删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

GA优化ELM神经网络的排水管道缺陷诊断

本站小编 Free考研考试/2021-12-04

GA优化ELM神经网络的排水管道缺陷诊断

郑茂辉1,刘少非1,2

(1.同济大学 上海防灾救灾研究所,上海 200092; 2.同济大学 土木工程学院,上海 200092)



摘要:

为及时发现排水管道安全隐患,准确掌握管道状况,结合极限学习机(extreme learning machine,ELM)神经网络和管道闭路电视(closed circuit television,CCTV)检测,建立一个数据驱动的排水管道缺陷诊断模型.采用遗传算法(genetic algorithm,GA)优化ELM神经网络的输入权值矩阵和隐含层偏置,改善网络参数随机生成带来的ELM模型输出不稳定、分类精度偏低的问题.以上海市洋山保税港区排水管道破裂、渗漏等主要结构性缺陷的诊断为例,对GA-ELM模型进行仿真分析,并与ELM模型诊断结果进行对比.结果表明,GA-ELM模型能够更好地识别管道缺陷,获得更佳的分类性能,参数优化提高ELM模型的拟合能力和泛化能力,可应用于城市排水管道状况评价,为排水管网养护计划和修复计划的制订提供技术依据.

关键词:  排水管道  缺陷诊断  极限学习机  遗传算法  神经网络  CCTV检测

DOI:10.11918/201908056

分类号:TU992

文献标识码:A

基金项目:国家重点研发计划项目(2016YFC0,7YFC0803300)



Defect diagnosis of urban drainage pipelines based on GA optimized ELM neural network

ZHENG Maohui1,LIU Shaofei1,2

(1.Shanghai Institute of Disaster Prevention and Relief, Tongji University, Shanghai 200092, China; 2.College of Civil Engineering, Tongji University, Shanghai 200092, China)

Abstract:

To detect the potential risks of drainage pipelines and accurately grasp the pipeline conditions, a data-driven defect diagnosis model was established by combining optimized extreme learning machine (ELM) neural network and closed circuit television (CCTV) inspection. Genetic algorithm (GA) was adopted to optimize the input weight matrix and the hidden layer offset of ELM neural network, which helps to solve the problems of unstable output and low classification accuracy of ELM neural network caused by random generation of network parameters. Taking the drainage pipeline dataset from Yangshan Free Trade Port Area in Shanghai as an example, the proposed GA-ELM model was conducted to identify and diagnose major structural defects, such as pipe rupture, disconnect, and leakage. The results of the GA-ELM model were compared with those of ELM model on the same dataset. It shows that the GA-ELM model achieved better classification performance by utilizing same neuron nodes in the hidden layer, and the optimization of parameters improved the fitting capability and generalization ability of the ELM model. Therefore, the proposed method is applicable to defect diagnosis and evaluation of urban drainage pipes and can provide a technical basis for the formulation of drainage network maintenance plan and repair plan.

Key words:  drainage pipeline  defect diagnosis  extreme learning machine (ELM)  genetic algorithm (GA)  neural network  CCTV inspection


郑茂辉, 刘少非. GA优化ELM神经网络的排水管道缺陷诊断[J]. 哈尔滨工业大学学报, 2021, 53(5): 59-64. DOI: 10.11918/201908056.
ZHENG Maohui, LIU Shaofei. Defect diagnosis of urban drainage pipelines based on GA optimized ELM neural network[J]. Journal of Harbin Institute of Technology, 2021, 53(5): 59-64. DOI: 10.11918/201908056.
基金项目 国家重点研发计划项目(2016YFC0802400,2017YFC0803300) 作者简介 郑茂辉(1976—),男,副研究员 通信作者 郑茂辉,zmh@tongji.edu.cn 文章历史 收稿日期: 2019-08-06



Abstract            Full text            Figures/Tables            PDF


GA优化ELM神经网络的排水管道缺陷诊断
郑茂辉1, 刘少非1,2    
1. 同济大学 上海防灾救灾研究所, 上海 200092;
2. 同济大学 土木工程学院, 上海 200092

收稿日期: 2019-08-06
基金项目: 国家重点研发计划项目(2016YFC0802400,2017YFC0803300)
作者简介: 郑茂辉(1976—),男,副研究员
通信作者: 郑茂辉,zmh@tongji.edu.cn


摘要: 为及时发现排水管道安全隐患,准确掌握管道状况,结合极限学习机(extreme learning machine, ELM)神经网络和管道闭路电视(closed circuit television, CCTV)检测,建立一个数据驱动的排水管道缺陷诊断模型.采用遗传算法(genetic algorithm,GA)优化ELM神经网络的输入权值矩阵和隐含层偏置,改善网络参数随机生成带来的ELM模型输出不稳定、分类精度偏低的问题.以上海市洋山保税港区排水管道破裂、渗漏等主要结构性缺陷的诊断为例,对GA-ELM模型进行仿真分析,并与ELM模型诊断结果进行对比.结果表明,GA-ELM模型能够更好地识别管道缺陷,获得更佳的分类性能,参数优化提高ELM模型的拟合能力和泛化能力,可应用于城市排水管道状况评价,为排水管网养护计划和修复计划的制订提供技术依据.
关键词: 排水管道    缺陷诊断    极限学习机    遗传算法    神经网络    CCTV检测    
Defect diagnosis of urban drainage pipelines based on GA optimized ELM neural network
ZHENG Maohui1, LIU Shaofei1,2    
1. Shanghai Institute of Disaster Prevention and Relief, Tongji University, Shanghai 200092, China;
2. College of Civil Engineering, Tongji University, Shanghai 200092, China



Abstract: To detect the potential risks of drainage pipelines and accurately grasp the pipeline conditions, a data-driven defect diagnosis model was established by combining optimized extreme learning machine (ELM) neural network and closed circuit television (CCTV) inspection. Genetic algorithm (GA) was adopted to optimize the input weight matrix and the hidden layer offset of ELM neural network, which helps to solve the problems of unstable output and low classification accuracy of ELM neural network caused by random generation of network parameters. Taking the drainage pipeline dataset from Yangshan Free Trade Port Area in Shanghai as an example, the proposed GA-ELM model was conducted to identify and diagnose major structural defects, such as pipe rupture, disconnect, and leakage. The results of the GA-ELM model were compared with those of ELM model on the same dataset. It shows that the GA-ELM model achieved better classification performance by utilizing same neuron nodes in the hidden layer, and the optimization of parameters improved the fitting capability and generalization ability of the ELM model. Therefore, the proposed method is applicable to defect diagnosis and evaluation of urban drainage pipes and can provide a technical basis for the formulation of drainage network maintenance plan and repair plan.
Keywords: drainage pipeline    defect diagnosis    extreme learning machine (ELM)    genetic algorithm (GA)    neural network    CCTV inspection    
近20年来,中国排水管网系统发展迅速.随着管网规模的不断扩大和服役年限的增长,排水管道退化和缺陷问题也逐步凸显,有些管道缺陷直接导致路面塌陷、水体污染等严重事故,不仅影响城镇居民工作和生活,还对生命健康构成威胁.排水管道内部缺陷的识别、诊断是制定管网养护计划和修复计划的重要依据,也是城市安全运行监管的重要内容之一.

排水管道缺陷包括管道破裂、腐蚀、渗漏、变形等结构性缺陷,以及沉积、结垢、障碍物等功能性缺陷.管道闭路电视(closed circuit television, CCTV)检测是目前国内外用于管道状况检查最为成熟、有效、安全的技术手段.能直观反映和记录管道内部真实情况,通过管道影像的判读,识别内部缺陷类型、位置和等级,并做进一步评估分析[1].不过,CCTV检测要求对管道先进行一定清理,降低管内水位,前期工作量大;另外,主要依靠人工目测对管道内部状况和缺陷进行诊断评估,效率较低.国内外学者采用统计和机器学习方法研究建立了多种管道状况模型.例如,Micevski等[2]基于马尔科夫链构建雨水管道结构退化模型,并用贝叶斯方法进行校准;刘威等[3]结合全概率公式及线性腐蚀模型给出管线面积腐蚀率的概率密度随服役时间变化的解析表达式;Mashford等[4]建立了基于支持向量机的管道状况预测模型,并应用于澳大利亚阿德莱德市排水管网状况评价;Rober等[5]利用CCTV检测数据和随机森林算法,对加拿大圭尔夫市下水管道的结构性状态进行预测.此外,Tran等[6-7]利用神经网络模型预测排水管道的结构性状况和水力性状况.不过,已有研究更多的是对管道整体状况的建模,从结构性或功能性方面预测管道风险等级,具体缺陷类型的分类诊断和评价方面还有待更深入的研究.

鉴于管道退化和缺陷影响因素复杂,数据驱动的神经网络模型无需深入理解管道病害机理,通过数据样本监督学习即可建立管道缺陷状况同相关特征变量的关联模式,无疑具有良好的适用性和应用前景[8].极限学习机(extreme learning machine, ELM)是Huang等[9]基于Moore-Penrose矩阵理论提出的一种单隐含层前馈神经网络算法,相对传统的神经网络,具有结构简单、学习效率高、泛化能力强等优点.不过,ELM随机生成输入层权值以及隐含层节点偏置等网络参数的特点,可能造成部分隐含层节点的失效[10];其次,ELM分类预测精度与隐含层节点数密切相关,但过多隐含层节点数会导致模型泛化能力的下降,影响管道缺陷分类诊断的能力.

为此,采用遗传算法(genetic algorithm,GA)[11]优化ELM网络参数,充分利用管道基础数据和CCTV检测资料,建立一个新型的城市排水管道缺陷诊断模型,并以上海市洋山港保税区排水管道结构性缺陷的分类诊断为例开展实证研究,验证模型方法的适用性和有效性.

1 GA-ELM诊断模型 1.1 ELM原理设nLm分别为输入层、隐含层和输出层的节点数,给定N组任意的排水管道数据样本(xi, ti)∈Rn×Rm,ELM的输出可以表示为

${f_L}\left( \mathit{\boldsymbol{x}} \right) = \mathop \sum \limits_{i = 1}^L {\mathit{\boldsymbol{\beta }}_i}g\left( {\mathit{\boldsymbol{w}}{_i} \cdot {\mathit{\boldsymbol{x}}_j} + {b_i}} \right) = {\mathit{\boldsymbol{o}}_j}, j = 1, \ldots , N.$ (1)

式中:g(x)为激励函数,wi=wi=[wi1, wi2, …, win]T为隐含层第i个神经元与输入层的连接权值,βi=[βi1, βi2, …, βim]T为隐含层第i个神经元与输出层的连接权值,bi为隐含层神经元的阈值.wi·xjwixj的内积.

L=N,则对于任意给定的βiwi,ELM能零误差逼近学习样本[12],式(1)可以由矩阵形式表达为

$\mathit{\boldsymbol{H\beta }} = \mathit{\boldsymbol{T}}.$ (2)

其中

$\begin{array}{l}\;\;\;\;\;\;\;\;\;\;\;\;\;\mathit{\boldsymbol{H}} = \left[ \begin{array}{l}h\left( {{X_1}} \right)\\\;\;\;\; \vdots \\h\left( {{X_N}} \right)\end{array} \right] = \\{\left[ \begin{array}{l}g\left( {\mathit{\boldsymbol{w}}{_1} \cdot {\mathit{\boldsymbol{x}}_1} + {b_1}} \right){\rm{ }}\;\;\; \cdots \;\;\;{\rm{ }}g\left( {\mathit{\boldsymbol{w}}{_L} \cdot {\mathit{\boldsymbol{x}}_1} + {b_1}} \right)\\\;\;\;\;\;\;\;\;\; \vdots \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; \vdots \\g\left( {\mathit{\boldsymbol{w}}{_1} \cdot {\mathit{\boldsymbol{x}}_N} + {b_1}} \right){\rm{ }}\;\; \ldots {\rm{ }}\;g(\mathit{\boldsymbol{w}}{_L} \cdot {\rm{ }}\mathit{\boldsymbol{x}}{_N} + {b_L})\end{array} \right]_{N \times L}}, \end{array}$ (3)

$\mathit{\boldsymbol{\beta }} = {\left[ \begin{array}{l}\mathit{\boldsymbol{\beta }}_1^{\rm{T}}\\\; \vdots \\\mathit{\boldsymbol{\beta }}_L^{\rm{T}}\end{array} \right]_{L \times m}}, $ (4)

$\mathit{\boldsymbol{T}} = {\left[ \begin{array}{l}\mathit{\boldsymbol{t}}_1^{\rm{T}}\\\; \vdots \\\mathit{\boldsymbol{t}}_L^{\rm{T}}\end{array} \right]_{N \times m}}.$ (5)

N较大时,为减少计算量通常取LN,此时,对ELM的网络训练等价于如下优化问题:

$\left\| {\mathop {\mathit{\boldsymbol{H\beta }}}\limits^ \wedge - \mathit{\boldsymbol{T}}} \right\| = \mathop {\min }\limits_\beta \left\| {\mathit{\boldsymbol{H\beta }} - \mathit{\boldsymbol{T}}} \right\|.$ (6)

g(x)无限可微时,随机给定网络参数wibi,ELM模型训练过程可看作求解线性系统=T关于$\mathit{\boldsymbol{\hat \beta }}$的最小二乘解,即

${\mathit{\boldsymbol{\hat \beta }}^ = }\mathit{\boldsymbol{H}} + \mathit{\boldsymbol{T}}.$ (7)

H+为隐含层输出矩阵H的Moore-Penrose广义逆.

1.2 GA优化ELM与BP模型相比,ELM学习速度快、泛化性能强、不易陷入局部极值,但仍有一些问题,如该算法中输入权值和隐含层偏置的随机选取导致隐含层神经元几乎不存在调节能力,这就对网络参数的优化提出了较高的要求.同时,ELM可能存在网络结构复杂、稳定性差等问题,选择合适的隐含层神经元个数和激活函数十分重要.

GA是模拟自然界遗传机制和物种进化而形成的一种并行随机搜索优化方法,将需要优化的参数编码形成串联群体,然后按照适应度函数通过选择、交叉和变异对个体进行筛选,最终选择适应度最优的个体[11].采用GA优化ELM神经网络的输入权值wi和隐含层偏置bi,得到最优的网络参数建立GA-ELM神经网络,提高模型输出的准确度和稳定性.

GA-ELM算法集成了GA全局搜索最优能力和ELM的强学习能力.在该算法中,将ELM训练数据的输入权值和隐含层节点偏置映射为GA种群中每条染色体上的基因,GA的染色体适应度对应于ELM的训练误差,将求取最优输入权值、偏置问题转化为计算染色体适应度,选择最优染色体问题.图 1给出GA-ELM算法流程,主要包括ELM网络确定、遗传算法优化和ELM网络的训练、预测等.

Fig. 1
图 1 GA-ELM算法流程 Fig. 1 Calculation flow of GA-ELM algorithm


算法相关思路及处理方法如下:

1) 种群初始化.确定ELM神经网络的拓扑结构,即输入层、隐含层和输出层的神经元个数;设置最大进化代数G;随机生成ELM神经网络的输入权值和隐含层偏置,并对其进行二进制编码,产生初始种群;个体的长度由隐含层输入权值矩阵和偏置向量构成,即D=(n+1)L,其中L为隐含层节点数,n为输入层神经元个数,即输入向量维度.

2) 个体适应度评价.对于每一代种群中的任意一个个体,采用ELM算法计算输出权值矩阵,并得到样本的期望输出与实际输出的均方根误差,作为GA目标函数

${E_{{\rm{RMS}}}} = \sqrt {\frac{{\mathop \sum \limits_{i = 1}^n {{\left( {{y_i} - y} \right)}^2}}}{n}} .$ (8)

式中:i为样本个体,n为样本总数,yi为仿真输出值,y为样本期望输出值.目标函数数值越小,模型越精确.

3) 种群进化.根据个体的适应度,采用轮盘赌法对每一代种群中的染色体进行选择,利用基于概率的交叉、变异操作对选中的个体进行优化,产生新的种群,直至满足约束条件,如达到最大迭代次数或相邻种群的平均目标值、最小目标值变化很小时终止进化,得到最终的种群.

4) ELM网络训练和预测.对迭代优化后的最终种群解码,得到优化后的输入权值和偏置,赋予ELM,使用训练样本对ELM网络进行训练,采用最小二乘法计算输出层权值$\mathit{\boldsymbol{\hat \beta }} = {\mathit{\boldsymbol{H}}^ + }\mathit{\boldsymbol{T}}$,最后将测试样本代入ELM模型进行预测输出.

1.3 模型构建与评价排水管道退化机理复杂,影响因素较多,本文只针对管道结构性缺陷识别,利用GA-ELM算法建立分类诊断模型,通过样本数据训练学习确定影响因素与结构性缺陷之间的非线性关系.图 2给出模型的网络拓扑结构.其中,xj代表模型的输入变量,即管道结构性退化影响因素;ti代表模型输出变量,即结构性缺陷类型,如破裂、渗漏、脱节、变形、错位、腐蚀等.

Fig. 2
图 2 模型网络拓扑 Fig. 2 Structure of neural network


影响管道结构性退化的因素包括管道自身物理属性,如管材、管龄、管径、管长、埋深、坡度等;外部环境因素,如路面交通荷载、环境温度变化、临近施工、土壤类型、地下水位、树根侵入因素等.借鉴已有退化指标分析成果[8, 13-14],结合工程应用中数据获取条件,选取管材、管龄、管径、埋深、管长、坡度、管道类型、土壤类型和所在道路等级共9项特征参数作为神经网络模型的输入变量.其中,管道埋深取上下游节点埋深的平均值;管道所在道路等级分为主干道、次干道和其他道路3类,间接表征路面交通荷载.结构性缺陷类型,即样本标签由CCTV检测结果给定.

为了检验GA-ELM模型分类诊断效果,采用混淆矩阵方法对分类器性能进行分析评价.假定nij表示被分类为j类的i类样本数,K为样本种类,则分类精度A以正确分类的样本数与总样本数N的比值表示,即

$A = \frac{{\mathop \sum \limits_{i = 1}^K {n_{ii}}}}{N} \times 100\% .$ (9)

定义Ri为第i类样本的查全率(Recall),即

${R_i} = \frac{{{n_{ii}}}}{{\mathop \sum \limits_{j = 1}^K {n_{ij}}}} \times 100\% .$ (10)

定义Gmean为样本所有类别查全率的几何平均值:

${G_{{\rm{mean}}}} = {\left( {\mathop \prod \limits_{i = 1}^K {R_i}} \right)^{\frac{1}{K}}} \times 100\% .$ (11)

Gmean的基本思想是使每一分类正确率尽可能大的同时,保持各类之间的平衡,是评价不平衡数据集上分类器性能的重要指标.

2 实验分析 2.1 实验数据以上海市浦东新区洋山保税港区公共排水管道为对象,开展实证研究.主要数据来源包含两部分:一是测绘部门提供的管道GIS数据,包含管材、管龄、管径、埋深、管长、坡度、管道类型和所在道路等属性数据;二是由管道养护单位提供的实验区2018年10月份管道CCTV检测数据,检测管道里程约45.5 km.CCTV检测报告给出了具体管段的缺陷类型、等级,并计算了管段修复指数和养护指数.为简化网络模型,提高模型分类预测性能,研究仅选取实验区管道"破裂"、"脱节"、"渗漏"3类主要结构性缺陷类型和"正常"共4类样本数据.基于管段唯一性标识建立管网GIS和CCTV检测数据的对应关系,提取有效样本数据共1 251条.按4类样本的占比随机选取1/4样本作为测试样本集,3/4样本作为训练样本集,样本数据组成如表 1所示.

表 1
表 1 样本数据 Tab. 1 Sample data 缺陷分类 训练集 测试集 期望输出

正常 338 112 [1 0 0 0]

破裂 188 62 [0 1 0 0]

脱节 147 48 [0 0 1 0]

渗漏 267 89 [0 0 0 1]



表 1 样本数据 Tab. 1 Sample data


对于管材、道路等级、土壤类型、缺陷类型等离散的分类特征数据,采用独热编码进行数字化.另外,为避免各指标量纲和数量级不同造成的不平衡性,提高神经网络模型的收敛速度和学习预测能力,采用最大最小法对样本数据进行了归一化处理,使得处理后的数据分布范围在[0, 1],公式如下:

${X^*} = \frac{{X - {X_{{\rm{min}}}}}}{{{X_{{\rm{max}}}} - {X_{{\rm{min}}}}}}.$ (12)

式中:X为实测值,Xmin为样本数据的最小值, Xmax为样本数据的最大值.

2.2 参数设置利用标准ELM构建管道缺陷分类诊断模型时,仅需要设定隐含层神经元节点数L和激励函数g(x)的构造形式就可以求算输出权值矩阵.实际工程应用中隐含层神经元节点数L一般远小于样本数NL过小网络预测误差较大,L过大则会增加模型预测的时间空间成本,容易出现过拟合现象.图 3给出sigmoid、sin和hardlim 3种常见激励函数下隐含层神经元节点数L对分类器能力的影响.其中,sigmoid函数的分类器性能整体较好,L增至120时Gmean相对较高,为55.39%.对于标准ELM模型,选定sigmoid激励函数,隐含层神经元节点数L设定为120.

Fig. 3
图 3 3种激励函数下隐含层节点数对ELM分类性能的影响 Fig. 3 Effect of number of hidden nodes on ELM performance under three activation functions


为方便比较,选择同样的激励函数和隐含层节点数,对GA-ELM分类器性能进行仿真分析.设定GA参数如下:种群大小为40,最大遗传代数为100,交叉概率0.7,变异概率0.01,代沟0.95.将样本输入GA-ELM模型进行训练,如图 4误差进化曲线所示,当进化到44代时,误差最小,满足要求.因此,将44代优化后的权值和偏置代入极限学习模型中对测试样本进行预测.

Fig. 4
图 4 误差进化曲线 Fig. 4 Error evolution curve


2.3 分类结果分析表 2给出标准ELM和GA优化后模型分类性能的比较.其中,ELM在训练集上的分类精度A=70.74%,Gmean=65.21%;测试集训练精度A=65.59%,Gmean=55.39%.GA优化ELM网络参数后,对于训练样本和测试样本的分类能力均有显著提升,达到80%以上,而且GA-ELM整体上具有更好的稳定性和泛化能力.

表 2
表 2 GA-ELM和ELM模型分类性能比较 Tab. 2 Performance comparison between GA-ELM and ELM? %

模型 训练精度 测试精度

A Gmean A Gmean

GA-ELM 87.46 85.07 82.96 80.50

标准ELM 70.74 65.21 65.59 55.39



表 2 GA-ELM和ELM模型分类性能比较 Tab. 2 Performance comparison between GA-ELM and ELM?


为进一步分析模型对不同管道缺陷类型的诊断、识别能力,表 3以混淆矩阵形式给出GA-ELM和ELM在测试集上的分类诊断结果以及不同缺陷类型的查全率.其中,"破裂"的管道样本62条,GA-ELM诊断模型准确预测48条, 查全率77.42%;"脱节"的管道样本48条,准确预测36条,查全率为75.00%;"渗漏"的管道样本89条,准确预测68条,查全率为76.40%.ELM诊断模型对于上述3类缺陷管道的查全率则分别为59.68%、52.08%和65.17%.可见,相比ELM,GA-ELM诊断模型对于缺陷管段的识别能力更强,具有更优的分类预测性能.不过,由表 3结果也发现,两个模型对"正常"管段的识别能力均高于其他缺陷管段,这估计与实验区排水管道样本的非均衡分布有关.

表 3
表 3 GA-ELM和ELM诊断结果 Tab. 3 Diagnosis results of GA-ELM and ELM 观测结果 GA-ELM诊断结果 ELM诊断结果

正常 破裂 脱节 渗漏 Ri/% 正常 破裂 脱节 渗漏 Ri/%

正常 106 0 2 4 94.64 100 0 0 12 89.29

破裂 0 48 7 7 77.42 0 37 10 15 59.68

脱节 0 7 36 5 75.00 0 17 25 6 52.08

渗漏 0 8 13 68 76.40 3 14 14 58 65.17



表 3 GA-ELM和ELM诊断结果 Tab. 3 Diagnosis results of GA-ELM and ELM


图 5给出测试集上逐个样本GA-ELM诊断结果与观测值的比照.结果也表明,GA-ELM能够较好地对排水管道结构性缺陷进行诊断识别,且分类精度可较好满足应用要求.

Fig. 5
图 5 GA-ELM分类诊断结果 Fig. 5 Contrast between predicted results and observed results of GA-ELM


3 结论1) 提出了基于GA-ELM的排水管道缺陷诊断模型,采用GA算法优化ELM神经网络输入连接权值和隐含层偏置,避免参数随机初始化造成的分类结果不稳定、准确率偏低的弊端.

2) 利用CCTV检测样本集对GA-ELM、ELM进行仿真测试,结果表明,在采用同样的激励函数和隐含层节点数的条件下,通过GA优化ELM网络参数能够获得更高的分类诊断性能,测试集分类精度由65.59%提高到82.96%;参数优化提高了ELM模型的拟合能力和稳定性.

3) 本文为城市排水管道缺陷识别和诊断提供了一个新型的数据驱动建模方法,具有较好的可行性和适用性.后续将收集更多的样本数据训练优化模型,并探讨非均衡样本对缺陷诊断性能的影响,进一步提高排水管道缺陷诊断模型的预测精度和泛化能力.


