[发明专利]一种非线性数据的分类预测方法、系统、设备和存储介质

说明书

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。

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；