CN116400426A - 基于电磁法的数据勘测系统 - Google Patents
基于电磁法的数据勘测系统 Download PDFInfo
- Publication number
- CN116400426A CN116400426A CN202310657805.2A CN202310657805A CN116400426A CN 116400426 A CN116400426 A CN 116400426A CN 202310657805 A CN202310657805 A CN 202310657805A CN 116400426 A CN116400426 A CN 116400426A
- Authority
- CN
- China
- Prior art keywords
- feature
- classification
- attention
- matrix
- vectors
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000000463 material Substances 0.000 claims abstract description 62
- 239000000126 substance Substances 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims description 131
- 239000013598 vector Substances 0.000 claims description 110
- 239000011159 matrix material Substances 0.000 claims description 106
- 238000010586 diagram Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及智能化勘测技术领域。一种基于电磁法的数据勘测系统，其获取电磁波回波信号；采用基于深度学习的人工智能技术，挖掘所述电磁波回波信号中关于地下物质的隐含特征分布信息，基于此生成地下物质的类型标签。这样，可以准确地确定地下物质类型，提高勘测效率和精准度。
Description
技术领域
本申请涉及智能化勘测技术领域，并且更具体地，涉及一种基于电磁法的数据勘测系统。
背景技术
传统的地下物质勘探方法包括测量重力场、磁场、电位场等，这些方法不能够直接确定地下物质的类型和分布情况。电磁法勘测技术是一种非破坏性测试方法，可用于探测固体地质结构和岩石形态，其原理是利用电磁波在介质中传播时的特性来判断介质的性质和变化，从而获取地下物质的有效信息。
当前工程探测领域广泛应用电磁法勘测技术，例如建筑物基础检测、隧道勘测和管道定位等。然而，在实际应用中，由于地下环境的复杂性以及信号采集和处理的挑战性，电磁法勘测技术仍面临着许多难题，例如现有的基于电磁法的数据勘测系统通常需要人工解读和判断，效率低下且存在误判的可能。
因此，期望一种优化的基于电磁法的数据勘测系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于电磁法的数据勘测系统，其获取电磁波回波信号；采用基于深度学习的人工智能技术，挖掘所述电磁波回波信号中关于地下物质的隐含特征分布信息，基于此生成地下物质的类型标签。这样，可以准确地确定地下物质类型，提高勘测效率和精准度。
第一方面，提供了一种基于电磁法的数据勘测系统，其包括：
电磁回波信号获取模块，用于获取电磁波回波信号；
滑窗扫描模块，用于对所述电磁波回波信号进行基于采样窗的滑窗扫描以得到多个电磁波回波采样窗；
波形局部特征提取模块，用于将所述多个电磁波回波采样窗分别通过作为过滤器的卷积神经网络模型以得到多个采样窗局部波形特征向量；
波形局部特征上下文关联模块，用于将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器以得到多个上下文采样窗局部波形特征向量；
空间特征增强模块，用于将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；
特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵；以及，
地下物质类型检测模块，用于将所述优化后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示地下物质的类型标签。
在上述基于电磁法的数据勘测系统中，所述波形局部特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个采样窗局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个电磁波回波采样窗。
在上述基于电磁法的数据勘测系统中，所述波形局部特征上下文关联模块，包括：向量构造单元，用于将所述多个采样窗局部波形特征向量进行一维排列以得到采样窗全局特征向量；自注意单元，用于计算所述采样窗全局特征向量与所述多个采样窗局部波形特征向量中各个采样窗局部波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个采样窗局部波形特征向量中各个采样窗局部波形特征向量进行加权以得到所述多个上下文采样窗局部波形特征向量。
在上述基于电磁法的数据勘测系统中，所述空间特征增强模块，包括：卷积编码单元，用于使用所述空间注意力模块的卷积编码部分对所述二维特征矩阵进行卷积编码以得到卷积特征图；空间注意力单元，用于将所述卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；激活单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；空间增强单元，用于计算所述空间注意力特征图和所述卷积特征图的按位置点乘以得到空间增强特征图；以及，池化单元，用于对所述空间增强特征图沿着通道维度进行全局均值池化以得到所述分类特征矩阵。
