采用多级残差滤波的非局部均值图像去噪方法

为充分利用残差中的图像信息以提升非局部均值算法的去噪性能,该文提出一种多级残差图像滤波新方法。首先对含噪图像进行非局部均值滤波得到初始的去噪图像和权值分布矩阵,然后对残差图像进行固定权值非局部均值滤波来提取图像结构信息,将提取的信息经高斯平滑抑噪后作为补偿图像,与去噪图像相加得到增强的恢复图像。针对上述方法提出一种多级滤波的实现方案,从理论上推导证明了该方法的原理及可行性,并提出一种无需参考图像的迭代停止准则来自适应地优选滤波级数。实验结果表明,提出的迭代停止准则能够达到与峰值信噪比一致的优选结果;与经典的非局部均值算法相比,在计算效率相当的情况下,所提方法能够显著地提升其去噪性能,峰值信噪比平均可以提高1.2 dB,且具有更好的细节保持能力。     

基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解(EMD)的激光超声信号去噪方法.该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪.将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点.     

结合钻井工况与Bi-GRU的溢流与井漏监测方法

现有根据钻井液池体积和钻井液出口流量变化监测溢流与井漏的方法，未考虑开、停泵工况对出口流量和钻井液池体积变化的影响，易导致误报。为了降低误报率，分析了钻井工况与钻井液池体积和钻井液出口流量之间的相关关系，提出了一种结合钻井工况与双向门控循环单元（bidirectional-gated recurrent unit, Bi-GRU）的溢流与井漏智能监测方法。利用23口井的溢流与井漏监测数据，对提出的模型与现有典型模型分别进行了测试，结果表明：基于Bi-GRU的溢流与井漏智能监测模型的识别准确率为94.25%，优于其他模型；与未考虑钻井工况的Bi-GRU模型相比，误报率由12.52%降至1.12%。研究表明，该方法能够消除溢流与井漏监测时因开、停泵导致的风险误报，能为安全钻井提供技术支持。     

《食品化学》线上线下混合教学模式的构建与实施

针对《食品化学》传统教学中存在的问题，结合信息技术，对教学内容、教学设计和线上课程资源优化，构建《食品化学》线上线下混合教学模式。实践表明，这种教学模式增强了学生的自主学习能力和创新意识，提高了人才培养的效果。     

基于DCC—LSTM的钻井液微量漏失智能监测方法

钻井过程中发生钻井液漏失时，现有的井漏智能监测方法，难以获取长时数据序列特征，无法实现对微量漏失的及时监测和预警，进而容易导致更为严重的漏失发生。为此，提出了一种结合扩张因果卷积网络（Dilated and Causal Convolution, DCC）特征映射能力和长短期记忆网络（Long Short-Term Memory, LSTM）时序特征提取能力的DCC—LSTM钻井液微量漏失智能监测方法，弥补长短期记忆网络对于长期记忆衰减的不足，实现了对钻井液微量漏失的准确监测和预测。研究结果表明：(1) DCC—LSTM井漏智能监测模型利用扩张因果卷积网络提取监测参数的长时特征，并将其映射为短序列表示，利用长短期记忆网络处理特征短序列获取监测数据的长时变化趋势，实现了微量漏失的准确监测；(2)扩张因果卷积网络层数确定方法可以获得最佳网络层数，得到的DCC网络结构使LSTM对长时序列趋势信息的遗忘减少24%；(3)与其他井漏监测方法相比，DCC—LSTM网络能够准确监测早期微量漏失，井漏预警时间最长可提前26 min，监测准确率由96.9%提升至99.4%，漏报率由6.4%降低为1.1%...