CN116193695A - 基于长短期记忆网络的双探针电子密度诊断方法及系统 - Google Patents
基于长短期记忆网络的双探针电子密度诊断方法及系统 Download PDFInfo
- Publication number
- CN116193695A CN116193695A CN202211685063.6A CN202211685063A CN116193695A CN 116193695 A CN116193695 A CN 116193695A CN 202211685063 A CN202211685063 A CN 202211685063A CN 116193695 A CN116193695 A CN 116193695A
- Authority
- CN
- China
- Prior art keywords
- probe
- term memory
- short
- memory network
- long
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/0006—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/0006—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature
- H05H1/0081—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature by electric means
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Plasma Technology (AREA)
Abstract
本发明提出了基于长短期记忆网络的双探针电子密度诊断方法及系统,涉及等离子体领域。包括:搭建等离子体模拟真空仓,获取双探针I‑V特性曲线数据,计算同一位置三探针电子密度;构建双向长短期记忆网络模型,将双探针I‑V特性曲线数据作为输入特征、将三探针电子密度作为标签,对双向长短期记忆网络模型进行训练,得到训练好的双向长短期记忆网络模型;将待测试的双探针I‑V特性曲线数据输入到训练好的双向长短期记忆网络模型,输出诊断结果。本发明使用同一位置的双探针I‑V特性曲线数据作为特征、三探针Ne作为标签训练双向长短期记忆网络模型,解决了双探针由于只能收集等离子体中高能部分电子而导致的无法直接测量Ne的问题,且所需采集双探针I‑V特性曲线的点数较少。
Description
技术领域
本发明属于等离子体技术领域,尤其涉及基于长短期记忆网络的双探针电子密度诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
静电探针诊断技术是一种应用广泛的等离子体诊断技术,该技术具有操作简单、获得参量多以及结果可靠等优点。目前静电探针诊断技术主要包括单探针、双探针和三探针等。
20世纪20年代,朗缪尔和Mott-Smith提出了能够测量多种等离子体参数的单探针。朗缪尔探针操作十分简单,只需将一根导体插入等离子体中,利用可变电源在金属电极上施加扫描电压,并且测量电极上的电流,就可以得到I-V曲线,进而得到等离子体参数。
但是,利用单探针进行等离子体诊断具有许多局限性,比如:当施加到探针上的扫描电压高于等离子体电位时,探针吸引等离子体中的电子,形成电子饱和电流。由于电子和离子质量之间的差别,电子饱和电流远远大于离子饱和电流,对等离子体环境的干扰也相对较大。从某种意义上说,已经改变了被诊断的等离子体。另外,朗缪尔探针易受污染的影响,从而得到不准确的诊断结果。此外,当朗缪尔单探针工作时,必须需要较大面积的对电极对探针采集的电流进行补偿。这在实验室环境中是容易实现的,比如可以利用等离子体容器充当对电极。但是,这在空间环境中很难满足,特别是搭载微小的航空器时:通常找不到足够大面积的导体充当对电极。
与单探针系统相比,双探针在工作时始终处于悬浮状态,即不需要对电极,而且双探针的回路电流不会超过其中一根探针收集的离子饱和电流大小,因此双探针系统能够很大程度地降低收集电流对等离子体环境的干扰。然而,在传统的双探针诊断中,每根探针只能收集等离子体中的高能部分电子,从而导致无法对Ne进行直接测量。因此,如若能够改进双探针的诊断方法,使其能够直接测量Ne,将会使得双探针取代单探针,成为实现对等离子体多参数诊断的首选方法。
发明内容
为克服上述现有技术的不足,本发明提供了基于长短期记忆网络的双探针电子密度诊断方法及系统,使用同一位置的双探针I-V特性曲线数据作为特征、三探针Ne作为标签训练双向长短期记忆网络模型,将不同Ne条件下的双探针I-V特性曲线数据输入训练好的双向长短期记忆网络模型,获得Ne预测值,解决了双探针由于只能收集等离子体中高能部分电子而导致的无法直接测量Ne的问题,且所需采集双探针I-V特性曲线的点数较少。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了基于长短期记忆网络的双探针电子密度诊断方法。
