基于SSA-BPNN的锂离子电池SOH估算

锂离子电池已被广泛应用于储能系统与电动汽车中,精确地估算锂离子电池健康状态SOH(state-of-health)是保证系统安全可靠运行的必要条件。从容量的角度分析SOH,在恒流-恒压CC-CV(constant current-constant voltage)充电电压和温度曲线中提取了7个健康特征HI(health indicator)作为输入,基于数据驱动法提出了麻雀搜索算法-反向传播神经网络SSA-BPNN(sparrow search algorithm-back propagation neural network)的锂离子电池SOH估算方法,并应用数据增强进一步提高模型的鲁棒性,最终在NASA锂离子电池随机使用数据集上进行验证。通过与未采取数据增强的传统BP神经网络相比,获得SOH估算精度有明显提升,测试集SOH估算的最大绝对误差和均方根误差分别小于3%和1.32%,实验结果表明该方法兼顾误差小,收敛快,全局搜索能力且能够适应电池老化差异特性。

一种基于小波变换的图像融合新方法

图像融合是多传感器信息融合在图像处理领域的一个重要应用,以小波变换为工具是这一领域研究方法上的重大突破。在小波变换的基础上,对基于区域的融合算法进行了深入研究,提出了一种多光谱图像融合的新算法,并与其它几种算法进行了比较,仿真结果表明该算法简单,稳定性好,图像增强效果好,在图像增强中是一种比较可取的有效算法。