CN112308168A - 检测电网中电压数据异常的方法 - Google Patents

检测电网中电压数据异常的方法 Download PDF

Info

Publication number
CN112308168A
CN112308168A CN202011241992.9A CN202011241992A CN112308168A CN 112308168 A CN112308168 A CN 112308168A CN 202011241992 A CN202011241992 A CN 202011241992A CN 112308168 A CN112308168 A CN 112308168A
Authority
CN
China
Prior art keywords
voltage data
data
abnormal
ith
clustering
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
CN202011241992.9A
Other languages
English (en)
Inventor
石琳姗
靳敏
黄静
田博今
王映康
王梦婷
王雪儿
彭云竹
吴烈
黄健
文薪荣
霍晓波
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.)
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Chongqing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Chongqing Electric Power Co Ltd
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 State Grid Corp of China SGCC, Information and Telecommunication Branch of State Grid Chongqing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011241992.9A priority Critical patent/CN112308168A/zh
Publication of CN112308168A publication Critical patent/CN112308168A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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—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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种检测电网中电压数据异常的方法，包括步骤：S1.采集电压数据；S2.使用自适应变异蝙蝠算法对所述电压数据进行处理，得到电压数据的局部异常数据；S3.对所述电压数据的局部异常数据进行聚类处理，得到聚类后的数据；S4.对所述聚类后的数据进行分类检测，得到异常的电压数据。本发明的一种检测电网中电压数据异常的方法，具有更好的聚类效果以及异常检测性能，提高了电压异常的检测效率。

