-
公开(公告)号：CN109800863A
公开(公告)日：2019-05-24
申请号：CN201910042398.8
申请日：2016-08-30
申请人： 中国石油大学(华东)
IPC分类号： G06N3/04
摘要： 本发明提出了一种基于模糊理论和神经网络的测井相识别方法，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，测井数据经过模糊区域卷积神经网络进行卷积和池化操作，卷积层和池化层交互，在卷积层和池化层进行模糊操作，从模糊区域卷积神经网络的第一层开始，逐渐增加模糊化的层数，针对不同的数据集调整模糊化层数，模糊区域卷积神经网络的最后一层得到特征向量，该特征向量通过一个滑动窗口将特征映射到一个低维向量中，然后将特征输入到两个全连接层，一个全连接层用来定位，另一个全连接层用来分类。
-
公开(公告)号：CN106372402B
公开(公告)日：2019-04-30
申请号：CN201610762101.1
申请日：2016-08-30
申请人： 中国石油大学(华东)
IPC分类号： G06N3/04
摘要： 本发明提出了一种大数据环境下模糊区域卷积神经网络的并行化方法，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，把输入的测井数据集分割成若干小数据集，多个工作流并行化经过模糊区域卷积神经网络进行卷积和池化操作，每一小数据集单独利用梯度下降进行训练。本发明优化网络结构和参数，实现更好的分析性能和精度；而且，本发明针对不同的测井数据集调整FR‑CNN模糊化的层数，使提取的特征更好的反映油气储层本身的特性，可以解决测井数据模糊性问题；本发明利用多GPU进行FR‑CNN的并行训练和执行，以提高FR‑CNN的效率。
-
公开(公告)号：CN109582709A
公开(公告)日：2019-04-05
申请号：CN201811381020.2
申请日：2018-11-20
申请人： 中国石油大学(华东)
IPC分类号： G06F16/2458
摘要： 本发明提出了一种基于Spark的油气开采大数据的数据挖掘方法，其包括数据预处理模块、模型训练和模型应用模块，包括如下步骤：数据预处理，通过数据预处理模块对数据进行预处理；模型训练，进行相应算法的训练，得到最终模型；模型应用，利用训练好的模型进行分析与预测；结果展示，将得到的结果展示给用户。建立大数据挖掘分析和知识发现模型框架，建立通用的大数据分析模式，以支持油气开采大数据的知识挖掘。基于Spark的油气开采大数据的数据挖掘方法，将数据挖掘方法和油气开采大数据相结合，通过Spark来进行算法并行化，并利用CPU-GPU的协同计算能力，进行高效率的数据挖掘，加快算法速度。
-
公开(公告)号：CN109558633A
公开(公告)日：2019-04-02
申请号：CN201811265705.0
申请日：2018-10-29
申请人： 中国石油大学(华东)
摘要： 本发明提出了一种基于强化学习与对抗生成网络的智能抽油机参数调整方法，采用深度学习以及强化学习相结合的方式。该算法根据采集到的采集各种油井参数(如三相电流、电压、示功图、冲程、冲次、油压、套压、温度、回压等数据)，以现有的对抽油机电参数的调整作为专家经验，通过对抗模仿学习，实现抽油机电参数的调整，实现一种实时的、动态的、无人值守的智能抽油机。
-
公开(公告)号：CN109543748A
公开(公告)日：2019-03-29
申请号：CN201811385058.7
申请日：2018-11-19
申请人： 中国石油大学(华东)
摘要： 本发明提出了一种基于多模型融合的水果识别方法，包括如下介绍：利用多模型融合方法进行模型训练，采用SSD进行模型训练，模型网络结构采用VGG16、ResNet以及VGG19相结合的方法，对于它们的训练结果不做输出处理，而是将它们输出的bounding box和目标类别的概率，以及区域重叠面积超过95％的bounding box目标认为是不同模型识别出的同一个物体。每一个模型的输出都是10维的概率向量，将实际得到的这三个向量进行拼接作为BP神经网络的输入。基于多模型识别的水果识别模型将多种模型识别技术进行整合，调整残差网络，解决了在过深的深度学习网络中无法进行有效传播梯度的问题。
