CN114358200A - 一种非线性数据的分类预测方法、系统、设备和存储介质 - Google Patents
一种非线性数据的分类预测方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN114358200A CN114358200A CN202210025632.8A CN202210025632A CN114358200A CN 114358200 A CN114358200 A CN 114358200A CN 202210025632 A CN202210025632 A CN 202210025632A CN 114358200 A CN114358200 A CN 114358200A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- columns
- principal component
- original matrix
- 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
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本申请涉及一种非线性数据的分类预测方法、系统、设备和存储介质。该方法包括:从电池充电过程中获取非线性的电压数据和电压导数数据,将电压导数数据插入电压数据,得到原始矩阵;对原始矩阵进行相关系数分析,得到原始矩阵中偶数列与奇数列之间的相关系数,根据相关系数选取原始矩阵中相关列;对原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据主成分贡献率选取原始矩阵得到主成分矩阵;将相关列和主成分矩阵进行数据融合,得到融合矩阵,根据融合矩阵完成对非线性数据的分类预测。本发明实施例通过对融合后数据的特征值提取,进而准确分类和预测出电池每次循环的电压数据对应一个可用的电池容量,预测速度快,精确度高。
Description
技术领域
本申请涉及数据预测领域,特别是涉及一种非线性数据的分类预测方法、系统、设备和存储介质。
背景技术
现有技术中对于非线性数据预测有进行过技术公开,例如基于少量数据混插的非线性数据特征提取和分类预测,虽然实现了使用少量数据能够对非线性数据进行特征提取和分类,但是仍然使用了1800个数据作为单个输入数据,而且该过程存在比较大运算量同时训练时间也比较长,导致了数据预测的精确度较低,如何提高数据预测的精确度需要进一步的技术创新。
发明内容
基于此,有必要针对上述技术问题,提供一种非线性数据的分类预测方法、系统、设备和存储介质。
第一方面,本发明实施例提供了一种非线性数据的分类预测方法,该方法包括:
从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
进一步的,所述对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列,包括:
通过采用相关系数函数方程分析所述原始矩阵的偶数列与奇数列之间的相关指数;
根据所述相关指数,获取相关系数曲线,得到偶数列之间的相关系数的似线性下降趋势,根据列数的增加,得到相关系数的差距变化趋势;
从所述原始矩阵的列标准差中得到偶数列的标准差的周期性变化趋势;
将离散的采样信号变为1秒步长采样周期里的时域信号,并通过傅里叶变换来分析所述时域信号幅值的周期性。
进一步的,所述对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵,包括:
将所述原始矩阵进行展开,获取矩阵中值的均值和标准差,根据所述均值和标准差对所述原始矩阵进行标准化处理,得到标准化矩阵;
通过所述标准化矩阵求取相关系数矩阵,并通过雅可比法求解特征方程得到所述标准化矩阵的特征值和对应的特征向量;
根据所述标准化矩阵的第j个特征值除以所有特征值之和,获取第j个成分的信息贡献率,通过累加k个特征值再除以所有特征值之和获得k个成分的累计贡献率。
进一步的,所述将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测,包括:
得到经过相关系数分析得到的偶数列,并得到主成分分析后累计贡献率超过85%的列,将所述偶数列和累计贡献率超过85%的列进行融合;
对所述融合矩阵进行深度机器学习,并对所述融合矩阵进行特征值的求取,利用所述特征值提取特征数据;
根据提取的所述特征数据得到电池每次循环的电压特征,利用所述电压特征对充电完成后的可用电池容量进行分类;
每次电池充电循环的电压数据对应一个可用电池容量,根据电池充电循环对应的下一次的可用电池容量的预测。
另一方面,本发明实施例还提供了一种基于非线性数据的分类预测系统,包括:
原始矩阵模块,用于从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
系数分析模块,用于对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
主成分分析模块,用于对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
