論文の概要: Piecewise-linear modelling with feature selection for Li-ion battery end
of life prognosis
- arxiv url: http://arxiv.org/abs/2104.07576v1
- Date: Thu, 15 Apr 2021 16:29:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 14:44:05.269244
- Title: Piecewise-linear modelling with feature selection for Li-ion battery end
of life prognosis
- Title（参考訳）: 生命予後のLiイオン電池終端の機能選択を伴う経時的線形モデリング
- Authors: Samuel Greenbank, and David A. Howey
- Abstract要約: 線形アプローチは高速であるが、以前は予後を成功させるには柔軟すぎる。
線形モデルと自動機能選択を組み合わせることで、高速で柔軟な代替手段を提供します。
さらに、入力サイズやトレーニングデータの可用性を変えるために、分割線型アプローチが堅牢であることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The complex nature of lithium-ion battery degradation has led to many machine
learning based approaches to health forecasting being proposed in literature.
However, machine learning can be computationally intensive. Linear approaches
are faster but have previously been too inflexible for successful prognosis.
For both techniques, the choice and quality of the inputs is a limiting factor
of performance. Piecewise-linear models, combined with automated feature
selection, offer a fast and flexible alternative without being as
computationally intensive as machine learning. Here, a piecewise-linear
approach to battery health forecasting was compared to a Gaussian process
regression tool and found to perform equally well. The input feature selection
process demonstrated the benefit of limiting the correlation between inputs.
Further trials found that the piecewise-linear approach was robust to changing
input size and availability of training data.
- Abstract（参考訳）: リチウムイオン電池の劣化の複雑な性質から、多くの機械学習に基づく健康予測へのアプローチが文献で提案されている。
しかし、機械学習は計算集約的である。
線形アプローチは高速であるが、以前は予後を成功させるには柔軟すぎる。
どちらの手法も、入力の選択と品質はパフォーマンスの制限要因である。
Piecewise-linearモデルは、自動機能選択と組み合わせて、機械学習ほど計算集約的ではない、高速で柔軟な代替手段を提供する。
ここでは、電池の健康予測に対する分割線形アプローチをガウス過程回帰ツールと比較し、等しく良好な結果を得た。
入力特徴選択プロセスは,入力間の相関を制限する効果を示した。
さらなる実験により、分割線形アプローチは、入力サイズとトレーニングデータの可用性を変更するのに頑健であることが判明した。
関連論文リスト
- Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - IGANN Sparse: Bridging Sparsity and Interpretability with Non-linear Insight [4.010646933005848]
IGANN Sparseは、一般化された加法モデルのファミリーから生まれた、新しい機械学習モデルである。
トレーニング中の非線形特徴選択プロセスを通じて、スパシティを促進する。
これにより、予測性能を犠牲にすることなく、モデル空間の改善による解釈可能性を保証する。
論文 参考訳（メタデータ） (2024-03-17T22:44:36Z) - Parallel and Limited Data Voice Conversion Using Stochastic Variational
Deep Kernel Learning [2.5782420501870296]
本稿では,限られたデータを扱う音声変換手法を提案する。
変分深層学習(SVDKL)に基づく。
非滑らかでより複雑な関数を推定することができる。
論文 参考訳（メタデータ） (2023-09-08T16:32:47Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-08T05:44:06Z) - Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。
我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。
この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文 参考訳（メタデータ） (2023-04-20T19:15:02Z) - FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。
我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。
AOMIC PIOP1による脳MRIデータへの応用について述べる。
論文 参考訳（メタデータ） (2023-03-26T19:41:17Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Fast Instrument Learning with Faster Rates [34.271656281468175]
ブラックボックスとしてアクセスされるカーネル化IV法と任意の適応回帰アルゴリズムを組み合わせた簡単なアルゴリズムを提案する。
提案アルゴリズムは,高コストのミニマックス最適化手法を回避しつつ,より高速な収束と,情報伝達性のある潜在特徴の次元性に適応する。
論文 参考訳（メタデータ） (2022-05-22T08:06:54Z) - Near-optimal Offline Reinforcement Learning with Linear Representation:
Leveraging Variance Information with Pessimism [65.46524775457928]
オフライン強化学習は、オフライン/歴史的データを活用して、シーケンシャルな意思決定戦略を最適化しようとしている。
線形モデル表現を用いたオフライン強化学習の統計的限界について検討する。
論文 参考訳（メタデータ） (2022-03-11T09:00:12Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Active Learning for Gaussian Process Considering Uncertainties with
Application to Shape Control of Composite Fuselage [7.358477502214471]
ガウス過程に不確実性のある2つの新しい能動学習アルゴリズムを提案する。
提案手法は不確実性の影響を取り入れ,予測性能の向上を実現する。
本手法は, 複合胴体の自動形状制御における予測モデルの改善に応用されている。
論文 参考訳（メタデータ） (2020-04-23T02:04:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。