基于MobileViT的岩石薄片图像岩性识别方法研究

岩石薄片图像中包含了大量肉眼无法观察到的地质特征信息,对岩石薄片图像的岩性识别结果为后续的石油勘探和开发奠定了基础。针对岩性识别数据集不均衡、识别模型参数多等问题,提出一种改进的轻量化MobileViT模型,该模型针对涵盖了90%以上常见岩性的岩石薄片图像进行建模分析。首先,为使模型更好地学习到每类岩石薄片图像中所包含的独特特征,对数据集进行数字增加。其次,使用GELU替换MobileViT中MV2模块中常规ReLU6,从而作为该模块的激活函数,有效解决神经元死亡的问题,提升模型的收敛速度。最后,划分训练集和测试集,使用余弦退火算法自动更新学习率,以迁移学习加速训练过程,实现岩石薄片图像中针对岩性的自动识别。实验结果表明,改进后的MobileViT对岩性识别的准确率达82.9%,模型的参数仅为7.66M,通过实例验证该算法具有较好的鲁棒性。

基于贝叶斯单源域领域泛化算法的天然气管道故障智能诊断

基于深度学习算法的故障智能诊断模型已被广泛应用于天然气管道运输安全领域,然而管道通常处于准稳态,使得训练集中的故障样本量受限。为此,针对天然气管道故障诊断中因训练集故障样本量有限,导致难以准确诊断的问题,提出了一种基于贝叶斯单源域领域泛化(BSDG)算法,部署了一种攻击防御策略,通过在攻击阶段明确伪目标域增强路径,并在防御阶段引导模型参数的后验分布向伪域样本得分更高的方向调整,增强模型在面对不同域扰动时的适应性和鲁棒性。研究结果表明:(1)基于贝叶斯网络建立的非定向攻击模型确保伪域样本既保留了与源域的相关性,又引入了足够的域差异来模拟潜在的目标域,由此提升了多源域和单源域设置下的领域泛化诊断准确率;(2)测试结果显示,BSDG算法在多源域泛化任务及两项单源域泛化任务中,相较于性能最优的对比算法,其准确率分别提高了9.79%、5.09%和27.98%;(3)裕度差异损失通过在学习决策边界的过程中引入不确定性,令分类器可以灵活且有效应对频繁的分布变化,显著性测试结果表明BSDG算法在多数场景下显著优于先进对比算法;(4)贝叶斯神经网络通过在权重上引入不确定性,有效提升了BSDG算法的泛化稳定性。结论认为,BSDG算法通过使用基于贝叶斯推理的攻击防御策略,有效扩展了源域模型的决策边界,解决了实际场景数据匮乏导致的深度神经网络泛化能力差的问题,为样本受限情形下的天然气管道故障诊断模型设计提供了理论支撑。

重放攻击下多智能体系统H_(∞)一致性PID控制

本文针对一类带有加性噪声和乘性噪声的离散多智能体系统,研究重放攻击下多智能体系统的H_(∞)一致性比例-积分-微分(PID)控制问题.首先,根据智能体的测量输出设计状态观测器,对智能体的状态进行有效估计,观测器设计过程中考虑了系统测量输出从传感器传输到观测器过程中受到重放网络攻击的影响.然后,利用智能体与其邻居智能体的估计状态差设计PID控制器.利用李雅普诺夫稳定性理论和代数图论,证明在该控制策略下,多智能体系统在重放攻击存在的情况下达到预期的H_(∞)性能指标.最后,利用线性矩阵不等式(LMI)方法求解观测器和控制器增益,利用数值仿真验证了所设计的观测器和PID控制器的有效性.

多尺度神经网络煤层气微地震检测研究

在煤层气勘探开发中,通过微地震监测技术掌握裂缝走向,调整采煤巷道位置、方位对安全生产具有重要意义。因此,提出一种基于多尺度卷积神经网络的微地震检测方法,较好地解决了在强干扰环境下的弱信号识别的问题。研究表明:在不同强度的噪声干扰下,本文方法的检测精确率和召回率均优于小波分析法、BP网络和卷积神经网络等方法,且具有较好的抗噪性。当信噪比大于6 dB时,模型检测召回率可达到90%以上,精确率可达到92.1%以上。通过黑龙江某地区实际煤层气微地震监测数据的验证,模型具有良好表现。