参考文献
[1] 中华人民共和国住房和城乡建设部. 城镇排水管道检测与评估技术规程: CJJ 181—2012[S]. 北京: 中国建筑工业出版社, 2012
Ministry of Housing and Urban-Rural Development of the People's Republic of China. Technical specification for inspection and evaluation of urban sewer: CJJ 181—2012[S]. Beijing: China Architecture & Building Press, 2012


[2] MICEVSKI T, KUCZERA G, COOMBES P. Markov model for storm water pipe deterioration[J]. Journal of Infrastructure Systems, 2002, 8(2): 49. DOI:10.1061/(ASCE)1076-0342(2002)8:2(49)


[3] 刘威, 李杰. 埋地管线面积腐蚀率概率密度的模拟分析[J]. 同济大学学报(自然科学版), 2007, 35(10): 1295.
LIU Wei, LI Jie. Simulation analysis for probability density of buried pipeline's area corrosion ratio[J]. Journal of Tongji University (Natural Science), 2007, 35(10): 1295. DOI:10.3321/j.issn:0253-374X.2007.10.001


[4] MASHFORD J, MARLOW D, TRAN D, et al. Prediction of sewer condition grade using support vector machines[J]. Journal of Computing in Civil Engineering, 2011, 25(4): 283. DOI:10.1061/(ASCE)CP.1943-5487.0000089


[5] HARVEY R R, MCBEAN E A. Predicting the structural condition of individual sanitary sewer pipes with random forests[J]. Canadian Journal of Civil Engineering, 2014, 41(4): 294. DOI:10.1139/cjce-2013-0431


[6] TRAN D H, NG A W M, PERERA B J C, et al. Application of probabilistic neural networks in modelling structural deterioration of stormwater pipes[J]. Urban Water Journal, 2006, 3(3): 175. DOI:10.1080/15730620600961684


[7] TRAN D H, NG A W M, PERERA B J C. Neural networks deterioration models for serviceability condition of buried stormwater pipes[J]. Engineering Applications of Artificial Intelligence, 2007, 20(8): 1144. DOI:10.1016/j.engappai.2007.02.005


[8] TRAN D H, PERERA B J C, NG A W M. Comparison of structural deterioration models for stormwater drainage pipes[J]. Computer-Aided Civil and Infrastructure Engineering, 2009, 24(2): 145. DOI:10.1111/j.1467-8667.2008.00577.x


[9] HUANG Guangbin, ZHU Qinyu, SIEW C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1/2/3): 489. DOI:10.1016/j.neucom.2005.12.126


[10] WANG Yuguang, CAO Feilong, YUAN Yubo. A study on effectiveness of extreme learning machine[J]. Neurocomputing, 2011, 74(16): 2483. DOI:10.1016/j.neucom.2010.11.030


[11] HOLLAND J H. Adaptation in natural and artificial systems[J]. Ann Arbor, 1975, 6(2): 126.


[12] HUANG Guangbin, ZHOU Hongming, DING Xiaojian, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems, Man, and Cybernetics Part B: Cybernetics, 2012, 42(2): 513. DOI:10.1109/tsmcb.2011.2168604


[13] ANA E, BAUWENS W, PESSEMIER M, et al. An investigation of the factors influencing sewer structural deterioration[J]. Urban Water Journal, 2009, 6(4): 303. DOI:10.1080/15730620902810902


[14] HARVEY R R, MCBEAN E A. Comparing the utility of decision trees and support vector machines when planning inspections of linear sewer infrastructure[J]. Journal of Hydroinformatics, 2014, 16(6): 1265. DOI:10.2166/hydro.2014.007



