典型文献
燃料电池性能预测算法的适用性研究
文献摘要：
基于机器学习理论的预测类算法可以有效弥补机理模型在黑箱类问题上的短板,结合燃料电池发动机在工作过程中特有的数据结构和特点,引入自适应学习因子,研究BP神经网络、ELman神经网络、模糊神经网络、广义回归神经网络、径向基神经网络、小波神经网络、极限学习机和支持向量机共8个常用于燃料电池性能预测的基础预测模型在燃料电池特有工况下的最大预测精度,探索基于燃料电池电化学特性的最优基础模型.结果表明,广义回归神经网络更具有预测优势,模型可决系数高达0.9908,均方误差和平均绝对误差分别低至0.1125和0.1767.
文献关键词：
燃料电池;性能预测;智能算法;广义回归神经网络
中图分类号：
作者姓名：
李超;付建勤;刘敬平;刘琦
作者机构：
重庆世凯汽车科技有限公司,重庆 401120;湖南大学 机械与运载工程学院,湖南 长沙410082
文献出处：
引用格式：
[1]李超;付建勤;刘敬平;刘琦-.燃料电池性能预测算法的适用性研究)[J].装备制造技术,2022(10):14-17,22
A类：
ELman
B类：
燃料电池性能,性能预测,预测算法,适用性研究,基于机器学习,机器学习理论,机理模型,黑箱,燃料电池发动机,数据结构,自适应学习,学习因子,模糊神经网络,广义回归神经网络,径向基神经网络,小波神经网络,极限学习机,电化学特性,基础模型,可决系数,均方误差,平均绝对误差,智能算法
AB值：
0.317224
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
