| 改进灰狼优化算法医疗锂电池剩余寿命预测 |
| |
| 引用本文： | 何成,刘长春,武洋,吴涛,陈童.改进灰狼优化算法医疗锂电池剩余寿命预测[J].重庆师范大学学报(自然科学版),2019,36(3):24-28. |
| |
| 作者姓名： | 何成 刘长春 武洋 吴涛 陈童 |
| |
| 作者单位： | 上海第二工业大学智能制造与控制工程学院,上海,201209;上海第二工业大学环境与材料工程学院,上海,201209;上海市第一人民医院,上海,200080 |
| |
| 基金项目： | 上海第二工业大学研究生项目 |
| |
| 摘 要： | 【目的】通过改进灰狼优化算法对医疗锂电池进行剩余寿命预测,从而保障抢救时机并减少医疗事故的目的。【方法】运用小波核极限学习机(Wavelet kernel extreme learning machine,WKELM)与小生境灰狼算法(Niche grey wolf optimization,NGWO)相融合的算法形成改进灰狼优化算法WKELM-NGWO算法。采用NGWO算法对WKELM参数进行优化处理,并将最大化训练集的分类准确度作为目标函数,得到寻优过程的数学模型。采用差分方式对医疗电子设备锂电池容量的时间序列进行处理,得到多维时间序列特征向量,归一化处理获得特征向量,并将其分为训练集和测试集。计算得出每只灰狼个体的适应度值fi,并对适应度值fi进行排序,适应度值fi排在前三的个体位置分别记为Xα,Xβ,Xδ。选择最优的灰狼个体位置作为WKELM参数对数据进行训练后,对心脏起搏器用锂电池和心脏除颤仪用锂电池两种锂电池测试样本进行剩余寿命预测操作。【结果】在相同的预测起始点下,WKELM-NGWO算法的均方根误差(RMSE)误差低于WKELM和NGWO算法,基于融合算法WKELM-NGWO的医疗电子设备锂电池剩余寿命(Remaining useful life)预测曲线更接近电池的退化曲线。【结论】WKELM-NGWO融合算法增强了对不同数据的适应能力,既克服了小波核极限学习机(WKELM)学习速度慢、结构不稳定的问题,也克服了小生境灰狼算法(NGWO)求解精度低、收敛速度慢从而导致跳不出局部最优解的问题。
|
| 关 键 词： | 医疗锂电池 剩余寿命预测 小波核极限学习机 小生境灰狼算法 改进灰狼优化算法WKELM-NGWO |
Improved Grey Wolf Optimization Algorithm for Life Prediction of Medical Lithium Batteries |
| |
| HE Cheng,LIU Changchun,WU Yang,WU Tao,CHEN Tong.Improved Grey Wolf Optimization Algorithm for Life Prediction of Medical Lithium Batteries[J].Journal of Chongqing Normal University:Natural Science Edition,2019,36(3):24-28. |
| |
| Authors: | HE Cheng LIU Changchun WU Yang WU Tao CHEN Tong |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《重庆师范大学学报(自然科学版)》浏览原始摘要信息 |
| 点击此处可从《重庆师范大学学报(自然科学版)》下载免费的PDF全文 |
|
