本發明公開了一種小樣本條件下融合先驗知識的LSTM神經網絡預測方法。本發明采用將先驗知識融入到LSTM神經網絡的訓練過程中,通過增加懲罰函數項將約束優化問題轉化為無約束優化問題,以數學表達形式加入到LSTM神經網絡的目標函數中,實現了準確的評估建模,提高了小樣本情況下的建模精度。由于該神經網絡通過設計各種“門”結構進行模型訓練,因此相比較于傳統神經網絡不存在梯度消失和梯度爆炸問題。本發明特別適用于小樣本條件下長短期記憶神經網絡對鋰電池剩余壽命進行預測和數據分析。經實驗驗證,該方法可以有效解決小樣本建模精度的問題,在鋰電池數據集樣本中,平均準確率可達到97.52%以上。
聲明:
“小樣本條件下融合先驗知識的LSTM神經網絡預測方法” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究,如用于商業用途,請聯系該技術所有人。
我是此專利(論文)的發明人(作者)