CN116150687A - 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 - Google Patents
一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 Download PDFInfo
- Publication number
- CN116150687A CN116150687A CN202211108648.1A CN202211108648A CN116150687A CN 116150687 A CN116150687 A CN 116150687A CN 202211108648 A CN202211108648 A CN 202211108648A CN 116150687 A CN116150687 A CN 116150687A
- Authority
- CN
- China
- Prior art keywords
- model
- wlstsvm
- classification
- leakage
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000012530 fluid Substances 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 3
- 238000013145 classification model Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000010963 304 stainless steel Substances 0.000 description 1
- 229910000589 SAE 304 stainless steel Inorganic materials 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Pipeline Systems (AREA)
Abstract
本发明属于管道泄漏识别技术领域,具体涉及一种基于多分类G‑WLSTSVM模型的流体管道泄漏识别方法,包括:获取供水管道的不同泄漏工况下的泄漏数据,对数据进行预处理,对预处理后的数据划分训练集和测试集,利用GMM模型确定训练集中各工况下的数据样本的权值,并构建权重矩阵,利用正则项和权重矩阵改进非线性LSTSVM模型,并根据“一对一”策略将改进的模型作为子分类器,构建多分类G‑WLSTSVM模型,通过训练集训练该模型,并通过测试集测试该模型的识别准确率,得到最优的检测模型。本发明解决了管道各工况数据采集过程中不可避免的环境噪声使得泄漏样本中存在离群样本的问题,提高了管道泄漏识别的准确率。
Description
技术领域
本发明属于管道泄漏识别技术领域,具体涉及一种基于多分类G-WLSTSVM模型的流体管道泄漏识别方法。
背景技术
管道是石油、天然气等资源运输和配送使用最广泛的基础设施之一。然而,管道因老化、腐蚀、焊缝缺陷、环境因素和外力干扰等因素而损坏,使得管道泄漏事件时有发生,易造成财政消耗、环境污染和公共健康风险。同时,不同的泄漏工况形成的泄漏规模会造成不同程度的危害,这影响抢修措施的制定。因此,流体管道泄漏识别的研究具有重大实际意义。
不同管道泄漏工况识别的本质实际是通过分析泄漏信号而实现多种泄漏工况的分类。它的实现主要是通过对采集的管道泄漏信号提取特征量,构建数据集并由分类模型进行分类和识别。其中,分类模型的性能直接决定管道泄漏工况的识别性能。当前的研究重点是寻找分类精度高和计算效率较高的分类算法,最大可能地提高管道泄漏工况的识别精度。中国专利CN110659482A公开了一种基于GAPSO-TWSVM的工业网络入侵检测方法,它采用结合遗传算法(Genetic Algorithm,GA)与粒子群算法(Particle Swarm Optimization,PSO)的GAPSO算法优化孪生支持向量机(Twin Support Vector Machines,TWSVM)的各个参数,最终提高了工业网络入侵检测的算法性能。但是,由于TWSVM在训练时需要求解两个二次规划问题,故其具有较高的计算复杂度。