多采样率地震勘探技术(MrSET)探讨

时间采样以及空间采样问题是地震勘探基本问题,空间采样方式包括规则采样、非均匀(非规则)采样、随机采样等.从地震波场的带限性、空间域非均匀性、地下构造多样性出发,提出多采样率地震勘探技术(MrSET),尝试组合不同空间采样方式.多采样率地震勘探观测系统设计一般应满足5项准则,探讨了多采样率数据处理基本方法,并以合成数据和实际数据的处理效果为基础,总结了多采样率地震勘探技术的7个方面优势.在相同道密度前提下,与规则采样相比,多采样率地震勘探技术更能满足复杂地震波场、弱能量绕射波与散射波充分采样的需要,是一项能提高反射地震数据成像精度的地震勘探技术,经过进一步研究将有巨大潜力成为(陆上、海洋)节点地震勘探时代常规技术.

基于邻域采样的多任务图推荐算法

近年来,图神经网络(GNN)成为解决协同过滤的主流方法之一。它通过构建用户-物品图,模拟用户与物品的交互关系,并用GNN学习它们的特征表示。尽管现有在模型结构上的研究已取得了较大进展,但如何在图结构上更有效地进行负采样仍未有效解决。为此,提出一种基于邻域采样的多任务图推荐算法。该算法提出了一种基于GNN的邻域采样策略,该策略以每个用户为中心构建子图,将次高阶物品作为用户邻域采样的负样本,可以更有效地挖掘强负样本并提高采样质量。通过GNN对图结点进行信息聚合与特征提取,得到结点的最终嵌入表示。设计一种余弦边际损失来过滤部分冗余负样本,以有效减少采样过程中的噪声数据。同时,该算法引入了多任务策略对模型进行联合优化,以增强模型的泛化能力。在3个公开数据集上进行的大量实验表明,该算法在大多数情况下明显优于其他主流算法。

基于广度-深度采样和图卷积网络的谣言检测方法

现有谣言检测方法存在早期数据丢失、特征利用不充分问题,为此提出新的检测方法.为了充分挖掘事件的早期传播特征,提出广度采样方法并构建与事件对应的传播序列,利用Transformer挖掘长距离评论间的语义相关性并构建事件的传播序列特征.为了有效挖掘事件的传播结构特征,提出基于路径长度的深度采样方法,构建事件对应的信息传播子图和信息聚合子图,利用图卷积网络在挖掘图结构特征方面的优势,获得与事件对应的传播结构特征.将事件对应的传播序列特征表示与传播结构特征表示进行拼接,得到事件对应的最终特征表示.在公开数据集Weibo2016和CED上开展所提方法的有效性验证实验.结果表明,所提方法普遍优于现有典型方法.与基线方法相比,所提方法的准确率和F1值均有显著提升,所提方法在谣言检测领域的有效性得到验证.

基于均匀相位采样提高阻抗谱测量精度的研究

周期性信号采样中,等效采样利用较低采样频率的A/D转换实现高频周期信号的采集,一定程度上弥补欠采样测量精度低的缺陷。为了有效地提高高频测量中阻抗谱测量精度与稳定性,提出一种基于等效采样思想的均匀相位采样的阻抗谱测量方法。利用单片机共时钟基准的模/数转换器(digital to analog convertor,DAC)与数/模转换器(analog to digital convertor,ADC)模块,在完成激励信号产生、输入输出信号同步采集的基础上,合理设计激励信号频率、采集频率与信号重构方法,实现高频信号单周期内均匀相位分布的等效高频采样,同时为克服常规A/D转换速度条件下难以准确实现高频阻抗谱测量的问题提供了新思路。从误差假设与拟合算法的角度,理论上分析证明了该方法降低误差的原因。并通过两种等效电路模型的阻抗谱测量对比实验,表明该方法在所设计的20~100 kHz高频段上,阻抗测量精度与稳定性得到了显著的提高。

