-
公开(公告)号：CN114035054A
公开(公告)日：2022-02-11
申请号：CN202111359259.1
申请日：2021-11-17
Applicant: 重庆邮电大学
IPC: G01R31/382
Abstract: 本发明属于锂电池SoC估计领域，具体涉及一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法；该方法包括：实时获取待检测的锂电池的电流和电压；将获取的电流和电压输入到神经网络联合估计模型中，得到待检测的锂电池SoC估计结果，本发明利用锂电池电化学模型结合神经网络非线性参数化方法，提高了模型的泛化能力；使用Sage‑Husa估计器与无迹卡尔曼滤波算法结合，提高算法估计精度；通过实时更新模型参数，解决了因环境变化和自身老化造成的锂电池模型准确性降低的问题；与深度学习的估计方法相比，需要的数据量更小，抗噪声的能力更强。
-
公开(公告)号：CN114035054B
公开(公告)日：2024-10-22
申请号：CN202111359259.1
申请日：2021-11-17
Applicant: 重庆邮电大学
IPC: G01R31/382
Abstract: 本发明属于锂电池SoC估计领域，具体涉及一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法；该方法包括：实时获取待检测的锂电池的电流和电压；将获取的电流和电压输入到神经网络联合估计模型中，得到待检测的锂电池SoC估计结果，本发明利用锂电池电化学模型结合神经网络非线性参数化方法，提高了模型的泛化能力；使用Sage‑Husa估计器与无迹卡尔曼滤波算法结合，提高算法估计精度；通过实时更新模型参数，解决了因环境变化和自身老化造成的锂电池模型准确性降低的问题；与深度学习的估计方法相比，需要的数据量更小，抗噪声的能力更强。
-
公开(公告)号：CN112579795A
公开(公告)日：2021-03-30
申请号：CN202011583073.X
申请日：2020-12-28
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/332 , G06F16/33 , G06F40/279 , G06F40/35 , G06N3/04 , G06N5/04
Abstract: 本发明涉及一种基于知识图谱嵌入表示的智能问答方法，属于自然语言处理领域。该方法具体包括：S1：构建知识图谱嵌入表示模型，对知识图谱中三元组的实体E和关系R进行嵌入表示，分别为实体矩阵A和关系矩阵B；S2：利用实体识别技术抽取出输入语句的实体es和关系rs；S3：查询实体es和关系rs对应的向量和S4：向量和与实体矩阵A构建三元组并输入到S1模型中再评分；S5：找出得分最优的向量对应的实体eM即为答案。本发明能够保留原三元组特征的低维度向量，推理出原有知识图谱中不存在的实体，从而提高智能问答系统的准确性和丰富性。
-
公开(公告)号：CN112131406A
公开(公告)日：2020-12-25
申请号：CN202011041999.6
申请日：2020-09-28
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F40/295 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于圆周卷积的知识图谱补全方法，属于自然语言处理领域。该方法包括：S1：对于三元组(ei,rk,ej)随机初始化得到它们对应的向量S2：把三元组按照设定比例分为合理三元组和扰乱三元组；S3：把关系向量 通过一个全连接层处理并重构得到卷积核Wg；S4：利用圆周填充方法，对实体向量 进行填充得到向量 S5：卷积核Wg对处理后的实体向量 进行卷积运算得到特征图M；S6：对特征图M进行处理后点积实体向量 得到分数pi；S7：计算损失函数。本发明简化了实体和关系之间的交互，大大提升了预测效果。
-
-
-
Search Results
4
records
(took 0.018 seconds)
