Regularised Iterative Generalised Least Squares with Optimal Selection of the Hyper-Parameter for Identifying Nonlinear Phenomenological Models
本文介绍了一种正则化迭代广义最小二乘法，该方法采用一种自动化的信息论方法来最优选择岭回归超参数，从而能够在存在异方差和序列相关数据的条件下，可靠地识别具有混淆参数的非线性现象学模型。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
电池是现代生活的沉默功臣，为从智能手机到电动汽车的一切设备提供动力。然而，像任何机器一样，它们也会老化。随着时间的推移，它们失去保持电荷和输出电力的能力，这一过程被称为退化。为了保持这些系统的安全与高效，工程师需要准确了解电池还剩多少寿命，这一指标被称为健康状态（state of health）。为了预测这一点，科学家们构建了模拟电池内部物理化学过程的数学模型。这些模型并非仅仅是猜测；它们基于真实的物理定律，描述了热量和时间如何损耗材料。然而，这些模型也存在一个陷阱：它们包含许多隐藏的数字，即参数，必须通过观察实验数据来确定。通常，这些数字在方程中的排列方式使得它们无法彼此分离。这就像食谱中的两种不同原料混合得如此完美，以至于品尝最终的成品无法分辨出每种原料各用了多少。当这种情况发生时，模型就会变得不可靠，预测也会失效。
这就是研究人员 M. Cary 和 Charles Bokor 所解决的具体难题。他们专注于一种常见的电池模型类型，其中参数是相乘的关系，这种结构经常会导致这种混乱。在他们的工作中，他们开发了一种新方法来求解这些纠缠在一起的方程，且不会丢弃模型的物理意义。他们并没有试图强迫数据去拟合一个简化版的模型（因为这会丢失关于电池老化的重要细节），而是引入了一个数学上的“系绳”（tether）。这根系绳会轻轻地将估计的数值拉向一个合理的范围，防止它们游离到不可能的值。他们将这种技术称为岭回归（ridge regression）。他们方法的精妙之处在于如何选择这根系绳的强度。太弱，数字仍会处于混乱状态；太强，模型则会过于僵化而无法反映现实。研究人员创建了一个自动化系统，能够不断调整这种强度，为计算的每一步寻找完美的平衡点。
团队通过模拟真实电池数据的计算机仿真测试了他们的方法，包括那些带有噪声或表现出不可预测性的数据。他们发现，即使在数据难以处理的情况下，他们的新系统也能快速且准确地解开混乱的参数。该方法通过迭代（即重复）一个计算循环来运作，在该循环中，它先优化模型，然后立即重新评估系绳的最佳设置。这个循环收敛得非常迅速，这意味着它能在极少的步骤内找到解决方案。研究人员证明，该过程对于考虑了复杂现实问题（例如误差随时间变化或误差之间存在关联的数据）的模型同样有效。通过使用一种衡量模型对数据解释程度的特定度量，他们的系统可以自动选择最优设置，无需人工干预。
结果是一个用于识别电池老化模型真实特征的稳健工具。研究人员表明，他们的方法在使数学问题变得可解的同时，保留了模型复杂的基于物理学的结构。这一点至关重要，因为为了让数学运算更容易而简化模型，往往会剥离科学家理解特定老化机制所需的关键细节。他们的仿真证实，该方法是有效的，能够在以往方法可能失败或产生极其不准确结果的情况下，提供可靠的估计。这项工作为需要监测电池健康的工程师提供了一条实用的路径，确保用于预测电池何时应当更换的模型既具有物理意义，又在数学上是严谨的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。