CN109284877A - 基于aiga-wlssvm埋地管道腐蚀速率预测方法 - Google Patents

基于aiga-wlssvm埋地管道腐蚀速率预测方法 Download PDF

Info

Publication number
CN109284877A
CN109284877A CN201811374102.4A CN201811374102A CN109284877A CN 109284877 A CN109284877 A CN 109284877A CN 201811374102 A CN201811374102 A CN 201811374102A CN 109284877 A CN109284877 A CN 109284877A
Authority
CN
China
Prior art keywords
wlssvm
aiga
model
buried pipeline
formula
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
Application number
CN201811374102.4A
Other languages
English (en)
Inventor
赵超
王斌
陈肇泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201811374102.4A priority Critical patent/CN109284877A/zh
Publication of CN109284877A publication Critical patent/CN109284877A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于AIGA‑WLSSVM埋地管道腐蚀速率预测方法。通过结合AIGA高效全局寻优能力和WLSSVM算法较强的鲁棒性能，有效提高了模型的预测精度。通过对实际埋地管道腐蚀数据进行建模和预测，证明了使用该方法建立的埋地管道腐蚀速率预测模型是有效、可靠的，这也为埋地管道的检修与更换提供理论依据。

Description

基于AIGA-WLSSVM埋地管道腐蚀速率预测方法
技术领域
本发明涉及一种基于AIGA-WLSSVM埋地管道腐蚀速率预测方法。
背景技术
埋地油气输送管道在运行一定时间后会因腐蚀穿孔而漏油漏气，这将干扰整个输送系统的正常运行，因此，急需预测埋地油气管道腐蚀速率，以便为其检测与维护提供重要依据。目前，有关埋地油气管道腐蚀速率的预测方法主要有灰色理论、回归模型、神经网络模型等。
然而，神经网络建模过程还是存在计算量较大、学习效率低等缺点。而支持向量机(SVM)是近年来提出的一种新的建模方法，具有计算效率高、算法简单等特点,而且具有较好的鲁棒性等特点，在管道腐蚀预测方面有广泛的应用。然而，当训练样本数目很大时，SVM模型计算将变得很耗时。
为此，发明采用一种基于AIGA优化的WLSSVM建模方法建立埋地油气管道腐蚀速率预测模型，通过结合AIGA高效全局寻优能力和WLSSVM算法较强的鲁棒性能，有效提高了模型的预测精度。最后，以国内某埋地油气管道为例，建立AIGA-WLSSVM埋地管道腐蚀速率预测模型，验证了AIGA-WLSSVM模型预测结果的有效性。
发明内容
本发明的目的在于提供一种基于AIGA-WLSSVM埋地管道腐蚀速率预测方法，该方法有效提高了模型的计算效率，并采用AIGA方法优化模型参数，进一步提高了模型的预测精度。
为实现上述目的，本发明的技术方案是：一种基于AIGA-WLSSVM埋地管道腐蚀速率预测方法，包括如下步骤：
步骤S1、选择土壤中对埋地管道腐蚀相关的影响因素作为输入变量；
步骤S2、以埋地输气管线为研究对象，通过对管道沿线土壤理化性质的测试及对管线的检测，获得样本数据；
步骤S3、随机选择若干组样本数据作为训练样本，采用AIGA-WLSSVM方法建立埋地管道腐蚀速率预测模型，将余下的样本数据作为测试样本，以测试所建立模型的预测效果；
步骤S4、根据评价指标对模型预测效果进行评价。
在本发明一实施例中，所述步骤S1中，对埋地管道腐蚀相关的影响因素包括含水率、HCO3 －含量、Cl－含量、SO4 2－含量、氧化还原电位、pH值、土壤电阻率。