Description

检测电网中电压数据异常的方法
技术领域
本发明涉及电网领域，具体涉及一种检测电网中电压数据异常的方法。
背景技术
随着现代电力技术的不断进步，电网正向着智能化、信息化、数字化方向高速发展。随着电网系统中各类设备要处理的数据量逐渐增加，使得电网数据量飞速增长，这就增加了对电网进行统计分析的难度，特别地，很难对电网的异常数据进行分析，而电网数据异常等问题会严重地影响电网的安全。
其中，电网数据异常往往体现在电压数据异常，而目前对于电压数据异常的检测，并没有有效的手段或技术。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供检测电网中电压数据异常的方法，具有更好的聚类效果以及异常检测性能，提高了电压异常的检测效率。
本发明的检测电网中电压数据异常的方法，包括如下步骤：
S1.采集电压数据；
S2.使用自适应变异蝙蝠算法对所述电压数据进行处理，得到电压数据的局部异常数据；
S3.对所述电压数据的局部异常数据进行聚类处理，得到聚类后的数据；
S4.对所述聚类后的数据进行分类检测，得到异常的电压数据。
进一步，所述步骤S2，具体包括：
S21.初始化自适应变异蝙蝠算法中的频率fi＝0、速度
Figure BDA0002768721430000011
以及位置
Figure BDA0002768721430000012
其中，fi为第i个电压数据变换的频率，
Figure BDA0002768721430000013
和
Figure BDA0002768721430000014
分别为第i个电压数据在t时刻的变换速度和在t时刻的位置；
S22.根据自适应变异蝙蝠算法公式W(t)，对所述电压数据进行迭代处理；所述公式W(t)为：
Figure BDA0002768721430000021
其中，W(t)为t时刻异常数据的分布权值；R为将当前电压数据划分为相等区域的个数；rk为异常数据出现在第k个区域的概率；
S23.重复步骤S22，不断迭代修正第i个电压数据在t+1时刻的变换速度
Figure BDA0002768721430000022
和位置
Figure BDA0002768721430000023
得到局部偏离正常电压数据的异常值和所述异常值的个数。
进一步，根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据变换的频率fi：
Figure BDA0002768721430000024
其中，Favg为所有电压数据的平均适应值，Fbest为当前电压数据中的异常数据，fmin为最小频率，α∈[-1,1]为随机向量；
根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据在t时刻的变换速度
Figure BDA0002768721430000025
Figure BDA0002768721430000026
其中，ω为惯性权重，
Figure BDA0002768721430000027
为第i个电压数据在t时刻的变换速度，x*为异常数据位置；
根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据在t+1时刻的位置
Figure BDA0002768721430000028
Figure BDA0002768721430000029
其中，δ∈[-1,1]为随机向量，A(t)为t时刻的响度，s为自适应参数。
进一步，所述步骤S3，具体包括：
S31.构建聚类损失模型：
Figure BDA00027687214300000210
其中，F(U,S)为聚类损失函数，R为将当前电压数据划分为相等区域的个数，ti为第i个电压数据执行时间，U为隶属度矩阵，所述U＝{ρj(xi)}，xi为电压数据集，所述xi＝{x1,x2,…,xn}，k为分类数量，S为拉普拉斯系数，
Figure BDA0002768721430000031
为第i个电压数据属于聚类中心cj的加权系数，cj为第j个区域聚类中心，ρj(xi)为第i个电压数据对应的第j类隶属度，b为迭代次数，‖xi-cj‖2为第i个电压数据距离第j个区域聚类中心cj的距离，
Figure BDA0002768721430000032
为电压数据的分布熵和平均位距映射权值；
S32.求解所述聚类损失模型的极小值，得到聚类中心cj以及隶属度函数ρj(xi)；
所述聚类中心cj为：
Figure BDA0002768721430000033
所述隶属度函数ρj(xi)为：
Figure BDA0002768721430000034
S33.迭代计算聚类中心cj及隶属度函数ρj(xi)，直到所述聚类损失模型收敛，并所述聚类损失模型收敛后对应的异常电压数据作为聚类后的数据。
本发明的有益效果是：本发明公开的一种检测电网中电压数据异常的方法，通过利用自适应变异蝙蝠算法优化的聚类方法，对从电网中采集电压数据进行聚类分析，得到电压数据的异常分类，进而实现了对电压数据异常的检测；本发明具有更好的聚类效果以及异常检测性能，提高了电压异常的检测效率。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图1所示：
本发明的检测电网中电压数据异常的方法，包括如下步骤：
S1.从设置于电网系统的各种数据传感器中获取电网中的电压数据；
S2.使用自适应变异蝙蝠算法对所述电压数据进行处理，得到电压数据的局部异常数据；
S3.对所述电压数据的局部异常数据进行聚类处理，得到聚类后的数据；
S4.对所述聚类后的数据进行分类检测，得到异常的电压数据。
本实施例中，所述步骤S2，具体包括：
S21.初始化自适应变异蝙蝠算法中的频率fi＝0、速度
Figure BDA0002768721430000041
以及位置
Figure BDA0002768721430000042
其中，fi为第i个电压数据变换的频率，
Figure BDA0002768721430000043
和
Figure BDA0002768721430000044
分别为第i个电压数据在t时刻的变换速度和在t时刻的位置；
S22.根据自适应变异蝙蝠算法公式W(t)，对所述电压数据进行迭代处理；所述公式W(t)为：
Figure BDA0002768721430000045
其中，W(t)为t时刻异常数据的分布权值，W(t)的值越小，则异常数据分布越不均匀，W(t)为0时，则异常数据聚集在同一处；R为将当前电压数据划分为相等区域的个数，每个区域所包含的异常电压数据为N1,N2,...,Nk；rk为异常数据出现在第k个区域的概率；所述
Figure BDA0002768721430000046
S为拉普拉斯系数；
S23.重复步骤S22，不断迭代修正第i个电压数据在t+1时刻的变换速度
Figure BDA0002768721430000047
和位置
Figure BDA0002768721430000048
得到局部偏离正常电压数据的异常值和所述异常值的个数；其中，所述迭代的次数，可根据实际的情况进行设定。
本实施例中，根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据变换的频率fi：
Figure BDA0002768721430000049
其中，Favg为所有电压数据的平均适应值，Fbest为当前电压数据中的异常数据，fmin为最小频率，α∈[-1,1]为随机向量；
根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据在t时刻的变换速度
