基于CWT-CNN的地震噪声压制研究

随着深度神经网络技术的发展,卷积神经网络(CNN)被越来越多地应用于地震数据的噪声压制中。常规CNN方法一般是在时间域进行,为了提升CNN方法对地震噪声的压制效果,提出了基于连续小波变换(CWT)的CNN地震噪声压制方法。该方法首先将一维时间域信号通过CWT转换为二维时频域信号。然后,在利用CNN对时频谱进行噪声压制时,提出了两种策略：能量谱策略(策略Ⅰ)是将CWT计算的复数矩阵的振幅谱作为CNN的训练样本,保持相位谱不变;复矩阵策略(策略Ⅱ)是将复数矩阵的实部和虚部图谱作为CNN的不同通道分别进行处理。最后,对于CNN的输出结果,利用逆连续小波变换(ICWT)将二维复数矩阵还原成一维地震信号。为了定量地对比方法的效果,提出利用峰值信噪比(PSNR)、结构相似性(SSIM)和均方根误差(RMSE)3个指标对比基于两种CWT策略的CNN方法与其它常规滤波(包括低通滤波、小波滤波和中值滤波)方法的噪声压制效果。相较于常规滤波方法,数值实验表明基于CWT策略的CNN方法具有更好的随机噪声和涌浪噪声压制效果。为了提高模型处理地震数据的泛化性,引入迁移学习对预训练模型进行微调。迁移学习的成功应用...     

基于计算机图形学的化工污水流量检测方法

化工企业的污水治理存在的主要问题是由于化工污水的含油特性导致传统方法不能有效检测流量等信息。提出了一种非接触、低成本、高稳定性的污水流量检测方法,研究内容包括污水流量在计算机图形学中的表达、污水流量检测模型和水体目标识别算法3个部分：构造双坐标系建立污水流量与摄像机图像在计算机图形学中的数学表达并证明污水流量检测可行性;构建污水流量与水域面积之间的数学模型,利用自然光下水体目标和墙壁等其他目标纹理特征差异性,实现自然图像污水水体目标识别;利用构建的数学模型和水体的识别结果计算出实际的污水流量。基于该方法开发了鲁棒的污水流量检测系统,并在真实场景中进行了实验,结果表明：在不同的天气状况下拍摄的图像,系统依然可以保证95%以上的流量检测精确度;非接触式的检测模式,减少了设备与化工污水之间的接触,增加了设备的使用寿命;文中实验硬件配置下,系统单幅图像的识别平均时间低于100 ms。     

杂质气体对二氧化碳在废弃气藏咸水层埋存的影响

废弃气藏是埋存二氧化碳的理想场所,但气藏中的杂质气体会影响二氧化碳在水中的溶解过程。针对此问题,建立了考虑逸度-活度的热力学模型,准确捕捉杂质气体-二氧化碳-咸水混合体系的热力学特征。在此基础上,采用基于算子的线性化数值方法,高效准确求解质量守恒方程,研究不同混合物对二氧化碳在咸水中扩散-对流的影响。以荷兰西佩尔尼斯气藏为例,分析并评价了废弃气藏二氧化碳埋存的可行性及潜力。研究结果表明,二氧化碳在咸水中的溶解度随压力的升高而增加,随温度及矿化度的升高而降低,相同压力下,25 ℃下的溶解度约为90 ℃下的2倍。不同杂质气体对二氧化碳溶解能力的影响不同,甲烷对二氧化碳溶解度降低程度最大,降低幅度约为12%。二维模拟结果表明,杂质气体会降低二氧化碳羽流指进的速度,延长对流触发的时间,5%的甲烷-二氧化碳混合体系对流触发时间是纯二氧化碳的2.5倍,但杂质气体对总的溶解量影响不大。西佩尔尼斯气藏模拟结果表明,废弃气藏开展二氧化碳埋存潜力巨大;短时间内,二氧化碳主要以游离气及束缚气形式存在,溶解气量较少。关井30 a后,游离气占74.2%,残余气占19.1%,溶解气仅占6.7%。     

基于CNN-BiLSTM的短期电力负荷预测

短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

一种改进工件边缘检测方法的研究

针对现有边缘检测技术难以同时消除图像中噪声和工件表面划痕对边缘检测的影响,并保持图像边缘的清晰度和连续性,提出了一种基于二阶微分算子和数学形态学的改进边缘检测技术。首先利用数学形态学理论,设计了一种形态学开闭运算处理图像的方法,为去除工件表面划痕做好预处理;然后用二阶微分Laplace算子对预处理后的图像进行边缘检测;最后改进了一种高斯与双边滤波结合的算法,强化去噪效果,并对最终算法进行实验验证。实验结果表面,改进的算法在去除工件表面划痕方面效果明显,并与传统微分算子比较,边缘清晰度、峰值信噪比(PSNR)都有大幅提高,为提高工件识别精度打好基础。     

LSO改进CGA解决多目标作业车间调度问题

针对传统方法在处理作业车间调度问题时很难将库存容量考虑在内的问题,提出了基于局部搜索算子(LSO)改进交叉遗传算法(CGA)的多目标作业车间调度模型。为了提高所提模型的效率,首先设计一种基于关键路径的交叉遗传算子;然后,设计一种新的局部搜索算子来提高遗传算法的局部搜索能力;最后,基于这两种算子,设计混合遗传算法框架,在考虑调度总完成时间的同时将库存容量作为目标进行优化。所提算法的有效性在FT10、LA01、LA06、LA11、LA21和LA36等基准问题测试中得到验证。仿真结果表明,与较为先进的非劣分层遗传算法(NSGA-II)相比,使用所提算法获得了更好的非支配解,从而更好地解决了多目标作业车间调度问题。     

基于加新型自卷积窗的频谱插值谐波分析方法

为了解决快速傅里叶变换在电力谐波分析方法中存在采样的不同与非整数周期截取而造成的栅栏效应和频谱泄露的问题,提出一种基于P阶三角自卷积窗改进FFT频谱插值的电力系统谐波分析方法。首先使用P阶自卷积窗截取信号,之后选取幅值最大的频率附近的离散的频谱3条谱线进行加权平均计算来确定谐波谱线的准确位置,进而可以得到谐波的幅值、相位和频率,最后通过多项式拟合的方法,提出谐波修正的公式。通过仿真分析,所提出的自卷积窗函数能降低频谱泄露和栅栏效应带来的影响。采用改进的频谱插值算法可以提高电力谐波的检测精度,有助于对谐波的应用分析。     

一种面向路径的测试用例自动生成方法

由于标准遗传算法一般使用固定的交叉和变异概率,并且容易出现局部收敛、早熟等现象,降低了遗传算法的全局搜索效率。针对这种情况,提出一种改进遗传算法。在使用实数编码的前提下,对适应度函数进行优化改进,避免过早收敛,对变异和交叉算法进行优化,使得交叉和变异概率能够自适应调整,增加种族的多样性,确保算法的全局搜索能力。实验结果表明,改进之后的遗传算法可以达到很高的路径覆盖率,搜索效率比标准遗传算法高。     

基于连通度算子的系统漏洞风险评估

为对安全漏洞的风险进行量化评估,提出一种基于连通度算子的漏洞风险评估方法。通过构建的漏洞攻击图对漏洞的利用关系进行定量分析,并提出两种连通度算子,对漏洞间的连通度进行计算,实现对漏洞自身风险和传播风险的量化分析;在此基础上提出风险评估算法VREA-CO,对系统漏洞的全局风险进行评估,评估结果能够帮助管理者确定关键漏洞,提高安全管理的效率。实例分析结果表明,该方法是可行有效的。