在本发明一实施例中，所述步骤S3中，采用AIGA-WLSSVM方法建立埋地管道腐蚀速率预测模型的具体实现步骤如下：
(1)基于加权最小二乘支持向量机的算法思想，对于给定样本(xi,yi)，xi∈Rn表示输入，yi∈R表示单个输出，特征空间F的优化问题及约束条件为：
式(1-1)中，表示映射，γ是惩罚因子，用以平衡模型的精度与模型的复杂度，将输入映射到高维特征空间F，b为偏置，vt为权因子，et为误差；权因子vt的计算如式(1-2)所示：
式(1-2)中，为LSSVM的et的标准偏差的鲁棒估计；s1、s2均为常数；
(2)由于式(1-1)中对w的计算难以实现，因此将对约束优化问题的求解转化为无约束的优化问题进行求解，建立拉格朗日函数：
式(1-3)中，βt为拉格朗日算子；惯性权重ωk的调整过程如式(1-4)所示；
(3)根据KKT最优化条件有：
消去式(1-5)中w、e得到β和b的方程：
式(1-5)中：y＝[y1,y2,...,yn]T；In＝[1,1，...，1]T；β＝[β1，β1，...,βn]；
Vγ为对角阵，
(4)在特征空间中，根据Mercer’s条件，可选择一个核函数使得
(5)对公式(1-6)进行求解得到参数β和b，则所求的WLSSVM回归模型，即预测输出为
在本发明一实施例中，所述s1、s2取值分别为2.5、3。
在本发明一实施例中，还包括将所求的WLSSVM回归模型应用AIGA优化模型参数进行优化的过程，具体如下：
遗传算法GA的交叉概率Pc和变异概率Pm这两个参数的选择对算法的性能有重要影响，而标准GA所采用的Pc和Pm是固定的值，容易过早收敛而陷入局部最优；因此采用动态Pc和Pm有利于改善标准GA存在的早熟问题，在自适应遗传算法AGA中，参数Pc和Pm分别按式(1-9)和(1-10)进行计算：
而后将免疫算子引入GA中，改善算法的收敛性能差，提高其搜索效率，即形成自适应免疫遗传算法，步骤如下：
步骤1)随机产生初始群体Ak；
步骤2)根据先验知识抽取疫苗；
步骤3)若当前种群Ak中包含最佳个体则算法结束，否则进入下一步；
步骤4)对当前群体Ak进行选择操作，得到种群Bk；
步骤5)对种群进Bk行交叉操作，得到种群Ck；
步骤6)对种群Ck进行变异操作，得到种群Dk；
步骤7)对种群Dk接种疫苗，得到种群Ek。
相较于现有技术，本发明具有以下有益效果：本发明通过结合AIGA高效全局寻优能力和WLSSVM算法较强的鲁棒性能，有效提高了模型的预测精度；通过对实际埋地管道腐蚀数据进行建模和预测，证明了使用该方法建立的埋地管道腐蚀速率预测模型是有效、可靠的。
附图说明
图1为本发明采用的AIGA优化算法流程图。
图2为四种模型训练结果。
图3为四种模型测试结果。
图4为四种模型预测结果残差。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了基于AIGA-WLSSVM埋地管道腐蚀速率预测方法，有效提高了模型的计算效率，并采用AIGA方法优化模型参数，进一步提高了模型的预测精度，该方法实现如下：
步骤S1、管道在土壤中受到的腐蚀因素较多，且各因素交叉作用，具有复杂的非线性相关关系。本章选择含水率、HCO3 －含量、Cl－含量、SO4 2－含量、氧化还原电位、pH值、土壤电阻率等7个影响因素作为输入变量；
步骤S2、以埋地输气管线为研究对象，通过对管道沿线土壤理化性质的测试及对管线的检测，获得样本数据；
步骤S3、随机选择若干组样本数据作为训练样本，采用AIGA-WLSSVM方法建立埋地管道腐蚀速率预测模型，将余下的样本数据作为测试样本，以测试所建立模型的预测效果；
步骤S4、根据评价指标对模型预测效果进行评价。
所述步骤S3中，采用AIGA-WLSSVM方法建立埋地管道腐蚀速率预测模型的具体实现步骤如下：
(1)基于加权最小二乘支持向量机(Weighted Least Squares Support VectorMachine,WLSSVM)的算法思想，对于给定样本(xi,yi)，xi∈Rn表示输入，yi∈R表示单个输出，特征空间F的优化问题及约束条件为：
式(1-1)中，表示映射，γ是惩罚因子，用以平衡模型的精度与模型的复杂度，将输入映射到高维特征空间F，b为偏置，vt为权因子，et为误差；权因子vt的计算如式(1-2)所示：
