01
SOH评估概述
电池健康状态定义 · 评估重要性 · 数据驱动 vs 传统方法
概念对比
02
数据驱动基础
机器学习概念 · 监督/无监督 · 回归/分类 · 特征与标签
ML基础术语
03
数据采集与预处理
电池测试采集 · 数据清洗 · 缺失值/异常值 · 归一化标准化
清洗规范
04
特征工程
时域/频域特征 · FFT/小波 · 过滤式/包裹式/嵌入式选择
特征提取选择
05
线性回归模型
一元/多元回归 · L1/L2正则化 · MSE/RMSE/MAE/R²
回归评估
06
支持向量机 (SVM)
SVM原理 · 核函数 · SVR回归 · 参数调优
SVMSVR
07
决策树与随机森林
决策树 · 信息增益/基尼 · 随机森林 · 特征重要性
树模型集成
08
K近邻与高斯过程
KNN回归 · 距离度量 · GPR基础 · 不确定性估计
KNNGPR
09
神经网络基础
感知机/MLP · ReLU/Sigmoid/Tanh · 损失函数与优化器
MLP激活函数
10
深度学习进阶
CNN序列 · RNN/LSTM · 注意力机制 · Transformer
CNNLSTMAttention
11
集成学习方法
Bagging/Boosting · GBDT · XGBoost/LightGBM · Stacking
集成GBDT
12
模型训练与验证
训练/验证/测试划分 · K-Fold · 过/欠拟合 · 早停/学习率衰减
验证调参
13
超参数调优
网格/随机搜索 · 贝叶斯优化 · Optuna自动化调参
调优Optuna
14
模型评估与比较
回归指标 · 残差分析 · 配对t检验/Wilcoxon · AIC/BIC
评估统计检验
15
时间序列预测方法
ARIMA · 季节性分解 · Prophet · 时间序列交叉验证
时序Prophet
16
迁移学习与域适应
迁移概念 · 预训练微调 · CORAL/MMD · 跨电池类型
迁移域适应
17
多任务学习与多输出模型
多任务架构 · 共享表示 · 多输出回归 · 容量/内阻联合预测
多任务多输出
18
不确定性量化
贝叶斯神经网络 · MC Dropout · 分位数回归 · 预测区间
不确定性区间
19
增量学习与在线学习
增量策略 · 在线SVM/随机森林 · 概念漂移 · 模型更新
在线学习增量
20
数据增强与合成数据
时序增强(加噪/缩放) · GAN生成电池数据 · SMOTE过采样
增强GAN
21
可解释性分析
SHAP · LIME · 特征重要性可视化 · 部分依赖图PDP
可解释SHAP
22
模型部署与边缘计算
剪枝/量化/蒸馏 · ONNX · TensorRT · 嵌入式部署
部署边缘
23
联邦学习与隐私保护
FedAvg · 差分隐私 · 安全多方计算 · 分布式电池数据
联邦隐私
24
主动学习与半监督学习
不确定性/多样性采样 · 自训练 · 协同训练 · 标签高效
主动半监督
25
强化学习在SOH中的应用
MDP · Q学习/DQN · 策略梯度 · 充电策略优化
强化学习DQN
26
图神经网络 (GNN)
图结构 · GCN · GAT · 电池组拓扑建模
GNNGCN
27
混合模型与物理信息融合
PINN · 等效电路+数据驱动 · 混合建模框架
PINN混合
28
大规模数据处理与分布式计算
Spark/Dask · 数据/模型并行 · GPU加速 · 大数据管道
分布式Spark
29
案例研究：锂离子电池SOH评估
NASA/CALCE/MIT数据集 · 完整流程 · 结果可视化
案例锂电
30
前沿趋势与未来方向
自监督学习 · 基础模型 · 数字孪生 · 全生命周期管理
前沿趋势