一种改进的测井时间序列的最大Lyapunov指数求取方法

测井时间序列的解释和测井相识别是油田开发工作中的首要难题,极大地影响后续工作的成效.应用混沌理论,以相空间重构为基础,研究了油层组的混沌吸引子的特点.在此基础上,给出了一种改进的测井时间序列的最大Lyapunov指数求取方法.改进后的算法缩小了最近邻点的搜索范围,提高了运算效率.实验结果表明,不同的油层组具有不同的最大Lyapunov指数,所有油层组的最大Lyapunov指数均大于0.     

高升油田雷11块低阻油层综合解释技术研究及应用

以岩心分析数据为依据,测井资料为基础,通过测井解释模型,对雷11块莲花油层进行了精细解释.认为该油层由高到低呈规律的油水分布;沙三段仍具有一定的开发潜力;沙四段高阻时差储层裂缝发育,可获得较高的产能.这一标准为该区的油层解释奠定了基础.     

基于SVM和GMM的视频运动对象分割算法

针对传统的高斯混合模型分割方法易受复杂背景影响, 且对前景对象的分割效果不理想的问题, 提出了一种将高斯混合模型与支持向量机分类器相结合的算法.该算法首先将视频图像由高斯混合模型做初步二值化分割, 同时将视频图像用训练后的支持向量机分类器进行像素分类, 获取对应的前景块和背景块;然后, 将支持向量机得到的分割模板和高斯混合模型分割的结果进行与运算, 得到最终分割结果.实验结果表明, 该算法显著减少了动态前景对象的分割错误, 提高了分割质量.     

一种高斯尺度混合模型的Shearlet域图像去噪(英文)

提出了一种基于高斯尺度混合模型的Shearlet域图像去噪方法.高斯尺度混合是一个独立高斯随机向量和一个独立隐随机尺度因子的乘积,可以很好地刻画相邻位置和尺度的Shearlet系数邻域的统计特性.在此基础上,对Shearlet系数进行贝叶斯最小均方估计.通过对加入高斯白噪声的图像进行去噪,仿真结果表明和其他基于小波域的方法相比,无论从视觉上还是峰值信噪比上,shearlet域方法降噪效果明显更好.     

基于Kmeans-GMM模型的地板块纹理分类算法

为解决地板块纹理分类难度大的问题,提出了一种基于Kmeans-GMM模型的地板块纹理分类方法.在阐述混合高斯模型GMM及参数估计算法原理的基础上,采用灰度共生矩阵提取地板块纹理特征,结合Kmeans算法,通过训练得到各类纹理所对应的混合高斯模型GMM的参数,实现对地板块纹理分类.实验结果表明该方法辨识准确率高、识别速度快,优于传统的神经网络分类法以及SVM算法,为地板块纹理分类的研究提供了一个新的思路.     

一种基于高斯混合模型的无监督粗糙聚类方法

针对数据统计分布的随机性和复杂性,从统计聚类的角度出发,采用高斯混合模型来描述整个数据的概率密度函数,提出了一种基于高斯混合模型的粗糙聚类分析方法.该方法首先利用粗糙集理论的不可区分关系性质以及生成的逻辑规则来设定EM算法的初始近似参数,然后通过Expectation-M axim ization(EM)算法估计各分量概率密度分布的最大似然参数集,最后通过密度分布概率大小来确定类别的归属.与传统的k-m eans聚类算法的试验结果比较表明,该方法是有效的,并且具有较高的聚类精度,用规则集来描述聚类的结果具有可解释性和合理性.     

基于改进的混合高斯模型背景减除算法

背景减除法常采用混合高斯模型作为背景模型来进行目标检测,它可以自适应学习并表示分布复杂的背景.混合高斯模型在光线变化缓慢的情况下表现很好,但是在光线快速变化的情况下,由于高斯背景无快速更新机制,无法应对光线迅速变化的情况.通过对混合高斯模型进行优化,提出了一种改进的混合高斯模型检测算法,并通过实验证明了新算法明显提高了运动目标检测的准确度.     

成像流型辨识算法

针对电容层析成像反问题流型识别较难的问题,提出了一种基于高斯混合模型的电容层析成像流型辩识算法.在阐述高斯混合模型和EM算法的基础上,结合Kmeans算法,通过训练得到各类流型所对应的高斯混合模型参数,构造分类器实现对五种流型的快速与精准的识别.实验结果表明,该算法与BP神经网络、SVM、决策树识别算法相比,辨识准确率高、识别速度快,为电容层析成像流型辨识算法的研究提供了一个新思路.     

基于格拉布斯准则的GMM背景建模方法

利用混合高斯模型进行视频车辆检测.在背景建模阶段,易受初始时刻行驶车辆前景的干扰,造成背景模型包含大量前景信息,对后续车辆检测产生消极影响;故而将初始10帧各像素点处的灰度值看作时间域上的序列值,通过格拉布斯准则剔除代表前景信息的异常灰度值,进而对各像素点处代表背景信息的灰度值求取均值和方差,建立背景模型.实验结果表明该方法明显优于传统混合高斯模型背景建模,将其应用于基于混合高斯模型的视频车辆检测系统中,取得了良好的实验效果.     

临南油田夏70块泥质砂岩储层测井解释模型的建立与油藏评价

高泥质砂岩油层在临南分布面积较大,过去在测井解释中将这类油层多解释为水层或油水同层,没有投入开发.为了储量挖潜和保持产量稳定,需要重新进行测井解释和评价.在搞清该区低阻成因的基础上,根据岩心分析资料,试油分析资料,并在岩电实验的基础上,提出适合该地区的测井解释模型,并对各砂体进行解释,给出建议试油的层位,达到二次找油的目的.     