闂傚倸鍊搁崐宄懊归崶褏鏆﹂柣銏⑶圭粣妤呮煙闁箑鍔掓繛宸簻缁狅綁鏌ㄩ弮鍥棄闁逞屽墮濞硷繝寮婚妸鈺佺睄闁稿本绋掗悵顏堟⒑缂佹ḿ绠氶柛鈺傜墵楠炲牓濡搁妷顔藉瘜闁荤姴娲╁鎾寸珶閺囥垺鈷掑ù锝勮閺€鐗堢箾閸涱喗绀嬫鐐村灴瀹曟儼顦撮柡鍡檮閹便劌顪冪拠韫婵$偑鍊戦崹鍝勎涢崘銊ф殾闁告鍊i弮鍫濈闁靛ǹ鍎抽鍥⒒閸屾艾鈧悂宕愭搴g焼濞撴埃鍋撶€规洏鍎抽埀顒婄秵娴滃爼鎮㈤崱妯诲弿婵$偠顕ф禍楣冩倵鐟欏嫭澶勯柛銊ョ埣閵嗕線寮撮姀鐙€娼婇梺闈涚箚閸撴繈顢欓弴銏♀拻濞撴埃鍋撴繛浣冲毝銊╁焵椤掆偓閳规垿鍨鹃搹顐㈡灎闂佺硶鏂傞崹钘夘嚕椤曗偓瀹曞ジ鎮㈤崫鍕闂傚倷鑳堕、濠囷綖婢舵劕绀夐柡鍥ュ灪閸庡秵绻涘顔荤凹闁绘挾鍠栭弻锝夊籍閸偅顥栫紓浣割槹濡炰粙寮婚悢纰辨晩闁兼祴鏅濇闁诲氦顫夊ú姗€宕曟總鏉嗗洭寮婚妷锔惧帗闂備礁鐏濋鍡涘煕閹邦喚纾肩紓浣贯缚缁犵偤鏌涢埞鎯т壕婵$偑鍊栫敮鎺斺偓姘煎墴閹偛煤椤忓懐鍘遍梺褰掑亰閸ㄨ京娑甸崼鏇熺厽妞ゆ挾鍣ュ▓鏃堟煃鐟欏嫬鐏撮柛鈹垮劦瀹曞崬螖閸愌冨缂傚倷鑳堕搹搴ㄥ储婵傚憡鍋夐柣鎾虫捣閺嗭箓鏌熸潏鍓х暠缂佺姴顭烽幃妤呮濞戞瑦鍠愰梺纭呮珪缁诲牆顫忓ú顏呯劵闁绘劘灏€氭澘顭胯閹告娊寮婚弴銏犲耿婵°倐鍋撻柍褜鍓欏ḿ锟犵嵁婵犲洦鍊烽柛婵嗗珋閵娾晜鐓ラ柡鍥殔娴滈箖姊洪崨濠冪叆闁硅櫕锚椤繐煤椤忓嫭宓嶅銈嗘尵閸嬫ɑ绔熼弴鐔虹瘈闁冲皝鍋撻柛鎰靛枛瀵即鎮楃憴鍕闁搞劌娼¢悰顔嘉熺亸鏍т壕婵炴垶顏鍫晛闁规儳澧庣壕钘壝归敐鍛础闁宠棄顦伴妵鍕箣濠靛浂妫ょ紓浣戒含閸嬬偟鎹㈠┑瀣鐟滃繒绮诲顒夋富闁靛牆妫楁慨鍌炴煕婵犲啯绀嬮柕鍡楀€圭缓浠嬪川婵犲嫬骞堥梻浣哥枃濡椼劎娆㈤妶澶婄闁绘棃鏅茬换鍡涙煕濞嗗浚妲稿┑顔肩Ф閳ь剝顫夊ú鏍礊婵犲洢鈧線寮撮姀鈩冩珳闂佸憡娲﹂崜娆撳绩椤撶偐鏀介柣妯虹仛閺嗏晠鏌涚€n偆鈽夐摶鐐寸箾閸℃ɑ灏紒鐘冲缁辨帞鈧綆浜炲銊╂煛鐎n亞效闁哄被鍔戦幃銏ゅ传閸曟埊缍侀弻娑氣偓锝呭閹ジ鏌熼懠顑㈠綊顢樻總绋跨倞闁挎繂鎳嶆竟鏇炩攽椤旂粨缂氶柛妯犲洨宓佹慨妞诲亾闁哄被鍊曠叅妞ゅ繐鍟崰姘渻閵堝啫鐏柣鐔叉櫊楠炲啫鈻庨幙鍐╂櫌婵炶揪绲挎灙濠殿喖閰e濠氬磼濞嗘埈妲梺瑙勭ゴ閸撴繄绮悢鑲烘棃宕ㄩ鐐蹭憾闂備胶绮幐鍝モ偓鍨浮瀹曠敻寮撮姀锛勫幈閻熸粌閰i妴鍐幢濞戞瑥浜楅梺闈涱檧婵″洨绮绘ィ鍐╃厵閻庣數枪閸撹鲸绻涢崼鐔掓垿濡甸崟顖涙櫆濠靛倸鎲¢宥囩磽娴h櫣甯涚紒璇茬墦瀹曟椽鍩€椤掍降浜滈柟鐑樺灥椤忔挳鏌℃担绋库偓鍧楀蓟濞戙垹鐒洪柛鎰典簼閸n參姊洪幐搴b槈缂佺粯锚椤繐煤椤忓嫮顦梺鑲┾拡閸撴瑧鏁妷鈺傗拺闁告縿鍎辨牎闂佺粯顨嗙划鎾愁嚕椤愶富鏁嬮柍褜鍓熼悰顔芥償閵婏箑娈熼梺闈涱槶閸庝即宕犻弽顓熲拻濞达絽鎽滅粔娲煕鐎n亷韬€规洘绮岄埥澶婎潩鏉堚晝鍘犻梻浣虹帛閸ㄥ墎婀佺紓浣筋嚙濡繈寮婚悢铏圭<婵☆垵娅i悷銊ヮ渻閵堝懏绂嬮柛瀣躬瀵鎮㈤崜鍙壭ч柟鑲╄ˉ鐎殿剟鏁愭径瀣偓鐢告煟閵忋倖娑ч悽顖氱埣閺屽秶鎷犻弻銉ュ及濡ょ姷鍋涢澶愬箖椤忓牆宸濇い鏍ㄦ皑閸濓拷
2濠电姷鏁告慨鐑藉极閹间礁纾婚柣鎰惈閸ㄥ倿鏌涢锝嗙缂佺姵澹嗙槐鎺斺偓锝庡亾缁扁晜绻涘顔荤盎閹喖姊洪崘鍙夋儓妞ゆ垵娲ㄧ划娆掔疀濞戞瑢鎷洪梺闈╁瘜閸樺ジ宕濈€n偁浜滈柕濞垮劜椤ャ垻鈧娲滈弫濠氬春閳ь剚銇勯幒鎴濐仾闁抽攱鍨块弻娑樷槈濮楀牆浼愭繝娈垮櫙缁犳垿婀佸┑鐘诧工閹冲孩绂掓潏鈹惧亾鐟欏嫭绀冩俊鐐扮矙瀵偊骞樼紒妯轰汗閻庤娲栧ú銈夌嵁濮椻偓濮婄粯鎷呴崨濠冨創濡炪倧瀵岄崹鍫曞箖濡 鏀介悗锝庝簼鏉堝牆鈹戦悙鍙夘棡闁搞劎鍠栧畷鎴﹀箻閼搁潧鏋傞梺鍛婃处閸撴盯鏁嶅鈧铏圭矙閹稿孩宕抽梺杞扮椤兘鎮伴鈧畷姗€鍩¢崘鐐カ闂佽鍑界紞鍡涘磻閹烘嚦娑㈠礃閵娿垺鏂€闂佺粯鍔栧ḿ娆撴倶閿斿墽妫柡澶庢硶鏁堝Δ鐘靛仜椤﹀灚淇婇崼鏇炲耿婵炲棙鍩堥崯搴ㄦ⒒娴g儤鍤€妞ゆ洦鍙冨畷鎴︽倷閺嶇ǹ顦靛浠嬵敇閻旇渹鍖栧┑鐐存尰閼归箖鏁冮敃鍌氱畺闁稿繘妫跨换鍡涙煕濞嗗浚妲稿┑顔兼喘閺屽秶鎷犻弻銉ュ及濡ょ姷鍋涘ú顓炵暦濠婂嫭濯撮柧蹇曟嚀楠炩偓濠电姷鏁告慨鐑姐€傞挊澹╋綁宕ㄩ弶鎴濈€梻鍌氱墛缁嬪牓寮稿澶嬬叆婵犻潧妫欐刊鍏肩箾鐏忔牗娅婇柡灞炬礃缁绘盯鎮欓浣哄絾闂備胶绮幐鍝ユ崲濮椻偓瀵鈽夐姀鐘靛姶闂佸憡鍔忛弲婵嬎囬妸褏纾藉ù锝囨焿閸忓苯顭胯椤ㄥ﹥淇婇悽绋跨妞ゆ牭绲鹃弲婵嬫⒑闂堟稓绠氶柡鍛洴瀹曟粓鏌嗗鍡忔嫼闂佸湱枪濞寸兘鍩婇弴銏$厱闁哄啠鍋撻柣鐔叉櫊閹即顢欓柨顖氫壕闁挎繂绨肩花鎾煛鐎n亪鍙勯柟顔斤耿閹瑩寮堕幋鐘卞枈濠电姰鍨奸~澶娒哄Ο鍏煎床婵炴垶鐟︾紞鍥煕閹炬瀚禒褰掓⒑閸濆嫷鍎涘ù婊呭仱閸┾偓妞ゆ帊绶¢崯蹇涙煕閻樺磭澧甸柟顔矫埞鎴犫偓锝庝簽閸樻挳姊虹涵鍛涧缂佺姵鍨规竟鏇㈠礂閼测晝顔曢梺纭呮彧缂嶄線宕ú顏呯厽闁挎繂娲﹀▍鏇犵磼鏉堛劍灏伴柟宄版噺椤︾増鎯旈妶鍥╁炊闂傚倷鑳舵灙妞ゆ垵鎳橀弫鍐Χ婢舵ɑ鏅梺鎸庣箓椤︿粙寮崱娑欑厓鐟滄粓宕滈悢鐓庢槬闁靛繆鍓濋崕鐔兼煃闁款垰浜鹃梺鍝勵儏闁帮綁寮婚悢琛″亾閻㈢櫥褰掝敁鐏炲彞绻嗛柛娆忣槹鐏忥附鎱ㄦ繝鍕笡闁瑰嘲鎳樺畷銊︾節閸屾稒鐣奸梻鍌欐祰瀹曠敻宕伴崱娑樼?