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)
1132
编辑：管理员
来源：北方有色网
咨询细节
