应用自适应注意力机制U-net的地震数据高分辨处理

随着油气勘探开发的不断深入,薄储层与岩性油气藏逐渐成为重要的勘探目标,这也对地震资料的分辨率提出了更高的要求。文中提出了一种基于自适应注意力机制的U-net地震数据高分辨处理方法。该方法首先利用U-net结构学习地震数据的特征表示,通过下采样过程的编码器提取地震数据的抽象特征,然后通过上采样的解码器进行特征重建和细化。在上采样的过程中引入了注意力机制,用于自适应地调整网络对不同地震特征的关注程度,网络能够更加有效地捕捉到地震数据更多的细节和特征。Marmousi模型合成地震记录和实际数据实验结果表明,新网络比原U-net误差更小、更稳定,可有效提高预测精度,实现对地震数据的高分辨率处理。

混合数据驱动的轻量化YOLOv5故障选线方法

针对传统选线方法精度低、实时性差、易受噪声干扰的问题,提出一种混合数据驱动的轻量化YOLOv5选线方法,简记为MSE-YOLOv5。首先,以零序电流作为区分故障线路与非故障线路的判断依据,为了增强二者间数据对比差异性,利用小波变换将零序电流信号映射为二维时频图;其次,为了扩充样本数量,利用搭建的小电流接地系统仿真模型,通过改变故障点位置、初相位以及接地电阻等参数生成仿真数据,与真实数据构成混合数据集;然后,为了减少选线时背景噪声对微弱故障信号特征的影响,在所搭建检测网络的颈部网络中引入通道注意力模块,从而增强故障特征的表达能力;最后,为了提高选线实时性,在网络中引入轻量化网络以减少其参数量与运算量。为了验证所提出方法的优势,利用某变电站真实故障数据进行测试,并与4种经典算法进行比较。结果表明:所提混合数据驱动的轻量化YOLOv5故障选线方法具有较高精度,其选线精度可达95.2%,即使在噪声干扰条件下,选线精度依然可以保持在90%以上;具有更轻的体量及更快的选线速度,参数量下降至原网络的1/5,计算量下降至1/7,检测速度可达7.7 ms。因此,混合数据驱动的轻量化YOLOv5故障选线方法具有体量小、速度快、精度高的优点,有利于后期将其部署到现场设备中。

基于Curvelet域的注意力机制卷积网络地震数据去噪

【目的】地震资料中的噪声严重影响着对地下地层信息的准确解释。基于地震资料中横向相关性较强的有效信号在Curvelet域分布在特定系数上,而随机噪声在Curvelet域通常会均匀分布于所有系数,可对信号进行更有效的分离。【方法】基于注意力机制卷积神经网络能够聚焦图像的重要特征,自适应提取关键信息的特点,提出一种基于Curvelet变换和注意力机制卷积神经网络(Curvelet-AU-Net)的地震数据噪声衰减方法。首先,将含噪声的地震数据通过Curvelet变换得到Curvelet变换系数,分析有效信号和噪声在Curvelet域的分布情况。其次,使用加入CBAM(Convolutional block attention module)注意力机制的U-Net网络,以含噪地震数据的Curvelet变换系数制作训练集作为输入数据,用无噪地震数据的Curvelet变换系数作为标签,通过比较实际输出与标签的损失函数值,并逐层反向传播梯度来更新网络参数,当损失函数值达到最小时,网络训练完成。最后,将测试数据输入训练好的网络模型中,再对网络输出数据进行Curvelet反变换即可得到地震数据去噪结果。【结果和结论】模拟数据与实际数据处理结果表明,与传统方法和普通卷积网络相比,该方法在不同噪声水平和尺度条件下对常见噪声(如随机噪声等)的衰减效果更优,获得的地震信号信噪比和保真度更高。由于该方法融合了Curvelet变换的稀疏表示优势和深度学习模型的自适应性,将为地震数据噪声衰减提供一种新的解决途径。

基于HCPN的复杂BPMN协作模型数据流建模与验证

为了保证复杂BPMN协作模型的正确性,不仅要涵盖多实例和子进程等复杂元素,还要在检测控制流错误的同时检测数据流错误。但业务流程建模标注(BPMN 2.0)缺乏形式化语义的描述,这对模型正确性的验证造成了阻碍。因此,给出了一种具有弧权重的层次化着色Petri网(HCPN)的定义,它既可以对数据流进行形式化表示,又可以对多实例和子进程结构进行建模。进一步提出了从BPMN协作模型到HCPN模型的形式化映射方法。然后基于HCPN模型的弧权重给出了缺失、丢失和冗余3种数据流错误的定义,并提出了对应的检测算法。最后,设计了一个自动化建模与验证的框架,通过一个案例研究说明了该方法的有效性。

