噪声预测点到飞行轨迹的最短距离测算

应用三角摄影测量的基本原理探讨了采用多台摄像机对飞机进行三维交会定位的思想。根据成像系统的共线方程推导了飞机定位的数学模型及其最小二乘解。综合考虑飞机的飞行特点,制定了与之相应的分区域接力测量系统;并应用该系统成功得到了飞机起飞着陆阶段的飞行轨迹。基于采样数据时间上的延续性和规律性,提出了一种变时间步长的搜索逼近算法,优化了预测点到飞行轨迹的最短距离计算过程。实验表明,基于摄像测量的飞机定位与轨迹测量方法可行、结果稳定,可与机载GPS相互补充。基于变时间步长的搜索逼近算法可大大减小计算工作量,提高效率。

民居建筑室内空间热环境多点能耗精准预测

在民居建筑室内热环境多点能耗预测时,若不能有效确定热环境下室内当前状态下舒适程度,会直接影响能耗预测精度。因此,提出考虑舒适度的民居建筑室内空间热环境多点能耗预测方法。根据室内状态建立民居建筑内热环境模型,采用主元分析法获取能耗评价指标,构建热环境下室内能耗指标评价体系,并利用指标建立评价模型,从而确定室内当前热环境能耗;将确定指标作为模型输入向量,利用RBF神经网络构建室内能耗多点预测模型;通过建立的模型实现对民居建筑室内空间多点能耗的精准预测。实验结果表明,所提方法开展室内能耗多点预测时,预测精度高、效果好。

船载投料系统饲料颗粒流落点预测

【目的】为解决网箱养殖中使用船载投料系统的饲料颗粒流落点控制问题,提出一种用于实时分割饲料颗粒流轨迹并精确预测其落点的方法(MLBP)。【方法】考虑到输料管管内参数及饲料颗粒流出口参数获取难度较大,本研究采用高速相机获取饲料颗粒流轨迹图像,并利用提出的混合网络模型分割饲料颗粒流轨迹,以获取轨迹关键信息;为准确预测饲料颗粒流落点,利用BP神经网络的优势,将轨迹信息及投料口高度作为其输入,实现饲料颗粒流落点的预测。【结果】与相关研究方法对比,结合混合网络模型与BP神经网络的MLBP方法的系统单次运行时间降低95%,同时落点预测准确度达到96%,落点的平均误差范围与平均误差百分比也分别降低32.0%和30.5%。【结论】本研究提出的MLBP方法预测精度及实时性均能满足网箱投饵作业需求,可为相关研究提供参考。

南阳凹陷砂砾岩体甜点区预测及效果

南阳凹陷黑龙庙地区砂砾岩体规模小,多期砂体叠置,沉积期次划分难,非均质性强、甜点区难以预测。为此,利用可视化技术对三维地震资料进行精细构造解析与古构造恢复,研究砂砾岩体成因。在对5口井层序地层划分基础上,依据砂组-砂体的沉积旋回性与地震反射结构,划分砂砾岩体沉积期次;通过岩石物理分析与正演模拟明确砂砾岩体地球物理响应特征。通过井点处扇根、扇中、扇端地震反射特征与相同层位其他点处的地震反射特征进行相关分析,确定扇根、扇中、扇端的平面分布;实测砂砾岩体岩性、物性参数与波阻抗属性,交汇分析确定有效区分砂砾岩与泥岩的波阻抗属性的值域。依据高精度反演得到的波阻抗数据体,在砂砾岩体储层波阻抗值域及顶底反射层位控制下,求出有效储层厚度与分布,圈定砂砾岩体储层甜点区的范围。以此为依据在其甜点区上部署的HL1井日产油5.46 m 3,预测结果与实钻井一致。

