基于可解释深度卷积网络的空时自适应处理方法

在实际应用中,空时自适应处理(STAP)算法的性能受限于足够多独立同分布(IID)样本的获取。然而,目前可有效减少IID样本需求的算法仍面临一些问题。针对这些问题,该文融合数据驱动和模型驱动思想,构建了具有明确数学含义的多模块深度卷积神经网络(MDCNN),实现了小样本条件下对杂波协方差矩阵快速、准确、稳定估计。所构建MDCNN网络由映射模块、数据模块、先验模块和超参数模块组成。其中,前后端映射模块分别对应数据的预处理和后处理;单组数据模块和先验模块共同完成一次迭代优化,网络主体由多组数据模块和先验模块构成,可实现多次等效迭代优化;超参数模块则用来调整等效迭代中可训练参数。上述子模块均具有明确数学表述和物理含义,因此所构造网络具有良好的可解释性。实测数据处理结果表明,在实际非均匀杂波环境下该文所提方法杂波抑制性能优于现有典型小样本STAP方法,且运算时间较后者大幅降低。

基于注意力机制的碳酸盐岩储层岩相识别方法

岩相识别是储层评价和油藏描述等的基础环节,碳酸盐岩储层具有非均质性强、孔隙结构复杂等特点,给岩相识别带来了挑战。融合卷积神经网络(CNN)和注意力机制开发了一种新型网络框架,根据各种测井数据之间的相关性实现储层岩相的自动识别。该框架包括特征注意力(FAtt)模块和CNN模块,FAtt模块根据识别目标与各种测井数据之间的相关性自动提取关键特征,CNN模块捕获各个测井序列之间的空间信息,两者结合有效提高了模型的岩相识别精度。基于碳酸盐岩非均质储层的实验表明,相比于单一的CNN模型,提出的模型岩相识别精度提高了9%。该模型为储层测井评价提供了一种经济可靠的替代方案,为地质研究与人工智能结合提供了快速有效的岩相数据。