基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术

分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号.

基于环境吸引域的冗余机器人运动控制与实时位型优化

针对人机共融场景中机器人任务快速变化、紧凑作业空间等导致机器人高性能运动控制困难的问题,提出一种基于环境吸引域的机器人运动控制与实时位型优化方法。为尽可能减小机器人本体的运动区域,采用两组关键点集对机器人本体与人类偏好的机器人作业区域进行抽象化表征,并提出基于点集距离的环境吸引域评价指标;设计笛卡尔空间运动控制器,并构造末端执行器跟踪误差收敛的关节角速度等式约束;结合关节角度、角速度等物理约束,建立基于约束-优化的机器人运动控制与位型优化问题模型。设计递归神经网络对机器人的角速度指令进行实时求解,并证明了系统的稳定性。最后通过四自由度机器人和七自由度Franka Panda机器人的仿真,验证了所提算法在保证机器人末端完成高精度运动控制的同时,能够使机器人的工作区域尽可能收缩到预设区域。