-
题名有监督深度学习的地震资料提高分辨率处理方法
- 1
-
-
作者
李斐
牛文利
刘达伟
王永刚
黄研
-
机构
长庆油田勘探开发研究院
西安交通大学电子与信息学部
-
出处
《石油地球物理勘探》
EI
CSCD
北大核心
2024年第4期702-713,共12页
-
基金
国家自然科学基金面上项目“基于频率空间域信号子空间优化的叠前地震资料噪声压制方法”(42374135)
中国石油集团重大专项“致密砂岩气藏提高采收率关键技术研究”(2023ZZ25)联合资助。
-
文摘
地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率。目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数。为此,提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性,借鉴图像超分辨率重建的思想,设计了一种生成对抗网络结构,用以提高地震资料的纵向分辨率;同时,采用L1损失和多尺度结构相似性(MS-SSIM)损失相结合的损失函数提高感知质量,以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示,相较于常规损失函数,文中采用的损失函数可以显著提升智能算法的处理效果,明显改善地震数据同相轴的连续性,且高频细节信息更丰富,验证了该方法的可行性和有效性。
-
关键词
有监督深度学习
多尺度结构相似性损失
l1损失
生成对抗网络
图像超分辨率重建
-
Keywords
supervised deep learning
multi⁃scale structural similarity loss(MS⁃SSIM)
l1 loss function
genera⁃tive adversarial network
image super⁃resolution reconstruction
-
分类号
P631
[天文地球—地质矿产勘探]
-
-
题名基于戴帽L1范数的双支持向量机
被引量:1
- 2
-
-
作者
沈洋
戴月明
-
机构
江南大学物联网工程学院
-
出处
《微电子学与计算机》
北大核心
2020年第1期72-79,86,共9页
-
基金
国家自然科学基金(61572238)
-
文摘
针对双支持向量机模型易受异常点影响导致泛化性能较低的问题,提出了一种基于戴帽L1范数的双支持向量机模型.采用带有上限值的戴帽L1范数代替L2范数来构造最优化问题,一定程度上削弱了离群点、噪音点对于两个超平面构造的影响,增强了模型的鲁棒性.另外,针对构造的新的双支持向量机模型最优化问题提出了一个简单有效的迭代算法并且在理论上证明了该算法的收敛性.在无噪以及有噪UCI数据集上的实验结果表明,与其它支持向量机模型相比,该模型有着更强的鲁棒性以及稳定性.
-
关键词
双支持向量机
l1范数
L2范数
戴帽l1范数
损失函数
-
Keywords
twin support vector machine
l1-norm
L2-norm
capped l1-norm
loss function
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于深度学习的煤矸石检测方法
被引量:9
- 3
-
-
作者
赵学军
李建
-
机构
中国矿业大学(北京)机电与信息工程学院
-
出处
《矿业科学学报》
CSCD
2021年第6期730-736,共7页
-
基金
国家高技术研究发展计划(863计划)(2012AA12A308)
国家高技术研究发展计划(1212011120222)。
-
文摘
针对选煤场的煤矸分离中基于计算机视觉的煤矸石检测方法需要复杂的人工特征设计过程,在YOLOv3目标检测模型基础上,提出一种基于深度学习的端到端煤矸石检测方法。采用深度可分离卷积以及转置卷积对模型的骨干网络进行改进,以缩减模型大小并提高模型运行速度;加入空间金字塔池化模块,改善模型的特征融合能力;引入平衡L1损失函数和距离交并比损失函数,加速模型收敛并提高定位准确性。研究结果表明,所提算法能够实时精准地检测出煤与矸石混合体中的矸石,为提高煤炭质量、改进分拣效率提供有效保障。
-
关键词
深度学习
YOLOv3
平衡l1损失函数
距离交并比损失函数
煤矸石检测
-
Keywords
deep learning
YOLOv3
balanced l1 loss function
distance-IoU loss function
coal gangue detection
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名L_1和L_2规则化趋势滤波的稳健估计
被引量:1
- 4
-
-
作者
谢邦昌
秦磊
-
机构
中央财经大学统计学院
台湾辅仁大学统计资讯学系
-
出处
《商业经济与管理》
CSSCI
北大核心
2013年第8期84-90,97,共8页
-
文摘
当时间序列中包含异常值时,L1和L2规则化趋势滤波不能有效地从中提取趋势成分,因此,文章从稳健性角度出发,用Huber损失函数替代最小二乘损失函数,使用凸优化方法进行求解,得到L1和L2规则化趋势滤波的稳健估计。模拟分析显示,稳健估计量可以很好地抵制异常值的干扰。这种方法可以运用在异常值较多的金融数据中,得到市场趋势的稳健估计。
-
关键词
l1和L2规则化趋势滤波
Huber损失函数
稳健估计
金融数据
-
Keywords
l1 and L2 regularized trend filtering
Huber loss function
robust estimation
financial data
-
分类号
O213
[理学—概率论与数理统计]
-
-
题名L_1和L_2规则化趋势滤波的稳健集成方法
被引量:2
- 5
-
-
作者
秦磊
谢邦昌
-
机构
中央财经大学统计学院
台湾辅仁大学商学研究所
台湾辅仁大学统计资讯系
-
出处
《统计研究》
CSSCI
北大核心
2013年第11期99-102,共4页
-
文摘
Huber损失函数是稳健回归中的经典方法,Berhu罚函数是L1和L2罚函数的集成。为了从异常值较多的时间序列中提取趋势项,本文结合Huber损失函数和Berhu罚函数,提出一种L1和L2规则化趋势滤波的稳健集成方法,该方法对异常值的干扰不敏感,同时吸收了L1和L2罚函数的优点。模拟数据的分析显示,当时间序列存在异常值,而且内在趋势情况未知时,稳健集成方法是一种很好的折中,可以给出较好的估计结果。
-
关键词
l1和L2规则化趋势滤波
Huber损失函数
Berhu罚函数
稳健集成
-
Keywords
Key words: l1 and L2 regularized trend filtering
Huber loss function
Berhu Penalty function
RobustHybrid Method
-
分类号
O212
[理学—概率论与数理统计]
-
-
题名基于残差结构的SSD口罩检测
被引量:2
- 6
-
-
作者
董艳花
张树美
赵俊莉
-
机构
青岛大学
-
出处
《计算机技术与发展》
2021年第12期67-72,共6页
-
基金
国家自然科学基金资助项目(61702293,41506198)
虚拟现实应用教育部工程研究中心开发基金课题(MEOBNUEVRA201601)。
-
文摘
新冠疫情环境下,人们外出均需佩戴口罩进行防护,所以目前对人脸口罩检测的研究迫在眉睫。该文提出一种基于残差结构的SSD(single shot multbox detector)网络用于口罩检测,通过在SSD网络的定位分类前添加残差结构,将特征提取网络和分类定位层进行分离,进而使得进入分类定位层的卷积特征更加抽象,可以有效解决SSD网络同时学习局部信息和高层信息双重任务的问题,维护特征提取网络的稳定性,并利用交叉熵损失函数解决戴口罩和未戴口罩的二分类问题,利用smooth L1 loss损失函数解决口罩位置的回归问题。然后将分类和位置回归做加权计算,通过优化传统的SSD位置误差和置信度误差损失函数,实现人脸佩戴口罩特征和人脸未戴口罩特征的定位和分类,从而提高网络训练速度及检测效率。实验结果表明,ReSSD检测口罩的平均检测精度可达92.3%,比SSD网络提高了7.4%,同时在自然场景下也有高效的检测效果。
-
关键词
口罩检测
残差结构的SSD
分类定位
交叉熵损失函数
smooth
l1
loss损失函数
-
Keywords
mask detection
residual structure SSD
classification positioning
cross-entropy loss function
smooth l1 loss function
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于鲁棒损失函数的标签有噪信号调制方式识别
被引量:4
- 7
-
-
作者
王晓波
尹俊平
徐岩
-
机构
北京应用物理与计算数学研究所
北京科技大学信息与计算科学系
-
出处
《计算物理》
CSCD
北大核心
2022年第4期386-394,共9页
-
基金
国家自然科学基金天元基金重点项目(12026607)
国家自然科学基金(12071024,12031016)资助
-
文摘
针对现实信号调制方式标注易发生错误,即训练数据集中信号调制方式标签存在噪声情形,我们选取l模损失函数及其推广形式作为对标签噪声具有鲁棒性的损失函数,结合深度卷积神经网络优良的自动特征提取能力,提出一种针对信号调制方式存在误判噪声的深度学习算法。该算法在训练数据集合标签噪声率达50%情形下,对信号调制方式的识别准确率依然保持较高水平。相反,对于采用通常的交叉熵作为损失函数的深度卷积神经网络,其已无法对信号调制方式进行分类识别。在公开的数据集上的数值实验表明,所提算法对于标签有噪信号调制方式识别具有较强的鲁棒性。
-
关键词
l1模损失函数
q损失函数
信号调制
有噪标签
信号识别
-
Keywords
l1 norm based loss function
q loss function
signal modulation
label noisy
signal recognition
-
分类号
TN911.3
[电子电信—通信与信息系统]
-