估计要退役了吧。

最新推荐文章于 2025-05-11 12:16:40 发布
原创 最新推荐文章于 2025-05-11 12:16:40 发布 · 380 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

很难过吧。。。考得完爆了。。。
。。。。。。其实也没什么可以说的。。。都是蒟蒻的借口罢了。。。
。。。自己果然还只是半吊子水平呢。。。。
。。。祝大家都能进省队。。。其实只要不要有遗憾就好了呢。。。
虽然我很遗憾或许不能走下去了。。。。。
886

基于ANN的电池健康状态估计
10-10
本文提出一种基于自适应人工神经网络（ANN）的锂离子电池健康状态（SoH）估计算法，适用于再利用电池的单体与电池组。通过电压、电流及循环次数作为输入，结合内部阻抗参数的级联模型，在线快速估算SoH，显著提升...
bzoj 3214: [Zjoi2013]丽洁体
weixin_30256505的博客
02-22 100
Description 平时的练习和考试中，我们经常会碰上这样的题：命题人给出一个例句，要我们类比着写句子。这种往往被称为仿 写的题，不单单出现在小学生的考试中，也有时会出现在中考中。许多同学都喜欢做这种题，因为较其它题显得有 趣。仿写的句子往往具有“A__B__C”的形式，其中A，B，C是给定的由一个或多个单词组成的短句，空的部分需要 学生填写。当然，考试的时候空在那里也是可以的。例如，“其实天...
SDOI2017R1(姑且是游记)
xiaoyimi的博客
04-10 2692
.
Noip2018游记
weixin_33826609的博客
11-13 111
祭Noip2018 本来稳稳地300pts被我硬生生的写成了205pts。。。 Day1： T1我抄我自己真的有点鬼屎 然而我的写法更加鬼屎 看完题面后，我花了5min多次确认我并没有看错题面。。。 然后又花10min打完了代码，并水过了样例？？？ T2也很水，n=100显然可以随便乱搞 然而我一开始没有看到数据 于是我就先去写了T3，结果写了1.5h后，又调了0.5h，调过了样...
你的搜索其实很糟糕？
GBin1.com
04-15 629
日期：2013-3-27  来源：GBin1.com 尽管你非常擅长搜索，但是很多时候搜索内容和你想要的并不吻合。事实上，用户体验专家Jakob Nielsen认为大多数人都非常的不擅长搜索。 Nielson的研究表明，大多数人找到搜索框后，很少人知道怎么用它。 Nielson记载到： 当然最好是学校可以教导学生如何去搜索。但是我并不抱有很大的希望，因为大部分人有着如同食蚁兽一般的文学
Suryxin’s ACM退役记
Suryxin's blogs
06-07 1797
我的记忆力很差，经历过的很多事情都已经记不太清了，其中有很多美好回忆也已经消散，我很惋惜没能留存一些照片和声音或是文字供我怀念，这就像《泰坦尼克号》一样，露丝和杰克感人肺腑的爱情故事，最后也仅仅存在于暮年露丝的回忆里。这四年所经历的一切，都是我这一生可遇而不可求的美好时光，有些事情我不想忘记，也不想最后只有我记得，所以我想以文字的形式记录并怀念一下这四年的ACM生活。
2017.12退役贴
teddywang
12-21 566
2017.12退役贴
【AFO】退役记
菜狗成长为蒟蒻之路
10-05 1995
很早就想写这篇文章了，但是一直都忘了初赛和之前的模拟赛就不记录了但是初赛四届人从初三到高三全员过，可喜可贺运动会要跑 1500 ,让一个 800 都跑五分钟还能跑晕了的去跑 1500 /hs还是在考虑关于竞赛和文化课的问题，平衡是不大可能的，重心肯定也放在竞赛，但是应该怎样安排才能把文化课的损失降到最小就不知道了。
Matlab实现基于CNN-LSTM的锂电池SOH估计
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
05-11 1108
Matlab实现基于CNN-LSTM的锂电池SOH估计
利用时间卷积网络进行退役电动汽车电池健康状态估计
# 利用时间卷积网络进行退役电动汽车电池健康状态估计 ## 1. 退役电动汽车电池的二次利用背景 随着2016年《巴黎协定》的签署，超过190个国家同意到2030年将温室气体排放量比1990年至少减少40%。为实现这一目标，...
基于径向基神经网络退役锂电池分选研究.pdf
09-25
本研究中，通过模型训练和测试，RBFNN能够准确估计电池容量，为分选过程提供了科学依据。 本研究详细探讨了电池老化的影响因素和不确定性问题。老化过程受到电池材料、结构设计、使用环境和操作习惯等多种因素的...
代码7-1 过拟合及其抑制.ipynb
12-06
代码7-1 过拟合及其抑制.ipynb
基于Eclipse集成开发环境构建的面向STM32F4系列微控制器的FreeRTOS实时操作系统项目模板框架_嵌入式系统开发实时任务调度多线程管理硬件驱动适配内存优化配置.zip
12-06
基于Eclipse集成开发环境构建的面向STM32F4系列微控制器的FreeRTOS实时操作系统项目模板框架_嵌入式系统开发实时任务调度多线程管理硬件驱动适配内存优化配置
基于Nodejs与Express框架构建的具备完整用户认证与授权机制的RESTfulAPI服务项目_该项目核心功能包括用户注册登录JWT令牌签发与验证角色权限管理以及待办事.zip