在上述基于电磁法的数据勘测系统中，所述特征优化模块，用于：以如下优化公式对所述分类特征矩阵进行流形曲面的高斯概率密度参数二次正则化以得到所述优化后分类特征矩阵；其中，所述优化公式为：
其中，
是所述分类特征矩阵的第
位置的特征值，
和
是所述分类特征矩
阵的各个位置特征值集合的均值和标准差，且
是所述优化后分类特征矩阵的第
位
置的特征值。
在上述基于电磁法的数据勘测系统中，所述地下物质类型检测模块，包括：矩阵展开单元，用于将所述优化后分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的基于电磁法的数据勘测系统，其获取电磁波回波信号；采用基于深度学习的人工智能技术，挖掘所述电磁波回波信号中关于地下物质的隐含特征分布信息，基于此生成地下物质的类型标签。这样，可以准确地确定地下物质类型，提高勘测效率和精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的基于电磁法的数据勘测系统的应用场景图。
图2为根据本申请实施例的基于电磁法的数据勘测系统的框图。
图3为根据本申请实施例的基于电磁法的数据勘测系统中所述波形局部特征上下文关联模块的框图。
图4为根据本申请实施例的基于电磁法的数据勘测系统中所述空间特征增强模块的框图。
图5为根据本申请实施例的基于电磁法的数据勘测系统中所述地下物质类型检测模块的框图。
图6为根据本申请实施例的基于电磁法的数据勘测方法的流程图。
图7为根据本申请实施例的基于电磁法的数据勘测方法的系统架构的示意图。
901、电磁波回波信号；902、服务器。
具体实施方式
具体地，在本申请的技术方案中，期望通过对电磁法数据勘测系统接收的电磁波回波信号进行分析来获取地下物质的信息。应可以理解，电磁法数据勘测系统发射的电磁波在地下物质中的传播受到物质类型和分布的影响，从而在地面接收到不同的回波信号。因此，通过对回波信号进行分析和处理，可以确定地下物质的类型和位置。但是，由于所述电磁波回波信号中存在有大量的信息量，而关于地下物质的有效信息为隐含特征，易受到环境噪声的干扰，导致地下物质特征信息变得模糊，在对于地下物质的类别判断上效率和精准度都难以达到预期。因此，在此过程中，难点在于如何挖掘所述电磁波回波信号中关于地下物质的隐含特征分布信息，以此来准确地确定地下物质类型，提高勘测效率和精准度。
更具体地，在本申请的技术方案中，首先，获取电磁波回波信号。应可以理解，由于地下物质的性质和位置可能会发生变化，为了更好地理解和分析所述电磁波回波信号，需要将其分割成多个采样窗进行处理，也就是说，将输入信号进行分段处理并采用滑动窗口的方法可以更好地适应不同场景的需求，并且有效地避免了信号中的干扰和噪声，提高了数据处理的准确度和可靠性。具体地，对所述电磁波回波信号进行基于采样窗的滑窗扫描以得到多个电磁波回波采样窗。这里，所述各个电磁波回波采样窗是指从所述回波信号中选取一段固定长度的数据窗口，在数据勘测系统中，每个采样窗相当于一个局部信号，需要对所述回波信号中的各个局部信号进行特征提取和处理，以获取更加精确的地下物质信息，从而有效区分不同类型的地下物质。特别地，针对不同的应用场景和物质类型，采样窗的大小可以设置为不同长度。
然后，对于所述电磁波回波信号中的各个电磁波回波采样窗来说，所述各个电磁波回波采样窗中都存在有关于地下物质的局部隐含特征信息，且所述电磁波回波采样窗在时域中的表现形式为波形图，因此，在本申请的技术方案中，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述各个电磁波回波采样窗的特征挖掘，以分别提取出所述各个电磁波回波采样窗中关于地下物质的局部隐含特征分布信息，从而得到多个采样窗局部波形特征向量。
进一步地，考虑到由于所述地下物质的各个位置的局部隐含特征之间具有着关于所述电磁波回波信号整体的关联性关系。因此，为了能够充分地进行所述地下物质的隐含特征信息表达，以准确地进行地下物质类型检测，在本申请的技术方案中，进一步将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个电磁波回波采样窗中关于地下物质的局部隐含特征的基于所述电磁波回波信号全局的上下文语义关联特征信息，即所述电磁波回波信号中的各个采样窗的局部特征基于全局的上下文关联特征信息，从而得到多个上下文采样窗局部波形特征向量。
然后，还考虑到在进行所述地下物质检测时，应更加关注于空间位置上关于地下物质类型的隐含特征信息，而忽略与地下物质类型检测无关的其余干扰特征。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块中进行空间特征增强处理，以刻画出所述电磁回波性全局中聚焦于空间上的关于地下物质类型的隐含特征分布信息，从而得到分类特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于地下物质类型的特征分布信息。
接着，进一步再将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示地下物质的类型标签。也就是说，在本申请的技术方案中，所述分类器的标签为地下物质的类型标签。因此，在得到所述分类结果后，可基于所述分类结果来确定地下物质的类型，以提高勘测效率和精准度。
特别地，在本申请的技术方案中，将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器得到所述多个上下文采样窗局部波形特征向量时，考虑到每个采样窗局部波形特征向量都是对所述电磁波回波信号的单个采样窗的局部信号图像进行图像特征语义提取得到的，尽管所述基于转换器的上下文编码器对于其图像特征语义进行了上下文关联编码，但所述多个上下文采样窗局部波形特征向量之间仍然存在相当的分布差异。并且，由于所述空间注意力模块会对局部空间特征分布进行强化，这就使得将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块后，会进一步加大所述分类特征矩阵内的各个局部空间特征分布之间的差异，导致所述分类特征矩阵的整体特征分布的规则化程度进一步降低，从而影响所述分类特征矩阵的分类准确性。
