CN106503800A - 基于复杂网络的深度学习模型及在测量信号分析中的应用 - Google Patents

Abstract

一种基于复杂网络的深度学习模型及在测量信号分析中的应用：设定对于测量信号通过可视图的方法构建复杂网络的原理，建立可视图复杂网络；对于每一通道测量信号采用可视图的方法建立复杂网络，对于每一个网络，提取以下指标：节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性；建立深度学习模型。采用循环激励电导传感器进行垂直油水两相流实验获取测量信号；固定油相和水相的配比，改变油相和水相的流量进行实验。本发明通过对测量信号构建复杂网络，用复杂网络的大量指标组成样本，作为深度学习模型的输入，通过逐层优化的机制，有监督学习和无监督学习相结合，得到深度学习模型，该模型可用于对未知类别的测量信号的预测与分类。

Description

基于复杂网络的深度学习模型及在测量信号分析中的应用

技术领域

本发明涉及一种深度学习模型。特别是涉及一种针对传感器得到的多通道测量信号的基于复杂网络的深度学习模型及在测量信号分析中的应用。

背景技术

测量信号的分析方法在诸多领域得到广泛的应用，其对于揭示复杂系统的内在特性具有重要的意义，例如油水两相流系统。油水两相流广泛存在于石油开采与运输产业。在油水两相流系统中，各相的分布随着时间和空间在不断变化，形成了不同的流动形态，称之为流型。两相流的流型复杂多变，局部流动信息难以准确捕捉，使得相含率等两相流流动参数的测量存在诸多难点。这对于石油开采和工艺改造造成了诸多影响。对于相含率的测量多采用电导法、电容法、光学法和射线法等。传统的测量采用的环形电导传感器和双螺旋电容传感器等，是单通道传感器，容易丢失微观的局部流动信息。而分布式的电导传感器和激励循环激励传感器等则可以同时采集多通道信号，捕捉到更丰富的微观流动信息，为流型和相含率的研究提拱了重要技术支持。

神经网络作为一种分类器，在过去的几十年中得到了长足发展。其主要基于对数据的特征进行学习以实现分类。但是过去的训练模型大多数是浅层的，分类效果无法达到很精确的地步。随着神经网络中梯度消失的问题被有效解决，搭建深层次的神经网络即深度置信网络成为可能。深度学习模型相比于浅层网络再特征提取和辨识上的性能得到有效提升。

复杂网络理论自创立以来，如今已在多领域得到了蓬勃发展，是研究复杂系统的一个重要工具，尤其是近年来其在时间序列分析中作出了重大贡献。实践表明，复杂网络对于挖掘包含在非线性时间序列中和非线性动力学系统中的重要信息具有明显的优势，效果显著。其在单通道时间序列上的得到成功应用的同时，也使得科研人员开始关注如何将其应用到多通道数据分析中。可视图是一种重要的复杂网络时间序列分析方法，其可以用于对大数据的分析，且计算速度快，因此在多领域得到广泛应用。

发明内容

本发明所要解决的技术问题是，提供一种基于复杂网络的深度学习模型及在测量信号分析中的应用。通过对测量信号采用可视图的方法建立复杂网络，提取复杂网络的大量指标，作为深度学习模型的输入，让模型通过对大量样本的训练以及无监督和有监督学习的方式，得到一个基于复杂网络的深度学习模型。

本发明所采用的技术方案是：一种基于复杂网络的深度学习模型，构建基于复杂网络的深度学习模型包括如下步骤：

1)设定对于测量信号通过可视图的方法构建复杂网络的原理：

对于每一通道测量信号得到的时间序列进行可视化分析，对于时间序列中的任意两个时刻t₁和t₂得到的两个点(t₁,x₁)和(t₂,x₂)，将它们看作可视图复杂网络中的任意两个节点，若两个节点之间有连边，则对于这两个点之间的任意一个点(t₃,x₃)，需要满足：

由此，建立可视图复杂网络；

2)对于每一通道测量信号采用可视图的方法建立复杂网络，对于每一个网络，提取以下指标：节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性；

3)建立深度学习模型。

将步骤2)中得到的大量网络指标，即节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性，作为深度置信网络的输入，对深度置信网络进行训练，包括：

