[发明专利]一种基于深度卷积神经网络的燃料电池寿命预测方法有效
| 申请号： | 201910260003.1 | 申请日： | 2019-04-02 |
| 公开（公告）号： | CN110059377B | 公开（公告）日： | 2022-07-05 |
| 发明（设计）人： | 张雪霞;高雨璇;陈维荣 | 申请（专利权）人： | 西南交通大学 |
| 主分类号： | G06F30/27 | 分类号： | G06F30/27;G06Q10/04;G06N3/04;G06N3/08;G06F119/04 |
| 代理公司： | 北京中创阳光知识产权代理有限责任公司 11003 | 代理人： | 尹振启 |
| 地址： | 610000*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种基于深度卷积神经网络的燃料电池寿命预测方法，包括对实验测试数据集中原始数据选取特征变量作为模型输入数据；对原始数据进行数据归一化；提取样本数据，进行多批次划分；设置所述燃料电池寿命预测模型的参数，之后进入卷积层计算；当完成一个卷积层的计算后，在进入下一个卷积层之前，对得到的特征映射矩阵作最大值池化处理；经过多层卷积层计算后，进行全局平均池化，并将单个特征的多层特征映射矩阵作全连接运算；根据批次划分经过多轮训练，输出预测结果。本发明能够满足燃料电池寿命预测的需求，预测时间快且预测精度高；能够为燃料电池管理提供高效可靠的燃料电池剩余使用寿命预测参数，提高了管理效率。 | ||
| 搜索关键词： | 一种 基于 深度 卷积 神经网络 燃料电池 寿命 预测 方法 | ||
【主权项】：
1.一种基于深度卷积神经网络的燃料电池寿命预测方法，其特征在于，包括步骤：S100,获取实验测试数据集进行预处理；S200,根据实验测试数据集构建和训练基于深度卷积神经网络的燃料电池寿命预测模型；通过将测试数据输入所述燃料电池寿命预测模型经过训练，输出预测结果；所述燃料电池寿命预测模型的训练和预测过程，包括步骤：S201,对实验测试数据集中原始数据选取特征变量作为模型输入数据；S202,对原始数据进行预处理，进行数据归一化；S203,根据处理后的原始数据提取样本数据，进行多批次划分；S204,设置所述燃料电池寿命预测模型的参数包括卷积核数量、卷积核长度和激活函数，之后进入卷积层计算；S205,当完成一个卷积层的计算后，在进入下一个卷积层之前，对得到的特征映射矩阵作最大值池化处理；S206,经过多层卷积层计算后，进行全局平均池化，并将单个特征的多层特征映射矩阵作全连接运算；S207,根据批次划分经过多轮训练，输出预测结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西南交通大学，未经西南交通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910260003.1/，转载请声明来源钻瓜专利网。
