能退化模型,从而获得被测燃料电池的测试数据所对应的燃料电池性能衰减预测结果。
以下为模型筛选过程中的计算数据,表1、表2、表3分别为克里金、径向基函数、多元自适应样条回归三种类型的元模型构建方法的自检法拟合精度评估结果(No.代表元模型编号;没有编号1,3,8,10,15,17代表此种编号类型的元模型不能够构建出模型)。表4为克里金法中的元模型采用留一交叉法的预测精度评估结果。
表1:克里金元模型构建方法的自检法拟合精度评估结果。
表2:径向基函数元模型构建方法的自检法拟合精度评估结果。
表3:、多元自适应样条回归元模型构建方法的自检法拟合精度评估结果。
表4:克里金法中的元模型采用留一交叉法的预测精度评估结果。
分析表1、表2、表3可以发现,如果只采用自检法是无法挑选出具体的元模型类型,因为克里金方法中编号2、5、6等的元模型的决定系数R2都为1,显示不出这些元模型之间的区别。因此,此方法只能够挑选出拟合精度较高的元模型类型,具体选择哪一个元模型还需要再进行判断。表4为留一交叉法的评估结果,此方法对克里金方法中元模型之间的区别进行了评估,结果显示Linear-SPHERICAL元模型的MSE值最小,为最优元模型。同时,基于此元模型,构建出的燃料电池长期稳定运行控制策略有很好的匹配度,证明将自检法与留一交叉法两种典型方法结合,能够巧妙解决燃料电池的性能退化预测。
综上所述,本实施例燃料电池性能衰减预测方法将自检法与留一交叉法两种典型方法结合,自检法用来保证模型具有足够的拟合精度;留一交叉法用来保证模型具有足够的预测精度,因此使得本发明能够实现对燃料电池长期运行中的性能退化预测,具备较高的拟合精度和预测精度,以保证模型能够在准确描述以前性能数据的同时,对将来的性能进行预测。由于涉及多层次的元模型选择,因此使得本实施例燃料电池性能衰减预测方法普遍性好,可适用于各种类型燃料电池的性能退化预测。
此外,本实施例还提供一种燃料电池性能衰减预测系统,包括相互连接的微处理器和存储器,该微处理器被编程或配置以执行前述燃料电池性能衰减预测方法的步骤。
此外,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有被编程或配置以执行前述燃料电池性能衰减预测方法的计算机程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种燃料电池性能衰减预测方法,其特征在于,包括建立用于实现燃料电池的测试数据、性能退化预测结果之间的映射关系的燃料电池性能退化模型的步骤:
1)获取燃料电池性能衰减实验的实验数据作为训练样本,所述燃料电池性能衰减实验的实验数据包括燃料电池的测试数据及其对应的性能退化结果;
2)使用所有燃料电池训练样本,采用多种类型的元模型构建方法进行元模型建模;
3)将所有训练样本的输入变量代入每个元模型,并计算该元模型的输出;
4)基于每一个元模型的输出计算该元模型的决定系数R2;
5)选择决定系数R2普遍较大的一种元模型类型;
6)采用留一交叉法对训练样本进行分类;
7)使用所选择的元模型类型下的不同元模型对分类后的训练样本进行留一交叉验证;
8)计算出所选择的元模型类型下的不同元模型的均方误差;
9)选取均方误差最小的元模型作为最终得到的燃料电池性能退化模型。
2.根据权利要求1所述的燃料电池性能衰减预测方法,其特征在于,步骤2)中采用多种类型的元模型构建方法进行元模型建模时,采用的多种类型的元模型构建方法包括克里金KG。
3.根据权利要求2所述的燃料电池性能衰减预测方法,其特征在于,步骤2)中采用多种类型的元模型构建方法进行元模型建模时,采用的多种类型的元模型构建方法包括径向基函数RBF。
4.根据权利要求3所述的燃料电池性能衰减预测方法,其特征在于,步骤2)中采用多种类型的元模型构建方法进行元模型建模时,采用的多种类型的元模型构建方法包括多元自适应样条回归MARS。
5.根据权利要求4所述的燃料电池性能衰减预测方法,其特征在于,步骤3)中计算该元模型的输出时,元模型的输入变量包括j,t,元模型的输出变量为ΔV,其中j表示电流密度,t表示燃料电池运行时间,ΔV表示燃料电池输出电压衰减项。
8.根据权利要求7所述的燃料电池性能衰减预测方法,其特征在于,所述建立用于实现燃料电池的测试数据、性能退化预测结果之间的映射关系的燃料电池性能退化模型之后,还包括对燃料电池进行性能退化预测的步骤:获取被测燃料电池的测试数据,将被测燃料电池的测试数据输入所述燃料电池性能退化模型,从而获得被测燃料电池的测试数据所对应的燃料电池性能衰减预测结果。
9.一种燃料电池性能衰减预测系统,包括相互连接的微处理器和存储器,其特征在于,该微处理器被编程或配置以执行权利要求1~8中任意一项所述燃料电池性能衰减预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有被编程或配置以执行权利要求1~8中任意一项所述燃料电池性能衰减预测方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063036.0A CN113821975B (zh) | 2021-09-10 | 2021-09-10 | 一种燃料电池性能衰减预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063036.0A CN113821975B (zh) | 2021-09-10 | 2021-09-10 | 一种燃料电池性能衰减预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113821975A true CN113821975A (zh) | 2021-12-21 |
CN113821975B CN113821975B (zh) | 2023-12-15 |
Family
