Scidown文献预览系统！
电动汽车运行下基于长短时记忆的电池模型无监督数据预处理( Unsupervised data-preprocessing for Long Short-Term Memory based battery model under electric vehicle operation )
F Heinrich M Pruckner K Jonas F Noering
高压电池是电动汽车(EV)中最有价值的部件。在电动汽车开发过程中，为了安全时间和成本，使用汽车电池的数字孪生模拟可以帮助有效地减少和取代昂贵的实验室测试。数据驱动的方法，如长短时记忆(LSTM)神经网络，在电池建模方面显示出巨大的潜力。为了正确地学习电池行为，LSTMs需要大量的时间序列数据。汽车应用不断产生传感器数据，但由于计算能力有限，无法处理这大量数据。要么我们机载的数据可用性很高，但计算能力不足，要么为了高计算能力而将数据转移到云中的能力有限。为了克服这些限制，必须有效地减少数据。我们提出了一种新的选择方法，通过压缩非常大的汽车时间序列数据来创建一个良好平衡的数据集，并将其用于基于神经网络的电池电学建模。采用无监督模式发现算法，将车载电池数据分解为周期性负载情况。只选择具有代表性的负载模式，可以在不丢失角点信息的情况下压缩95%以上的数据集。压缩数据集涵盖了原始数据集内所有不同负载情况的80%以上，并且通过所有可见的电池状态得到了很好的平衡。此外，LSTM电池模型的精度和性能比没有预处理数据集的网络训练甚至可以提高16%。
SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate
『Sci-Hub|Scidown』怎么用？来看看教程吧！

支持模式 1.支持DOI号 2.支持英文文献全名搜索 3.支持参考文献搜索 4.知网文献（暂时关闭）

安卓手机、电脑用户，您可以在QQ浏览器里输入 www.scidown.cn 打开scidown解析，就可以解析、下载了！（注意是文献的DOI号）

苹果手机用户，您需要先在App Store里搜索并下载 Documents by Readdle 这个APP，在APP首页，左划右下角的指南针图标打开APP内置浏览器，在浏览器里输入 www.scidown.cn 打开scidown解析，就可以解析、下载了！

如出现BUG？赶快加入【Scidown互助交流群】反馈吧：729083885【点击一键加群】
『Sci-Hub|Scidown』相关参考文献
scidown 柯尼卡化学品安全管理下载
scidown 柯尼卡化学品安全管理下载