基于遗传算法的网络传输异常数据检测方法

针对网络传输过程异常数据与标准数据之间存在相对误差的问题,提出基于遗传算法的网络传输异常数据检测方法。通过遗传网络布局形式,建立标准的遗传适应度函数,利用数据编码标签,处理异常数据;通过定义网络传输数据异常簇点的方式,确定数据信息的传输密度水平,结合相关性检测阈值,实现网络传输异常数据检测。实验结果表明,设计方法的异常数据校正误差指标的最大值未超过2.0×10-3MB,得出该方法有效降低了误差。

基于多粒度时序结构表示的异常检测算法在储层含油性检测中应用

传统储层含油性勘测方法利用地震波穿过地层时产生的相关地震属性和地质钻井资料结合传统地球物理方法进行综合研判,但该类勘测方法往往存在研判成本高且对专家先验知识依赖性强的问题。针对该问题,以江苏油田苏北盆地的地震资料为基础,并结合含油样本的稀疏性和随机性,提出了一种基于多粒度时序结构表示的异常检测算法,直接利用叠后地震道数据进行预测。该算法首先对于单个地震道数据提取多粒度时序结构并形成独立特征表示;其次,在提取多个粒度时序结构表示的基础上进行特征融合,以形成对地震道数据的融合表示;最后,通过对融合后的特征采用代价敏感方法进行联合训练和判别,从而得到对于该地震数据的含油性勘测结果。所提算法在江苏油田实际原始地震资料上进行了实验仿真,实验结果表明:所提算法相比长短期记忆(LSTM)和门控循环单元(GRU)算法在曲线下方的面积(AUC)指标上均提升了10%。