(1)使用贪婪的逐层训练算法，对深度置信网络训练得到生成模型的网络参数；

(2)以第(1)步得到的网络参数为初始值，用来重置深度神经网络的初始权重，采用有监督的方法对整个网络参数进行全局训练，最终得到用于准确分类的神经网络参数；

由此，通过对大量网络指标的无监督学习和有监督学习，得到一个基于复杂网络的包含有深度置信网络和深度神经网络的深度学习模型。

步骤2)所述的指标具体如下：

(1)节点聚集系数C_i：

其中，k_i表示无权相关系数复杂网络中与节点i有连边的节点数目，E_i表示k_i个节点之间有连边的数目；

(2)节点度：任意节点i的度表示与该节点有连边的节点的数目；

(3)节点介数L(i)：

其中，σ_mn为连接节点m和节点n的最短路径数目，σ_mn(i)为经过节点i的连接节点m和节点n的最短路径数目；

(4)节点接近中心度CC_i：

其中，D_ij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离，该网络中共有节点数目为S；

(5)节点特征向量中心性：任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值。

步骤3)中所述的深度置信网络是由多层隐含随机变量构成的概率生成模型，由一定数目的受限玻尔兹曼机堆叠而成，然后从底向上进行逐层预训练；堆叠过程如下：训练一个伯努利-伯努利受限玻尔兹曼机后，将隐单元的激活概率作为下一层伯努利-伯努利受限玻尔兹曼机的输入数据；第二层伯努利-伯努利受限玻尔兹曼机的激活函数作为第三层伯努利-伯努利受限玻尔兹曼机的可见输入数据，各层以此类推。

步骤3)第(1)步所述的使用贪心贪婪的逐层训练算法是，采用无监督学习的训练算法，在训练过程不需要知道训练样本所属的类别，这样非常容易获得大量的训练样本，训练中由下至上，每两层构成一个受限玻尔兹曼机，用对比散度算法训练得到受限玻尔兹曼机参数，然后固定所述受限玻尔兹曼机参数，继续对上两层构造的受限玻尔兹曼机进行训练，直到最顶层结束，得到网络参数。

步骤3)第(2)步所述的其全局训练是采用有监督学习的训练算法，用带相含率标签的训练样本进行训练；以第(1)步得到的深度置信网络参数作为深度神经网络初始参数，并用反向传播算法进行微调训练。

一种基于复杂网络的深度学习模型在测量信号分析中的应用，是采用循环激励电导传感器进行垂直油水两相流实验获取测量信号；固定油相和水相的配比，改变油相和水相的流量进行实验；包括如下步骤：

1)固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐渐向管道中通入油相，当油水两相充分融合并逐渐稳定后，采用循环激励电导传感器测量多通道的信号，并用高速摄像仪记录流型；

2)一次采集结束后，改变油相和水相的流量，按步骤1)的过程继续采集，直至在固定的配比下所设计的工况都完成；

3)改变油相和水相的配比，重复步骤1)至步骤2)的过程完成这一轮的测量，直至设计的所有工况全部测量完成；

4)基于多通道测量信号，对于每一通道信号按照可视图的方法构建可视图复杂网络；

5)得到所有工况的可视图复杂网络后，分别提取每一个复杂网络的节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性标，将所述的指标作为一个样本；

6)将步骤5)中一部分的样本作为深度学习模型的训练集，一部分的样本作为深度学习模型的测试集，将大量样本作为深度学习模型的输入，将相含率作为标签，对深度学习模型采用有监督学习和无监督学习的方式训练和测试，利用逐层优化的机制，不断调整深度学习模型的参数，以得到一个基于复杂网络的深度学习模型，该模型用于油田开采中未知工况下相含率的测量。

本发明的基于复杂网络的深度学习模型及在测量信号分析中的应用，通过对测量信号采用可视图的方法构建复杂网络，用复杂网络的大量指标组成样本，作为深度学习模型的输入，通过逐层优化的机制，有监督学习和无监督学习相结合，以得到一个深度学习模型，该模型可用于对未知类别的测量信号的预测与分类。具有如下有益效果：

