渤海海域曹妃甸6-4油田原油物性差异分布特征及地质成因分析

利用大量原油物性分析化验资料,通过饱和烃色谱-质谱、芳香烃色谱-质谱等地球化学方法,结合流体包裹体、埋藏史-热史等成藏分析方法,对渤海海域曹妃甸6-4油田原油物性差异分布特征及地质成因进行了分析。结果表明:①研究区原油物性差异分布主要表现为原油品质随着地层埋深的增加而逐渐变好,其中东三段和东二下段为轻质油藏,馆陶组为中质油藏,明下段为重质油藏;②研究区不同含油层位的原油均源自于同一套成熟烃源岩,因此造成原油物性差异分布的主要原因是油气运移成藏过程中经历了微生物降解、水洗和氧化作用等次生改造;③研究区古近系东营组油藏为2期充注(第1幕次充注少量低熟重质油,第2幕次充注成熟度高的轻质油)、以第2期为主,而新近系油藏为1期充注成藏,即在明化镇组沉积末期新构造运动作用下,东营组油藏被破坏,原油向浅层馆陶组、明下段运移成藏,并且在运移成藏过程中经历了微生物降解、水洗和氧化作用等次生改造,使得原油品质逐渐变差。本文研究认识可以为区域上在类似靠近凸起边缘的有利圈闭带中寻找轻质油藏提供一种新思路。

基于特征分布差异的对抗样本检测

诸多神经网络模型已被证明极易遭受对抗样本攻击。对抗样本则是攻击者为模型所恶意构建的输入,通过对原始样本输入添加轻微的扰动,导致其极易被机器学习模型错误分类。这些对抗样本会对日常生活中的高要求和关键应用的安全构成严重威胁,如自动驾驶、监控系统和生物识别验证等应用。研究表明在模型的训练期间,检测对抗样本方式相比通过增强模型来预防对抗样本攻击更为有效,且训练期间神经网络模型的中间隐层可以捕获并抽象样本信息,使对抗样本与干净样本更容易被模型所区分。因此,本文针对神经网络模型中的不同隐藏层,其对抗样本输入和原始自然输入的隐层表示进行统计特征差异进行研究。本文研究表明,统计差异可以在不同层之间进行区别。本文通过确定最有效层识别对抗样本和原始自然训练数据集统计特征之间的差异,并采用异常值检测方法,设计一种基于特征分布的对抗样本检测框架。该框架可以分为广义对抗样本检测方法和条件对抗样本检测方法,前者通过在每个隐层中提取学习到的训练数据表示,得到统计特征后,计算测试集的异常值分数,后者则通过深层神经网络模型对测试数据的预测结果比较,得到对应训练数据的统计特征。本文所计算的统计特征包括到原点的范数距离L2和样本协方差矩阵的顶奇异向量的相关性。实验结果显示了两种检测方法均可以利用隐层信息检测出对抗样本,且对由不同攻击产生的对抗样本均具有较好的检测效果,证明了本文所提的检测框架在检测对抗样本中的有效性。

文本分类中互信息特征选择方法的研究

针对互信息特征选择方法由于没有很好结合正相关特征和负相关特征,影响在不平衡语料集上分类效果的问题,用平衡因子调整正相关和负相关特征比例,加强特征选择时负相关特征的作用。同时引入特征分布差异因子,区分类强相关特征,提高分类效果。最后通过实验证明,改进的互信息特征选择方法具有可行性和有效性。

基于决策边界优化域自适应的跨库语音情感识别

域自适应算法被广泛应用于跨库语音情感识别中;然而,许多域自适应算法在追求减小域差异的同时,丧失了目标域样本的鉴别性,导致其以高密度的形式存在于模型决策边界处,降低了模型的性能。基于此,提出一种基于决策边界优化域自适应(DBODA)的跨库语音情感识别方法。首先利用卷积神经网络进行特征处理,随后将特征送入最大化核范数及均值差异(MNMD)模块,在减小域间差异的同时,最大化目标域情感预测概率矩阵的核范数,从而提升目标域样本的鉴别性并优化决策边界。在以Berlin、eNTERFACE和CASIA语音库为基准库设立的六组跨库实验中,所提方法的平均识别精度领先于其他算法1.68~11.01个百分点,说明所提模型有效降低了决策边界的样本密度,提升了预测的准确性。