最新发布
12-06
基于Nodejs与Express框架构建的具备完整用户认证与授权机制的RESTfulAPI服务项目_该项目核心功能包括用户注册登录JWT令牌签发与验证角色权限管理以及待办事.zip
混合动力汽车(HEV)模型的Simscape模型（Matlab代码、Simulink仿真实现）
12-06
混合动力汽车(HEV)模型的Simscape模型（Matlab代码、Simulink仿真实现）内容概要：本文档介绍了一个混合动力汽车（HEV）的Simscape模型，该模型通过Matlab代码和Simulink仿真工具实现，旨在对混合动力汽车的动力系统进行建模与仿真分析。模型涵盖了发动机、电机、电池、传动系统等关键部件，能够模拟车辆在不同工况下的能量流动与控制策略，适用于动力系统设计、能耗优化及控制算法验证等研究方向。文档还提及该资源属于一个涵盖多个科研领域的MATLAB仿真资源包，涉及电力系统、机器学习、路径规划、信号处理等多个技术方向，配套提供网盘下载链接，便于用户获取完整资源。; 适合人群：具备Matlab/Simulink使用基础的高校研究生、科研人员及从事新能源汽车系统仿真的工程技术人员。; 使用场景及目标：①开展混合动力汽车能量管理策略的研究与仿真验证；②学习基于Simscape的物理系统建模方法；③作为教学案例用于车辆工程或自动化相关课程的实践环节；④与其他优化算法（如智能优化、强化学习）结合，实现控制策略的优化设计。; 阅读建议：建议使用者先熟悉Matlab/Simulink及Simscape基础操作，结合文档中的模型结构逐步理解各模块功能，可在此基础上修改参数或替换控制算法以满足具体研究需求，同时推荐访问提供的网盘链接获取完整代码与示例文件以便深入学习与调试。
Django 登录注册功能实现-样式优化
12-06
Django 登录注册功能实现-样式优化
基于云服务器CentOS721511操作系统进行基础环境配置与常用中间件部署的详细实践指南与故障排查手册_涵盖从基础系统使用到高级服务搭建的全过程包括JDK18运行环境.zip
12-06
基于云服务器CentOS721511操作系统进行基础环境配置与常用中间件部署的详细实践指南与故障排查手册_涵盖从基础系统使用到高级服务搭建的全过程包括JDK18运行环境.zip
回归模型 and 退役电池
02-13
### 使用回归模型进行退役电池性能预测或价值评估 #### 数据准备 为了构建有效的回归模型来预测退役电池的性能或评估其价值，数据收集和预处理至关重要。通常涉及的数据字段可能包括但不限于：电池型号、制造年份、充放电循环次数、容量保持率等。假设已经获取了一组包含上述信息的历史数据集，并完成了初步清洗工作。 对于特定应用场合下的退役锂电池而言，在Excel中整理好原始记录之后导出CSV格式文件是一个常见做法[^3]。这一步骤有助于确保后续建模过程中输入变量的质量与一致性。 #### 特征工程 针对所关心的目标——即电池剩余寿命或者回收再利用后的经济收益估计，可以从现有属性出发设计更多有意义的新特征。例如计算每千瓦时成本变化趋势作为额外维度加入训练样本；考虑环境温度因素影响而引入季节性指标等等。 此外还可以借鉴其他领域成功经验比如汽车零部件失效分析方法论来进行相似度匹配寻找潜在关联项用于增强解释力。 #### 模型选择 当完成前期准备工作后便进入到核心环节—挑选合适的算法实现预期功能。考虑到问题性质属于连续数值输出范畴内的监督学习任务，则线性/多项式/logistic(如果目标转换成二分类)回归都是不错的选择起点之一[^2]。当然也可以尝试更复杂的集成学习方案如XGBoost以期获得更好的泛化能力。 下面给出一段Python代码片段展示如何快速搭建并测试一个简易版逻辑回归器： ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import mean_squared_error, r2_score # 加载数据 data = pd.read_csv('battery_data.csv') # 定义自变量(X)因变量(y) X = data[['model', 'year', 'cycle_count']] # 假设有这些列名存在 y = data['capacity_retention'] # 或者是'value_assessment' # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42) # 创建并拟合模型 clf = LogisticRegression() clf.fit(X_train, y_train) # 预测及评价 predictions = clf.predict(X_test) print(f'Mean Squared Error: {mean_squared_error(y_test, predictions)}') print(f'R-squared Score: {r2_score(y_test, predictions)}') ``` 需要注意的是这里仅提供了一个非常基础的例子供参考，实际项目开发当中还需要做大量细致入微的工作才能达到理想效果。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值