(1)提出了一种基于复杂网络的深度学习模型构建方法。

(2)该方法能够用于油水两相流系统中的相含率测量。

附图说明

图1是采用本发明的基于复杂网络的深度学习模型构建分析获取相含率示意图。

具体实施方式

下面结合实施例和附图对本发明的基于复杂网络的深度学习模型及在测量信号分析中的应用做出详细说明。

本发明的基于复杂网络的深度学习模型，通过对测量信号采用可视图的方法建立复杂网络，提取复杂网络的大量指标，作为深度学习模型的输入，让该模型通过对大量样本的训练以及无监督和有监督学习的方式，得到一个基于复杂网络的深度学习模型。

本发明的基于复杂网络的深度学习模型的建立方法，包括如下步骤：

1)设定对于测量信号通过可视图的方法构建复杂网络的原理：

对于每一通道测量信号得到的时间序列进行可视化分析，对于时间序列中的任意两个时刻t₁和t₂得到的两个点(t₁,x₁)和(t₂,x₂)，将它们看作可视图复杂网络中的任意两个节点，若两个节点之间有连边，则对于这两个点之间的任意一个点(t₃,x₃)，需要满足：

由此，建立可视图复杂网络；

2)对于每一通道测量信号采用可视图的方法建立复杂网络，对于每一个网络，提取以下指标：节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性；具体指标如下：

(1)节点聚集系数C_i：

其中，k_i表示无权相关系数复杂网络中与节点i有连边的节点数目，E_i表示k_i个节点之间有连边的数目；

(2)节点度：任意节点i的度表示与该节点有连边的节点的数目；

(3)节点介数L(i)：

其中，σ_mn为连接节点m和节点n的最短路径数目，σ_mn(i)为经过节点i的连接节点m和节点n的最短路径数目；

(4)节点接近中心度(closeness centrality)CC_i：

其中，D_ij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离，该网络中共有节点数目为S；

(5)节点特征向量中心性：任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值。

3)建立深度学习模型

将步骤2)中得到的大量网络指标，即节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性，作为深度置信网络的输入，对深度置信网络进行训练，所述的深度置信网络是由多层隐含随机变量构成的概率生成模型，由一定数目的受限玻尔兹曼机(即RBM)堆叠而成，然后从底向上进行逐层预训练；堆叠过程如下：训练一个伯努利-伯努利受限玻尔兹曼机后，将隐单元的激活概率作为下一层伯努利-伯努利受限玻尔兹曼机的输入数据；第二层伯努利-伯努利受限玻尔兹曼机的激活函数作为第三层伯努利-伯努利受限玻尔兹曼机的可见输入数据，各层以此类推。所述建立深度学习模型包括：

(1)使用贪婪的逐层训练算法，对深度置信网络训练得到生成模型的网络参数；所述的使用贪心的逐层训练算法是，采用无监督学习的训练算法，在训练过程不需要知道训练样本所属的类别，这样非常容易获得大量的训练样本，训练中由下至上，每两层构成一个受限玻尔兹曼机，用对比散度算法训练得到受限玻尔兹曼机参数，然后固定所述受限玻尔兹曼机参数，继续对上两层构造的受限玻尔兹曼机进行训练，直到最顶层结束，得到网络参数。

(2)以第(1)步得到的网络参数为初始值，用来重置深度神经网络的初始权重，采用有监督的方法对整个网络参数进行全局训练，最终得到用于准确分类的神经网络参数；所述的其全局训练是采用有监督学习的训练算法，用带相含率标签的训练样本进行训练；以第(1)步得到的深度置信网络参数作为深度神经网络初始参数，并用反向传播算法进行微调训练。

由于经过了第(1)步的贪婪逐层预训练，因此在进行全局训练时，能够很好地解决传统上对深层网络训练方式容易收敛到局部最优点的问题；由此，通过对大量网络指标的无监督学习和有监督学习，得到一个基于复杂网络的包含有深度置信网络和深度神经网络的深度学习模型。该模型可用于油水两相流系统中的相含率测量。

本发明的基于复杂网络的深度学习模型在测量信号分析中的应用，是采用循环激励电导传感器进行垂直油水两相流实验获取测量信号；固定油相和水相的配比，改变油相和水相的流量进行实验；包括如下步骤：

1)固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐渐向管道中通入油相，当油水两相充分融合并逐渐稳定后，采用循环激励电导传感器测量多通道的信号，并用高速摄像仪记录流型；

