[논문]리튬 이온 배터리의 충전 상태 추정을 위한 LSTM 네트워크 학습 방법 비교

홍선리; 강모세; 김건우; 정학근; 백종복; 김종훈

doi:10.7471/ikeee.2019.23.4.1328

[국내논문] 리튬 이온 배터리의 충전 상태 추정을 위한 LSTM 네트워크 학습 방법 비교
Comparison of Learning Techniques of LSTM Network for State of Charge Estimation in Lithium-Ion Batteries 원문보기

전기전자학회논문지 = Journal of IKEEE, v.23 no.4, 2019년, pp.1328 - 1336

홍선리 (Dept. of Electrical Engineering, Chungnam National University) , 강모세 (Dept. of Electrical Engineering, Korea Institute of Energy Research) , 김건우 (Dept. of Electrical Engineering, Chungnam National University) , 정학근 (Dept. of Electrical Engineering, Korea Institute of Energy Research) , 백종복 (Dept. of Electrical Engineering, Korea Institute of Energy Research) , 김종훈 (Dept. of Electrical Engineering, Chungnam National University)

초록
AI-Helper

안전하고 최적의 배터리 성능을 유지하기 위해 정확한 충전상태(SOC) 추정 기술이 필수적이다. 본 논문에서는 기존의 전류적산 방법이 가지고 있는 문제를 해결하기 위해 시간 종속성을 가지는 인공지능 기반의 LSTM을 이용한 SOC 추정 방법을 적용하였다. 훈련과 검증에 필요한 데이터는 전기적 실험을 통해 일정 크기로 방전된 전류, 전압, 온도를 수집하였고 학습을 위한 입력데이터의 질을 향상시키기 위해 데이터 전처리를 수행하였다. 또한, LSTM 모델의 구조 및 하이퍼파라미터 설정에 따른 학습 능력과 SOC 추정 성능을 비교하였다. 학습한 모델은 UDDS 프로파일을 통해 검증하였으며, RMSE 0.82%, MAX 2.54%의 추정 정확도를 달성하였다.

Abstract ▼ AI-Helper

To maintain the safe and optimal performance of batteries, accurate estimation of state of charge (SOC) is critical. In this paper, Long short-term memory network (LSTM) based on the artificial intelligence algorithm is applied to address the problem of the conventional coulomb-counting method. Different discharge cycles are concatenated to form the dataset for training and verification. In oder to improve the quality of input data for learning, preprocessing was performed. In addition, we compared learning ability and SOC estimation performance according to the structure of LSTM model and hyperparameter setup. The trained model was verified with a UDDS profile and achieved estimated accuracy of RMSE 0.82% and MAX 2.54%.

Keyword

표/그림 (17)

그림 Fig. 1. Architecture of Recurrent Neural Network. 그림 1. 순환 신경망의 구조
그림 Fig. 2. Long-Short Term Memory cell. 그림 2. 장단기 메모리 셀
그림 Fig. 3. SOC-OCV curve in 5% of SOC. 그림 3. SOC 5% 간격의 SOC-OCV 곡선
그림 Fig. 4. Schematic of experimental equipment for battery test. 그림 4. 배터리 테스트를 위한 실험 장비 개요
그림 Fig. 5. Discharge capacity test profile. (a) Current (b) Voltage. 그림 5. 방전 용량 실험 프로파일 (a) 전류 (b) 전압
그림 Fig. 6. UDDS profile. 그림 6. UDDS 프로파일
표 Table 1. Samsung INR 21700-50E Cell Parameter. 표 1. 삼성 INR 21700-50E 배터리 사양
표 Table 2. Experimental data for verification and training. 표 2. 검증과 훈련을 위한 실험 데이터
그림 Fig. 7. Training data set is 1C discharge profile and test with 0.5Cㆍ2C discharge profile. (a) estimated SOC, (b) error rate. 그림 7. 훈련 데이터는 1C 방전 프로파일, 검증 데이터는 0.5Cㆍ2C 방전 프로파일. (a) 추정 SOC, (b) 오차율
그림 Fig. 8. Training data sets are all discharge profile and test with 0.5Cㆍ1Cㆍ2C discharge profile. 그림 8. 훈련 데이터는 모든 방전 데이터, 검증 데이터는 0.5C, 1C, 2C 각각의 프로파일.
표 Table 3. An example of preprocessed input data vector. 표 3. 전처리된 입력 데이터 예시
표 Table 4. Error rate and training time between scaled and unscaled data set. 표 4. 표준화된 데이터와 일반 데이터 간의 오차와 훈련 시간
표 Table 5. Performance of LSTM model between Case 1 and Case 2. 표 5. Case 1과 Case 2 간의 LSTM 모델 성능
그림 Fig. 9. SOC estimation on the different number of units. 그림 9. 유닛 수 차이에 따른 SOC 추정
그림 Fig. 10. SOC estimation on the different number of layers. 그림 10. 레이어 수 차이에 따른 SOC 추정
표 Table 6. Performance of LSTM model on the different number of units. 표 6. 유닛 수 차이에 따른 LSTM 모델 성능
표 Table 7. Performance of LSTM model on the different number of layers. 표 7. 유닛 수 차이에 따른 LSTM 모델 성능