基于长短期记忆网络的双探针电子密度诊断方法,包括以下步骤:
搭建等离子体模拟真空仓,获取双探针I-V特性曲线数据,计算同一位置三探针电子密度;
构建双向长短期记忆网络模型,将双探针I-V特性曲线数据作为输入特征、将三探针电子密度作为标签,对双向长短期记忆网络模型进行训练,得到训练好的双向长短期记忆网络模型;
将待测试的双探针I-V特性曲线数据输入到训练好的双向长短期记忆网络模型,输出诊断结果。
本发明第二方面提供了基于长短期记忆网络的双探针电子密度诊断系统。
基于长短期记忆网络的双探针电子密度诊断系统,包括:
数据获取模块,被配置为:搭建等离子体模拟真空仓,获取双探针I-V特性曲线数据,计算同一位置三探针电子密度;
模型训练模块,被配置为:构建双向长短期记忆网络模型,将双探针I-V特性曲线数据作为输入特征、将三探针电子密度作为标签,对双向长短期记忆网络模型进行训练,得到训练好的双向长短期记忆网络模型;
诊断结果获取模块,被配置为:将待测试的双探针I-V特性曲线数据输入到训练好的双向长短期记忆网络模型,输出诊断结果。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的基于长短期记忆网络的双探针电子密度诊断方法中的步骤。
本发明第四方面提供了电子设备,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程序,所述处理器执行所述程序时实现如本发明第一方面所述的基于长短期记忆网络的双探针电子密度诊断方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
针对双探针只能收集等离子体中高能部分电子、无法直接测量Ne的问题,本发明提供了基于长短期记忆网络的双探针电子密度诊断方法及系统,使用同一位置的双探针I-V特性曲线数据作为特征、三探针Ne作为标签训练BLSTM模型,训练完成后,能够利用双探针较少的数据点实现对Ne的高精度诊断。
将本发明解决了双探针由于只能收集等离子体中高能部分电子,而导致的无法直接测量Ne的问题,且所需采集双探针I-V特性曲线的点数较少,将本发明提供的诊断方法应用于电离层等离子体诊断,能够减少探针采集的数据量,提高电离层探测的空间分辨率,具有非常好的应用前景。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例双探针诊断原理图。
图2为第一个实施例典型的双探针I-V特性曲线。
图3为第一个实施例LSTM基本单元结构图。
图4为第一个实施例BLSTM架构图。
图5为第一个实施例等离子体模拟真空仓结构示意图。
图6为第一个实施例BLSTM训练流程图。
图7为第一个实施例Ne测试结果和真实电压对比图。
图8为第一个实施例方法流程图。
图9为第二个实施例系统结构图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在介绍本实施例的基于长短期记忆网络的双探针电子密度诊断方法之前,首先介绍双探针诊断技术原理、LSTM原理和BLSTM原理。
(一)双探针诊断技术原理
如图1所示,将两根单探针插入等离子体组成双探针,两根探针之间用直流电压源施加由负到正的扫描电压V,整个探针回路电流为I,探针1收集电子电流,探针2收集离子电流。图2为典型的双探针I-V特性曲线。因为双探针收集的净电流为零,所以两根探针收集的电流大小相等,方向相反,探针1收集的电子电流不会超过探针2收集的离子饱和电流,因此对被探测等离子体的干扰很低。但是,双探针系统中的探针只能收集等离子体中高能部分的电子,而高能部分的电子不能代表等离子体中主体的电子分布情况,因此双探针系统不能直接测量Ne。
(二)LSTM原理
长短期记忆网络(Long Short-Term Memory,LSTM)的出现解决了传统神经网络模型存在的长期信息保存问题。如图3所示,LSTM包含遗忘门、输入门和输出门,通过三个Sigmoid激活函数进行全连接层处理,从而得到遗忘门、输入门和输出门的值,并且能够将三个门的值控制在(0,1)范围内。
遗忘门Ft决定对前一单元状态Ct-1的遗忘程度,其计算方法如式(1)所示:
Ft=σ(XtWxf+Ht-1Whf+bf) (1)
其中,W和b分别为权重参数和偏置参数。
输入门It决定是否保留当前数据,其计算方法如式(2)所示:
It=σ(XtWxi+Ht-1Whi+bi) (2)
遗忘门、输入门和候选记忆元Ct'经过按元素乘法和加法后,得到记忆元Ct,计算公式如式(3)、(4)所示:
Ct'=tanh(XtWxc+Ht-1Whc+bc) (3)
Ct=Ft*Ct-1+It*Ct' (4)
输出门Ot用来控制单元中对外可见的程度,其计算公式如式(5)所示:
Ot=σ(XtWxo+Ht-1Who+bio) (5)