基于CBAM VGG16-UNet语义分割模型的建筑物提取研究

针对在遥感影像建筑物提取中常常出现“漏检”“错检”“空洞”等问题,提出了融合双注意力机制的CBAM VGG16-UNet网络,用于建筑物提取研究。基于U-Net网络架构,在下采样部分,用VGG16前5个卷积块代替U-Net网络的编码器部分,在上采样的每个特征融合时引入双注意力机制CBAM,并用双线性插值代替U-Net的转置卷积。使用WHU建筑物数据集以及贵阳建筑物数据集进行了模型验证,与Mobile-UNet、U-Net、VGG16-UNet 3种建筑物提取网络模型进行对比分析。实验表明,CBAM VGG16-UNet在WHU建筑物数据集上精准率、召回率、F1-score、IoU达到了94.90%,95.46%,95.18%,90.80%,在贵阳建筑物数据集上精准率、召回率、F1-score、IoU达到了77.53%,84.46%,80.85%,67.85%,均优于3种对比模型。为解决建筑物提取常见问题提供了新思路,具有一定的工程应用价值。

智慧城市时空大数据平台建设与实践——以宜兴市为例

在新一代信息技术与城市现代化的深度融合下,智慧城市的建设显得尤为重要。城市时空大数据平台是智慧城市的基础支撑。目前的智慧城市普遍存在时空数据单一、数据更新周期长、信息孤岛现象严重等问题。智慧宜兴时空大数据平台建设项目构建统一的时空基准,将各类信息资源集中于一体,引入基于HMM模型的中文地名地址引擎构建技术,并提出一种基于深度学习的电子地图快速更新方法。该平台可为用户提供大量的时空数据和分析服务,具有明显的社会效益和推广价值,为创建“智慧宜兴”奠定了坚实的基础。

用卷积神经网络U-Net分割对比增强锥光束乳腺CT数据

乳腺肿瘤是一种常见的恶性肿瘤,其临床诊断不但费时费力,还容易出现误诊.本文旨在建立一个基于乳腺数据自动分割的乳腺肿瘤计算机辅助诊断模型,提高临床诊断的速度和准确率.为了用卷积神经网络U-Net模型分割对比增强锥光束乳腺计算机断层扫描(Contrast-Enhanced Cone-Beam Breast CT,CE-CBBCT)数据,本文首先沿冠状面将3维数据转换成2维切片,通过数据默认的窗口对其进行归一化处理.实验结果显示,使用U-Net卷积神经网络对数据进行分割,Dice系数和IoU(Intersection over Union)分别为0.7920和0.6962.然后,本文用不同骨干网络(即各种深度学习分类网络)去替换U-Net的编码器,再次进行分割并对比不同特征提取对分割性能的影响,发现旋转增广方式可以提升各分割网络的性能.其中,基于ResNet152的U形分割网络的性能最好,Dice系数和IoU分别达到0.8410和0.7576.随后,本文又在所有模型中选取5个性能最好的模型组成一个集成模型,重复分割实验,发现此模型有最佳分割性能,平均Dice系数和IoU可达0.8463和0.7676,性能显著提升.值得指出的是,在处理数据时本文仅使用数据默认的窗口,降低了对人工的依赖.

基于多源遥感数据的省域XCO_(2)变化与分析

利用卫星监测XCO_(2)变化已成为一种有效手段。根据2009—2021年的GOSAT卫星数据并结合夜光遥感数据、净初级生产力遥感数据,探究辽宁省近13年XCO_(2)变化趋势,获取XCO_(2)变化的影响因素及XCO_(2)变化造成的影响。研究表明,自2009年起辽宁省XCO_(2)便处于稳定增长趋势,且辽东地区XCO_(2)总体高于辽西地区;通过相关系数计算得,夜光遥感数据与GOSAT数据相关系数较高,说明人类活动与XCO_(2)变化关系密切;NPP数据与XCO_(2)相关系数较低,说明植物的固碳能力并不是影响XCO_(2)变化的主要因素。相关研究可为省域范围的大气CO_(2)排放监测与治理提供一定的决策支持。

空调温控负荷集群参与光伏消纳的潜力评估与互动框架

空调温控负荷集群作为当下最具调节潜力的需求侧响应资源之一,在削峰、填谷、分布式光伏消纳和电网调控中将发挥重要作用。因此,提出一种电力市场环境下,基于数据驱动和深度置信网络的空调温控负荷集群参与分布式光伏消纳的可调节潜力评估与互动框架。首先,利用数据驱动构建了基于深度置信网络的可调节潜力评估模型,实时输出温控负荷集群的可调节潜力;其次,考虑功率调整量在一定范围内变化的前提下,构建基于深度置信网络的需求互动模型,对温控负荷集群进行实时温度调控。最后,以冀北地区某10kV馈线作为实际算例进行分析,结果表明:所提框架能够充分利用空调温控负荷集群的可调节潜力,参与分布式光伏的消纳。

