-
公开(公告)号：CN110020684A
公开(公告)日：2019-07-16
申请号：CN201910276255.3
申请日：2019-04-08
Applicant: 西南石油大学
Abstract: 本发明公开了一种基于残差卷积自编码网络的图像去噪方法，为了克服传统浅层线性结构特征提取能力有限，现有基于深度学习的图像去噪模型存在泛化能力弱等问题。以残差块、批归一化层和自编码器组成的残差卷积自编码块为基本去噪网络结构，提出了多功能去噪残差卷积自编码神经网络。本发明公开的图像去噪方法，在保持较高去噪质量和去噪精度的同时，不仅拥有盲去噪能力，还能去除与训练集类型不相同的噪声。
-
公开(公告)号：CN110020684B
公开(公告)日：2021-01-29
申请号：CN201910276255.3
申请日：2019-04-08
Applicant: 西南石油大学
Abstract: 本发明公开了一种基于残差卷积自编码网络的图像去噪方法，为了克服传统浅层线性结构特征提取能力有限，现有基于深度学习的图像去噪模型存在泛化能力弱等问题。以残差块、批归一化层和自编码器组成的残差卷积自编码块为基本去噪网络结构，提出了多功能去噪残差卷积自编码神经网络。本发明公开的图像去噪方法，在保持较高去噪质量和去噪精度的同时，不仅拥有盲去噪能力，还能去除与训练集类型不相同的噪声。
-
公开(公告)号：CN111007566B
公开(公告)日：2020-12-18
申请号：CN201911380340.0
申请日：2019-12-27
Applicant: 西南石油大学
Abstract: 本发明公开了一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法，为了克服传统坏道重建和去噪方法的泛化能力弱、去噪精度不高的局限性，本发明由曲率驱动扩散层、八卷积结构、高低级组合结构、多尺度跳线结构为基础，提出基于曲率驱动扩散和深度学习的坏道重建与去噪方法。本发明公开的地震数据坏道重建与去噪方法，不但可高效的重建坏道，而且经压制噪声后的数据，在不产生假象的同时，还可使地震数据的局部细节得以完整保留。
-
公开(公告)号：CN111007566A
公开(公告)日：2020-04-14
申请号：CN201911380340.0
申请日：2019-12-27
Applicant: 西南石油大学
Abstract: 本发明公开了一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法，为了克服传统坏道重建和去噪方法的泛化能力弱、去噪精度不高的局限性，本发明由曲率驱动扩散层、八卷积结构、高低级组合结构、多尺度跳线结构为基础，提出基于曲率驱动扩散和深度学习的坏道重建与去噪方法。本发明公开的地震数据坏道重建与去噪方法，不但可高效的重建坏道，而且经压制噪声后的数据，在不产生假象的同时，还可使地震数据的局部细节得以完整保留。
-
公开(公告)号：CN110132626A
公开(公告)日：2019-08-16
申请号：CN201910419291.0
申请日：2019-05-20
Applicant: 西南石油大学
Abstract: 本发明公开了一种基于多尺度卷积神经网络的抽油机故障诊断方法，传统故障诊断方法存在依赖于人工选择特征，计算复杂，准确率不高的问题，现有的应用于抽油机故障诊断的深度神经网络均是在单通路内完成的，滤波器的尺寸在每一层都是单一设置的，限制了参数的灵活性。以多尺度卷积块为核心结构，提出了一种基于多尺度卷积神经网络的抽油机故障诊断方法。该方法，避免了传统故障诊断方法复杂的特征工程以及特征选择的不确定性对故障识别准确率的影响，同时，该方法能够提取到示功图更加丰富、有效的全局和局部特征，提高故障诊断准确率。
-
Patent Agency Ranking
公开(公告)号：CN119689486A
公开(公告)日：2025-03-25
申请号：CN202411747986.9
申请日：2024-12-02
IPC: G01S17/08 , G06T3/4023 , G06T3/4046
Abstract: 本发明公开了一种面向LiDAR点云压缩的距离分段采样方法和系统，包括在编解码器的两端分别执行下采样和上采样，以减少点云数据的冗余并实现高效的点云重建。下采样过程通过将LiDAR点云的三维坐标转换为极坐标系，并对其进行分段尺度变换，减少点云数据的维度。通过KD‑Tree算法对源点云进行近邻搜索，得到下采样后的点云数据。上采样过程通过解码后的点云重建占用图，并进行宽度扩展和拼接，最终生成上采样的点云数据。本发明的优点是：利用LiDAR点云数据近处数据过采样的特性，通过下采样降低待编码数据量，从而提升LiDAR点云数据的压缩效率。
-
公开(公告)号：CN110516733A
公开(公告)日：2019-11-29
申请号：CN201910781790.4
申请日：2019-08-23
Applicant: 西南石油大学
Abstract: 本发明公开了一种基于改进多分类孪生支持向量机的岩性识别方法，岩性识别是认识地层及求解储层参数的基础，受地质环境复杂性和非均质性影响，测井曲线间存在着大量的信息冗余和数据集类间分布不平衡问题，标准分类算法无法满足实际需求。针对现有的标准分类算法容错性差，识别岩性单一和无法有效克服类间不平衡的问题，本发明利用过采样数据，得到更利于训练改进多分类孪生支持向量机的数据集，提出一种新的模糊隶属度函数改进孪生支持向量机，使得改进后的孪生支持向量机更适合用于训练测井数据，有效提高了岩性识别的准确率。
-
公开(公告)号：CN110007347A
公开(公告)日：2019-07-12
申请号：CN201910280069.7
申请日：2019-04-09
Applicant: 西南石油大学
Abstract: 本发明公开了一种深度学习地震资料去噪方法，为了克服传统浅层线性结构特征提取能力有限，现有基于深度学习的地震资料去噪模型存在收敛慢、训练时间长弱等问题。以残差块、批归一化层和自编码器组成的残差卷积自编码块为基本去噪网络结构，提出了多功能去噪残差卷积自编码神经网络。本发明公开的地震资料去噪方法，在占用资源较少、快速收敛的同时，还能保持较高的去噪质量和去噪精度。
-
公开(公告)号：CN110045419B
公开(公告)日：2020-10-16
申请号：CN201910421351.2
申请日：2019-05-21
Applicant: 西南石油大学
Abstract: 本发明公开了一种感知器残差自编码网络地震资料去噪方法，为了克服传统去噪方法在泛化能力和去噪保真度等方面均无法满足高精度勘探要求，本发明将卷积自编码网络编码重构后的特征数据，经以多层感知器卷积层、多尺度层、BN层和自编码器组成的多层感知器残差卷积自编码块后再由解码部分输出，并与优化后的卷积核相结合，提出了基于深度学习的感知器残差自编码网络地震资料去噪方法。本发明公开的地震资料去噪方法在完整保留地震资料局部细节和不产生假象的情况下，仍能同时去除多次波和随机噪声。
-
公开(公告)号：CN110007347B
公开(公告)日：2020-06-30
申请号：CN201910280069.7
申请日：2019-04-09
Applicant: 西南石油大学
Abstract: 本发明公开了一种深度学习地震资料去噪方法，为了克服传统浅层线性结构特征提取能力有限，现有基于深度学习的地震资料去噪模型存在收敛慢、训练时间长弱等问题。以残差块、批归一化层和自编码器组成的残差卷积自编码块为基本去噪网络结构，提出了多功能去噪残差卷积自编码神经网络。本发明公开的地震资料去噪方法，在占用资源较少、快速收敛的同时，还能保持较高的去噪质量和去噪精度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.02 seconds)
