CN113188570A - 一种基于支持向量分类机和k邻近法的随钻测斜仪姿态误差标定方法 - Google Patents
一种基于支持向量分类机和k邻近法的随钻测斜仪姿态误差标定方法 Download PDFInfo
- Publication number
- CN113188570A CN113188570A CN202110457531.3A CN202110457531A CN113188570A CN 113188570 A CN113188570 A CN 113188570A CN 202110457531 A CN202110457531 A CN 202110457531A CN 113188570 A CN113188570 A CN 113188570A
- Authority
- CN
- China
- Prior art keywords
- attitude
- drilling tool
- classification
- sample
- drilling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Manufacturing & Machinery (AREA)
- Earth Drilling (AREA)
Abstract
本发明公开了一种基于支持向量分类机和K邻近法的随钻测斜仪姿态误差标定方法。所述方法首先利用实测标定结果与实测值误差建立起神经网络模型,然后采用了K邻近法对于钻具姿态数据进一步分类,构建了结合K邻近法的神经网络模型;所述方法运行装置包括校验架和地磁传感器。该误差标定方法旨在解决现有针对目前校准方法的不足以及传统三轴正交测斜法校准耗时长、操作复杂、标定时间长、精度低、成本昂贵的问题。
Description
技术领域
本发明涉及测斜仪校准领域,尤其涉及一种基于支持向量分类机和K邻近法的随钻测斜仪姿态误差标定方法
技术背景
油气资源是现在工业发展和经济发展的重要命脉,随着我国经济的快速发展,对于油气资源的需求也不断增大。因为油气资源是不可再生的,并且已经开采过的油气资源基本上都是地质好,开采难度小的地方。所以剩余的油气资源储藏地的地理环境复杂,开采难度大
目前油气资源开采方向朝着更深的地层前进,发展出了水平井、大位移井等开采方式。复杂的地质、难度更大的开采方式,这都对当前的钻井轨迹测量的精确度提出了更高的要求。随钻测斜仪均采用基于地球重力场和磁场的测斜技术来实现,即利用三轴加速度计和三轴磁强计组合实现方位角、井斜角及工具面角的测量。由于制造工艺及安装误差的原因,通常会带来传感器温度漂移及传感器与钻具三轴坐标系安装不重合、不正交等误差。所以随钻测斜仪在出厂前需要实现对随钻测斜仪的标定和使用一定时间后的再次标定。在标定过程中,随钻测斜仪会受到磁场干扰的影响,从而使得标定误差增大,甚至失效。如果不消除或抑制这些误差,测量结果会出现很大的偏差。
存在的问题在于,目前的测斜方法人为影响因素较大,只能够对固定误差有比较好的效果,标定周期长,无法达到现代工业实时监测钻具姿态的标准。
发明内容
针对目前标定过程中标定时间长,精度低、成本昂贵的问题,本发明的目的在于提出了一种基于支持向量分类机和K邻近法的随钻测斜仪精度提升的方法,先利用实测标定结果与实测值误差建立起神经网络模型,然后采用了K邻近法对于钻具姿态数据进一步分类,构建了结合K邻近法的神经网络模型。
为达到以上目的,本发明采取的技术方案是:
本发明提出了一种基于支持向量分类机和K邻近法的随钻测斜仪姿态误差标定方法,包括:通过向量分类机进行接收钻具姿态特征样本的模式分类,并结合K邻近法完善分类结果,进行标定,以得到提升精度的钻具姿态数据。
在所述方法中,钻具姿态的计算需要进行多次分类,且多次分类可以拆分为若干个二分类,过程主要为两个模式,分别为训练模式和分类模式,其中训练模式为分类模式服务,同时分类模式的计算结果也可以作为训练模式的样本。
在所述方法中,需要的钻具姿态训练样本集T={(X1,Y1),(X2,Y2),…,(Xm,Ym)};
其中,Xi∈X=Rn为实测钻具姿态训练样本数据;Yi∈Y∈{1,-1}为判定结果;i=1,2,…,m。
所述实测钻具姿态训练样本数据集为线性可分的;
将钻具姿态样本数据正确的划分为两类的分类超平面ωX+b=0,其对应的是室内位置判别函数为符号函数:F(X)=sgn(ωX+b)。
所述应用Lagrange对偶理论及二次规划方法,考虑钻具姿态数据样本与分类超平面的距离问题,以得到最优ω及b,获得最优分类超平面,满足结构风险最小化原则,具体包括:
解决少数钻具姿态样本导致求解最优分类超平面失败问题,采用引入松弛变量及惩罚因子C以寻求学习精度和学习能力的最佳折衷,获得最好的泛化能力。
解决测斜仪精度标定系统获取包含钻具姿态信息的钻具姿态特征向量受环境影响较大,在低维空间难以完成线性分类的问题,采用满足Mercer条件的核函数完成样本线性不可分低维空间到线性可分高维空间的映射。然后,采用与线性可分问题类似的方法在高维空间中求解最优分类超平面,具体包括:
其中,K(Xi,X)为核函数。
其中,σ为标准差。
采用构造多分类向量分类机来解决上述实际钻具姿态有不同的角度,并且随着钻具姿态数据精度增加,其分类数量也随之增加的问题。
在钻具姿态测量过程中,进行多次采集建立钻具姿态样本数据库;该样本库中的N个样本分别对应c个已知钻具姿态,其中对应位置为ωi(i=1,2,…,c)样本具有Ni个;
