全球导航卫星系统干涉反射测量(global navigation satellite system-interferometric reflectometry,GNSS-IR)技术可利用信噪比(signal-to-noise ratio,SNR)数据包含的多路径信息反演潮位,但通常需限制仰角范围,导致可用数据量少以及时间分辨率不足。针对上述问题,提出一种数据质量控制方法,重构SNR残差序列获得仅受多路径影响的SNR序列,再设计并训练Transformer神经网络模型对数据进行分类,在潮位反演前筛除无效SNR数据,将高仰角数据纳入可用范围。实验表明,该方法可大幅度提升高仰角数据有效率,将反演站点的可用数据仰角范围扩展至5°~30°,从而显著提升可用数据量和潮位反演值的时间分辨率,对利用GNSS-IR技术的海啸、风暴潮实时监测等应用和长期海平面变化等海洋研究具有重要意义。
相似文献实现低剂量计算机断层成像(CT)的一个有效办法是减少投影角度,但投影角度较少会产生严重的条状伪影,降低图像的临床使用价值。针对该问题,提出一种耦合卷积神经网络(CNN)和多种注意力机制的U型网络(TE-unet)。首先采用U型架构提取多尺度特征信息;其次提出一个包含CNN和多种注意力的模块提取图像特征;最后在跳跃连接处加入Transformer块过滤信息,抑制不相关特征,突出重要特征。所提网络结合CNN的局部特征提取能力和Transformer的全局信息捕获能力,辅以多种注意力机制,实现了良好的去条状伪影能力。在60个投影角度下,与经典的Uformer网络相比,峰值信噪比(PSNR)高出0.3178 dB,结构相似度(SSIM)高出0.002,均方根误差(RMSE)降低0.0005。实验结果表明,所提TE-unet重建的图像精度更高,图像细节保留的更好,可以更好地压制条状伪影。
相似文献煤岩显微组分组的识别对分析煤炭化学性质起到关键作用。人工识别方法费时费力,且专业性要求较高。现有的计算机辅助识别有效方法多以深度学习语义分割模型为手段,但因煤岩显微图像组成复杂,且存在过渡组分,因此无法准确识别煤岩显微组分组。针对此问题,提出改进的DeeplabV3+语义分割模型,在改进模型中引入Swin Transformer骨干网络和SkNet网络。首先,针对煤岩显微图像各个组分组交错杂糅且存在过渡组分,特征提取困难,利用Swin Transformer骨干网络作为基础特征提取网络,提升模型对煤岩显微图像每种组分组的特征提取能力,并使得分割网络获得特征间信息交互的能力;其次,针对在模型中空洞空间卷积池化金字塔模块对特征利用率低的问题,将SkNet网络融入空洞空间卷积池化金字塔模块,强化空洞空间卷积池化金字塔模块对重要特征的提取能力,并抑制非必要特征对最终预测结果的干扰;最后,将改进的DeeplabV3+模型与现有先进算法通过实验进行性能比较,结果表明:改进的DeeplabV3+语义分割模型在煤岩显微图像测试集上的像素准确率为92.06%,与随机森林方法、U-Net语义分割模型和DeeplabV3+语义分割模型相比像素准确率分别提高了9.48%、6.90%和3.40%;改进的DeeplabV3+语义分割模型与人工点测方法测试结果相近。改进的DeeplabV3+语义分割模型较现有煤岩显微组分组自动识别模型性能更优,可作为一种强大的计算机辅助人工识别煤岩显微组分组的手段。
相似文献地层纵横向非均质性强, 工区间数据分布存在差异.这导致基于已有工区数据构建的机器学习储层参数预测模型, 推广到新工区会存在较大预测误差.常规地质方法是在岩心与测井响应特征分析基础上建模, 利用测井资料计算储层参数, 流程复杂.该方法需要岩心校准模型, 同样难以快速推广到新的工区.考虑地层纵横向非均质性, 本文设计了一种深度Transformer迁移学习网络, 通过已有工区的测井与岩心资料构建预测模型, 实现未取心新工区储层参数快速准确预测.首先利用无监督学习算法-孤立森林剔除测井数据中存在的异常噪声数据.然后设计Transformer特征提取网络, 提高网络特征提取能力, 以此深入挖掘测井数据与储层参数的内在联系.最后设计深度迁移学习网络, 构建网络损失函数, 利用随机梯度下降算法优化网络参数, 实现储层参数准确预测.本方案应用于四川南部地区五峰组—龙马溪组页岩储层参数孔隙度、总有机碳含量和总含气量预测.实验结果与工区校正后计算结果、主流机器学习模型预测结果对比, 本方案结果与岩心数据具有更高的一致性.应用结果表明: 本文方案具有实用性、有效性和可推广性.
相似文献