考虑兴趣序列和特征交互的司机点击率预测模型

车货匹配平台中存在着大量的车货信息,通过对历史数据的分析和处理,能够预测司机点击货物的概率(司机点击率预测),从而为司机推荐货物。据了解,目前还没有研究项目将点击率预测与车货匹配结合起来,更不要说基于此来考虑车货信息中的兴趣序列和特征交互问题。因此,在车货匹配的背景下,文章提出了一种考虑兴趣序列和特征交互的司机点击率预测模型——深度兴趣交互网络(Deep Interest Interaction Network,DIIN)。一方面,在司机兴趣抽取模块中利用Bi-GRU和SENet从司机的历史行为中推断出司机的兴趣点;另一方面,在车货特征交互模块中利用FM和Res Net同时建模低阶和高阶特征交互。通过对某车货匹配平台的数据集进行实验,结果表明模型DIIN与基准模型相比具有更好的性能,即使与DIEN模型相比,在AUC和Log Loss两个评价指标上,模型DIIN分别提升了3.5个百分点和1.8个百分点。这不仅证明了将深度学习和点击率预测用于车货匹配的可行性,也证明了挖掘历史数据中的序列关系和特征交互有助于预测车货匹配中司机点击货物的概率。

三塘湖盆地条湖-马朗凹陷煤层气甜点预测

三塘湖盆地煤层气勘探开发工作仍处于初期阶段,通过建立煤层气资源地质工程一体化评价方法,预测煤层气开发甜点区。结果表明,条湖-马朗凹陷煤层气赋存条件优越,9^(#)煤层主体埋深600~2600 m,含气量1.3~4.5 m^(3)/t,煤层厚度5.0~60.9 m,构造较为简单,顶底板岩性均以泥岩为主。优选煤层厚度、埋藏深度、顶底板岩性、构造、沉积相带、孔隙度、渗透率、脆性指数、破裂压力、泥质含量10个参数作为评价指标,预测煤层气甜点区(Ⅰ类区)主要分布于条湖凹陷东北部和马朗凹陷西部。

沁水盆地榆社—武乡区块二叠系煤系页岩储层地质建模及“甜点”预测

沁水盆地煤系页岩气资源丰富,但勘探开发处于初期阶段。基于钻井、测井和地震解释资料,结合有机地球化学与储层物性实验测试数据,通过三维地质建模技术,建立了沁水盆地榆社—武乡区块二叠系山西组底部—太原组上部煤系页岩地质模型,并预测了煤系页岩气“甜点”区。研究结果表明:(1)沁水盆地榆社—武乡区块石炭系—二叠系煤系地层模型反映了煤系页岩储层的发育主要受控于构造活动,呈“东浅西深、整体连续”的分布格局。(2)基于序贯指示法建立沉积相模型,指示研究区在太原期—山西期由海陆过渡相转变为近海陆相沉积环境,为稳定优质页岩储层的形成提供了有利的沉积环境。(3)通过相控属性建模实现了储层参数空间分布模拟和精细表征,泥地比、孔隙度、含气量、总有机碳含量和镜质体反射率的平均值分别为0.57,10.02%,1.21 m^(3)/t,2.18%,2.45%,揭示了研究区煤系页岩较好的储集能力、含气性、有机质丰度和资源潜力,脆性指数模型指示出页岩压裂后的有利区带。(4)在精细三维地质建模的基础上,将三维网格单元赋值积分,计算研究区二叠系煤系页岩气地质资源量为1 344.98×10^(8)m^(3),运用层次分析法和模糊评价法预测页岩气“甜点”区,Ⅰ类“甜点”区为地质与工程双重甜点,分布于研究区东北部、中部和西北部局部区域。

鄂尔多斯盆地东缘木瓜区下石盒子组致密砂岩储层甜点预测

鄂尔多斯盆地东缘神府木瓜区上古生界属于典型的致密砂岩气藏,储层甜点受岩性、物性多重因素控制。下石盒子组盒8段为辫状河沉积,砂岩与泥岩波阻抗差异小,因此常规波阻抗反演方法和地震属性难以达到有效储层预测。通过神经网络技术,对下石盒子组致密砂岩储层进行预测,应用效果较好,为该技术的推广应用提供了依据。

