大地电磁主轴各向异性二维理论模型反演分析

地下介质普遍存在各向异性,为反应地下真实地质情况,需建立各向异性模型进行研究。本文主要进行主轴各向异性大地电磁二维反演研究,采用有限单元法作为正演模拟方法,将正演响应结果与前人计算结果进行对比分析,验证了算法的正确性,并对不同方向上电阻率响应灵敏度进行分析。采用非线性共轭梯度法进行反演研究,该方法不需要直接计算雅克比矩阵,相对于其他反演方法节省了计算时间,计算效率高;目标函数的建立对于不同方向上的电阻率采用不同的正则化参数来进行约束。通过复杂的各向异性体模型进行反演,结果显示对于不同方向上电阻率的恢复以及异常体位置的圈定都取得了较好的效果,说明了反演算法的有效性。     

直流电阻率法与音频大地电磁法二维联合反演

为提升电法勘探浅中部的分辨能力,降低单一地球物理数据反演的不确定性,将直流电阻率(DCR)数据和音频大地电磁(AMT)数据进行融合,基于正则化思想实现了DCR和AMT的OCCAM二维联合反演。在此基础之上,通过构建从简单到复杂的地电模型模拟野外实际地质情况,采用本文提出的联合反演技术对DCR和AMT理论数据进行联合反演,并与2种数据的独立反演结果进行对比分析。结果表明,研发的二维联合反演技术能够兼顾浅部和深部的地电信息,反演结果对整个勘探深度内电性变化的分辨能力更为显著。该技术的实现也在一定程度上提升了综合电法勘探地区有效数据的利用率,为直流电阻率法和音频大地电磁法的综合解释提供了一种新的手段。     

基于深度学习算法不同数据集的地震反演实验

近年来,人工智能中的深度学习技术在地震数据处理、反演和解释领域显示出许多优势。以往的研究表明,深度学习与地震反演相结合的方法比传统方法更有效。利用深度学习技术有可能得到更高分辨率的结果,这对油藏开发至关重要。通过设计地质模型进行采样以获取不同大小数据集,基于卷积神经网络（CNN）研究了不同训练数据集的地震反演应用效果,实验表明,该神经网络的预测精度在一定范围内随训练集的增加而增加,得到了对神经网络模型构建的关键数据集大小占全数据集的比例。此外,通过对地震数据加入不同比例的噪声并对CNN进行训练,结果表明本文所设计的CNN具有良好的抗噪和泛化能力。     

基于大地电磁二维反演的MPI和CUDA并行算法研究

大地电磁测深法属于天然场源的电磁勘探方法,是以岩石的电性差异为基础和前提的勘探方法。所采用的大地电磁二维反演方法为共轭梯度法,该方法避免了求解雅可比矩阵,效率较高,但是在将模型剖分较细时,多频率进行计算时效率有待提高。基于大地电磁频率依次独立处理数据的特点,采用了MPI的并行算法来提高效率,为了使得计算效率更高,在MPI的基础上增加了CUDA并行运算方法,用多个进程同时来计算各频率数据,在求解方程的过程中采用CUDA进行加速,得到计算结果。通过对正演和反演图的比较,验证了程序的正确性。对并行算法的效率进行了统计,进程数为2~4时,加速比能达到2.15~3.09,比单一的MPI并行算法的加速比要高,验证了程序的有效性。     

基于深度学习的二维人体姿态估计综述

人体姿态估计是近年来计算机视觉问题中的一个热门话题,它在改善人类生活方面具有巨大的益处和潜在的应用。近年来深度神经网络得到快速发展,相较于传统方法而言,采用深度学习的方法更能提取图像表征信息。综合分析近年来人体姿态估计的进展,根据检测人数分为单人和多人人体姿态估计。针对单人姿态估计,介绍了基于直接预测人体坐标点的坐标回归方法及基于预测人体关键点高斯分布的热图检测方法;针对多人姿态估计,采用解决多人到解决单人过程的自顶向下方法和直接处理多人关键点的自底向上方法。总结了各方法网络结构的特点和优缺点,并阐述当前面临的问题及未来发展趋势。     