分类预测模块,用于将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
进一步的,所述系数分析模块包括偶数列分析单元,所述偶数列分析单元用于:
通过采用相关系数函数方程分析所述原始矩阵的偶数列与奇数列之间的相关指数;
根据所述相关指数,获取相关系数曲线,得到偶数列之间的相关系数的似线性下降趋势,根据列数的增加,得到相关系数的差距变化趋势;
从所述原始矩阵的列标准差中得到偶数列的标准差的周期性变化趋势;
将离散的采样信号变为1秒步长采样周期里的时域信号,并通过傅里叶变换来分析所述时域信号幅值的周期性。
进一步的,所述主成分分析模块包括特征提取单元,所述特征提取单元用于:
将所述原始矩阵进行展开,获取矩阵中值的均值和标准差,根据所述均值和标准差对所述原始矩阵进行标准化处理,得到标准化矩阵;
通过所述标准化矩阵求取相关系数矩阵,并通过雅可比法求解特征方程得到所述标准化矩阵的特征值和对应的特征向量;
根据所述标准化矩阵的第j个特征值除以所有特征值之和,获取第j个成分的信息贡献率,通过累加k个特征值再除以所有特征值之和获得k个成分的累计贡献率。
进一步的,所述分类预测模块包括特征数据计算单元,所述特征数据计算单元用于:
得到经过相关系数分析得到的偶数列,并得到主成分分析后累计贡献率超过85%的列,将所述偶数列和累计贡献率超过85%的列进行融合;
对所述融合矩阵进行深度机器学习,并对所述融合矩阵进行特征值的求取,利用所述特征值提取特征数据;
根据提取的所述特征数据得到电池每次循环的电压特征,利用所述电压特征对充电完成后的可用电池容量进行分类;
每次电池充电循环的电压数据对应一个可用电池容量,根据电池充电循环对应的下一次的可用电池容量的预测。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
上述非线性数据的分类预测方法、系统、设备和存储介质,该方法包括:从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。本发明实施例通过对原始的非线性数据进行相关系数分析和主成分分析后,再进行数据的融合,通过对融合后数据的特征值提取,得到非线性数据对应的电压特征,进而准确分类和预测出电池每次循环的电压数据对应一个可用的电池容量,预测速度快,精确度高。
附图说明
图1为一个实施例中非线性数据的分类预测方法的流程示意图;
图2为一个实施例中对原始矩阵进行相关系数分析的流程示意图;
图3为一个实施例中对原始矩阵进行主成分分析的流程示意图;
图4为一个实施例中对融合矩阵进行特征提取的流程示意图;
图5为一个实施例中基于非线性数据的分类预测系统的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种非线性数据的分类预测方法,所述方法包括:
步骤101,从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
步骤102,对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
步骤103,对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
步骤104,将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
具体地,本实施例首先分别对原始矩阵的偶数列相关系数,与奇数列相关系数进行分析选取具有高相关系数的列作为原始矩阵的代替;再通过主成分分析方法提取累积贡献率>85%的主成分也来作为原始矩阵的代替;接着使用两者进行预测测试,发现前者具有较高的预测精度而后者具有快速收敛的能力;随后将两者进行合成将两者的优势结合形成新的矩阵,发现新的矩阵不仅具有比原来更好的预测精度误差MSE与MAPE达到了所以预测中最低的值2.09E-04和1.09%分别比使用完整矩阵下降了9.16%和2.2%,同时也具有更快的训练收敛能力训练时间下降了93.88%,同时所需输入数据量下降了86.7%。因此我们考虑将首偶数列与主成分结合这样既能够具有比较高的准确率同时也能够使得训练速度加快。我们可以看到首4列的MSE,MAPE与仅完整矩阵相比仅增加了10.28%与6.67%,同时PC4主成分的累积贡献率超过85%的矩阵达到总矩阵的99.8%以上。特征提取是提取每次循环的电压特征,分类是根据每次提取的特征,对充电完成后的可用容量进行分类,也就是说每次循环的电压数据对应一个可用的电池容量。因为该循环对应的是下一次的可用容量因此也称预测。也可以适用于其他场合,有非线性数据与标签对应的分类。本实施例通过对原始的非线性数据进行相关系数分析和主成分分析后,再进行数据的融合,通过对融合后数据的特征值提取,得到非线性数据对应的电压特征,进而准确分类和预测出电池每次循环的电压数据对应一个可用的电池容量,预测速度快,精确度高。
在一个实施例中,如图2所示,对原始矩阵进行相关系数分析的流程包括以下步骤:
步骤201,通过采用相关系数函数方程分析所述原始矩阵的偶数列与奇数列之间的相关指数;
步骤202,根据所述相关指数,获取相关系数曲线,得到偶数列之间的相关系数的似线性下降趋势,根据列数的增加,得到相关系数的差距变化趋势;
