关键词： 毁伤效应预测   数据处理   混合密度网络   贝叶斯优化   特征优选  

摘要： 随着机器学习技术的发展和毁伤效应数据的充实完善，支持向量机、随机森林、神经网络等机器学习方法由于能够从大量毁伤数据中建立精度高、适用性强的连续毁伤谱，在毁伤效应预测中得到了广泛应用。但是，在使用机器学习方法开展毁伤效应预测时，还存在两个难点问题:1）受复杂战场环境和武器性能差异的影响，毁伤效应预测结果往往具有一定的不确定性，常见的机器学习方法难以量化这种不确定性;2）针对大量的“武器-目标”组合，常规方法难以快速地根据毁伤效应数据，选择合适的算法及其超参数构建相应毁伤效应模型。　　针对上述问题，本文开展的主要工作如下:　　1）针对现有机器学习模型难以量化效应预测目标函数的不确定性，无法适应效应预测结果中存在的多峰分布情况，提出了一种基于改进混合密度神经网络的毁伤效应预测方法。该方法能够根据效应数据进行建模，通过改进混合密度网络，生成可以量化效应预测目标函数不确定性的概率密度函数，并根据给定置信水平，通过所得密度函数得到相应置信区间。改进混合密度网络采用鲁棒性更好的T分布作为混合分量，解决了基于高斯核的混合密度网络鲁棒性较差的问题，并对T分布做截断处理以防止密度泄露。仿真实验表明，基于T分布的改进混合密度网络生成的密度函数较基于高斯核的同类方法有更好的鲁棒性，可以较为准确地拟合蒙特卡洛仿真结果，能够量化目标函数的不确定性;较之其他基于机器学习的毁伤效应预测方法，可以为概率性决策提供有效支撑。　　2）针对毁伤效应预测过程中的算法选择及超参数优化问题，提出了一种基于特征优选和连续折半贝叶斯优化（SHBO）的毁伤效应预测方法。该方法采用交叉递归特征消除（REFCV）进行特征优选，提取高维数据中的关键特征,并利用SHBO根据算法评估指标进行优选得到候选算法集，使用基于TPE的贝叶斯优化方法优化相应候选算法的超参数，最后经训练获得优选模型。仿真实验表明，REFCV可以剔除冗余特征，消除与目标无关特征的干扰，降低数据维度，加快后续算法优选和超参数优化的速度;SHBO可以根据毁伤数据的实际情况快速选择合适算法得到候选算法集，并通过基于TPE的贝叶斯优化方法有效优化相应超参数。相较于常见优化算法，本文所提方法在准确性和效率方面具有一定优势。

关键词： 无人船   多源数据融合   环境感知   数据处理  

摘要： 随着计算机技术的不断发展,使得智能技术在船舶领域得到了极大的应用,无人船技术成为了船舶领域智能技术的一个重要发展方向。虽然国内无人船技术发展迅速,但其在实际应用上却没有无人车、无人机那样广泛。造成这种现象的主要原因之一就是无人船工作的海上环境比陆地环境和空中环境更加复杂,无人船对环境感知要求更高。本文针对无人船需要更高环境感知能力这一需求,提出了一种使用多源数据融合技术来加强无人船环境感知的方法。 本文主要研究内容包括如下几个方面: (1)查阅国内外数据融合技术和环境感知技术在无人船领域的应用,对其研究现状进行归纳总结,以电子海图、雷达图像、AIS数据等多源数据融合为基础进行无人船环境感知技术研究。 (2)分析无人船各种环境感知设备和环境感知数据的结构和特点,并据此分析无人船多源数据融合的可行性,并以分布式数据融合结构为基础进行多源数据融合的设计。 (3)根据各种无人船环境感知数据的结构对多源数据进行解析、提取和预处理,并将处理后的数据进行自定义XML格式输出与存储,为后续数据融合提供便利。 (4)对电子海图和雷达图像进行叠加显示研究,在此基础上设计了一种基于Hausdorff距离的目标轮廓匹配和匹配目标的加权融合方法,分析影响电子海图与雷达图像数据融合权重的因素,对融合结果进行分析和总结,验证融合方法的可行性。 (5)对雷达目标数据和AIS目标数据进行基于Kalman滤波的目标位置融合,并对融合结果进行分析和总结证明融合方法的有效性。

