基于量子自组织网络的水淹层识别方法

采用量子自组织网络方法,解决油田测井解释中的水淹层识别问题.首先,构造储层特征指标集,包括测井曲线的序列指标和单个数值指标.对序列指标先采用离散Walsh滤波方法去除噪声,然后取均值,再与其他单个数值指标一起构造储层特征向量.其次,将储层特征向量转化为量子态描述,提交量子自组织网络实施聚类.最后将聚类收敛后的网络作为水淹层识别的数学模型,应用于油田相似区块的水淹层识别中.仿真实验结果表明,该方法正确识别率比传统自组织聚类方法高6%.

一种量子自组织特征映射网络模型及聚类算法

提出一种量子自组织特征映射网络模型及聚类算法。量子神经元的输入和权值均为量子比特,输出为实数,量子自组织特征映射网络由输入层和竞争层组成。首先将聚类样本转换成量子态形式并提交给输入层,完成聚类样本的输入;然后计算样本量子态与相应权值量子态的相似系数,提取聚类样本所隐含的模式特征,并对其进行自组织,在竞争层将聚类结果表现出来。采用量子门更新量子权值,分无监督和有监督两个阶段完成网络的训练。仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络。

污水处理过程的QSOM出水水质预报

针对活性污泥污水处理过程中微生物活动的不确定性、生化反应的复杂性及工艺参数的强耦合和大滞后等特性,提出一种量子自组织特征映射神经网络(QSOM)方法来进行出水水质预报。该方法将出水水质在异常情况下所对应的进水数据样本转换成量子态形式提交给网络输入层,通过计算量子输入与相应权值的相关系数作为网络的最佳输入匹配,学习规则中采用量子门更新网络权值。最后通过某污水处理厂生化处理过程中的实际运行数据的实验表明所提预报方法是有效的。

基于QSOFM的胃粘膜肿瘤细胞图像识别

针对胃粘膜肿瘤细胞图像的高维性、不规则性及复杂性的特点,常用的分类方法识别率不高。为了提高识别率,提出了一种基于量子自组织特征映射神经网络(quantum self-organization feature mapping neural networks,QSOFM)的胃粘膜肿瘤细胞图像识别方法。该方法将经过主成分分析(principal component analysis,PCA)降维后的图像样本输入到QSOFM中,对其进行无监督和有监督相结合的训练,使得每类胃粘膜肿瘤细胞图像对应精确和唯一的神经元,以此达到将胃粘膜肿瘤细胞图像分为癌、增生、正常三类细胞。实验结果表明,该识别方法在识别率和可靠性方面达到了良好的效果,相比于其他分类算法在识别率上有较大程度的提高,体现出QSOFM在图像识别领域的应用潜力。

基于系统特性盲辨识的齿轮箱故障诊断

盲系统辨识是仅由输出数据来获得系统特性函数的一种信号处理方法。系统特性只与自身的结构相关,一种工况就对应着一种特定的系统特性。将系统结构及工况两者结合分析,可有效应用于齿轮箱的故障诊断。首先,利用独立分量分析对获得的的信号进行预处理,提取出包含故障频率的信号作为系统模型的响应信号。其次,高阶累积量具有消除和衰减高斯噪声的特性,使用高阶累积量构建时间序列模型。最终,依据模型的系数计算得到的ARMA双谱定性分析,用量子自组织特征映射网络给出定量的判据。实验结果表明,此方法对齿轮箱故障的存在和故障类型的诊断,可以提供一些有价值的结论。