基于多粒度特征交叉剪枝的点击率预测模型

在推荐系统中,学习有效的高阶特征交互是提升点击率预测的关键.现有的研究将低阶特征进行组合来学习高阶交叉特征表示,导致模型的时间复杂度随着特征维度的增加呈指数型增长;而基于深度神经网络的高阶特征交叉模型也无法很好地拟合低阶特征交叉,影响预测的准确率.针对这些问题,提出了基于多粒度特征交叉剪枝的点击率预测模型FeatNet.该模型首先在显式的特征粒度上,通过特征剪枝生成有效的特征集合,保持了不同特征组合的多样性,也降低了高阶特征交叉的复杂度;基于剪枝后的特征集合,在特征元素粒度上进一步进行隐式高阶特征交叉,通过滤波器自动过滤无效的特征交叉.在2个真实的数据集上进行了大量的实验,FeatNet都取得了最优的点击率预测效果.

页岩油甜点预测技术研究现状及发展趋势

页岩油是我国重要的油气接替类型。基于此,文章总结了页岩油概念、页岩层系层序划分与对比、页岩储层地震响应特征和岩相、裂缝、脆性和地应力等甜点地震预测方法。目前通过页岩储层AVO属性、叠前弹性参数等对页岩油地震响应特征进行总结;介绍了利用叠前弹性参数预测岩相、提出了基于相干、曲率、吸收系数、多方位角地震AVA反演等敏感属性的裂缝预测方法;利用脆性矿物含量或者应力实验结果和弹性敏感参数来进行页岩储层的脆性评价、利用叠前反演进行地应力预测。最后,展望了页岩油地震响应特征和甜点预测发展趋势。

小样本下基于CNN-GRU网络的弹丸落点预测

为充分挖掘弹丸径向速度在时空上的规律,提高弹丸落点预测精度,提出了一种基于卷积神经网络结合门控循环单元的弹丸落点预测方法。分别利用卷积神经网络(CNN)和门控循环单元(GRU)网络对弹丸的径向速度在时间和空间上的强相关性特征进行提取,学习弹丸高度复杂的非线性飞行轨迹,构建弹丸落点预测模型。通过某型炮弹径向速度数据作为训练集和测试集进行弹丸落点预测,并与MLP、LSTM和CNN-LSTM时序预测方法进行比较。实验结果表明,CNN-GRU预测模型能够有效提取径向速度序列中的时空间信息,学习出弹丸相对雷达的位置,相比其他模型具有预测精度高、收敛速度快且稳定性好的优势。

东海M构造中深层低渗气藏“甜点”预测技术

近年来,构造-岩性复合型油气藏已逐渐成为东海“扩储增产”的重要领域,提高“甜点”储层钻遇率对于勘探开发一体化设计的部署与落实具有重要意义。研究区低渗气藏储层厚、埋深大,内部非均质性强,孔渗关系复杂,地球物理响应特征差异小,亟待开展低渗气藏“甜点”储层的精细表征研究。以地震岩石物理为驱动,利用杨氏阻抗Eρ区分碎屑岩储层与非储层,通过分类寻优认为,剪切模量μ为洁净、粗粒、高渗透率优质储层的综合敏感弹性因子。为了削弱岩石骨架孔隙度的影响,采用高灵敏烃检因子Fρ开展烃类检测,最终结合岩性、“甜点”和烃检属性体以精细表征优质“甜点”储层富集区。应用效果证实:该方法的“甜点”预测吻合度达到86.07%,为井位部署和轨迹优化提供了重要依据,可推广至类似区块以供借鉴。

