CN114943184A - 一种sf6中co2浓度反演验证方法 - Google Patents
一种sf6中co2浓度反演验证方法 Download PDFInfo
- Publication number
- CN114943184A CN114943184A CN202210742129.4A CN202210742129A CN114943184A CN 114943184 A CN114943184 A CN 114943184A CN 202210742129 A CN202210742129 A CN 202210742129A CN 114943184 A CN114943184 A CN 114943184A
- Authority
- CN
- China
- Prior art keywords
- concentration
- kelm
- steps
- value
- following
- 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
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种SF6中CO2浓度反演验证方法,其特征在于:所述方法包括:步骤1、采集二次谐波峰值信号和浓度;步骤2、将数据乱序,选取前700个样本点作为训练集,100个样本点作为测试集;步骤3、对数据进行归一化处理;步骤4、采用训练集建立KELM模型;步骤5、将KELM模型的参数设置成MSSFO算法寻找的最优解训练好KELM模型,利用训练好的KELM模型对测试集进行浓度反演;解决了最小二乘法受检测硬件和检测环境的影响较大,因此采用最小二乘法线性拟合的方式难以获得需要的拟合精度等技术问题。
Description
技术领域
本发明属于气体检测技术,尤其涉及一种SF6中CO2浓度反演验证方法。
背景技术
采用TDLAS技术检测SF6电气设备中分解组分(CO、H2S、SO2、HF和H2O等)的研究中,为了标定被测气体浓度和二次谐波信号的对应关系(浓度标定或反演),研究者多采用最小二乘法对两者进行直线拟合;最小二乘法是解决曲线拟合问题最常用的方法,通过最小化误差(真实目标对象与拟合目标对象的差)的平方和寻找数据的最佳函数匹配。直线拟合的表达式如下:
y=a1+a2x
其中a1和a2是待定系数,确定a1和a2的值可得到一条确定的直线。利用直线拟合公式可以简便、快速地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。通常在实际工业环境中检测到的数据往往会受到各种因素的影响而呈非线性的形式,而最小二乘法受检测硬件和检测环境的影响较大,因此采用最小二乘法线性拟合的方式难以获得需要的拟合精度。
发明内容
本发明要解决的技术问题:提供一种SF6中CO2浓度反演验证方法,以解决采用最小二乘法线性拟合的方式对SF6中CO2浓度反演由于实际工业环境中检测到的数据往往会受到各种因素的影响而呈非线性的形式,而最小二乘法受检测硬件和检测环境的影响较大,因此采用最小二乘法线性拟合的方式难以获得需要的拟合精度等技术问题。
本发明技术方案:
一种SF6中CO2浓度反演验证方法,所述方法包括:
步骤1、采集二次谐波峰值信号和浓度;
步骤2、将数据乱序,选取不同样本点作为训练集和测试集;
步骤3、对数据进行归一化处理;
步骤4、采用训练集建立KELM模型;
步骤5、将KELM模型的参数设置成MSSFO算法寻找的最优解训练好KELM模型,利用训练好的KELM模型对测试集进行浓度反演。
二次谐波信号的获取方法为:采用TDLAS技术通过TDLAS实验装置获取,光源采用发射波长为2004nm的半导体激光器,最大输出功率为3mW,激光器波长是通过调节激光器温度和驱动电流控制得到,驱动电流为40Hz三角波与72kHz正弦波的叠加信号,调制激光经透镜准直后穿过吸收气室,吸收气室长度为24cm,被气室内被测气体选择吸收后由气室另一侧的光电探测器接收,然后通过锁相放大器提取出吸收光谱的二次谐波信号。
采用三角波作为调制信号,在一个周期内会得到两个光谱吸收峰,通过周期截取只保留一个光谱吸收峰的数据,做背景扣除和峰值读取操作最后得到的峰值数据。
建立KELM模型的方法为:在极限学习机ELM的基础上引入核函数改进算法,假设有N个样本点(xk,yk),k=1,2,…N,xk是输入的数据,yk是期望的结果,且xk∈Rp,yk∈Rq,那么具有L个隐含神经元的ELM模型的数学表达式如下:
