引入知识增强和对比学习的知识图谱补全

知识图谱补全是提高知识图谱质量的重要手段,主要分为基于结构和基于描述的方法。基于结构的补全方法对图谱中常见的长尾实体推理性能表现不佳,基于描述的补全方法在描述信息利用和负样本信息学习方面存在不足。针对上述问题,提出基于知识增强的知识图谱补全方法KEKGC。设计一种特定模板,将三元组及其描述信息通过人工定义的模板转换为连贯的自然语言描述语句输入预训练语言模型,增强语言模型对三元组结构知识与描述知识的理解能力。在此基础上,提出一种对比学习框架来提高链接预测任务的效率与准确率,通过建立记忆库存储实体嵌入向量,从中选择正负样本并结合Info NCE损失进行训练。实验结果显示,相较于MEM-KGC,KEKGC在WN18RR数据集上链接预测任务的平均倒数秩(MRR)提升了5.5,Hits@1、Hits@3、Hits@10指标分别提升了2.8、0.7、4.2个百分点,三元组分类任务准确率达到94.1%,表明所提方法具有更高的预测准确率与更好的泛化能力,尤其对于长尾实体,能够有效提升图谱补全的效果与效率。

邻域信息分层感知的知识图谱补全方法

知识图谱补全(KGC)旨在利用知识图谱的现有知识推断三元组的缺失值。近期的一些研究表明,将图卷积网络(GCN)应用于KGC任务有助于改善模型的推理性能。针对目前大多数GCN模型存在的同等对待邻域信息、忽略了邻接实体对中心实体的不同贡献度、采用简单的线性变换更新关系嵌入等问题,提出了一个邻域信息分层感知的图神经网络模型NAHAT,在关系更新中引入实体特征信息,通过聚合实体和关系表征来丰富异质关系语义,提高模型的表达能力。同时,将自我对立的负样本训练应用到损失计算中,实现模型的高效训练。实验结果表明,与图卷积网络模型COMPGCN相比,所提出的模型在FB15K-237数据集上Hits@1、Hits@10指标分别提高了3%、2.6%;在WN18RR数据集上分别提高了0.9%、2.2%。验证了所提出的模型的有效性。

基于RoBERTa和加权图卷积网络的中文地质实体关系抽取

知识是大数据和人工智能的基石,知识图谱的可解释性和可扩展性等优势使其成为智能系统的重要技术。智能决策在各个领域都有迫切的应用需求,为知识图谱提供基于数据分析和推理的决策支持和应用场景,但领域场景复杂、数据多源、知识维度广,因此知识图谱的构建和应用都面临着很多挑战。针对地质领域知识图谱构建过程中领域知识模式完备性差的问题,以及现有实体关系抽取方法在处理非欧氏数据时存在的不足,提出了一种基于图结构的实体关系抽取模型RoGCN-ATT。该模型使用RoBERTa-wwm-ext-large中文预训练模型作为序列编码器,结合BiLSTM获取更丰富的语义信息,使用加权图卷积网络结合注意力机制获取结构依赖信息,以增强模型对关系三元组的抽取性能。在地质数据集上F1值达78.56%,与其他模型的对比实验表明,RoGCN-ATT有效提升了实体关系抽取性能,为地质知识图谱的构建和应用提供了有力的支持。

基于CA技术的网络信息安全系统设计实践

针对企业级应用的安全问题,提出了一种切实可行的设计方案。该方案将CA技术与LDAP、数据库技术结合起来,建立了基于PKI的网络信息安全系统。经过实际应用和运行表明,该方案有效地解决了企业级应用中存在的诸多安全问题,极大地提高了企业级应用的安全等级。

基于拉普拉斯金字塔生成对抗网络的图像超分辨率重建算法

针对目前的图像超分辨率重建算法中存在的大尺度因子的重建效果较差、不同尺度的图像重建均需要单独训练等问题,提出一种基于拉普拉斯金字塔生成对抗网络(GAN)的图像超分辨率重建算法。算法中的生成器使用金字塔结构实现多尺度的图像重建,从而以渐进上采样的方式降低了大尺度因子的学习难度,并在层与层之间使用密集连接加强特征传播,从而有效避免了梯度弥散问题。算法中使用马尔可夫判别器将输入数据映射为结果矩阵,并在训练的过程中引导生成器关注图像的局部特征,从而丰富了重建图像的细节。实验结果表明:在Set5等基准数据集上分别进行放大2倍、4倍、8倍的图像重建时,所提算法的平均峰值信噪比(PSNR)分别达到了33.97 dB、29.15 dB、25.43 dB,平均结构相似性(SSIM)分别达到了0.924、0.840、0.667,相比用于超分辨率重建的卷积神经网络(SRCNN)、深度拉普拉斯金字塔超分辨率重建网络(LapSRN)、用于超分辨率重建的生成对抗式网络(SRGAN)等其他算法有较大提升,且其重建的图像在主观视觉上保留了更多生动的纹理和小颗粒细节。

卷积神经网络在储层预测中的应用研究

人工神经网络作为人工智能的分支,在模式识别、分类预测等方面已成功地解决了许多现代计算机难以解决的实际问题。然而随着人工智能的发展,神经网络的自主性特征学习功能越来越重要,人工神经网络虽然表现出了良好的智能特性,但不能自主地学习特征。近年来,深度学习逐渐崛起,围绕深度神经网络的研究也越来越多,但其在地质储层参数预测领域的研究还很少。提出了一种应用卷积神经网络对地质储层参数进行预测的方法,该方法不仅能对储层参数进行精确预测,而且可以得到储层特征集。实验证明,卷积神经网络可以应用于地质储层参数预测,且预测精度较高,同时卷积神经网络的卷积特征为储层地质建模与测井资料解释提供了重要的支持。

模糊逻辑在基于AIS的主机入侵检测中的应用

针对主机入侵检测中检测规则的脆弱性,将模糊逻辑引入基于人工免疫的主机入侵检测中,提出了一个结合人工免疫与模糊逻辑的检测方法,通过定义模糊检测规则,提高了检测规则的检测效率。实验结果表明模糊检测规则具有较高的精度,检测效果较好。

自适应倾角导向技术在断层识别中的应用

在油气勘探开发过程中,断层和裂隙的分布形态一直是三维地震资料解释所关注的重要问题。地震资料中包含的随机噪音,往往影响断层的刻画精度,因此,解释过程中常采用去噪技术来消除噪音,提高断层刻画精度。常规去噪技术在提高地震资料信噪比的同时通常会破坏反射结构的边缘信息和断层的尖锐性,影响构造解释和油藏描述的准确性。为了解决结构保护去噪和断层检测难题,提出基于自适应倾角导向技术的断层识别方法,具体步骤如下:先生成包含采样点倾角和方位角信息的导向体;再将导向体作为滤波的输入数据进行导向滤波,提高信噪比的同时保留地层中的重要构造信息;最后将滤波后的数据体在倾角导向的控制下进行相似性属性提取,从而识别断层,提高断层解释精度。结果表明:在自适应倾角导向技术运用基础上,最终提取的相似性属性有效地突出了断层处的不连续性,去噪效果良好,有效增强了断层的识别能力。整体而言,自适应倾角导向技术是一种刻画断层和识别地质体边界的有效方法,目前已在复杂油气藏勘探中取得了较好的应用效果。

改进的Alexnet模型及在油井示功图分类中的应用

现在有杆抽油机采油设备仍在原油开采中占据主导地位,示功图采集及分析是检测、预防、解决采油生产过程中各种故障的有效措施和手段。借助人工智能方法进行油井抽油机示功图自动分类识别和故障判断一直是研究的重点。深度学习为示功图识别和解释研究注入了新的活力。主要对卷积神经网络在油井抽油机示功图自动识别中的应用进行研究,提出一种改进的Alexnet模型,实现了示功图的自动识别,并与目前常用的神经网络模型进行了比较。实验表明,改进的Alexnet模型在保证识别准确率高的同时有效降低了训练学习时间,很好地达到了实际应用要求。

基于可信度分析的钻井液脉冲信号识别方法

针对随钻测量过程中钻井液脉冲信号识别困难的问题,在分析钻井液脉冲信号的产生原理及噪声特性的基础上,通过研究信号波形特征属性和信号相似度,建立了基于可信度分析的钻井液脉冲信号识别方法。根据该方法设计的钻井液脉冲信号识别原型系统能够实现灵活多变的交互式控制、动态参数调整和处理过程可视化实时呈现,在真实数据模拟中获得了很好的效果。基于可信度分析的钻井液脉冲信号识别方法有较好的适应性,可以准确、智能地识别复杂矿场环境中的真实信号波形,为随钻测量工作的顺利进行提供了技术支撑。

基于改进攻击树的网络攻击模式形式化研究

攻击树是一种网络攻击形式化描述和建模工具,具有结构化、可重用等优点。通过分析攻击树在实际应用中的缺陷,提出了攻击树新的建立规则,并引入了时间序列和概率的概念,从而更加准确地实现了攻击模式的形式化表示。应用改进后的攻击树描述了一个WEB攻击,结果表明该形式化方法具有很好的实用性和有效性。

基于随钻方位伽马测井的地层倾角自动识别

在钻井过程中及时获得地层倾角有利于钻头更准确的在油层中穿行。针对利用随钻自然伽马测井数据识别地层倾角的问题,分析目前结合计算机图像处理技术进行地层倾角自动识别方法存在的问题,根据伽马数据的特点提出了轮廓跟踪自适应跟踪算法,定制轮廓跟踪顺序,该算法根据伽马数据测距自动收缩或扩大跟踪范围,可有效避免因测距不同造成误差;改进了最小二乘拟合算法,结合哈夫变换正弦拟合的思想缩小了拟合范围,提高了拟合精度与速度。利用随钻方位伽马模拟数据进行了实验,结果和分析表明,提出的方法能很好实现地层倾角自动识别,验证了方法的可行性、准确性以及较高的效率。

Lotus Notes中访问外部非Notes数据库的方法

探讨了在Ｌｏｔｕｓ Ｎｏｔｅｓ中访问外部非Ｎｏｔｅｓ数据库的一般方法，并且给出了应用举例。

选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由“主成分权重平均”法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。

DBN在测井解释中的研究与应用

测井解释就是将测井信息加工解释成地质信息,以往大多通过数学方法建立解释模型或者使用最基本的反向传播(back propagation,BP)网络来完成这项工作.针对BP网络存在学习训练效率不高的问题,提出了将深度置信网络应用于测井曲线解释.针对测井解释的特点,选择4条测井曲线数据作为输入进行泥砂分层以及孔隙度的预测实验,并与BP网络的预测结果进行对比分析.实验表明,深度置信网络可用于测井曲线解释,其分类精度较一般BP算法有所提高并且训练时间有所降低.

波动方程正演引导的深度学习地震波形反演

物理驱动的全波形反演方法计算成本高,数据驱动的深度学习反演方法对标记数据集的依赖性强。为了在有限的数据条件下获得更好的反演结果,结合数据驱动与物理驱动,提出了波动方程正演引导的深度学习地震波形反演方法。首先,利用地震数据应用神经网络重建速度模型,对网络预测的速度模型进行正演建模,通过最小化速度模型的误差及地震数据的误差训练网络;其次,使用有限差分法将二阶偏微分波动方程近似为可微算子,使正演过程能够传递梯度,并根据梯度方向动态调整地震数据损失的权重。实验结果表明,该方法能在一定程度上降低数据驱动方法对标记数据集的依赖性,可得到更准确的速度模型,且具有较强的鲁棒性。

基于相带划分的孔隙度预测

孔隙度是油藏储层特性评价的重要指标,储层岩石组成成分不同,其孔隙结构也相应存在差异.研究沉积相对孔隙度影响这一重要因素,提出一种基于相带划分的孔隙度预测方法,首先利用阻抗数据、采用k-means聚类方法进行沉积相估计,获得储层的相带空间展布特征,然后对不同相带使用岭回归的方法对孔隙度进行预测.与其他方法相比,该方法较好地解决了因岩石物理特性意义不明确而造成的预测中的多解性问题,提高了预测准确度.使用实际区块油藏数据对该方法进行了实验验证,实验结果表明,该方法可以有效融合地质信息,预测稳定性高,受人为因素影响小,预测的符合度明显高于支持向量回归等其他方法.

也谈“数据结构”课程教学的几个问题

本文针对困扰"数据结构"课程教与学的几个问题,作者根据自己的认识和多年的实际教学经验,进行深入浅出的分析和论述,以其对提高课程的认识和兴趣、牢固掌握课程知识及其灵活运用、提高利用计算机解决问题的能力具有很好的指导作用。

基于异步优势执行器评价器的自适应PID控制

自适应PID较好地解决了传统PID无法自整定参数的问题,已成为控制领域内的研究热点;研究基于异步优势执行器评价器(Asynchronous Advantage Actor-Critic,A3C)算法设计了一种新的自适应PID控制器;该控制器利用A3C结构的多线程异步学习特性,并行训练多个执行器评价器(Actor-Critic,AC)结构的智能体,每个智能体采用多层前馈神经网络逼近策略函数和值函数实现在连续动作空间中搜索最优的参数整定策略,以达到最佳的控制效果;与已有的多种自适应PID控制器性能对比分析结果表明该方法具有收敛速度快,自适应能力强的特点。

一种基于不规则三角网的地层等值线绘制方法

等值线图是地图学中最常用的地理要素,是地质资源信息系统中最基础和常见的数据表示形式。针对地质模型其地层可视化的特点,研究和分析传统等值线追踪方法的不足,提出一种基于不规则三角网的等值线分类追踪算法。该方法对数据存储模式进行了简化处理,并结合实际应用要求在VC++与Open Scene Graph的开发环境下,实现了等值线的绘制。通过建立地层属性的映射规则,对等值线图进行了填充,达到了地层三维可视化的真实效果,以某采油厂地层离散数据为例,验证了等值线追踪算法的可行性和正确性。