针对实际应用中基于动态工况下电池状态参数的片段数据进行电池健康状态(state of health,SOH)实时估计的问题,提出基于动态工况下锂离子电池状态参数(电压、电流、温度)实测数据二维特征图像和深度学习的锂离子电池容量估计算法。首先...针对实际应用中基于动态工况下电池状态参数的片段数据进行电池健康状态(state of health,SOH)实时估计的问题,提出基于动态工况下锂离子电池状态参数(电压、电流、温度)实测数据二维特征图像和深度学习的锂离子电池容量估计算法。首先,将动态工况下电池状态参数监测量(电压、电流和温度)的片段数据转化为二维特征图像。其次,提出基于残差卷积神经网络(residual convolutional neural network,Res-CNN)和门控循环单元(gate recurrent unit,GRU)网络结合的多通道深度学习模型Res-CNN-GRU,以构建动态工况下电池状态参数特征图像和SOH之间的复杂非线性关系,其中电压、电流和温度的二维特征图像以三通道的方式输入到Res-CNN-GRU模型中,模型输出为对应电池的相邻参考充放电循环实验所获得容量的差值。研究结果表明:此方法在锂电池随机充放电工况下对电池健康状态估计效果更佳,且Res-CNN-GRU模型的泛化性和全局特征提取能力较强。论文研究为现实工况下电池健康状态估计的进一步深入研究提供了参考。展开更多
【目的】预测不同气候条件下樟子松Pinus sylvestris var. mongolica在中国的潜在分布及迁移,确定影响樟子松分布的主要环境变量,为樟子松合理引种与保护提供理论依据。【方法】根据200个樟子松分布点和20个环境变量,利用R语言中ENMeva...【目的】预测不同气候条件下樟子松Pinus sylvestris var. mongolica在中国的潜在分布及迁移,确定影响樟子松分布的主要环境变量,为樟子松合理引种与保护提供理论依据。【方法】根据200个樟子松分布点和20个环境变量,利用R语言中ENMeval数据包优化最大熵模型(MaxEnt)并利用ArcGIS空间分析技术对当前气候条件下樟子松在中国潜在分布进行模拟,通过Pearson相关分析和方差膨胀因子分析结合预建模结果对环境因子的筛选,综合Jackknife检验和相关系数,分析樟子松主导限制因子,预测樟子松从当前到未来时期(2050s和2100s)的3种气候情景(SSP126、SSP245和SSP585)下适生区变化趋势。【结果】MaxEnt模型受训者工作特征曲线都大于0.94,说明模型精度较高,能较好预测樟子松潜在分布;影响樟子松分布的主导因子为最冷季度平均气温、降水量季节性变化、最冷月最低气温、温度季节变动系数、最干季度平均气温和最热月最高气温,累计贡献率为92.9%;当前气候条件下,樟子松的适宜分布区主要位于中国大兴安岭地区,总适宜区面积占中国总面积的6.72%;未来时期不同气候条件下樟子松潜在分布区面积减少,质心向西北高纬度和西南降水量充沛地区迁移。【结论】以年为单位的温度和降水是樟子松分布的主要影响因子,当前樟子松的适生区主要在中国大兴安岭地区,未来樟子松分布区有向现有分布区的西北和西南地区迁移的趋势。图1表7参29。展开更多
文摘针对黑白电影的上色过程中,自动上色模型只生成一种结果导致上色结果单一、基于参考示例上色方法需要用户指定参考图像、参考图像的高要求会耗费大量人力的问题,提出了一种多阶段的黑白影像智能色彩修复算法(A Multi-Stage Intelligent Color Restoration Algorithm for Black-and-White Movies,MSICRA)。首先,使用VGG19网络将电影分割为多个场景片段;其次,将每个场景片段逐帧切割,将每帧图像的边缘强度和灰度差作为图像清晰度评判指标,筛选出每个场景中清晰度位于[0.95,1]区间的图像;然后,选择筛选出的图像中的第一张,使用不同的渲染因子值进行上色,利用饱和度进行上色效果的评估,选择合适的渲染因子值对筛选出的图像上色;最后,利用上色前和上色后图像之间的均方误差选择上色质量较好的图像作为该场景片段上色的参考图像。实验结果表明,所提算法在黑白电影《雷锋》和《永不消逝的电波》的PSNR上分别提高了1.32%和2.15%,SSIM分别提高了1.84%和1.04%。该算法不仅可以实现全自动上色,而且颜色真实,符合人们的认知。
文摘【目的】预测不同气候条件下樟子松Pinus sylvestris var. mongolica在中国的潜在分布及迁移,确定影响樟子松分布的主要环境变量,为樟子松合理引种与保护提供理论依据。【方法】根据200个樟子松分布点和20个环境变量,利用R语言中ENMeval数据包优化最大熵模型(MaxEnt)并利用ArcGIS空间分析技术对当前气候条件下樟子松在中国潜在分布进行模拟,通过Pearson相关分析和方差膨胀因子分析结合预建模结果对环境因子的筛选,综合Jackknife检验和相关系数,分析樟子松主导限制因子,预测樟子松从当前到未来时期(2050s和2100s)的3种气候情景(SSP126、SSP245和SSP585)下适生区变化趋势。【结果】MaxEnt模型受训者工作特征曲线都大于0.94,说明模型精度较高,能较好预测樟子松潜在分布;影响樟子松分布的主导因子为最冷季度平均气温、降水量季节性变化、最冷月最低气温、温度季节变动系数、最干季度平均气温和最热月最高气温,累计贡献率为92.9%;当前气候条件下,樟子松的适宜分布区主要位于中国大兴安岭地区,总适宜区面积占中国总面积的6.72%;未来时期不同气候条件下樟子松潜在分布区面积减少,质心向西北高纬度和西南降水量充沛地区迁移。【结论】以年为单位的温度和降水是樟子松分布的主要影响因子,当前樟子松的适生区主要在中国大兴安岭地区,未来樟子松分布区有向现有分布区的西北和西南地区迁移的趋势。图1表7参29。