式中xk表示输入样本,yk表示输出样本,wi和βi分别表示第i个隐含神经元与输入层和输出层之间的连接权重,bi表示第i个神经元的偏差,g(·)表示激活函数。
将式(14)简化为:
Hβ=Y (15)
式中
式中H表示隐含层输出矩阵,β表示输出权重矩阵,Y表示期望输出矩阵。根据Moore-Penrose广义逆矩阵理论,β可表示为:
β=(HTH)-1HTY (18)
引入正则化系数C,β进一步表示为:
引入核函数ΩELM:
ΩELM=HHT=h(xi)h(xj)=k(xi,xj) (20)
采用RBF核函数,数学表达式为:
则KELM的输出矩阵表示为:
KELM模型输入为二次谐波峰值,输出为对应浓度,将KELM模型的预测浓度与实际浓度的均方根误差RMSE作为适应度函数,通过MSSFO算法对KELM的正则化系数C和核函数参数S进行寻优,当均方根误差RMSE最小时的参数即为最优参数,取最大迭代次数时的参数为最优参数。
所述寻优具体包括:
1)设置算法控制参数,根据混沌和透镜学习机制生成初始旗鱼和沙丁鱼种群;
2)计算所有种群适应度值,记录全局最优解即最小适应度值和位置;
3)更新旗鱼和沙丁鱼位置;
4)分别对旗鱼和沙丁鱼的精英个体进行反向求解并更新最优个体,并根据贪婪原则替换旗鱼和沙丁鱼位置;
5)分别对旗鱼和沙丁鱼的最优个体进行自适应t分布变异并更新最优个体,并根据贪婪原则替换旗鱼和沙丁鱼位置;
6)迭代结束则返回最终结果最小适应度值和KELM的两个参数,否则跳转至步骤2)。
浓度反演时,KELM的输入x是二次谐波峰值,输出y是对应的气体浓度,通过模型即得到一个y和x的函数关系;利用改进的旗鱼优化器(MSSFO)对KELM的正则化系数C和核函数参数S进行迭代寻优,适应度函数选用训练集的CO2预测浓度值与实际浓度值的均方根误差(RMSE),数学表达式如下:
浓度反演时,将线性相关系数R2作为评价指标:
本发明的有益效果:
本发明提出采用混合策略改进的旗鱼优化器(Mixed Strategy improved theSailfish Optimizer,MSSFO),采用Tent混沌映射改善SFO算法的旗鱼和沙丁鱼种群分布,引入透镜成像学习机制增加种群的优质个体数量,并改进旗鱼和沙丁鱼位置更新方式提升算法的搜索能力,采用精英反向学习机制提高迭代过程中的种群质量,同时利用自适应t分布变异算子的扰动能力提升种群个体陷入局部最优解时的逃逸能力;通过改进算法进行SF6中CO2浓度反演验证,求解精度均远优于SFO、PSO和DE算法,在7个基准函数上远优于WOA,在6个函数上远优于RSO,根据Wilcoxon秩和检验也能得到相同的结论,根据迭代收敛曲线,MSSFO在9个基准函数上的收敛速度均保持领先,能更好处理非线性数据,且精度更高。
SF6电气设备故障组分检测中,根据RMSE、R2两个评价指标,由MSSFO优化的KELM得到的CO2预测浓度结果与实际浓度的RMSE比ELM、CLS、KELM、SFO-KELM更小,R2也更接近1,解决了最小二乘法线性拟合的方式对SF6中CO2浓度反演由于实际工业环境中检测到的数据往往会受到各种因素的影响而呈非线性的形式,而最小二乘法受检测硬件和检测环境的影响较大,因此采用最小二乘法线性拟合的方式难以获得需要的拟合精度等技术问题。
附图说明
图1为本发明流程示意图。
具体实施方式
一种SF6中CO2浓度反演验证方法,所述方法具体包括:
步骤1、读取光谱数据,包括二次谐波峰值和浓度;
本发明根据气体的红外光谱吸收原理,气体分子对特定波长的光具有选择吸收特性,由Beer-Lambert定律解释为:
I=I0exp(-α(v)PCL)
式中I0表示激光器发出的波数为v的激光初始光强,I表示激光穿过被测气体后的光强,α(v)表示被测气体吸收系数,P表示吸收气室内的气体压强,C表示气室内被测气体的体积分数,L表示气体吸收气室长度。
根据傅里叶变换原理将上式展开后发现二次谐波信号的幅值Imax与被测气体的体积分数C成比例关系,即:
Imax∝I0σ0CL
