리튬이온배터리(LIBs) 잔존유효수명(RUL) 예측은 배터리 관리 시스템(BMS)에 있어 필수적이다. 이는 서로 다른 산업에 사용되는 배터리의 최적 성능과 수명 연장을 제공하는 데 중요하다. 본 연구에서는 배터리 분석의 정확성과 견고성을 향상시키기 위해 머신러닝 기법과 하이브리드 모델링 전략을 결합한 혁신적인 접근법을 제안한다. k-최근접이웃(k-Nearest Neighbors, kNN), 랜덤 포레스트(Random Forest, RF), XGBoost 알고리즘의 강점을 활용함으로써, 제안된 모델은 배터리 데이터의 복잡한 관계와 패턴을 효과적으로 포착한다. 우리는 용량, 전압, 사이클, 온도와 같은 필수 배터리 파라미터로 구성된 포괄적인 데이터셋을 면밀히 선별하였다. 엄격한 실험과 평가를 통해, 제안된 방법은 RUL 및 용량 페이드(capacity fade)를 예측하는 데 있어 기존 접근법을 능가함을 확인하였다. 본 분석을 통해 얻은 통찰은 배터리 성능을 최적화하는 데 유용한 지침을 제공하고, 정보에 기반한 유지보수 계획을 가능하게 하며, 에너지 저장 시스템의 효율을 향상시키는 데 기여한다.

본 논문에서는 수중 음향 통신에서 채널 시간 변동성에 대해 등화기와 위상 고정 루프(PLL)가 함께 동작할 때의 성능을 검증한다. 채널의 다중경로로 인한 영향을 제거하기 위해 결정 피드백 등화기(decision feedback equalizer)를 적용하고, 도플러 효과로 인한 위상 회전에 대해서는 PLL을 적용한다. PLL에서는 결정 지향(decision-directed) tan−1 유형 위상 검출기를 채택한다. 선행 연구에서 보였듯이, 다중경로로 인해 발생하는 시간 가변적 ISI로 인하여 PLL을 정상상태로 유지하는 것은 어렵다. 또한 위상 회전은 등화기 탭 회전을 유발한다. 따라서 등화기와 PLL의 두 하위 시스템이 서로를 완벽하게 보완함을 확인할 수 있다. 또 다른 문제는 수렴 속도이며, 사전 정의된 전송 구간인 프리앰블 기간(알려진 데이터) 동안 연합 등화기와 PLL을 얼마나 빠르게 안정한 정상상태로 만들 수 있는지의 문제이다. 성능을 검증하기 위해 이동 송신기 조건에서 해상 실험을 수행하였다. 송신 신호는 PSK로 변조되며, PN 코드 프리앰블과 임의 데이터로 구성된 다섯 개의 버스트 프레임으로 이루어진다. 그 결과, 초기 다중경로 값과 도플러 주파수 오프셋을 사용하면 연합 등화기와 PLL을 정상상태로 더 빠르게 만들 수 있다.