研究模型验证中的公平性问题,全面定义了包括进程层面(process-level)的强/弱公平、事件层面(eventlevel)的强/弱公平以及全局强公平性(strong global fairness)等,把这些公平性条件集成进了一个模型验证工具PAT.该工具支持以on-the-fl...
详细信息
研究模型验证中的公平性问题,全面定义了包括进程层面(process-level)的强/弱公平、事件层面(eventlevel)的强/弱公平以及全局强公平性(strong global fairness)等,把这些公平性条件集成进了一个模型验证工具PAT.该工具支持以on-the-fly的方式对线性时序逻辑性质进行验证.通过对多个基准模型进行实验,该工具在基于公平条件的模型验证中表现出良好的性能.
为保障电动车辆的可靠性和安全性,提出了一种dropout Monte Carlo(dropout-MC)递归神经网络的锂离子动力电池系统的剩余寿命(RUL)预测方法。以等电压充电时间间隔作为间接健康因子,考虑外部干扰和容量再生现象的影响,以变分模态分解(VMD...
详细信息
为保障电动车辆的可靠性和安全性,提出了一种dropout Monte Carlo(dropout-MC)递归神经网络的锂离子动力电池系统的剩余寿命(RUL)预测方法。以等电压充电时间间隔作为间接健康因子,考虑外部干扰和容量再生现象的影响,以变分模态分解(VMD)来获得电池退化趋势。以改进的递归神经网络模型——长短时间序列(LSTM)来获得剩余寿命预测。以dropout-MC采样方法来表征锂离子电池剩余寿命的不确定性,并获得锂离子电池RUL的95%置信区间。结果表明:相较于传统的极限学习机(ELM)方法和非线性自回归神经网络(NARX)方法,该文方法的剩余寿命预测性能指标均低于2.4%。因而,该方法具有优越的预测性能,且获得预测的置信区间。
暂无评论