CN107067036A - 一种接地网腐蚀速率预测方法 - Google Patents
一种接地网腐蚀速率预测方法 Download PDFInfo
- Publication number
- CN107067036A CN107067036A CN201710262429.1A CN201710262429A CN107067036A CN 107067036 A CN107067036 A CN 107067036A CN 201710262429 A CN201710262429 A CN 201710262429A CN 107067036 A CN107067036 A CN 107067036A
- Authority
- CN
- China
- Prior art keywords
- mrow
- sample
- msub
- cluster
- disaggregation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005260 corrosion Methods 0.000 title claims abstract description 25
- 230000007797 corrosion Effects 0.000 title claims abstract description 25
- 230000006870 function Effects 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 13
- 239000003016 pheromone Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000001537 neural effect Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供了一种接地网腐蚀速率预测方法，涉及发电站技术领域，用蚁群聚类算法确定RBF网络的隐层中心值，对基本的蚁群算法进行了进一步改进，并且加入了局部搜索，然后把改进的蚁群聚类算法与RBF神经网络结合用于接地网腐蚀速率的预测。大量数据计算表明，该方法预测接地网腐蚀速率具有较高的精度和较好的泛化能力。
Description
技术领域
本发明涉及发电站技术领域，特别涉及一种接地网腐蚀速率预测方法。
背景技术
影响接地网腐蚀速率的因素非常复杂，其中主要的因素包括pH值、含水量、电导率、有机质、全氮、的浓度、Cl-的浓度、的浓度、Ca2+的浓度、Mg2+的浓度、K+的浓度、Na+的浓度。接地网腐蚀速率与以上12种主要影响因素之间存在着非常复杂的非线性关系，且各影响因素之间相互关联、相互制约，很难通过某一个精确的函数清楚地表达出它们之间模糊的本构关系。
目前虽然也有一些预测方法，例如基于K均值法的RBF网络的腐蚀速率预测方法，但是这类方法的预测准确率普遍不高，效果不够好。
发明内容
本发明实施例提供了一种接地网腐蚀速率预测方法，用以解决现有技术中存在的问题。
一种接地网腐蚀速率预测方法，包括：
对采集得到的样本进行归一化处理，获得归一化后的样本；
对归一化后的样本进行聚类，输出最优的聚类解集，具体包括：
初始化蚁群参数；
根据归一化后的样本计算各个聚类中心，以每个样本到聚类中心的距离之和最小为目标函数，计算每个样本的目标函数值；
将计算得到的每个样本的目标函数值从小到大排序，在排序后的目标函数值中，取前L个目标函数值对应的样本作为需要交换的样本，对需要交换的样本进行局部搜索；
进行局部搜索后，对前L个目标函数值对应的样本进行信息素更新；
按照以上步骤进行循环迭代，直到达到最大迭代次数num，输出最优聚类解集；
基于蚁群聚类的RBF网络学习，包括：
样本训练，以所述最优聚类解集的蚁群聚类中心值为RBF网络的隐层中心值取，以最优聚类解集的聚类个数为隐层节点个数，计算隐节点数据中心间的距离，以隐节点间的最小距离作为扩展常数，先计算各归一化后的样本离各数据中心的距离，然后计算隐节点的输出阵，最后得到输出权值和偏移量；
样本测试，根据样本训练中得到的参数对归一化后的样本进行测试，对测试结果反归一化，得到腐蚀速率。
优选地，对采集得到的样本按照以下公式进行归一化处理：
其中，αi表示归一化后的样本，i＝(1,2,…,N)，X表示采集得到的样本集，其中样本集中有N个样本xi和M个聚类解集{Sj,j＝1,2,…,M}。
优选地，按照以下公式计算每个样本的目标函数值：
其中，xip为第i个样本xi的第p个属性，cjp为第j个聚类解集Sj的第p个属性，若第i个样本xi属于第j个聚类解集Sj，则wij＝1，否则wij＝0。
优选地，对需要交换的样本进行局部搜索，具体包括：
对于每一个样本，产生一个随机数q'，若随机数q'小于q，则选择聚类中心与样本间距离最短的聚类解集作为样本需要归属的类；如果该随机数q'大于或等于q，根据设定的转换概率pij选择样本需要转换的聚类解集：
其中，τij为第i个样本xi和所属第j个聚类解集Sj间的标准化信息素；
确定每个样本归属的聚类解集后重新聚类，重新计算每个样本的目标函数值，如果重新聚类后的样本的目标函数值小于重新聚类前的样本的目标函数值，则保留重新聚类后的聚类解集，否则保留重新聚类前的聚类解集。
优选地，按照以下公式对前L个目标函数值对应的样本进行信息素更新：
τij(t+1)＝(1-r)τij(t)+Δτij(t)
其中，r为信息素衰减系数，τij(t)为第i个样本xi与第j个聚类解集Sj在t时刻的信息素浓度；Δτij表示本次循环信息素的增量；表示第k只蚂蚁在本次循环中所释放的信息素，设Lk为蚂蚁的目标函数值，Q为一参数常量值，若蚂蚁k中的第i个样本xi属于第j个聚类解集Sj，则否则