关键词： 磁弹性传感器   Android   BLE通信   数据处理   MPAndroidChart框架   系统测  

摘要： 当前,经济发展的越来越快、越来越迅猛,人们对身体健康的关注程度也越来越高,而肝脏疾病患者近年来也逐步增多,患病率年年居高不下,我国也成为了肝脏疾病人数最多的国家之一。α2-巨球蛋日(alpha-2-Macroglobulin,α2-M)作为血浆中分子量最大的蛋白质,测定待测患者体内的α2-M含量的高低水平,对于了解肝脏功能以及研究肝脏疾病的病理特征都有着十分重要的作用。针对此研究背景设计的便携式磁弹性传感器检测系统,能快速有效的测量相关待测生物样本中生物因子的变化情况,同时该系统着重改进优化其便携式的特点,解决了以往大型设备笨重、效率不高的特点,有效的提高了工作人员的效率问题。通过对国内外磁弹性传感器器件的调查和对现有较为先进的磁弹性传感器检测系统的深入考察,经过细致且全面的可行性分析和需求分析,基于课题组设计开发的磁弹性传感器检测装置,通过Android Studio开发平台和MPAndroid Chart框架,采用C/S架构,用Java语言设计开发了这套新型的便携式磁弹性传感器检测系统,着重论述了便携式磁弹性传感器检测系统的软件设计过程,具体包括如下内容:首先简单叙述系统实现的硬件基础,以及下位机系统接收到的,且是软件部分实验需要的数据以及处理过程,然后开始重点论述该系统的上位机部分。首先是对初始化模块进行设计,该模块主要包括UI界面设计和与My SQL数据库连接,详细介绍了该模块的设计过程以及完成的设计界面。随后对较为重要的蓝牙通信模块进行详细分析,首先确定该模块的通信协议,这是能否进行数据交互的保证,然后在该协议的基础上进行软件设计,详细论述设计过程,最后证明设计正确,可以进行连接和通信。再对数据处理模块和数据存储模块进行详细设计,采用的是MPAndroid Chart框架进行数据处理,数据是存储在关系型数据库My SQL中。最后对一些非重要的模块进行了简单的叙述,包括参数自定义设置等。此外,为提高实验测量的准确度,下位机部分采用多种滤波算法如平均值滤波、中位值滤波和一阶滤波等算法等,对数据进行处理后再存储在单片机存储器中。上位机的数据处理部分采用MPAndroid Chart数据处理模型,极大提高了结果的美观度。除此之外,针对Android系统可能出现的恶意软件APP的攻击等情况,设计基于粒子群优化算法的恶意应用检测模型,排除该种情况对实验的影响。最后基于实验研究结果,对实验结果进行系统测试,对系统的功能性和非功能性需求都进行了系统化的测试。测试结果证明,该系统结构设计合理正确,可以完成实验要求,具有携带方便、成本低、实验精度高以及抗干扰能力强等优点,可以适应需求多变的项目需求,能够及时、准确的进行数据测量工作,实用性较高。

