基于融合特征选择算法的钻速预测模型研究

钻速预测是钻井优化的重要组成部分,机器学习算法是当前实现准确钻速预测的重要手段,准确的特征选择是保证机器学习精度的关键途径。基于南海某井眼的实际钻井数据,本文采用一种融合特征选择法从钻井特征参数中选出井径、钻井液出口温度、钻井液入口密度、钻井液出口密度、K值、塑性粘度、滤失量、上覆压力、孔隙压力、和喷嘴等效直径共10种参数。将优选出的参数作为模型输入,引入集成的梯度提升树(Gradient Boosting Decision Tree,GBDT)算法建立机械钻速预测模型。将建立的模型与常规机器学习算法模型进行对比试验。试验结果显示,所提出的融合特征选择算法模型精度较全特征模型高2%,较常用机器学习模型平均高14.5%,该研究为钻井参数的准确、快速寻优提供了有效解决方案,对提高钻进速率具有一定的指导意义和实际应用价值。

集成特征选择的广义粗集方法与多分类器融合

为改善多分类器系统的分类性能,提出了基于广义粗集的集成特征选择方法.为在集成特征选择的同时获取各特征空间中的多类模式可分性信息,研究并提出了关于多决策表的相对优势决策约简,给出了关于集成特征选择的集成属性约简(Ensemble attribute reduction,EAR)方法,结合基于知识发现的KD-DWV算法进行了高光谱遥感图像植被分类比较实验.结果表明,EAR方法与合适的多分类器融合算法结合可有效提高多分类器融合的推广性.

基于通道与空间特征选择融合的人体姿态检测

针对人体姿态检测过程中多尺度特征表达不充分的问题,本文利用选择性卷积核网络(Selective Kernel Networks,SKNet)的思想,提出了一种通道与空间特征选择融合模块,并应用于高分辨率网络,从而在多尺度特征融合过程中进行关键信息选择,不仅提高了多尺度特征表达,同时保留了原有多尺度特征融合交换不同特征信息的优点。实验结果表明,在高分辨率网络中加入通道与空间特征并联模块后,进一步提高了人体姿态检测的精度。在两种不同网络深度的模型中,姿态关键点预测的平均准确率分别有0.6%和0.7%的精度提升,最后通过网络推理过程可视化,进一步分析了该模块在卷积过程中起到的作用。

基于小波变换的IRS与TM遥感卫星影像融合

本研究在整体小波变换融合方法基础上 ,提出了基于对比度的局部特征选择加权小波变换影像融合方法 ,并以多光谱TM和高空间分辨率IRS 1C全色波段图像为例 ,与色彩空间变换HIS融合方法进行图像融合效果的比较分析试验。试验表明基于对比度的局部特征选择加权小波变换影像融合方法能在最大限度保持多光谱影像光谱信息的同时 ,增强了影像的纹理信息。

小波DehazeFormer网络的道路交通图像去雾

针对道路交通雾图像对比度低、细节丢失、模糊和失真的问题,提出了一种小波DehazeFormer模型的道路交通图像去雾方法。为提升模型去雾能力,构建了编解码结构的小波DehazeFormer网络,编码器以DehazeFormer与选择性核特征融合模块(Selective kernel feature fusion,SKFF)级联作为骨干网络的基本单元,编码部分由三级这样的基本单元构成,以融合图像的原始信息和去雾后的信息,更好地捕获雾图中关键特征;中间特征层采用局部残差结构,并加入卷积注意力机制(Convolutional Block Attention Module,CBAM),对不同级别的特征赋予不同权重,同时融入内容引导注意力混合方案(Content-guided Attention based Mixup Fusion Scheme,CGAFusion),通过学习空间权重来调整特征;解码部分由DehazeFormer和SKFF构成,采用逐点卷积,在保证网络性能同时,减少网络的参数量;跳跃连接引入小波变换,对不同尺度的特征图进行小波分析,获取不同尺度的高、低频特征,放大交通雾图的细节使得复原图像保留纹理;最后,将原始图像和经解码后输出的特征图融合,获取更多的细节信息。实验结果表明,本文方法相比于基线DehazeFormer网络,其PSNR指标在公开数据集中提升1.32以上,在合成数据集中提升0.56,SSIM指标提升了0.015以上,MSE值有较大幅度降低,下降了23.15以上;Entropy指标提升0.06以上。本文去雾算法对提升交通雾图像的对比度、降低雾图模糊和失真及细节丢失等方面均表现出优良的性能,有助于后续道路交通的智能视觉监控与管理。