基于此，本申请的实施例中，对所述分类特征矩阵，例如记为
进行流形曲面的高
斯概率密度参数二次正则化，具体表示为：
其中
和
是特征值集合
的均值和标准差，且
是优化后的所述分类
特征矩阵
的第
位置的特征值。
具体地，为了解决所述分类特征矩阵
的特征集合的高维特征分布在空间分布强
化的高维特征空间内的分布不规则化的问题，通过特征值针对分类器的类概率分布的高斯
概率密度参数的似然性进行所述分类特征矩阵
的各个特征值的二次正则化，来将基于目
标类概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束，以获得
高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整，从而提升
优化后的所述分类特征矩阵
的特征分布的规则性，以提升优化后的所述分类特征矩阵
通过分类器的分类准确性。这样，能够准确地进行地下物质类型的智能检测，进而提高勘
测效率和精准度。
图1为根据本申请实施例的基于电磁法的数据勘测系统的应用场景图。如图1所示，在该应用场景中，首先，获取电磁波回波信号（例如，如图1中所示意的901）；然后，将获取的电磁波回波信号输入至部署有基于电磁法的数据勘测算法的服务器（例如，如图1中所示意的902）中，其中所述服务器能够基于电磁法的数据勘测算法对所述电磁波回波信号进行处理，以生成用于表示地下物质的类型标签的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的基于电磁法的数据勘测系统的框图。如图2所示，根据本申请实施例的基于电磁法的数据勘测系统100，包括：电磁回波信号获取模块110，用于获取电磁波回波信号；滑窗扫描模块120，用于对所述电磁波回波信号进行基于采样窗的滑窗扫描以得到多个电磁波回波采样窗；波形局部特征提取模块130，用于将所述多个电磁波回波采样窗分别通过作为过滤器的卷积神经网络模型以得到多个采样窗局部波形特征向量；波形局部特征上下文关联模块140，用于将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器以得到多个上下文采样窗局部波形特征向量；空间特征增强模块150，用于将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；特征优化模块160，用于对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵；以及，地下物质类型检测模块170，用于将所述优化后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示地下物质的类型标签。
具体地，在本申请实施例中，所述电磁回波信号获取模块110，用于获取电磁波回波信号。如上所述，当前的电磁法勘测技术在实际应用中，由于地下环境的复杂性以及信号采集和处理的挑战性，电磁法勘测技术仍面临着许多难题，例如现有的基于电磁法的数据勘测系统通常需要人工解读和判断，效率低下且存在误判的可能。因此，期望一种优化的基于电磁法的数据勘测系统。
具体地，在本申请的技术方案中，期望通过对电磁法数据勘测系统接收的电磁波回波信号进行分析来获取地下物质的信息。应可以理解，电磁法数据勘测系统发射的电磁波在地下物质中的传播受到物质类型和分布的影响，从而在地面接收到不同的回波信号。因此，通过对回波信号进行分析和处理，可以确定地下物质的类型和位置。但是，由于所述电磁波回波信号中存在有大量的信息量，而关于地下物质的有效信息为隐含特征，易受到环境噪声的干扰，导致地下物质特征信息变得模糊，在对于地下物质的类别判断上效率和精准度都难以达到预期。因此，在此过程中，难点在于如何挖掘所述电磁波回波信号中关于地下物质的隐含特征分布信息，以此来准确地确定地下物质类型，提高勘测效率和精准度。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述电磁波回波信号中关于地下物质的隐含特征分布信息提供了新的解决思路和方案。
更具体地，在本申请的技术方案中，首先，获取电磁波回波信号。
具体地，在本申请实施例中，所述滑窗扫描模块120，用于对所述电磁波回波信号进行基于采样窗的滑窗扫描以得到多个电磁波回波采样窗。应可以理解，由于地下物质的性质和位置可能会发生变化，为了更好地理解和分析所述电磁波回波信号，需要将其分割成多个采样窗进行处理，也就是说，将输入信号进行分段处理并采用滑动窗口的方法可以更好地适应不同场景的需求，并且有效地避免了信号中的干扰和噪声，提高了数据处理的准确度和可靠性。
具体地，对所述电磁波回波信号进行基于采样窗的滑窗扫描以得到多个电磁波回波采样窗。这里，所述各个电磁波回波采样窗是指从所述回波信号中选取一段固定长度的数据窗口，在数据勘测系统中，每个采样窗相当于一个局部信号，需要对所述回波信号中的各个局部信号进行特征提取和处理，以获取更加精确的地下物质信息，从而有效区分不同类型的地下物质。特别地，针对不同的应用场景和物质类型，采样窗的大小可以设置为不同长度。
具体地，在本申请实施例中，所述波形局部特征提取模块130，用于将所述多个电磁波回波采样窗分别通过作为过滤器的卷积神经网络模型以得到多个采样窗局部波形特征向量。然后，对于所述电磁波回波信号中的各个电磁波回波采样窗来说，所述各个电磁波回波采样窗中都存在有关于地下物质的局部隐含特征信息，且所述电磁波回波采样窗在时域中的表现形式为波形图，因此，在本申请的技术方案中，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述各个电磁波回波采样窗的特征挖掘，以分别提取出所述各个电磁波回波采样窗中关于地下物质的局部隐含特征分布信息，从而得到多个采样窗局部波形特征向量。