关键词： 配电网   故障排查   拓扑识别   智能电表   数据处理  

摘要： 随着经济的快速发展，用电需求不断增加。为满足用电需求，配电网频繁的改造，升级，导致拓扑结构经常变动。而配电网的自动化水平较低，传统人工排查拓扑结构的方法,效率低，准确率不高。电网公司缺少准确的拓扑信息，难以开展故障排查、三相不平衡治理、线损分析等工作，无法保证供电可靠性。因此，亟需寻找一种快速、准确的配电网拓扑识别方法。　　在用电信息采集系统和智能电表的大规模应用的基础上，论文利用智能电表数据进行拓扑识别。首先，论文分析了国内外研究现状，并确定从低压台区和配电网两个方面开展拓扑识别的研究。其次，考虑智能电表数据来源，论文分析智能电表数据特征，并对高速宽带电力线载波(HighSpeedBroadbandPowerLineCarrier,HPLC)信道进行分析与建模,结果表明，HPLC通信环境差、易受干扰，智能电表数据难免会出现异常或缺失等问题，使用前需要进行预处理。然后，针对低压台区拓扑不准确的问题，基于同一线路下节点电压波动的相似性，论文采用基于t-SNE和改进K-means的低压台区拓扑识别方法，使用t-SNE算法对原始数据进行降维，并对K-means算法初始聚类中心的选择进行了改进，利用改进K-means算法对低维特征进行聚类分析，识别出拓扑结构。最后，针对配电网拓扑不准确的问题，基于配电网拓扑结构的有限性，将拓扑识别转化为机器学习多分类问题，论文采用基于互信息和卷积神经网络(ConvolutionalNeuralNetwork,CNN)的配电网拓扑识别方法，通过互信息选择出特征子集，利用特征子集对模型进训练，模型根据输入自动推断用于拓扑识别的规则。　　为验证所提方法的准确性，首先，使用实际低压台区智能电表数据，对基于t-SNE和改进K-means的低压台区拓扑识别方法进行测试验证，与其他方法相比，准确率高。然后,在IEEE33节点和PG&E69节点配电系统上对基于互信息和CNN的配电网拓扑识别方法进行测试验证，并与其他方法进行对比，结果表明CNN的准确率比其他方法高1.5％以上，具有较高的识别准确率。

关键词： CVSLAM   数据压缩   算术编码   最小生成树编码   地图稀疏化  

摘要： 协同视觉同步定位与建图(CVSLAM)技术是实现多机器人自主定位和环境感知的手段,成为近年来的研究热点。多机协同较之单机工作具有更好的实时性、鲁棒性、并且能够降低个体带载能力,在时间、精度、建图效果等方面均有提升,克服了单机作业时数据丢失以及信息量过大的缺点。在多机协同作业中,机器人之间的数据传输是其工作的重中之重,而在实际应用中,数据共享往往受到通信带宽的影响,所以研究高效的数据处理方法成为至关重要的环节。在CVSLAM过程中,为了提高协同建图效率,机器人个体之间必须进行信息交互和共享,而在进行信息交互和共享时需要考虑资源受限问题,因此,在资源受限下通过高效数据处理方法实现数据共享是机器人协同建图时必须要考虑的基础问题,而数据压缩方法能够有效提高数据处理能力。目前的数据压缩技术多数受到视频压缩技术中基于每一帧图像之间压缩的启发,并在其基础上进行研究拓展。传统的数据压缩方法依靠压缩视频的技术对CVSLAM个体所采集到的数据进行压缩处理,压缩数据量、降低系统运行时间,进而提升CVSLAM的高效性与实时性。近年来,随着CVSLAM系统的长足发展,基于数据编码以及地图稀疏化的数据压缩技术被认为优于传统基于视频压缩技术的方法。基于数据编码以及地图稀疏化的方法在解决数据冗余的问题上,能够避免传统方法易受数据采集结果以及环境因素干扰的缺点。本文在基于ORB-SLAM2的中心式协同CVSLAM框架下研究高效数据处理方法,研究工作如下:首先,针对CVSLAM中个体直接传输全部图像信息给中心站,存在数据量大、无法满足实时运行需求的问题,研究传输图像特征信息的高效数据传输方法。本文以图像压缩技术和编码理论为基础,研究了对图像的特征信息进行算术二进制编码的高效数据传输方法。该方法考虑基于ORB-SLAM2的集中式系统架构,其中处理能力有限的个体机器人提取二进制特征,并通过网络将压缩后的信息发送给信息处理能力更强大的中心站,中心站能够并行运行多个SLAM进程,利用来自其他个体的信息,建图的同时检测区域之间的重叠并进行随后的地图合并。使用算术二进制编码对机器个体采集的图像特征信息进行编码处理,以降低数据传输量、提高数据传输速度。在实验中,使用公开数据集KITTI00、KITTI07序列对数据压缩算法进行对比,实验结果表明所提出方法在保证定位和建图精度的前提下,可有效降低待传输的数据量,提高个体与中心站之间的数据传输效率。然后,为了提高中心式CVSLAM的个体机动能力,降低对中心站的依赖,研究了个体完成局部地图,中心服务站完成地图融合和处理框架下的高效数据方法。本文对地图点信息进行分析,利用地图点信息可以直观反映空间信息、且比特征点更加稀疏的特点,结合最小生成树理论,研究了基于最小生成树编码的地图点压缩编码方法。该方法对视觉信息进行特征编码,有效地压缩地图,使用最小生成树来连接作为单个地图点观测的所有特征。在KITTI和Eu Ro C数据集部分序列上的实验结果表明,所采用的方法减少了原始地图的数据量,同时降低了建图时间。最后,针对基于特征点的数据压缩和基于地图点的数据压缩方法都没有考虑数据本身存在冗余性的问题,故从地图点稀疏化的角度进一步研究有效降低数据传输的方法。该方法在地图点稀疏化过程中考虑最大地图点连通性、最大化空间多样性和最大化基线长度,在保证关键信息不丢失的前提下进一步降低需要传输的数据量。所采用的方法在保持建图过程中的位姿精度的同时,降低了数据量,并不影响整体建图效果,有效提高了中心式CVSLAM系统的实时运行能力和个体机动性。本文所采用的中心式多机协同定位与建图方法有效提高了多机协同作业时的高效性、实时性。通过对图像特征进行算术编码处理显著降低了信息的数据量,对地图点采用最小生成树编码良好的减小了个体的信息负担,并且引入的基于地图稀疏化的数据压缩方法降低了原始信息的冗余性。实验结果表明在不影响整体建图效果的前提下,所采用的方法明显降低了CVSLAM系统中数据传输过程中的数据量,同时缩短了数据传输时间。