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 LSTM 메모리 셀을 사용한 RNN네트워크로 SOC를 추정하는 방법을 제안한다. 2절에서 LSTM의 구조와 동작과 훈련 데이터를 얻기 위한 전기적 방전 용량 실험과 Urban Dynamometer Driving Schedule(UDDS) 실험을 수행한다.

가설 설정

Cn은 정격 용량이며 i는 각 타임 스텝의 전류이다. Cn은 실제 배터리 노화 정도에 따라 가변 값이지만 본 논문에서는 짧은 주기의 데이터를 사용하므로 일정한 용량으로 가정하고 계산한다.

제안 방법

본 논문에서는 LSTM 메모리 셀을 사용한 RNN네트워크로 SOC를 추정하는 방법을 제안한다. 2절에서 LSTM의 구조와 동작과 훈련 데이터를 얻기 위한 전기적 방전 용량 실험과 Urban Dynamometer Driving Schedule(UDDS) 실험을 수행한다. 실험을 통해 수집한 데이터는 총 4개의 프로파일로 최대 방전 크기가 모두 다르다.
3 절에서는 훈련 데이터의 질을 높이기 위한 데이터 전처리 방법을 소개하고 제안한 LSTM 모델 훈련을 위한 실험 매개변수를 설정한다. 충ㆍ방전 크기가 다르고 빈번한 프로파일에서 적합성을 가지는지 판단하기 위해 특정 방전 크기 프로파일로 훈련된 모델과 다양한 방전 크기로 훈련된 모델의 정확도를 비교한다. 그후 UDDS 프로파일을 검증 데이터로 사용하여 모델 파라미터에 대한 정확도를 비교한다.
충ㆍ방전 크기가 다르고 빈번한 프로파일에서 적합성을 가지는지 판단하기 위해 특정 방전 크기 프로파일로 훈련된 모델과 다양한 방전 크기로 훈련된 모델의 정확도를 비교한다. 그후 UDDS 프로파일을 검증 데이터로 사용하여 모델 파라미터에 대한 정확도를 비교한다. LSTM 모델의 구조와 학습 방법에 대한 영향은 평균 절대오차(MAE), 평균 제곱근 오차(RMSE), 최대 오차(MAX)를 평가지표로 비교하고 최적의 모델 파라미터를 제시한다.
첫 번째로 방전 용량 실험을 수행한다. 이 실험은 배터리의 용량을 확인하는 실험으로 2,450mA(0.
첫 번째로 방전 용량 실험을 수행한다. 이 실험은 배터리의 용량을 확인하는 실험으로 2,450mA(0.5C)의 크기로 정전류 충전을 하였고 최대 전압 4.2V에서 완전 충전을 하였다. 그 후 1시간 동안휴지 시간을 거쳐 배터리 내부를 안정시키고 샘플 타임 1초로 각 0.
2V에서 완전 충전을 하였다. 그 후 1시간 동안휴지 시간을 거쳐 배터리 내부를 안정시키고 샘플 타임 1초로 각 0.5C, 1C(4,900mA), 2C(9,800mA)로 방전 하한 전압 2.5V까지 방전을 진행하였다. 그림 5는 방전 실험 결과이며 각 방전 크기의 전압과 전류를 나타낸다.
하한전압에 도달하는 시간을 기준으로 각 방전 크기의 용량을 계산하여 전류적산법으로 SOC를 구할 때 반영한다. 다음으로 전류의 급격한 변화에 대한 SOC 추정 성능을 검증하기 위해 전기차 주행 시험에 사용되는 프로파일인 UDDS 실험을 진행하였다. 그림 6은 UDDS 프로파일의 전류, 전압을 나타내며, 최대 2C로 단시간 내에 충ㆍ방전을 수행한 프로파일이다.