其中，所述波形局部特征提取模块130，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个采样窗局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个电磁波回波采样窗。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在本申请实施例中，所述波形局部特征上下文关联模块140，用于将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器以得到多个上下文采样窗局部波形特征向量。进一步地，考虑到由于所述地下物质的各个位置的局部隐含特征之间具有着关于所述电磁波回波信号整体的关联性关系。
因此，为了能够充分地进行所述地下物质的隐含特征信息表达，以准确地进行地下物质类型检测，在本申请的技术方案中，进一步将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个电磁波回波采样窗中关于地下物质的局部隐含特征的基于所述电磁波回波信号全局的上下文语义关联特征信息，即所述电磁波回波信号中的各个采样窗的局部特征基于全局的上下文关联特征信息，从而得到多个上下文采样窗局部波形特征向量。
图3为根据本申请实施例的基于电磁法的数据勘测系统中所述波形局部特征上下文关联模块的框图，如图3所示，所述波形局部特征上下文关联模块140，包括：向量构造单元141，用于将所述多个采样窗局部波形特征向量进行一维排列以得到采样窗全局特征向量；自注意单元142，用于计算所述采样窗全局特征向量与所述多个采样窗局部波形特征向量中各个采样窗局部波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元143，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元144，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加单元145，用于分别以所述多个概率值中各个概率值作为权重对所述多个采样窗局部波形特征向量中各个采样窗局部波形特征向量进行加权以得到所述多个上下文采样窗局部波形特征向量。
上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用 较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在本申请实施例中，所述空间特征增强模块150，用于将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵。然后，还考虑到在进行所述地下物质检测时，应更加关注于空间位置上关于地下物质类型的隐含特征信息，而忽略与地下物质类型检测无关的其余干扰特征。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。
因此，在本申请的技术方案中，将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块中进行空间特征增强处理，以刻画出所述电磁回波性全局中聚焦于空间上的关于地下物质类型的隐含特征分布信息，从而得到分类特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于地下物质类型的特征分布信息。
图4为根据本申请实施例的基于电磁法的数据勘测系统中所述空间特征增强模块的框图，如图4所示，所述空间特征增强模块150，包括：卷积编码单元151，用于使用所述空间注意力模块的卷积编码部分对所述二维特征矩阵进行卷积编码以得到卷积特征图；
空间注意力单元152，用于将所述卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；激活单元153，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；空间增强单元154，用于计算所述空间注意力特征图和所述卷积特征图的按位置点乘以得到空间增强特征图；以及，池化单元155，用于对所述空间增强特征图沿着通道维度进行全局均值池化以得到所述分类特征矩阵。
注意力机制是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力机制通过神经网络的操作生成一个掩码mask, mask上的值为空间特征每层的像素点的权重。 一般来说，空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
具体地，在本申请的实施例中，所述特征优化模块160，用于对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵。特别地，在本申请的技术方案中，将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器得到所述多个上下文采样窗局部波形特征向量时，考虑到每个采样窗局部波形特征向量都是对所述电磁波回波信号的单个采样窗的局部信号图像进行图像特征语义提取得到的，尽管所述基于转换器的上下文编码器对于其图像特征语义进行了上下文关联编码，但所述多个上下文采样窗局部波形特征向量之间仍然存在相当的分布差异。并且，由于所述空间注意力模块会对局部空间特征分布进行强化，这就使得将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块后，会进一步加大所述分类特征矩阵内的各个局部空间特征分布之间的差异，导致所述分类特征矩阵的整体特征分布的规则化程度进一步降低，从而影响所述分类特征矩阵的分类准确性。
基于此，在本申请的实施例中，例如记为
进行流形曲面的高斯概率密度参数二
次正则化，具体表示为：以如下优化公式对所述分类特征矩阵进行流形曲面的高斯概率密
度参数二次正则化以得到所述优化后分类特征矩阵；其中，所述优化公式为：
其中，
是所述分类特征矩阵的第
位置的特征值，
和
是所述分类特征矩