闁汇垻枪閺嬩線鏌涢幇闈涙灈閸ユ挳姊洪崨濠勭焼缂佲偓娓氣偓瀵煡鎮╁畷鍥╃槇闂佹眹鍨藉ḿ褎鐗庢繝娈垮枟鑿ч柛鏂跨焸閹箖宕归銈囨嚌闂侀€炲苯澧存鐐插暙铻栭柛娑卞櫘濡啫鈹戦悙鏉戠仸闁荤喆鍎靛鎶藉醇閵夛腹鎷虹紓渚囧灡濞叉ê鈻嶉崨瀛樼厱濠电姴鍟伴幗鍐煟韫囨搩鍎旀慨濠呮缁辨帒顫滈崱妯兼殽闂備胶绮〃鍫ュ磻閵堝懐鏆︽俊銈呮媼閺佸棝鏌涚仦鍓х煂闁挎稒绮撻弻鈩冨緞婵犲嫬顣堕梺鍛婃煥濞撮鍒掓繝姘缂備焦岣块崢鎾绘⒑閼恒儍顏埶囬挊澹╃喖鍩€椤掑嫭鈷戦悹鍥b偓铏亞缂備緡鍠楅悷銉╂偩閻ゎ垬浜归柟鐑樼箖閺呮繈姊洪棃娑氬缂佺粯甯¢幆宀勬晸閿燂拷547闂傚倸鍊搁崐鎼佸磹妞嬪海鐭嗗ù锝夋交閼板潡姊洪鈧粔鏌ュ焵椤掆偓閸婂湱绮嬮幒鏂哄亾閿濆簼绨介柨娑欑洴濮婃椽鎮烽弶搴撴寖缂備緡鍣崹鍫曞春濞戙垹绠虫俊銈勮兌閸橀亶姊洪崫鍕妞ゃ劌妫楅埢宥夊川鐎涙ḿ鍘介棅顐㈡祫缁插ジ鏌囬鐐寸厸鐎光偓鐎n剙鍩岄柧缁樼墵閹鏁愭惔鈥茬盎濡炪倕楠忛幏锟�4濠电姷鏁告慨鐑藉极閹间礁纾婚柣鎰惈閸ㄥ倿鏌涢锝嗙缂佺姵澹嗙槐鎺斺偓锝庡亾缁扁晜绻涘顔荤凹闁哄懏鐓¢弻娑㈠Ψ閵忊剝鐝栧銈忓瘜閸ㄨ泛顫忓ú顏呭仭闂侇叏绠戝▓鍫曟⒑缁嬫鍎戦柛鐘崇墵瀹曟椽濮€閵堝懐鐫勯梺閫炲苯澧村┑锛勬暬瀹曠喖顢欓崜褎婢戦梻浣筋潐閸庢娊顢氶鈶哄洭鏌嗗鍡忔嫼缂備礁顑嗛娆撳磿閹扮増鐓欓柣鐔哄閹兼劙鏌i敐鍛Щ妞ゎ偅绮撻崺鈧い鎺戝閳ь兛绶氬顕€宕煎┑鍡氣偓鍨攽鎺抽崐鏇㈠疮椤愶妇宓侀柟鎵閳锋帡鏌涚仦鍓ф噮妞わ讣绠撻弻娑橆潩椤掑鍓板銈庡幖閻忔繈锝炲⿰鍫濈劦妞ゆ巻鍋撻柣锝囧厴椤㈡盯鎮滈崱妯绘珖闂備線娼х换鍫ュ垂閸濆嫧鏋斿Δ锝呭暞閳锋垿姊婚崼鐔剁繁婵$嫏鍐f斀闁炽儴娅曢崰姗€鏌涢埞鍨伈鐎殿噮鍣e畷濂告偄閸濆嫬绠ラ梻鍌欒兌椤㈠﹪锝炴径鎰闁哄洢鍨洪崕宥嗙箾瀹割喕绨奸柣鎾跺枛閺岋綁寮崼鐔告殸闁荤姵鍔х槐鏇犳閹烘挻缍囬柕濞垮劤閻熸煡鎮楅崹顐g凡閻庢凹鍣i崺鈧い鎺戯功缁夐潧霉濠婂懎浠︾紒鍌涘浮閹剝鎯斿Ο缁樻澑闂備胶绮崝妯衡枖濞戞碍顫曢柨鏇炲€归悡鏇熶繆閵堝懎顏柣婵愪簻鑿愰柛銉戝秴濮涢梺閫炲苯澧紒瀣笩閹筋偅绻濆▓鍨仭闁瑰憡濞婇獮鍐ㄧ暋閹佃櫕鐎诲┑鐐叉閸ㄧ敻宕虹仦鍓х閻庢稒岣块惌鎺旂磼閻樺磭澧电€殿喛顕ч埥澶愬閻樼數鏉搁梻浣呵圭换鎰板箺濠婂牆鏋侀柡宥庡幗閳锋垹绱掗娑欑婵炲懏姊荤槐鎺旂磼濡偐鐤勯悗娈垮枦椤曆囧煡婢跺ň鍫柛娑卞灡濠㈡垿姊绘担鐟邦嚋缂佽鍊块獮濠冩償椤帞绋忛梺鍐叉惈閹冲繘鍩涢幋锔界厱婵炴垶锕崝鐔兼煙閾忣偅绀堢紒杈ㄥ笚濞煎繘濡搁敂缁㈡Ч婵°倗濮烽崑娑氭崲濮椻偓楠炲啴鍩¢崘鈺佺彴闂佽偐鈷堥崜锕傚疮鐎n喗鈷掑ù锝呮啞閸熺偛銆掑顓ф疁鐎规洖缍婇獮搴ㄥ礈閸喗鍠橀柛鈺嬬節瀹曘劑顢欑憴鍕伖闂備浇宕甸崑鐐电矙閸儱鐒垫い鎺嗗亾闁告ɑ鐗楃粩鐔煎即閵忊檧鎷绘繛杈剧到閹诧紕鎷归敓鐘插嚑妞ゅ繐妫涚壕濂告煏婵炲灝濡煎ù婊冩贡缁辨帡顢氶崨顓炵閻庡灚婢樼€氫即鐛崶顒夋晣闁绘ɑ褰冪粻濠氭⒒閸屾瑧顦﹂柟纰卞亞閳ь剚鍑归崜娑㈠箲閵忋倕绠抽柡鍐ㄦ搐灏忛梻浣告贡鏋紒銊у劋缁傚秴饪伴崼鐔哄幐闂佹悶鍎洪悡渚€顢旈崼鐔封偓鍫曟煠绾板崬鍘撮柛瀣尭閳绘捇宕归鐣屽蒋闂備胶枪椤戝懘鏁冮妶澶樻晪闁挎繂娲﹀畷澶愭偠濞戞帒澧查柣搴☆煼濮婅櫣鎷犻垾宕団偓濠氭煕韫囧骸瀚庨柛濠冪箓椤繒绱掑Ο璇差€撻梺鑽ゅ枛閸嬪﹪宕电€n剛纾藉ù锝呭閸庢劙鏌涢妸銊ュ姷婵☆偆鍠庨—鍐Χ閸℃ê钄奸梺鎼炲妼缂嶅﹪骞冮悙鍝勫瀭妞ゆ劗濮崇花濠氭⒑閸︻厼鍔嬮柛鈺侊躬瀵劍绻濆顓炩偓鍨叏濡厧浜鹃悗姘炬嫹40缂傚倸鍊搁崐鎼佸磹閹间礁纾瑰瀣捣閻棗銆掑锝呬壕闁芥ɑ绻冮妵鍕冀閵娧呯厒闂佹椿鍘介幐楣冨焵椤掑喚娼愭繛鍙夌墪鐓ら柕濞у懍绗夐梺鍝勫暙閻楀﹪鎮″▎鎾寸厵妞ゆ牕妫楅懟顖氣枔閸洘鈷戠€规洖娲ㄧ敮娑欐叏婵犲倻绉烘鐐茬墦婵℃悂濡烽钘夌紦闂備線鈧偛鑻晶鐗堢箾閹寸姵鏆鐐寸墬閹峰懘宕ㄦ繝鍕ㄥ亾椤掑嫭鐓熼幖鎼灣缁夐潧霉濠婂啰鍩i柟顔哄灲瀹曞崬鈽夊▎蹇庡寲闂備焦鎮堕崕鑽ゅ緤濞差亜纾婚柟鎹愵嚙缁€鍌炴煕濞戝崬寮炬俊顐g矌缁辨捇宕掑顑藉亾瀹勬噴褰掑炊閵婏絼绮撻梺褰掓?閻掞箓宕戦敓鐘崇厓闁告繂瀚崳褰掓煢閸愵亜鏋旈柍褜鍓欓崢婊堝磻閹剧粯鐓曢柡鍥ュ妼娴滅偞銇勯幘瀛樸仢婵﹥妞介獮鎰償閿濆洨鏆ゆ繝鐢靛仩鐏忔瑦绻涢埀顒傗偓瑙勬礃閸ㄥ潡鐛Ο鑲╃<婵☆垵顕ч崝鎺楁⒑閼姐倕鏋戦柣鐔村劤閳ь剚鍑归崜鐔风暦閵忥絻浜归柟鐑樻尨閹锋椽姊洪崨濠勭畵閻庢凹鍘奸蹇撯攽鐎n偆鍘遍柟鍏肩暘閸ㄥ綊鎮橀埡鍌欑箚闁告瑥顦慨鍥殰椤忓啫宓嗙€规洖銈搁幃銏ゅ传閸曨偄顩梻鍌氬€烽懗鍓佹兜閸洖绀堟繝闈涙灩濞差亜鍐€妞ゆ劑鍎卞皬缂傚倷绶¢崑鍕偓娈垮墴濮婂宕掑顑藉亾妞嬪孩顐芥慨姗嗗厳缂傛氨鎲稿鍫罕闂備礁鎼崯顐﹀磹婵犳碍鍎楅柛鈩冾樅瑜版帗鏅查柛顐亜濞堟瑩姊洪懡銈呮瀾閻庢艾鐗撳顕€宕煎┑鍡欑崺婵$偑鍊栧Λ渚€锝炴径灞稿亾閸偆澧垫慨濠勭帛閹峰懘宕ㄦ繝鍌涙畼濠电偞鎸荤喊宥夈€冩繝鍌滄殾闁靛繈鍊栫€电姴顭跨捄鐑橆棡闁诲孩妞介幃妤呭礂婢跺﹣澹曢梻浣告啞濞诧箓宕滃☉銏犲偍闂侇剙绉甸埛鎴︽煕濠靛棗顏╅柡鍡欏仱閺岀喓绮欓崹顔规寖婵犮垼顫夊ú鐔肩嵁閹邦厽鍎熸繛鎴烆殘閻╁酣姊绘笟鈧ḿ褎顨ヨ箛鏇燁潟闁哄洠鍋撻埀顒€鍊块幊鐘活敆閸屾粣绱查梻浣告惈閸燁偊宕愰幖浣稿嚑婵炴垶鐟f禍婊堟煏韫囧﹤澧茬紒鈧€n喗鐓欐い鏃囶潐濞呭﹥銇勯姀鈩冪闁挎繄鍋ら、姗€鎮滈崱姗嗘%婵犵數濮烽弫鎼佸磻閻樿绠垫い蹇撴缁€濠囨煃瑜滈崜姘跺Φ閸曨垼鏁冮柕蹇婃櫆閳诲牓姊虹拠鈥虫珯缂佺粯绻堝畷娲焵椤掍降浜滈柟鐑樺灥椤忣亪鏌嶉柨瀣诞闁哄本绋撴禒锕傚箲閹邦剦妫熼梻渚€鈧偛鑻崢鍝ョ磼椤旂晫鎳囬柕鍡曠閳诲酣骞囬鍓ф闂備礁鎲″ú锕傚礈閿曗偓宀e潡鎮㈤崗灏栨嫼闂佸憡鎸昏ぐ鍐╃濠靛洨绠鹃柛娆忣槺婢ц京绱掗鍨惞缂佽鲸甯掕灒闂傗偓閹邦喚娉块梻鍌欐祰椤鐣峰Ο琛℃灃婵炴垯鍩勯弫浣衡偓鍏夊亾闁告洦鍓涢崢鍛婄箾鏉堝墽鍒板鐟帮躬瀹曟洝绠涢弬璁崇盎濡炪倖鎸撮崜婵堟兜閸洘鐓欏瀣閳诲牓鏌涢妸鈺冪暫鐎规洘顨婂畷銊╊敍濞戞ḿ妯嗛梻鍌氬€搁崐椋庢濮樿泛鐒垫い鎺戝€告禒婊堟煠濞茶鐏︾€规洏鍨介獮鏍ㄦ媴閸︻厼骞橀梻浣告啞閸旀ḿ浜稿▎鎾虫槬闁挎繂鎳夐弨浠嬫煥濞戞ê顏柡鍡╁墴閺岀喖顢欓悾灞惧櫚閻庢鍠栭悥濂哥嵁鐎n噮鏁囬柣鎰儗閸熷本绻濋悽闈浶fい鏃€鐗犲畷鏉课旈崨顔芥珖闂佸啿鎼幊搴g矆閸屾稓绠鹃柟瀵稿仧椤e弶銇勯锝嗙闁哄被鍔岄埞鎴﹀幢濡桨鐥柣鐔哥矌婢ф鏁Δ鍛柧闁哄被鍎查悡鏇㈡煃閳轰礁鏆熼柟鍐叉嚇閺岋綁骞橀崘娴嬪亾閹间讲鈧棃宕橀鍢壯囨煕閹扳晛濡垮ù鐘插⒔缁辨帡鎮欓浣哄嚒缂備礁顦晶搴ㄥ礆閹烘鐓涢柛娑卞枛娴滄粎绱掗悙顒€顎滃瀛樻倐瀵彃鈹戠€n偀鎷洪梻鍌氱墛缁嬫挻鏅堕弴鐔虹閻犲泧鍛殼濡ょ姷鍋涘Λ婵嬪极閹邦厼绶為悗锛卞嫬顏归梻鍌欑濠€杈ㄧ仚濠电偛顕崗姗€宕洪妷锕€绶為悗锝冨妺缁ㄥ姊洪幐搴㈩梿妞ゆ泦鍐惧殨妞ゆ洍鍋撻柡灞剧洴閸╃偤骞嗚婢规洖鈹戦敍鍕杭闁稿﹥鐗滈弫顕€骞掑Δ浣规珖闂侀潧锛忛埀顒勫磻閹炬剚娼╅柣鎰靛墮椤忥拷28缂傚倸鍊搁崐鎼佸磹閹间礁纾瑰瀣椤愪粙鏌ㄩ悢鍝勑㈢痪鎹愵嚙椤潡鎳滈棃娑樞曢梺杞扮椤戝洭骞夐幖浣哥睄闁割偁鍨圭粊锕傛⒑閸涘﹤濮﹂柛鐘崇墱缁粯绻濆顓犲幈闂佽宕樼亸娆戠玻閺冨牊鐓冮柣鐔稿缁犺尙绱掔紒妯肩疄濠殿喒鍋撻梺鎸庣箓濡盯濡撮幇顑╂柨螖婵犱胶鍑归梺鍦归崯鍧楁偩瀹勬壋鏀介悗锝庝簻缁愭盯鏌f惔銏⑩姇瀹€锝呮健瀹曘垽鏌嗗鍡忔嫼闂佸憡绻傜€氼剟寮虫繝鍥ㄧ厱閻庯綆鍋呯亸鐢电磼鏉堛劌绗ч柍褜鍓ㄧ紞鍡涘磻閸涱厾鏆︾€光偓閳ь剟鍩€椤掍緡鍟忛柛锝庡櫍瀹曟垶绻濋崶褏鐣烘繛瀵稿Т椤戝懘宕归崒娑栦簻闁规壋鏅涢悘鈺傤殽閻愭潙鐏存慨濠勭帛閹峰懘宕ㄦ繝鍐ㄥ壍婵犵數鍋犻婊呯不閹达讣缍栨繝闈涱儏鎯熼梺鍐叉惈閸婂憡绂掗銏♀拺閻庡湱濮甸妴鍐偣娴g懓绲婚崡閬嶆煕椤愮姴鍔滈柣鎾寸懇閺岋綁骞囬棃娑橆潽缂傚倸绉甸崹鍧楀蓟閻旂厧绀傞柛蹇曞帶閳ь剚鍔欓弻锛勪沪閻e睗銉︺亜瑜岀欢姘跺蓟濞戙垹绠婚柛妤冨仜椤洤螖閻橀潧浠滅紒缁橈耿瀵偊骞樼紒妯绘闂佽法鍣﹂幏锟�1130缂傚倸鍊搁崐鎼佸磹閹间礁纾瑰瀣捣閻棗銆掑锝呬壕闁芥ɑ绻冮妵鍕冀閵娧呯厒闂佹椿鍘介幑鍥蓟濞戙垹绠婚柤纰卞墻濡差噣姊洪幖鐐插缂佽鐗撳濠氬Ω閳哄倸浜滈梺鍛婄箓鐎氬懘濮€閵忋垻锛滈梺閫炲苯澧寸€规洘甯¢幃娆戔偓鐢登归獮鍫熺節閻㈤潧浠﹂柛銊ョ埣閺佸啴顢曢敃鈧紒鈺冪磽娴h疮缂氱紒鐘荤畺閺屾盯顢曢敐鍥╃暭闂佺粯甯楅幃鍌炲蓟閿涘嫪娌紒瀣仢閳峰鎮楅崹顐g凡閻庢凹鍣i崺鈧い鎺戯功缁夐潧霉濠婂嫮鐭掗柨婵堝仱瀹曞爼顢楁担鍙夊闂傚倷绶¢崑鍡涘磻濞戙垺鍤愭い鏍ㄧ⊕濞呯姵銇勯弴妤€浜鹃梺鍝勬湰缁嬫帞鎹㈠┑瀣妞ゆ巻鍋撴繛鍫濈焸閺屟囨嚒閵堝懍妲愰梺鍝勬湰濞茬喎鐣烽悡搴樻斀闁搞儜灞拘熸繝鐢靛У椤旀牠宕规导鏉懳ч柟闂寸閽冪喖鏌ㄥ┑鍡╂Ц缂佺媴缍侀弻锝堢疀閺冣偓閵囩喎霉濠婂嫮绠樼紒顔碱儏椤撳吋寰勬繝鍥ф暪闂備礁鎼ú銊╁窗閹捐鍌ㄩ柟闂寸劍閳锋垿鏌涘☉姗堟敾缂佲偓鐎n偆绠惧ù锝呭暱濞诧箓宕愰崼鏇熺叆婵犻潧妫欓ˉ鐘电磼閳锯偓閸嬫捇姊绘笟鈧埀顒傚仜閼活垱鏅堕幘顔界厱闁宠桨绀侀顓犫偓瑙勬礃宀e潡骞戦崟顖毼╃憸蹇涘储椤掆偓閳规垿鎮╁▓鎸庢瘜濠碘剝褰冮幊妯虹暦瑜版帗顥堟繛鎴炵濞堥箖姊婚崒姘卞濞撴碍顨婂畷顖炲川椤斿墽鐦堥梻鍌氱墛缁嬫挻鏅堕姀銏㈡/闁硅鍔栭ˉ澶愭婢舵劖鐓ユ繝闈涙椤曟氨鎲搁悧鍫濈瑨婵鐓¢弻锟犲礃閵娧冾杸闂佺粯鎸搁崯浼村箟缁嬪簱鍫柛顐g箘椤ρ冣攽閻愭潙鐏︾痪鏉跨Ч椤㈡洟鎳為妷锕€寮垮┑鈽嗗灥濞夋洟宕奸鍫熺厓鐟滄粓宕滃▎鎾崇9闁秆勵殔缁犵娀鏌i幇顒佹儓閸烆垶姊洪幐搴㈢5闁稿鎹囬弻娑㈠棘閹稿骸娈楀┑顔硷龚濞咃綁骞夐幘顔肩妞ゆ劑鍨硅闂傚倷绀侀幗婊堝窗鎼粹檪缂氶柨鐔哄Т缁犳牠鏌ㄩ悢鍝勑㈤柛妤佸▕閺岋綁骞囬鍌傦綁鏌i埡濠傜仸妤犵偛鍟抽ˇ鍦偓瑙勬礀閵堟悂銆佸Δ鍛劦妞ゆ帒瀚惌妤呮煛閸モ晛啸缁炬崘妫勯湁闁挎繂瀚惌娆撴煕濠靛﹥顏犵紒杈ㄥ笧閹风娀骞撻幒鎾搭唲閻庡厜鍋撻柨婵嗙墛绾爼鏌熸搴♀枅鐎规洩缍佸畷鎺戔堪閸愨晝浜栫紓鍌欐祰妞村摜鏁幒鏇犱航闂備胶绮崹闈浢洪妸鈺傚仼閺夊牄鍔婃禍婊勩亜閹绢垰澧茬痪顓炵埣閺岀喖鎮烽弶娆句純闂佸湱鍘х紞濠傜暦濠婂牆绠涢柛鎾茶兌閿涚喓绱撴担浠嬪摵閻㈩垽绻濆畷瑙勩偅閸愩劎顦ㄩ悗鐟板閸犳洜妲愰弮鍫熺厽閹兼番鍩勯崯蹇涙煕閿濆骸娅嶇€规洘鍨垮畷鐔碱敍濮樺崬骞掗梺鐟板悑閻n亪宕濆畝鈧划璇测槈濞嗗秳绨婚梺瑙勫礃濞夋稑鏆╅梻浣哥枃椤曆囨儗閸屾凹娼栫紓浣股戞刊鎾煟閻旂厧浜伴柛銈咁儑缁辨挻鎷呴崜鎻掑壉闂佹悶鍔屾晶搴g磽閹惧顩烽悗锝庝簽閻嫰姊虹粙鎸庢拱缂侇喖鑻悾鐑藉Ψ閳哄倻鍘介柟鍏肩暘閸ㄥ鍩婇弴鐐垫殕闁挎繂鎳忛崑銉╂煕閳瑰灝鐏茬€殿噮鍣e畷濂告偄閸濆嫬绠哄┑鐘愁問閸犳鏁冮埡鍛婵ǹ顔愮紞鏍ㄧ節閺囩偛鏆炵紒缁樼箞閹粙妫冨☉妤佸媰婵犵數鍋涢崥瀣偡閳轰胶鏆﹂柕澹偓閸嬫捇鏁愭惔鈩冪亶闂佹悶鍊曢懟顖濈亙闂佹寧绻傞幊搴ㄥ汲濞嗘垹纾奸柣姗€娼ч弸娑㈡煛瀹€鈧崰鏍嵁閸℃稒鍋嬮柛顐亝椤ュ姊婚崒娆愮グ闁跨喆鍎靛畷鎰攽鐎n亣鎽曞┑鐐村灟閸ㄧ懓鏁梻浣烘嚀閻°劎鎹㈤崒鐐叉辈闁靛緵棰佺盎闂佸搫鍊归娆徫i幖浣圭厓閻熸瑥瀚悘鎾煙椤旇娅呴棁澶愭倵閿濆骸浜剧紒杈ㄥ哺濮婄粯绗熼埀顒€岣胯閹囧幢濞戞ḿ鐤囬柟鍏肩暘閸斿矂宕欓悩宕囩闁糕剝蓱鐏忎即鏌嶉柨瀣伌闁诡喖缍婂畷鍫曟晲閸屾矮澹曢梺鎯ф禋閸嬪棙绂嶉弽顓熲拻濞达絽鎲¢崯鐐烘煛鐏炶濡芥い銊e劦楠炴牗鎷呴崫銉ュ箳闂備浇顫夊畷姗€顢氳缁鏁愭径瀣弳闂佸搫鍟崐濠氬箺閸屾稒鍙忓┑鐘插€归崑銉︽叏婵犲啯銇濋柡灞芥嚇閹瑩鎳犵捄渚純濠电姭鎷冪仦鑺ョ彎閻庢鍣崑濠傜暦婵傜ǹ唯闁挎梹鍎抽獮鍫ユ⒑鐠囪尙绠抽柛瀣〒閺侇噣宕崟鍨兊闁荤娀缂氬▍锝夋晬濞戙垺鈷戦柣鐔告緲閳锋梻绱掗鍛仸鐎殿喗鐓¢獮鏍ㄦ媴閸︻厼寮抽梻浣虹帛濞叉牠宕愰崷顓涘亾濮樼偓瀚�
相关话题/优化 上海 同济大学 遗传 技术

