基于深度前馈神经网络方法的横波速度预测

针对横波速度预测问题,在分析经验公式法和岩石物理建模法优缺点的基础上,结合横波速度预测原理,提出基于深度前馈神经网络方法(DFNN)进行横波速度的预测。研究从纵、横波速度关系入手,详细阐述了DFNN方法应用于横波速度预测的可行性,并介绍了该深度学习方法的基本原理;选择声波时差、密度、中子孔隙度、泥质含量、孔隙度5个储层参数与横波速度进行深度神经网络训练,建立可靠的横波速度预测模型。将该模型应用于不同研究区的横波速度预测,结果表明基于DFNN方法预测横波速度能够有效提高预测的精度和效率,适用范围广,可以为叠前AVO分析、叠前反演提供可靠的横波数据,具有较高的实际应用价值和推广意义。

基于地震属性和深度前馈神经网络的天然气水合物饱和度预测

天然气水合物饱和度是评价资源量的重要参数,常规的地震反演储层预测方法存在精度低、效率不高的问题,且无法解决地震数据与储层参数之间的非线性问题。随着人工智能技术的迅速发展,许多相关技术已经应用于地震勘探领域,其中人工神经网络是人工智能的一个重要分支,其可以通过从大量的样本数据中不断学习,进而拟合复杂非线性函数来实现地下储层特征反演,有着很强的非线性映射和泛化能力。因此,本文在分析了常规线性公式以及岩石物理建模法优缺点的基础上,提出了基于地震属性和深度前馈神经网络预测水合物饱和度的方法。首先,基于测井和地震数据,通过筛选出不同类型与水合物饱和度相关性高的地震属性体,多维度构建样本标签数据;然后采用地震反演与端到端(地震数据-储层物性数据)反演相结合的策略,对全连接神经网络的隐藏层数、神经元数量、迭代次数等参数进行测试训练,最后将训练结果应用于地震数据体获得水合物饱和度预测结果。实际数据应用结果表明:基于地震属性和深度前馈神经网络预测的饱和度结果精度高、多解性低,与测井数据吻合好,证明该方法具有较好的应用价值;同时,预测的水合物空间分布特征表明研究区水合物成藏为平面游离气-水合物过渡成藏模式。

在线深度神经网络的弱监督概念漂移检测方法

流数据作为大数据的重要形式广泛存在于实际问题中,由于流数据中数据分布变化产生概念漂移,容易导致模型的泛化性能下降,且在实际应用问题中,数据标记成本较高,难以获得强监督的信息.针对以上问题,本文提出一种基于在线深度神经网络的弱监督概念漂移检测(Weakly supervised conceptual drift detection method based on online deep neural network,WSCDD)方法.该方法设计了一种在线深度神经网络模型,采用Hedge反向传播方法在线学习网络深度,并通过设计Dropout层在模型预测时引入随机性,利用蒙特卡罗方法量化深度神经网络模型的预测不确定性,通过自适应滑动窗口技术检测弱监督环境下概念漂移的发生,并使模型适应新的概念.实验结果表明,该方法可以准确检测数据流中概念漂移的发生,在漂移发生后能够快速收敛到新的数据分布,提高了学习模型的泛化性能.

基于深度学习前馈神经网络的单斜辉石温压计分析火山的岩浆通道系统

对火山的岩浆通道系统的深入了解,对理解岩浆如何储存和迁移,以及评估与火山活动伴生的地质灾害等问题,都是至关重要的。单斜辉石(Cpx)温压计是最重要的研究手段之一。在此之前,使用Cpx温压计的前提是准确评估天然样品中所选的Cpx是否与共存熔体平衡。然而,无论是使用Cpx-熔体Fe-Mg交换系数,或是判断Cpx组分是否与模拟计算结果一致,均不足以准确判断Cpx的平衡状态。此外,由于无法准确获得Cpx中Fe^(3+)/ΣFe而将所有Fe视为Fe^(2+)的处理将导致高估Cpx中的硬玉端元(jadeite,NaAlSi_(2)O_(6)),并忽略霓石端元(aegirine,NaFe^(3+)Si_(2)O_(6)),进而高估了温压计算结果。另外,电子探针在评估矿物和熔融物中的水含量方面存在不足,这进一步影响了温压计的准确性。