阵的各个位置特征值集合的均值和标准差，且
是所述优化后分类特征矩阵的第
位
置的特征值。
具体地，为了解决所述分类特征矩阵
的特征集合的高维特征分布在空间分布强
化的高维特征空间内的分布不规则化的问题，通过特征值针对分类器的类概率分布的高斯
概率密度参数的似然性进行所述分类特征矩阵
的各个特征值的二次正则化，来将基于目
标类概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束，以获得
高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整，从而提升
优化后的所述分类特征矩阵
的特征分布的规则性，以提升优化后的所述分类特征矩阵
通过分类器的分类准确性。这样，能够准确地进行地下物质类型的智能检测，进而提高勘
测效率和精准度。
具体地，在本申请实施例中，所述地下物质类型检测模块170，用于将所述优化后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示地下物质的类型标签。接着，进一步再将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示地下物质的类型标签。也就是说，在本申请的技术方案中，所述分类器的标签为地下物质的类型标签。因此，在得到所述分类结果后，可基于所述分类结果来确定地下物质的类型，以提高勘测效率和精准度。
图5为根据本申请实施例的基于电磁法的数据勘测系统中所述地下物质类型检测模块的框图，如图5所示，所述地下物质类型检测模块170，包括：矩阵展开单元171，用于将所述优化后分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元172，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及。分类单元173，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的基于电磁法的数据勘测系统100被阐明，其获取电磁波回波信号；采用基于深度学习的人工智能技术，挖掘所述电磁波回波信号中关于地下物质的隐含特征分布信息，基于此生成地下物质的类型标签。这样，可以准确地确定地下物质类型，提高勘测效率和精准度。
在本申请的一个实施例中，图6为根据本申请实施例的基于电磁法的数据勘测方法的流程图。如图6所示，根据本申请实施例的基于电磁法的数据勘测方法，其包括：210，获取电磁波回波信号；220，对所述电磁波回波信号进行基于采样窗的滑窗扫描以得到多个电磁波回波采样窗；230，将所述多个电磁波回波采样窗分别通过作为过滤器的卷积神经网络模型以得到多个采样窗局部波形特征向量；240，将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器以得到多个上下文采样窗局部波形特征向量；250，将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；260，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵；以及，270，将所述优化后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示地下物质的类型标签。
图7为根据本申请实施例的基于电磁法的数据勘测方法的系统架构的示意图。如图7所示，在所述基于电磁法的数据勘测方法的系统架构中，首先，获取电磁波回波信号；然后，对所述电磁波回波信号进行基于采样窗的滑窗扫描以得到多个电磁波回波采样窗；接着，将所述多个电磁波回波采样窗分别通过作为过滤器的卷积神经网络模型以得到多个采样窗局部波形特征向量；然后，将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器以得到多个上下文采样窗局部波形特征向量；接着，将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；然后，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵；以及，最后，将所述优化后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示地下物质的类型标签。
在一个具体示例中，在上述基于电磁法的数据勘测方法中，将所述多个电磁波回波采样窗分别通过作为过滤器的卷积神经网络模型以得到多个采样窗局部波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个采样窗局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个电磁波回波采样窗。
在一个具体示例中，在上述基于电磁法的数据勘测方法中，将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器以得到多个上下文采样窗局部波形特征向量，包括：将所述多个采样窗局部波形特征向量进行一维排列以得到采样窗全局特征向量；计算所述采样窗全局特征向量与所述多个采样窗局部波形特征向量中各个采样窗局部波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述多个采样窗局部波形特征向量中各个采样窗局部波形特征向量进行加权以得到所述多个上下文采样窗局部波形特征向量。
在一个具体示例中，在上述基于电磁法的数据勘测方法中，将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵，包括：使用所述空间注意力模块的卷积编码部分对所述二维特征矩阵进行卷积编码以得到卷积特征图；将所述卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述卷积特征图的按位置点乘以得到空间增强特征图；以及，对所述空间增强特征图沿着通道维度进行全局均值池化以得到所述分类特征矩阵。