이장에서는 LSTM 네트워크 모델을 위한 데이터 전처리 방법과 구현 방법을 다룬다. 먼저, 모델입력의 모양에 따른 영향을 비교하고, 다음으로 LSTM의 구조와 모델 파라미터 설정에 따른 학습능력 및 성능을 비교ㆍ분석한다.
표준화를 한 데이터와 기존 데이터를 각각 훈련하여 평가를 진행하였고 전류적산법 기반의 SOC와 결과를 비교하였다. 실험 결과는 표 4에 나타냈다.
특정 방전 크기 데이터로 훈련된 모델이 다른 방전 크기 데이터를 추정할 수 있는지 확인하기 위해 표 5와 같이 훈련 데이터를 다르게 설정하여 실험을 수행한다. Case 1로 특정 방전 크기로 데이터를 훈련 데이터로 사용하며 Case 2로 다양한 방전 크기 데이터로 훈련한다.
모델 파라미터는 모델의 구성이나 훈련 과정에 필요한 파라미터로 레이어, 유닛, 배치 사이즈, 에포크 등이 해당된다. 이 장에서는 동적인 프로파일에서 적합한 추정 정확도를 얻기 위해 레이어, 유닛 두 가지의 파라미터를 선정하고 실험을 통해 정확도를 비교한다. 선정된 파라미터를 제외한 모델파라미터는 모두 동일하게 설정한다.
다음으로 레이어 수 차이에 따른 모델 성능을 비교한다. 각 1, 2, 4개의 레이어를 포함하는 모델 3개를 각각 학습하고 성능을 비교한다. 다수의 레이어를 사용하기 때문에 각 모델은 드롭 아웃층을 포함한다.
본 논문에서는 직접 측정이 불가능한 리튬 이온 배터리 SOC를 추정하기 위해 시간 종속성을 학습할 수 있는 LSTM 네트워크를 사용하였다. 훈련과 검증에 필요한 데이터는 전기적 실험을 통해 일정 크기로 방전된 전류, 전압, 온도를 수집하였다. 인공지능 알고리즘에서 데이터의 양과 질이 추정 정확도에 큰 영향을 주는 만큼 데이터 전처리를 수행하였다.
훈련과 검증에 필요한 데이터는 전기적 실험을 통해 일정 크기로 방전된 전류, 전압, 온도를 수집하였다. 인공지능 알고리즘에서 데이터의 양과 질이 추정 정확도에 큰 영향을 주는 만큼 데이터 전처리를 수행하였다. 방전 실험 데이터를 통해 동적인 프로파일 추정을 위해서는 다양한 방전 크기의 데이터가 필요하다는 것을 확인하고, 정확도 향상에 영향을 미치는 모델 파라미터를 선정하여 실험을 수행하였다.
인공지능 알고리즘에서 데이터의 양과 질이 추정 정확도에 큰 영향을 주는 만큼 데이터 전처리를 수행하였다. 방전 실험 데이터를 통해 동적인 프로파일 추정을 위해서는 다양한 방전 크기의 데이터가 필요하다는 것을 확인하고, 정확도 향상에 영향을 미치는 모델 파라미터를 선정하여 실험을 수행하였다. 그 결과 과적합이 발생하는 모델 파라미터의 조건을 확인하고 드롭 아웃와 파라미터 조절을 통해 LSTM 모델을 구현하였다.
방전 실험 데이터를 통해 동적인 프로파일 추정을 위해서는 다양한 방전 크기의 데이터가 필요하다는 것을 확인하고, 정확도 향상에 영향을 미치는 모델 파라미터를 선정하여 실험을 수행하였다. 그 결과 과적합이 발생하는 모델 파라미터의 조건을 확인하고 드롭 아웃와 파라미터 조절을 통해 LSTM 모델을 구현하였다. 추가적으로 다양한 종류의 주행 프로파일로 훈련을 한다면 정확도 향상에 도움을 줄 것이라고 생각한다.