双阶段填充采样辅助的昂贵多目标优化

针对代理模型引导多目标优化算法,求解决策变量数量增多的昂贵多目标优化问题时,搜索效率较低的问题,提出一种双阶段填充采样辅助的昂贵多目标优化算法。第一阶段,利用一组方向向量引导产生靠近真实最优解集的样本,加快模型引导算法搜索;第二阶段,由代理模型估计获得估值误差,融合个体与样本之间相似性、个体估值收敛性,选择个体用于真实评价后填充样本集,实现模型性能的提升。在100维和200维的多目标基准测试问题上的实验结果表明,所提算法在同等有限资源内获得了比其它算法更为显著的优势。

不平衡数据集的DC-SMOTE过采样方法

针对不平衡数据集在分类任务中表现不佳的问题,提出基于局部密度与集中度的过采样算法。针对数据集中所有的少数类样本点,分别利用高斯核函数与局部引力来计算局部密度与集中度;对于局部密度较小的部分有针对性地合成第一类新样本,解决类内不平衡问题。根据集中度的不同,区分出少数类样本的边界,有针对性地合成第二类新样本,达到强化边界的作用;同时,通过自适应生成新样本,有效解决大部分过采样算法没有明确过采样量或者盲目追求样本平衡度相等的问题。最后,在公开的12个不平衡数据集上进行了实验,实验结果表明,本算法在低不平衡数据集与高不平衡数据集上的应用均拥有良好的表现。

基于快速采样的剪切光束成像图像重构算法

剪切光束成像是一种非传统地基光学成像技术,在对位姿快速变化的目标成像时,为重构目标高分辨率清晰图像,其成像系统的回波数据采样速率仍不够快.本文提出一种五光束快速采样的图像重构方法,通过改变成像系统编码和解码方法,采用中心对称结构呈“十”字形排布的发射光束阵型,利用所提的快速图像重构算法,单次采样的回波数据所能重构的目标图像从1幅增加到8幅,快速抑制了重构图像的散斑效应.仿真结果表明,与传统三光束图像重构方法相比,获得相同质量图像所需的回波数据采样次数从20次减少至5次,大幅减少了回波数据采样次数,提高了回波数据采样速率.

一种监测母线槽的无线传感器信号采样策略

母线槽信号包含大量平稳信号和部分突发情况信号,完整准确地采集其信号能够保证母线槽的稳定运行。保持高上传率可准确地采集到信号,但功耗过大,降低设备使用寿命。文章提出一种适用母线槽信号的无线传感器节点近似采样策略(approximate sampling method,ASM),通过分析所采数据的相对变化程度及变化趋势捕捉完整突发情况信号,水塘抽样算法剔除部分无效平稳数据,完整准确地上传母线槽状态趋势信号。通过Matlab仿真表明ASM采样策略相比于SOD(send-on-delta)、无线传感器节点动态采样策略(dynamic sampling internal,DSI),无效采样率、变化偏移量更小,降低了能耗且保证了采样信号完整。

煤炭机械化采样中偏倚值的优化方法研究

系统分析了煤炭机械化采样过程中可能存在的偏倚问题及其影响,创新性地提出了一种基于数学模型的采样偏倚的优化方法。经过实验与数据分析发现,该方法能够有效降低采样偏倚值,提高采样精度,改善煤炭采样质量。

一种破碎带及软弱带岩矿心缩分采样技术方法

本文针对破碎带和软弱带岩石和矿物采样方法已不足以满足当前的实际采样需求,提出一种有效的缩分采样技术的观点。在地质勘探和矿产资源的开发行业起到促进作用。在地质勘探和矿产资源评估中,破碎带和软弱带是岩石工程中常见的地质情况,为了更深入地研究这些地质情况,需要进行详细的地质勘探和岩矿采样工作。然而,由于破碎带和软弱带岩石的破碎程度高、稳定性差,呈小岩块、岩屑、盐粉,传统的岩石和矿物采样方法已不足以满足当前的实际采样需求。因此,开发一种有效的缩分采样技术对于提高样品的代表性和分析准确性至关重要。本技术方法针对破碎带和软弱带岩石的特点,提出了一种破碎带及软弱带岩矿心缩分采样技术方法,通过改进的岩矿采样方法,使得在这些地质条件下的采样工作变得可行和有效。