面向深度神经网络的电力芯片功能检测方法

电力芯片功能检测对于保证电力正常运行有重要意义,目前的方法检测准确率相对较低,导致检测时间过长。为了解决上述问题,面向深度神经网络提出了一种新的电力芯片功能检测方法,计算电力芯片功能指标参数,确定电力芯片功能检测的真实数据,将独立神经元进行离散运算,并对其粒子量进行计算。根据得到的数据信息分析检测的隐藏神经元,计算回路的品质因数或谐振系数,检测传输功能,根据得到的实际处理量检测电力芯片的处理功能,通过建立待测量曲线和日负荷数据曲线,确定异常数据筛选功能。实验结果表明,所设计方法传输功能和处理功能检测准确率在98%以上,异常数据筛选功能检测准确率在99%以上,当检测数据量大于300 GB时,检测时间低于0.5s,所研究方法具有较好的性能。

基于离散剪切波与优化深度卷积神经网络的图像降噪方法

海洋试验图像通常受到海洋气象条件、海水光照折射和海洋深度等因素的影响,导致在海洋中采集的图像包含严重的噪声。为了提高海洋试验图像的清晰度和降噪性,提出一种基于离散剪切波与优化深度卷积神经网络相结合的海洋试验图像降噪方法。采用离散剪切波变换分解海洋试验图像,能有效从图像中提取不同方向和频率的特征。利用优化深度卷积神经网络强大的图像特征提取能力,经网络模型训练后,能获取图像中的关键特征,达到降噪的目的。在验证实验中,所提方法与传统图像降噪方法相比,能有效保留图像的纹理和细节特性,获得了较好的降噪效果,有助于提高海洋试验图像的清晰度和降噪性。

基于深度神经网络的存储压缩方法研究

由于深度神经网络存在内存密集和计算密集两大特征,其无法满足移动设备存储的需求。为此,提出一种基于深度神经网络的存储压缩方法,该方法通过SVD矩阵奇异值分解方法,并辅以网络剪枝技术,在深度神经网络运行过程中引入少量神经元,并设定神经元数连接数,降低权重规模。通过一系列方法对策,尽可能在不损失精度的前提下,对深度神经网络模型大幅度压缩,其压缩程度达到了5×、15×。

基于深度卷积神经网络的三维医学图像分割方法

常规的三维医学图像分割处理的把控效果较差,为此该文提出基于深度卷积神经网络的三维医学图像分割方法。设置初始分割节点,采用多模态的方式,构建多模态图像分割序列。设计深度卷积神经网络医学图像分割模型,采用空间金字塔池化辅助处理方法来强化图像分割结果。测试结果表明,用此方法分割后的Dice系数均可以达到0.7以上,处理效果更好。

基于深度神经网络的市政电气故障识别方法研究

为优化市政电气故障识别效果,提高识别结果的准确性,利用深度神经网络开展了电气故障识别方法的研究。首先,利用电气参数采集设备,采集市政电气故障数据,并对其进行清洗与标准化处理;其次,构建深度神经网络模型,提取故障特征;在此基础上,将预处理后的实时数据输入到训练好的深度神经网络模型中,对电气故障进行全方位地识别。实验结果表明,提出方法应用后能够准确识别出不同的电气故障类型,并给出具体的故障参数,应用效果优势显著。

基于迁移学习和深度卷积神经网络的胸腰椎骨折AI分类研究

传统的胸腰椎骨折影像辅助分类方法准确率低、泛化能力差,为此提出一种基于深度卷积神经网络方法辅助诊断的胸腰椎骨折AI分类方法。收集四川省中西医结合医院胸腰椎骨折患者CT影像图片共698张,建立数据集,其中单纯压缩性骨折(A类)279张,爆裂性骨折(B类)295张,正常(C类)124张。对传统卷积神经网络模型ResNet-50进行改进并融入迁移学习,对数据集进行训练,获得胸腰椎骨折AI分类模型。采用混淆矩阵评估预测模型分类性能,模型的训练集和验证集准确率分别为95.75%和96.36%,表明训练得到的智能分类模型具有较好的准确率和泛化能力。本文提出胸腰椎骨折影像辅助分类方法,可以提高人工诊断的效率和准确率。