2)一次采集结束后，改变油相和水相的流量，按步骤1)的过程继续采集，直至在固定的配比下所设计的工况都完成；

3)改变油相和水相的配比，重复步骤1)至步骤2)的过程完成这一轮的测量，直至设计的所有工况全部测量完成；

4)基于多通道测量信号，对于每一通道信号按照可视图的方法构建可视图复杂网络；

5)得到所有工况的可视图复杂网络后，分别提取每一个复杂网络的节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性标，将所述的指标作为一个样本；

6)将步骤5)中一部分的样本作为深度学习模型的训练集，一部分的样本作为深度学习模型的测试集，将大量样本作为深度学习模型的输入，将相含率作为标签，对深度学习模型采用有监督学习和无监督学习的方式训练和测试，利用逐层优化的机制，不断调整深度学习模型的参数，以得到一个基于复杂网络的深度学习模型，该模型用于油田开采中未知工况下相含率的测量。

本实例中，每个传感器都由16个电极组成，每次测量中，其中一个电极作为激励端，一个电极接地，其余14个电极接收，一次循环可测量得到16×14＝224通道的信号。由于电极循环激励速度相对于流体流动的速度来说非常快，所以可以等效为这224通道的信号是同时测量的，由此可有效捕捉丰富的局部流动信息。固定油相和水相的配比，改变油相和水相的流量进行实验。实验过程如下：固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐渐向管道中通入油相，当油水两相充分融合并逐渐稳定后，采用循环激励电导传感器测量256通道的信号，并用高速摄像仪记录流型。一次采集结束后，改变油相和水相的流量，按上述过程继续采集，直至在固定的配比下所设计的工况都完成，再改变油相和水相的配比，重复上述过程完成这一轮的测量，直至设计的所有工况全部测量完成。基于上述的多通道测量信号，对于每一通道信号按照可视图的方法构建复杂网络，这样，对于一个工况可以生成256个复杂网络。得到所有工况的可视图复杂网络后，分别提取每一个复杂网络的节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性等指标，将这些网络指标作为一个样本。将其中一部分的样本作为深度学习模型的训练集，一部分的样本作为深度学习模型的测试集，将大量样本作为深度学习模型的输入，将相含率作为标签，通过对大量样本对深度学习模型进行有监督学习和无监督学习的方式训练和测试，采用逐层优化的机制，不断调整深度学习模型的参数，以得到一个可以准确辨识油水两相流的深度学习模型，实现在油田开采中未知工况下对相含率的准确测量。采用可视图的方法将非平稳的电信号转化为复杂网络拓扑结构，该方法计算速度快且不需要进行阈值选取。大量的复杂网络指标能够表征网络拓扑结构特征，通过深度置信网络对网络拓扑结构特征进行学习和训练。以可视图作为桥梁，可实现对非平稳测量信号的辨识与分类。

通过对测量信号采用可视图的方法构建复杂网络，用复杂网络的大量指标组成样本，作为深度学习模型的输入，通过逐层优化的机制，有监督学习和无监督学习相结合，以得到一个深度学习模型，该模型可用于对未知类别的测量信号的预测与分类。

以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。

Claims (6)

1.一种基于复杂网络的深度学习模型，其特征在于，构建基于复杂网络的深度学习模型包括如下步骤：

1)设定对于测量信号通过可视图的方法构建复杂网络的原理：

对于每一通道测量信号得到的时间序列进行可视化分析，对于时间序列中的任意两个时刻t₁和t₂得到的两个点(t₁,x₁)和(t₂,x₂)，将它们看作可视图复杂网络中的任意两个节点，若两个节点之间有连边，则对于这两个点之间的任意一个点(t₃,x₃)，需要满足：

$x_3<x_2+(x_1-x_2)\frac{x_2-x_3}{x_2-x_1}$

由此，建立可视图复杂网络；

2)对于每一通道测量信号采用可视图的方法建立复杂网络，对于每一个网络，提取以下指标：节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性；

3)建立深度学习模型

将步骤2)中得到的大量网络指标，即节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性，作为深度置信网络的输入，对深度置信网络进行训练，包括：

