1.一种基于KPCA‑BAS‑GRNN的埋地管道外腐蚀速率预测方法，其特征在于，包括以下步骤：

1)获取埋地管道外腐蚀的检测数据，再根据埋地管道外腐蚀的检测数据构建管道外腐蚀指标体系；

2)构建广义回归神经网络的腐蚀预测模型；

3)将步骤1)得到的管道外腐蚀指标体系的数据分为训练样本及测试样本，再通过训练样本对广义回归神经网络的腐蚀预测模型进行训练，并采用天牛须搜索算法优化腐蚀预测模型的光滑因子σ，然后将测试样本输入到训练后的广义回归神经网络的腐蚀预测模型中，得预测值，再根据预测值及实测值判断训练后广义回归神经网络的腐蚀预测模型的优劣性，当训练后广义回归神经网络的腐蚀预测模型较优时，则将待预测埋地管道外腐蚀的检测数据输入到训练后的广义回归神经网络的腐蚀预测模型中，得埋地管道的外腐蚀速率，当训练后的广义回归神经网络的腐蚀预测模型较劣时，则转至步骤1)中。

2.根据权利要求1所述的基于KPCA‑BAS‑GRNN的埋地管道外腐蚀速率预测方法，其特征在于，

p p

设训练样本X＝{x1，x2，…，xn}，xi∈R ，R为输入空间，P为数据的维数，i＝1，…，n，利用p

映射函数对输入空间进行映射Φ：R→F，x→X，其中， 则特征空间中的协方差矩阵C为：

求解特征空间中的协方差矩阵C的特征值λ及特征向量v，λ≥0，设特征空间中的协方差矩阵C的特征值为0≤λ1≤λ2≤…≤λn，对应的特征向量为v1，v2，…，νn，记作：将式(1)及式(2)代入Φ(xi)·Cv＝λ(Φ(xi)·v)中，Φ(xi)为原始数据空间转换到高维数据特征空间的映射函数，λ为特征值，v为特征向量，C为协方差矩阵，并令K＝(kij)n×n＝(Φ(xi)·Φ(xj))(i,j＝1，2，…，n)，得Kα＝nλα，其中，K为核矩阵，K的特征值为nλi，K的特征向量为α1，α2，…，αn，取前m个特征值对应的标准化特征向量α1，α2，…，αm，其中，r＝1,2,3，....，m，j＝1,2,3，....，m， 在vr投影gr(xj)为：设

则有

其中，Kij为核函数，i,j表示样本的行和列，n*m维样本；

选取式(3)中的前M个分量作为主成分，由KPCA降维，得提取后的主成分系数矩阵α，然后再利用提取后的主成分系数矩阵α对训练样本X进行线性变换，得最后利用线性变换后的训练样本X对广义回归神经网络的腐蚀预测模型进行训练。

3.根据权利要求1所述的基于KPCA‑BAS‑GRNN的埋地管道外腐蚀速率预测方法，其特征在于，所述广义回归神经网络由输入层、隐含层及线性输出层组成。

4.根据权利要求1所述的基于KPCA‑BAS‑GRNN的埋地管道外腐蚀速率预测方法，其特征在于，埋地管道外腐蚀的检测数据包括不同检测点处的土壤电阻率、氧化还原电位、氯离子含量、硫酸根离子含量、含水量、PH、含盐量、杂散电流、破损点密度、阴极保护率、自然电位及硫化物含量。