步骤203,从所述原始矩阵的列标准差中得到偶数列的标准差的周期性变化趋势;
步骤204,将离散的采样信号变为1秒步长采样周期里的时域信号,并通过傅里叶变换来分析所述时域信号幅值的周期性。
具体地,原始矩阵是将标准化的电压导数数据横向插入标准化后电压数据矩阵中形成新的矩阵用来实现非线性数据特征的提取与分类。通过对数据插入完成后我们可以发现其大致呈周期性的变化。在本实施例中我们提取前8列数据进行放大,能够更加清晰的发现其是以偶数列作为周期。我们进一步通过采用相关系数函数方程分析其矩阵偶数列与奇数列之间的相关指数。偶数列则是取前两列1-2列,1-4列,1-6列,1-8列分别与随后的偶数列如(i+1)-(i+2)列i=2,4,6,…,k/2;(i+1)-(i+4)列i=4,6,…,k/4;(i+1)-(i+6)列i=6,…,k/6;(i+1)-(i+8)列i=8,…,k/8,进行相关系数分析。奇数列则是取前1-3列,1-5列,1-7列,1-9列与随后的奇数列如(i+1)-(i+3)列i=3,5,7,…,k/3;(i+1)-(i+5)列i=5,7,…,k/5;(i+1)-(i+7)列i=7,…,k/7;(i+1)-(i+9)列i=9,…,k/9,进行相关系数分析。通过相关系数曲线我们可以看到,偶数列之间的相关系数呈近似线性下降趋势,并且随着列数的增加,相关系数差距变小,但是其相关系数都保持在0.98以上。而奇数列的相关系数则呈现了较大的波动。同时从矩阵的列标准差中我们也可以看到偶数列的标准差也出现了周期性的变化。通过将离散的采样信号变为1秒步长采样周期里的时域信号,再通过傅里叶变换来分析其周期性。通过傅里叶级数展开后将频谱转为纵坐标以列为单位,可见离散时域信号的幅值也是随偶数列周期变化。从傅里叶周期分析看到数据以每四列出现幅值峰值,从结果可以看出使用4的倍数偶数列时也能够取得比其他偶数列较优异的结果,同时相比原始数据其训练实际大大减少,但是其训练效果要差于完整数据。
在一个实施例中,如图3所示,对原始矩阵进行主成分分析的流程包括:
步骤301,将所述原始矩阵进行展开,获取矩阵中值的均值和标准差,根据所述均值和标准差对所述原始矩阵进行标准化处理,得到标准化矩阵;
步骤302,通过所述标准化矩阵求取相关系数矩阵,并通过雅可比法求解特征方程得到所述标准化矩阵的特征值和对应的特征向量;
步骤303,根据所述标准化矩阵的第j个特征值除以所有特征值之和,获取第j个成分的信息贡献率,通过累加k个特征值再除以所有特征值之和获得k个成分的累计贡献率。
具体地,主成分分析的步骤如下:标准化矩阵,首先我们用数据建立输入数据的原始矩阵,该矩阵进行展开,计算相关系数矩阵,通过标准化后的矩阵求取相关系数矩阵,再计算特征值,通过将特征多项式为0得到特征方程,通过使用雅可比法求解特征方程得到特征值λ=(λ1,λ2…λm)。以及对应的特征向量u1,u2,…,um。通过将特征向量与原数据矩阵相乘获得主成分矩阵Y=[y1,y2,…,ym],其中yi为第i主成分。计算贡献率,从中我们看到将第j个特征值除以所有特征值之和即可获取第j个成分的信息贡献率bj,通过累加k个特征值再除以特征值之和获得k个成分的累计贡献率。αp即为y1,y2,…,yp的累积贡献率,当αp接近1时,则可选择前p个指标变量y1,y2,…,yp作为p个主成分,代替原来m个指标变量通过上述方法我们计算了每个循环的数据矩阵的前4,6,8,20个主成分贡献率,同时我们看出前面的主成分所占比例最大,主成分的贡献率呈急速下降状态。
在一个实施例中,如图4所示,对融合矩阵进行特征提取的流程包括:
步骤401,得到经过相关系数分析得到的偶数列,并得到主成分分析后累计贡献率超过85%的列,将所述偶数列和累计贡献率超过85%的列进行融合;
步骤402对所述融合矩阵进行深度机器学习,并对所述融合矩阵进行特征值的求取,利用所述特征值提取特征数据;
步骤403,根据提取的所述特征数据得到电池每次循环的电压特征,利用所述电压特征对充电完成后的可用电池容量进行分类;
步骤404,每次电池充电循环的电压数据对应一个可用电池容量,根据电池充电循环对应的下一次的可用电池容量的预测。
具体地,从预测结果中我们可以看到首偶数列的预测效果仍然要好于主成分矩阵,但是可以看到使用主成分进行训练时其收敛速度要比使用偶数列快许多。此我们考虑将首偶数列与主成分结合。根据主成分分析法,先生成矩阵该矩阵前4列其中为原始数据的前4列,原始数据的前4主成分其结合。经过标准化后求取相关系数,再使用雅可比法求解特征方程得到特征值。接着使用累积贡献率公式,计算特征值的累积比例,求得前4主成分的累积贡献率超过了96%,最后使用组合矩阵与矩阵U相应的前4特征向量相乘,得到新的融合矩阵。根据提取的所述特征数据得到电池每次循环的电压特征,利用所述电压特征对充电完成后的可用电池容量进行分类,进而准确分类和预测出电池每次循环的电压数据对应一个可用的电池容量,预测速度快,精确度高。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于非线性数据的分类预测系统,包括:
原始矩阵模块501,用于从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