式(1-2)中，为LSSVM的et的标准偏差的鲁棒估计；s1、s2均为常数；s1、s2取值分别为2.5、3。
(2)由于式(1-1)中对w的计算难以实现，因此将对约束优化问题的求解转化为无约束的优化问题进行求解，建立拉格朗日函数：
式(1-3)中，βt为拉格朗日算子；惯性权重ωk的调整过程如式(1-4)所示；
(3)根据KKT(Karush-Kuhn-Tucker，KKT)最优化条件有：
消去式(1-4)中w、e得到β和b的方程：
式(1-5)中：y＝[y1,y2,...,yn]T；In＝[1,1，...，1]T；β＝[β1，β1，...,βn]；
Vγ为对角阵，
(4)在特征空间中，根据Mercer’s条件，可选择一个核函数使得
(5)对公式(1-5)进行求解得到参数β和b，则所求的WLSSVM回归模型，即预测输出为
本发明方法还包括将所求的WLSSVM回归模型应用AIGA优化模型参数进行优化的过程，具体如下：
遗传算法(Genetic Algorithm，GA)是将计算机科学与自然界生物进化相结合的一种优化算法，根据优胜劣汰的规则，逐步搜索获得优化目标的最优解，具有简单通用、鲁棒性强等优点，在模式识别、机器学习等领域有广泛应用。
遗传算法GA的交叉概率Pc和变异概率Pm这两个参数的选择对算法的性能有重要影响，而标准GA所采用的Pc和Pm是固定的值，容易过早收敛而陷入局部最优；因此采用动态Pc和Pm有利于改善标准GA存在的早熟问题，在自适应遗传算法(Adaptive GeneticAlgorithm,AGA)中，参数Pc和Pm分别按式(1-9)和(1-10)进行计算：
而后将免疫算子引入GA中，改善算法的收敛性能差，提高其搜索效率，即形成自适应免疫遗传算法，步骤如下：
步骤1)随机产生初始群体Ak；
步骤2)根据先验知识抽取疫苗；
步骤3)若当前种群Ak中包含最佳个体则算法结束，否则进入下一步；
步骤4)对当前群体Ak进行选择操作，得到种群Bk；
步骤5)对种群进Bk行交叉操作，得到种群Ck；
步骤6)对种群Ck进行变异操作，得到种群Dk；
步骤7)对种群Dk接种疫苗，得到种群Ek。
以下为本发明的具体实施例。
通过对比本发明方法(图1)建立的AIGA-WLSSVM埋地管道腐蚀速率预测模型，同时建立BPNN、WLSSVM以及GA-WLSSVM埋地管道腐蚀速率预测模型，对比各方法的预测效果，具体如下：
选择含水率、HCO3 －含量、Cl－含量、SO4 2－含量、氧化还原电位、pH值、土壤电阻率等7个影响因素作为输入变量。以国内某埋地输气管线为研究对象，通过对管道沿线土壤理化性质的测试及对管线的检测，共获得87组样本数据。选择59数据作为训练样本，建立埋地管道腐蚀速率预测模型，而剩下的28组数据作为测试样本，用于测试所建立模型的预测效果。
模型训练：首先建立基于AIGA-LSSVM埋地管道腐蚀速率预测模型，同时建立BPNN、WLSSVM以及GA-WLSSVM埋地管道腐蚀速率预测模型。用于对比预测效果。模型训练结果如图2所示，模型测试结果如图3所示，模型预测结果残差如图4：
预测结果分析：
以最大误差(Emax)、平均相对误差(MRE)、平均绝对误差(MAE)和均方根误差(RMSE)作为评价指标来对模型的预测性能进行评价，四种指标定义分别为：
式中，N为样本数量，yi为实际值，为预测值。
根据上述四个评价指标，得出四种模型预测效果性能，如表1所示。
表1四种模型预测效果性能比较
从图2、图3、图4及表1可以看出，采用BPNN方法建立的埋地管道腐蚀速率预测模型具有较大的预测误差，采用WLSSVM方法建立的预测模型其预测值与实际值较为接近，但其预测精度仍有待提高；而采用基于GA优化和AIGA优化的WLSSVM方法建立的预测模型，其预测精度均达到较为满意的结果，其中基于AIGA优化方法的WLSSVM埋地管道腐蚀速率预测模型具有更高的预测精度，其预测结果平均相对误差为3.96％，低于GA-WLSSVM模型的8.97％，同时也比4.3小节里基于APSO优化LSSVM模型的4.89％来得小，这也表明了AIGA-WLSSVM建模方法在埋地管道腐蚀速率预测方面的有效性。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种基于AIGA-WLSSVM埋地管道腐蚀速率预测方法，其特征在于，包括如下步骤：