基于数据影响的多对象交互流程偏差检测方法

现有的大多数偏差检测方法能够识别来自流程活动及部分数据属性的偏差,但是无法处理流程执行过程中数据变化对流程的影响问题,尤其是在涉及多对象交互的情况下。针对这一问题,提出了一种多对象交互情况下基于数据影响的业务流程偏差检测方法。首先,基于控制流与数据信息识别可能的偏差活动;然后,根据数据变化对活动的影响定义影响集;接着,将以对象为中心的概念引入偏差检测过程,形式化以对象为中心的Petri网模型,在此基础上,通过分析对象是否对其修改的数据具有执行权限,分类并定义了四种数据影响类型及其计算标准,据此得到基于数据影响的偏差检测结果;最后,与其他偏差检测方法对比验证,结果表明,应用该方法得到的偏差检测结果值得到提升,并且能够处理多对象交互的流程偏差。该方法能够有效捕获多对象交互流程中数据变化影响的流程活动,提高偏差检测的合理性与准确性。

PrivCode:代码生成隐私保护策略

为解决用户使用Copilot等代码生成工具时面临的数据隐私泄露的问题,提出一种在线代码生成隐私保护策略PrivCode。考虑到当前机器学习隐私保护策略往往是基于白盒的前提设计的,难以适用不可知结构下的大型模型,将Copilot视为黑盒并引入代理服务器,通过Mix-Net混淆多个用户的请求,打破用户和代码生成请求之间的映射关系。1-out-of-N不经意传输确保用户接收代码提示的安全。该策略满足定义的3条性质,实验测算结果表明,协议在实际场景中可用。该策略兼顾了用户的安全以及使用需求。

一种自适应数据交易软件模型设计技术

在大数据时代,以数据为基本生产要素的数据经济成为推动社会经济发展的创新动力。数据交易是支撑数据流通和创造数据价值的关键环节。然而,如何设计可靠和可维护的数据交易系统面临许多技术挑战性问题。针对这些挑战,本文提出一种自适应数据交易软件模型设计和验证方法。在分析数据交易业务需求的基础上,提出了一种基于Petri网的形式化数据交易自适应软件建模方法,基于Petri网和模型库方法建立数据交易业务流程的形式化模型和控制策略实施技术,Petri网的形式化语义能够有效支持数据交易系统的性质分析。最后,通过仿真实验说明所提方法的有效性和可行性。

SHINE加速器快联锁系统设计与开发

上海硬X射线自由电子激光装置(Shanghai HIgh repetitioN rate XFEL and Extreme light facility,SHINE)是我国在建的大型科学工程,SHINE高达1 MHz的重复频率和长达数千米的超大规模对加速器联锁系统提出了新的挑战。大型加速器联锁系统必须具有微秒级响应速度、并能同时处理数万个信号需求。通过对SHINE联锁需求的分析,采用现场可编程门阵列(Field Programmable Gate Array,FPGA)技术、分布式控制技术、高速网络通讯技术,完成了快联锁系统设计,并通过可编程控制技术及接口程序开发实现了快联锁与常规慢联锁系统在同一平台上的集成。测试结果表明:研制的加速器联锁系统实现了快、慢联锁之间以及任意站点间的数据交互和扩展,采用1 m电缆连接的多站点响应时间平均值为903.32 ns,800 m电缆连接的多站点响应时间平均值为5.33µs。各项联锁功能和响应时间测试结果均满足SHINE运行要求,同时基于EPICS系统实现了系统的远程控制。

数据缺失下的交通流预测方法研究

文中提出了一种基于节点向量-生成对抗网络的交通流预测方法.通过Node2vec方法实现路网邻接关系的重构,实现路网空间相关性的深度挖掘.基于残差图聚合机制构建了路网数据空间特征的生成器,实现了根据路网中的部分已知数据推演未来路网交通流数据.采用西雅图高速路网速度数据集(Seattle)和加州路网速度数据集(PEMS)验证模型的有效性.结果表明:该模型在不同数据缺失模式、不同数据缺失率下均可以保持鲁棒的交通流预测表现.

基于一种注意力机制U-Net的地震数据去噪方法

受野外采集过程中设备和环境等多种因素影响,地震数据中往往存在表面波、鬼波、随机噪声等各种噪声,影响了地震数据处理和解释的可靠性和准确性。近年来,基于人工智能的方法以其计算效率高、数值效果好等优点成为地震数据去噪的研究热点。U型网络(U-Net)是一种经典的卷积神经网络结构,常用于图像分割任务;注意力机制(Attention Mechanism,AM)是一种能够让模型在学习过程中更加关注特定区域或特征的技术。通过在U-Net网络中添加AM模块,构建了一种具有注意力功能的U型网络(AU-Net),并将其运用到地震数据去噪。为解决去噪过程中产生的边界效应,使用膨胀填充的方法对数据进行切分,该方法通用性较高,可以用于其他网络模型。AU-Net和U-Net的去噪试验结果表明:AU-Net网络去噪的效果比U-Net更好,可更好地保留弱信号;同时,通过迁移学习使AU-Net去噪方法更具适应性。

生成式对抗神经网络的改进及其在地震数据压噪中的应用

常规的生成式对抗神经网络在地震数据去噪过程中受模型限制,地震数据有效信息还原能力差。因此,对生成式对抗神经网络进行改进,以U-net神经网络为基础建立更深层级的生成器神经网络,优化模型的批标准化层和池化层,提升特征还原能力,搭建多尺度判别器神经网络,提升判别器性能,提出一种包含对抗损失、配准损失和结构信息损失的多层次综合损失函数。改进后的模型结构无需预先估计噪声,能够实现端到端的盲去噪功能,神经网络泛化能力强,对数据细节的保护还原水平高。南海北部涠A地区地震数据测试结果表明,改进后的神经网络去噪能力以及对地震有效信息的保护要优于目前常见的去噪算法的结果,去噪过程对地震有效反射信息保护好,地震边界信息成像质量高。与常见的去噪方法相比,改进的生成或对抗神经网络方法在地震数据去噪中具有良好的应用效果,去噪能力强,在实际地震数据处理中具有良好的推广价值。

基于Century与生态遥感综合模型相结合的植被生产力估算

该文研究利用气候数据和气候情景数据驱动Century模型模拟河南部分地区生态系统的净初级生产力(NPP),并利用MODIS植被指数产品与之模型模拟处理的NPP建立线性模型,从而反演整个河南地区的净初级生产力(NPP)。识别结果显示,模拟NPP值与实测NPP值的线性回归系数最高达到0.9,决定系数最高达到0.85,均方根误差最低为2.0 g/m^(2)。结果表明,该文采用Century模型,并利用遥感资料进行植被生产力的估算在河南区域准确度高和普适性强,该方法的应用在未来河南地区植被生产力估算中起着一定作用。

基于3D U-Net++卷积神经网络的断层识别方法及应用

断层解释是地震资料解释的基础与关键,准确合理的断层识别对油气开采有着至关重要的作用。随着油田对断层解释精度需求的日益提高,单纯通过基于人工的如相干体、曲率等属性的传统断层解释方法,其精度已无法满足要求。笔者在U-Net卷积神经网络模型的基础上进行改进,得出了一种自动断层识别方法,能够从任意三维地震图像中自动提取断层。文中该模型在足量样本集训练下,对两区块的实际地震数据进行自动断层识别,将识别结果进行分析对比。实验结果表明,该模型能够对任意三维地震数据进行自动断层识别,基于3D U-Net++网络模型的断层识别结果相比于传统U-Net网络识别结果准确性有明显提高,对潜山内部的小断层识别也表现出良好的效果,明显提高了常规、复杂断层识别的工作效率。

基于中油即时通信的钻井数据推送平台设计开发

为降低钻井现场作业人员数据汇报工作量,规范数据汇报过程,设计开发了基于中油即时通信的钻井数据推送平台。通过对业务现状和需求进行分析,明确以中油即时通信作为推送渠道,确定了推送内容和推送策略,基于.NET框架开发了钻井数据推送平台软件并应用于生产数据推送。实践表明,利用中油即时通信进行数据推送与人工数据汇报相比,具有自动化程度高、数据更加安全的特点,有助于提升数据汇报工作效率和企业的信息化管理水平。

一种基于条件生成对抗网络的强化学习数据增强方法

强化学习用于序列决策问题上取得的成功越来越受到人们的重视,但是当使用高维状态作为输入时,仍然存在数据效率低下的问题。造成这个问题的原因之一是智能体难以从高维空间提取有效的特征。为了提高数据效率,论文提出一种适用于强化学习任务的数据增强方法cGDA(cGANs-based Data Augment),该方法用条件生成对抗网络(cGANs)对环境的动态特性建模,以当前时刻的状态和动作作为条件生成模型的输入,输出下一时刻的状态作为增强数据。训练过程中使用真实数据和增强数据同时训练智能体,有效地帮助智能体从不同的数据中快速提取到有用的知识。在Atari100K基准上,cGDA在26个离散控制问题环境中与采用数据增强的方法比较,在16个环境中获得了更高的性能;与未采用数据增强的方法比较,在14个环境中获得了更高的性能。