AR序列异常值探测的Bayes方法在卫星钟差预报中的应用

AR模型中若含有异常值,会使传统的建模、估计及检验方法陷人困境,从而不能准确地预测和控制。本文在无信息先验条件下,结合观测信息,计算了基于均值漂移模型和方差膨胀模型异常值事件发生的后验概率,提出了无信息先验下自回归模型中异常值探测的Bayes方法并对异常值进行了估算。该方法能将异常值准确地探测和估算出来,借此修正模型,可提高预测的准确性。最后,做了钟差实测数据计算,比较了模型修正前后预报的情况,验证了该方法的有效性。     

基于贝叶斯网络的钻进过程井漏井涌事故预警

近年来,地质钻探在钻探装备和技术领域取得了长足发展,但在钻进过程事故预警方面的研究仍较欠缺。为保证钻进过程安全高效,降低事故造成的损失,本文提出了一种钻进过程井漏、井涌事故预警方法。首先,通过事故特性分析,选取表征事故特性的钻进参数。其次,考虑事故发生时钻进参数变化的不确定性,基于贝叶斯网络建立井漏、井涌事故预警模型。再者,为从含噪声的实际钻进数据中有效提取钻进参数的变化趋势,综合利用归一化、滑动平均和最小二乘线性拟合方法进行节点状态判断。最后,利用实际钻进数据对井漏、井涌事故预警模型的有效性进行验证,并对不同趋势判断界限和滑动窗口对报警性能的影响进行探讨。实验结果表明,该预警模型可对井漏、井涌事故进行有效预警,并且合适的趋势判断界限和滑动窗口可降低报警延迟,减少误报和漏报现象。     

王水水浴消解-电感耦合等离子体质谱法测定土壤中的硒

随着富硒产品关注度越来越高,对土壤中硒含量测定的研究也越来越受到人们的重视。应用传统电感耦合等离子体质谱法(ICP-MS)测定土壤样品中的硒时,受到的基体效应和多原子离子干扰比较显著,准确测定硒含量的难度较大。本文建立了采用50%王水-沸水浴消解体系,ICP-MS测定土壤样品中硒含量的方法,实验中采用动能歧视模式(KED)消除质谱干扰,选用~(103)Rh元素作为在线加入内标以消除仪器信号漂移。用该方法对有证土壤标准物质进行分析,其结果均在不确定度范围内,测定值与认定值的相对误差介于-2.01%～2.99%之间,相对标准偏差(RSD)小于6.60%,检出限为0.012μg/g,测定下限为0.048μg/g。应用该方法与国家环境保护标准方法(HJ680—2013)对20个土壤实际样品进行比对分析,其结果基本一致。该方法适合于分析测定地质等行业大批量土壤样品中的硒。     

基于贝叶斯判别的页岩气储层总有机碳含量分类预测方法

页岩气属于非常规能源,储量非常丰富,主要赋存于富有机质泥页岩及其夹层中。总有机碳（TOC）含量是页岩气储层评价的重要参数之一,综合利用富有机质泥页岩的典型测井响应特征,提出利用测井曲线预测TOC分类,进而识别富有机质泥页岩的方法,并以江苏南京汤地1井为例,通过相关性分析优选出自然伽马、深侧向电阻率、中子孔隙度、自然电位4个测井参数,建立了总有机碳含量的贝叶斯自动判别分类模型。实际资料的处理结果显示,样品回判正确率为71.43%,表明该方法可有效弥补实验室测定总有机碳含量的不足,能够快速评价富有机质泥页岩层段。     

基于岩石物理模型的碳酸盐岩储层微观孔隙特征分析方法

碳酸盐岩储层的微观孔隙结构普遍具有类型复杂和纵向变化快的特征。由于地球物理资料尺度的限制,现有的解释手段不能有效刻画这些关键特征。笔者采用临界孔隙度模型作为理论依据,建立了微观孔隙结构与宏观弹性参数响应之间的定量关系;以岩石物理实验数据为约束,提出了一种基于概率统计学的方法估算储层关键参数并识别岩石孔隙类型。在YS1井的应用表明：新方法有效挖掘了声波测井数据中隐含的微观信息,参数预测结果达到较高的精度（平均相对误差小于10%）,可以为优质储层段的划分提供可靠的参考依据。     