当对待测钻具姿态进行测量时,待测钻具姿态的位样本x的k个邻近中属于类别ω1,ω2,…,ωc的样本数分别为k1,k2,...,kc个,针对当前位置的判别函数可以表述为gi(x)=ki(i=1,2,…c),钻具姿态判定规则表述为:若则判别:x∈ωj(j=1,2,…,c)。
对于分类超平面附近的样本,可采用K邻近法进行分类,具体包括:
根据得到系统在待测样本采集并处理过的钻具姿态特征向量,利用训练时得到的分类机完成初次分类得到钻具姿态信息,同时得到该类别的决策函数和支持向量。而后使用同样的核函数对钻具姿态特征向量与支持向量向高维空间映射得到和,并求得二者映射后的欧式距离;
与现有技术相比,本发明的优点在于:先利用实测标定结果与实测值误差建立起神经网络模型,然后采用了K邻近法对于钻具姿态数据进一步分类,构建了结合K邻近法的神经网络模型,主要通过向量分类机进行接收钻具姿态特征样本的模式分类,并结合K邻近法完善分类结果,完成钻具姿态数据的精度提升。解决了目前校准方法的不足以及传统三轴正交测斜法校准耗时长、操作复杂的问题。
附图说明
图1为本发明测斜仪安装误差示意图
图2为本发明向量分类机和K邻近法精度标定算法流程图
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
传感器本身的制造误差主要表现为零点和各轴的灵敏度不对称两种误差,以及安装误差中敏感轴不正交和不重合两种误差,如图1所示,采用欧拉角法来表示姿态角矩阵,采用参考坐标系为地理坐标系(EUN)坐标系。EUN坐标系基于右手准则定义为East-Up-North,测斜仪的仪器坐标系(OXbYbZb)也基于右手准则。
本发明提出了一种基于支持向量分类机和K邻近法的随钻测斜仪姿态误差标定方法主要通过向量分类机进行接收钻具姿态特征样本的模式分类,并结合K邻近法完善分类结果,完成钻具姿态数据的精度提升。钻具姿态的计算需要进行多次分类,为了解决多分类判定问题,首先需要讨论所采集钻具姿态信息是否属于数据分类中的二分类问题。在此基础上,再对钻具姿态数据进一步分类。
设实际工程中所需的钻具姿态训练样本集T={(X1,Y1),(X2,Y2),…,(Xm,Ym)},其中,Xi∈X=Rn为实测钻具姿态训练样本数据;Yi∈Y∈{1,-1}为判定结果;i=1,2,…,m。
假如上述实测钻具姿态训练样本数据集为线性可分的,则存在可将钻具姿态样本数据正确的划分为两类的分类超平面ωX+b=0。其对应的是室内位置判别函数为符号函数:F(X)=sgn(ωX+b)。
若存在少数钻具姿态样本导致求解最优分类超平面失败,则可引入松弛变量及惩罚因子C以寻求学习精度和学习能力的最佳折衷,获得最好的泛化能力。最终得到判别函数形式同上式。
在测斜仪精度标定系统中,可根据判别函数完成精度分类判定,然而系统获取包含钻具姿态信息的钻具姿态特征向量受环境影响较大,在低维空间难以完成线性分类。对于该问题,通常采用满足Mercer条件的核函数完成样本线性不可分低维空间到线性可分高维空间的映射。然后,采用与线性可分问题类似的方法在高维空间中求解最优分类超平面。最终得到最优判别函数的一般形式为:
其中,K(Xi,X)为核函数。
常用的核函数分为线性核函数、多项式核函数、径向基核函数和Sigmoid核函数。其中线性核函数是径向基核函数的一个特例,而多项式核函数大量的参数提高了模型的复杂度,Sigmoid核函数部分性能与RBF类似。RBF核函数可以实现非线性映射且具有参数少的优点,因此,本发明拟采用RBF核函数,核函数形式为:
其中,σ为标准差。应用SVCM进行钻具姿态样本时,惩罚因子C和核函数中的标准差σ为两个重要参数,合理地参数选择可以提高分类器性能。
上述理论可以解决二分类钻具姿态求解问题,而实际钻具姿态有不同的角度,并且随着钻具姿态数据精度增加,其分类数量也随之增加。因此,钻具姿态数据算法属于多类别识别问题,若完成目标数据判定,需构造多分类向量分类机,即SVCM。
同时在钻具姿态测量过程中,进行多次采集建立钻具姿态样本数据库。该样本库中的N个样本分别对应c个已知钻具姿态,其中对应位置为ωi(i=1,2,…,c)样本具有Ni个。当对待测钻具姿态进行测量时,待测钻具姿态的位样本x的k个邻近中属于类别ω1,ω2,…,ωc的样本数分别为k1,k2,...,kc个,针对当前位置的判别函数可以表述为gi(x)=ki(i=1,2,…c)。因此,钻具姿态判定规则可表述为:若则判别:x∈ωj(j=1,2,…,c)。
利用SVCM来进行钻具姿态样本类别判定时,与多数分类器类似,通常错分样本大多位于分类超平面附近,而距离较远的样本不易出错。由向量分类机理论可知,其完成样本类别判断主要依据位于分类超平面两侧的支持向量。根据上文所述可知,K邻近法包括实测姿态数据库所有样本,因此对于分类超平面附近的样本,可利用K邻近法进行分类。
本发明两种算法进行结合,在通过足够多的实测钻具姿态数据训练样本后,对待测的钻具姿态进行精确计算。
在应用该算法进行训练前,需要建立钻具姿态测量所需的钻具姿态特征样本库。钻具姿态特征样本库由所有测试点的反映其位置信息的钻具姿态特征角构成,且每个测试点经过多次测量。随测量次数的增多,样本库中样本更为全面,将有利于姿态精度的提高。
根据测斜仪精度标定工作模式,标定算法功能主要分为两个部分:离线训练和在线标定。如图2所示为多分类向量分类机和K邻近法精度标定算法流程图,即SVCM-KNN。