光源采用发射波长为2004nm的半导体激光器(VERTILAS,VL-2004-1m),最大输出功率为3mW。激光器波长是通过调节激光器温度和驱动电流控制的,采用TEC驱动芯片MAX1968控制激光器温度,驱动电流为40Hz三角波与72kHz正弦波的叠加信号。调制激光经透镜(THORLABS,C220TMD)准直后穿过吸收气室(长度为24cm),被气室内被测气体选择吸收后由气室另一侧的光电探测器接收,然后通过锁相放大器提取出吸收光谱的二次谐波信号。采集的原始二次谐波信号在PC端的TDLAS检测软件中进行数据处理。
本发明采用三角波作为调制信号,在一个周期内会得到两个光谱吸收峰,因此需要通过周期截取只保留一个光谱吸收峰的数据,然后再做背景扣除和峰值读取等操作,最后根据得到的峰值数据进行浓度反演。
步骤2、将光谱数据乱序,选取前700个样本点(二次谐波峰值,浓度)作为训练集,剩余100和样本点作为测试集;
采用SF6动态配气系统配置体积浓度为0.1%~0.85%,以SF6为背景气体,步进0.05%的16组CO2样气,通过采样得到800个二次谐波峰值数据,每组浓度50个。
步骤3、数据归一化;
步骤4、采用训练集建立KELM模型。设KELM的输入为二次谐波峰值,输出为对应浓度,将KELM模型的预测浓度与实际浓度的均方根误差(RMSE)作为适应度函数,通过MSSFO算法对KELM的正则化系数C和核函数参数S进行寻优,当均方根误差(RMSE)最小时的参数即为最优参数(通常取最大迭代次数时的参数为最优参数)。
步骤4具体包括:
1)设置算法控制参数,根据混沌和透镜学习机制生成初始旗鱼和沙丁鱼种群;
2)计算所有种群适应度值,记录全局最优解(最小适应度值)和位置(KELM的两个参数);
3)更新旗鱼和沙丁鱼位置;
4)分别对旗鱼和沙丁鱼的精英个体进行反向求解并更新较优个体,并根据贪婪原则替换旗鱼和沙丁鱼位置;
5)分别对旗鱼和沙丁鱼的最优个体进行自适应t分布变异并更新较优个体,并根据贪婪原则替换旗鱼和沙丁鱼位置;
6)迭代结束则返回最终结果(最小适应度值,KELM的两个参数),否则跳转至步骤2)。
步骤5、将KELM的参数设置成MSSFO算法寻找的最优解,即训练好了KELM模型。利用训练好的KELM模型对测试集进行浓度反演,浓度反演时只需输入测试集的二次谐波峰值,KELM的输出即为预测的浓度,比较预测浓度和实际浓度可得到模型预测精度。
旗鱼优化器受海洋生态中旗鱼捕食沙丁鱼的自然现象启发:旗鱼通过驱赶迫使沙丁鱼上浮到水面,然后用嘴或尾巴交替攻击沙丁鱼,受伤掉队的沙丁鱼最终成为旗鱼的食物。从算法角度描述,SFO算法拥有旗鱼和沙丁鱼两个种群,旗鱼负责目前最优适应度值搜索,沙丁鱼负责空间搜索。
旗鱼的位置更新数学表达式如下:
式中i表示当前迭代次数,表示旗鱼更新后的位置,表示领头旗鱼的位置,领头旗鱼是目前拥有最优适应度值的旗鱼,表示受伤沙丁鱼的位置,受伤沙丁鱼是目前拥有最优适应度值的沙丁鱼,表示当前旗鱼的位置,r表示(0,1)之间的随机数,λi表示迭代系数,与沙丁鱼种群密度相关,λi数学表达式如下:
λi=2×r×PD-PD (2)
式中PD表示沙丁鱼群的密度,PD数学表达式如下:
式中NSF、NS分别表示每次迭代中旗鱼和沙丁鱼种群数量。
沙丁鱼的位置更新数学表达式如下:
AP=A×(1-(2×i×ε)) (5)
式中A表示旗鱼的最大攻击力度,ε表示衰减系数,在迭代过程中旗鱼的攻击力度从最大值A线性衰减到0。当AP≥0.5时所有沙丁鱼需更新当前位置前往安全区域,当AP<0.5时仅部分沙丁鱼选择更新当前位置。部分更新时需要考虑数量α和维度β,更新范围定义如下:
式中di表示第i次迭代时的维度。
每次迭代时比较两个种群的适应度值,根据贪婪原则替换旗鱼和沙丁鱼的位置,数学表达式如下:
式中f(SFi)表示当前旗鱼的适应度值,f(Si)表示当前沙丁鱼的适应度值。
标准旗鱼优化算法随机生成初始种群的方式不能保证种群分布的均衡性,在迭代后期种群个体分布逐渐集中甚至发生重叠,这种情况很容易造成在未找到最优解时搜索状态就已陷入停滞。混沌具有确定性和类随机性的特点,Tent序列分布最均匀,采用Tent混沌序列来改善旗鱼和沙丁鱼的初始种群分布,其数学表达式如下:
式中β取0.7。
在得到初始种群的基础上根据光学的透镜成像原理进一步生成初始种群个体的镜像解,再根据适应度值比较Tent序列生成的初始种群和其镜像解,遵循贪婪原则从中选取N个最优个体组成新的种群,这样有利于增加可选解的搜索范围,增加种群的优质个体数量。镜像解数学表达式为:
标准旗鱼优化算法的旗鱼更新方式只考虑了当前旗鱼和沙丁鱼的全局最优位置,没有利用到全局最差位置这个关键信息,因此本发明在标准旗鱼位置更新公式的基础上进行改进。改进后的旗鱼位置更新数学表达式如下:
式中表示当前拥有最差适应度值的旗鱼位置,Q表示符合正太分布的随机数。当t<NSF/2时,表示第t个旗鱼个体在最优沙丁鱼周围游动,随时准备下一轮进攻;当t≥NSF/2时,表示第t个旗鱼个体附近没有合适的猎物,需到别处另寻猎物。
标准旗鱼优化算法的沙丁鱼更新方式在迭代后期搜索力度不足,从而容易陷入局部最优解,因此本发明对沙丁鱼位置更新方式进行改进,同时引入一种自适应反馈因子加速迭代收敛过程。当AP≥0.5时,改进后的沙丁鱼位置更新数学表达式如下:
式中k表示自适应可调节反馈因子,其数学表达式如下
式中m表示调节因子,本发明取m为2。
精英反向学习与最优解自适应t分布变异
每次迭代时根据适应度值分别选取旗鱼和沙丁鱼种群中前10%最优个体作为精英个体并反向求解,对比求解前后个体并选择较优个体替换,再根据贪婪策略替换旗鱼和沙丁鱼位置,以此增加种群质量。反向求解。的数学表达式如下:
标准旗鱼优化算法的旗鱼和沙丁鱼个体缺乏变异机制,因此本发明利用自适应t分布变异算子的扰动能力,分别对旗鱼和沙丁鱼的最优个体进行变异,采用逐个维度变异的方式可有效避免维间干扰问题,数学表达式如下:
核极限学习机(Kernel Based Extreme Learning Machine,KELM)是在极限学习机(Extreme Learning Machine,ELM)的基础上引入核函数而改进的算法,在简化了输入参数的同时提升了算法的性能和稳定性。ELM是为解决监督学习问题而提出的,监督学习主要包括分类和预测,浓度标定问题属于预测问题。假设有N个样本点(xk,yk),k=1,2,…N,其中xk是输入的数据,yk是期望的结果,且xk∈Rp,yk∈Rq,那么具有L个隐含神经元的ELM模型的数学表达式如下:
式中xk表示输入样本,yk表示输出样本,wi和βi分别表示第i个隐含神经元与输入层和输出层之间的连接权重,bi表示第i个神经元的偏差,g(·)表示激活函数。
将简化式(14)简化为:
Hβ=Y (15)
式中
式中H表示隐含层输出矩阵,β表示输出权重矩阵,Y表示期望输出矩阵。根据Moore-Penrose广义逆矩阵理论,β可表示为:
β=(HTH)-1HTY (18)
引入正则化系数C,β进一步表示为:
引入核函数ΩELM:
ΩELM=HHT=h(xi)h(xj)=k(xi,xj) (20)
本发明采用RBF核函数,数学表达式为:
则KELM的输出矩阵表示为:
MSSFO-KELM算法
在本发明CO2浓度标定实验中,KELM的输入x是二次谐波峰值,输出y是对应的气体浓度,通过学习系统得到一个模型,即得到一个y和x的函数关系。KELM的正则化系数C和核函数参数S需要人为给定,参数设置不当会影响模型的预测精度,因此本发明利用改进的旗鱼优化器(MSSFO)对KELM的正则化系数C和核函数参数S进行迭代寻优,适应度函数选用训练集的CO2预测浓度值与实际浓度值的均方根误差(RMSE),选取RMSE和线性相关系数(R2)作为浓度反演效果的评价指标,数学表达式如下:
Claims (8)
1.一种SF6中CO2浓度反演验证方法,其特征在于:所述方法包括:
步骤1、采集二次谐波峰值信号和浓度;
步骤2、将数据乱序,选取不同样本点作为训练集和测试集;
步骤3、对数据进行归一化处理;
步骤4、采用训练集建立KELM模型;
步骤5、将KELM模型的参数设置成MSSFO算法寻找的最优解训练好KELM模型,利用训练好的KELM模型对测试集进行浓度反演。
2.根据权利要求1所述的一种SF6中CO2浓度反演验证方法,其特征在于:二次谐波信号的获取方法为:采用TDLAS技术通过TDLAS实验装置获取,光源采用发射波长为2004nm的半导体激光器,最大输出功率为3mW,激光器波长是通过调节激光器温度和驱动电流控制得到,驱动电流为40Hz三角波与72kHz正弦波的叠加信号,调制激光经透镜准直后穿过吸收气室,吸收气室长度为24cm,被气室内被测气体选择吸收后由气室另一侧的光电探测器接收,然后通过锁相放大器提取出吸收光谱的二次谐波信号。
3.根据权利要求2所述的一种SF6中CO2浓度反演验证方法,其特征在于:采用三角波作为调制信号,在一个周期内会得到两个光谱吸收峰,通过周期截取只保留一个光谱吸收峰的数据,做背景扣除和峰值读取操作最后得到的峰值数据。
