-
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
申请人： 西南石油大学
摘要： 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：CN109120569A
公开(公告)日：2019-01-01
申请号：CN201811192252.3
申请日：2018-10-12
申请人： 西南石油大学
IPC分类号： H04L27/26
CPC分类号： H04L27/2614 , H04L27/2628 , H04L27/265
摘要： 本发明公开了F-OFDM系统中一种基于信号复原的降低PAPR方法。该方法在信号发射端不发射功率最高位置的信号，在接收端通过构造子块的方法恢复算法复原未发送的信号。该方法可以在发射端与其它降低PAPR方法一起使用，达到更好的抑制PAPR效果。同时通过仿真实验，复原后的信号误码率没有提高。
-
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
申请人： 西南石油大学
摘要： 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
申请人： 西南石油大学
摘要： 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：CN110288257A
公开(公告)日：2019-09-27
申请号：CN201910588402.0
申请日：2019-07-01
申请人： 西南石油大学
摘要： 本发明公开了一种深度超限示功图学习方法，传统示功图识别方法识别存在人工选择特征，准确率低，泛化性能不强等问题。针对以上问题，提出了一种深度超限示功图学习方法，利用深度卷积网络提取示功图深度特征向量，输入极限学习机中给出识别类型。该方法，不仅避免了传统方法示功图诊断中复杂的特征提取过程和特征提取不充分的弊端，同时提高了示功图故障诊断的识别率，而且该方法具有更强的泛化性能。
-
公开(公告)号：CN110045419A
公开(公告)日：2019-07-23
申请号：CN201910421351.2
申请日：2019-05-21
申请人： 西南石油大学
摘要： 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：CN110020684A
公开(公告)日：2019-07-16
申请号：CN201910276255.3
申请日：2019-04-08
申请人： 西南石油大学
摘要： 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：CN110516733A
公开(公告)日：2019-11-29
申请号：CN201910781790.4
申请日：2019-08-23
申请人： 西南石油大学
摘要： 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：CN110020684B
公开(公告)日：2021-01-29
申请号：CN201910276255.3
申请日：2019-04-08
申请人： 西南石油大学
摘要： 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。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.024 秒)