如图2所示,如系统处于离线训练阶段,该精度标新系统利用数据库中的钻具姿态特征向量与其对应的钻具姿态作为训练样本集来进行SVCM训练,得到SVCM分类机。
处于工作阶段时,首先算法得到系统在待测样本采集并处理过的钻具姿态特征向量,利用训练时得到的分类机完成初次分类得到钻具姿态信息,同时得到该类别的决策函数和支持向量。而后使用同样的核函数对钻具姿态特征向量与支持向量向高维空间映射得到和,并求得二者映射后的欧式距离。那么位置判定可以表述为:
当该距离大于阈值ε时,以A为最终判定结果。如果该距离小于阈值ε,那么SVCM分类机的分类结果是不可靠的,以下利用K邻近法对待测样本进行再次分类,得到判定结果B。由此以结果B作为待测样本实际姿态数据。可以看出,当阈值ε设为0时,分类结果与向量分类机一致。
Claims (6)
1.一种基于支持向量分类机和K邻近法的随钻测斜仪姿态误差标定方法,其特征在于,包括:通过向量分类机进行接收钻具姿态特征样本的模式分类,并结合K邻近法完善分类结果,进行标定,以得到提升精度的钻具姿态数据。
2.如权利要求1所述的一种基于支持向量分类机和K邻近法的随钻测斜仪姿态误差标定方法,其特征在于,钻具姿态的计算需要进行多次分类,且多次分类可以拆分为若干个二分类,过程主要为两个模式,分别为训练模式和分类模式,其中训练模式为分类模式服务,同时分类模式的计算结果也可以作为训练模式的样本。多次分类判定中钻具姿态训练样本集T={(X1,Y1),(X2,Y2),...,(Xm,Ym)};
其中,Xi∈X=Rn为实测钻具姿态训练样本数据;Yi∈Y∈{1,-1}为判定结果;i=1,2,...,m;
上述实测钻具姿态训练样本数据集为线性可分的,将钻具姿态样本数据正确的划分为两类的分类超平面ωX+b=0。其对应的是室内位置判别函数为符号函数:F(X)=sgn(ωX+b)。
4.如权利要求1所述的一种基于支持向量分类机和K邻近法的随钻测斜仪姿态误差标定方法,其特征在于,解决少数钻具姿态样本导致求解最优分类超平面失败问题,采用引入松弛变量及惩罚因子C以寻求学习精度和学习能力的最佳折衷,获得最好的泛化能力。
6.如权利要求1所述的一种基于支持向量分类机和K邻近法的随钻测斜仪姿态误差标定方法,其特征在于,采用构造多分类向量分类机来解决上述实际钻具姿态有不同的角度,并且随着钻具姿态数据精度增加,其分类数量也随之增加的问题;
在钻具姿态测量过程中,进行多次采集建立钻具姿态样本数据库;该样本库中的N个样本分别对应c个已知钻具姿态,其中对应位置为ωi(i=1,2,...,c)样本具有Ni个;
当对待测钻具姿态进行测量时,待测钻具姿态的位样本x的k个邻近中属于类别ω1,ω2,...,ωc的样本数分别为k1,k2,...,kc个,针对当前位置的判别函数可以表述为gi(x)=ki(i=1,2,...c),钻具姿态判定规则表述为:若则判别:x∈ωj(j=1,2,...,c);
对于分类超平面附近的样本,可采用K邻近法进行分类,具体包括:
根据得到系统在待测样本采集并处理过的钻具姿态特征向量,利用训练时得到的分类机完成初次分类得到钻具姿态信息,同时得到该类别的决策函数和支持向量。而后使用同样的核函数对钻具姿态特征向量与支持向量向高维空间映射得到和,并求得二者映射后的欧式距离;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110457531.3A CN113188570A (zh) | 2021-04-27 | 2021-04-27 | 一种基于支持向量分类机和k邻近法的随钻测斜仪姿态误差标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110457531.3A CN113188570A (zh) | 2021-04-27 | 2021-04-27 | 一种基于支持向量分类机和k邻近法的随钻测斜仪姿态误差标定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113188570A true CN113188570A (zh) | 2021-07-30 |
Family
ID=76979220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110457531.3A Pending CN113188570A (zh) | 2021-04-27 | 2021-04-27 | 一种基于支持向量分类机和k邻近法的随钻测斜仪姿态误差标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113188570A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2273158A1 (en) * | 1996-12-31 | 1998-07-09 | Honeywell Inc. | Attitude determination method and system |
CN1888384A (zh) * | 2006-07-21 | 2007-01-03 | 北京航空航天大学 | 一种基于神经网络的钻井测斜仪方位角误差补偿方法 |