基于混合采样的设备健康状态预测方法研究

针对因设备健康状态样本数据不均衡严重影响对健康状态预测效果的问题,提出基于混合采样实现数据均衡、改善预测效果的思路,设计了基于混合采样方法的样本数据平衡流程。通过采用Borderline-SMOTE算法补充少数类样本数量,利用改进K-means算法对多数类样本进行删除,将冗余数据剔除后,形成较为均衡的数据集提供给分类器。实验数据显示,无论是对数据进行欠采样还是过采样,均可提升评价指标AUC和G-mean;采用混合采样对数据进行平衡,评价指标改善更加明显。结果表明,本方法可以明显提升设备健康状态的预测效果,对装备管理部门实现精准维修具有重要的参考价值。

连续打点采样法在马坑铁矿巷道采样中应用的可行性分析

目前,马坑铁矿井下巷道采样方法为连续打点捡块采样法,遇到坚硬、结构面平整的矿石,就不能在同一水平线上进行连续打点采样,存在上下浮动采样的现象,难以保证打点采样的连续性,导致个别样品数据不准确,无法满足生产要求。基于以上原因,开展刻槽采样、连续打点采样和钻孔全芯取样的方法研究,通过收集不同采样方法的样品数据,验证连续打点采样与钻孔全芯取样、刻槽取样之间的偏差性,分析偏差原因,最终得到连续打点采样,可以满足生产需要。

基于重采样和混合集成学习的不平衡窃电检测

针对电力用户类别不平衡导致窃电检测具有偏向性问题,该文提出一种基于重采样和混合集成学习的不平衡窃电检测模型。首先以Easy-ensemble混合集成学习框架为基础确定最佳采样子集数;然后通过重采样自适应策略,即根据用户用电数据集的不平衡度以及最佳采样子集数确定检测模型的重采样方式,使用电数据达到平衡;最后按照先串行集成减小偏差、后并行集成降低方差的混合集成方式,对重采样后的均衡样本进行窃电检测。算例对比分析表明所提检测模型通过重采样和混合集成有效解决了传统集成算法在不平衡窃电检测中的偏向问题,降低了由于用电数据的不平衡性对集成结果的影响,提高了用户类别不平衡的窃电检测效果,在多种不平衡度下模型的准确率、F1值和G均值均表现优异。

土壤污染采样的不同方法对重金属分布特征的影响研究

土壤污染是全球面临的重要环境问题之一,重金属污染的土壤具有隐蔽性和持久性,对生态系统和人类健康构成重大威胁。合理的采样方法对于评价土壤重金属污染的分布特征至关重要。本研究对随机采样法、分层采样法、网格采样法和关键区域采样法四种不同的土壤污染采样方法进行了比较分析,旨在揭示不同采样方法对土壤中重金属分布特征的影响。研究结果表明,采样方法对重金属的空间分布特征解析具有显著影响。通过综合考虑土壤类型、采样密度和深度,以及质量控制措施的优化,本研究提出了一套土壤重金属采样策略优化方案,以期提高土壤污染评价的准确性和效率。

面向隧道工程测量的点云降采样方法

隧道工程中采集的三维激光点云数据包含大量冗余数据,点云降采样是解决该问题的关键环节。合适的降采样方法对于点云技术在隧道工程中应用推广具有重要的作用,然而目前主流降采样方法,包括随机法降采样、最远点降采样和体素化降采样在隧道点云降采样效果不明。针对隧道点云降采样过程中存在的问题,通过理论分析及仿真实验,以降采样结果、算法耗时以及点云特征为判断标准,明确了各采样方法优缺点,给出隧道工程的点云降采样建议,对于点云在隧道监测中的应用具有重要的实际价值。

