一种基于极限学习机信息融合的输油管道泄漏检测方法

    公开(公告)号:CN108730776B

    公开(公告)日:2020-07-14

    申请号:CN201810650725.3

    申请日:2018-06-22

    Abstract: 本发明公开了一种基于极限学习机信息融合的输油管道泄漏检测方法,包括以下步骤:S1:采集管道泄漏实验的历史数据作为初始训练样本;S2:分别对历史数据中的流量信息和压力信息进行特征值提取计算后得到信息融合特征数据;S3:将得到的信息融合特征数据作为输入信息,利用极限学习机方法建立管道泄漏的检测模型;S4:验证检测模型的准确性;S5:将待检测管道的流量信息和压力信息进行信号特征提取计算后得到的信息融合特征数据输入最终检测模型,输出待检测管道状态分类结果。本发明采集管道流量信息和压力信息,进行特征值提取计算得到信息融合特征数据作为训练样本,涵盖了信号的主要特征,减少了极限学习机方法的运算量。

    一种基于极限学习机信息融合的输油管道泄漏检测方法

    公开(公告)号:CN108730776A

    公开(公告)日:2018-11-02

    申请号:CN201810650725.3

    申请日:2018-06-22

    CPC classification number: F17D5/02

    Abstract: 本发明公开了一种基于极限学习机信息融合的输油管道泄漏检测方法,包括以下步骤:S1:采集管道泄漏实验的历史数据作为初始训练样本;S2:分别对历史数据中的流量信息和压力信息进行特征值提取计算后得到信息融合特征数据;S3:将得到的信息融合特征数据作为输入信息,利用极限学习机方法建立管道泄漏的检测模型;S4:验证检测模型的准确性;S5:将待检测管道的流量信息和压力信息进行信号特征提取计算后得到的信息融合特征数据输入最终检测模型,输出待检测管道状态分类结果。本发明采集管道流量信息和压力信息,进行特征值提取计算得到信息融合特征数据作为训练样本,涵盖了信号的主要特征,减少了极限学习机方法的运算量。

    一种基于深度置信网络信息融合的供暖管道泄漏检测方法

    公开(公告)号:CN110145695B

    公开(公告)日:2021-01-15

    申请号:CN201910478572.3

    申请日:2019-06-03

    Abstract: 本发明提供一种基于深度置信网络信息融合的供暖管道泄漏检测方法,包括:S1:选择包括双层受限玻尔兹曼机和基于Gauss‑Cos混合核函数的最小二乘支持向量分类机结合的深度置信网建立供暖管道泄漏的信息融合检测模型;S2:采集新数据信息测试信息融合检测模型的正确率;S3:当正确率在95%以上时,信息融合检测模型符合要求,进入S6;否则进入S4至S5;S4:利用Gibbs采样迭代更新并改进信息融合检测模型,直至所有原始数据对应的特征矩阵均被选取过;S5:更新深度置信网权值偏置矩阵模型参数,完成信息融合检测模型的更新,返回S2至S3;S6:将待检测管道的特征矩阵输入信息融合检测模型,输出管道状态分类结果。本发明解决了管道泄漏方法效率低、精度低的问题。

    一种基于深度置信网络信息融合的供暖管道泄漏检测方法

    公开(公告)号:CN110145695A

    公开(公告)日:2019-08-20

    申请号:CN201910478572.3

    申请日:2019-06-03

    Abstract: 本发明提供一种基于深度置信网络信息融合的供暖管道泄漏检测方法,包括:S1:选择包括双层受限玻尔兹曼机和基于Gauss-Cos混合核函数的最小二乘支持向量分类机结合的深度置信网建立供暖管道泄漏的信息融合检测模型;S2:采集新数据信息测试信息融合检测模型的正确率;S3:当正确率在95%以上时,信息融合检测模型符合要求,进入S6;否则进入S4至S5;S4:利用Gibbs采样迭代更新并改进信息融合检测模型,直至所有原始数据对应的特征矩阵均被选取过;S5:更新深度置信网权值偏置矩阵模型参数,完成信息融合检测模型的更新,返回S2至S3;S6:将待检测管道的特征矩阵输入信息融合检测模型,输出管道状态分类结果。本发明解决了管道泄漏方法效率低、精度低的问题。

Patent Agency Ranking