US20090222229A1 (en) * | 2008-02-28 | 2009-09-03 | Aisin Seiki Kabushiki Kaisha | Calibration device and calibration method for range image sensor |
CA2782275A1 (en) * | 2011-10-03 | 2013-04-03 | The Boeing Company | Modified kalman filter for generation of attitude error corrections |
CN107492148A (zh) * | 2017-08-17 | 2017-12-19 | 广东工业大学 | 基于SVM与K‑Means的大规模无标定曲面点云重建圆柱面方法 |
CN107770108A (zh) * | 2017-10-23 | 2018-03-06 | 佛山科学技术学院 | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 |
CN108694482A (zh) * | 2018-07-27 | 2018-10-23 | 西南石油大学 | 基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法 |
CN109211269A (zh) * | 2018-08-16 | 2019-01-15 | 昆山天地睿航智能科技有限公司 | 一种双轴旋转惯导系统姿态角误差标定方法 |
CN110334847A (zh) * | 2019-05-24 | 2019-10-15 | 广东智造能源科技研究有限公司 | 基于改进K-means聚类与支持向量机的风功率预测方法 |
CN110533726A (zh) * | 2019-08-28 | 2019-12-03 | 哈尔滨工业大学 | 一种激光雷达场景三维姿态点法向量估计修正方法 |
CN111412930A (zh) * | 2020-04-30 | 2020-07-14 | 中国船舶重工集团公司第七0七研究所 | 一种联合测姿装置安装误差的标定运算方法 |
CN111751714A (zh) * | 2020-06-11 | 2020-10-09 | 西安电子科技大学 | 一种基于svm和hmm的射频模拟电路故障诊断方法 |
-
2021
- 2021-04-27 CN CN202110457531.3A patent/CN113188570A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2273158A1 (en) * | 1996-12-31 | 1998-07-09 | Honeywell Inc. | Attitude determination method and system |
CN1888384A (zh) * | 2006-07-21 | 2007-01-03 | 北京航空航天大学 | 一种基于神经网络的钻井测斜仪方位角误差补偿方法 |
US20090222229A1 (en) * | 2008-02-28 | 2009-09-03 | Aisin Seiki Kabushiki Kaisha | Calibration device and calibration method for range image sensor |
CA2782275A1 (en) * | 2011-10-03 | 2013-04-03 | The Boeing Company | Modified kalman filter for generation of attitude error corrections |
CN107492148A (zh) * | 2017-08-17 | 2017-12-19 | 广东工业大学 | 基于SVM与K‑Means的大规模无标定曲面点云重建圆柱面方法 |
CN107770108A (zh) * | 2017-10-23 | 2018-03-06 | 佛山科学技术学院 | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 |
CN108694482A (zh) * | 2018-07-27 | 2018-10-23 | 西南石油大学 | 基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法 |
CN109211269A (zh) * | 2018-08-16 | 2019-01-15 | 昆山天地睿航智能科技有限公司 | 一种双轴旋转惯导系统姿态角误差标定方法 |
CN110334847A (zh) * | 2019-05-24 | 2019-10-15 | 广东智造能源科技研究有限公司 | 基于改进K-means聚类与支持向量机的风功率预测方法 |
CN110533726A (zh) * | 2019-08-28 | 2019-12-03 | 哈尔滨工业大学 | 一种激光雷达场景三维姿态点法向量估计修正方法 |
CN111412930A (zh) * | 2020-04-30 | 2020-07-14 | 中国船舶重工集团公司第七0七研究所 | 一种联合测姿装置安装误差的标定运算方法 |