대상 데이터

2절에서 LSTM의 구조와 동작과 훈련 데이터를 얻기 위한 전기적 방전 용량 실험과 Urban Dynamometer Driving Schedule(UDDS) 실험을 수행한다. 실험을 통해 수집한 데이터는 총 4개의 프로파일로 최대 방전 크기가 모두 다르다. 3 절에서는 훈련 데이터의 질을 높이기 위한 데이터 전처리 방법을 소개하고 제안한 LSTM 모델 훈련을 위한 실험 매개변수를 설정한다.
훈련 데이터 수집 위해 사용한 테스트 장비는 그림 4번과 같다. 실험에 사용한 삼성 INR21700-50E셀은 리튬 망간 니켈(LiNiMnCoO2) 충전 화학 물질의 배터리 이며 공칭 용량은 5000mA, 최대 전압은 4.2V이다. 자세한 사양은 표 1에서 확인할 수 있다.
자세한 사양은 표 1에서 확인할 수 있다. 배터리 테스트 장비는 MACCOR Model 4300이며 전류범위는 최대 15A까지다. 훈련 데이터 수집을 위해 표 2와 같이 두 가지의 실험을 수행한다.
실험 환경은 CPU Intel i7 9700K 12Mb, GPU NVIDIA GeForce RTX 2060 6GB와 RAM 64GB로 구성된 데스크탑이다. 모델 구현은 Python과 Tensorflow Backend를 사용한다.
선정된 파라미터를 제외한 모델파라미터는 모두 동일하게 설정한다. 실험에 사용한 훈련 데이터는 3.3절에서 얻은 다양한 방전 크기 데이터와 UDDS 프로파일이다. 검증 데이터는 SOC 50%의 UDDS 프로파일로 모델의 적합성을 판단한다.
3절에서 얻은 다양한 방전 크기 데이터와 UDDS 프로파일이다. 검증 데이터는 SOC 50%의 UDDS 프로파일로 모델의 적합성을 판단한다. 우선 그림 9와 표 6은 각각 계산 유닛 수 차이에 따른 추정 SOC와 모델의 성능 지표를 나타낸다.
우선 그림 9와 표 6은 각각 계산 유닛 수 차이에 따른 추정 SOC와 모델의 성능 지표를 나타낸다. 하나의 레이어에 각각 64, 128, 256, 512개의 유닛을 가진 모델로 실험을 수행하였다. 실험 결과 유닛의 수가 많을수록 추정 정확도는 높아지는 경향을 보였으나 유닛수가 512개일 때는 오히려 추정 정확도가 떨어졌다.
본 논문에서는 직접 측정이 불가능한 리튬 이온 배터리 SOC를 추정하기 위해 시간 종속성을 학습할 수 있는 LSTM 네트워크를 사용하였다. 훈련과 검증에 필요한 데이터는 전기적 실험을 통해 일정 크기로 방전된 전류, 전압, 온도를 수집하였다.

데이터처리

각 순전파의 마지막 단계에서 추정값과 측정값의 오차를 최소화하기 위한 손실함수가 계산되며 이는 평균제곱오차(Mean Square Error, MSE)를 사용된다. 손실함수는 다음 식 7번과 같다.

이론/모형

기존 SOC 추정 방법은 전류적산법을 사용하거나 적응형 필터 기반인 칼만 필터(Kalman Filter, KF)를 사용한다. 전류적산법은 쉽고 강력하여 널리 사용되지만 곱셈에 의존한 방법으로[5] 곱셈의 초기값, 전류 센서 또는 열화에 대한 오차 등에 영향을 받는다는 문제점이 있다.
측정값과 추정 값의 차이를 역전파 기법을 통해 네트워크 가중치를 업데이트한다. 이는 최적화 기법인 Adam을 통해 수행된다. Adam은 AdaGrad (duchi et al,.
실험 환경은 CPU Intel i7 9700K 12Mb, GPU NVIDIA GeForce RTX 2060 6GB와 RAM 64GB로 구성된 데스크탑이다. 모델 구현은 Python과 Tensorflow Backend를 사용한다. 모델은 입력층과 2개의 은닉층을 사용한다.
모델 성능의 검증 지표는 MAE, RMSE, MAX를 사용한다. 각 지표의 계산식은 아래 식 10, 11과 같다.

성능/효과

실험 결과는 표 4에 나타냈다. 일반 데이터로 훈련한 모델보다 표준화가 된 데이터가 최적결과로 수렴하는데 더 적은 시간이 걸린다는 것을 확인하였다.
그림 7은 1C 프로파일로 훈련한 모델의 추정 SOC와 오차율이다. 0.5C프로파일은 RMSE 8%, MAX 14%를 보였고, 2C프로파일은 RMSE 12%, MAX 17%의 결과를 보였다. 이는 특정 방전 크기의 데이터가 다양한 방전 크기의 데이터에서 추정 성능이 떨어질 수 있음을 확인할 수 있다.
이 모델 네트워크의 결과는 그림 8번과 같다. 평균 RMSE 3%, MAX 6%로 특정 방전 데이터로 훈련한 것보다 RMSE 5% 낮은 결과를 보였다. 이를 통해 다양한 방전 크기의 프로파일로 훈련한 모델이 다양한 C-rate에서 추정 성능이 향상된 결과를 확인하였다.
평균 RMSE 3%, MAX 6%로 특정 방전 데이터로 훈련한 것보다 RMSE 5% 낮은 결과를 보였다. 이를 통해 다양한 방전 크기의 프로파일로 훈련한 모델이 다양한 C-rate에서 추정 성능이 향상된 결과를 확인하였다.
하나의 레이어에 각각 64, 128, 256, 512개의 유닛을 가진 모델로 실험을 수행하였다. 실험 결과 유닛의 수가 많을수록 추정 정확도는 높아지는 경향을 보였으나 유닛수가 512개일 때는 오히려 추정 정확도가 떨어졌다. 이는 과적합이 발생하였으며 동일 배치사이즈와 에포크라면 유닛의 수 차이에 따라 과적합이 발생하여 정확도가 떨어질 수 있다.
이는 데이터의 양이 풍부하지 않은 상황에서 레이어 수의 증가는 모델 성능이 저하될 수 있음을 보여준다. 두 가지 모델 파라미터를 선정하여 실험한 결과 유닛의 수가 128개인 레이어 1개와 드롭아웃을 포함한 모델의 성능이 MAE 0.62%, RMSE 0.82%, MAX 2.54%로 가장 좋은 것으로 나타난다.

후속연구

그 결과 과적합이 발생하는 모델 파라미터의 조건을 확인하고 드롭 아웃와 파라미터 조절을 통해 LSTM 모델을 구현하였다. 추가적으로 다양한 종류의 주행 프로파일로 훈련을 한다면 정확도 향상에 도움을 줄 것이라고 생각한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	배터리 관리 시스템의 역할은 무엇인가?	전기 자동차용 배터리의 경우 고용량과 복잡한 운영환경을 가지고 있으므로 리튬 이온 배터리가 안전하고 신뢰성 있게 작동하기 위해서는 배터리 관리 시스템이 필요하다[3]. 배터리 관리 시스템은 배터리 상태를 모니터링하고 안정적인 운영 영역에서만 작동하도록 제어하며, 충전상태(SOC)는 배터리 상태 판단에 중요한 요소이다. 충전상태는 작동중인 배터리의 정격용량 대비 잔류 전하 비율로 정의되는데[4] 이는배터리의 비선형성 또는 전기화학적인 반응으로인해 직접 측정할 수 없기 때문에 다양한 방법들이연구되었다.
	서포트 벡터 머신(SVM)의 한계는 무엇인가?	하지만이는 현재 입력에 의해 계산되는 값이다. 배터리의SOC는 전류의 누적량으로 계산되기 때문에 추정네트워크에 시퀀스 정보를 포함해야할 필요가 있다. 인공지능 알고리즘을 사용한 RNN은 상태 변수를 통해 시퀀스에 따라 변화하는 데이터를 학습할수 있다.
	정확한 충전상태(SOC) 추정 기술은 왜 필요한가?	안전하고 최적의 배터리 성능을 유지하기 위해 정확한 충전상태(SOC) 추정 기술이 필수적이다. 본 논문에서는 기존의 전류적산 방법이 가지고 있는 문제를 해결하기 위해 시간 종속성을 가지는 인공지능 기반의 LSTM을 이용한 SOC 추정 방법을 적용하였다.