基于深度前馈神经网络的致密砂岩储层孔隙度预测

致密砂岩储层具有低孔低渗特点,由孔隙度变化引起的弹性参数和地震响应特征变化较弱,为解决常规的基于岩石物理关系线性映射孔隙度预测或者基于多属性融合的概率映射孔隙度预测方法难以表征孔隙度与地震属性间复杂非线性关系的问题,提出了基于深度前馈神经网络的孔隙度预测方法。该方法首先以测井计算的有效孔隙度曲线作为训练目标,以井旁的地震数据属性和反演弹性属性作为训练特征构成训练样本;其次通过优选评价确定复杂结构深度前馈神经网络模型参数,建立井旁地震数据与孔隙度之间的非线性映射关系;最后将训练优良的深度网络模型应用到整个数据体,得到有效孔隙度预测成果,进而实现致密砂岩优质储层定量表征。松辽盆地北部三角洲前缘沉积的致密砂岩应用实例表明,基于深度学习的孔隙度预测结果与井资料吻合较好,相对误差为8.1%,较常规基于岩石物理关系的线性映射孔隙度预测方法误差减小8.2%;证明了该方法对致密砂岩储层孔隙度预测的有效性。研究成果可为井位部署及方案优化设计提供理论指导与技术参考。

前馈神经网络在预测连续泄漏系数中的应用

受泄漏孔几何参数、液位、液体物理特性及流动状态等因素影响,储罐连续泄漏系数难以直接采用流体力学建模求解。通过常压立式储罐连续泄漏试验获取数据样本,利用前馈神经网络(Feedforward Neural Network, FNN)算法构建连续泄漏系数(Cs)与输入变量间的非线性关系,建立基于前馈神经网络算法的Cs预测模型。模型性能评估结果表明,模型的平均绝对误差(EMA)、解释方差分(SEV)及决定系数(R2)分别为0.015 4、0.949 2及0.948 2,表明模型预测性能良好。与相应连续泄漏试验值比较,预测Cs的总平均绝对偏差范围为5.28%~7.34%,质量流率平均偏差为4.60%~6.51%,连续泄漏量的平均偏差为0.84%~2.03%,模型预测结果优于采用泄漏经验常数的计算结果,证明该模型可有效预测连续泄漏期间Cs值及变化趋势。

AAR-Net:用于声学异质介质光声图像重建的深度神经网络

在光声成像中,由于组织的吸收和扩散等引起的超声波衰减、由声速变化引起的相位偏差以及与声衰减相关的信号波形展宽都会降低图像的空间分辨率,针对该问题,提出一种基于深度学习的声学特性非均匀组织图像重建方法。通过将深度梯度下降(deep gradient descent,DGD)网络与U-Net相结合构建声伪影去除网络(acoustic artifacts removal network,AAR-Net)。DGD模块利用梯度信息减少非均匀声学特性对重建图像质量的影响,实现信号域到图像域的转换。U-Net模块实现对DGD模块输出的低质量图像的优化,实现图像域到图像域的转换。仿真、仿体和在体试验结果表明,与传统的非学习图像重建方法和最新的基于图像后处理的深度学习方法相比,采用该方法重建的图像结构相似度和峰值信噪比分别可提高约20%和10%。AAR-Net无需任何有关成像对象声学特性的先验知识,即可重建高质量图像。

基于时变深度前馈神经网络的风电功率概率密度预测

针对传统循环神经网络(RNN)和卷积神经网络(CNN)模型对风电功率进行较长时间尺度的短期预测时出现的时不变性问题,应用时变深度前馈神经网络(ForecastNet)模型进行短期风电功率不确定性预测。该模型的网络结构随时间变化以提高多步提前预测能力,模型交错输出以缓解梯度消失问题,使用混合密度网络得到各个时刻的概率密度分布。在避免传统深度学习模型中,该模型能避免递归多步预测累积误差的同时可以充分考虑相邻时刻风电功率的相关性;在模型隐藏层中,使用美国PJM网上的风电功率实际数据,分别应用全连接网络、卷积网络以及基于注意力机制的卷积网络3种神经网络模型进行预测,每次预测未来12 h的风电功率,滚动预测得到未来500 h的风电功率区间和概率密度,实验仿真结果能够证明所提预测模型的有效性。

基于深度前馈神经网络的多因子人体表面积计算模型

人体表面积(BSA)在临床医学上有着至关重要的作用,但现有BSA计算方法大多只使用身高和体重2个参数且采用匹配简单函数的方法来估计体表面积,临床上也认为现有的BSA计算方法误差较大。针对这些问题,提出一种BSA回归预测模型。该回归预测模型包含2个部分:首先,借助相关性和显著性分析选择相关性较高的体表面积影响因子;其次,利用人体数据训练深度前馈神经网络,构建回归模型。实验分别采取5-折交叉验证与测试集验证2种方法。首先,将深度前馈神经网络模型与传统人体表面积计算方法进行精度评估和结果对比分析;其次将深度前馈神经网络模型与3种模型进行精度评估和结果对比分析。在与传统方法对比中,深度前馈神经网络模型的决定系数高于2种传统方法的,且比传统方法提高了6%,误差与传统方法的相比降低了近一倍。在与3种模型的对比中,深度前馈神经网络的决定系数比其他模型的提高了至少2%,误差降低。一致性分析实验结果也显示,深度前馈神经网络95%一致性界限最小,一致性最好。总体来说,提出的回归预测模型可以得到更加精确的体表面积预测值。