CN111751714A (zh) * | 2020-06-11 | 2020-10-09 | 西安电子科技大学 | 一种基于svm和hmm的射频模拟电路故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
HAI YANG等: "Research on Improving Accuracy of MWD Based on Support Vector Classifier and K-Proximity Method", 《IEEE SENSORS JOURNAL》 * |
LERTNIPHONPHAN, KANOKPHAN等: "The region-based distance of oriented gradient and motion direction for human action classification", 《2012 INTERNATIONAL SYMPOSIUM ON COMMUNICATIONS AND INFORMATION TECHNOLOGIES》 * |
李养胜等: "基于支持向量机与k-近邻的工件表面缺陷识别算法", 《电子测量技术》 * |
梁海波等: "红外光谱检测技术在煤层气气测录井中的应用", 《仪器仪表学报》 * |
王习文等: "飞机三维姿态测量的角平分线方向向量法", 《光学精密工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688665B (zh) | 一种室内地图自动构建方法、装置及存储介质 | |
US10769530B2 (en) | Method for training artificial neural network using histograms and distributions to deactivate at least one hidden node | |
CN108093406B (zh) | 一种基于集成学习的无线传感网入侵检测方法 | |
CN103307975B (zh) | 模型生成设备和方法以及信息处理设备和方法 | |
CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
CN103473540B (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN108549866B (zh) | 基于密集卷积神经网络的遥感飞机识别方法 | |
CN111461038A (zh) | 一种基于分层多模式注意力机制的行人再识别方法 | |
CN110072205B (zh) | 一种用于无线传感网异常数据检测的分层聚合方法 | |
CN110880369A (zh) | 基于径向基函数神经网络的气体标志物检测方法及应用 | |
CN111980688A (zh) | 一种基于集成学习算法的井斜角度预测方法 | |
CN113297723B (zh) | 基于均值漂移-灰色关联分析的电主轴温度测点优化方法 | |
CN104850867A (zh) | 一种基于直觉模糊c均值聚类的目标识别方法 | |
CN109002792B (zh) | 基于分层多模型度量学习的sar图像变化检测方法 | |
Wang et al. | A delaunay triangulation-based matching area selection algorithm for underwater gravity-aided inertial navigation | |
CN113127705A (zh) | 一种异构双向生成对抗网络模型及时间序列异常检测方法 | |
Muhamedyev et al. | Comparative analysis of classification algorithms | |
CN116540316B (zh) | 基于svm分类算法及聚类算法的地质土层测试方法 | |
CN114323008A (zh) | 基于机器学习分类的融合航向角估计方法及系统 | |
Zhu et al. | Accurate position estimation of mobile robot based on cyber-physical-social systems (CPSS) | |
CN116894180B (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 | |
CN113188570A (zh) | 一种基于支持向量分类机和k邻近法的随钻测斜仪姿态误差标定方法 | |
Świetlicka et al. | Homogeneous ensemble model built from artificial neural networks for fault detection in navigation systems | |
CN117145456A (zh) | 一种钻具欧拉角参数动态测量方法、介质及系统 | |
CN115618167A (zh) | 一种多传感器冗余组合容错动态测量模型及建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210730 |
|
WD01 | Invention patent application deemed withdrawn after publication |