基于IAOA-KELM的储气库注采管柱内腐蚀速率预测

针对储气库注采管柱的内腐蚀速率预测问题,建立了基于阿基米德优化算法(Archimedes Optimization Algorithm,AOA)与核极限学习机(Kernel Extreme Learning Machine,KELM)相结合的模型提高腐蚀速率预测精度。通过引入佳点集、改进密度降低因子、采用黄金正弦算法缩小搜索空间,提高局部开发能力,利用改进阿基米德优化算法(Improved Archimedes Optimization Algorithm,IAOA)优化KELM正则化系数(C)和核函数参数(γ),进而建立IAOA-KELM储气库注采管柱内腐蚀速率预测模型;使用MATLAB软件运用该模型对某注采管柱内腐蚀数据集进行学习与预测,将IAOA-KELM模型与KELM、粒子群优化算法(Particle Swarm Optimization,PSO)-KELM、AOA-KELM结果进行预测误差对比。结果表明,IAOA-KELM模型的预测值与实际值较为拟合,其E RMSE为0.65%,E MAE为0.39%,R 2为99.83%,均优于其他模型。研究表明,IAOA-KELM模型能够更为准确地预测储气库注采管柱内腐蚀速率,为储气库注采管柱的运维及储气库的健康管理提供参考。

基于MDT指纹特征库的IAOA定位算法研究和应用

随着近几年LTE基站的大规模建设,LTE网络结构变得异常复杂,弱覆盖区域的精准定位将是面临的难题,若不能很好的解决弱覆盖区域,将会直接影响用户的感知体验。另外弱覆盖定位精度的提升可改善建站的有效性,节约建站成本。分析对比各种定位算法的优劣,结合移动通信的特性,利用终端上传的MR数据,研究应用IAOA结合MDT指纹特征库的定位算法,经验证可有效提升LTE弱覆盖的定位精度。