基于主成分分析的深度前馈神经网络的肾小球滤过率估算算法

目的提出一种基于主成分分析(principal component analysis,PCA)的深度前馈神经网络(deep feedforward neural network,DFNN),建立一个适用于中国慢性肾脏病(chronic kidney disease,CKD)人群的肾小球滤过率(glomerular filtration rate,GFR)估算模型,并探讨其在慢性肾脏病患者肾小球滤过率估算中的应用。方法受试者为2019年5月—2021年1月就诊于安徽医科大学第二附属医院,排除年龄<18岁的肾功能不稳定,服用甲氧苄啶或西咪替丁或接受透析后的163例患者。本研究以99m Tc-DTPA肾动态显像测定GFR为标准,建立主成分分析的深度前馈神经网络(deep feedforward neural network,DFNN)模型,以此估算GFR,同时将估算GFR结果与传统CG方程和BP神经网络估算结果进行对比分析。结果通过PCA-DFNN-1神经网络训练出来的估算模型的15%符合率、30%符合率、50%符合率分别为38.77%、55.1%、75.5%;ROC曲线下面积为0.845;Youden指数为0.58。结论提出的基于主成分分析的深度前馈神经网络模型有优于CG方程和BP神经网络模型的结果,可以用于估算GFR。

基于前馈神经网络的MPPSK接收机位同步方法研究

目前,在通信领域,深度学习(deep learning,DL)被认为是处理无线通信物理层的有效工具之一,有诸如自动调制识别、信道估计等方面应用。针对DL接收机设计中的同步问题,提出了一种在多元位置相移键控(m-ary position phase shift keying,MPPSK)调制方式下的滑窗式位同步方法。首先,训练一个前馈神经网络,作为码元的分类器;然后,使用滑动窗口在信号的采样点上滑动,每个窗口中的信号作为输入送入神经网络,得到的输出作为码元的判决准确度;最后,在滑动过程中,取置信度最高的采样点为同步点。通过仿真实验证明了同步的可靠性和精确性。

基于Spark大数据计算模型的遗传算法深度前馈神经网络训练算法

新兴的Spark大数据并行计算模型为实现遗传算法深度前馈神经网络数据并行训练提供了一个可能的选择。但是,Spark模型有其特有的数据编码规则和转换规则,目前尚无成熟方法在该模型上实现GADFNN训练。为此,研究了Spark模型的数据编码和转换规则与GADFNN训练的内在关系,提出一个基于Spark模型的GADFNN训练算法——Spark-GADFNN。实验表明,提出的Spark-GADFNN训练算法在中、大规模数据集上,训练时间分别缩短为传统算法的18.18%和16.67%。

基于自适应卡尔曼滤波和深度前馈神经网络的氚源项反演

氘氚聚变反应被认为是能够最先实现商业发电的聚变反应,但氚的使用也带来了放射性安全问题。为探究适用于聚变堆事故后的大气释放氚源项反演的计算方法,本研究将自适应卡尔曼滤波与深度前馈神经网络相结合,建立聚变堆事故后的氚释放源项估计算法,对氚的释放高度及释放率进行反演。对神经网络使用滤波前后的观测值作为输入数据时的预测源强进行分析。结果表明,滤波能有效降低神经网络的预测误差。当监测数据误差为20%时,释放高度反演相对误差均值约为3%,释放率反演相对误差均值约为4%。

基于深度神经网络的输电线路异常自动辨识方法

为解决现有异常辨别方法误识率高的问题,研究基于深度神经网络的输电线路异常自动辨识方法。通过小波多尺度分解、重构和奇异值分解处理输电线路信号,利用向量机分类并获得信号模态函数,通过描述信号序列间的关系获取最优特征分量值,建立深度神经网络异常辨识模型,使用卷积操作学习不同空间内的关联特征,最后利用长短期记忆网络(Long Short-Term Memory,LSTM)处理时间序列数据,传输至模型识别异常。通过与阈值比较判断输电线路运行状态,实验证明该方法误识率为0.16%,能准确识别输电线路异常。