本发明提供的一种接地网腐蚀速率预测方法，用蚁群聚类算法确定RBF网络的隐层中心值，对基本的蚁群算法进行了进一步改进，并且加入了局部搜索，然后把改进的蚁群聚类算法与RBF神经网络结合用于接地网腐蚀速率的预测。大量数据计算表明，该方法预测接地网腐蚀速率具有较高的精度和较好的泛化能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种接地网腐蚀速率预测方法的预测结果与实测结果的对比图；
图2为现有技术中基于K均值法的RBF网络的腐蚀速率预测结果与实测结果的对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种接地网腐蚀速率预测方法，该方法包括：
对采集得到的样本按照公式(1)进行归一化处理：
其中，αi表示归一化的样本，i＝(1,2,…,N)，X表示采集得到的样本集，其中样本集中有N个样本xi和M个聚类解集{Sj,j＝1,2,…,M}；
对归一化的样本进行聚类，输出最优的聚类解集。具体步骤如下：
初始化蚁群参数，具体需要初始化的蚁群参数包括：蚂蚁数量ant、类的数量class、转换规则参数q(0<q<1)、信息素衰减系数r、局部搜索阈值h、迭代次数num、初始信息素tau和初始聚类解集solution；
根据归一化后的样本计算各个聚类中心，以每个样本到聚类中心的距离之和最小为目标函数，计算每个样本的目标函数值：
其中，xip为第i个样本xi的第p个属性，cjp为第j个聚类解集Sj的第p个属性，若第i个样本xi属于第j个聚类解集Sj，则wij＝1，否则wij＝0；
将计算得到的每个样本的目标函数值按照从小到大的顺序排序，在排序后的目标函数值中，取前L个目标函数值对应的样本作为需要交换的样本，对需要交换的样本进行局部搜索，具体为：
对于每一个样本，产生一个随机数q'，若随机数q'小于q，则选择聚类中心与样本间距离最短的聚类解集作为样本需要归属的类；如果该随机数q'大于或等于q，根据设定的转换概率pij选择样本需要转换的聚类解集：
其中，τij为第i个样本xi和所属第j个聚类解集Sj间的标准化信息素；
确定每个样本归属的聚类解集后重新聚类，根据式(2)重新计算每个样本的目标函数值，如果重新聚类后的样本的目标函数值小于重新聚类前的样本的目标函数值，则保留重新聚类后的聚类解集，否则保留重新聚类前的聚类解集。
进行局部搜索后，对前L个目标函数值对应的样本按照下式进行信息素更新：
τij(t+1)＝(1-r)τij(t)+Δτij(t) (5)
其中，τij(t)为第i个样本xi与第j个聚类解集Sj在t时刻的信息素浓度；Δτij表示本次循环信息素的增量；表示第k只蚂蚁在本次循环中所释放的信息素，设Lk为蚂蚁的目标函数值，Q为一参数常量值，若蚂蚁k中的第i个样本xi属于第j个聚类解集Sj，则否则
按照以上步骤进行循环迭代，直到达到最大迭代次数num，输出最优聚类解集。
基于蚁群聚类的RBF网络学习，主要包括：
样本训练。隐层中心值和隐层节点个数的确定，这里RBF网络的隐层中心值取上述最优聚类解集的蚁群聚类中心值，隐层节点个数取最优聚类解集的聚类个数。计算隐节点数据中心间的距离，以隐节点间的最小距离作为扩展常数。先计算各归一化后的样本离各数据中心的距离，然后计算隐节点的输出阵，最后得到输出权值和偏移量。
样本测试。根据样本训练中得到的隐层中心值、隐层节点个数、扩展常数、输出权值和偏移量等参数对归一化后的样本进行测试，对测试结果反归一化，获得腐蚀速率。
为了检验该模型的正确性，我们用全国不同地方的变电站腐蚀速率及影响因素数据来验证。共有101组数据，如表1所示。
表1接地网腐蚀速率及影响因素
这些数据中，前93组用来训练，后8组用来测试。在蚁群聚类中参数设置如下：蚂蚁数目ant＝120，类的个数class＝20，迭代次数num＝2000，转换规则参数q＝0.9，信息素衰减系数r＝0.05，局部搜索阈值h＝0.03，L＝2。采用本发明的方法预测结果如图1所示。图2是用K均值与RBF网络结合的预测结果。
后8组数据的实测值为y，用本发明方法预测的结果用y1表示，基于K均值法的RBF网络的腐蚀速率预测结果用y2表示，则y、y1、y2如表2所示。
表2腐蚀速率的实测值及两种不同方法的预测值
把y、y1、y2分别看做一个向量，则y1到y的欧氏距离为||y1-y||2＝0.3438，y2到y的欧氏距离为||y2-y||2＝0.3973。很明显，||y1-y2＜||y2-y||2。因此，本发明的预测效果比基于K均值法的RBF网络的预测结果好，准确率高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种接地网腐蚀速率预测方法，其特征在于，包括：
对采集得到的样本进行归一化处理，获得归一化后的样本；
对归一化后的样本进行聚类，输出最优的聚类解集，具体包括：
初始化蚁群参数；
根据归一化后的样本计算各个聚类中心，以每个样本到聚类中心的距离之和最小为目标函数，计算每个样本的目标函数值；
将计算得到的每个样本的目标函数值从小到大排序，在排序后的目标函数值中，取前L个目标函数值对应的样本作为需要交换的样本，对需要交换的样本进行局部搜索；
进行局部搜索后，对前L个目标函数值对应的样本进行信息素更新；
按照以上步骤进行循环迭代，直到达到最大迭代次数num，输出最优聚类解集；
基于蚁群聚类的RBF网络学习，包括：
样本训练，以所述最优聚类解集的蚁群聚类中心值为RBF网络的隐层中心值取，以最优聚类解集的聚类个数为隐层节点个数，计算隐节点数据中心间的距离，以隐节点间的最小距离作为扩展常数，先计算各归一化后的样本离各数据中心的距离，然后计算隐节点的输出阵，最后得到输出权值和偏移量；
样本测试，根据样本训练中得到的参数对归一化后的样本进行测试，对测试结果反归一化，得到腐蚀速率。
2.如权利要求1所述的方法，其特征在于，对采集得到的样本按照以下公式进行归一化处理：
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，αi表示归一化后的样本，i＝(1,2,…,N)，X表示采集得到的样本集，其中样本集中有N个样本xi和M个聚类解集{Sj,j＝1,2,…,M}。
3.如权利要求1所述的方法，其特征在于，按照以下公式计算每个样本的目标函数值：
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>j</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mrow>
<mi>j</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
<mo>;</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，xip为第i个样本xi的第p个属性，cjp为第j个聚类解集Sj的第p个属性，若第i个样本xi属于第j个聚类解集Sj，则wij＝1，否则wij＝0。
4.如权利要求1所述的方法，其特征在于，对需要交换的样本进行局部搜索，具体包括：
对于每一个样本，产生一个随机数q'，若随机数q'小于q，则选择聚类中心与样本间距离最短的聚类解集作为样本需要归属的类；如果该随机数q'大于或等于q，根据设定的转换概率pij选择样本需要转换的聚类解集：
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中，τij为第i个样本xi和所属第j个聚类解集Sj间的标准化信息素；
确定每个样本归属的聚类解集后重新聚类，重新计算每个样本的目标函数值，如果重新聚类后的样本的目标函数值小于重新聚类前的样本的目标函数值，则保留重新聚类后的聚类解集，否则保留重新聚类前的聚类解集。
5.如权利要求1所述的方法，其特征在于，按照以下公式对前L个目标函数值对应的样本进行信息素更新：
τij(t+1)＝(1-r)τij(t)+Δτij(t)
<mrow>
<msub>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
其中，r为信息素衰减系数，τij(t)为第i个样本xi与第j个聚类解集Sj在t时刻的信息素浓度；Δτij表示本次循环信息素的增量；表示第k只蚂蚁在本次循环中所释放的信息素，设Lk为蚂蚁的目标函数值，Q为一参数常量值，若蚂蚁k中的第i个样本xi属于第j个聚类解集Sj，则否则
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710262429.1A CN107067036A (zh) | 2017-04-20 | 2017-04-20 | 一种接地网腐蚀速率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710262429.1A CN107067036A (zh) | 2017-04-20 | 2017-04-20 | 一种接地网腐蚀速率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107067036A true CN107067036A (zh) | 2017-08-18 |
Family
ID=59599996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710262429.1A Pending CN107067036A (zh) | 2017-04-20 | 2017-04-20 | 一种接地网腐蚀速率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107067036A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109507535A (zh) * | 2018-12-10 | 2019-03-22 | 国网河南省电力公司电力科学研究院 | 变电站接地网运行阶段及运行寿命预测方法及装置 |
| CN111289842A (zh) * | 2020-03-23 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种评价接地网腐蚀程度的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899431A (zh) * | 2015-05-19 | 2015-09-09 | 上海大学 | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 |
| CN105675475A (zh) * | 2015-12-25 | 2016-06-15 | 西安科技大学 | 一种接地网腐蚀速率等级预测方法 |
| CN105808960A (zh) * | 2016-03-16 | 2016-07-27 | 河海大学 | 基于灰色神经网络组合模型的接地网腐蚀率预测方法 |
-
2017
- 2017-04-20 CN CN201710262429.1A patent/CN107067036A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899431A (zh) * | 2015-05-19 | 2015-09-09 | 上海大学 | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 |
| CN105675475A (zh) * | 2015-12-25 | 2016-06-15 | 西安科技大学 | 一种接地网腐蚀速率等级预测方法 |
| CN105808960A (zh) * | 2016-03-16 | 2016-07-27 | 河海大学 | 基于灰色神经网络组合模型的接地网腐蚀率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 林鑫 等: "基于蚁群聚类算法的RBF神经网络交通流预测", 《河北工业大学学报》 * |
| 王少博: "基于神经网络的接地网腐蚀率预测应用研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109507535A (zh) * | 2018-12-10 | 2019-03-22 | 国网河南省电力公司电力科学研究院 | 变电站接地网运行阶段及运行寿命预测方法及装置 |
| CN109507535B (zh) * | 2018-12-10 | 2021-02-05 | 国网河南省电力公司电力科学研究院 | 变电站接地网运行阶段及运行寿命预测方法及装置 |
| CN111289842A (zh) * | 2020-03-23 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种评价接地网腐蚀程度的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Incentive mechanism for multiple cooperative tasks with compatible users in mobile crowd sensing via online communities | |
| Baltar et al. | Use of multiobjective particle swarm optimization in water resources management | |
| CN110070117A (zh) | 一种数据处理方法及装置 | |
| CN102819663B (zh) | 一种基于优化的支持向量回归参数的船舶航迹预测方法 | |
| CN108090510A (zh) | 一种基于间隔优化的集成学习方法及装置 | |
| CN105260786A (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
| Yao et al. | Improved support vector machine regression in multi-step-ahead prediction for rock displacement surrounding a tunnel | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| CN105430615A (zh) | 一种连续位置服务请求下基于假位置的位置隐私保护方法 | |
| CN109951468A (zh) | 一种基于f值优化的网络攻击检测方法与系统 | |
| CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
| CN105138527B (zh) | 一种数据分类回归方法及装置 | |
| Hu et al. | A new algorithm CNM-Centrality of detecting communities based on node centrality | |
| CN107067036A (zh) | 一种接地网腐蚀速率预测方法 | |
| CN106993296A (zh) | 终端的性能评估方法及装置 | |
| CN107909498B (zh) | 基于最大化接受者操作特征曲线下方面积的推荐方法 | |
| Cao et al. | A grey wolf optimizer–cellular automata integrated model for urban growth simulation and optimization | |
| CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
| CN113537461B (zh) | 基于sir值学习的网络关键节点发现方法及系统 | |
| CN109889981A (zh) | 一种基于二分类技术的定位方法及系统 | |
| CN109978138A (zh) | 基于深度强化学习的结构可靠度抽样方法 | |
| Chigullapally et al. | Wi-Fi 802.11 mc distance classification and error reduction using machine learning | |
| CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
| Hu et al. | A TDOA/AOA hybrid positioning based on improved sparrow search algorithm for mobile position estimation | |
| CN106372437A (zh) | 一种信息扩散预测的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |