2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩63頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、混合動力汽車(Hybrid-Electric Vehicle,簡稱HEV)在減少尾氣排放、降低能源消耗等方面起到了日益重要的作用,然而生產(chǎn)成本高、使用壽命短的動力電池組卻成為HEV大規(guī)模應用的瓶頸,其中關鍵障礙就在于對電池荷電狀態(tài)(State of Charge,簡稱SOC)的準確估計。
   電池SOC在充放電過程中表現(xiàn)出來的強烈非線性特征使人工神經(jīng)網(wǎng)絡技術在SOC估計領域得到了廣泛應用。本論文在現(xiàn)有技術文獻的基礎上,針對一般

2、神經(jīng)網(wǎng)絡模型需要長時間訓練的問題,首次將收斂速率快、局部泛化能力強的小腦模型關節(jié)控制器(Cerebella ModelArticulation Controller,簡稱CMAC)引入到鎳氫電池SOC的估計中。測試結果表明,與BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network,簡稱BPNN)模型相比,CMAC估計SOC模型在訓練所需時間方面具有突出優(yōu)勢,但輸出誤差卻明顯增大。
   為了有效改善CMAC

3、神經(jīng)網(wǎng)絡模型的性能,本論文深入分析了接受域函數(shù)標準差和泛化參數(shù)對單樣本測試誤差的影響,發(fā)現(xiàn)固定參數(shù)形式的CMAC模型在目標輸出的不同變化率區(qū)間上有著截然不同的輸出誤差。因此,以能夠實時調整標準差或泛化參數(shù)為目的,本論文提出了對CMAC結構改動量小、易于軟件實現(xiàn)的可變接受域小腦模型神經(jīng)網(wǎng)絡(Parametric Receptive-function CMAC,簡稱PRCAMC)結構,并改進了權值更新算法。實驗表明在目標輸出的各個階段,PR

4、CMAC輸出誤差始終保持在較低狀態(tài),克服了傳統(tǒng)CMAC網(wǎng)絡輸出精確度低的缺點。
   最后,以動態(tài)高斯接受域函數(shù)為基礎,本論文建立了PRCMAC神經(jīng)網(wǎng)絡估計鎳氫電池SOC模型,并利用ADVISOR整車仿真軟件產(chǎn)生的HEV鎳氫動力電池組放電樣本數(shù)據(jù),在Visual Studio平臺上對PRCMAC網(wǎng)絡估算模型進行反復測試,以確定出最佳內(nèi)部參數(shù)。
   實驗結果表明,PRCMAC模型具有快速收斂、高精確度等特點,在相同時間內(nèi)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論