《表2 基于最优Loess平滑改进EKF算法的B06号电池寿命预测结果》
提示：宽带有限、当前游客访问压缩模式
从图5中可以看出，B06号电池的真实寿命终止点为109Cycle，当选定不同的预测起始点时，寿命预测的结果也不相同，具体如表2所示。
| 图表编号 | XD0090835900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.25 |
| 作者 | 王海霞、李凯勇 |
| 绘制单位 | 青海民族大学物理与电子信息工程学院、青海民族大学物理与电子信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 参数辨识结果：基于SOC-OCV优化曲线与EKF的锂离子电池荷电状态全局估计》2021.01.25
- 《表2 最优解的参数：基于电池寿命模型的纯电动汽车动力系统参数匹配》2020.06.10
- 《表2 最优参数：基于改进YOLO算法的车位自动检测系统》2020.04.15
- 《表1 基准测试函数：基于改进最优觅食算法的锅炉NO_x排放预测研究》2020.07.28
- 《表2：实验结果：基于改进灰度算法的分数预测模型应用》2020.06.01
- 《表3 EKF算法流程图：基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计》2020.07.05
- 《表2 预测效果对比：基于粒子群算法的卫星蓄电池区间预测方法》2020.04.05
- 《表3 选择最优父节点：改进的基于网络寿命的RPL路由协议》2020.01.16
- 《表2 GPSO寻优结果：一种基于群体最优变化权重的改进粒子群算法》2019.12.25
- 《表2 不同算法训练结果：基于电池外特征的粒子群神经网络电池健康状态预测》2019.12.28
- 《表1 最优解：基于改进鲸鱼算法的路径规划方法研究》2019.10.20
- 《表4 神经网络预测结果：基于二阶粒子群算法优化的神经网络再制造工件疲劳寿命预测》2019.07.28
- 《表1 基于EKF算法的B06号电池寿命预测结果》2019.08.25
- 《表5 模型预测精度：基于实测上路数据的电池寿命衰减的理论研究》2019.08.10
- 《表2 最优回收方案：基于改进蚁群算法的逆向物流车辆路径优化》2019.05.25
- 《表3 拉依达准则+最优阶数平滑处理后数据为输入的各算法预测误差》2019.01.20
- 《表2 最优平滑阶数处理后数据为输入的各算法预测误差》2019.01.20
- 《表1 参数辨识结果：基于FFRLS和EKF算法的磷酸铁锂电池SOC估算研究》2019.01.25
- 《表2 方差筛选：一种基于最优特征选择改进的遗传算法》2018.11.01
- 《表1 输入数据(部分)：基于VPSO-SVM的磷酸铁锂电池寿命预测》2019.11.15