关键词： 知识图谱   药品推荐   数据处理   疾病问诊   系统构建  

摘要： 随着社会的进步与发展,互联网+的快速发展,药品推荐系统层出不穷,而药品推荐系统的核心则是针对于药品信息的数据处理与分类。因现阶段针对国内药物并没有权威可用且契合的公开数据集,所以各种推荐系统所使用的数据均存在数据缺失的问题,且现存的各类数据文本分类算法又存在特征提取不准确、模型泛华能力弱等问题。而针对此种问题,本文的研究工作与创新点如下。(1)数据的收集和处理:针对数据缺失问题,利用python语言编写爬虫脚本越过各大医药网站的反爬机制对其药品的半结构化数据(包括药品本身的详细介绍以及销量信息和评价)进行爬取,然后使用jieba分词工具以及CNN网络对其进行中文分词的去除。而药品的销量信息与评价信息则需要单独整理以供后续推荐时进行比对使用。(2)知识图谱的构建:针对特征提取不准确、模型泛华能力弱等问题提出了Attention-BiLstm-BiGRU模型,并在神经元个数、维度、批次等分别对它测试优化,已达到在本数据集上有最优效果;它由注意力机制、双向门控和双向长短时网络组成。该模型首先通过双向LSTM和双向GRU分别对文本序列进行建模,以捕捉文本中的上下文特征,采用双向是因为能够同时考虑文本序列的前后文信息,然后将LSTM和GRU的输出进行拼接;然后使用注意力机制对提取到的特征进行加权,以便将重要的特征突出显示。在第一阶段整理好的药品数据集上与BiLstm、BiGRU以及注意力机制进行对比后,分别有2%、13%、8%的提升,验证了模型的有效性。(3)药品推荐系统的设计和实现:综合以上几点,设计并实现了基于智能问答的推荐系统。该系统使用基于skip-gram模型编写推荐算法,对用户输入的问题从图数据库中选择准确的信息进行推荐,满足用户的需求。用户输入的症状越多,推荐的药品也会越准确,并在推荐之前会与销量表对比确保推荐最适合症状的建议药品供用户选择。这个系统的核心功能包括存储、获取数据、智能回答问题、展示疾病药品知识和推荐药品。通过这个系统,我们可以将医疗诊断和药品信息整合起来,相比现在只提供药品购买服务的平台有了更大的进步,能够帮助用户解决购药难的问题,非常实用。

