A firefly-based particle filter technique for system state estimation and battery RUL prediction
Notice bibliographique
Résumé
Abstract Accurate measurement and estimation of state variables in nonlinear dynamic systems are critical in various engineering and scientific applications. While particle filter (PF) techniques have become increasingly popular for modeling such dynamic systems, they are prone to sample degeneracy and impoverishment, which can considerably affect performance. Existing PF methods often come with drawbacks like high computing costs and noise sensitivity. This paper presents a novel probabilistic posterior optimization particle filter (PPO-PF) technique, inspired by the firefly algorithm, to address these PF limitations and enhance PF efficiency. In the proposed PPO-PF technique, an adaptive search method is proposed to locate the high-likelihood region within the posterior space for improved convergence. A new step size selection method is suggested to facilitate navigation within the search space. In addition, a particle position optimization approach is proposed to guide low-weight particles towards high-probability regions, optimizing the posterior probability density function and mitigating sample degeneracy. The proposed PPO-PF technique is validated by simulation under various model conditions, including predicting the remaining useful life of Lithium-ion (Li-ion) batteries. The results indicate that the proposed PPO-PF reliably captures system dynamics with improved accuracy, even under high noise conditions. These findings highlight its potential to enhance measurement science by offering a more reliable approach for state estimation in complex systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».