为了进一步提高分类器的性能,Kumar等提出了TWSVM的最小二乘版本,即最小二乘孪生支持向量机(Least squares Twin SupportVector Machin,LSTSVM),在最小二乘意义下修改了TWSVM的原始二次规划问题,并用等式约束代替TWSVM的不等式约束进行求解(M.Arun Kumar and M.Gopal,“Least squarestwin support vector machines for pattern classification,”Expert Syst.Appl.,vol.36,no.4,pp.7535–7543,May 2009.)。在训练过程中,LSTSVM只需要求解两个线性方程,简化了计算复杂度,其训练速度远快于TWSVM,并且具有与TWSVM相似的分类精度。但是,LSTSVM的求解结果中存在对称半正定矩阵求逆项,很多时候这个矩阵是不可逆的,这将导致病态矩阵求逆问题的出现。同时,LSTSVM在进行训练时容易被训练样本中的离群样本影响,从而导致训练得到的模型的分类精度不佳。由于管道各工况数据采集过程中不可避免的环境噪声使得泄漏样本中存在离群样本,它们往往远离所属工况的整体数据分布,而LSTSVM对正常泄漏样本和离群样本赋予相同的权重,导致具有同等权重的离群样本会影响泄漏工况的分类趋势,从而导致误分类出现。
综上所述,现有技术问题是:
1.最小二乘孪生支持向量机求解结果中存在对称半正定矩阵求逆项,很多时候这个矩阵是不可逆的,这将导致病态矩阵求逆问题的出现;
2.最小二乘孪生支持向量机在进行训练时容易被训练样本中的离群样本影响,从而导致训练得到的模型的分类精度不佳;
3.管道各工况数据采集过程中不可避免的环境噪声使得泄漏样本中存在离群样本,它们往往远离所属工况的整体数据分布,而LSTSVM对正常泄漏样本和离群样本赋予相同的权重,导致具有同等权重的离群样本会影响泄漏工况的分类趋势,从而导致误分类出现。
发明内容
为解决上述技术问题,本发明提出一种基于多分类G-WLSTSVM模型的流体管道泄漏识别方法,包括以下步骤:
S1:采集供水管道无泄漏、小泄漏、中度泄漏和严重泄漏四种工况下的管道振动信号;
S2:提取管道振动信号中的特征值,构建管道泄漏识别的数据集,并对数据集中的所有数据样本在区间[0,1]上做归一化处理;
S3:对归一化后的样本数据按照3:1的比例划分训练集和测试集;
S4:利用GMM模型确定训练集中各工况下的数据样本的权值,根据各工况下的数据样本的权值构建各个工况下的权重矩阵;
S5:利用正则项和权重矩阵改进非线性LSTSVM模型,得到非线性G-WLSTSVM模型,并根据“一对一”策略将非线性G-WLSTSVM作为子分类器,构建用于管道工况识别的多分类G-WLSTSVM模型;
S6:将训练集中的数据样本输入多分类G-WLSTSVM模型,进行模型的训练;
S7:将测试集中的数据样本输入训练完成后的多分类G-WLSTSVM模型,检测模型的识别准确率,得到最优的多分类G-WLSTSVM模型;
S8:将待检测的数据输入最优的多分类G-WLSTSVM模型,得到管道的泄漏情况。
优选的,利用GMM模型确定训练集中各工况下的数据样本的权值,表示为:
其中,表示第i个样本数据x在第j个分模型下的权值,zj表示第j个高斯分模型的权重,∑j表示协方差矩阵的标准正态分布,xi表示第i个样本数据,μj表示均值,m表示样本数据总数,k表示GMM中分模型的个数,φ()表示高斯分布密度。
优选的,利用正则项和权重矩阵改进LSTSVM模型的目标函数,得到非线性G-WLSTSVM模型,表示为:
受限制于W+[K(A,CT)u1+e1b1]=δ
W-{[K(B,CT)u1+e2b1]+e2}=ξ
受限制于W-[K(B,CT)u2+e2b2]=δ*
W+{e1-[K(A,CT)u2+e1b2]}=η
其中,C表示正负类数据样本的组合矩阵,T表示转置操作,A表示正类的数据样本组成的矩阵,B表示负类的数据样本组成的矩阵,c1表示第一惩罚因子,c2表示第二惩罚因子,c3表示第三惩罚因子,c4表示第四惩罚因子,δ表示第一误差量,δ*表示第二误差量,ξ表示第三误差量,η表示第四误差量,W+表示和W-分别表示两类训练样本各自的权重矩阵,K()表示RBF核函数,e1表示第一全1向量,e2表示第二全1向量,u1、b1和u2、b2分别表示非线性G-WLSTSVM两个核生成曲面的法向量和截距。
优选的,并根据“一对一”策略将非线性G-WLSTSVM作为子分类器,构建用于管道工况识别的多分类G-WLSTSVM模型,具体包括:
根据管道的泄漏工况,将任意两类工况下的数据样本匹配一个非线性G-WLSTSVM分类器,k(k-1)/2个非线性G-WLSTSVM子分类器组成用于管道工况识别的多分类G-WLSTSVM模型,其中k表示管道的泄漏工况。
优选的,将训练集中的数据样本输入多分类G-WLSTSVM模型,进行模型的训练,具体包括:
确定模型的初始参数,在区间[2-8,28]中选取该多分类模型的惩罚因子c1,c2,c3,c4和核参数σ,将训练集中的训练样本输入多分类G-WLSTSVM模型,根据网格搜索方式确定c1,c2,c3,c4和σ最优组合下的各个子分类器的参数uij、bij、uji、bji,得到所有训练好的子分类器,固定最优参数,得到用于四种泄漏工况识别的最优多分类G-WLSTSVM模型。
优选的,将测试集中的数据样本输入训练完成后的多分类G-WLSTSVM模型,检测模型的识别准确率,具体包括:
利用投票法确定每一个测试样本的类别,每一个测试样本依次被每一个子分类器进行判别,若i、j两类间的决策函数将测试样本判断为第i类,则测试样本属于第i类的票数加1,反之第j类的票数加1,测试样本遍历完所有子分类器后,该样本的标签为被判定为票数最高的类别,最后将得到的所有测试样本的标签与实际标签进行对比,确定模型的识别准确率。
本发明的有益效果:
本发明通过给目标函数增加一个正则项以避免LSTSVM求解目标函数时病态的矩阵求逆问题的出现,并且使得模型在经验风险最小化的同时实现结构风险最小化,提高了模型的泛化性能;同时,基于GMM为目标函数中的误差量增加权重矩阵,实现给正常泄漏样本分配较大权重,给离群样本分配较小权重,解决了由于LSTSVM对正常泄漏样本和离群样本赋予相同的权重导致的离群样本对分类趋势的影响,并利用“一对一”策略将G-WLSTSVM扩展为多分类G-WLSTSVM,实现了在保证较高计算效率的前提下,减少了离群样本对分类模型性能的影响,提高了分类模型的泛化能力和识别精度。
附图说明
图1为本发明的整体流程图;
图2为本发明的模拟不同供水管道泄漏工况的实验平台图;
图3为本发明实施例所述的分类模型与TWSVM分类模型、LSTSVM分类模型及LSTBSVM分类模型在所有数据集上的分类精度和计算时间对比结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于多分类G-WLSTSVM模型的流体管道泄漏识别方法,如图1所示,包括以下步骤:
S1:采集供水管道无泄漏、小泄漏、中度泄漏和严重泄漏四种工况下的管道振动信号;
S2:提取管道振动信号中的特征值,构建管道泄漏识别的数据集,并对数据集中的所有数据样本在区间[0,1]上做归一化处理;
S3:对归一化后的样本数据按照3:1的比例划分训练集和测试集;
S4:利用GMM模型确定训练集中各工况下的数据样本的权值,根据各工况下的数据样本的权值构建各个工况下的权重矩阵;
S5:利用正则项和权重矩阵改进非线性LSTSVM模型,得到非线性G-WLSTSVM模型,并根据“一对一”策略将非线性G-WLSTSVM作为子分类器,构建用于管道工况识别的多分类G-WLSTSVM模型;
S6:将训练集中的数据样本输入多分类G-WLSTSVM模型,进行模型的训练;
S7:将测试集中的数据样本输入训练完成后的多分类G-WLSTSVM模型,检测模型的识别准确率,得到最优的多分类G-WLSTSVM模型;
S8:将待检测的数据输入最优的多分类G-WLSTSVM模型,得到管道的泄漏情况。
如图2所示,搭建了模拟不同供水管道泄漏工况的实验平台。其中,采用不同尺寸的4分的304不锈钢六角宝塔作为直通水管接头,采集无泄漏及12mm、14mm、18mm三种泄漏孔径下的管道振动数据来模拟无泄漏、小泄漏、中度泄漏和严重泄漏四种管道泄漏工况。每种泄漏工况的样本数均为200个,总共800个管道各泄漏工况样本。
根据泄漏振动信号在不同工况下具有不同的特点,利用统计特征参数(均值、标准差、峭度、峰峰值、均方根、波形因数、裕度因数、能量)对采集的泄漏振动信号进行特征提取,以构建用于泄漏识别的数据集。为确保后续构建泄漏工况识别多分类模型的顺利进行,我们将数据集的所有数据样本进行归一化处理,归一化的区间为[0,1]。将归一化后的数据集75%的数据样本划分为训练集,25%的数据样本划分为测试集。
利用GMM模型确定训练集中各工况下的数据样本的权值,表示为:
其中,表示第i个样本数据x在第j个分模型下的权值,zj表示第j个高斯分模型的权重,∑j表示协方差矩阵的标准正态分布,xi表示第i个样本数据,μj表示均值,m表示样本数据总数,k表示GMM中分模型的个数,φ(()表示高斯分布密度。然后,将各类别训练样本的权值作为对角元素构成各类别对应的权重矩阵W。
利用正则项和权重矩阵改进LSTSVM模型,得到非线性G-WLSTSVM模型,表示为:
受限制于W+[K(A,CT)u1+e1b1]=δ
W-{[K(B,CT)u1+e2b1]+e2}=ξ
受限制于W-[K(B,CT)u2+e2b2]=δ*
W+{e1-[K(A,CT)u2+e1b2]}=η
其中,C表示正负类数据样本的组合矩阵,T表示转置操作,A表示正类的数据样本组成的矩阵,B表示负类的数据样本组成的矩阵,c1表示第一惩罚因子,c2表示第二惩罚因子,c3表示第三惩罚因子,c4表示第四惩罚因子,δ表示第一误差量,δ*表示第二误差量,ξ表示第三误差量,η表示第四误差量,W+和W-分别表示两类训练样本各自的权重矩阵,K()表示RBF核函数,e1表示第一全1向量,e2表示第二全1向量,u1、b1和u2、b2分别表示非线性G-WLSTSVM两个核生成曲面的法向量和截距。
非线性G-WLSTSVM模型增加一个额外的正则化项它是基于TBSVM算法的间隔最大化思想引入的,模型的结构风险最小化是通过最大化投影超平面xTw1+b1=0和单侧边界超平面xTw1+b1=-1的间隔实现的,间隔最大化等价于正则化项最小化。将/>引入目标函数式中,使得模型在经验风险最小化的同时实现结构风险最小化,同时,分别给误差量Aw1+e1b1和(Bw1+e2b1)+e2增加权重矩阵W+和W-,这是通过GMM算法确定的所有正负训练样本的权值。给正负两类所有训练样本的误差量增加了权重,对于靠近样本簇的样本点赋予较大权值,对于离群点赋予较小权值,从而克服模型对离群点敏感,式中的惩罚因子c1、c2可以实现最小化误差量δ、最小化误差量ξ和最大化间隔三者之间的平衡。
在实际应用中,常存在多分类问题的情形,如管道不同泄漏工况的识别。因此,我们利用“一对一”多分类策略构建和组合多个二分类的G-WLSTSVM子分类器,将G-WLSTSVM扩展到处理多分类问题。对于k类分类问题,多分类G-WLSTSVM算法为任意两类数据样本构建一个二分类G-WLSTSVM子分类器,共需构建k(k-1)/2个二分类G-WLSTSVM,每个子分类器的生成只需要用到训练样本中的两类数据,该子分类器能被用于实现对这两类数据的区分。
根据“一对一”策略将非线性G-WLSTSVM作为子分类器,构建用于管道工况识别的多分类G-WLSTSVM模型,具体包括:
根据管道的泄漏工况,将任意两类工况下的数据样本匹配一个非线性G-WLSTSVM分类器,k(k-1)/2个非线性G-WLSTSVM子分类器组成用于管道工况识别的多分类G-WLSTSVM模型,其中k表示管道的泄漏工况。
将训练集中的数据样本输入多分类G-WLSTSVM模型,进行模型的训练,具体包括:
确定模型的初始参数,在区间[2-8,28]中选取该多分类模型的惩罚因子c1,c2,c3,c4和核参数σ,将训练集中的训练样本输入多分类G-WLSTSVM模型,根据网格搜索方式确定c1,c2,c3,c4和σ最优组合下的各个子分类器的参数uij、bij、uji、bji,得到所有训练好的子分类器,固定最优参数,得到用于四种泄漏工况识别的最优多分类G-WLSTSVM模型。
将测试集中的数据样本输入训练完成后的多分类G-WLSTSVM模型,检测模型的识别准确率,具体包括:
利用投票法确定每一个测试样本的类别,每一个测试样本依次被每一个子分类器进行判别,若i、j两类间的决策函数将测试样本判断为第i类,则测试样本属于第i类的票数加1,反之第j类的票数加1,测试样本遍历完所有子分类器后,该样本的标签为被判定为票数最高的类别,最后将得到的所有测试样本的标签与实际标签进行对比,确定模型的识别准确率。
为了验证本发明的有益效果,改变特征数目以构建不同特征组合的数据集,将本方法与TWSVM,LSTSVM及LSTBSVM(仅为LSTSVM的目标函数增加正则项)进行分类精度和计算效率的对比实验,四个非线性模型均采用RBF作为核函数,最终的分类测试结果比较如表1所示。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于多分类G-WLSTSVM模型的流体管道泄漏识别方法,其特征在于,包括:
S1:采集供水管道无泄漏、小泄漏、中度泄漏和严重泄漏四种工况下的管道振动信号;
S2:提取管道振动信号中的特征值,构建管道泄漏识别的数据集,并对数据集中的所有数据样本在区间[0,1]上做归一化处理;
S3:对归一化后的样本数据按照3:1的比例划分训练集和测试集;
S4:利用GMM模型确定训练集中各工况下的数据样本的权值,根据各工况下的数据样本的权值构建各个工况下的权重矩阵;
S5:利用正则项和权重矩阵改进非线性LSTSVM模型,得到非线性G-WLSTSVM模型,并根据“一对一”策略将非线性G-WLSTSVM作为子分类器,构建用于管道工况识别的多分类G-WLSTSVM模型;
S6:将训练集中的数据样本输入多分类G-WLSTSVM模型,进行模型的训练;
S7:将测试集中的数据样本输入训练完成后的多分类G-WLSTSVM模型,检测模型的识别准确率,得到最优的多分类G-WLSTSVM模型;
S8:将待检测的数据输入最优的多分类G-WLSTSVM模型,得到管道的泄漏情况。
3.根据权利要求1所述的一种基于多分类G-WLSTSVM模型的流体管道泄漏识别方法,其特征在于,利用正则项和权重矩阵改进LSTSVM模型,得到非线性G-WLSTSVM模型,表示为:
受限制于W+[K(A,CT)u1+e1b1]=δ
W-{[K(B,CT)u1+e2b1]+e2}=ξ
受限制于W-[K(B,CT)u2+e2b2]=δ*
W+{e1-[K(A,CT)u2+e1b2]}=η
其中,C表示正负类数据样本的组合矩阵,T表示转置操作,A表示正类的数据样本组成的矩阵,B表示负类的数据样本组成的矩阵,c1表示第一惩罚因子,c2表示第二惩罚因子,c3表示第三惩罚因子,c4表示第四惩罚因子,δ表示第一误差量,δ*表示第二误差量,ξ表示第三误差量,η表示第四误差量,W+表示和W-分别表示两类训练样本各自的权重矩阵,K()表示RBF核函数,e1表示第一全1向量,e2表示第二全1向量,u1、b1和u2、b2分别表示非线性G-WLSTSVM两个核生成曲面的法向量和截距。
4.根据权利要求1所述的一种基于多分类G-WLSTSVM模型的流体管道泄漏识别方法,其特征在于,并根据“一对一”策略将非线性G-WLSTSVM作为子分类器,构建用于管道工况识别的多分类G-WLSTSVM模型,具体包括:
根据管道的泄漏工况,将任意两类工况下的数据样本匹配一个非线性G-WLSTSVM分类器,k(k-1)/2个非线性G-WLSTSVM子分类器组成用于管道工况识别的多分类G-WLSTSVM模型,其中k表示管道的泄漏工况。
5.根据权利要求1所述的一种基于多分类G-WLSTSVM模型的流体管道泄漏识别方法,其特征在于,将训练集中的数据样本输入多分类G-WLSTSVM模型,进行模型的训练,具体包括:
确定模型的初始参数,在区间[2-8,28]中选取该多分类模型的惩罚因子c1,c2,c3,c4和核参数σ,将训练集中的训练样本输入多分类G-WLSTSVM模型,根据网格搜索方式确定c1,c2,c3,c4和σ最优组合下的各个子分类器的参数uij、bij、uji、bji,得到所有训练好的子分类器,固定最优参数,得到用于四种泄漏工况识别的最优多分类G-WLSTSVM模型。
6.根据权利要求1所述的一种基于多分类G-WLSTSVM模型的流体管道泄漏识别方法,其特征在于,将测试集中的数据样本输入训练完成后的多分类G-WLSTSVM模型,检测模型的识别准确率,具体包括:
利用投票法确定每一个测试样本的类别,每一个测试样本依次被每一个子分类器进行判别,若i、j两类间的决策函数将测试样本判断为第i类,则测试样本属于第i类的票数加1,反之第j类的票数加1,测试样本遍历完所有子分类器后,该样本的标签为被判定为票数最高的类别,最后将得到的所有测试样本的标签与实际标签进行对比,确定模型的识别准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211108648.1A CN116150687A (zh) | 2022-09-13 | 2022-09-13 | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211108648.1A CN116150687A (zh) | 2022-09-13 | 2022-09-13 | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116150687A true CN116150687A (zh) | 2023-05-23 |