참고문헌 (18)

Alicia K. Birky, "Modeling for Light and Heavy Vehicle Market Analysis," Energetics, 2015 Department of Energy, 2015.
M. A. Hannan, M. S. H. Liqu, A. Hussain, A. Mohamed, "A review of lithium-ion battery state of charge estimation and management system in electric vehicle application: Challenges and recommendations," Renewable and Sustainable Energy Reviews, vol.78, pp.834-854, 2017.

상세보기
L. Lu, X. Han, J. Li, J. Hua, and M. Ouyang, "A review on the key issues for lithium-ion battery management in electric vehicles," Journal of Power Sources, vol.226, pp.272-288, 2013. DOI: 10.1016/j.jpowsour.2012.10.060

상세보기
C. Huang, Z. Wang, Z. Zhao, L. Wang, C. S. Lai, and D. Wang, "Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation," IEEE, vol.6, pp.27617- 27628, 2018. DOI: 10.1109/ACCESS.2018.2833858
Kong Soon Ng, Chin-Sien Moo, Yi-Ping Chen, Yao-Ching Hsieh, "Enhanced coulomb counting method for estimating state-of-charge and stateof- health of lithium-ion batteries," Applied Energy, vol.86, No,9, pp.1506-1511, 2009. DOI: 10.1016/j.apenergy.2008.11.021

상세보기
Saeed Sepasi, Reza Ghorbani, Bor Yann Liaw, "A novel on-board state-of-charge estimation method for aged Li-ion batteries based on model adaptive extended kalman filter," Journal of Power Sources, vol.245, pp.337-344, 2014. DOI: /10.1016/j.jpowsour.2013.06.108

상세보기
G. L. Plett, "Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 2. Modeling and identification," Journal of Power Sources, vol.134, pp.262-276, 2004. DOI: 10.1016/j.jpowsour.2004.02.032

상세보기
G. L. Plett, "Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 3. Modeling and identification," Journal of power Sources, vol.134, no.2, pp.277- 292, 2004. DOI: 10.1016/j.jpowsour.2004.02.032

상세보기
Bo Dai, Yuqi Zhang, Dahua Lin. "Detecting Visual Relationships with Deep Relational Networks," The IEEE Conference on Computer Vision and Pattern Recognition, pp.3076-3086, 2017.
Xiaosong Hu, Shengbo Eben Li, Yalian Yang. "Advanced Machine Learning Approach for Lithium-Ion Battery State Estimation in Electric Vehicles," IEEE Transaction on Transportation Electrification, Vol.2, No.2, pp.140-149, 2016. DOI: 10.1109/TTE.2015.2512237

상세보기
YongZhi Zhang, Rui Ziong, HongWen He, Zhiru Liu. "A LSTM-RNN method for the lithium-ion battery remaining useful life prediction," Prognostics and System Health Management Conference(PHM-Harbin), 2017. DOI: 10.3390/en12040660
Juan Pablo Rivera-Barrera, Nicolas Munooz- Galeano and Henry Omar Samiento-Maldonade "SOC Estimation for Lithium-ion Batteries: Review and Future Challenges," Journals of Electronics, Vol.6, No.4, pp.102, 2017. DOI: 10.3390/electronics6040102
Juan Carlos Alvarez Anton, Paulino Jose Garcia Nieto, Cecilio Blanco Viejo, Jose Antonio Vilan Vilan, "Support Vector Machines Used to Estimate the Battery State of Charge," IEEE Transactions on Power Electronics, vol.28, pp. 5919-5926, 2013. DOI: 10.1109/TPEL.2013.2243918

상세보기
Xiangbao Song, Fangfang Yang, Dong Wang, and Kwok-Leung Tsui, "Combined CNNLSTM Network for State-of-Charge Estimation of Lithium-Ion Batteries," IEEE Access, vol.7, pp.88894-88902, 2019. DOI: 10.1109/ACCESS.2019.2926517

상세보기
Sutskever I. Training recurrent neural networks. Doctoral; 2013.
Hochreiter S, Schmidhuber J. "Long shortterm memory," Neural Computation, vol.9(8), pp. 1735-80, 1997.

상세보기
Kingma DP, Ba J. "Adam: a method for stochastic optimization," CoRR, vol.abs/1412.6980, 2014.
Zhe Li, Jun Huang, Bor Yann Liaw, Jianbo Zhang, "On state-of-charge determination for lithium-ion batteries," Journal of Power Sources, vol.348, pp.281-301, 2017. DOI: 10.1016/j.jpowsour.2017.03.001

상세보기

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증