4.根据权利要求1所述的一种SF6中CO2浓度反演验证方法,其特征在于:建立KELM模型的方法为:在极限学习机ELM的基础上引入核函数改进算法,假设有N个样本点(xk,yk),k=1,2,…N,xk是输入的数据,yk是期望的结果,且xk∈Rp,yk∈Rq,那么具有L个隐含神经元的ELM模型的数学表达式如下:
式中xk表示输入样本,yk表示输出样本,wi和βi分别表示第i个隐含神经元与输入层和输出层之间的连接权重,bi表示第i个神经元的偏差,g(·)表示激活函数。
将式(14)简化为:
Hβ=Y (15)
式中
式中H表示隐含层输出矩阵,β表示输出权重矩阵,Y表示期望输出矩阵。根据Moore-Penrose广义逆矩阵理论,β可表示为:
β=(HTH)-1HTY (18)
引入正则化系数C,β进一步表示为:
引入核函数ΩELM:
ΩELM=HHT=h(xi)h(xj)=k(xi,xj) (20)
采用RBF核函数,数学表达式为:
则KELM的输出矩阵表示为:
5.根据权利要求2所述的一种SF6中CO2浓度反演验证方法,其特征在于:KELM模型输入为二次谐波峰值,输出为对应浓度,将KELM模型的预测浓度与实际浓度的均方根误差RMSE作为适应度函数,通过MSSFO算法对KELM的正则化系数C和核函数参数S进行寻优,当均方根误差RMSE最小时的参数即为最优参数,取最大迭代次数时的参数为最优参数。
6.根据权利要求2所述的一种SF6中CO2浓度反演验证方法,其特征在于:所述寻优具体包括:
1)设置算法控制参数,根据混沌和透镜学习机制生成初始旗鱼和沙丁鱼种群;
2)计算所有种群适应度值,记录全局最优解即最小适应度值和位置;
3)更新旗鱼和沙丁鱼位置;
4)分别对旗鱼和沙丁鱼的精英个体进行反向求解并更新最优个体,并根据贪婪原则替换旗鱼和沙丁鱼位置;
5)分别对旗鱼和沙丁鱼的最优个体进行自适应t分布变异并更新最优个体,并根据贪婪原则替换旗鱼和沙丁鱼位置;
6)迭代结束则返回最终结果最小适应度值和KELM的两个参数,否则跳转至步骤2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210742129.4A CN114943184A (zh) | 2022-06-27 | 2022-06-27 | 一种sf6中co2浓度反演验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210742129.4A CN114943184A (zh) | 2022-06-27 | 2022-06-27 | 一种sf6中co2浓度反演验证方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943184A true CN114943184A (zh) | 2022-08-26 |
Family
ID=82910752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210742129.4A Pending CN114943184A (zh) | 2022-06-27 | 2022-06-27 | 一种sf6中co2浓度反演验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943184A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738232A (zh) * | 2023-06-16 | 2023-09-12 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
-
2022
- 2022-06-27 CN CN202210742129.4A patent/CN114943184A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738232A (zh) * | 2023-06-16 | 2023-09-12 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
