了提高铅酸电池荷电状态(State of Charge,SOC)的预测准确率,本文提出一种基于K均值聚类的高斯过程回归集成算法(。首先利用K均值聚类算法对原始训练集进行聚类,生成若干个包含原始训练集的某种局部信息的子训练集;然后在每个子集上训练高斯过程回归模型(GPR);最后利用集成学习理论中的自适应提升算法(Ada Boost)对训练的多个GPR进行集成,得到最终的预测模型。在三组铅酸电池数据集上的实验结果表明,所提出的KC-EGPR算法预测铅酸电池SOC的性能优于对比模型,具有广阔的应用前景。 为了避免过拟合现象，本文在AdaBoost算法中引入一个与训练集没有相同样本的独立评估数据集（详见算法1），利用该数据集评估每个模型的错误率。2基于K均值聚类的高斯过程回归集成算法2.1算法原理和基本步骤基于K均值聚类的高斯过程回归集成算法（的核心思想是采用聚类算法生成原始训练集的多个包含局部数据信息的子集，再利用集成学习理论将数据层融合问题转化为决策层融合问题，该算法的流程图如图1所示。电池荷电状态预测-电动数控滚圆机滚弧机张家港电动钢管滚圆机滚弧机折弯机根据图1，KC-EGPR算法可以分为训练阶段和测试阶段。训练阶段的步骤描述如下 本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com：输入：训练数据集1{(,)}NiiiTRDxy，其中ix为第i个训练样本的特征向量，iy为第i个训练样本的回归值，N表示训练样本的数目；独立评估数据集1{(,)}jjMjIEDxy，其中jx为第j个评估样本的特征向量，jy为第j个评估样本的回归值，M表示评估样本的数目；簇的数目K；输出：集成模型Ada_GPR；图1基于K均值聚类的高斯过程回归集成算法的流程图Fi的数目K的变化曲线F与基于全局信息的GPR模型性能比较前文提到，原始训练集中可能存在冗余信息，直接在原始训练集上训练模型（即基于全局信息的方法）往往不能取得令人满意的结果。为了验证KC-EGPR能够减轻原始训练集中冗余信息带来的负面影响，在本节中，我们将KC-EGPR的预测性能与基于全局信息的GPR模型的预测性能进行比较。为了便于描述，基于全局信息的GPR被命名为GL-GPR。此外，需要注意的是KC-EGPR预测性能与簇的数目K有着直接的关联。在本文中，我们以1为步长从2到8调整K值，选择使KC-EGPR性能达到最佳的K为最终的参数。表2描述了KC-EGPR和GL-GPR在三组数据集下的预测性能。表2K电池荷电状态预测-电动数控滚圆机滚弧机张家港电动钢管滚圆机滚弧机折弯机 本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com