一种燃煤双路采样系统的应用

随着我国经济的快速发展,能源需求增加,对优质煤炭资源供应缺乏,对煤泥、褐煤综合利用越来越多,电厂对煤泥等特殊煤种的机械采样长期以来是一大难题,经常出现堵煤等故障,不得不采用人工采样,不仅劳动强度大,工作环境差,还给公司带来诸多问题,我厂提出了一种双路采样系统,系统根据来煤计划、车辆信息等,区分普通、煤泥车辆,大小行车驱动采样装置进入系统随机分配的车厢采样位置,自动选择采样装置上的全螺旋采样头或者短螺旋采样头对普通煤种及煤泥分别进行采样,普通采样后煤样进入带有破碎、缩分的系统,对煤样进行处理;煤泥产品则进入另一套处理系统,采样完成后对煤样进行智能封装储存,方便输送至煤样化验处理部门。双路采样系统的应用,不仅使入厂煤实现了100%的机采率,同时还减少了设备故障,防止人工参与,降低了工人劳动强度,提高了公司的经济效益及竞争力。

基于高倍过采样与加窗插值FFT的电力谐波分析

为提高谐波分析精度,分析了信号加窗引起的信噪比损失以及AD转换产生的量化误差,阐述了过采样技术提高信噪比的原理。在此基础上,提出了基于高倍过采样和加窗插值快速傅里叶变换(fast Fourier transform, FFT)的谐波分析方法。该方法充分利用AD转换器的潜力,以尽量高的采样速率进行AD采样,同时通过均值滤波避免高倍过采样引起的采样数据量激增问题。详细研究了所提谐波分析方法对信号中谐波分量幅值和相位的影响,并给出了简洁实用的谐波幅值和相位校正方法。仿真表明,所提方法可在不增加系统成本的前提下改善加窗插值FFT的抗噪声能力,提高谐波分析精度。

计及采样扰动抑制的电压源逆变器三矢量无模型预测电流控制方法

针对传统电压源逆变器无模型预测电流控制(model-free predictive current control,MFPCC)方法存在电流纹波大、电流梯度更新停滞以及预测性能易受采样扰动影响的问题。该文提出一种计及采样扰动的三矢量MFPCC方法。在一个控制周期应用3个基本矢量,并根据价值函数计算矢量作用时间,降低了输出电流纹波;其次,通过建立不同矢量作用下的电流梯度方程组,实现电流梯度数据的实时更新,消除了停滞现象;再次,分析采样扰动对MFPCC的影响,采用扩张状态观测器估计采样扰动以补偿预测电流控制,抑制其对输出电流的影响。最后,通过仿真和实验,对所提方法的有效性进行了验证。

一种用于软件预取的访存轨迹采样算法

软件预取作为提升数据存取性能的一种重要技术,得到了广泛的关注和应用。在软件预取的研究中,往往需要使用访存轨迹分析结合采样算法来筛选出存在缓存未命中的访存指令作为预取目标。然而,传统的迸发采样算法无法区分不同类型的轨迹信息,且容易遗漏访问次数较少的指令。针对以上问题,提出一种基于单遍聚类和分层采样的访存轨迹采样算法。首先提取访存轨迹信息特征;然后利用单遍聚类方法并依据特征相似程度进行访存信息聚类;最后以聚类为基础进行分层采样,根据缓存未命中率对轨迹中不同的部分合理分配注意力来调整采样比,有效缓解了规模较小类别的采样遗漏情况。实验结果显示,在选择的8个测试程序上,相比于传统迸发采样算法,所提算法可平均多覆盖15.70%的缓存未命中指令,基于所提算法的预取平均可额外减少20.76%的缓存未命中数和3.51%的程序运行时间。

基于集成重要性采样的随机梯度下降算法

许多机器学习和深度学习问题都可以使用随机梯度优化算法求解,目前流行的算法大多通过均匀采样从样本集中抽取样本计算梯度估计。然而,随机采样的梯度估计会带来较大的方差,这个方差会随着优化的进行而累积,降低算法收敛速度。为缓解这一现象,可以为每个样本赋予不同的采样概率。该文基于集成学习的思想,提出了一种新的选取非均匀采样分布的算法。算法的主要目的是选取一个采样器权重,使梯度估计的方差尽可能小。所提算法由多个简单采样器组成,采样权重为每个简单采样器分配贡献权重,从而得到最终的采样分布。集成重要性采样算法可以和以往的随机梯度优化方法任意结合,该文给出了使用集成重要性采样的随机梯度下降算法。在试验中,可以直观地看到算法起效的原因。在真实数据集中,展示了所提算法减小方差的效果,与其他算法相比具有一定优势。