在一个具体示例中，在上述基于电磁法的数据勘测方法中，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵，包括：以如下优化公式对所述分类特征矩阵进行流形曲面的高斯概率密度参数二次正则化以得到所述优化后分类特征矩阵；其中，所述优化公式为：
其中，
是所述分类特征矩阵的第
位置的特征值，
和
是所述分类特征矩
阵的各个位置特征值集合的均值和标准差，且
是所述优化后分类特征矩阵的第
位
置的特征值。
在一个具体示例中，在上述基于电磁法的数据勘测方法中，将所述优化后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示地下物质的类型标签，包括：将所述优化后分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解，上述基于电磁法的数据勘测方法中的各个步骤的具体操作已经在上面参考图1到图5的基于电磁法的数据勘测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
Claims (6)
1.一种基于电磁法的数据勘测系统，其特征在于，包括：
电磁回波信号获取模块，用于获取电磁波回波信号；
滑窗扫描模块，用于对所述电磁波回波信号进行基于采样窗的滑窗扫描以得到多个电磁波回波采样窗；
波形局部特征提取模块，用于将所述多个电磁波回波采样窗分别通过作为过滤器的卷积神经网络模型以得到多个采样窗局部波形特征向量；
波形局部特征上下文关联模块，用于将所述多个采样窗局部波形特征向量通过基于转换器的上下文编码器以得到多个上下文采样窗局部波形特征向量；
空间特征增强模块，用于将所述多个上下文采样窗局部波形特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；
特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵；以及，
地下物质类型检测模块，用于将所述优化后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示地下物质的类型标签。
2.根据权利要求1所述的基于电磁法的数据勘测系统，其特征在于，所述波形局部特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个采样窗局部波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个电磁波回波采样窗。
3.根据权利要求2所述的基于电磁法的数据勘测系统，其特征在于，所述波形局部特征上下文关联模块，包括：
向量构造单元，用于将所述多个采样窗局部波形特征向量进行一维排列以得到采样窗全局特征向量；
自注意单元，用于计算所述采样窗全局特征向量与所述多个采样窗局部波形特征向量中各个采样窗局部波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，
注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个采样窗局部波形特征向量中各个采样窗局部波形特征向量进行加权以得到所述多个上下文采样窗局部波形特征向量。
4.根据权利要求3所述的基于电磁法的数据勘测系统，其特征在于，所述空间特征增强模块，包括：
卷积编码单元，用于使用所述空间注意力模块的卷积编码部分对所述二维特征矩阵进行卷积编码以得到卷积特征图；
空间注意力单元，用于将所述卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；
激活单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；
空间增强单元，用于计算所述空间注意力特征图和所述卷积特征图的按位置点乘以得到空间增强特征图；以及，
池化单元，用于对所述空间增强特征图沿着通道维度进行全局均值池化以得到所述分类特征矩阵。
5.根据权利要求4所述的基于电磁法的数据勘测系统，其特征在于，所述特征优化模块，用于：以如下优化公式对所述分类特征矩阵进行流形曲面的高斯概率密度参数二次正则化以得到所述优化后分类特征矩阵；
其中，所述优化公式为：
6.根据权利要求5所述的基于电磁法的数据勘测系统，其特征在于，所述地下物质类型检测模块，包括：
矩阵展开单元，用于将所述优化后分类特征矩阵按照行向量或列向量展开为分类特征向量；
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，
分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310657805.2A CN116400426B (zh) | 2023-06-06 | 2023-06-06 | 基于电磁法的数据勘测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310657805.2A CN116400426B (zh) | 2023-06-06 | 2023-06-06 | 基于电磁法的数据勘测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116400426A true CN116400426A (zh) | 2023-07-07 |
| CN116400426B CN116400426B (zh) | 2023-08-29 |
Family
ID=87016424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310657805.2A Active CN116400426B (zh) | 2023-06-06 | 2023-06-06 | 基于电磁法的数据勘测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116400426B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116678506A (zh) * | 2023-08-02 | 2023-09-01 | 国检测试控股集团南京国材检测有限公司 | 一种无线传输热损检测装置 |