步骤S1、选择土壤中对埋地管道腐蚀相关的影响因素作为输入变量；
步骤S2、以埋地输气管线为研究对象，通过对管道沿线土壤理化性质的测试及对管线的检测，获得样本数据；
步骤S3、随机选择若干组样本数据作为训练样本，采用AIGA-WLSSVM方法建立埋地管道腐蚀速率预测模型，将余下的样本数据作为测试样本，以测试所建立模型的预测效果；
步骤S4、根据评价指标对模型预测效果进行评价。
2.根据权利要求1所述的基于AIGA-WLSSVM埋地管道腐蚀速率预测方法，其特征在于，所述步骤S1中，对埋地管道腐蚀相关的影响因素包括含水率、HCO3 －含量、Cl－含量、SO4 2－含量、氧化还原电位、pH值、土壤电阻率。
3.根据权利要求1所述的基于AIGA-WLSSVM埋地管道腐蚀速率预测方法，其特征在于，所述步骤S3中，采用AIGA-WLSSVM方法建立埋地管道腐蚀速率预测模型的具体实现步骤如下：
(1)基于加权最小二乘支持向量机的算法思想，对于给定样本(xi,yi)，xi∈Rn表示输入，yi∈R表示单个输出，特征空间F的优化问题及约束条件为：
式(1-1)中，表示映射，γ是惩罚因子，用以平衡模型的精度与模型的复杂度，将输入映射到高维特征空间F；b为偏置，vt为权因子，et为误差；权因子vt的计算如式(1-2)所示：
式(1-2)中，为LSSVM的et的标准偏差的鲁棒估计；s1、s2均为常数；
(2)由于式(1-1)中对w的计算难以实现，因此将对约束优化问题的求解转化为无约束的优化问题进行求解，建立拉格朗日函数：
式(1-3)中，βt为拉格朗日算子；惯性权重ωk的调整过程如式(1-4)所示；
(3)根据KKT最优化条件有：
消去式(1-5)中w、e得到β和b的方程：
式(1-6)中：y＝[y1,y2,...,yn]T；In＝[1,1，...，1]T；β＝[β1，β1，...,βn]；
Vγ为对角阵，
(4)在特征空间中，根据Mercer’s条件，可选择一个核函数使得
(5)对公式(1-6)进行求解得到参数β和b，则所求的WLSSVM回归模型，即预测输出为
4.根据权利要求3所述的基于AIGA-WLSSVM埋地管道腐蚀速率预测方法，其特征在于，所述s1、s2取值分别为2.5、3。
5.根据权利要求3所述的基于AIGA-WLSSVM埋地管道腐蚀速率预测方法，其特征在于，还包括将所求的WLSSVM回归模型应用AIGA优化模型参数进行优化的过程，具体如下：
遗传算法GA的交叉概率Pc和变异概率Pm这两个参数的选择对算法的性能有重要影响，而标准GA所采用的Pc和Pm是固定的值，容易过早收敛而陷入局部最优；因此采用动态Pc和Pm有利于改善标准GA存在的早熟问题，在自适应遗传算法AGA中，参数Pc和Pm分别按式(1-9)和(1-10)进行计算：
而后将免疫算子引入GA中，改善算法的收敛性能差，提高其搜索效率，即形成自适应免疫遗传算法，步骤如下：
步骤1)随机产生初始群体Ak；
步骤2)根据先验知识抽取疫苗；
步骤3)若当前种群Ak中包含最佳个体则算法结束，否则进入下一步；
步骤4)对当前群体Ak进行选择操作，得到种群Bk；
步骤5)对种群进Bk行交叉操作，得到种群Ck；
步骤6)对种群Ck进行变异操作，得到种群Dk；
步骤7)对种群Dk接种疫苗，得到种群Ek。
CN201811374102.4A 2018-11-19 2018-11-19 基于aiga-wlssvm埋地管道腐蚀速率预测方法 Pending CN109284877A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811374102.4A CN109284877A (zh) 2018-11-19 2018-11-19 基于aiga-wlssvm埋地管道腐蚀速率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811374102.4A CN109284877A (zh) 2018-11-19 2018-11-19 基于aiga-wlssvm埋地管道腐蚀速率预测方法