Figure BDA00027687214300000410
Figure BDA0002768721430000051
其中，ω为惯性权重，所述ω可以影响算法的局部和全局寻优能力，
Figure BDA0002768721430000052
为第i个电压数据在t时刻的变换速度，x*为异常数据位置；
根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据在t+1时刻的位置
Figure BDA0002768721430000053
Figure BDA0002768721430000054
其中，δ∈[-1,1]为随机向量，A(t)为t时刻的响度，s为自适应参数，所述参数s可根据所述自适应变异蝙蝠算法的具体使用，进行调整。
若得到自适应变异蝙蝠算法中的一个最佳解，则每个电压数据的位置进一步更新为:
xnew＝xold+τA(t)；
其中，xnew表示新位置，xold表示旧位置，τ∈[-1,1]。
本实施例中，所述步骤S3，具体包括：
S31.构建聚类损失模型：
Figure BDA0002768721430000055
其中，F(U,S)为聚类损失函数，R为将当前电压数据划分为相等区域的个数，ti为第i个电压数据执行时间，U为隶属度矩阵，所述U＝{ρj(xi)}，xi为电压数据集，所述xi＝{x1,x2,…,xn}，k为分类数量，S为拉普拉斯系数，
Figure BDA0002768721430000056
为第i个电压数据属于聚类中心cj的加权系数，cj为第j个区域聚类中心，ρj(xi)为第i个电压数据对应的第j类隶属度，b为迭代次数，‖xi-cj‖2为第i个电压数据距离第j个区域聚类中心cj的距离，所述距离为0时，则所述第i个电压数据为异常数据，
Figure BDA0002768721430000057
为电压数据的分布熵和平均位距映射权值；
S32.令所述聚类损失模型中的聚类损失函数F(U,S)对cj和ρj(xi)的偏导为0，解得所述聚类损失模型的极小值，得到聚类中心cj以及隶属度函数ρj(xi)；
所述聚类中心cj为：
Figure BDA0002768721430000061
所述隶属度函数ρj(xi)为：
Figure BDA0002768721430000062
S33.迭代计算聚类中心cj及隶属度函数ρj(xi)，直到所述聚类损失模型收敛，并所述聚类损失模型收敛后对应的异常电压数据作为聚类后的数据。其中，所述迭代的次数，根据实际情况进行设定；若所述聚类损失模型达到最大迭代次数后无法收敛，则结束。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种检测电网中电压数据异常的方法，其特征在于：包括如下步骤：
S1.采集电压数据；
S2.使用自适应变异蝙蝠算法对所述电压数据进行处理，得到电压数据的局部异常数据；
S3.对所述电压数据的局部异常数据进行聚类处理，得到聚类后的数据；
S4.对所述聚类后的数据进行分类检测，得到异常的电压数据。
2.根据权利要求1所述的检测电网中电压数据异常的方法，其特征在于：所述步骤S2，具体包括：
S21.初始化自适应变异蝙蝠算法中的频率fi＝0、速度
Figure FDA0002768721420000011
以及位置
Figure FDA0002768721420000012
其中，fi为第i个电压数据变换的频率，
Figure FDA0002768721420000013
和
Figure FDA0002768721420000014
分别为第i个电压数据在t时刻的变换速度和在t时刻的位置；
S22.根据自适应变异蝙蝠算法公式W(t)，对所述电压数据进行迭代处理；所述公式W(t)为：
Figure FDA0002768721420000015
其中，W(t)为t时刻异常数据的分布权值；R为将当前电压数据划分为相等区域的个数；rk为异常数据出现在第k个区域的概率；
S23.重复步骤S22，不断迭代修正第i个电压数据在t+1时刻的变换速度
Figure FDA0002768721420000016
和位置
Figure FDA0002768721420000017
得到局部偏离正常电压数据的异常值和所述异常值的个数。
3.根据权利要求2所述的检测电网中电压数据异常的方法，其特征在于：根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据变换的频率fi：
Figure FDA0002768721420000018
其中，Favg为所有电压数据的平均适应值，Fbest为当前电压数据中的异常数据，fmin为最小频率，α∈[-1,1]为随机向量；
根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据在t时刻的变换速度
Figure FDA0002768721420000019
Figure FDA00027687214200000110
其中，ω为惯性权重，
Figure FDA0002768721420000021
为第i个电压数据在t时刻的变换速度，x*为异常数据位置；
根据如下公式确定所述自适应变异蝙蝠算法的第i个电压数据在t+1时刻的位置
Figure FDA0002768721420000022
Figure FDA0002768721420000023
其中，δ∈[-1,1]为随机向量，A(t)为t时刻的响度，s为自适应参数。
4.根据权利要求1所述的检测电网中电压数据异常的方法，其特征在于：所述步骤S3，具体包括：
S31.构建聚类损失模型：
Figure FDA0002768721420000024
其中，F(U,S)为聚类损失函数，R为将当前电压数据划分为相等区域的个数，ti为第i个电压数据执行时间，U为隶属度矩阵，所述U＝{ρj(xi)}，xi为电压数据集，所述xi＝{x1,x2,…,xn}，k为分类数量，S为拉普拉斯系数，
Figure FDA0002768721420000025
为第i个电压数据属于聚类中心cj的加权系数，cj为第j个区域聚类中心，ρj(xi)为第i个电压数据对应的第j类隶属度，b为迭代次数，‖xi-cj‖2为第i个电压数据距离第j个区域聚类中心cj的距离，
Figure FDA0002768721420000026
为电压数据的分布熵和平均位距映射权值；
S32.求解所述聚类损失模型的极小值，得到聚类中心cj以及隶属度函数ρj(xi)；
所述聚类中心cj为：
Figure FDA0002768721420000027
所述隶属度函数ρj(xi)为：
Figure FDA0002768721420000028
S33.迭代计算聚类中心cj及隶属度函数ρj(xi)，直到所述聚类损失模型收敛，并所述聚类损失模型收敛后对应的异常电压数据作为聚类后的数据。
CN202011241992.9A 2020-11-09 2020-11-09 检测电网中电压数据异常的方法 Pending CN112308168A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011241992.9A CN112308168A (zh) 2020-11-09 2020-11-09 检测电网中电压数据异常的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011241992.9A CN112308168A (zh) 2020-11-09 2020-11-09 检测电网中电压数据异常的方法

Publications (1)

Publication Number Publication Date
CN112308168A true CN112308168A (zh) 2021-02-02

Family

ID=74325362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011241992.9A Pending CN112308168A (zh) 2020-11-09 2020-11-09 检测电网中电压数据异常的方法

Country Status (1)

Country Link
CN (1) CN112308168A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238107A (zh) * 2021-04-26 2021-08-10 南京国电南自电网自动化有限公司 一种用于emc试验的交流采样异常分析方法
CN115935284A (zh) * 2022-11-04 2023-04-07 贵州电网有限责任公司信息中心 电网异常电压检测方法、装置、设备及存储介质
CN116243097A (zh) * 2023-05-11 2023-06-09 新风光电子科技股份有限公司 基于大数据的电能质量检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409496A (zh) * 2018-11-14 2019-03-01 重庆邮电大学 一种基于蚁群算法改进的ldtw序列相似度量方法
CN109711373A (zh) * 2018-12-29 2019-05-03 浙江大学 一种基于改进蝙蝠算法的大数据特征选择方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN110263834A (zh) * 2019-06-13 2019-09-20 东华大学 一种新能源电能质量异常值的检测方法
CN111492373A (zh) * 2017-10-30 2020-08-04 纽约州州立大学研究基金会 与基于声学的回声签名的用户认证相关联的系统和方法
CN111612227A (zh) * 2020-05-12 2020-09-01 国网河北省电力有限公司电力科学研究院 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN111492373A (zh) * 2017-10-30 2020-08-04 纽约州州立大学研究基金会 与基于声学的回声签名的用户认证相关联的系统和方法
CN109409496A (zh) * 2018-11-14 2019-03-01 重庆邮电大学 一种基于蚁群算法改进的ldtw序列相似度量方法
CN109711373A (zh) * 2018-12-29 2019-05-03 浙江大学 一种基于改进蝙蝠算法的大数据特征选择方法
CN110263834A (zh) * 2019-06-13 2019-09-20 东华大学 一种新能源电能质量异常值的检测方法
CN111612227A (zh) * 2020-05-12 2020-09-01 国网河北省电力有限公司电力科学研究院 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238107A (zh) * 2021-04-26 2021-08-10 南京国电南自电网自动化有限公司 一种用于emc试验的交流采样异常分析方法
CN115935284A (zh) * 2022-11-04 2023-04-07 贵州电网有限责任公司信息中心 电网异常电压检测方法、装置、设备及存储介质
CN116243097A (zh) * 2023-05-11 2023-06-09 新风光电子科技股份有限公司 基于大数据的电能质量检测方法
CN116243097B (zh) * 2023-05-11 2023-08-15 新风光电子科技股份有限公司 基于大数据的电能质量检测方法

Similar Documents

Publication Publication Date Title
CN112308168A (zh) 检测电网中电压数据异常的方法
CN107948930B (zh) 基于位置指纹算法的室内定位优化方法
Xu et al. An improved data anomaly detection method based on isolation forest
CN107919918B (zh) 一种移动节点辅助水下物联网数据可靠采集方法
CN112800682B (zh) 一种反馈寻优的风机叶片故障监测方法
CN110995153B (zh) 一种光伏电站的异常数据检测方法、装置及电子设备
CN116383743A (zh) 基于机器学习的光伏运行异常检测方法及系统
CN114707686A (zh) 一种面向多工序混合生产的联合优化方法
CN116485049B (zh) 一种基于人工智能的电能计量误差预测与优化系统
CN117290700A (zh) 基于双模图特征融合的无线通信网络异常检测方法
CN112422546A (zh) 一种基于变邻域算法和模糊聚类的网络异常检测方法
Tian et al. A self-adaptive similarity-based fitness approximation for evolutionary optimization
CN111413622B (zh) 一种基于堆叠降噪自动编码机的锂电池寿命预测方法
CN114298164A (zh) 基于klms算法和趋势滤波的自适应故障预测方法
CN114202110A (zh) 一种基于rf-xgboost的业务故障预测方法及装置
CN114124437A (zh) 基于原型卷积网络的加密流量识别方法
Georgieva et al. A cooperative multi-population approach to clustering temporal data
Kruzick et al. Optimal filter design for consensus on random directed graphs
WANG et al. Oversampling method for intrusion detection based on clustering and instance hardness
Yang et al. Dragonfly algorithm for solving flexible jobshop scheduling problem
Wang et al. A peer to peer traffic identification method based on wavelet and particle swarm optimization algorithm
Chun-Liang et al. Improved SVM classifier incorporating adaptive condensed instances based on hybrid continuous-discrete particle swarm optimization
CN117714304B (zh) 一种无人机集群网络健康评估方法、系统及介质
CN117574213B (zh) 一种基于apso-cnn的网络流量分类方法
Mishra et al. Cuckoo search implementation in LabVIEW

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