| CN117475241A (zh) * | 2023-12-27 | 2024-01-30 | 山西省水利建筑工程局集团有限公司 | 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111428768A (zh) * | 2020-03-18 | 2020-07-17 | 电子科技大学 | 基于Hellinger距离-高斯混合模型的聚类方法 |
| CN113568055A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于lstm网络的航空瞬变电磁数据反演方法 |
| US20210388714A1 (en) * | 2020-06-10 | 2021-12-16 | Saudi Arabian Oil Company | Forecasting hydrocarbon reservoir properties with artificial intelligence |
| WO2022073452A1 (zh) * | 2020-10-07 | 2022-04-14 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
| CN115099285A (zh) * | 2022-07-12 | 2022-09-23 | 绍兴九樱纺织品有限公司 | 基于神经网络模型的智能检测方法及其系统 |
| WO2022248712A1 (en) * | 2021-05-28 | 2022-12-01 | Deepmind Technologies Limited | Unsupervised learning of object representations from video sequences using attention over space and time |
| CN115859437A (zh) * | 2022-12-13 | 2023-03-28 | 深圳量云能源网络科技有限公司 | 基于分布式光纤传感系统的导管架水下应力检测系统 |
| CN116027440A (zh) * | 2022-12-30 | 2023-04-28 | 陕西地矿物化探队有限公司 | 大功率电磁探测系统数据处理方法 |
| CN116167989A (zh) * | 2023-02-10 | 2023-05-26 | 昇兴博德新材料温州有限公司 | 铝杯的智能化生产方法及其系统 |
-
2023
- 2023-06-06 CN CN202310657805.2A patent/CN116400426B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111428768A (zh) * | 2020-03-18 | 2020-07-17 | 电子科技大学 | 基于Hellinger距离-高斯混合模型的聚类方法 |
| US20210388714A1 (en) * | 2020-06-10 | 2021-12-16 | Saudi Arabian Oil Company | Forecasting hydrocarbon reservoir properties with artificial intelligence |
| WO2022073452A1 (zh) * | 2020-10-07 | 2022-04-14 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
| WO2022248712A1 (en) * | 2021-05-28 | 2022-12-01 | Deepmind Technologies Limited | Unsupervised learning of object representations from video sequences using attention over space and time |
| CN113568055A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于lstm网络的航空瞬变电磁数据反演方法 |
| CN115099285A (zh) * | 2022-07-12 | 2022-09-23 | 绍兴九樱纺织品有限公司 | 基于神经网络模型的智能检测方法及其系统 |
| CN115859437A (zh) * | 2022-12-13 | 2023-03-28 | 深圳量云能源网络科技有限公司 | 基于分布式光纤传感系统的导管架水下应力检测系统 |
| CN116027440A (zh) * | 2022-12-30 | 2023-04-28 | 陕西地矿物化探队有限公司 | 大功率电磁探测系统数据处理方法 |
| CN116167989A (zh) * | 2023-02-10 | 2023-05-26 | 昇兴博德新材料温州有限公司 | 铝杯的智能化生产方法及其系统 |
Non-Patent Citations (1)
| Title |
|---|
| SIHONG WU ET AL.: "Convolutional neural network inversion of airborne transient electromagnetic data", GEOPHYSICAL PROSPECTING, pages 1761 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116678506A (zh) * | 2023-08-02 | 2023-09-01 | 国检测试控股集团南京国材检测有限公司 | 一种无线传输热损检测装置 |