CN116738232B (zh) * | 2023-06-16 | 2024-05-31 | 中国科学院空天信息创新研究院 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khajavi et al. | Predicting the carbon dioxide emission caused by road transport using a Random Forest (RF) model combined by Meta-Heuristic Algorithms | |
Despagne et al. | Neural networks in multivariate calibration | |
US5751915A (en) | Elastic fuzzy logic system | |
Ferrario et al. | Insights from inside neural networks | |
Vadimovich et al. | Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems | |
CN114943184A (zh) | 一种sf6中co2浓度反演验证方法 | |
CN112215412B (zh) | 溶解氧预测方法及装置 | |
Scott et al. | Total luminescence spectroscopy with pattern recognition for classification of edible oils | |
CN114154401A (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 | |
Chami et al. | Inversion of oceanic constituents in case I and II waters with genetic programming algorithms | |
CN115906638A (zh) | 建立火控系统故障预测模型、故障预测方法及相关装置 | |
CN111932091A (zh) | 一种基于梯度生存提升树的生存分析风险函数预测方法 | |
CN113657595A (zh) | 神经网络实时剪枝方法、系统及神经网络加速器 | |
CN116735527B (zh) | 一种近红外光谱优化方法、装置、系统以及存储介质 | |
Gu et al. | Neural network memorization dissection | |
CN116151106A (zh) | 基于issa-bp神经网络的气体浓度补偿方法和装置 | |
CN113686810B (zh) | 一种基于卷积神经网络的近红外光谱波长选择方法 | |
Robilliard et al. | Backwarding: An overfitting control for genetic programming in a remote sensing application | |
Zhao et al. | Towards a brain-inspired developmental neural network by adaptive synaptic pruning | |
Filimonov et al. | Towards an Artificial-Intelligence-Based Optical Scintillometer: Scaling Issue | |
Hasebe et al. | Exploration of sensing data to realize intended odor impression using mass spectrum of odor mixture | |
Li et al. | Baseline correction using local smoothing optimization penalized least squares | |
CN115406882B (zh) | 一种基于gbdt和改进mfo的水质污染物检测方法 | |
CN114818281B (zh) | 一种基于卷积神经网络的剖面反演方法及系统 | |
CN117952019B (zh) | 基于srt的多点频域振动响应预测方法、装置、设备及介质 |
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 |