大地电磁二维正演响应特征试算

采用基于有限差分的大地电磁二维正演程序,分别对单个低阻异常体、高低阻复合异常体和断层两侧高阻异常体模型进行了模拟计算,对比TE、TM视电阻率和相位特征以及TP振幅的响应规律进行模拟归纳并且总结出大地电磁二维正演的响应特征,为大地电磁方法的设计和数据解释提供参考与借鉴.通过计算结果表明:在二维大地电磁测深正演响应特征中,TE、TM视电阻率和相位以及TP幅值展现出不同的形态,其中TE模式可以更好地分辨纵向地质体异常,TM模式可以更好地分辨横向地质体异常.     

基于二次场算法的大地电磁二维有限单元法正演

推导了同时考虑电阻率与磁导率变化的大地电磁二维方程,并应用有限单元法进行数值模拟.为了提高计算精度与效率、简化计算节点生成,采用格林定理处理二次场方程源项,并设计实现了一种基于二叉树结构的收缩网格剖分算法;采用基于最少填入元思想的稀疏矩阵符号分析方法,实现了稀疏线性方程组的LDLT求解.利用二次场算法进行模型试算,结果表明所采用的新计算方法大大减少了计算单元数量,提高了计算精度与效率.     

用于频率域航空电磁数据的二维自动调平

研究了频率域航空电磁数据的自动调平问题.提出了一种基于一维、二维滤波处理的二维自动调平算法.零漂具有随机性且一般变化缓慢,二维滤波处理可从航电数据中求出包含局部异常和零漂的中间结果,一维滤波处理能从中间结果中求出零漂主要成分,二者结合就能从航电数据中除去大部分零漂误差.该算法只需输入简单的处理参数,实际数据处理结果表明它比以往的调平方法计算速度快、调平效果好、人为因素对结果的影响小,可有效除去零漂造成的"窗帘效应",提高视电阻率和平面剖面图质量.二维自动调平算法为频率域航空电磁数据的零漂调平提供了新的处理手段.     

基于可控源音频大地电磁二维反演的MPI并行算法研究

可控源音频大地电磁(CSAMT)是以岩石的电性差异为基础和前提的勘探方法。该方法采用了人工场源,弥补了天然场源信号微弱、不易观测等缺点,已被广泛应用到矿产普查、油气勘探、水文环境等方面,并发挥了巨大的作用。基于CSAMT根据各频率依次独立处理数据的特点,采用了MPI并行运算方法,用多个进程同时来计算各频率数据,最后再将数据进行收集,得到最后的计算结果。通过对正演和反演的计算结果图的比较,验证了程序的正确性。对并行算法的效率进行了统计,进程数为2~5时,加速比能达到1.9~4.5,极大的提高了计算效率。     

基于深度学习岩性分类的研究与应用

岩性预测,特别是致密储层的岩性预测,是石油勘探的一项重要基础任务,因为岩性数据对于地层对比、沉积模拟等地质工作的分析是必不可少的.因此,如何获取可靠的岩性信息逐渐成为地球科学研究的热点.面对大部分老油田由于仪器、井历史长等原因使得部分测井数据丢失,特别是岩性数据;新开发生产井,钻井取心需要投入巨大的成本、人力和物力;这...     

基于深度学习的中文地名识别研究

基于深度学习的循环神经网络方法,面向中文字和词的特点,重新定义了地名标注的输入和输出,提出了汉字级别的循环网络标注模型.以词级别的循环神经网络方法为基准,本文提出的字级别模型在中文地名识别的准确率、召回率和F值均有明显提高,其中F值提高了2.88%.在包含罕见词时提高更为明显,F值提高了26.41%.      

基于深度学习的人体行为识别检测综述

人体行为识别检测是计算机视觉领域的研究热点,主要包括行为识别和行为检测两大部分.目前,对行为识别检测的综述主要聚焦在行为识别领域,对行为检测的关注度偏低.针对这一现状,聚焦行为识别和行为检测两个方面,分别综述了行为识别以及行为检测的各种方法,介绍了常用的数据集.首先从网络结构的角度重点论述了基于深度学习的行为识别方法;而后将行为检测划分为时序行为检测和时空行为检测,总结行为检测的各种算法;最后对各种算法的特点进行了总结分析,探索行为识别与行为检测的区别与联系,对当前研究面临的问题以及下一步的工作进行了总结和展望.     

基于深度学习的闪烁探测器信号故障识别研究

传统核探测器故障信号诊断研究都需要提前提取信号特征,然后用机器学习、支持向量机、统计方法等对特征进行分类。为了实现对探测器输出信号进行实时识别和故障诊断,本文基于Matlab平台构建了一个用于对图像进行分类的卷积神经网络模型,对核探测器故障信号进行分类诊断。从分类准确率和算法运行时间两个方面对Adam、Sgdm、Rmsprop三种优化算法进行了比较。结果表明Rmsprop算法运行时间最少,但准确度和损失的训练迭代曲线不平稳;Sgdm模型对十组非正常信号图像分类的准确率最高为93.10%,准确度和损失的训练迭代曲线平稳。虽然,本文方法诊断准确率略低于文献报道值,但是不需要对信号进行预处理和特征预提取,使用更为简便。     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

基于深度学习的多材料结构拓扑优化方法

提出了一种基于深度卷积神经网络（CNN）的多材料结构拓扑优化方法,实现在不需要任何迭代分析的情况下,在极短的时间内预测出多材料优化结构。研究中,采用了流行的U-Net网络结构,以提高神经网络的边界提取能力。通过有序多材料SIMP（各向同性实材料惩罚密度法）插值方法（Ordered SIMP）生成随机加载条件、质量分数及成本分数下的多材料优化结构数据集,训练得到深度学习神经网络。将所提出方法的效率和精度与传统算法进行比较,对该方法的性能进行评价,结果表明,该方法在几乎不牺牲设计方案性能的前提下,显著降低计算成本。该方法对于拓扑优化在未来多材料结构设计实践中具有巨大潜力和广阔应用前景。     

基于深度学习的司法判决预测算法研究

司法判决预测任务指的是根据真实的案情描述文本来预测案件的判决结果,有助于司法专业人士高效的工作,在智能司法方面具有广阔的应用前景。在实践中,易混淆罪名和少样本罪名的判别问题是目前的两大难点,普通模型很容易在上述问题上出现误判。为使易混淆罪名得到更好的区分,结合BERT（Bidirectional Encoder Representations from Transformer）和双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU)深度学习网络,提出BGAAT（BERT BiGRU Attribute Self-Attention）网络模型。该模型引入具有区分性的罪名属性标签,通过注意力机制分别抽取属性特征与上下文特征,使用注意力分布对可解释性进行描述。为使少样本罪名更好的被识别,引入罪名分类权重,使模型在少样本罪名分类取得了更高的F1值。最后在真实的司法判决数据集上进行了实验,证明了所提出模型在该任务上有良好表现。     

基于深度学习的激光同步定位与地图构建移动机器人可定位性研究

高精度定位是移动机器人执行上层任务的基础,也是直接影响其他任务执行效果的首要问题。可定位性是对定位精度好坏的度量,对可定位性的预估可以使机器人提早避开难以准确定位的区域提高其他任务的成功率。以常用的地图匹配和航迹推算融合实现定位的方法为研究对象,分析了其工作机理,针对定位算法中航迹推算与地图匹配分别设计不同的神经网络模块,形成一种由卷积神经网络（CNN）、长短期记忆神经网络（LSTM）和多层全连接神经网络（MLFC）组成的多模块深度神经网络模型（MMN）。该方法以定位熵表征可定位性,以CNN网络预估地图匹配定位熵,以LSTM网络估计航迹推算定位熵,以MLFC估计前两者融合后的定位熵,从而实现对移动机器人可定位性的估计。仿真和实验结果表明,该模型能够准确估计给定地图上机器人的可定位性,预测熵与实测熵相比误差小于5%。     

深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.