基于少量数据混插的非线性数据特征提取和分类预测方法技术

本发明专利技术公开了一种基于少量数据混插的非线性数据特征提取和分类预测方法，包括以下步骤：一、对非线性数据产生源采集所需的数据；二、对采集到的原始数据进行标准化处理；三、对采集到的原始数据进行求导；四、对求导后的数据进行标准化处理；五、将两次标准化后的数据进行横向间隔混合插入；六、使用神经网络算法对采集到来自不同产生源的数据进行特征提取并分类。本发明专利技术能够解决现有技术的不足，可以解决非线性数据在变化非常平滑时难以用单一参数进行分类预测的难点，实现采用少量数据并且仅依靠单一参数的情况下，提升神经网络模型对非线数据的特征提取并大大提升分类和预测效果。

【技术实现步骤摘要】
基于少量数据混插的非线性数据特征提取和分类预测方法
本专利技术属于数据处理
，具体是一种基于少量数据混插的非线性数据特征提取和分类预测方法。
技术介绍
对于某些非线性数据进行分类或预测时，往往由于其变化非常平滑难以提取到足够区分的特征，难以训练神经网络，导致其难以使用目前主流的神经网络算法进行分类或预测，而其中锂电池的充电电压数据就是一个典型的例子。锂电池由于结构和电化学特性通常会在充电时展现出一些容量变化的微妙属性，而这种属性要么难以捕获要么需要采集大量的数据进行分析，要么需要电压，电流，或者其他多类型的数据一起采集才能预测电池的SOC或者是电池容量，参见图1，可以看出曲线很密集而且变化很平滑，如果要对其进行使用神经网络进行特征提取非常困难，而且该曲线有时不按顺序移动，给分类预测带来了难处。目前针对锂电池进行SOC预测的技术主要有放电实验法，安时积分法，卡尔曼滤波法，神经网络法，内阻测量法放电实验法耗时长不能在线进行测试，安时积分法依赖电流传感器精度和初始SOC的精确估计，不能确定初始SOC会导致累积误差且易受外部干扰；内阻测量本文档来自技高网...

【技术保护点】
1.一种基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于包括以下步骤：/n一、对非线性数据产生源采集所需的数据；/n二、对采集到的原始数据进行标准化处理；/n三、对采集到的原始数据进行求导；/n四、对求导后的数据进行标准化处理；/n五、将两次标准化后的数据进行横向间隔混合插入；/n六、使用神经网络算法对采集到来自不同产生源的数据进行特征提取并分类。/n

【技术特征摘要】
1.一种基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于包括以下步骤：
一、对非线性数据产生源采集所需的数据；
二、对采集到的原始数据进行标准化处理；
三、对采集到的原始数据进行求导；
四、对求导后的数据进行标准化处理；
五、将两次标准化后的数据进行横向间隔混合插入；
六、使用神经网络算法对采集到来自不同产生源的数据进行特征提取并分类。


2.根据权利要求1所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：所述非线性数据为锂电池充电电压。


3.根据权利要求2所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于包括以下步骤：
A、锂电池进入充电阶段开始进行电压数据采集；
B、当电压的变化范围超过阈值则进行预警，否则继续采集；
C、对采集电压数据进行横向混插处理；
D、对锂电池的SOC及RUL进行预测。


4.如权利要求3所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：步骤C中，对采集电压数据进行横向混插处理包括以下步骤，
C1、将采集来的电压数据求导；
C2、将电压求导数据标准化；
C3、将采集到电压数据标准化；
C4、将标准化后的电压数据横向插入标准化后的电压求导数据中。


5.如权利要求4所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：步骤C1中，




K+1为采样总数据数，v为直接采集到的数据，为电压求导数据。


6.如权利要求5所述的基于少量数据混插的非线性数据特征提取和分类预测方法，其特征在于：步骤C2中，






<...

【专利技术属性】
技术研发人员：刘暾，陈春阳，于天剑，成庶，向超群，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43