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 空基反助推段导弹制导技术综述
    空基反助推段导弹制导技术综述荆武兴,杨彪,高长生(哈尔滨工业大学航天学院,哈尔滨150090)摘要:为研究空基反助推段导弹的发展现状和拦截制导面临的关键技术与挑战,对空基反助推段导弹相关的文献进行了分析与总结.空基反助推段导弹由载机发射,对处于助推段飞行的导弹实施拦截,是导弹防御体系的重要组成部分. ...
    本站小编 Free考研考试 2021-12-04
  • 静态破碎技术研究综述与建议
    静态破碎技术研究综述与建议郑文忠1,2,李瑞森1,2,徐笠博1,2,侯晓萌1,2(1.结构工程灾变与控制教育部重点实验室(哈尔滨工业大学),哈尔滨150090;2.土木工程智能防灾减灾工信部重点实验室(哈尔滨工业大学),哈尔滨150090)摘要:静态破碎技术是将搅拌好的静态破碎剂填充在岩石或混凝土的 ...
    本站小编 Free考研考试 2021-12-04
  • 金属基超疏水表面的制备技术研究新进展
    金属基超疏水表面的制备技术研究新进展吴春亚1,2,黄俊杰2,李曦光2,吴佳昊2,侯博2,陈明君1,2(1.微系统与微结构制造教育部重点实验室(哈尔滨工业大学),哈尔滨150080;2.哈尔滨工业大学机电工程学院,哈尔滨150080)摘要:在简要介绍超疏水表面相关理论的基础上,着眼于金属基超疏水表面制 ...
    本站小编 Free考研考试 2021-12-04
  • 一种位姿解耦的主操作手结构设计与优化方法
    一种位姿解耦的主操作手结构设计与优化方法王得晨1,2,杜付鑫1,2,3,屈梁成1,2,类延强3,4,王继来1,2,李取浩1,2(1.山东大学机械工程学院,济南250061;2.高效洁净机械制造教育部重点实验室(山东大学)济南250061;3.山东大学控制科学与工程学院,济南250061;4.智能无人 ...
    本站小编 Free考研考试 2021-12-04
  • 动态流量平衡阀结构优化与验证
    动态流量平衡阀结构优化与验证李树勋1,2,吴翰林1,2,李忠1,2,沈恒云1,2,叶琛3(1.兰州理工大学石油化工学院,兰州730050;2.机械工业泵及特殊阀门工程研究中心,兰州730050;3.浙江盾安阀门有限公司,浙江诸暨311800)摘要:针对动态流量平衡阀流量控制精度较低问题,依据孔板流量 ...
    本站小编 Free考研考试 2021-12-04
  • 增程式燃料电池车经济性与耐久性优化控制策略
    增程式燃料电池车经济性与耐久性优化控制策略吕沁阳1,2,滕腾,2,张宝迪1,2,张欣1,2,薛奇成1,2(1.北京交通大学机械与电子控制工程学院,北京100044;2.新能源汽车动力总成技术北京市重点实验室(北京交通大学),北京100044)摘要:为了避免车用燃料电池由于启停变化、功率波动等状态而导 ...
    本站小编 Free考研考试 2021-12-04
  • 应用于H.26X的通用无损帧内编码优化算法
    应用于H.26X的通用无损帧内编码优化算法林敏,林庆毫,翁晓雨,陈国捷(特种光纤与光接入网重点实验室(上海大学),上海201900)摘要:在H.26X系列视频编码标准的无损压缩方案中,通过帧内预测得到的预测残差仍具有较强的空间相关性,直接参与熵编码将导致编码效率下降。与自然图像不同,帧内预测残差的空 ...
    本站小编 Free考研考试 2021-12-04
  • 基于列车到发分布的高速铁路车站到发线运用优化
    基于列车到发分布的高速铁路车站到发线运用优化任禹谋1,2,张琦2,袁志明2,王涛2,丁舒忻2,李智2(1.中国铁道科学研究院研究生部,北京100081;2.中国铁道科学研究院集团有限公司通信信号研究所,北京100081)摘要:针对高速铁路车站到发线运用计划编制问题,提出了一种基于分时段多目标的到发线 ...
    本站小编 Free考研考试 2021-12-04
  • 载人潜水器虚拟潜航员作业姿态仿真优化
    载人潜水器虚拟潜航员作业姿态仿真优化王文中1,2,张树生1,叶聪3,陈登凯1,樊皓1(1.工业设计与人机工效工信部重点实验室(西北工业大学),西安710072;2.陕西科技大学设计与艺术学院,西安710021;3.中国船舶科学研究中心,江苏无锡214082)摘要:为减少潜航员在深海复杂环境下的误操作 ...
    本站小编 Free考研考试 2021-12-04
  • 可变线路式公交运行服务能力优化策略
    可变线路式公交运行服务能力优化策略郑乐1,高良鹏2,沈金星3,李文权4(1.南京邮电大学现代邮政学院,南京210003;2.福建工程学院交通运输学院,福州350108;3.河海大学土木与交通学院,南京210098;4.东南大学交通学院,南京210089)摘要:为了提高乘客出行需求不确定条件下可变线路 ...
    本站小编 Free考研考试 2021-12-04