1.一种基于交叉流形嵌入迁移学习的电池SOH预测方法，其特征在于，包括以下步骤：(1)、提取特征

(1.1)、提取辅助电池S在每一次完整充放电过程中的m维特征向量，以及健康状态SOH，由这些特征向量与SOH构成源域 其中，X与Y分别表示特征向量集合与SOH集合，x与y分别表示单次提取的特征向量和健康状态SOH，n表示辅助电池S在整个寿命周期的总循环次数；

(1.2)、提取新电池T在前t次完整充放电过程中的m维特征向量，以及健康状态SOH，由T

这些特征向量与SOH构成目标域 其中，Y∈[a,b]，

(2)、数据预处理

利用matlab中的mapminmax函数分别对Dsource和Dtarget中的特征向量x进行归一化，健康状态y不变，然后再利用matlab中的smooth函数分别进行滤波平滑化处理，处理完成后的源域记为 目标域记为

(3)、流形映射

(3.1)、将将步骤(2)处理后的目标域 作为流形映射的锚点集Danchor，即：(3.2)、从源域 中选择辅助集Dtrain；

从步骤(2)处理后的源域 中选取与锚点集Danchor的SOH处于同一区间[a,b]的电池数据作为流形映射的对象，构成辅助集(3.3)、寻找辅助集Dtrain在锚点集Danchor中的K近邻及最优权重，并做特征映射得到理想点集Dideal：

(3.3.1)、在辅助集Dtrain任意选取一个辅助集样本(xk,yk)，k＝1,2,…,n'，n'为辅助集Dtrain中辅助集样本的个数，n'＜n；

(3.3.2)、计算每一个锚点 与辅助集样本(xk,yk)的SOH的绝对值， 然后对所有的绝对值进行升序排列，选取绝对值最小的K个锚点作为辅助集样本(xk,yk)在锚点集Danchor中的K近邻，记为(3.3.3)、求解辅助集样本(xk,yk)关于K近邻的最优权重；

记辅助集样本(xk,yk)关于K近邻 的权重向量为W＝[w1,w2,…,wh,…,wK]，wh为辅助集样本(xk,yk)关于第h个近邻点 的权重；

基于流形映射的LLE算法，求辅助集样本(xk,yk)关于K近邻的最优权重W，即求解以下优化问题：

求解步骤如下：

1)、取辅助集样本(xk,yk)与K近邻 的SOH，令：Y＝[yk,…,

1×K

yk]∈R ， 其中，R表示实数域；

T K×K

构造矩阵S：S＝(Y‑N) (Y‑N)∈R ，此处的上标T表示转置；

‑1 K×K

2)、计算S的逆矩阵S ∈R ；

‑3 ‑1

令S+10 *trace(S)*eye(K,K)替代S，然后计算逆矩阵S ；其中，trace(S)为矩阵S的迹，eye(K,K)为K阶单位矩阵；

‑1

3)、根据S 计算最优权重W： 其中1K表示K*1维的元素全为1的向量，此处的上标T表示转置；

(3.3.4)、辅助集样本(xk,yk)的特征映射；

利用K近邻 及最优权重W将辅助集样本(xk,yk)的特征向量x进行映射，得到 从而得到辅助集样本(xk,yk)的特征映射理想点(3.4)、重复步骤(3.3.1)‑(3.3.4)，将辅助集Dtrain中所有辅助集样本的特征向量x进行映射，得到所有的特征映射理想点；

(3.5)、将所有的特征映射理想点构成理想点集(4)、源域的映射；

(4.1)、通过matlab中的polyfit函数将辅助集映射前后的两个点集Dtrain与Dideal的特征向量x进行多项式拟合，得到模型p；

(4.2)、基于模型p，利用matlab中的polyval函数对源域Dsource的特征向量x进行映射，得到源域映射后的点集D'source；

(5)、实时预测新电池T的SOH；

(5.1)、将映射后的源域数据D'source训练最小二乘支持向量机预测模型，使每输入一个特征向量 最小二乘支持向量机预测模型对应输出一个SOH值 即：(5.2)、实时采集新电池T在第t+1次完整充放电过程中的m维特征向量，然后按照步骤(2)所述方法进行预处理，预处理完成后输入至最小二乘支持向量机预测模型，从而实时输出新电池T在第t+1时刻的SOH值。