基于集合和神经网络架构搜索的自动历史拟合方法

由于人工经验选取的局限性,难以获取决定模型重构精度的最优网络参数是目前使用深度学习方法在自动历史拟合中对油藏地质模型进行降维时的难点之一.针对此问题,通过将深度自编码器与粒子群优化算法相互结合实现最佳网络架构的自动搜索,并以此构建一种基于集合数据同化和神经网络架构自动搜索的油藏自动历史拟合方法.分别对一个二维河流相油藏...     

无梯度多参数自动历史拟合方法

通过历史拟合以降低油藏地质参数的不确定性,提出一种稳定高效的无梯度多参数最优化调参技术,根据贝叶斯统计理论建立历史拟合最小化数学模型,并利用奇异值分解算法进行降维分解,然后采用基于方向导数的无梯度算法对该最优化问题进行求解。该方法同时实现了渗透率、孔隙度、相对渗透率、原油黏度及水体参数的拟合,进一步降低了反问题的不确定性。与人工历史拟合结果相比,基于降维方法的自动历史拟合结果表现出高度的一致性,节省了大量的人力与机时,证明了该方法的有效性与正确性。     

种强非均质性油藏自动历史拟合混合求解方法

针对强非均质性油藏,提出一种强非均质性油藏自动历史拟合混合求解方法。混合由两部分组成,一是主成分分析方法(PCA)与离散余弦变换方法(DCT)混合,对先验模型进行特征提取能够在降低数据维数的同时保留更为全面的地质特征,提高历史拟合的鲁棒性;二是人工蜂群算法(ABC)与同步扰动随机近似算法(SPSA)混合,利用人工蜂群算法良好的全局搜索模式改进同步扰动随机近似算法对目标函数进行数值求解,提高算法的求解速度与精度。最后应用提出方法进行强非均质油藏模型自动历史拟合。结果表明:PCA与DCT方法混合能够有效提取强非均质油藏的地质特征,反演结果接近真实油藏模型。该研究成果可为复杂非均质油气藏地质特征的识别研究提供理论支持。     

基于四维变分的油藏数模自动历史拟合方法

应用基于最优控制理论的四维变分资料同化方法,将油藏初始参数场和历史拟合时间段内的动态资料作为约束条件,将历史拟合过程转化为非线性规划中求解定义在多维空间的最优化问题,采用Levenberg-Marquardt优化算法求解目标函数极小值,从而建立基于四维变分资料同化的油藏自动历史拟合模型。将某小断块油藏渗透率和油水相渗曲线作为被估参数,自动拟合油藏产油量和含水率历史数据。结果表明:应用四维变分资料同化方法进行油藏数模自动历史拟合是可行的,可大幅提高历史拟合的效率。     

无监督异常检测的深度变分自编码高斯混合模型

针对高维数据无监督异常检测难以重构异常样本,无法保留低维空间信息的问题,提出一种深度变分自编码高斯混合模型（deep variational autoencoding gaussian mixture model,DVAGMM）。该模型利用深度变分自编码器为每个输入样本生成低维数据和重构误差,并将这些数据输入高斯混合模型。为更好地学习到原始样本的低维特征,同时避免自编码器自身的局部优化问题,减少重构误差,模型采用联合优化深度变分自编码器和高斯混合模型参数的方法,并利用单独的估计网络促进混合模型的参数学习。实验结果表明,该模型在几个基准数据集上的检测准确率和效果都比其他传统模型更高,以F1值作为综合评价指标,模型的综合分数比第二名高出大约4%。     

基于矩阵奇异值分解的文本分类算法研究

针对KNN文本分类算法在高维数据集上分类计算开销大、效率低的缺点,采用一种基于矩阵奇异值分解的文本特征向量降维方法实现向量降维的同时保留更多的分类信息.同时,采用信息增益的方式对原始文本特征词进行了初步筛选,过滤掉对分类系统几乎没有贡献的特征词,以克服文本特征维数增长所带来的奇异值分解计算开销过大的缺点.实验表明此方法能在保持分类精度的同时极大地降低分类计算开销.     

非线性时间序列的最优相关维数估计

提出以能量谱中的截断频率之倒数作为相空间重构过程中的窗长，在窗长固定情况下，利用奇异值分解算法确定嵌入维数和时间延迟两个参数，克服了不考虑窗长单独选择嵌入维数和时间延迟造成的相关维数收敛性差的缺点，大大提高了计算效率。采用迭代奇异值分解算法对含噪声的信号进行降噪，降低了噪声对相关维数计算结果的影响，从而提高了计算结果的可靠性。     

基于三阶累积量的自适应多变量相空间重构

利用三阶累积量反映多变量序列的高阶非线性相关性,建立了一种具有良好抗噪性的多变量相空间重构方法.将三阶累积量引入到序列局部本征维数(LID)的计算中,对不同相空间点构造新的三阶累积量相关矩阵;同时建立累积量切片评价函数,通过比较得到了对噪声及嵌入维数等重构参数变化鲁棒性强的累积量切片,然后确定序列的嵌入维数、嵌入延迟,重构多元变量相空间.仿真结果表明,建立的新方法对带噪声混沌序列具有较好的鲁棒性,多元变量奇异吸引子轨迹在重构相空间中得到了良好扩展.
     

基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.     

基于广义逆非负矩阵分解的无线传感器网络节能通信

针对无线传感器网络中通信数据的高维、高冗余现象,基于高维空间往往可以由其低维来本质表示这一特性,提出一种基于广义逆非负矩阵分解的无线传感器网络节能通信(giNMF)算法.首先,采用奇异值分解方法对原始通信数据矩阵进行初始化操作,求出其对应的特征空间;然后,采用非负矩阵分解方法对奇异值分解后的矩阵进行降维操作,利用乘法更新法快速求解出最终降维结果.仿真实验结果表明:giNMF算法能够对通信数据进行有效压缩,从而降低通信能耗,延长网络生命周期,达到节能的目的.     

基于小样本条件下线性判别分析图像增强算法研究

摘要：针对以往降维处理方法在小样本条件下受到矩阵奇异化的限制,从而无法进行有效的奇异值分解以及逆变换的缺陷,提出了一种自动对变换矩阵添加扰动量,从而保证奇异值分解和逆变换顺利进行的算法。首先,定义了线性变换矩阵的构成模式,利用线性投影变换将样本点投影到null空间和幅度空间,然后在压缩后的幅度空间对变换矩阵自动添加扰动量,然后在此基础上进行奇异值分解和逆变换,从而计算得到最终的从高维空间到低维空间的线性变换矩阵。本方法无需认为设定扰动量,能自动实现投影变换的计算。能广泛使用在高维特征空间的降维处理,尤其是少样本条件下的高维特征空间降维处理中。     

基于复杂样本的安全态势要素分类架构

针对网络安全态势要素获取中大规模复杂攻击样本分类困难的问题，提出一种基于条件变分自编码网络的安全态势要素分类架构。该架构分为编码网络和生成网络两部分，均采用深度神经网络作为其基础框架。编码网络用于对高维数据进行降维，提取其隐含特征;生成网络用于对降维后的样本进行重构，生成新的样本。在生成网络中引入混合密度模型优化其特征提取能力，提高重构数据的准确性。采用训练数据对该架构进行训练，训练后的编码网络作为分类器，识别样本类型;生成网络生成指定类别的样本数据，以平衡复杂样本中各类攻击样本的数量，提高分类精度。仿真结果表明，与其他对比模型相比，所提分类架构具有较好的降维效果和较高的态势要素分类精度。     

沥青路面三维纹理分形维数及其抗滑性能

研究沥青路面抗滑性能与三维纹理分形维数的关系。成型4种SMA沥青混凝土车辙板,采用数字图像处理技术重构车辙板表面三维纹理模型,实测车辙板表面构造深度检验重构的三维纹理模型的有效性,通过差分盒维数法计算三维纹理模型的分形维数,研究分形维数与抗滑性能的关系。研究结果表明:重构的三维纹理模型在纹理构造特征上以较高精度恢复原沥青路面的表面形貌,计算的分形维数与实测的摆值、构造深度具有良好的相关性,可以较好地表征沥青路面的抗滑性能;构造深度随着分形维数的增加而减小,摆值随着分形维数的增加先减小后增加。     

基于本征图像滤波的可见光图像处理方法

在可见光图像处理领域中,为了进一步改善频域滤波法去除噪声的能力,提出了本征图像滤波法去除图像噪声的方法.以经典SVD算法为例,首先探讨了奇异值重构维数的选取方法,然后分别对高斯噪声和椒盐噪声污染的图像进行去噪,验证不同重构维数的去噪效果,最后以PSNR和SNR为参数进行评价.结果表明,重构时,过小的维数不能恢复原始图像...     

多模型的油藏模拟自动历史拟合方法研究

传统油气藏数值模拟通常仅建立单个随机地质模型，采用人工历史拟合方式获得符合油藏动态的地质模型并用于方案预测。但由于地质资料相对稀少且地层非均质性的客观事实存在，历史拟合问题必然存在多解性，所获得的单个地质模型无法保证准确反映地下真实情况。本次研究中首先利用静态地质资料生产大量随机实现，使用PCA降维方法减少模型数据量，再利用聚类方法挑选出多个特征各异的实现作为初始模型，采用基于SPSA算法的自动历史拟合方法，获得多个符合油藏动态却又包含不同特征的历史拟合模型。结果表明，多模型能够更接近地下的真实情况，产生的预测结果不再是单一动态曲线，而是具有多种开发可能性的一系列曲线，这样使预测更为科学可靠。     

基于本征图像滤波处理可见光图像的方法

在可见光图像处理领域,为了进一步改善频域滤波法去除噪声的能力,提出了本征图像滤波法去除图像噪声的方法.以经典SVD算法为研究对象,首先探讨了奇异值重构维数的选取方法,然后分别对高斯噪声和椒盐噪声污染的图像进行去噪,验证不同重构维数的去噪效果,最后以S_(NR)和P_(SNR)为参数作出评价.结果表明,重构时,过小的维数不能恢复原始图像,过大的维数则会引入更多的噪声,只有恰当的维数才能达到理想效果.相比椒盐噪声,处理高斯噪声所得P_(SNR)值和S_(NR)值更高,表明本征图像滤波法更擅长处理高斯噪声.     

基于奇异值分解的液压缸动态特性分析新方法

针对经验模态分解(EMD)方法、数学形态法和经验模态分解(MM-EMD)方法在处理液压缸油压波动信号时产生模态混叠的缺点,提出了一种基于奇异值分解(SVD)的液压缸动态特性分析的新方法。首先,在相空间对周期性冲击力作用下的液压缸油压波动信号进行重构,得到合适的特征矩阵;然后将特征矩阵进行奇异值分解,获得奇异值序列和多个可线性叠加的分量信号;最后,根据奇异值分布规律、分量信号特点和油压波动模型,将分量信号进行分类和重组,提取能够反映液压缸动态性能的自由振动分量。试验结果表明,基于奇异值分解的液压缸动态特性分析新方法提取的自由振动分量,能够避免模态混叠,保留了更多的信号细节,为评价液压缸动态性能提供可靠的依据。     

3D多输入多输出正交频分复用系统中基于奇异值分解的信道估计方法

在3D多输入多输出正交频分复用(MIMO-OFDM)系统模型中,分析了基于导频的信道估计方案.针对线性最小均方误差方法的算法复杂度高的问题,应用奇异值分解(SVD)算法降低信道自相关矩阵的维数,以减小算法的复杂度.仿真结果表明:所提出的基于奇异值分解的信道估计算法,能够在保证误码率(BER)性能的情况下,具有更低的算法复杂度.     

一种基于奇异值分解的分层重构算法

以仿射投影来逼近透视投影,采用共轭梯度法迭代估计射影深度,通过测量矩阵的奇异值分解实现射影重构.在摄象机内参数已知的情况下,求解一个满足欧氏重构条件的4×4非奇异矩阵,由此矩阵将射影重构变换为欧氏重构.实验结果表明该算法是行之有效的.     

基于相空间重构和非参数神经网络集成股市预测研究

利用奇异谱分析方法对股市时间序列重构，降低噪声并提取趋势序列，并利用C-C算法确定嵌入为维数和延迟阶数进行相空间重构，生成神经网络的学习矩阵，进一步利用Boosting技术和不同的神经网络模型，生成神经网络集成个体，最后采用非参数回归模型进行集成，建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型，以此建立股市预测...