我国南海4个青蛤野生群体的形态差异分析

用8个形态性状比较我国南海4个野生青蛤群体间的形态变异。聚类分析表明,湛江群体和汕头群体的形态较接近,海口群体的趋异最大。主成分分析表明,主成分1、2、3的贡献率分别为26.441%、21.104%、15.884%,累计贡献率为63.428%。逐步判别分析结果显示,4个群体形态差异显著(P<0.01)。建立了4群体判别函数,其判别准确率P1为51.4%～71.4%,判别分析准确率P2为60%～75.8%,4群体的综合判别率为64.3%。Mantel-test检验结果表明,我国南海青蛤不同地理群体的欧式距离与地理距离没有明显的相关性(r=0.4227,P=0.3910)。     

贝叶斯网络结构学习方法研究

介绍贝叶斯网络结构学习的两种方法：渐进正确结构学习和启发搜索方法,并重点对最小描述长度测度函数MDL和DGM测度函数进行了分析比较,提出了一个两阶段从数据集中学习贝叶斯网络（BN）结构的有效算法.首先,第一阶段采用以信息论为基础的渐进正确的结构学习方法来有效的搜索可能的网络空间,构造一个候选网络;然后,采用启发搜索的方法来精简这个候选网络.使用这种分两阶段学习的方法比单纯使用一种方法来获取BN结构更精确和有效率.     

基于贝叶斯理论的AVO三参数波形反演

在实际的AVO反演问题中,叠前数据体中的噪声或其他因素严重影响了AVO反演问题的适定性,而采用先验地质信息作为AVO反演问题的约束条件是解决AVO反演问题不适定的一种可行方法. 文中的似然函数采用了[WTBX]ι[WTBX]p范数的解,并用Cauchy分布表示先验模型参数的分布. 以此为基础,在反演中建立了测井数据的参数协方差矩阵对反演过程进行约束,并采用了共轭梯度算法实现多参数非线性的反演过程. 同时,为了提高反演精度,避免动校正拉伸及依赖于炮检距的调谐效应对参数估计的影响,反演采用动校前地震数据进行参数估计. 从应用效果分析来看,即使叠前道集的信噪比不高,反演的结果也能较好地与实际情况相匹配,为识别储层流体性质提供了新的手段.     

贝叶斯正则化的Elman神经网络电离层TEC预报模型

利用2017年中低纬电离层总电子含量、地磁活动指数、年积日等参数,首次建立基于贝叶斯正则化(Bayesian regularization)的Elman回归神经网络(BR-Elman)的电离层TEC预报模型。同时,根据地磁活动指数的变化特征,分别进行平静电离层和扰动电离层预报建模。实验结果表明,该方法在平静期5 d预测值的均方根误差为1.19 TECu,残差为1.03 TECu,相关系数为0.93;在扰动期5 d预测值均方根误差为1.34 TECu,残差为1.01 TECu,相关系数为0.91。贝叶斯正则化的BP神经网络模型以及传统BP神经网络模型在平静期与扰动期5 d的预测上,均方根误差最小为1.87 TECu,残差最小为1.50 TECu,相关系数最优为0.87。通过对比分析,该模型较其他2个模型的预报效果有明显改善。     

Research on the discrimination methods of algae based on the fluorescence excitation spectra

The excitation spectra of chlorophyll (Chl) fluorescence can be used to differentiate phytoplankton populations at phylum level in vivo and in situ within a few minutes.The investigated phytoplankton divisions (Dinophyta,Bacillariophyta,Chrysophyta,Cyanophyta,Cryptophyta,Chlorophyta) are each characterized by a specific composition of photosynthetic antenna pigments and,consequently,by a specific excitation spectrum of the Chl fluorescence.Norm excitation spectra (emission of 680 nm and excitation of 400–600 nm) of every division were obtained from several species per division by a F4500 fluorescence spectrophotometer.Fisher’s linear discriminant analysis of the norm spectra shows that the divisions could be discriminated.The discrimination method,established by multivariate linear regression and weighted least squares,was used to differentiate the phytoplankton samples cultured in the laboratory and samples collected from the Jiaozhao Bay at division level.The correctly discriminated samples were more than 94% for single algal species ones,more than 84% for simulatively mixed ones,more than 83% for real mixed ones and 100% for samples collected from the Jiaozhou Bay for the dominant species.The method for phytoplankton differentiation described here can be applied to routine checking by fluorescence spectrophotometer,and benefit the monitoring and supervision tasks related to phytoplankton populations in the marine environments.