ID=78914447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111063036.0A Active CN113821975B (zh) | 2021-09-10 | 2021-09-10 | 一种燃料电池性能衰减预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821975B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114388855A (zh) * | 2021-12-22 | 2022-04-22 | 同济大学 | 一种燃料电池寿命预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895626A (zh) * | 2018-09-11 | 2020-03-20 | 湖南银杏可靠性技术研究所有限公司 | 基于留一交叉验证的性能退化模型精度验证方法 |
CN111310387A (zh) * | 2020-02-19 | 2020-06-19 | 电子科技大学 | 一种燃料电池寿命预测方法 |
CN111339712A (zh) * | 2020-02-24 | 2020-06-26 | 电子科技大学 | 质子交换膜燃料电池剩余寿命预测方法 |
US20200403254A1 (en) * | 2018-06-27 | 2020-12-24 | Tsinghua University | Method and device for forecasting service life and remaining life of fuel cell |
-
2021
- 2021-09-10 CN CN202111063036.0A patent/CN113821975B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200403254A1 (en) * | 2018-06-27 | 2020-12-24 | Tsinghua University | Method and device for forecasting service life and remaining life of fuel cell |
CN110895626A (zh) * | 2018-09-11 | 2020-03-20 | 湖南银杏可靠性技术研究所有限公司 | 基于留一交叉验证的性能退化模型精度验证方法 |
CN111310387A (zh) * | 2020-02-19 | 2020-06-19 | 电子科技大学 | 一种燃料电池寿命预测方法 |
CN111339712A (zh) * | 2020-02-24 | 2020-06-26 | 电子科技大学 | 质子交换膜燃料电池剩余寿命预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114388855A (zh) * | 2021-12-22 | 2022-04-22 | 同济大学 | 一种燃料电池寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113821975B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
Wang et al. | A grey prediction-based evolutionary algorithm for dynamic multiobjective optimization | |
US20170330078A1 (en) | Method and system for automated model building | |
CN110852420A (zh) | 一种基于人工智能的垃圾分类方法 | |
CN109543247B (zh) | 基于nsga-ⅱ的模拟集成电路参数优化设计方法及装置 | |
CN105550393A (zh) | 一种支持方案快速生成的枪械变型设计方法 | |
CN112540849A (zh) | 一种分布式计算作业的参数配置优化方法及系统 | |
CN115715414A (zh) | 用于固态驱动器的可划分神经网络 | |
Sestelo et al. | FWDselect: An R Package for Variable Selection in Regression Models. | |
CN113821975B (zh) | 一种燃料电池性能衰减预测方法及系统 | |
CN110634198B (zh) | 一种基于正多胞体滤波的工业系统分层故障诊断方法 | |
Pappa et al. | A multiobjective genetic algorithm for attribute selection | |
CN111062524A (zh) | 基于优化遗传算法的景区短期客流量的预测方法及系统 | |
JPWO2020004575A5 (zh) | ||
CN113468044A (zh) | 一种基于改进的灰色预测演化算法的测试用例生成方法 | |
KR101462349B1 (ko) | 생산이력 히스토리 매칭의 최적화 방법 | |
JP2023076513A5 (zh) | ||
CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
CN105117330A (zh) | Cnn代码测试方法及装置 | |
Snapp et al. | Driving school for self-driving labs | |
CN114970353A (zh) | 基于缺失数据填充的mswi过程二噁英排放软测量方法 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
CN115859768B (zh) | 一种动态装配作业车间工件完工时间预测方法及装置 | |
Viharos et al. | Support Vector Machine (SVM) based general model building algorithm for production control | |
CN116185843B (zh) | 基于神经元覆盖率引导的两阶段神经网络测试方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |