锂离子电池具有自放电率低、能量密度高、使用寿命长、重量轻、环保等优点,目前广泛应用于家用电器、智能手机、电动汽车等应用领域。然而,电池在使用后立即开始退化,当容量达到额定容量的60-80%时,需要更换电池,以防止安全事故的发生。电池的健康状态估计可以保证电池系统的安全可靠运行。本文的第一项工作通过联合卷积神经网络(CNN)与长短时记忆网络(LSTM)来从电流、电压和时间等数据中推断电池健康状态。通信信号的调制识别对军事及民用通信等领域具有重要意义,本文的第二项工作致力于实现基于深度学习实现了通信调制方式的识别。本文所提出的框架的创新点如下:1.针对锂离子电池的容量、阻抗等性能参数在实际运行中不易测量的问题,本文利用电池充放电过程中的电压、电流和时间等间接可测量参数,开展锂离子电池剩余寿命预测的研究。首先提出使用恒压充电时间和恒流充电时间作为健康因子预测电池剩余使用寿命的方法。由于深度学习方法可以在不分析电池衰减机理的情况下,就能对锂离子电池的循环寿命作出精确预测。本文提出基于长短期记忆单元(LSTM)的多通道卷积网络的方法,使所开发的卷积循环网络能够捕获电池相关参数与电池剩余循环寿命之间潜在的长期依赖关系。实验结果表明,所提出的基于长短期记忆单元的多通道卷积网络很好地捕捉了电池寿命与可测变量之间的非线性关系,最大平均绝对误差不超过6个充电循环,最大均方根误差不超过14个循环。2.考虑到深度学习在处理小样本数据上的短板,为无线电I/Q信号数据提供了一种通用且鲁棒的特征模板,并通过机器学习算法证明其有效性。考虑到传统机器学习算法步骤复杂、鲁棒性低、准确率不高,提出基于深度神经网络的无线电调制识别任务。针对人工设计神经网络耗时且难以找到庞大搜索空间的最优解的问题,神经体系结构搜索(Neural Architecture Search,NAS)被提出以自动搜索神经网络,以找到特定任务的最佳体系结构和超参数。NAS在调制信号分类问题中的应用很少,本文提出了改进遗传算法(Genetic Algorithm,GA)来解决传统遗传算法在模型求解过程中盲目迭代、效率偏低等问题,采用探索策略和锦标赛策略等相结合的方法进行选择操作,同时赋予变异过程正反馈特性,在不失种群多样性的前提下提高算法的寻优效率。通过向适应度函数引入预测时间指标来加快体系结构搜索,提高算法的收敛性、稳定性和求解质量。并与基准VGG体系结构进行了对比。实验结果表明,仅使用1个GPU小时的进化搜索获取的神经体系结构就表现出超过人工设计的最佳基线结构的性能。3.其次,基于遗传算法的研究自适应地设置了网络的参数,但大部分网络结构尚未探索,如递归结构、跳层连接和多尺度卷积等,针对这一问题,本文提出了基于多尺度卷积胶囊网络的识别方法。将无线电I/Q信号数据作为图像数据进行处理,并引入多尺度卷积模块,学习输入的层次特征。同时,针对卷积神经网络中的池化导致局部内容的位置和相对空间关系等信息丢失而导致的训练数据不足问题,引入胶囊网络来降低卷积网络对样本数量的依赖。但是此方法利用前馈卷积网络进行特征提取,没有考虑信号的时序特性与信号的相位信息,缺少输入序列之间的整体逻辑,针对以上问题,提出了一种基于幅相增强网络的识别方法。同时,引入注意力机制对幅度和相位的关键帧进行增强,实现信息的自适应校准与信号的有效识别,最后引入AM-softmax提高类内识别效果,增强关键特征的表征能力。在包含各种信道缺陷的由11种数字和模拟调制信号组成的RadioML数据集上可达到91.3%的整体识别准确率。