隐状态Ht是输出门发挥作用的媒介,计算公式如式(6)所示:
Ht=Ot*tanh(Ct) (6)
(三)BLSTM原理
BLSTM的架构如图4所示,将输入层输入正向LSTM和反向LSTM,最终的输出结果为两个LSTM输出的组合。相较于LSTM,BLSTM能够发掘历史信息与未来信息之间的关联,从而更加充分的利用数据,提高模型的性能。
本实施例公开了基于长短期记忆网络的双探针电子密度诊断方法。
如图8所示,基于长短期记忆网络的双探针电子密度诊断方法,包括以下步骤:
搭建等离子体模拟真空仓,获取双探针I-V特性曲线数据,计算同一位置三探针电子密度;
构建双向长短期记忆网络模型,将双探针I-V特性曲线数据作为输入特征、将三探针电子密度作为标签,对双向长短期记忆网络模型进行训练,得到训练好的双向长短期记忆网络模型;
将待测试的双探针I-V特性曲线数据输入到训练好的双向长短期记忆网络模型,输出诊断结果。
如图5所示,本方法所用数据由双探针和三探针在等离子体模拟真空仓中采集计算所得。仓内通入氩气后,通过控制单元控制等离子体源产生直流辉光放电等离子体,形成密度为梯度分布的等离子体环境。在灯丝电流参数和气压参数相同的情况下,仓内等离子体密度随距离等离子体源的间距变化而改变,改变灯丝电流的大小可以较大幅度调节真空仓内等离子体密度。真空仓内装有二维电机运行平台,将三根探针固定在平台上,通过电机控制系统控制电机平台带动探针在二维平面的X或Y方向上移动,每次移动20mm。指定其中两根探针为双探针,利用源表分别采集每个位置的三探针数据以及扫描双探针的I-V特性曲线,从而获得等离子体密度连续分布的双探针和三探针数据。
由于在同一灯丝电流参数和气压参数的条件下采集所得的数据有限,本实施例实验中数据的采集分别在不同的电流条件下进行,每一种条件下分别采集双探针和三探针数据。双探针数据采集的扫描电压范围为-8V~+8V,采样间隔为1V,一条I-V特性曲线包含17个采样点,17个采样点的电流值将作为输入特征输入BLSTM网络进行训练和预测,而同一位置三探针数据计算所得的电子密度将作为网络训练的标签。
本方法对数据进行标准化处理,消除各指标之间的量纲影响。按照训练集、验证集和测试集划分数据。训练集用于拟合数据样本,训练权重参数;验证集用于对模型进行初步评估,调整模型的超参数,防止过拟合现象的产生;测试集用于测试模型的泛化能力。
BLSTM模型的训练流程如图6所示。将训练集输入网络进行一次训练;利用验证集对模型性能进行初步评估,防止产生过拟合现象,保存在验证集上效果最好的网络参数;将测试集输入保存的网络,输出预测结果,评估模型。
本方法选用BLSTM对Ne进行预测,从正反两个方向挖掘整个序列的内部联系。为了防止过度挖掘数据内部信息产生过拟合现象,在BLSTM层后加入随机丢弃层。BLSTM由正反两层LSTM组成,所有LSTM的输出进入全连接层,全连接层选择线性激活函数,为了使最终输出和标签数量一致,将全连接层神经元个数设置为1。
由于输入特征维度较低,网络层数过多容易造成过拟合现象,因此正反方向均选择单层网络,双向共两层网络。为了获得更精确的预测结果,通过在一定范围内对不同神经元个数的网络进行训练,对比网络的训练损失,选取最优的网络结构,最终确定每层网络选择35个神经元。
学习率是BLSTM网络训练中非常重要的一个超参数,为了找到合适的学习率,固定学习率最大更新步数,在一定范围内排列组合初始学习率和目标学习率,对比不同学习率情况下的评价指标最终确定起始学习率为0.0001,目标学习率为0.00001。
将训练集和验证集输入模型进行训练和验证,模型训练完成后,使用测试集进行模型测试。完成200次训练和验证迭代过后,将测试集输入模型进行测试。
如图7所示,测试集共238个点,随着编号的增大,数据采集的位置逐渐靠近等离子体源,Ne也随之增大。测试集中初始点的位置距离等离子体源较远,Ne低,采集得到的电流信号十分微弱,易受周围电子仪器电磁干扰的影响,预测误差较大。测试集整体预测精度较高,损失值为0.005左右。
实施例二
本实施例公开了基于长短期记忆网络的双探针电子密度诊断系统。
如图9所示,基于长短期记忆网络的双探针电子密度诊断系统,包括:
数据获取模块,被配置为:搭建等离子体模拟真空仓,获取双探针I-V特性曲线数据,计算同一位置三探针电子密度;
模型训练模块,被配置为:构建双向长短期记忆网络模型,将双探针I-V特性曲线数据作为输入特征、将三探针电子密度作为标签,对双向长短期记忆网络模型进行训练,得到训练好的双向长短期记忆网络模型;
诊断结果获取模块,被配置为:将待测试的双探针I-V特性曲线数据输入到训练好的双向长短期记忆网络模型,输出诊断结果。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例1所述的基于长短期记忆网络的双探针电子密度诊断方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,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程序,所述处理器执行所述程序时实现如本公开实施例1所述的基于长短期记忆网络的双探针电子密度诊断方法中的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于长短期记忆网络的双探针电子密度诊断方法,其特征在于,包括以下步骤:
搭建等离子体模拟真空仓,获取双探针I-V特性曲线数据,计算同一位置三探针电子密度;
构建双向长短期记忆网络模型,将双探针I-V特性曲线数据作为输入特征、将三探针电子密度作为标签,对双向长短期记忆网络模型进行训练,得到训练好的双向长短期记忆网络模型;
将待测试的双探针I-V特性曲线数据输入到训练好的双向长短期记忆网络模型,输出诊断结果。
2.如权利要求1所述的基于长短期记忆网络的双探针电子密度诊断方法,其特征在于,在等离子体模拟真空仓内设置二维电机运行平台,在二维电机运行平台上设置三根探针,真空仓内通入氩气后,控制等离子体源产生等离子体,控制电机运行平台带动探针在二维平面上移动,指定其中的两根探针为双探针,分别采集每个位置的三探针数据以及双探针的I-V特性曲线,根据采集到的三探针数据,计算三探针电子密度。
3.如权利要求2所述的基于长短期记忆网络的双探针电子密度诊断方法,其特征在于,在不同的电流条件下,分别采集三探针数据以及双探针的I-V特性曲线。
4.如权利要求1所述的基于长短期记忆网络的双探针电子密度诊断方法,其特征在于,双向长短期记忆网络模型的输入层输入正向LSTM和反向LSTM,正向LSTM和反向LSTM均选择单层网络,每层网络设置35个神经元,输出层连接一个全连接层,全连接层设置1个神经元,起始学习率为0.0001,目标学习率为0.00001。
5.如权利要求4所述的基于长短期记忆网络的双探针电子密度诊断方法,其特征在于,双向长短期记忆网络模型最终的输出结果为正向LSTM和反向LSTM输出的组合。
6.如权利要求1所述的基于长短期记忆网络的双探针电子密度诊断方法,其特征在于,将双探针I-V特性曲线数据和同一位置三探针电子密度组成数据集,将数据集划分为训练集、验证集和测试集,利用训练集对双向长短期记忆网络模型进行训练,利用验证集调整双向长短期记忆网络模型的超参数,利用测试集测试对训练好的双向长短期记忆网络模型进行测试。
7.如权利要求6所述的基于长短期记忆网络的双探针电子密度诊断方法,其特征在于,当双向长短期记忆网络模型的损失不减小或者达到最大训练周期时,获得训练好的双向长短期记忆网络模型。
8.基于长短期记忆网络的双探针电子密度诊断系统,其特征在于:包括:
数据获取模块,被配置为:搭建等离子体模拟真空仓,获取双探针I-V特性曲线数据,计算同一位置三探针电子密度;
模型训练模块,被配置为:构建双向长短期记忆网络模型,将双探针I-V特性曲线数据作为输入特征、将三探针电子密度作为标签,对双向长短期记忆网络模型进行训练,得到训练好的双向长短期记忆网络模型;
诊断结果获取模块,被配置为:将待测试的双探针I-V特性曲线数据输入到训练好的双向长短期记忆网络模型,输出诊断结果。
9.计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于长短期记忆网络的双探针电子密度诊断方法中的步骤。
10.电子设备,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程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于长短期记忆网络的双探针电子密度诊断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211685063.6A CN116193695A (zh) | 2022-12-27 | 2022-12-27 | 基于长短期记忆网络的双探针电子密度诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211685063.6A CN116193695A (zh) | 2022-12-27 | 2022-12-27 | 基于长短期记忆网络的双探针电子密度诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116193695A true CN116193695A (zh) | 2023-05-30 |
Family
ID=86437533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211685063.6A Pending CN116193695A (zh) | 2022-12-27 | 2022-12-27 | 基于长短期记忆网络的双探针电子密度诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116193695A (zh) |
