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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2018
- 2018-11-19 CN CN201811374102.4A patent/CN109284877A/zh active Pending
Patent Citations (3)
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)
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)
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 |