关键词： 建筑点云处理   逆向设计   生成对抗网络   图滤波器   智能建造  

摘要： 人工智能、物联网技术的进步推动了工程建造工业化、智能化及绿色化的进程。点云数据是描述建筑信息模型的常用格式,广泛应用于工程质量检测和逆向建模。但是,空间遮挡、约束问题常导致建筑点云数据缺失,且建筑点云数据体积过于庞大给储存与应用带来了挑战。因此原始的点云数据难以直接使用,需开发建筑点云轻量化、数据补全等信号处理关键技术。除此之外,作为点云数据的增值应用,建筑室内平面设计受到人们的密切关注。但现有研究仅限于单一风格的室内平面生成,缺少能更好帮助客户智能生成设计方案的多风格的设计方法。因此,本文针对建筑点云处理与深化应用中的三个问题分别进行研究:一、面向建筑点云的轻量化算法研究;二、面向建筑点云的缺失补全研究;三、智能平面室内多风格生成研究。具体内容如下:(1)针对建筑点云数据轻量化问题,研究了图滤波器算法和自适应采样率算法,通过高通图滤波对点特征进行处理后,使用FRPCG算法对点进行自适应采样率计算,最后设定可调的采样率阈值实现点云轻量化。在以上轻量化过程前,根据点的位置分解出不同数据集,通过分布式计算以减少计算消耗。(2)针对建筑点云的缺失补全问题,由于建筑点云数据量常常过于庞大不便直接作为补全模型的输入,需先对建筑点云进行轻量化。进而,研究基于Transformer框架的Point Tr深度学习模型进行点云特征补全。实验对比了随机下采样与基于图滤波器的轻量化算法处理后补全的结果,进一步验证了基于图滤波器的轻量化的效果。(3)针对智能室内平面风格生成问题,提出了基于双模型-编码结构的多风格的室内平面设计方法。其中,双模型均采用基于条件生成对抗网络的Pix2Pix/Pix2Pix HD模型作为室内平面设计生成器。两个模型分别负责从平面户型草图生成室内布局标签图、从室内布局标签图生成室内平面多风格设计方案。为了进一步提升生成室内平面风格的效果,我们设计了一个对标签图的规范化算法流程,并在规范室内布局标签图时调整标签编码以生成室内平面多风格设计方案。实验效果表明生成效果符合预期。

关键词： 集装箱船试箱   模拟试箱   货舱精度检测   三维点云  

摘要： 建造集装箱船所面临的挑战主要在于全船的精度控制,尤其是集装箱船货舱的精度控制。在集装箱船投入运营前,传统的试箱作业是使用实际集装箱对箱位尺寸和位置进行精度检验,但该方式需要消耗大量时间和资源,已不能满足智能化造船的需求。随着激光测距技术和三维点云处理算法的快速发展,集装箱船试箱作业可以采用更加高效和精确的测量方式。这种方式有助于提高船舶制造过程中的工作效率,减少人力和资源消耗,降低船舶制造成本。然而,针对货舱大场景点云数据的采集、处理和提取导轨等关键数据的工作存在较大困难,这对本研究的创新发展带来了巨大阻碍。针对上述难点,本文提出了一种利用三维激光扫描仪在集装箱货舱内获取大场景点云数据的流程框架,并且实现了提取导轨、底座等关键数据的算法。因此,本文做出了如下工作: (1)本文提出了针对货舱点云数据的采集流程框架,包括现场准备、站点布置、标靶球布置、货舱内部扫描、多站位点云数据拼接等步骤。 (2)本文针对集装箱货舱内导轨点云和底座点云的特点进行了深入分析,明确了点云预处理的需求,即保证预处理后的点云尽可能不丢失关键信息的同时,改善点云质量、减少点云数量规模等,以确保后续处理算法的精度和效率。此外,本文针对集装箱船试箱作业要求,对点云进行了预分割处理,以确保点云处理的针对性和高效性。上述工作为后续提取和分割处理关键数据奠定了可靠的基础。 (3)本文针对货舱场景下的试箱作业流程,提出了四个点云研究内容,其主要关注导轨和底座点云数据的提取、拟合和分析。这些内容包括导轨点云的高精度分割研究、导轨点云的平面拟合研究、底座点云的提取和分割研究以及底锥点云的边缘轮廓拟合研究。本文通过采用或改进现有算法解决了上述问题,并提出了解决上述问题的完整算法流程。其中,本文基于遗传算法进行了底锥边缘轮廓的拟合研究,解决了底锥点云中心点难以采集和边缘轮廓难以确定的问题。最后,本文将算法提取的数据与实测或理论数据进行了对比,结果表明误差均在一定范围内,验证了数据采集流程的合理性和算法处理的准确性。

关键词： 建图技术   视觉同步定位   数据压缩   最小生成树编码   地图稀疏化  

摘要： 协同视觉同步定位与建图(CVSLAM)技术是实现多机器人自主定位和环境感知的手段，成为近年来的研究热点。多机协同较之单机工作具有更好的实时性、鲁棒性、并且能够降低个体带载能力，在时间、精度、建图效果等方面均有提升，克服了单机作业时数据丢失以及信息量过大的缺点。在多机协同作业中，机器人之间的数据传输是其工作的重中之重，而在实际应用中，数据共享往往受到通信带宽的影响，所以研究高效的数据处理方法成为至关重要的环节。　　在CVSLAM过程中，为了提高协同建图效率，机器人个体之间必须进行信息交互和共享，而在进行信息交互和共享时需要考虑资源受限问题，因此，在资源受限下通过高效数据处理方法实现数据共享是机器人协同建图时必须要考虑的基础问题，而数据压缩方法能够有效提高数据处理能力。目前的数据压缩技术多数受到视频压缩技术中基于每一帧图像之间压缩的启发，并在其基础上进行研究拓展。传统的数据压缩方法依靠压缩视频的技术对CVSLAM个体所采集到的数据进行压缩处理，压缩数据量、降低系统运行时间，进而提升CVSLAM的高效性与实时性。近年来，随着CVSLAM系统的长足发展，基于数据编码以及地图稀疏化的数据压缩技术被认为优于传统基于视频压缩技术的方法。基于数据编码以及地图稀疏化的方法在解决数据冗余的问题上，能够避免传统方法易受数据采集结果以及环境因素干扰的缺点。本文在基于ORB-SLAM2的中心式协同CVSLAM框架下研究高效数据处理方法，研究工作如下：　　首先，针对CVSLAM中个体直接传输全部图像信息给中心站，存在数据量大、无法满足实时运行需求的问题，研究传输图像特征信息的高效数据传输方法。本文以图像压缩技术和编码理论为基础，研究了对图像的特征信息进行算术二进制编码的高效数据传输方法。该方法考虑基于ORB-SLAM2的集中式系统架构，其中处理能力有限的个体机器人提取二进制特征，并通过网络将压缩后的信息发送给信息处理能力更强大的中心站，中心站能够并行运行多个SLAM进程，利用来自其他个体的信息，建图的同时检测区域之间的重叠并进行随后的地图合并。使用算术二进制编码对机器个体采集的图像特征信息进行编码处理，以降低数据传输量、提高数据传输速度。在实验中，使用公开数据集KITTI00、KITTI07序列对数据压缩算法进行对比，实验结果表明所提出方法在保证定位和建图精度的前提下，可有效降低待传输的数据量，提高个体与中心站之间的数据传输效率。　　然后，为了提高中心式CVSLAM的个体机动能力，降低对中心站的依赖，研究了个体完成局部地图，中心服务站完成地图融合和处理框架下的高效数据方法。本文对地图点信息进行分析，利用地图点信息可以直观反映空间信息、且比特征点更加稀疏的特点，结合最小生成树理论，研究了基于最小生成树编码的地图点压缩编码方法。该方法对视觉信息进行特征编码，有效地压缩地图，使用最小生成树来连接作为单个地图点观测的所有特征。在KITTI和EuRoC数据集部分序列上的实验结果表明，所采用的方法减少了原始地图的数据量，同时降低了建图时间。　　最后，针对基于特征点的数据压缩和基于地图点的数据压缩方法都没有考虑数据本身存在冗余性的问题，故从地图点稀疏化的角度进一步研究有效降低数据传输的方法。该方法在地图点稀疏化过程中考虑最大地图点连通性、最大化空间多样性和最大化基线长度，在保证关键信息不丢失的前提下进一步降低需要传输的数据量。所采用的方法在保持建图过程中的位姿精度的同时，降低了数据量，并不影响整体建图效果，有效提高了中心式CVSLAM系统的实时运行能力和个体机动性。　　本文所采用的中心式多机协同定位与建图方法有效提高了多机协同作业时的高效性、实时性。通过对图像特征进行算术编码处理显著降低了信息的数据量，对地图点采用最小生成树编码良好的减小了个体的信息负担，并且引入的基于地图稀疏化的数据压缩方法降低了原始信息的冗余性。实验结果表明在不影响整体建图效果的前提下，所采用的方法明显降低了CVSLAM系统中数据传输过程中的数据量，同时缩短了数据传输时间。

关键词： 锂离子电池   健康状态   电池容量恢复现象   神经网络  

摘要： 全球经济的高速发展引发了一定程度的能源危机以及环境污染等问题,为缓解这些矛盾新能源电动汽车受到人们的青睐成为主要发展方向。锂离子电池被广泛用作电动汽车的动力源,其健康状态(State of Health,SOH)对于电动汽车正常运行时的安全和稳定具有重要意义。针对传统SOH估算方法无法准确估算恢复容量、特征有效性差、估算精度欠缺等问题,本文提出一种虑及电池容量恢复现象的锂离子电池SOH估算模型。首先,本文阐述了锂离子电池的工作原理和充放电特性,介绍了可以表征电池性能的参数,并从电池内外两个角度讨论了影响电池SOH衰退的因素。接下来讨论了电池的容量恢复现象及容量衰减,并提出将容量分解为平滑分量和波动分量。之后对电池容量衰减表征参数展开分析,同时提出了一种将中值绝对偏差(Median Absolute Deviation,MAD)滤波和Savitzky-Golay(SG)滤波结合的滤波方法来处理数据,以此来提高特征的有效性。然后基于充电阶段电压、电流和温度的老化规律提出6个特征,并将其分解为分别与平滑分量、波动分量具有高相关性的特征,特征分解之后可以去除无效信息,并减少数据冗余和模型计算量。其次,提出一种神经网络组合模型。构建了基于改进的麻雀搜索算法和Elman神经网络(Sparrow Search Algorithm-Elman,SSA-Elman)的估算模型来实现平滑分量的估算,此外,在模型中加入了数据增量更新机制(Incremental Updating Mechanism,IUM),提升了Elman的收敛精度与泛化能力。同时,构建了一种将注意力机制和Bi LSTM神经网络(Attention-Bi LSTM,ABi LSTM)结合的估算模型来实现波动分量的估算,为防止过拟合,在模型中引入了Dropout层和L2正则化。接下来,基于NASA和CALCE电池数据集进行了3组仿真实验来验证所提出模型的性能。结果表明,所提出的方法能够准确估计SOH,均方根误差(Root Mean Square Error,RMSE)低至0.0054,平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)低至0.47%,与模型直接估算SOH相比,所提出的方法取得了更好的结果。最后,在自主搭建的实验平台上验证了所提出模型的估算性能,SOH估算误差总体保持在0.015Ah以内,最大误差不超过0.0226Ah,结果证明本文提出的方法能够实现准确的SOH估算,具有较高的实用价值。