多波地震油气储层的自组织神经网络学习与预测

如何充分挖掘出地震数据的有效信息以更有效预测出地震油气储层的分布情况,一直是业内所追求的目标。多波地震数据所包含的纵、横波数据不仅含有大量对油气敏感的特征信息,而且二者对油气响应存在差异,利用好这种差异可有效降低地震反演中的多解性问题。为此,设计了一种基于自组织神经网络的多波地震油气储层分布预测方案。首先,通过聚类分析优选出对油气响应比较敏感的地震属性,然后,对优选优化后的属性进行多波复合运算提取油气特征信息。最后,根据输入样本属性数据集设计自组织神经网络结构,计算神经元与样本的距离确定最佳匹配单元,更新调整网络权值,完成网络训练,得到预测结果。应用结果表明,基于本方案所预测的地震油气藏分布范围与实际情况基本吻合,有效地降低了反演结果的不确定性,从而验证了自组织神经网络应用于地震油气储层预测的有效性和可行性。     

基于GAN的通信干扰波形生成技术

现有通信干扰方法, 通常基于通信侦察中获取的目标信号特征进行干扰决策, 选取合适的干扰波形实施干扰, 难以应对目标信号特征未知或参数动态变化的情况。为此, 提出一种基于生成对抗网络(generative adversarial networks, GAN)的通信干扰波形生成技术, 运用GAN直接提取目标信号的潜在特征, 并生成与目标信号特征相似的干扰波形。在介绍GAN原理的基础上, 首先设计网络模型, 并对学习率进行优化, 使GAN更适用于时间序列通信干扰波形的生成。然后通过对不同类型和参数的通信信号进行干扰波形生成实验, 验证了该技术的泛化性。最后进行干扰效果对比试验, 结果表明, GAN生成的干扰波形干扰效果能够逼近最佳干扰效果。     

基于深度学习的多模态眼科图像回归预测

青光眼是世界第二大致盲性眼病，视网膜神经纤维层（RNFL）缺损是诊断青光眼的重要特征。在临床应用中主要采用光学相干断层扫描（OCT）测量RNFL厚度。然而在我国的多数中小型医院和体检中心，只有眼底照相机而不具备OCT设备。因此利用眼底照和OCT的多模态数据，设计了一种基于眼底照来预测RNFL厚度的深度残差回归神经网络。该网络通过眼底照中的局部区域信息预测此区域的RNFL厚度，并对视盘外围一周范围内的RNFL厚度给出全面的刻画。在一个来自北京同仁医院的真实数据集上的实验结果显示，本文算法预测的RNFL厚度值与OCT测量值具有高度的一致性（对于正常眼平均绝对误差E_MA=14.884，Pearson相关系数r=0.885，决定系数R²=0.781；对于青光眼E_MA=15.108，r=0.872，R²=0.754）。评估结果表明所提方法对基于眼底照预测RNFL厚度具有良好的临床实用性。     

一种应用于高含硫气井的智能取垢器系统设计

油气井生产过程中，受地质环境、生产阶段、矿物成分等多种因素综合影响，井筒上易产生垢物堵塞，影响正常生产；而解堵和工艺措施的有效性由能否精准取样井下垢物直接决定。针对高含硫气井井下垢物样本取样需要，设计研制了一套智能井下取垢系统，介绍了智能井下取垢器的体系结构及工作原理；详细论述了电路板减震结构、取垢弹爪、容垢篮装置以及扶正装置等取垢器关键机械结构及部件；阐述了基于DSP的电气定时控制系统的体系结构及控制原理，重点说明了系统PID控制算法关键参数计算过程。室内性能实验以及试验井功能试验结果表明，研制工具的耐温、承压性能以及取垢和容垢装置自动化伸缩同步联动控制功能可靠，入井和出井过程顺利，能为高含硫气井井下垢物精准化取样提供设备支撑。同时，提出的设计方法和思路对其他智能化井下工具的研发具有一定的参考意义。     

开放性社会学习者模型实证研究

为帮助学习者准确了解自己和其同伴在学习过程中进展,并引发学习者元认知和社会比较学习体验,笔者运用社会比较理论,设计并开发了基于表格的开放性社会学习者模型TableOSLM,其采用表格可视化形式呈现学习者本人、组和学习同伴的学习进展,在实证研究方面,通过问卷调查、实验研究法和面对面访谈等方式收集数据,评价结果表明:TableOSLM能引发学习者在学习规划和自我反思两个维度上的元认知学习体验和在比较方式和自我完善两个维度上的社会比较学习体验;学习者对TableOSLM在有用性、易用性和满意度3个方面都表现出较高的认可度.     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

基于稀疏栅格优化的蜂窝车联网定位算法

蜂窝车联网（cellular-V2X，C-V2X）中的定位方案是车路协同与车联网业务发展的重要技术途径之一。目前基于基站、卫星等诸多定位方案，在车联网业务以及车路协同场景中常会遇到定位精度、定位处理时延、部署成本等诸多方面的挑战。针对这些问题，文章对已有栅格定位算法进行优化，提出一种基于统计信息网格（statistical information grid，STING）的稀疏栅格优化算法和基于极端梯度提升（extreme gradient boosting decision tree，XGBoost）进行指纹定位的车联网指纹定位算法。从栅格优化的角度出发，相较于传统指纹定位方法在定位精度和计算速率方面进行了优化，使其更适应于车路协同场景。该算法为目前的车联网定位提供了一种有效的定位方法。     

结合流形结构与柔性嵌入的多标签特征选择

将线性回归模型与流形结构相结合,构成了弱线性多标签特征选择的联合框架。首先,用最小二乘损失函数来学习回归系数矩阵;其次,通过标签流形结构来学习数据特征的权重矩阵;再次,用L2,1-范数来约束回归系数矩阵和特征权重矩阵,这样既能引导稀疏性,又有利于特征选择。此外,设计并证明了具有收敛性的迭代更新算法来解决上述提出的问题。最后,所提出的方法在多个经典多标签数据集上进行了验证,实验结果表明了所提算法的有效性。     

可重构智能面辅助的低精度量化大规模MIMO系统的信道估计

针对可重构智能面辅助的低精度量化的大规模多输入多输出(multiple input multiple output, MIMO)系统中信道估计问题进行了研究。该系统的信道估计难点在于可重构智能面由近无源反射天线构成, 没有基带信号处理能力。系统观测值通过低精度的模数转换器量化使信道估计问题变得更富挑战性。本文基于基站-可重构智能面-用户的级联信道推导出等效信道, 并证明在虚拟角域上，该有效信道是结构稀疏信号。提出了基于期望最大化的近邻学习广义近似消息传递算法，从低精度量化的观测值中恢复等效信道。仿真结果表明所提出算法比传统算法具有更好的性能表现。     

全球大地震破裂空间复杂度特征研究

基于有限断层反演得到的滑移数据, 用独立滑移单元的数量表征地震破裂复杂度, 据此对大地震破裂进行分组, 并研究破裂复杂度与主要震源参数之间的关系, 探讨破裂复杂度的全球及区域空间分布特征。结果表明, 矩震级很大(Mw ≥ 8.5)的事件, 地震破裂复杂度更大; 破裂复杂度较高的地震分布在浅层地壳(≤ 30 km)内的概率最大, 随着震源深度增加, 破裂复杂度对震源深度的敏感性逐渐消失; 走滑断层机制占比较大的事件, 破裂复杂度较高; 破裂复杂度与地震能矩比没有明确的关系; 破裂复杂度的空间分布特征与区域地质构造环境相关。破裂复杂度的空间分布特征可以分为3类, 第一类是板块之间简单碰撞产生的俯冲带, 板块交界处的滑动速率和方向较为一致, 这种情形下以比较简单的事件类型为主; 第二类是多板块交界处, 或者板块交界处的滑动速率和方向在整个区域内存在差异; 第三类是大陆内部的强烈挤压地带。与第一类空间分布特征相比, 第二类和第三类情形下破裂复杂度相对更高。地震破裂复杂度可以在一定程度上反映区域应力场的复杂性。