基于完备集合经验模态分解-归一化希尔伯特变换的神经网络储层流体识别

地震资料的瞬时属性包含丰富的地质信息,可用于储层流体的识别。希尔伯特-黄变换目前在地震资料的瞬时属性提取中呈现出了很大的优势,但是该方法中存在模态混叠、频率误差等问题,限制了其应用。基于此,引入了基于完备集合经验模态分解和归一化希尔伯特变换的改进方法有效提取地震资料更具物理意义的瞬时属性。同时,为了提高储层含气性检测的准确性和精度,选取瞬时频率和瞬时振幅构建分频剖面模型,对目标区域的储层特性和含气特征进行描述。再结合测井资料,运用有监督的神经网络实现对储层含气性的自适应高精度识别。实例研究表明,基于完备集合经验模态分解-归一化希尔伯特变换的前向反馈神经网络方法能够根据某一区域地震数据有效预测该区域储层的含气状况。     

陕北志丹地区长6低电阻率油层成因机制研究

低电阻率油藏作为一种非常规油藏已被人们所认知,由于成因机制复杂,识别难度大,常被人们遗漏或错判。为了详细研究陕北志丹地区低电阻率油层的成因机制,以长6储层为研究目的层位,采用实验分析、测井曲线重叠法、交会图等方法,建立相关的平、剖面图,并结合研究区试油试采成果,对长6储层低电阻率油层的成因机制进行了深入分析。认为志丹油区低阻油层发育众多,资源潜力大,约占其总储量的40%,分布广泛,成因机制复杂,很难用常规方法进行识别;多数油层电阻率主要介于2~21Ω·m之间,甚至小于0.6Ω·m.最终得出沉积砂体控制作用、岩性细,束缚水饱和度高、粘土附加导电性和高放射性砂岩是长6低电阻率油层发育的主要因素;由于区域地质状况的差异,初步探索出了适合研究区的低电阻率油层识别标准,以便为以后研究低阻油藏提供参考与借鉴。     

基于流形假设的骨架序列动作识别算法

骨架数据是通过对动作的空间几何位置进行编码获取,可以避免冗余背景信息的干扰, 是动作识别领域常用的数据类型之一.现有骨架数据的动作识别主要分为经典的骨架数据表征和基于深度学习的骨架动作识别应用.相较于传统欧氏度量下的识别方法,流形为更好地研究非线性结构提供了重要数学工具. 然而,目前仍缺乏利用流形假设对骨架数据进行动作识别的相关总结. 因此,从骨架表示、轨迹时间对齐、动作序列表征以及动作分类 4 个关键步骤出发,系统地总结了基于流形假设的动作识别工作,对比了各项工作在基准数据集上的表现. 最后,根据当前动作识别工作的发展趋势,对流形假设在动作识别方向上的进一步改进进行了展望.     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。     

复杂断块油田小微断层的显性描述

从小微断层的成因入手,结合胜利、苏北一些油区的勘探开发实践,充分利用钻井、测井、地震、动态等资料,综合应用"静态4种技术、动态7项验证",较好地分辨出小微断层和地层相变的差别,识别出小微断层并对断层定向,实现了小微断层各类隐蔽特点的显性化。小微断层的显性描述在近年来的苏北盆地勘探开发中取得了显著成果,对指导同类型油田的开发工作有着重要意义。     

基于KL变换与BP神经网络的农田害虫识别算法

KL变换是一种降低维度的算法,BP神经网络是一种智能识别算法,农田害虫的训练需要一个庞大的害虫图片库,面对巨大的图片库,如果使用高清的数码照片训练,是对计算机性能的巨大挑战,所以将KL正交变换用于降低维度,最大限度地在提高计算机性能的基础上维持神经网络的识别率。     

均值张量成分分析及其在步态识别中的应用

针对步态识别中非负样本数据存在冗余,且未经中心化的多线性主成分分析保持聚类结构的特征向量不能对应最大特征值,导致识别效果下降的问题,提出一种保持原始张量数据均方长度的均值张量成分分析算法。该算法首先对原始样本任一模式下内积矩阵进行谱分解,计算该模式下相应的特征值和特征向量;其次,利用获得的特征值和特征向量计算均值向量,并对均值向量值进行降序排列,使较大均值向量值对应的特征向量构成该模式下的低维子空间;最后,将原始样本投影到该低维子空间,形成特征张量。与多线性主成分分析算法相比,该算法不需要对数据去中心化处理,而是保持非负数据均值向量最大均方欧几里德距离和方向。通过在USF步态数据库和TUM GAID步态数据库进行仿真实验,结果表明,经过均值张量成分分析预处理,在2个步态库上的平均识别率分别高达57%和75%,较其他传统方法的识别率有明显提高。