关键词： 故障监测   宽带处理   声纹识别   复杂噪声   模式识别   故障判型  

摘要： 对关键机电设备运行状态进行故障在线监测,保障设备平稳运行,一直是一个重要的研究热点。目前在用的故障监测方法主要是基于振动分析的处理技术,即通过分析机械设备振动信号的特征频率变化来判别故障。但由于振动分析处理技术基于窄带处理,设备故障信息并没有得到充分利用,存在故障自主判型准确率不高,轻微的前期隐性故障无法准确识别等问题。而基于声学与宽带处理的故障监测技术,可结合声纹识别等人工智能处理技术,具有信息利用率与分辨率高的优势,能够对机电设备的前期隐性故障进行有效监测与识别,目前的研究已经证明了该技术方向的良好前景。在一些特定工况下,各大型设备间噪声相互干扰给基于声学与宽带处理的机械设备故障监测制造了新的难题。如何在复杂噪声环境下有效利用故障宽带信息,提高隐性故障识别率和故障判型准确率,是故障监测与诊断领域急需解决的关键问题。基于此,论文研究了复杂噪声环境下的机电系统故障在线监测声学处理方法。该研究方法完全基于宽带声谱信号的拾取、分析和处理,以声纹识别技术为核心,结合模式识别等人工智能学习处理技术,通过对机电系统运行状态进行声纹跟踪与匹配比对,发现和研判系统运行的故障和隐性故障等,实现对机电系统运行状态的在线监测。与传统振动分析方法相比,本文研究的基于声谱分析的机电系统故障在线监测方法以宽带信息处理和声纹识别技术为核心,故障信息拾取能力强,信号分辨率高,隐性故障识别率和故障判型准确率高,可满足机电设备运行状态在线监测与故障智能化处理要求。论文具体工作如下:1.研究了一种基于小波变换与峰值提取融合处理的宽带背景噪声抑制方法。通过将小波变换与峰值提取方法进行有机结合,明显提高了复杂噪声环境下的信息拾取能力,具有较好的噪声抑制与信号增强效果。并在此基础上,研究了一种基于动态时间弯曲算法的声纹匹配故障检测方法,通过声纹匹配对正常状态信号与故障状态信号进行区分,实现对故障状态的诊判,具有较好的故障检测效果。2.研究了基于声学信号多尺度熵和功率谱熵特征的支持向量机模式识别方法。通过对不同故障类型相应的特征参数进行自主训练,实现对具体故障类型的精准判别,具有较好的故障判型效果。3.根据所研究方法集成了一套故障监测系统样机。通过数值仿真分析与实验研究,验证了本文算法的有效性,同时初步证明该样机具有良好的工程应用前景。

关键词： 冷轧带材   大数据   模式识别   自编码器   板形预报  

摘要： 板形是板带材的关键质量指标,板形控制系统的核心是模型体系。新一代人工智能理论为板形控制智能模型的研究提供了新的契机。本文将以新一代人工智能理论为指导,以工业大数据为基础,以实用化为目标,对板形控制智能模型进行研究。重点研究板形模式识别模型和板形预报模型,以提高模型的精度和稳定性,解决以往板形控制智能模型存在的不足。本文具体研究内容如下:首先,对工业冷轧机生产数据的特点进行分析和预处理,提取模型训练所需数据集。为消除带材宽度变化造成的输入输出参数数量变化,提出一种基于分段线性插值的板形通道标准化方法。其次,介绍自编码器的基本原理、主要作用、训练策略与评价指标。分别采用栈式自编码器和稀疏自编码器建立板形降维模型,并对两种模型计算结果进行比较,寻求最佳的模型结构。提取自编码器瓶颈层网络参数作为新的板形基本模式,为后续板形智能预报模型奠定基础。最后,分析并解决输入、输出参数之间的滞后性,基于深度学习理论建立三种不同结构的神经网络(DNN、CNN和LSTM),用于板形智能预报,并对三种板形预报模型的性能进行分析,得到最佳的板形智能预报模型。融合稀疏自编码器对板形数据进行维度压缩的思想,利用维度压缩后的板形数据重新构建基于LSTM神经网络的板形预报模型,以进一步提高模型的精度和泛化能力。本文研究成果对于进一步提高冷轧带材板形控制精度和工业冷轧机智能化程度具有理论和实际意义。

关键词： 模式识别受体   TLR受体   NLR受体   许氏平鲉   迟缓爱德华氏菌  

摘要： 模式识别受体(PRR)包括跨膜蛋白Toll-like受体(TLR)和C型凝集素受体(CLR),以及细胞质蛋白如Nod-like受体(NLR)、视黄酸诱导基因RIG-Ilike受体(RLR)和AIM样受体(ALR)等多种识别受体,是分布于免疫细胞的膜表面或膜内部,能够识别病原相关分子模式(pathogen-associated molecular patterns,PAMPs),介导先天免疫的固有免疫分子。目前对于硬骨鱼模式识别受体的鉴定已受到研究人员的广泛关注。其中,NLR、TLR等模式识别受体已经在斑马鱼、鲤、斑点叉尾鮰、牙鲆等多个硬骨鱼种类中得到鉴定,这些识别受体可以被多种配体激活,包括脂多糖(LPS)、肽聚糖(PGN)和聚肌苷-聚胞苷酸[Poly(I:C)]等,被激活的模式识别受体基因在鱼不同组织中产生差异表达,并调控免疫通路中其他关键分子的产生或凋亡。对模式识别受体的鉴定与研究为进一步研究关联免疫基因及信号通路奠定基础,为完善硬骨鱼的先天免疫机制提供了支撑。许氏平鲉(black rockfish,学名Sebastes schelgelii)是一种重要的经济鱼类,广泛分布于东亚沿海地区。随着养殖规模的扩大,各种病原菌威胁其生产,造成巨大的经济损失。对于许氏平鲉模式识别受体的研究有助于深入了解它们的免疫调节机制。然而,目前对于许氏平鲉中TLR和NLR两种模式识别受体还缺少系统性的研究。,因此,我们进行了这两个模式识别受体家族的鉴定及功能解析,主要研究方法与结果如下:(1)基于全基因组数据库鉴别了17个TLR基因。其中,TLR1、TLR2、TLR5和TLR13四个基因存在多拷贝现象,推测它们在进化过程中发生了串联复制事件;TLR2-3和TLR2-4的外显子与内含子的数量最多,各含有11个外显子,10个内含子。共线性分析表明,许氏平鲉TLR基因及相邻基因的排列方式与大黄鱼中的TLR基因类似,两个物种TLR基因表现出较强的共线性关系。系统发育树分析显示这些TLR基因分属5个亚家族。各亚家族基因的进化选择压力分析结果显示,TLR2-2、TLR2-3、TLR3、TLR9、TLR10和TLR13-2的Ka/Ks平均值均大于一,经历了纯化选择,其余14种TLR基因则经历了正向选择。同时,通过q RT-PCR研究了TLR基因在***感染后肠道中的表达模式,TLR3-1和TLR3-2两基因在刺激后的各时间点发生了显著上调,TLR5-1,TLR5-2,TLR5-3,TLR7,TLR8则在多个时间点显著下调,显示出TLR发生免疫应答后的表达特异性。最后,蛋白质间相互作用(PPI)网络分析表明,TLR基因与IFN诱导基因、炎症细胞因子相互作用,并参与My D88依赖性途径。(2)基于全基因组数据库,在许氏平鲉中鉴定了23个NLR基因。其中NLCC3基因有16个拷贝。通过系统发育分析将这些NLR基因划分为五个亚家族,并进行了基因和蛋白层面的生物信息学分析。通过分子钟推算进化选择压力结果表明,大多数NLR基因的Ka/Ks比值小于1,除了APAF1外,它们都经历了纯化选择。蛋白质间相互作用分析表明,NLR蛋白可能与caspase、ripk2和TRAF等免疫分子相互作用。健康组织中NLR的表达结果显示,超过一半NLR基因在皮肤中获得最高表达倍数,此外,NLR在肠道、脾脏、肾脏和肌肉中的表达量也普遍偏高。通过研究了迟发性爱德华氏菌感染后黏膜组织中NLR基因的表达模式,在感染后的肠道组织中,大部分NLR基因在感染后2小时时间点下调;感染后的鳃组织中,大多数基因在每个时间点都发生下调表达,而NLRC5和APAF1两个基因显示出特别的上调表达;感染后的皮肤组织中,NLRC3.2,NLRC3.8,NLRC3.11,NOD1,NOD2,NWD1六个基因在各个时间点均发生上调表达,相反的,NLRC3.5和NLRC3.9两个基因在各时间点均发生下调。此外,基于系统进化树以及分子钟标记估算出大约5-50MYA年之间,硬骨鱼类中的NLRC3或NLRC3-like基因发生了多次扩张。这些结果为了解许氏平鲉中NLR基因的免疫调节机制和功能提供了有价值的证据。

关键词： 分布式光纤传感   模式识别   目标检测   视频联动   事件侦断  

摘要： 分布式光纤传感系统因光纤抗电磁干扰、体积小重量轻可进行长距离沿线的分布式测量。其中,基于相位敏感型光时域反射计(φ-OTDR)技术能够实现实时振动测量,在周界安防、管道监测等领域具有广阔的应用前景,但不能精准的侦断事件。视频监控技术虽可实现精准识别但不能长距离高重复性使用。为了解决长距离高精准的智能安防,提出基于分布式感知的视频联动传感技术,利用φ-OTDR技术和实时目标检测技术的优势,将它们融合进行视频联动,可提高对入侵扰动事件的识别率,也能提升探测系统的智能化水平和安全防范性能,形成更加完善和可靠的事件侦断系统。论文总体设计了智能分布式光纤周界安防视频联动信息处理系统,详细分析了系统总体架构和工作流程,编写了监控软件,最后对系统进行了实验测试,结果初步证明了该系统能够对入侵事件进行有效的监测和识别。本论文主要包括以下三个方面:(1).梳理了基于φ-OTDR的分布式光纤传感技术、振动事件的模式识别、视频联动与目标检测技术的研究进展,从后向瑞利散射的数学模型和基本原理出发,为后续分布式声波传感系统(DAS)如何实现定位和模式识别提供理论基础,并基于此搭建了完整的实验系统,通过采集走动、敲击以及车辆通过这三类典型的振动事件信号,运用移动平均进行降噪和移动差分进行定位,提取时频特征,再用K最近邻算法(KNN)来对降维后的特征进行分类识别。在实验采集样本为600个时,实验室中对三类事件的识别率分别约为91.7%、100%和98.3%。(2).基于实时视频目标分类的检测算法YOLOv3,分析算法原理和网络结构,设计并实现了视频联动监控系统,使其具有视频监控、目标检测等功能。编写了监控和检测程序,通过摄像头来进行视频联动从而有效的感知入侵扰动。(3).完成了系统的整体框架和总体结构设计,具体介绍其硬件和软件组成部分,设计智能分布式光纤周界安防视频联动信息处理系统界面,并对入侵事件进行实验测试与分析。实验结果表明,该系统能够对入侵事件进行有效的监测和识别。

关键词： 电能质量扰动   正则化线性调频模式追踪算法   改进多尺度反向色散熵   随机森林算法   麻雀搜索算法  

摘要： 自动化和智能化程度的不断发展,电能已然成为人类必不可少的一部分。用户对于优质电能的需求越加迫切,随之而来的电能质量问题亦越来越被重视。电能质量扰动准确识别是快速有效解决电能质量问题的前提。本文提出了一种基于改进多尺度反向色散熵(Improved Multiscale Reverse Dispersion Entropy,IMRDE)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化随机森林(Random Forest,RF)的电能质量扰动模式识别方法,主要从信号预处理、特征提取以及模式识别三个方面展开深入研究。首先,针对实际电网中通常会掺杂不同程度的噪声,进而影响电能质量扰动识别准确率的问题,提出一种基于正则化线性调频模式追踪(Regularized Chirp Mode Pursuit,RCMP)算法结合非局部均值(Non-Local Means,NLM)去噪算法的信号消噪方法。RCMP算法能有效解决模态混叠问题,并利用希尔伯特变换获取初始频率信息,具有自适应性。为了保留信号中更多有效信息,对分解得到的噪声主导分量利用NLM去噪算法进行滤除噪声处理。最后通过重构信号主导分量和滤除噪声后的模态分量获得去噪信号。在仿真信号和电能质量扰动信号的去噪实验中,相比于其它方法,本文方法的降噪效果更优,并适用于处理电能质量扰动信号。其次,为了进一步挖掘电能质量扰动信号的更深层次的扰动特性,在多尺度反向色散熵(Multiscale Reverse Dispersion Entropy,MRDE)的理论基础上,借鉴精细复合多尺度思想,提出一种新的时间序列复杂度度量方法,即改进多尺度反向色散熵(IMRDE)方法,并通过实验证明了改进方法的优越性。引入IMRDE方法,提出一种基于IMRDE的电能质量扰动特征提取方法,并通过对比实验证明了该方法的可行性和优越性。最后,针对随机森林的子决策树数量和子特征集特征数目难以确定并对其分类性能影响较大的问题,提出一种基于麻雀搜索算法(SSA)优化随机森林(RF)的电能质量扰动模式识别方法。并通过各种优化RF模型的对比实验,验证了SSA-RF模型的优越性。为了研究本文提出的基于IMRDE和SSA优化RF的电能质量扰动模式识别方法对实际工程信号的分类效果,采用承德市某钢厂实测电能质量数据作为实验对象,并通过与最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)、极限学习机(Extreme Learning Machine,ELM)这两种常用模式识别方法进行对比实验,验证了本文方法的实用性和可行性。

关键词： 平行因子   大数据   卷积神经网络   模式识别  

摘要： 为满足机械化、智能化的时代要求,工业系统逐渐走向精密化和复杂化。反映机械系统运行机理和状态的数据具有海量、不确定、多源异构、价值低等“大数据”特征,传统的信号处理办法对于机械故障信号往往是从时频域信息去构造特征实现故障诊断,具有一定的空间局限性,无法从复杂、高维的大数据信号中提炼出有价值的特征。针对这一问题,本文研究在机械故障领域的大数据挖掘技术,以机械设备中常用的离心泵为研究对象,采用平行因子分析算法(PARAFAC)对离心泵故障数据进行特征工程处理,根据深度学习理论构建卷积神经网络(CNN),实现离心泵模式分类诊断。具体工作内容如下:(1)针对传统时频处理方法在复杂多维的非线性信号特征提取上存在忽略时空信息的局限性,采用平行因子分析对多通道离心泵信号进行特征提取,引入核一致性估计法确定三维平行因子模型的组分数,减小数据处理的误差。其次,采用可视化降维技术t-SNE将平行因子分析提取特征进行聚类展示,以及改进的粒子群优化算法(IPSO)优化概率神经网络(PNN)参数对离心泵模式识别分类,结果表明基于平行因子对离心泵系统整体信号分解提取的故障特征与离心泵各故障模式在时间、频率、空间上呈现出映射关系,验证了平行因子算法在复杂信号非线性特征提取上的可行性。(2)针对复杂机械系统运行工况下采集的信号具有多源多维的特性,结合深度学习理论中的卷积神经网络对离心泵信号进行分类诊断。首先,从原始振动信号上采用一维卷积神经网络对离心泵模式识别,详细分析不同的卷积网络深度对信号特征处理的表现效果,实验结果表明含有3层隐藏层(两层卷积、一层池化)的卷积神经网络在离心泵故障模式的诊断中效果良好。基于该卷积网络结构和平行因子分析算法搭建的PARAFAC-2DCNN离心泵故障诊断模型,在分类效果上较传统的神经网络取得不错的提升。

关键词： 车型分类   车辆声信号   模式识别   机器学习  

摘要： 随着智能化城市和交通技术的发展,人们对车型分类技术的发展有了更高的要求。车型分类技术不仅可以实现车流量监测、高速公路收费等功能,还可以协助汽车感知周围的环境信息,为无人驾驶提供进一步的安全保障。为了实现简单、准确、快速地分类车型,本论文针对车辆声信号的复杂、多源、非平稳特点,在声信号特征提取的基础上,对分类算法进行改进,提高分类的准确性,并进行实验验证。本文的主要内容和创新点主要包括:（1）建立多类型车辆声信号数据库,分析声信号特点并选择相应的特征提取算法参考国内车型分类标准,确定了本论文的车型分类对象。针对分类对象采集不同车型声信号,建立车辆声信号数据库。在此基础上对车辆声信号的频谱特性进行分析。本文根据车辆声信号频谱主要集中在低频的特点,选择了能放大低频能量的Mel频谱图特征提取方法。（2）改进了卷积神经网络及卷积循环神经网络分类算法实现了分类准确率的提高考虑到卷积神经网络能通过卷积和池化等方式有效挖掘并处理信号的深层典型特征,本文对经典卷积神经网络Le Net-5结构进行改进并结合自建声信号数据库特点,优化得到了合适分类车型的卷积神经网络CNN。再考虑到声信号的时序特点,在CNN的基础上改进得到循环卷积神经网络CRNN。验证结果显示改进的分类算法分类效果优于其他同类型车型分类算法。（3）提出并验证了滤波器结合分类算法以提升分类效果的分类新方案考虑到采集的声信号包含背景噪声可能会影响分类效果,本文设计了滤波器只去除部分背景噪声,或者滤波器去除部分背景噪声并保留了车辆声信号大部分能量两种滤波方案,将滤波后的声信号放入已改进的分类算法进行分类来改善分类效果。对比实验结果表明,高通滤波器结合CNN的分类方案全局F1值提高了4.9%,带通滤波器结合SVM的分类方案全局F1值提高了6.5%,滤波器结合分类算法的分类新方案确实能有效改善分类效果。

关键词： 鹅不食草   锦灯笼   指纹图谱   化学模式识别   网络药理学   中药质量评价  

摘要： 随着我国医药事业的不断发展,中药产业已成为我国的民族产业,全方位推动中医药现代化进程,实现中医药标准化,是其发展的必经之路。中药现代化研究的关键问题在于中药质量控制与评价,亟需建立一种基于中医药理论指导、贴合中药现况的质量评价方法。本研究以中药鹅不食草和锦灯笼为研究对象,综合运用多种现代仪器分析技术从产地来源、药用部位、真伪鉴别等多方面对其质量进行综合性与系统性评价,并结合网络药理学与分子对接预测潜在质量标记物(quality marker,Q-Marker),为鹅不食草与锦灯笼质量控制研究提供参考,为中药质量评价提供研究思路。1.基于超快速气相电子鼻与HPLC指纹图谱、化学模式识别、网络药理学与分子对接技术,从产地来源、药用部位、真伪鉴别三个方面对鹅不食草中挥发性成分与非挥发性成分进行了综合质量评价研究,并预测其潜在Q-Marker。(1)将HeraclesⅡ超快速气相电子鼻与化学模式识别方法相结合,从产地来源、药用部位、真伪鉴别三个方面对鹅不食草中挥发性成分进行了综合评价研究。建立了多种无监督和有监督模式识别模型,分析发现不同产地鹅不食草的挥发性成分具有显著差异,且能够按照地域聚类区分,其分类结果可能与其所处地域气候类型有关;不同药用部位中挥发性成分也存在一定差异,其中环戊烷,苯甲醇,环氧对薄荷烯为化学标记物;鹅不食草与其伪品(蚤缀)挥发性成分存在较大差异,其中环戊烷,苯甲醇和环氧对薄荷烯可作为化学标记物。(2)基于HPLC指纹图谱与多种化学模式识别相结合,从产地来源、药用部位、真伪鉴别三个方面对鹅不食草中非挥发性成分进行了综合评价研究。研究发现不同产地鹅不食草可按外观性状聚为三类,绿原酸、芦丁、异绿原酸A、槲皮素、山金车内酯D和短叶老鹳草素A为重要化学标记物,并且第二类叶片密集、花大茂盛样本中标记物成分含量及体外抗氧化活性均最高;不同药用部位样本其花和叶聚为一类、茎和根聚为一类,并且重要化学标记物主要集中于其花和叶中,根和茎中含量较少;而且所建立模型可实现鹅不食草、蚤缀及其掺伪品的预测与识别,其中BP-ANN模型对掺伪品预测能力最强,预测限为10%。(3)借助网络药理学进一步进行功效-活性关联,确定鹅不食草潜在质量标记物。首先获取标记物成分相关基因靶点,并构建蛋白可视化互作网络,然后通过分子对接将化合物与关键靶点对接。最后综合传统药性、活性作用、生源途径、以及成分可测性,初步确定短叶老鹳草素A和山金车内酯D可作为鹅不食草的潜在质量标记物。2.基于HPLC指纹图谱、化学模式识别、网络药理学与分子对接,从宿萼品质、药用部位两个方面对锦灯笼进行了综合质量评价研究,并预测其潜在Q-Marker。(1)综合运用HPLC指纹图谱与化学模式识别方法对不同批次锦灯笼宿萼进行质量评价研究。建立了多种化学模式识别模型,研究发现锦灯笼宿萼样本分为三类:其中第一类样品宿萼为橙色或橙红色,几乎没有虫蛀或霉斑;第二类样本宿萼呈棕色,具有轻微霉变或被虫蛀;第三类宿萼呈棕黑色,且具有严重霉变或被虫蛀。其中标记物含量(酸浆苦素A、酸浆苦素O、芦丁和木犀草苷)均为第一类>第二类>第三类。(2)采用HPLC指纹图谱结合化学模式识别的方法对锦灯笼不同药用部位进行了综合评价研究。在充分分析锦灯笼果实、宿萼、根、茎、叶成分的基础上,分别建立多种模型对样本进行分类鉴别,并筛选出重要的化学标记物。研究发现锦灯笼宿各部位间可各自聚类,且显著活性成分酸浆类成分主要存在于宿萼中,果实中含量较低,植株中含量最少;黄酮类成分主要存在于宿萼和叶中,果实和茎中含量较低,根中含量最低,而且宿萼提取液清除DPPH、ABTS两种自由基能力均最强。(3)借助网络药理学进行功效-活性关联,确定锦灯笼潜在质量标记物。首先,获取重要标记物成分相关基因靶点并构建蛋白互作网络,并进行富集分析研究,最后通过分子对接将化合物与关键靶点对接。综合传统药性、活性作用、生源途径、以及成分可测性等中药Q-marker的核心,最终确定酸浆苦素A和酸浆苦素O可作为锦灯笼的潜在质量标记物。本研究将中药指纹图谱与化学模式识别、网络药理学、分子对接技术相结合,从产地来源、药用部位、真伪鉴别等多方面对中药鹅不食草、锦灯笼质量进行了综合评价与分析,为鹅不食草和锦灯笼功效关联的物质基础研究及其综合质量评价研究提供了参考依据,为中药质量评价提供了研究思路,也为实现中药现代化奠定研究基础。

关键词： 雷达辐射源识别   雷达工作模式识别   迁移学习   深度学习   图卷积神经网络  

摘要： 随着科技的迅速发展,电子战已经逐渐成为现代军事战争的核心。而电子侦察作为电子战的先导和基础,主要是对敌方雷达辐射源进行探测和截获,以获取敌方雷达辐射源信息,为后续的战场态势评估、对敌攻击提供技术信息支持。本文主要研究机载未知雷达辐射源识别和工作模式识别问题。主要工作包括:(1)介绍了雷达脉冲参数和主要参数的调制方式,在此基础上,对雷达相关参数特征的提取进行了研究,并对机载雷达常用的工作模式进行了分析。(2)研究了未知雷达辐射源的识别方法。首先介绍了迁移学习和域适应的基本概念,分析了目前未知雷达辐射源识别算法中存在的问题和本文使用的识别方法。使用基于局部投影分数的离群点检测法将测试样本中的已知雷达辐射源数据和未知雷达辐射源数据区分开来。然后用决策树算法对调制方式进行预测,用迁移成分分析方法将已知类数据和未知类数据进行域适应变换,根据变换后的数据预测未知样本的工作模式。最后用基于神经网络的二阶段分类法确定样本所属的辐射源类别。(3)研究了雷达数据的分类方法。在实际战场环境中,截获到的雷达脉冲数据是长度未知的连续脉冲序列。不同类型辐射源的工作模式表示方法不一样,且同一辐射源不同工作模式包含的数据长度也不同。因此在进行工作模式识别前,需要对雷达数据进行划分。首先介绍了常见聚类算法的工作原理和优缺点,根据聚类算法和雷达数据特点,选择DBSCAN算法对雷达数据进行划分,并使用KANN-DBSCAN算法解决了 DBSCAN算法对参数敏感的问题。提出了二分查找KANN-DBSCAN算法降低时间复杂度。(4)研究了雷达工作模式的识别方法。首先分析了雷达数据的“雷达字-雷达短语-雷达句子”层级结构,并根据雷达数据特点对雷达字进行提取。基于CNN和LSTM无法处理非欧式空间数据的缺陷,将提取到的雷达字样本进行图结构表示,构建GCN网络模型进行工作模式识别,最后从采样邻居和聚合函数两方面对GCN进行扩展,构建GraphSAGE网络模型进行工作模式识别。

摘要： Pattern recognition plays an important role in analyzing seismic reflection data, which contains valuable information of the subsurface geological structures, and serves as a powerful method for hydrocarbon exploration. Conventional seis- mic pattern recognition methods commonly involve handcrafted seismic attributes or filters that do not apply to seismic data with complex structures. On the other hand, with new seismic acquisition techniques and equipment providing an increasing amount of data, conventional methods tend to be inefficient in processing large-scale and high-dimensional datasets. Over the past decade, the improvement of computer powers and software development has promoted deep learning as an efficient and ef- fective tool for pattern recognition, which extracts features directly from data without relying on assumptions. This dissertation presents deep learning methods for pattern recognition in seismic reflection data from various perspectives. First, I introduce a semi-supervised learning framework for salt segmentation to alleviate the burden of preparing a large amount of labeled training data. The unsupervised consistency loss enforces the convolutional neural network (CNN) to extract essential information from labeled and unlabeled data, leading to more accurate segmentation results and better generalization ability on different datasets than the supervised learning baseline. Sec- ond, I formulate relative geologic time (RGT) estimation as a regression problem and design a U-shape CNN to solve this problem. The encoder-decoder architecture with skip connections results in accurate RGT predictions directly from seismic images. Although trained on a synthetic dataset, the network generalizes well to complex field data. Third, I propose an unsupervised learning method for seismic random noise attenuation. In the proposed method, a convolutional autoencoder is trained to recon- struct clean images from noisy seismic images without supervision from