基于深度学习算法不同数据集的地震反演实验

近年来，人工智能中的深度学习技术在地震数据处理、反演和解释领域显示出许多优势。以往的研究表明，深度学习与地震反演相结合的方法比传统方法更有效。利用深度学习技术有可能得到更高分辨率的结果，这对油藏开发至关重要。通过设计地质模型进行采样以获取不同大小数据集，基于卷积神经网络（CNN）研究了不同训练数据集的地震反演应用效果，实验表明，该神经网络的预测精度在一定范围内随训练集的增加而增加，得到了对神经网络模型构建的关键数据集大小占全数据集的比例。此外，通过对地震数据加入不同比例的噪声并对CNN进行训练，结果表明本文所设计的CNN具有良好的抗噪和泛化能力。     

面向人群计数的对偶卷积神经网络

基于卷积神经网络(CNN)人群计数方法的核心是如何构建能将人群图有效映射为密度图的CNN模型,进而从密度图准确地估计出人群数量.传统构建CNN的方法只考虑了人群图到密度图的映射,并未考虑密度图到人群图的映射,以及该映射对模型性能的影响.为了解决以上问题,提出一种基于卷积神经网络的对偶模型(Dual Convolutional Neural Networks,DualCNN)以提高模型将人群图映射为密度图准确性.DualCNN包含有两个映射子模型:1)将人群图映射到密度图的卷积神经模型,2)将密度图映射到人群图的对偶卷积神经模型.在学习过程中,通过两个子模型的相互影响,进而达到提高卷积神经模型在人群计数问题上的性能.在UCF_CC_50数据集和ShangHaitech数据集上的实验结果表明,该方法能有效提升CNN的计数性能,尤其在UCF_CC_50数据集中,DualCNN将MCNN和CSRNet的平均绝对误差(MAE)分别降低15.6%和15.8%,最小均方误差(MSE)分别降低18.1%和28.8%.     

基于多种位场数据及3D反演结果的综合解释方法

近期位场梯度数据在勘探地球物理观测数据解释中的作用日益增加,随着计算机等硬件设施的进步,处理大型数据能力的增强,重力数据3D反演方法也越来越多的应用到重力数据解释工作中。本文提出结合重力数据、梯度数据及重力数据3D反演结果的综合解释方法,并将此解释方法应用到虎林盆地观测数据、梯度数据及3D反演结果的综合解释工作中。本文首先讨论单个棱柱体的重力数据、梯度数据的计算方法以及重力数据3D反演方法;然后,编制了matlab程序计算重力数据、梯度张量数据并处理重力数据的3D反演;最后,根据计算的数据详细讨论了梯度九分量之间的关系及重力数据反演结果的数值特征,提出结合梯度九分量数据及重力数据3D反演方法联合解释方法。模型试算及解释结果表明重力梯度数据对进一步提高勘探地球物理观测数据的解释精度及确定埋深较浅的异常源位置及水平尺寸等信息起到重要的作用,将其与重力数据3D反演方法联合解释可更准确的刻画异常源的分布特征。最后经过此综合解释方法将虎林盆地划分为8个构造单元。     

重力异常稳健迭代密度界面反演研究

重力异常界面反演是重力勘探中的一个重要研究课题,它是一个求解第一类Fredholm非线性积分方程问题,目前情况下直接求解比较困难,只能采用拟合法或逐步线性化办法实现反演计算.在计算过程中,由于反演的不适定性,往往不能很好地获得反演解.我们从二度体重力异常正演公式出发,导出地下界面迭代反演的计算公式;然后利用广义似然函数对模型参数进行优化选择,从而获得模型参数修正量迭代计算方法,实现二度体单一密度界面的稳健迭代(最小二乘加权迭代)反演.模型计算表明方法可以很好地反演出地下界面.     

重力勘探及其应用

重力勘探主要是通过测量由地下密度不均匀体引起的重力异常来推断测区的地质构造或矿产分布情况等.重力数据通过整理、各项校正、异常分离等可以得到勘探目标的重力异常特征.通过解重力反演问题,可以确定地质体的埋深、大小等几何参数、密度等物性参数以及密度分界面的起伏.实际应用中,要尽可能多的利用已有的信息约束反演过程,从而提高反演结果的质量.重力勘探在区域地质构造研究、寻找矿产、油、气资源、工程地质调查、水文地质调查等领域中发挥着重要的作用.实例说明,不同的地质特征对应不同的重力异常特征,重力勘探正是利用获得的异常特征分析、推断测区的地质构造.     

基于深度学习的网络攻击检测

针对现有的网络攻击检测方法检测精度不高的问题,提出一种基于并行卷积神经网络的在线网络安全攻击检测方法.该并行的深度卷积神经网络一共包含2个深度卷积神经网络用于提取特征:CNN1和CNN2,然后通过全连接层两个特征提取层,并通过软最大化操作将网络攻击的检测转换为攻击的分类模型.采用KDD Cup99作为仿真数据集,并采用训练数据来对深度模型进行训练,当模型的训练误差小于一定阈值时,采用测试数据进行测试.结果表明:将本文所提方法与文献[8]以及文献[9]所提的卷积神经网络进行比较,其结果表明了所提方法不仅具有较高的检测准确率而且具有较低的误报率上.     

基于Tikhonov 正则化微分形式的重力2D密度反演方法及其在鄱阳盆地的应用

详细讨论了用于计算重力密度分布的2D密度模型方法。该方法将已知地质地球物理数据作为先验信息以相对和绝对约束的形式引入反演方程中,从而在很大程度上减少了反演的多解性。首次利用洪吉诺夫正则化方法的微分形式处理重力数据的反问题,解决了方程解的病态性的同时进一步提高了反演结果的精度。将该反演方法应用于鄱阳湖盆地的剖面重力数据反演中,根据反演结果及重震综合解释结果将该盆地划分为三个构造分区。     

基于RMT-CNN的电网短路故障定位研究

随着我国智能电网的快速发展,电网监测数据呈现多元化、高速化、海量化的趋势.为了充分挖掘电力大数据的潜在价值,实现电网内异常区域的自动识别与定位,本文研究了基于随机矩阵理论（random matrix theory,RMT）和卷积神经网络（convolutional neural networks,CNN）的电网异常事件定位方法.首先根据电网内部联系将电网划分为若干子系统,分区构建监测矩阵;然后采用RMT作为数据挖掘的特征提取方法,提取分区矩阵特征向量作为输入,根据电网监测数据和异常识别需求的特点搭建CNN模型;最后基于分区矩阵特征向量构建数据集,训练获得有效的异常事件自动定位CNN模型.以IEEE39节点电网模型三相短路故障为例,分析表明通过RMT提取特征向量的预处理方法能有效降低数据维度,提高CNN模型的故障定位准确率,分区RMT-CNN模型能有效定位电网内异常事件的发生地点,定位精度可达97.96%,精确率可达98.65%.     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

基于细胞神经网络方法的重力异常分离

用细胞神经网络(CNN)方法对重力异常进行分离,讨论如何根据目标局部重力异常特征训练模板.采用拟BP学习算法实时训练神经网络模板, 为保证全局误差函数最小,使用梯度下降法,用全局误差函数对权值变量求导的方法推导权值修正公式.通过模型的不同组合方式来模拟各种地质条件,并总结出细胞神经网络方法的适用条件.应用结果表明,用细胞神经网络方法提取目标异常是切实可行的,只要选择合适的模板,突出目标异常,就能将水平(横向)叠加异常区分开,具有较强的横向分辨能力,特别是可以突出局部异常的边界,据此可用于圈定火成岩体,寻找局部矿藏.     

基因遗传算法在文本情感分类中的应用

本文以微博文本为主要实验对象,提出适合卷积神经网络进行自我优化的编码方式,分别将每一层看做是一个染色体,将每一层中的参数看做是一个基因片段,采用混合双重非数值编码的方式编码每个CNN框架,设计出适合于CNN网络的选择、交叉和变异的算法,并且把基因遗传算法(GA)和与卷积神经网络相结合,提出了基于情感分析算法的遗传算法(GA-CNN).通过对传统算法与GA-CNN的实验与对比分析,良好地展示了自我优化性.     

利用模拟退火法反演地下三维密度界面的数值模拟

解的优化问题是重磁反演中很重要的一个方面。为了提高反演的精度和效率,采用一种线性网格化的模拟退火法来进行密度反演。将模拟区域划分为若干规则且密度均匀的长方体。为了减小边界条件的影响,可将研究区域中不同部分划分为规模不同的长方体。由引力位可推导出长方体外任意一点的重力异常公式;利用重力的可叠加性,计算每个观测点的重力异常。在给定长方体的规模参数后,根据已知的重力异常,利用模拟退火法求取最优化解,从而确定密度参数。     

重磁震统计推断联合建模反演技术研究与应用

提出了一种新的基于统计推断的重磁震联合反演方法。首先利用重磁差值趋势面进行场源分离 ,以分布独立的断裂系统为单元 ,把反映目标层地震波反射界面深度作为与其对应的重磁异常的二元复合逆函数 ,然后利用已知重磁震资料统计推断其逆函数在空间域上的泰勒级数分布。该方法无须事先对地质模型进行假设 ,避免了反演的多解性。对合肥盆地印度支面构造的反演结果说明了该方法的有效性 ,并成功地编绘了合肥盆地印度支面重磁震联合反演构造图     

基于不等式约束的重力三维聚焦反演

聚焦反演是目前较受关注的重力反演方法之一,能较好地还原异常体的紧凑构造和物性差异较大的边界,此外,不等式约束可以将反演参数限制在有意义的范围内,可以改善反演的多解性。基于此,本文将这两种思路融入重力三维反演中,引入对数转换函数法,实现了基于不等式约束的三维重力聚焦反演。模型试验表明：聚焦反演可以较准确地还原密度异常体的形状和范围,但在深部仍然存在虚假异常现象,而基于不等式约束的聚焦反演方法可以有效压制假异常,改善反演多解性问题;此外,分区域不等式约束可以提高先验物性信息应用的灵活性,获得更逼近真实模型的解。     

一种基于双流卷积神经网络跌倒识别方法

针对跌倒行为的视觉特征难以提取的问题,提出一种由两路卷积神经网络和模型融合部分组成的双流卷积神经网络(Two-Stream CNN)的跌倒识别方法.该方法的一路对视频帧的运动人加框标记后,送三维卷积神经网络(3D-CNN)处理来消除视频背景的干扰;另一路从相邻视频帧获取光流图后,送VGGNet-16卷积神经网络处理;最后将3D-CNN和VGGNet-16的Softmax输出识别概率加权融合作为Two-Stream CNN输出结果.实验结果表明:标记运动人并经3D-CNN处理有效地消除了视频背景的干扰;Two-Stream CNN跌倒识别率为96%,比3D-CNN提高了4%,比VGGNet-16网络提高了3%.     

基于贝叶斯网络和卷积神经网络的手绘草图识别方法

为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.     

基于深度加权的重力异常广义线性反演成像方法研究及应用

重力异常数据的快速成像解释,因可以快速、稳定地获取地下地质体的赋存状态、密度分布、埋深等多种参数而得到广泛关注。在广义线性反演成像的基础上,给出合理的深度加权因子,建立了基于深度加权的广义线性反演成像方法。通过模型试验,验证了该方法具有分辨能力高、稳定性强等特点,并将其应用于实际数据处理中,与钻孔资料及前人文献资料很好地吻合。论证了所述方法的稳定性和可靠性,说明改进后的方法可以应用于实际资料的处理与解释。     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

基于模式识别神经网络的重力匹配算法

为了提高重力辅助惯性导航系统在重力异常明显区域内的定位精度和匹配率,用模式识别神经网络的方法进行了重力匹配.在匹配时刻,根据惯导指示位置确定在一定的网格点范围内搜索载体真实位置,以每个网格点为终点把惯导指示航迹放置到重力图上,由此提取一系列的参考重力图上数据,并把它和对应网格点的位置定义成一个模式类,把所有的模式类作为概率神经网络的样本训练一个模式识别神经网络,然后把重力仪测量数据使用该神经网络识别到某个模式类,对比模式类的定义可以确定此时的载体位置.计算仿真研究表明,该算法的重力匹配率优于通常的相关匹配算法,其组合导航系统的定位误差在1个重力图网格左右.