(1)使用贪婪的逐层训练算法，对深度置信网络训练得到生成模型的网络参数；

(2)以第(1)步得到的网络参数为初始值，用来重置深度神经网络的初始权重，采用有监督的方法对整个网络参数进行全局训练，最终得到用于准确分类的神经网络参数；

由此，通过对大量网络指标的无监督学习和有监督学习，得到一个基于复杂网络的包含有深度置信网络和深度神经网络的深度学习模型。

2.根据权利要求1所述的基于复杂网络的深度学习模型，其特征在于，步骤2)所述的指标具体如下：

(1)节点聚集系数C_i：

$C_i=\frac{2E_i}{k_i(k_i-1)}$

其中，k_i表示无权相关系数复杂网络中与节点i有连边的节点数目，E_i表示k_i个节点之间有连边的数目；

(2)节点度：任意节点i的度表示与该节点有连边的节点的数目；

(3)节点介数L(i)：

$L\left(i\right)=\underset{m\&NotEqual;i\&NotEqual;n}{\&Sigma;}\frac{{\mathrm{\&sigma;}}_{mn}\left(i\right)}{{\mathrm{\&sigma;}}_{mn}}$

其中，σ_mn为连接节点m和节点n的最短路径数目，σ_mn(i)为经过节点i的连接节点m和节点n的最短路径数目；

(4)节点接近中心度CC_i：

${\mathrm{CC}}_i=\frac{1}{\underset{j=1}{\overset{S-1}{\&Sigma;}}{D}_{ij}},i\&NotEqual;j$

其中，D_ij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离，该网络中共有节点数目为S；

(5)节点特征向量中心性：任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值。

3.根据权利要求1所述的基于复杂网络的深度学习模型，其特征在于，步骤3)中所述的深度置信网络是由多层隐含随机变量构成的概率生成模型，由一定数目的受限玻尔兹曼机堆叠而成，然后从底向上进行逐层预训练；堆叠过程如下：训练一个伯努利-伯努利受限玻尔兹曼机后，将隐单元的激活概率作为下一层伯努利-伯努利受限玻尔兹曼机的输入数据；第二层伯努利-伯努利受限玻尔兹曼机的激活函数作为第三层伯努利-伯努利受限玻尔兹曼机的可见输入数据，各层以此类推。

4.根据权利要求1所述的基于复杂网络的深度学习模型，其特征在于，步骤3)第(1)步所述的使用贪心贪婪的逐层训练算法是，采用无监督学习的训练算法，在训练过程不需要知道训练样本所属的类别，这样非常容易获得大量的训练样本，训练中由下至上，每两层构成一个受限玻尔兹曼机，用对比散度算法训练得到受限玻尔兹曼机参数，然后固定所述受限玻尔兹曼机参数，继续对上两层构造的受限玻尔兹曼机进行训练，直到最顶层结束，得到网络参数。

5.根据权利要求1所述的基于复杂网络的深度学习模型，其特征在于，步骤3)第(2)步所述的其全局训练是采用有监督学习的训练算法，用带相含率标签的训练样本进行训练；以第(1)步得到的深度置信网络参数作为深度神经网络初始参数，并用反向传播算法进行微调训练。

6.一种权利要求1所述的基于复杂网络的深度学习模型在测量信号分析中的应用，其特征在于，是采用循环激励电导传感器进行垂直油水两相流实验获取测量信号；固定油相和水相的配比，改变油相和水相的流量进行实验；包括如下步骤：

1)固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐渐向管道中通入油相，当油水两相充分融合并逐渐稳定后，采用循环激励电导传感器测量多通道的信号，并用高速摄像仪记录流型；

2)一次采集结束后，改变油相和水相的流量，按步骤1)的过程继续采集，直至在固定的配比下所设计的工况都完成；

3)改变油相和水相的配比，重复步骤1)至步骤2)的过程完成这一轮的测量，直至设计的所有工况全部测量完成；

4)基于多通道测量信号，对于每一通道信号按照可视图的方法构建可视图复杂网络；

5)得到所有工况的可视图复杂网络后，分别提取每一个复杂网络的节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性标，将所述的指标作为一个样本；

6)将步骤5)中一部分的样本作为深度学习模型的训练集，一部分的样本作为深度学习模型的测试集，将大量样本作为深度学习模型的输入，将相含率作为标签，对深度学习模型采用有监督学习和无监督学习的方式训练和测试，利用逐层优化的机制，不断调整深度学习模型的参数，以得到一个基于复杂网络的深度学习模型，该模型用于油田开采中未知工况下相含率的测量。