某型离心叶轮共振疲劳危险点预测及试验验证

高阶模态对高周疲劳失效有很大影响,但对高阶模态下的离心叶轮振动特性研究较少。本研究建立某型离心叶轮有限元模型,并通过测频试验验证了模型的准确性;开展离心叶轮高阶振动特性分析,获得了危险点位置;开展了试车试验,分析叶轮裂纹特性,验证危险点位置预测方法的合理性。结果如下:离心叶轮主1阶固有频率仿真计算结果与试验结果的误差仅为1.2%;叶轮相对应力最大值位于排气边主叶片叶根处,此处即为共振疲劳危险点;叶轮裂纹性质为高周疲劳裂纹,裂纹起源于排气边叶根处,与有限元分析结果一致,证明了使用共振频下的振动应力预测其共振疲劳危险点的合理性。本研究的结论可以为离心叶轮的设计和改进提供理论基础和技术支持。

基于贝叶斯优化卷积神经网络的路面光伏阵列最大功率点电压预测方法

路面光伏阵列上快速行驶的车辆,所形成的车辆阴影具有复杂的动态随机分布特性,将导致路面光伏阵列的输出功率-电压(P-V)特性曲线呈现动态多峰特性,给路面光伏阵列最大功率点跟踪(maximumpowerpointtracking,MPPT)控制带来挑战。基于此,文中提出一种基于贝叶斯优化(Bayesianoptimization,BO)卷积神经网络(convolutional neural network,CNN)的路面光伏阵列最大功率点电压预测方法。首先,将路面光伏阵列的光照和温度的环境信息以图像形式输入基于贝叶斯优化CNN的最大功率点电压预测模型进行学习;然后,利用训练出的预测模型,对当前时刻下路面光伏阵列最大功率点工作电压进行预测;最后,仿真和试验结果表明,提出的预测模型具有良好的适应性,能够精准预测不同车辆阴影工况下的路面光伏阵列最大功率点工作电压,尤其是大幅度提高最大功率点工作电压的预测速度,为动态随机车辆阴影下路面光伏阵列的最大功率点跟踪控制奠定基础。

基于分层注意力图神经网络的点击率预测模型

点击率预测是推荐系统和在线广告中的一项基本任务,大多主流模型主要通过高阶特征和低阶特征交互建模以提高模型性能和泛化能力,然而很多模型只学习了每个特征的固定表示而没有考虑在不同上下文中每个特征的重要性。针对基线模型(Feature Refinement Network,FRNet)在不同上下文无法灵活处理重要特征选择,并且缺乏良好解释性的问题,提出了一种特征细化分层注意力图神经网络(Feature Refinement Graph Neural Network and Hierarchical Attention,FRGNN-HA)模型。首先,在基线模型中融合图神经网络结构,利用图神经网络聚合邻节点和自身节点特征以实现在非欧式空间新节点的表示向量的更新,从而提升在不同上下文的重要特征选择能力和良好的解释性。其次,在图神经网络的基础上设计分层注意力网络,让模型可以更好地自适应关注重要上下文信息,并且可以在噪声和复杂场景下依然保持较好的性能。最后,FRGNN-HA通过在Criteo、Frappe和MovieLens这3个数据集上对比实验结果表明,与基线FRNet模型相比,曲线下的面积(Area Under Curve,AUC,记为AUC)指标分别提升了0.07%、0.29%和0.06%,交叉熵损失函数Logloss(记为Lloss)分别降低了0.08%、0.81%和1.09%。

基于场矩阵分解机和CNN的点击率预测模型

点击率预测是在线广告和推荐系统的基本任务之一.主流模型通常通过对高阶和低阶特征进行特征交互建模来提升性能和泛化能力.然而,许多模型往往仅学习每个特征的固定表示,而忽视了特征在不同上下文中的重要性,并且一些模型结构过于简单.因此,本文提出了特征细化卷积神经网络融合场矩阵分解机(FRCNN-F)模型,以解决这些问题.首先,在特征细化网络(FRNet)中融合了卷积神经网络的特征生成模块,利用其在局部模式下重新组合生成新特征的优势,提升了重要特征选择能力.其次,设计了场矩阵分解机,使模型能够感知上下文并通过不同场的交互进行显示建模,从而增加了子模型的组合方式.最后,通过在Frappe和MovieLens两个公开数据集上对比实验,实验结果表明,FRCNN-F模型相比基线FRNet在AUC得分分别提升了0.32%和0.40%,交叉熵损失函数Logloss分别降低了1.50%和1.11%.该研究对于实现广告的精准投放和个性化推荐具有实际应用的价值.

基于改进Fi-GNN模型的点击率预测方法

为解决基线模型(Fi-GNN)特征交互模块设计不合理的问题,提出一种基于改进Fi-GNN模型的点击率预测方法(Fi-GNN-V2)。针对特征交互模块的邻接矩阵没有考虑到异构节点间的多元关系,在计算异构节点间相互作用的权重时增加边类型的嵌入向量,得到更合理的邻接矩阵;通过多头聚合多个子空间的邻居信息学习不同方式的特征交互;融合二阶以及三阶特征组合解决特征交互模块造成特征域的语义信息丢失问题,设计注意力模块抑制无用特征组合对模型学习的干扰;为进一步提升模型的性能,结合深度神经网络隐式捕捉高阶非线性的特征组合进行联合预测。实验结果表明,该方法优于其它主流点击率预测模型。

基于压缩激励网络的注意力因子分解机的点击率预测模型

在互联网技术日趋成熟的今天,广告的点击率(click-through rate,CTR)预测得到越来越多的关注。在特定的商业环境下,广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重要特征。针对上述问题,提出了基于压缩激励网络的注意力因子分解机的点击率预测模型(squeeze and excitation network based attentional factorization machines model for click-through rate prediction,SEAFM),SEAFM模型通过压缩和激励网络来动态学习特征的重要性,通过注意力网络来学习特征交互的权重,通过深度神经网络(deep neural network,DNN)模块来隐式建模高阶特征交互。实验结果显示,SEAFM模型比现有相关模型具有更好的性能。

基于结构特征的药物靶点亲和力预测

预测药物与其靶向蛋白的结合亲和力是研发新药的关键步骤。传统的湿实验耗时长,成本高。随着人工智能技术的快速发展,在药物筛选阶段应用深度学习的技术可以大幅度提升研发效率。针对上述问题,提出一种基于卷积神经网络预测药物靶点亲和力的方法。将蛋白质和小分子的结构特征分别转换成对应的三维矩阵,送入对应的三维卷积神经网络中进行训练,然后再通过若干层全连接神经网络提取特征值,得到最终的亲和力值。实验结果表明,该模型可有效地预测药物靶点亲和力,具有良好的应用前景。

药物靶点预测中类别不平衡问题的研究进展

针对药物靶点预测中类别不平衡的问题,归纳总结相关学者提出的各种处理方法,力求改善药物靶点预测中类别不平衡状况,为药物靶点预测的相关研究提供有利的参考和借鉴。以中国知网、维普、万方数据和PubMed作为主要文献检索平台,查询整理相关文献,对药物靶点预测中类别不平衡问题的研究进行综述。共检索到相关有效文献81篇,结果显示类别不平衡问题主要从数据层面、学习算法层面和构造负样本层面着手处理。其中,数据层面的方法主要通过减少或增加一定的数据来平衡数据集;学习算法层面的方法主要利用半监督学习和集成学习思想来使分类算法适用于不平衡数据或构造出平衡数据集;构造负样本层面的方法则是采用一些策略从大量未标记样本中筛选出高可靠的负样本。药物靶点预测中类别不平衡问题的处理方法较多,不同的方法均有特色,但各方法之间无明显差异,都可一定程度上提高药物靶点预测水平,从而为药物靶点预测相关研究提供有力的技术支持。