CN112085148A - 一种基于蚁群算法的密闭容器气体泄漏检测方法 - Google Patents
一种基于蚁群算法的密闭容器气体泄漏检测方法 Download PDFInfo
- Publication number
- CN112085148A CN112085148A CN202010980602.3A CN202010980602A CN112085148A CN 112085148 A CN112085148 A CN 112085148A CN 202010980602 A CN202010980602 A CN 202010980602A CN 112085148 A CN112085148 A CN 112085148A
- Authority
- CN
- China
- Prior art keywords
- ant colony
- neural network
- algorithm
- ants
- closed container
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 241000257303 Hymenoptera Species 0.000 claims description 37
- 239000003016 pheromone Substances 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 5
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 25
- 239000007789 gas Substances 0.000 description 27
- 238000012360 testing method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002848 electrochemical method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000835 electrochemical detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
一种基于蚁群算法的密闭容器气体泄漏检测方法，属于气体泄漏检测领域，其特征在于：对经传感器采集的数据进行清洗和整理，利用小波分析法分解出泄漏点的特征信号，并对数据进行归一化处理；确立原始神经网络的输出个数，对网络权值、阀值参数进行初始化；利用构件的蚁群神经网络算法构建神经网络的权值、阀值，并对其进行优化，再通过训练样本确定最优的网络参数值；将优化的神经网络应用于密闭容器的泄漏识别，输出检测结果。针对普通气体泄漏检测传感器算法收敛速度慢，利用蚁群算法对传统传感器网络参数优化改进的方法，通过此种方式，可大大减小传感器误差，增强系统的鲁棒性和适应性，提高泄漏辨识效率。
Description
技术领域
本发明属于气体泄漏检测领域，尤其涉及一种基于蚁群算法的密闭容器气体泄漏检测方法。
背景技术
随着石油化学工业的发展，易燃、易爆，有毒气体的种类和应用范围都得到了增加。这些气体的生产、运输、使用过程中一旦发生泄漏，将会引发中毒、火灾甚至爆炸事故，严重危害人民的生命和财产安全。
检测密闭容器气体泄漏的方式一般有：声发射法、负压波法、压点分析法、电化学检测法。声发射法、负压波法、压点分析法为间接测量方法，一般适用于固定密闭容器，存在效率低下、检测实时性差、可靠性不高等问题。对于运输过程的危险气体一般采用电化学法的传感器进行直接检测。电化学方法，一般是通过与被测气体发生反应并产生与气体浓度成正比的电信号来工作。气体首先通过微小的毛管型开孔与传感器发生反应，通过憎水屏障，到达电极表面。穿过屏障扩散的气体与传感电极发生反应，传感电极采用氧化或还原机理。通过电极间连接的电阻器，与被测气体浓度成正比的电流会在正负极间流动，测定该电流即可确定气体浓度。但是这种方法一般会温度、气压、振动等因素的影响，外界条件的剧烈变化都会引起传感器内部信号的波动，从而影响测试结果。
发明内容
本发明旨在解决上述问题，提供一种基于蚁群算法的密闭容器气体泄漏检测方法。
本发明所述基于蚁群算法的密闭容器气体泄漏检测方法，包括如下步骤：第一步：对经传感器采集的数据进行清洗和整理，利用小波分析法分解出泄漏点的特征信号，并对数据进行归一化处理；
第二步：确定问题规模，确立原始神经网络的输出个数，对网络权值、阀值参数进行初始化；
第三步：利用构件的蚁群神经网络算法构建神经网络的权值、阀值，并对其进行优化，再通过训练样本确定最优的网络参数值；
第四步：将优化的神经网络应用于密闭容器的泄漏识别，输出检测结果。
优选的，本发明所述基于蚁群算法的密闭容器气体泄漏检测方法，所述蚁群神经网络包括三层神经网络，分别为输入层、隐含层和输出层；所述输入层包括6个神经元；所述隐含层包括15个神经元；所述输出层包括2个神经元。
优选的，本发明所述基于蚁群算法的密闭容器气体泄漏检测方法，所述隐含层和输出层采用非线性函数Sigmoid作为传递函数；利用蚁群算法对神经网络各神经元间权值和神经元自身阀值进行优化；采用迭代优化方式直到最大迭代次数，输出最优结果。
优选的，本发明所述基于蚁群算法的密闭容器气体泄漏检测方法，所述蚁群神经网络采用两层信息素更新算法和最大最小蚁群算法；所述两层信息素更新算法包括：
第1层:原有信息素的挥发
τij(t+n)＝(1-ρ)·τij(t)
其中τij表示t时刻在城市i与城市j连线上信息素的量；(1-ρ)为信息素的残留浓度；
第2层:借鉴奖惩蚁群算法，在完成每次循环进行信息素挥发后，根据蚂蚁所建立路径的长短，进行排序，只有前w只建立短路径的蚂蚁被挑选出来进行奖励，其他(m-w)只建立路径的蚂蚁进行惩罚，在进行信息素更新；其中w为被挑选出来用于进行奖励的蚂蚁数目；m为本次循环中蚂蚁的数目；所述信息素更新量按下述公式进行：
其中τij表示t时刻在城市i与城市j连线上信息素的量；r为本次循环中蚂蚁的排名；w是被挑选出来施行奖励的蚂蚁数目；m是本次循环中蚂蚁的数目；Q是一个常数，表示蚂蚁循环一次所释放的信息量。
本发明所述基于蚁群算法的密闭容器气体泄漏检测方法，针对普通气体泄漏检测传感器算法收敛速度慢，易受外界环境影响，泄漏辨识效率不高，误差偏大等问题，利用蚁群算法对传统传感器网络参数优化改进的方法，通过此种方式，可大大减小传感器误差，增强系统的鲁棒性和适应性，提高泄漏辨识效率。
附图说明
图1为本发明所述基于蚁群算法的密闭容器气体泄漏检测方法示意图；
图2为本发明实施例所述奖惩蚁群算法流程示意图；
图3为本发明实施例所述蚁群算法模型示意图。
具体实施方式
下面通过附图及实施例对本发明所述基于蚁群算法的密闭容器气体泄漏检测方法进行详细说明。
本发明所述基于蚁群算法的密闭容器气体泄漏检测方法，如图1所示包括如下步骤：第一步：对经传感器采集的数据进行清洗和整理，利用小波分析法分解出泄漏点的特征信号，并对数据进行归一化处理；
第二步：确定问题规模，确立原始神经网络的输出个数，对网络权值、阀值参数进行初始化；
第三步：利用构件的蚁群神经网络算法构建神经网络的权值、阀值，并对其进行优化，再通过训练样本确定最优的网络参数值；
第四步：将优化的神经网络应用于密闭容器的泄漏识别，输出检测结果。
本发明所述基于蚁群算法的密闭容器气体泄漏检测方法，所述蚁群神经网络包括三层神经网络，分别为输入层、隐含层和输出层；所述输入层包括6个神经元；所述隐含层包括15个神经元；所述输出层包括2个神经元。
本发明所述基于蚁群算法的密闭容器气体泄漏检测方法，所述隐含层和输出层采用非线性函数Sigmoid作为传递函数；利用蚁群算法对神经网络各神经元间权值和神经元自身阀值进行优化；采用迭代优化方式直到最大迭代次数，输出最优结果。
本发明所述基于蚁群算法的密闭容器气体泄漏检测方法，所述蚁群神经网络采用两层信息素更新算法和最大最小蚁群算法；所述两层信息素更新算法包括：第1层:原有信息素的挥发
τij(t+n)＝(1-ρ)·τij(t)
其中τij表示t时刻在城市i与城市j连线上信息素的量；(1-ρ)为信息素的残留浓度；
第2层:借鉴奖惩蚁群算法，在完成每次循环进行信息素挥发后，根据蚂蚁所建立路径的长短，进行排序，只有前w只建立短路径的蚂蚁被挑选出来进行奖励，其他(m-w)只建立路径的蚂蚁进行惩罚，在进行信息素更新；其中w为被挑选出来用于进行奖励的蚂蚁数目；m为本次循环中蚂蚁的数目；所述信息素更新量按下述公式进行：
其中τij表示t时刻在城市i与城市j连线上信息素的量；r为本次循环中蚂蚁的排名；w是被挑选出来施行奖励的蚂蚁数目；m是本次循环中蚂蚁的数目；Q是一个常数，表示蚂蚁循环一次所释放的信息量。
在奖惩蚁群算法中，每只蚂蚁遵循下述的步骤来建立自己的路径。
首先根据随机初始化规则，每只蚂蚁被初始化于一个城市。
其次蚂蚁在路径上信息素及启发信息的影响下以一定的概率访问下一个城市，直到所有的城市都被访问为止。
当蚂蚁移动到最初初始化的城市时，蚂蚁完成了所有城市的遍历并建立了自己在本次遍历中的路径。
各条路径按长短进行排序。
最后信息素更新；在所有的蚂蚁完成自己的遍历并且其路径被排序后，各条路径上信息素的更新量按蚂蚁所建立路径的质量来进行更新。
如图2所示，奖惩蚁群算法的详细实现过程如下：
(1)参数初始化在算法进行循环之前，所有的参数都要进行初始化。
(2)初始化蚂蚁根据随机选择规则，在该次循环中的所有m只蚂蚁都被初始化到n个城市。
(3)建立路径每只蚂蚁依据随机选择规则以一定的概率选择一个要访问的城市，直到所有的城市都被访问为止。
(4)评价路径在所有的m只蚂蚁完成自己的路径后，路径的长度被计算出来，并且各个蚂蚁依据其建立的路径长度而排序。
(5)信息素更新在所有的蚂蚁完成自己的路径并被排序后，路径上的信息素量会先以ρ进行衰减而后被更新。
在奖惩蚁群算法中，最重要的参数是被选择用来进行奖励的蚂蚁的数目w。如果w＝0，那么每次循环中所有的蚂蚁都被惩罚，也就是说只要蚂蚁走过一条路径，该路径上的信息素就会减少，这样会使搜索空间更大，但是整个算法很难收敛于某一条具体的路径；相反如果w＝m，那么每次循环中所有的蚂蚁都被奖励，这样蚂蚁已走过的路径和未走过的路径上的信息素量的差距会很大，算法将易于陷入早熟收敛，因此，此参数存在一个最佳选择问题。
在奖惩蚁群算法中，另一个重要的参数是信息素的挥发系数ρ。由于奖惩策略的应用，在新算法中，所有路径上的信息素量都被两极分化了。而参数ρ是用来抵消这一负面影响的，它能使蚁群系统在以后的循环中做出更优的选择。因此，这个参数是有利于在搜索过程中发现不同的路径而使蚁群系统的搜索结果更加多样化的。
利用蚁群算法改进神经网络，实质上是对神经网络各神经元间权值和神经元自身阀值的优化，通过Matlab编写神经网络优化的仿真程序，经过多次循环得到了优化的神经网络各层间权值和个神经元的阀值，具体如下：
1)输入节点到隐含层节点权值：
2)输入节点到隐含层节点的阀值：
Net.b{1，1}＝
-9.8140
9.5503
6.0429
-8.9433
-8.2031
6.7457
0.9644
-1.4277
0.4467
7.8286
-1.3455
-5.5705
-0.8120
-6.5581
8.6583
3)隐含层节点到输出层的权值：
4)隐含层到输出层的阀值：
Net.b{2，1}＝
-6.0615
-2.4002
经过多次迭代，网络达到很好的收敛效果，测试样本训练误差为(0.0016，0.0531)，(0.0012,0.0623)，(0.0021,0.0122)，(0.0011,0.0031)，(0.0023,0.0131)，(0.0032,0.0021)，(0.0327,0.0172)，(0.0241,0.0569)，(0.0280,0.0112)，(0.0028,0.0102)，(0.0251,0.0152)，(0.0610,0.0141)平均误差值为(0.0154,0.0225)，低于普通神经网络的测试误差，网络识别性性能得到了很大的提高。
为便于比较两种网络的泄漏辨识性能，我们采用同一组训练样本和测试样本对两种算法进行比对，结果对比如下：
| 算法 | 训练步数 | 测试误差 |
| 普通神经网络算法 | 长 | (0.0707,0.922) |
| 蚁群算法 | 短 | (0.0154,0.225) |
由上表可以看出在相同神经元和训练精度的情况下，蚁群算法的训练时间咬断，而且对于同一组测试样本改进的网络辨识误差更小、精度更高，表明经过优化的网络是高效的。其原因正是由于蚁群算法启发式寻优和全局寻优能力强的特点，应用其在神经网络权值、阀值的训练上，能够有效的克服神经网络本身收敛速度慢的问题，可有效提高泄漏辨识精度。图3为基于蚁群算法模型示意图。
蚁群算法的核心就是通过正反馈、分布式协作来寻找最优路径。这是一种基于种群寻优的启发性搜索算法，它是利用了生物蚁群能通过个体间简单的信息传递，搜索从蚁巣到食物简最短路径的集体寻优特征，以及该过程与旅行商问题求解之间的相似性，从而得到具有NP难度的旅行商问题的最优解答。因为这种求解模式能将问题求解的快速性、全局优化特征以及有限时间内答案的合理性结合起来。其中寻求的快速性是通过正反馈的信息传递和积累来保证的。
本实施例公开的基于蚁群算法的密闭容器气体泄漏检测方法特别适用于运输过程中密闭容器气体泄漏的检测。具有可靠性高、灵敏度高、适应性强等优点。使得整个测试系统在各种路况、天气条件下都比传统测量判别方式所得到的结果更加准确。
Claims (4)
1.一种基于蚁群算法的密闭容器气体泄漏检测方法，其特征在于包括如下步骤：
第一步：对经传感器采集的数据进行清洗和整理，利用小波分析法分解出泄漏点的特征信号，并对数据进行归一化处理；
第二步：确定问题规模，确立原始神经网络的输出个数，对网络权值、阀值参数进行初始化；
第三步：利用构件的蚁群神经网络算法构建神经网络的权值、阀值，并对其进行优化，再通过训练样本确定最优的网络参数值；
第四步：将优化的神经网络应用于密闭容器的泄漏识别，输出检测结果。
2.根据权利要求1所述基于蚁群算法的密闭容器气体泄漏检测方法，其特征在于：所述蚁群神经网络包括三层神经网络，分别为输入层、隐含层和输出层；所述输入层包括6个神经元；所述隐含层包括15个神经元；所述输出层包括2个神经元。
3.根据权利要求2所述基于蚁群算法的密闭容器气体泄漏检测方法，其特征在于：所述隐含层和输出层采用非线性函数Sigmoid作为传递函数；利用蚁群算法对神经网络各神经元间权值和神经元自身阀值进行优化；采用迭代优化方式直到最大迭代次数，输出最优结果。
4.根据权利要求3所述基于蚁群算法的密闭容器气体泄漏检测方法，其特征在于：所述蚁群神经网络采用两层信息素更新算法和最大最小蚁群算法；所述两层信息素更新算法包括：
第1层:原有信息素的挥发
τij(t+n)＝(1-ρ)·τij(t)
其中τij表示t时刻在城市i与城市j连线上信息素的量；(1-ρ)为信息素的残留浓度；
第2层:借鉴奖惩蚁群算法，在完成每次循环进行信息素挥发后，根据蚂蚁所建立路径的长短，进行排序，只有前w只建立短路径的蚂蚁被挑选出来进行奖励，其他(m-w)只建立路径的蚂蚁进行惩罚，在进行信息素更新；其中w为被挑选出来用于进行奖励的蚂蚁数目；m为本次循环中蚂蚁的数目；所述信息素更新量按下述公式进行：
其中τij表示t时刻在城市i与城市j连线上信息素的量；r为本次循环中蚂蚁的排名；w是被挑选出来施行奖励的蚂蚁数目；m是本次循环中蚂蚁的数目；Q是一个常数，表示蚂蚁循环一次所释放的信息量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010980602.3A CN112085148A (zh) | 2020-09-17 | 2020-09-17 | 一种基于蚁群算法的密闭容器气体泄漏检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010980602.3A CN112085148A (zh) | 2020-09-17 | 2020-09-17 | 一种基于蚁群算法的密闭容器气体泄漏检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112085148A true CN112085148A (zh) | 2020-12-15 |
Family
ID=73736834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010980602.3A Pending CN112085148A (zh) | 2020-09-17 | 2020-09-17 | 一种基于蚁群算法的密闭容器气体泄漏检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085148A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030197A (zh) * | 2021-03-26 | 2021-06-25 | 哈尔滨工业大学 | 一种气体传感器漂移补偿方法 |
| CN115200784A (zh) * | 2022-09-16 | 2022-10-18 | 福建（泉州）哈工大工程技术研究院 | 基于改进ssd网络模型的漏粉检测方法、装置及可读介质 |
-
2020
- 2020-09-17 CN CN202010980602.3A patent/CN112085148A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030197A (zh) * | 2021-03-26 | 2021-06-25 | 哈尔滨工业大学 | 一种气体传感器漂移补偿方法 |
| CN113030197B (zh) * | 2021-03-26 | 2022-11-04 | 哈尔滨工业大学 | 一种气体传感器漂移补偿方法 |
| CN115200784A (zh) * | 2022-09-16 | 2022-10-18 | 福建（泉州）哈工大工程技术研究院 | 基于改进ssd网络模型的漏粉检测方法、装置及可读介质 |
| CN115200784B (zh) * | 2022-09-16 | 2022-12-02 | 福建（泉州）哈工大工程技术研究院 | 基于改进ssd网络模型的漏粉检测方法、装置及可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107577910B (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
| Liu et al. | Application of artificial neural networks in global climate change and ecological research: An overview | |
| CN112085148A (zh) | 一种基于蚁群算法的密闭容器气体泄漏检测方法 | |
| CN110242865B (zh) | 一种易于持续优化的燃气泄漏检测判定方法及系统 | |
| Cho et al. | Wireless electronic nose system for real-time quantitative analysis of gas mixtures using micro-gas sensor array and neuro-fuzzy network | |
| CN109325263A (zh) | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 | |
| Gallardo et al. | Determination of ammonium ion employing an electronic tongue based on potentiometric sensors | |
| CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
| CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
| CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
| CN115809427B (zh) | 基于混合策略优化bp神经网络的混合气体识别方法 | |
| CN110309609A (zh) | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 | |
| CN110988263B (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
| CN114037064A (zh) | 一种船舶大气污染物监测方法及系统 | |
| CN115640744A (zh) | 一种油田集输管道外腐蚀速率预测方法 | |
| CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
| CN117272202A (zh) | 大坝变形异常值识别方法及系统 | |
| CN113192569A (zh) | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 | |
| CN115099493B (zh) | 一种基于cnn的林火向任意方向蔓延速率预测方法 | |
| Xia et al. | An accurate and low-cost PM 2.5 estimation method based on Artificial Neural Network | |
| CN110910263A (zh) | 一种基于ga-bp神经网络粮情监测方法 | |
| CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
| CN115579063A (zh) | 一种面向污水治理的光合细菌发酵过程软测量方法 | |
| CN115630327A (zh) | 一种基于mssa-svm的电缆隧道环境事故识别方法 | |
| CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201215 |