算法介绍:

算法基于Transformer+CNN模式，卷积神经网络（CNN）与循环神经网络（RNN）的组合极具价值。CNN擅长从不同输入中提取特征，并且因其能自动检测输入数据的重要特征，从而可减少处理数据时的参数数量，这有助于提取关键特征并探寻不同输入参数间的关系。RNN包含记忆电池，能存储先前时间步的估计状态，进而在未来估计中加以考虑以提升准确性，尤其适用于提取构成输入和输出数据的时间序列的时间关系。

解决传感器痛点问题:

1、传感器个体差异和一致性问题

2、传感器个体受环境影响（负载，温度等）的差异性问题

3、传感器老化等差异性问题

目标应用场景:

1、汽车和工业领域的传感器（压力，湿度，温度等）

2、电池SoC预测

3、环境/空气传感器等

客户快速应用落地:

提供以下工具、软件包和技术支持，客户能快速训练并推理观察的参数：

1、AI-SDK包

2、开发板样品

3、AI开发工具：包括x86数据通讯和展示工具、训练环境和工具

4、AI的samples代码

举例说明：电池SOC精准预测

1、电池SOC预测方案模型介绍

图一：方案模型

2、演示拓扑图

图二：方案演示拓普图

3、结果展示：实测数据和预测数据误差小于3%

图三：预测和实际SoC对比