为解决机载锂电池失效识别等样本不平衡的应用场景下，支持向量机（Support Vector Machine，SVM）算法分离超平面偏移问题，提出分段惩罚参数支持向量机(Segmented Penalty Parameters Support Vector Machine， SPP-SVM)算法，在训练...
详细信息
为解决机载锂电池失效识别等样本不平衡的应用场景下，支持向量机（Support Vector Machine，SVM）算法分离超平面偏移问题，提出分段惩罚参数支持向量机(Segmented Penalty Parameters Support Vector Machine， SPP-SVM)算法，在训练过程中将样本分段，根据各段内样本的识别误差建立表达式，实现全部样本惩罚参数的自适应调整，从而抑制超平面偏移；通过容量增量分析和相关性分析等方法从锂电池充电数据中提取并筛选特征，进而基于SPP-SVM算法建立锂电池失效识别模型。以NASA锂电池数据集和加州大学欧文分校（University of California Irvine，UCI）数据集为对象，对SPP-SVM和结合寻优算法的SVM算法开展性能比较研究，结果表明：SPP-SVM算法识别性能更好，在不平衡程度较大的锂电池数据上，查全率和查准率的调和平均值提升了11.7%；较主流借助寻优算法的方式显著提升了训练速度，在各个数据集上耗时均降低10倍以上；证明SPP-SVM算法能够有效抑制样本不平衡引起的分离超平面偏移，提升识别效果。
暂无评论