Family
ID=86337847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211108648.1A Pending CN116150687A (zh) | 2022-09-13 | 2022-09-13 | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116150687A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805416A (zh) * | 2023-08-21 | 2023-09-26 | 中国电建集团华东勘测设计研究院有限公司 | 排水管道缺陷识别模型训练方法、排水管道缺陷识别方法 |
-
2022
- 2022-09-13 CN CN202211108648.1A patent/CN116150687A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805416A (zh) * | 2023-08-21 | 2023-09-26 | 中国电建集团华东勘测设计研究院有限公司 | 排水管道缺陷识别模型训练方法、排水管道缺陷识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN106843195B (zh) | 基于自适应集成半监督费舍尔判别的故障分类方法 | |
CN108709745A (zh) | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN111539733B (zh) | 基于全中心损失函数的欺诈交易识别方法、系统、装置 | |
CN111222457B (zh) | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 | |
Xu et al. | Hybrid feature selection for wafer acceptance test parameters in semiconductor manufacturing | |
CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN116628592A (zh) | 一种基于改进型生成式对抗网络的动设备故障诊断方法 | |
CN113484817A (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 | |
CN113177577A (zh) | 一种基于改进卷积神经网络的轴承故障诊断方法 | |
CN114444620A (zh) | 一种基于生成式对抗神经网络的示功图故障诊断方法 | |
CN115978466A (zh) | 一种基于类别不平衡改进孪生支持向量机的流体管道泄漏检测方法 | |
CN116150687A (zh) | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 | |
CN104537383A (zh) | 一种基于粒子群的海量组织机构数据分类方法及系统 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN111178897B (zh) | 在不平衡数据上快速特征学习的代价敏感的动态聚类方法 | |
Pradeep et al. | Optimal Predictive Maintenance Technique for Manufacturing Semiconductors using Machine Learning | |
Zhang et al. | Multiple‐Fault Diagnosis Method Based on Multiscale Feature Extraction and MSVM_PPA | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN113159132A (zh) | 一种基于多模型融合的高血压分级方法 |
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 |