测井时间序列的替代数据混沌判定方法的研究

利用测井时间序列进行计算机自动测井解释已成为正确认识油层地质规律的重要途径,但能够有效区分沉积相的曲线特征却难以提取.由于测井时间序列的非均质性,线性特征已不能满足逐渐细分的多种沉积微相的分类要求.而提取时间序列的非线性(混沌)特征时,首先要判定它是否含有混沌特性.这里将替代数据法应用于某油田的3种真实测井数据的混沌判定,并结合全井的关联维数做判据进行实验.得出的判据显示,3种测井时间序列均含有混沌.这一结果表明,具有复杂形态的测井时间序列可以用低阶非线性模型或适当的分维特征来描述.这为进一步应用混沌时间序列分析方法研究测井数据打下了理论基础.     

基于改进的高斯混合模型算法的说话人识别

高斯混合模型（GMM）已广泛运用于文本无关的说话人识别系统中,该方法具有简单高效的特点。在使用EM算法训练GMM时,GMM模型的初始化参数必须首先确定。本文采用改进后的模糊C均值聚类（FCM）方法将特征矢量归为与混合数相等的各个类中,然后计算参数作为初始值。实验表明,此训练方法能够获得更优的模型参数且识别率有较大的提高。     

基于快速的混合高斯模型的运动目标检测算法

针对传统高斯模型实时性差的问题,该文提出了一种快速的背景更新策略.首先对彩色图像建立混合高斯模型,根据场景中象素点的稳定性来调整模型参数的更新速度;其次利用混合颜色空间的阴影检测算法消除前景图像的运动阴影;最后对该文方法进行了验证性实验,结果表明提出的运动目标检测方法有效、实时性好、对光照有较强鲁棒性.     

基于正交高斯混合模型的说话人识别研究

本文介绍了正交高斯混合模型（OGMM）及其在说话人识别中的具体应用。传统的高斯混合模型（GMM）常常假定协方差矩阵为对角线矩阵，但需大量的混合成来表征分布情况，这将会导致训练量的增加。OGMM的主要思想是传统的GMM之前先将特征矢量变换到由协方差矩阵的本征向量决定的空间中去，这样得到的对角线协方差矩阵可以更准确地反映分布的情况。基于OGMM的说话人识别实验表明该算法在说话人识别方面比传统的GMM算法有更好的效果并具有良好的应用前景。     

一种基于模型距离的改进的说话人识别技术

提出了一种测量高斯混合模型距离的方法。基于此方法提出一种改进的说话人识别系统:首先从语音中提取几种参数;再分别训练高斯混合模型;然后选择使说话人辨认系统模型平均距离较大的那种特征参数的高斯混合模型,作为该说话人的训练模型;最后在识别时提取此种特征参数进行识别。本文仿真了两种不同模型平均距离的特征参数的正确识别率。实验结果表明:对说话人辨认系统来说,采用使模型平均距离较大的特征参数,所对应的识别性能较好。     

基于SVM—GMM混合模型说话人辨认的研究

建立一种新的混合模型-SVM-GMM模型,用以提高说话人辨认的识别率。阐述高斯混合模型（GMM）和支持向量机（SVM）建立的基本原理,分别指出高斯混合模型和支持向量机在实际应用中的不足之处,并针对两种模型的特点,提出将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量（SVM）模型的概率输出,并建立SVM-GMM混合模型。通过实验对比,验证使用SVM-GMM模型能有效地提高系统识别率。     

基于特征分布的建筑墙体裂缝图像识别方法

针对当前以人工智能为基础的墙体裂缝识别主要以图像识别为主,容易受到裂痕特征分布不均匀的影响,识别精度不高的问题,提出基于特征分布和高斯混合模型的建筑墙体裂缝图像识别方法.采用Harris角点检测算法对墙体图像进行角点求解处理,对建筑墙体图像进行预处理;通过选择掩模平滑法对墙体图像进行增强处理,将特征分布和高斯混合模型相结合,实现对建筑墙体裂缝图像的高精度识别.结果表明,该方法识别精度较高且识别时间短,预处理效果明显增强.     

Adaptive learning rate GMM for moving object detection in outdoor surveillance for sudden illumination changes

A dynamic learning rate Gaussian mixture model (GMM) algorithm is proposed to deal with the problem of slow adaption of GMM in the case of moving object detection in the outdoor surveillance, especially in the presence of sudden illumination changes. The GMM is mostly used for detecting objects in complex scenes for intelligent monitoring systems. To solve this problem, a mixture Gaussian model has been built for each pixel in the video frame, and according to the scene change from the frame difference, the learning rate of GMM can be dynamically adjusted. The experiments show that the proposed method gives good results with an adaptive GMM learning rate when we compare it with GMM method with a fixed learning rate. The method was tested on a certain dataset, and tests in the case of sudden natural light changes show that our method has a better accuracy and lower false alarm rate.     

苏里格气田东区XX区块储层地质建模

苏里格气田东区XX区块储层辫状河沉积相发育较好,砂体横向展布非均质性强,储层预测有难度。为此,运用RMS7.4建模软件,用钻井数据进行约束,按照"点—面—体"的思路建立构造模型,采用序贯指示模拟方法构建基于测井解释单井相的沉积微相模型,采用序贯高斯模拟方法构建储层属性模型。