基于特征强化U⁃Net的地震速度反演方法

基于深度神经网络的地震速度反演方法面临的挑战是:时间域地震数据与空间域模型信息间语义映射的弱对应关系导致多解性;神经网络将地震数据映射到速度模型过程中缺少有效引导,易受噪声干扰,影响反演精度。为此,提出一种基于特征强化U‑Net的地震速度反演方法。首先,通过多炮地震数据特征叠加使输入网络的地震时间序列信号与对应速度模型之间的空间关系更加明确;其次,基于多尺度特征融合的思想设计具有不同尺寸卷积核的模块,以增强网络对有效特征的学习能力;然后,利用注意力门引导网络,增强网络重点关注的特征;最后,结合瓶颈残差和预激活的思想,在网络中加入预激活瓶颈残差,避免梯度消失和网络退化。实验表明,该方法在地震速度反演方面具有更高的精度,并在抗噪声测试中效果较好,具有一定的泛化能力。

基于多模态神经网络的微地震事件检测

针对微地震有效信号时序特征存在的局限导致微地震事件识别准确率不高的问题,提出了一种基于多模态学习的神经网络微地震事件检测方法。首先,利用道集数据的相关性以目标道为轴对称制作多道时域模态,对目标道进行时频分析得到S域模态特征;然后,联合时域模态和S域模态设计微地震事件检测神经网络,综合多模态的特征进行训练学习,提高微地震事件识别的精度;最后,为验证方法的有效性,对合成微地震信号进行低信噪比数据分析、小幅值数据分析以及实际油井微地震监测信号事件分析。结果表明,该方法可以有效检测低信噪比及微弱的微地震事件;与支持向量机、卷积神经网络、基于监督机器学习方法的对比实验结果表明该方法具有更高的抗噪性与准确率。

应用生成对抗网络的地震数据重建和去噪一体化方法

在实际采集过程中,受地形条件和人为因素的影响,地震数据不仅在空间上会出现采样不足或不规则的情况,而且会混入噪声,不利于后续地震数据的处理和解释。通常将重建与去噪分为两个阶段处理,这样往往会引入额外的误差。为此,文中提出了一种基于条件韦氏生成对抗网络(cWGAN)的地震数据重建去噪一体化方法,该方法研究的重点是在缺失道和噪声的混合干扰下,准确提取地震数据的有效特征。首先,以U-Net模型为基本网络结构来构建生成器模型,分级提取地震数据同相轴特征;在判别器模型中引入条件约束,引导生成器优化梯度方向。其次,建立重建和去噪误差描述模型,该模型设计了一体化损失函数,可以兼顾重建与去噪两方面的处理任务。最后,经过合成数据和实际数据测试,证明文中所提的网络模型恢复的地震数据信噪比更高且具有较强鲁棒性。

改进注意力机制嵌入PR-Net模型的水稻病害识别仿真

针对现有的CNN模型在水稻叶部病害的识别中准确率较低的问题,提出了一种结合并行结构和残差结构的混合卷积神经网络模型PRC-Net(parallel residual with coordinate attention network)。引入并行结构,提高卷积的感受野;结合残差结构,使特征信息完整的连续传递;在骨干模型PR-Net中嵌入改进的空间注意力机制,增强对不同尺度病斑特征信息的凝聚程度;为进一步提升病害识别的准确率,并减少模型的训练时间和推理时间,通过改变加权方式对模型结构进行优化。仿真结果表明:与InceptionResNetV2等分类模型相比,PRC-Net具有更少的训练参数、更短的训练时间和更高的识别精度,性能优于其他作物病害识别模型。

基于EM-KF算法的微地震信号去噪方法

针对微地震信号能量较弱,噪声较强,使微地震弱信号难以提取问题,提出了一种基于EM-KF(Expectation Maximization Kalman Filter)的微地震信号去噪方法。通过建立一个符合微地震信号规律的状态空间模型,并利用EM(Expectation Maximization)算法获取卡尔曼滤波的参数最优解,结合卡尔曼滤波,可以有效地提升微地震信号的信噪比,同时保留有效信号。通过合成和真实数据实验结果表明,与传统的小波滤波和卡尔曼滤波相比,该方法具有更高的效率和更好的精度。

基于核聚类的砂岩图像孔隙分割方法

砂岩孔隙识别是研究孔隙结构的一个重要步骤,采用通用的图像分割算法不易得到理想的图像孔隙分割效果,为此提出了一种使用EfficientNetV2-S模型和核K-Means聚类技术对孔隙进行分割的方法。首先,获得砂岩图像的超像素集合,使用超像素方法预分割输入的致密砂岩图像,构建带标签的孔隙与非孔隙图像库;然后,应用EfficientNetV2-S模型提取砂岩图像的孔隙和非孔隙的语义特征,并结合迁移学习的方法,使用有限的砂岩图像的孔隙和非孔隙样本进行EfficientNetV2-S模型参数学习;最后,设计了一种基于K-Means聚类的区域合并方法——NTK-KCoP方法,根据超像素的语义特征、灰度特征和边缘特征构建目标函数,再由聚类结果合并超像素得到完整的孔隙区域。砂岩CT图像的实验结果验证了所提出的孔隙分割方法的适用性和有效性。

基于VMD的广义三次互相关管道泄漏定位检测

针对天然气管道泄漏检测声波定位技术中,二次互相关时延估计算法存在较大误差的问题,提出了一种基于变分模态分解(VMD)结合广义三次互相关的时延估计算法。该方法首先利用VMD算法对两路信号进行分解并重构信号;其次,在二次互相关的基础上再进行一次相关,并在互相关算法的峰值检测阶段引入希尔伯特变换(HT),对峰值进行尖锐化处理,成为一种新型的广义三次互相关时延估计算法。通过对平台搭建的油气管道泄漏检测系统采集数据进行模拟试验,分析了各算法的精度。试验表明,相较于二次互相关,改进广义三次互相关时延估计算法定位平均精度有明显的提升,有着更高的精度和更好的抗噪性能,在天然气管道泄漏定位方面有着更广泛的应用前景。

占空比传输机制下基于协同预测的时变不确定系统递推滤波

以工业互联网为背景,研究占空比传输机制下一类时变不确定系统的滤波问题,结合协同预测方法设计了新颖的递推滤波算法,解决了占空比传输机制下滤波性能降低的问题。首先给出描述占空比传输机制的数学模型,然后提出结合协同预测方法的递推滤波方案,设计基于占空比机制的递推滤波算法,推导了滤波误差协方差矩阵的一个上界,随后分析这个上界的有界性,实现了在稀疏数据情形下提高滤波性能的目的。仿真结果验证了所提算法的高效性和有效性。

基于VMD去噪及多尺度模糊熵的管道小泄漏研究

针对天然气管道微小泄漏信号的特征在单一尺度上难以全面提取的问题,提出一种基于变分模态分解(VMD)与多尺度模糊熵(MFE)结合的管道小泄漏信号识别方法。首先使用VMD算法对管道负压波信号进行降噪处理,通过欧氏距离(ED)法评估确定VMD分解的有效模态并对其进行重构,以重构信号信噪比最高原则确定VMD分解的模态个数;将多尺度模糊熵作为故障特征值向量,最后用支持向量机对特征值向量进行分类识别。实验结果表明:该方法对管道信号状态整体识别率达99.33%,证明了该方法总体识别效果较好,可实现对管道小泄漏信号的准确识别。

PSO-VMD-SVD的改进去噪方法研究

针对VMD(Variational Mode Decomposition)在处理信号时,模态个数K和惩罚参数α的选择会影响信号分解的效果,提出一种改进PSO(Particle Swarm Optimization)优化VMD(PSO-VMD)的算法,通过改进阈值相关系数法选择有效模态分量,根据信号分析对高频噪声进行奇异值去噪重构。对仿真信号和管道泄露信号进行实验,通过选择多个K并结合相关系数法选择模态进行重构,比较不同K对应的重构信号与原信号的信噪比(SNR:Signal to Noise Ratio)、相关系数(CC:Coefficient)、平方绝对误差(SAE:Square Absolute Error)、均方误差(MSE:Mean Square Error)证明改进PSO优化VMD的可靠性。将该方法与改进的PSO-VMD结合豪斯特夫距离和奇异值(HD-SVD:Hustoff Distance-Singular Value Decompositio)、互信息和奇异值(MI-SVD:Mutual Information-Singular Value Decompositio)、相关系数和小波变换(CC-WT:Correlation Coefficient-Wavelet Transform)等方法对比,效果更佳。

事件触发机制下的多速率多智能体系统非脆弱一致性控制

针对一类多速率多智能体系统,研究在事件触发机制下的非脆弱H_(∞)一致性控制问题。为了更符合实际需要,采用多速率采样策略,并通过提升技术将多速率采样转化为单速率采样。考虑到智能体间的通信负担,引入事件触发机制来减少智能体间的通信次数。此外,考虑到控制器在执行过程中可能出现的不精确性,本文设计一种可以容忍执行过程中变化/波动的控制器。综上,本文的目的是设计一种基于观测器的事件触发非脆弱控制器来实现多智能体系统的H_(∞)一致性控制。利用线性矩阵不等式技术,得到使系统满足H_(∞)一致性控制的充分条件,然后设计控制器参数。最后,为了说明事件触发控制方法的有效性,给出一个数值仿真实例。

基于事件触发的全信息粒子群优化器及其应用

针对标准粒子群优化算法存在早熟收敛和容易陷入局部最优的问题,本文提出了一种基于事件触发的全信息粒子群优化算法(Event-triggering-based full-information particle swarm optimization,EFPSO).首先,引入一类基于粒子空间特性的事件触发策略实现粒子群优化算法(Particle swarm optimization,PSO)的模态切换,更好地维持了算法搜索和收敛能力之间的动态平衡.然后,鉴于引入历史信息能够降低算法陷入局部最优的可能性,提出一种全信息策略来克服PSO算法搜索能力不足的缺陷.数值仿真实验表明,EFPSO算法在种群多样性、收敛率、成功率方面优于其他改进的PSO算法.最后,应用EFPSO算法对变分模态分解(Variational mode decomposition,VMD)去噪算法进行改进,并在现场管道信号去噪取得了很好的效果.

基于物理约束U-Net网络的地震数据低频延拓

由于震源与采集技术的影响,地震勘探数据往往缺失低频信息,严重影响后续的反演和成像处理。现有的地震数据低频延拓方法,大多建立在时域数据分布特征的基础上,容易导致频率与相位信息严重损失。为解决该问题,文中提出一种基于地震波物理参数约束的U-Net深度学习网络进行地震数据低频延拓。首先,利用理论引导数据的思想组织样本,生成大量不同特征的地震数据;然后,通过结合残差跳跃连接改进的U-Net模型学习从中高频地震数据生成低频成分的非线性映射;最后,结合地震信号的物理参数约束提升对频率、相位的恢复效果。实验证明,文中所提方法对地震数据低频恢复具有较好的效果,并在频率与相位的保持上优于同类方法,对提高后续的处理与解释精度具有较高的实用价值。

基于双注意力U-Net网络的提高地震分辨率方法

提高地震数据分辨率的传统方法,如反褶积、Q补偿等,受到子波为最小相位、反射系数为白噪声等假定条件的限制且需要求取复杂参数,不便于实际应用。深度学习方法使用数据驱动的方式可以自适应地刻画输入与目标间的关系,具备良好的自主学习能力,但目前基于深度学习提高地震数据分辨率的方法对注意力信息的利用不够全面。因此,提出一种基于双注意力U-Net网络的提高地震数据分辨率方法。首先,在原始U-Net网络中加入改进的通道注意力模块、空间注意力模块和级联残差模块,不仅可以快速学习高、低分辨率数据间的映射关系,还能够合理分配不同通道和空间的权重、充分利用数据间的相关性;然后,使用L1损失和多尺度结构相似性指数损失的组合作为损失函数,提高模型对局部信息变化的敏感度,便于恢复细节信息。模拟数据和实际数据的测试结果表明,该方法提升了地震数据的主频,增加了频带宽度,同相轴变得更清晰,细节纹理信息更丰富,有效提高了地震数据的分辨率。

基于VMD-MD的油气管道泄漏信号去噪方法

针对油气管道泄漏检测时,采集的泄漏信号会受到噪声信号干扰而影响监测精度的问题,提出变分模态分解(VMD)和马氏距离(MD)相结合的去噪方法。该方法首先利用VMD分解信号,得到多个模态分量,再依次计算出各模态分量概率密度与原采集信号间概率密度的马氏距离来区分有效模态分量和含噪模态分量,最后选择有效模态分量进行重构,从而达到信号去噪目的。与其他去噪方法在仿真模拟信号试验和实际管道泄漏信号试验中进行对比,该方法的输出信噪比是最高的,为46.7740 dB,而均方误差是最低的,为5.1972×10^(-7),表明该方法在去噪效果方面具有一定的优越性,为后续油气管道的泄漏识别奠定了良好的基础。

CNN与BiLSTM相结合的水稻病害识别新方法

针对水稻病害图像识别中浅层特征无法记忆、深层特征提取不充分、序列特征鲁棒性较弱等问题,提出一种将CNN与BiLSTM相结合的水稻病害识别新方法。首先,利用卷积神经网络自动提取水稻病害的浅层特征;然后,利用BiLSTM中各个循环单元之间的反馈链接可以充分挖掘和记忆水稻特征序列数据中的上下文相关信息和位置信息的优势,将浅层特征与序列特征结合形成一个新的特征序列,解决了特征无法记忆、提取不足的问题;最后,使用全局平均池化层代替全连接层,以减少参数、防止过拟合。针对自建的水稻病害数据库,试验结果显示:所提出模型的水稻病害平均识别精确率达到了99.38%,与CNN和CNN-LSTM模型相比,所提出模型分别提高0.63、1.38百分点。同时,在召回率和F1值上也显现出了优势,分别达到99.42%、99.39%。因此,所提出的方法提升了水稻病害识别精确率,可应用于实际的水稻病害诊断中。