本发明公开了一种小样本条件下融合先验知识的LSTM神经网络预测方法。本发明采用将先验知识融入到LSTM神经网络的训练过程中,通过增加惩罚函数项将约束优化问题转化为无约束优化问题,以数学表达形式加入到LSTM神经网络的目标函数中,实现了准确的评估建模,提高了小样本情况下的建模精度。由于该神经网络通过设计各种“门”结构进行模型训练,因此相比较于传统神经网络不存在梯度消失和梯度爆炸问题。本发明特别适用于小样本条件下长短期记忆神经网络对
锂电池剩余寿命进行预测和数据分析。经实验验证,该方法可以有效解决小样本建模精度的问题,在锂电池数据集样本中,平均准确率可达到97.52%以上。
声明:
“小样本条件下融合先验知识的LSTM神经网络预测方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)