系数分析模块502,用于对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
主成分分析模块503,用于对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
分类预测模块504,用于将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
在一个实施例中,如图5所示,所述系数分析模块502包括偶数列分析单元5021,所述偶数列分析单元5021用于:
通过采用相关系数函数方程分析所述原始矩阵的偶数列与奇数列之间的相关指数;
根据所述相关指数,获取相关系数曲线,得到偶数列之间的相关系数的似线性下降趋势,根据列数的增加,得到相关系数的差距变化趋势;
从所述原始矩阵的列标准差中得到偶数列的标准差的周期性变化趋势;
将离散的采样信号变为1秒步长采样周期里的时域信号,并通过傅里叶变换来分析所述时域信号幅值的周期性。
在一个实施例中,如图5所示,所述主成分分析模块503包括特征提取单元5031,所述特征提取单元5031用于:
将所述原始矩阵进行展开,获取矩阵中值的均值和标准差,根据所述均值和标准差对所述原始矩阵进行标准化处理,得到标准化矩阵;
通过所述标准化矩阵求取相关系数矩阵,并通过雅可比法求解特征方程得到所述标准化矩阵的特征值和对应的特征向量;
根据所述标准化矩阵的第j个特征值除以所有特征值之和,获取第j个成分的信息贡献率,通过累加k个特征值再除以所有特征值之和获得k个成分的累计贡献率。
在一个实施例中,如图5所示,所述分类预测模块504包括特征数据计算单元5041,所述特征数据计算单元5041用于:
得到经过相关系数分析得到的偶数列,并得到主成分分析后累计贡献率超过85%的列,将所述偶数列和累计贡献率超过85%的列进行融合;
对所述融合矩阵进行深度机器学习,并对所述融合矩阵进行特征值的求取,利用所述特征值提取特征数据;
根据提取的所述特征数据得到电池每次循环的电压特征,利用所述电压特征对充电完成后的可用电池容量进行分类;
每次电池充电循环的电压数据对应一个可用电池容量,根据电池充电循环对应的下一次的可用电池容量的预测。
关于基于非线性数据的分类预测系统的具体限定可以参见上文中对于非线性数据的分类预测方法的限定,在此不再赘述。上述基于非线性数据的分类预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图6示出了一个实施例中计算机设备的内部结构图。如图6所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现非线性数据的分类预测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行非线性数据的分类预测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过采用相关系数函数方程分析所述原始矩阵的偶数列与奇数列之间的相关指数;
根据所述相关指数,获取相关系数曲线,得到偶数列之间的相关系数的似线性下降趋势,根据列数的增加,得到相关系数的差距变化趋势;
从所述原始矩阵的列标准差中得到偶数列的标准差的周期性变化趋势;
将离散的采样信号变为1秒步长采样周期里的时域信号,并通过傅里叶变换来分析所述时域信号幅值的周期性。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述原始矩阵进行展开,获取矩阵中值的均值和标准差,根据所述均值和标准差对所述原始矩阵进行标准化处理,得到标准化矩阵;
通过所述标准化矩阵求取相关系数矩阵,并通过雅可比法求解特征方程得到所述标准化矩阵的特征值和对应的特征向量;
根据所述标准化矩阵的第j个特征值除以所有特征值之和,获取第j个成分的信息贡献率,通过累加k个特征值再除以所有特征值之和获得k个成分的累计贡献率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
得到经过相关系数分析得到的偶数列,并得到主成分分析后累计贡献率超过85%的列,将所述偶数列和累计贡献率超过85%的列进行融合;
对所述融合矩阵进行深度机器学习,并对所述融合矩阵进行特征值的求取,利用所述特征值提取特征数据;
根据提取的所述特征数据得到电池每次循环的电压特征,利用所述电压特征对充电完成后的可用电池容量进行分类;
每次电池充电循环的电压数据对应一个可用电池容量,根据电池充电循环对应的下一次的可用电池容量的预测。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过采用相关系数函数方程分析所述原始矩阵的偶数列与奇数列之间的相关指数;
根据所述相关指数,获取相关系数曲线,得到偶数列之间的相关系数的似线性下降趋势,根据列数的增加,得到相关系数的差距变化趋势;
从所述原始矩阵的列标准差中得到偶数列的标准差的周期性变化趋势;
将离散的采样信号变为1秒步长采样周期里的时域信号,并通过傅里叶变换来分析所述时域信号幅值的周期性。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述原始矩阵进行展开,获取矩阵中值的均值和标准差,根据所述均值和标准差对所述原始矩阵进行标准化处理,得到标准化矩阵;
通过所述标准化矩阵求取相关系数矩阵,并通过雅可比法求解特征方程得到所述标准化矩阵的特征值和对应的特征向量;
根据所述标准化矩阵的第j个特征值除以所有特征值之和,获取第j个成分的信息贡献率,通过累加k个特征值再除以所有特征值之和获得k个成分的累计贡献率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
得到经过相关系数分析得到的偶数列,并得到主成分分析后累计贡献率超过85%的列,将所述偶数列和累计贡献率超过85%的列进行融合;
对所述融合矩阵进行深度机器学习,并对所述融合矩阵进行特征值的求取,利用所述特征值提取特征数据;
根据提取的所述特征数据得到电池每次循环的电压特征,利用所述电压特征对充电完成后的可用电池容量进行分类;
每次电池充电循环的电压数据对应一个可用电池容量,根据电池充电循环对应的下一次的可用电池容量的预测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种非线性数据的分类预测方法,其特征在于,所述方法包括:
从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
2.根据权利要求1所述的非线性数据的分类预测方法,其特征在于,所述对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列,包括:
通过采用相关系数函数方程分析所述原始矩阵的偶数列与奇数列之间的相关指数;
根据所述相关指数,获取相关系数曲线,得到偶数列之间的相关系数的似线性下降趋势,根据列数的增加,得到相关系数的差距变化趋势;
从所述原始矩阵的列标准差中得到偶数列的标准差的周期性变化趋势;
将离散的采样信号变为1秒步长采样周期里的时域信号,并通过傅里叶变换来分析所述时域信号幅值的周期性。
3.根据权利要求1所述的非线性数据的分类预测方法,其特征在于,所述对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵,包括:
将所述原始矩阵进行展开,获取矩阵中值的均值和标准差,根据所述均值和标准差对所述原始矩阵进行标准化处理,得到标准化矩阵;
通过所述标准化矩阵求取相关系数矩阵,并通过雅可比法求解特征方程得到所述标准化矩阵的特征值和对应的特征向量;
根据所述标准化矩阵的第j个特征值除以所有特征值之和,获取第j个成分的信息贡献率,通过累加k个特征值再除以所有特征值之和获得k个成分的累计贡献率。
4.根据权利要求1所述的非线性数据的分类预测方法,其特征在于,所述将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测,包括:
得到经过相关系数分析得到的偶数列,并得到主成分分析后累计贡献率超过85%的列,将所述偶数列和累计贡献率超过85%的列进行融合;
对所述融合矩阵进行深度机器学习,并对所述融合矩阵进行特征值的求取,利用所述特征值提取特征数据;
根据提取的所述特征数据得到电池每次循环的电压特征,利用所述电压特征对充电完成后的可用电池容量进行分类;
每次电池充电循环的电压数据对应一个可用电池容量,根据电池充电循环对应的下一次的可用电池容量的预测。
5.一种基于非线性数据的分类预测系统,其特征在于,包括:
原始矩阵模块,用于从电池充电过程中获取非线性的电压数据和所述电压导数数据,将所述电压导数数据插入所述电压数据,得到原始矩阵;
系数分析模块,用于对所述原始矩阵进行相关系数分析,得到所述原始矩阵中偶数列与奇数列之间的相关系数,根据所述相关系数选取所述原始矩阵中相关列;
主成分分析模块,用于对所述原始矩阵进行主成分分析,得到所述原始矩阵的主成分贡献率,根据所述主成分贡献率选取所述原始矩阵得到主成分矩阵;
分类预测模块,用于将所述相关列和所述主成分矩阵进行数据融合,得到融合矩阵,根据所述融合矩阵完成对非线性数据的分类预测。
6.根据权利要求5所述的基于非线性数据的分类预测系统,其特征在于,所述系数分析模块包括偶数列分析单元,所述偶数列分析单元用于:
通过采用相关系数函数方程分析所述原始矩阵的偶数列与奇数列之间的相关指数;
根据所述相关指数,获取相关系数曲线,得到偶数列之间的相关系数的似线性下降趋势,根据列数的增加,得到相关系数的差距变化趋势;
从所述原始矩阵的列标准差中得到偶数列的标准差的周期性变化趋势;
将离散的采样信号变为1秒步长采样周期里的时域信号,并通过傅里叶变换来分析所述时域信号幅值的周期性。
7.根据权利要求5所述的基于非线性数据的分类预测系统,其特征在于,所述主成分分析模块包括特征提取单元,所述特征提取单元用于:
将所述原始矩阵进行展开,获取矩阵中值的均值和标准差,根据所述均值和标准差对所述原始矩阵进行标准化处理,得到标准化矩阵;
通过所述标准化矩阵求取相关系数矩阵,并通过雅可比法求解特征方程得到所述标准化矩阵的特征值和对应的特征向量;
根据所述标准化矩阵的第j个特征值除以所有特征值之和,获取第j个成分的信息贡献率,通过累加k个特征值再除以所有特征值之和获得k个成分的累计贡献率。
8.根据权利要求5所述的基于非线性数据的分类预测系统,其特征在于,所述分类预测模块包括特征数据计算单元,所述特征数据计算单元用于:
得到经过相关系数分析得到的偶数列,并得到主成分分析后累计贡献率超过85%的列,将所述偶数列和累计贡献率超过85%的列进行融合;
对所述融合矩阵进行深度机器学习,并对所述融合矩阵进行特征值的求取,利用所述特征值提取特征数据;
根据提取的所述特征数据得到电池每次循环的电压特征,利用所述电压特征对充电完成后的可用电池容量进行分类;
每次电池充电循环的电压数据对应一个可用电池容量,根据电池充电循环对应的下一次的可用电池容量的预测。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025632.8A CN114358200B (zh) | 2022-01-11 | 2022-01-11 | 一种非线性数据的分类预测方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025632.8A CN114358200B (zh) | 2022-01-11 | 2022-01-11 | 一种非线性数据的分类预测方法、系统、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114358200A true CN114358200A (zh) | 2022-04-15 |
CN114358200B CN114358200B (zh) | 2022-09-13 |
Family
ID=81108808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210025632.8A Active CN114358200B (zh) | 2022-01-11 | 2022-01-11 | 一种非线性数据的分类预测方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358200B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
CN104181442A (zh) * | 2014-08-21 | 2014-12-03 | 西安交通大学 | 基于相关分析的配电网单相接地故障区段定位方法 |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN109345143A (zh) * | 2018-11-12 | 2019-02-15 | 国电联合动力技术有限公司 | 智能风机运行状态评价方法、装置及风电机组 |
CN110084504A (zh) * | 2019-04-22 | 2019-08-02 | 中国南方电网有限责任公司 | 基于主成分分析法的电厂综合考核方法 |
US20200300972A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
CN112731161A (zh) * | 2021-02-08 | 2021-04-30 | 中南大学 | 基于少量数据混插的非线性数据特征提取和分类预测方法 |
CN112862279A (zh) * | 2021-01-26 | 2021-05-28 | 上海应用技术大学 | 高速公路行车道路面状况评价方法 |
-
2022
- 2022-01-11 CN CN202210025632.8A patent/CN114358200B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
CN104181442A (zh) * | 2014-08-21 | 2014-12-03 | 西安交通大学 | 基于相关分析的配电网单相接地故障区段定位方法 |
US20200300972A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN109345143A (zh) * | 2018-11-12 | 2019-02-15 | 国电联合动力技术有限公司 | 智能风机运行状态评价方法、装置及风电机组 |
CN110084504A (zh) * | 2019-04-22 | 2019-08-02 | 中国南方电网有限责任公司 | 基于主成分分析法的电厂综合考核方法 |
CN112862279A (zh) * | 2021-01-26 | 2021-05-28 | 上海应用技术大学 | 高速公路行车道路面状况评价方法 |
CN112731161A (zh) * | 2021-02-08 | 2021-04-30 | 中南大学 | 基于少量数据混插的非线性数据特征提取和分类预测方法 |
Non-Patent Citations (3)
Title |
---|
XIAO, D.等: ""Reduced-Coupling Coestimation of SOC and SOH for Lithium-Ion Batteries Based on Convex Optimization"", 《IEEE TRANS. POWER ELECTRON.》 * |
叶刚进等: "基于云计算的多因素电力负荷坏数据自动检测方法", 《自动化与仪器仪表》 * |
赵梦等: "一种基于主成分分析法的图像质量评价方法", 《杭州电子科技大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114358200B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Variable importance analysis: A comprehensive review | |
Baltagi et al. | Identification and estimation of a large factor model with structural instability | |
US20110238606A1 (en) | Kernel regression system, method, and program | |
Elshahhat et al. | Bayesian survival analysis for adaptive Type-II progressive hybrid censored Hjorth data | |
CN103226595B (zh) | 基于贝叶斯混合公共因子分析器的高维数据的聚类方法 | |
WO2007066445A1 (ja) | 特異値分解装置、及び特異値分解方法 | |
Li et al. | Distributed feature screening via componentwise debiasing | |
CN110990135B (zh) | 基于深度迁移学习的Spark作业时间预测方法和装置 | |
Ahmad | A comparative analysis of local meshless formulation for multi-asset option models | |
AU2021240156A1 (en) | Quantum Control Pulse Generation Method And Apparatus, Device, And Storage Medium | |
US8571255B2 (en) | Scalable media fingerprint extraction | |
Hao et al. | Modeless streaming synchrophasor data recovery in nonlinear systems | |
US8082131B2 (en) | Electronic state calculation method, electronic state calculation device, computer program, and recording medium | |
US20230385597A1 (en) | Multi-granularity perception integrated learning method, device, computer equipment and medium | |
CN111445021B (zh) | 学习方法、学习设备和计算机可读记录介质 | |
CN114819168B (zh) | 一种矩阵特征值的量子比较方法及装置 | |
CN114358200B (zh) | 一种非线性数据的分类预测方法、系统、设备和存储介质 | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
Rysak et al. | Search for optimal parameters in a recurrence analysis of the Duffing system with varying damping | |
US11436397B2 (en) | Computer-implemented method and electronic device for detecting influential components in a netlist representing an electrical circuit | |
US20200195416A1 (en) | Efficient computation of univariate statistical moments for side channel vulnerability evaluation | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
Papakonstantinou et al. | Quasi-Newton Hamiltonian MCMC sampling for reliability estimation in high-dimensional non-Gaussian spaces | |
JP7367843B2 (ja) | 関係性抽出装置、関係性抽出方法、及びプログラム | |
US9262591B2 (en) | Electronic state computing method, electronic state computing device, and recording medium |
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 |