-
2022
- 2022-12-27 CN CN202211685063.6A patent/CN116193695A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
Fleischer et al. | On-line self-learning time forward voltage prognosis for lithium-ion batteries using adaptive neuro-fuzzy inference system | |
CN112163373A (zh) | 基于贝叶斯机器学习的雷达系统性能指标动态评估方法 | |
Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
Li et al. | State of charge estimation of lithium-ion batteries based on PSO-TCN-Attention neural network | |
CN113487019A (zh) | 电路故障诊断方法、装置、计算机设备和存储介质 | |
Tan et al. | Intelligent online health estimation for lithium-ion batteries based on a parallel attention network combining multivariate time series | |
CN116224074A (zh) | 一种软包锂离子电池荷电状态估计方法、装置及存储介质 | |
CN115308558A (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
CN117146954A (zh) | 一种基于改进woa-bp神经网络的称重补偿方法及装置 | |
Lin et al. | Algorithm of BPNN‐UKF based on a fusion model for SOC estimation in lithium‐ion batteries | |
Ding et al. | Dynamic evolutionary model based on a multi-sampling inherited hapfnn for an aluminium electrolysis manufacturing system | |
Chen et al. | Satellite on-orbit anomaly detection method based on a dynamic threshold and causality pruning | |
CN113609750A (zh) | 基于磁场传感信号机器学习的电流计算方法 | |
CN116193695A (zh) | 基于长短期记忆网络的双探针电子密度诊断方法及系统 | |
CN116628407A (zh) | 一种获取阻滞势分析仪离子参数的数据处理方法及系统 | |
CN115031794B (zh) | 一种多特征图卷积的新型气固两相流流量测量方法 | |
CN116306258A (zh) | 一种电气设备在强电磁脉冲作用下的易损性评估方法及系统 | |
CN113721613A (zh) | 一种基于深度强化学习的机器人自主寻源方法及装置 | |
Pendyala et al. | Development of a Machine Learning Technique to Accurately Estimate Battery State of Charge | |
Zhu et al. | Improving image reconstruction in electrical capacitance tomography based on deep learning | |
CN117310412B (zh) | 一种基于声光电联合信号的局部放电定位方法及系统 | |
Wang et al. | Electromagnetic Imaging of Metal Defects Based on Bayesian Statistical Model | |
Cech et al. | A Dashboard for Interactive Convolutional Neural Network Training And Validation Through Saliency Maps. | |
Chen | Research on multi-sensor data fusion technology based on PSO-RBF neural network |
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 |