| CN116678506B (zh) * | 2023-08-02 | 2023-10-10 | 国检测试控股集团南京国材检测有限公司 | 一种无线传输热损检测装置 |
| CN117475241A (zh) * | 2023-12-27 | 2024-01-30 | 山西省水利建筑工程局集团有限公司 | 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116400426B (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116400426B (zh) | 基于电磁法的数据勘测系统 | |
| Qian et al. | Unsupervised seismic facies analysis via deep convolutional autoencoders | |
| Yang et al. | Simultaneous earthquake detection on multiple stations via a convolutional neural network | |
| CN108830421B (zh) | 致密砂岩储层的含气性预测方法及装置 | |
| Brengman et al. | Identification of surface deformation in InSAR using machine learning | |
| CN113033473B (zh) | 基于st2dcnn+se的雷达重叠信号识别方法 | |
| Su et al. | End-to-end deep learning model for underground utilities localization using GPR | |
| CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
| CA2693029C (en) | Automated structural interpretation | |
| Dou et al. | MD loss: Efficient training of 3-D seismic fault segmentation network under sparse labels by weakening anomaly annotation | |
| US20230078158A1 (en) | High-resolution Seismic Fault Detection with Adversarial Neural Networks and Regularization | |
| Wang et al. | Seismic stratum segmentation using an encoder–decoder convolutional neural network | |
| Souza et al. | CNN prediction enhancement by post-processing for hydrocarbon detection in seismic images | |
| CN115601750A (zh) | 一种提升边缘准确度的地震相识别语义分割方法及系统 | |
| CN116027440A (zh) | 大功率电磁探测系统数据处理方法 | |
| CN114863209A (zh) | 类别比例引导的无监督领域适应建模方法、系统、设备及介质 | |
| Guo et al. | Deep learning framework for geological symbol detection on geological maps | |
| AlSalmi et al. | Automated seismic semantic segmentation using attention U-Net | |
| Pan et al. | Intelligent rock fracture identification based on image semantic segmentation: methodology and application | |
| Yu et al. | A lightweight ship detection method in optical remote sensing image under cloud interference | |
| Mousazadeh et al. | Two dimensional noncausal AR-ARCH model: Stationary conditions, parameter estimation and its application to anomaly detection | |
| Wang et al. | Intelligent seismic stratigraphic modeling using temporal convolutional network | |
| Chen et al. | Coal mine microseismic identification and first-arrival picking based on Conv-LSTM-Unet | |
| Jiang et al. | Uncertainty analysis for seismic salt interpretation by convolutional neural networks | |
| Wang et al. | Enhanced seismic data segmentation using an assembled scSE-Res-UNet deep neural network |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |