欢迎来到:永利集团88304官网!

永利集团88304官网
学术报告
当前位置: 网站首页 > 学术报告 > 正文
Intelligent Prognostics for Battery Health Monitoring Using the Mean Entropy and Relevance Vector Machine
来源:永利集团88304官网李红(华中科技大学)      发布时间:2016-10-10       点击数:
报告时间 报告地点
报告人

题 目: Intelligent Prognostics for Battery Health Monitoring Using the Mean Entropy and Relevance Vector Machine

时 间: 2016年10月16日(周日)16:00

地 点:永利集团88304官网201学术报告厅

报告人:李红

专家简介:李红,博士,教授,博士生导师,科技部国际科技合作计划评议专家,湖北省计算数学学会理事,美国IEEE会员。1980年5月毕业于华中理工大学数学团队班,1986年获华中理工大学理学硕士学位,1999年12月毕业于华中理工大学图像识别研究所“模式识别与智能控制”专业,获工学博士学位。2002年晋升为教授。曾于1992年和1997年分别在厦门大学数学系、中国科学院数学研究所以访问学者身份从事专业研究,主要进行逼近与计算、小波分析与图像处理等方面的研究工作。2006年至2013年期间多次应邀访问香港浸会大学、澳门大学,合作进行小波分析、时频分析与信号处理、计算学习理论与模式识别领域的前沿性课题研究,十余次出席国际学术会议。

报告摘要: In this talk, a multistep-ahead prediction model based on the mean entropy and relevance vector machine (RVM) is developed, and applied to state of health (SOH) and remaining life prediction of the battery. A wavelet denoising approach is introduced into the RVM model to reduce the uncertainty and to determine trend information. The mean entropy based method is then used to select the optimal embedding dimension for correct time series reconstruction. Finally, RVM is employed as a novel nonlinear time-series prediction model to predict the future SOH and the remaining life of the battery. As more data become available, the accuracy and precision of the prediction improve. The presented approach is validated through experimental data collected from Li-ion batteries.


版权所有© 永利集团88304(中国)官网在线登录-保障您的账户安全

地址:湖北省武汉市武昌区友谊大道368号 邮政编码:430062

Email:stxy@hubu.edu.cn 电话:027-88662127