-
公开(公告)号：CN109543184A
公开(公告)日：2019-03-29
申请号：CN201811385796.1
申请日：2018-11-20
申请人： 中国石油大学(华东)
摘要： 本文发明提出了一种基于深度学习的集装箱文本识别方法，包括如下步骤：制作数据集；使用我们提出的CTDNet(Container Text Detection Network)进行文字检测，采用多任务损失函数对检测模型进行训练；使用我们提出的由编码器和解码器构成的CTRNet(Container Text Recognition Network)进行文字识别；后处理步骤舍弃识别率低的文本框，提高检测和识别的精度。我们提出的基于深度学习的集装箱文本识别方法，可以更加有效的提取图像特征，具有更快的收敛速度，在提高识别准确率的同时保持一张图片的识别速度为在1秒左右。
-
公开(公告)号：CN109460863A
公开(公告)日：2019-03-12
申请号：CN201811266180.2
申请日：2018-10-29
申请人： 中国石油大学(华东)
摘要： 本发明提出了一种基于深度学习的设备状态预测方法，包括如下步骤：数据预处理消除异常和补全缺失值；接下来进行数据标准化；以及数据关联性分析削减冗余项；对输入数据进行进一步压缩处理和变形处理并构建特征向量序列；通过深度学习模型进行训练，采用正交试验(Orthogonal experimental design)方法调整模型操参数；然后根据训练模型进行设备状态预测。基于深度学习的实时设备状态预测方法，将设备状态分析和深度学习方法相结合，并通过特征工程提高准确率的同时加快算法速度。
-
公开(公告)号：CN106529667B
公开(公告)日：2018-10-30
申请号：CN201610863792.4
申请日：2016-09-23
申请人： 中国石油大学(华东)
摘要： 本发明提出了一种大数据环境下基于模糊深度学习的测井相识别与分析方法，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，把输入的测井数据集分割成若干小数据集，每一个小数据集经过模糊区域卷积神经网络进行卷积和池化操作的步骤；然后，利用分类后的特征构建测井相‑沉积相知识库，所述测井相‑沉积相知识库基于无歧义的测井数据、沉积相融合方法，建立相应的包含沉积相、沉积亚相、沉积微相的知识库以支持对沉积相与测井相的关联分析，从而建立测井相‑沉积相知识库，确定当前的测井数据与沉积相的对应关系。
-
公开(公告)号：CN108549882A
公开(公告)日：2018-09-18
申请号：CN201810457285.X
申请日：2018-05-14
申请人： 中国石油大学(华东)
摘要： 本发明提出了一种基于深度学习的实时的铁路口多摄像头行人检测方法，包括以下步骤：通过多个摄像头采集的视频，摄像头对重点监控区域重叠监控；选择需要检测的摄像头区域并获取该区域下的摄像头视频流；在GPU处理器集群中进行视频图像处理：首先将图像切割，然后用训练好的行人检测模型对切割后的图像进行检测；实时监控GPU处理器中的GPU使用情况并根据调度策略进行调度；计算行人区域坐标，获取当前时间戳并发送到用户客户端。一种基于深度学习的实时的铁路口多摄像头行人检测方法，将视频处理和深度学习相结合，并采用摄像头重叠监控的方法以提高铁路口行人检测的准确率。
-
公开(公告)号：CN104636198B
公开(公告)日：2018-05-29
申请号：CN201510083101.4
申请日：2015-02-11
申请人： 中国石油大学(华东)
IPC分类号： G06F9/48
CPC分类号： Y02D10/24
摘要： 本发明提出了一种基于OSGi的计算任务近数据源迁移方法，基于计算任务决策模块、计算任务检测模块和计算任务迁移模块，把计算任务进行OSGi组件化，使之具有OSGi的灵活、可热插拔等优点，在充分利用OSGi上下文管理的前提下，找到最适合计算任务的最佳近数据源，把计算任务迁移到近数据源进行计算，达到高效率低功耗的目的。
-
-
-
-
-
-
-
-
-
搜索结果
160 条记录 (耗时 0.075 秒)
