《表3 不同温度模拟条件：基于特征处理与径向基神经网络的锂电池剩余容量估算方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于特征处理与径向基神经网络的锂电池剩余容量估算方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为提高网络的学习速度及预测精度，将降维后的特征向量进行归一化处理之后作为RBF神经网络的输入值，模型输出为所估算的放电容量。在数据驱动方法的实现过程中，多采用60%数据用于训练模型，40%用于测试模型[7]。为评估所建立模型的有效性和鲁棒性，本文中，分别划分每组数据中的50%、60%、70%作为训练集，其余的作为测试集。输入网络模型后，不同训练量下模型的训练测试结果如图10所示，分别采用均方误差（mean square error，MSE）、均方根误差（root mean square error，RMSE）、平均绝对误差（mean absolute error，MAE）对模型预测部分的效果进行分析，如表3所示。