Publications (1)

Publication Number Publication Date
CN109284877A true CN109284877A (zh) 2019-01-29

Family

ID=65176064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811374102.4A Pending CN109284877A (zh) 2018-11-19 2018-11-19 基于aiga-wlssvm埋地管道腐蚀速率预测方法

Country Status (1)

Country Link
CN (1) CN109284877A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091579A (zh) * 2021-11-03 2022-02-25 深圳技术大学 城市轨道交通客流预警系统和方法
CN117313041A (zh) * 2023-10-17 2023-12-29 西南石油大学 一种埋地管道外表面点蚀预测与因素分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101071098A (zh) * 2007-06-19 2007-11-14 广州市煤气公司 地下钢质燃气管网管道腐蚀预测系统
CN104463381A (zh) * 2015-01-04 2015-03-25 福州大学 基于kpca与wlssvm的建筑能耗预测方法
CN108204944A (zh) * 2018-01-13 2018-06-26 福州大学 基于apso优化的lssvm的埋地管道腐蚀速率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101071098A (zh) * 2007-06-19 2007-11-14 广州市煤气公司 地下钢质燃气管网管道腐蚀预测系统
CN104463381A (zh) * 2015-01-04 2015-03-25 福州大学 基于kpca与wlssvm的建筑能耗预测方法
CN108204944A (zh) * 2018-01-13 2018-06-26 福州大学 基于apso优化的lssvm的埋地管道腐蚀速率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈翀等: "基于AIGA-WLSSVM的埋地管道腐蚀速率预测方法", 《管道技术与设备》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091579A (zh) * 2021-11-03 2022-02-25 深圳技术大学 城市轨道交通客流预警系统和方法
CN117313041A (zh) * 2023-10-17 2023-12-29 西南石油大学 一种埋地管道外表面点蚀预测与因素分析方法

Similar Documents

Publication Publication Date Title
CN109345507B (zh) 一种基于迁移学习的大坝图像裂缝检测方法
CN109284876A (zh) 基于pca-rbf埋地管道腐蚀速率预测方法
CN108204944A (zh) 基于apso优化的lssvm的埋地管道腐蚀速率预测方法
CN105488528A (zh) 基于改进自适应遗传算法的神经网络图像分类方法
CN102413029A (zh) 基于分解的局部搜索多目标复杂动态网络社区划分方法
CN111625922A (zh) 一种基于机器学习代理模型的大规模油藏注采优化方法
CN105956093B (zh) 一种基于多视图锚点图哈希技术的个性化推荐方法
CN112733997B (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
Liu et al. A fast differential evolution algorithm using k-Nearest Neighbour predictor
CN108287808A (zh) 一种面向结构可靠性分析的通用动态追踪序列采样方法
CN109284877A (zh) 基于aiga-wlssvm埋地管道腐蚀速率预测方法
CN113765880B (zh) 一种基于时空关联性的电力系统网络攻击检测方法
CN105430099A (zh) 一种基于位置聚类的协同式Web服务性能预测方法
CN106204415A (zh) 一种新型的图像配准方法
CN111935724A (zh) 基于异步深度强化学习的无线传感器网络拓扑优化方法
CN114969995A (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN106121622A (zh) 一种基于示功图的有杆泵抽油井的多故障诊断方法
CN106503798A (zh) 基于粗糙集与bp神经网络的泵的故障诊断方法
CN109872330A (zh) 一种改进狮群优化的二维Otsu快速图像分割方法
CN111597753B (zh) 数据深度变化特征自适应的二维电阻率反演方法及系统
Zügner et al. A study of joint graph inference and forecasting
CN114708479A (zh) 一种基于图结构和特征的自适应防御方法
CN117117859B (zh) 基于神经网络的光伏发电功率预测方法及系统
CN114818487A (zh) 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法
CN111090781A (zh) 一种动态社交网络中的链路预测方法

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: 20190129