-
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：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：CN114888838A
公开(公告)日：2022-08-12
申请号：CN202210750834.9
申请日：2022-06-28
申请人： 西南石油大学
摘要： 本发明公开了一种平行夹持机械手，该机械手包括驱动机构、传动轮组、同步带、左夹爪、右夹爪、固定板；所述驱动机构设置在固定板的一侧，并且与传动轮组连接，用于向传动轮组提供驱动力；所述传动轮组设置在固定板上，并且与同步带配合连接，用于通过驱动力带动同步带运动；所述同步带的上下两侧分别设置左夹爪、右夹爪，用于带动左夹爪、右夹爪相对运动，实现张开和合拢；所述固定板用于支撑驱动机构、传动轮组。本发明结构简单、抓取和放置物品易于控制。
-
公开(公告)号：CN114561920A
公开(公告)日：2022-05-31
申请号：CN202210187327.9
申请日：2022-02-28
申请人： 西南石油大学
摘要： 本发明公开了一种用于水体的微塑料垃圾收集仓，包括缆绳、壳体、过滤篮、抽水机构，所述壳体的两侧和末端分别通过缆绳与船体连接，所述过滤篮设置在壳体内靠近收集口的一端，所述抽水机构设置在壳体内远离收集口的一端，所述抽水机构与船体连接，所述壳体的上半部分设置有若干个过滤孔。本发明结构简单、操作方便，能做到长时间的收集，不仅能收集水面上的垃圾，还能收集水下的垃圾。
-
公开(公告)号：CN109085649B
公开(公告)日：2020-02-28
申请号：CN201811191632.5
申请日：2018-10-12
申请人： 西南石油大学
IPC分类号： G01V1/36
摘要： 本发明专利提供了一种基于小波变换优化的地震资料去噪方法，该方法针对传统阈值函数方法处理的重构系数在阈值点处出现间断，重构系数与分解系数间总存在着恒定的偏差，严重影响重构信号准确性的问题，通过建立一种改进后的新型分数阶阈值函数，以小波变换为核心思想，以达到有效改善地震剖面处理效果为目标，确定新的阈值函数。该方法与目前的同类技术相比较而言，具有去噪结果更加逼近原始有用信号，地震剖面处理效果有较大改善，信噪比能更大程度提高的优点。
-
-
公开(公告)号：CN110221346B
公开(公告)日：2021-03-09
申请号：CN201910608174.9
申请日：2019-07-08
申请人： 西南石油大学
摘要： 本发明公开了一种基于残差块全卷积神经网络的数据噪声压制方法。应用深度学习方法压制地震噪声的训练集和测试集均来自同一数据集，使得模型的泛化性受限。为解决泛化性问题，网络结构的设计思想是在Unet网络的基础上融合二重残差块，以增强网络对随机噪声的捕获能力。本发明建立在端到端的编码‑解码的网络结构上，将含噪的地震数据作为输入，由多个卷积层和残差块提取随机噪声的本质特征，构成编码；再由多个反卷积层和残差块构成解码，网络的输出即为噪声压制后的地震数据。与目前地震资料去噪方法对比，由于融合了二重残差块从而对提取的随机噪声特征进行了二次消化学习，对噪声的本质特征学习地更为充分，所以在泛化性上具备明显的优势，不仅可以有效地压制随机噪声，还可以保护有效信号。
-
公开(公告)号：CN110221346A
公开(公告)日：2019-09-10
申请号：CN201910608174.9
申请日：2019-07-08
申请人： 西南石油大学
摘要： 本发明公开了一种基于残差块全卷积神经网络的数据噪声压制方法。应用深度学习方法压制地震噪声的训练集和测试集均来自同一数据集，使得模型的泛化性受限。为解决泛化性问题，网络结构的设计思想是在Unet网络的基础上融合二重残差块，以增强网络对随机噪声的捕获能力。本发明建立在端到端的编码-解码的网络结构上，将含噪的地震数据作为输入，由多个卷积层和残差块提取随机噪声的本质特征，构成编码；再由多个反卷积层和残差块构成解码，网络的输出即为噪声压制后的地震数据。与目前地震资料去噪方法对比，由于融合了二重残差块从而对提取的随机噪声特征进行了二次消化学习，对噪声的本质特征学习地更为充分，所以在泛化性上具备明显的优势，不仅可以有效地压制随机噪声，还可以保护有效信号。
-
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。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.024 秒)
