CN117572531B - 一种智能检波器埋置质量测试方法及系统 - Google Patents
一种智能检波器埋置质量测试方法及系统 Download PDFInfo
- Publication number
- CN117572531B CN117572531B CN202410058727.9A CN202410058727A CN117572531B CN 117572531 B CN117572531 B CN 117572531B CN 202410058727 A CN202410058727 A CN 202410058727A CN 117572531 B CN117572531 B CN 117572531B
- Authority
- CN
- China
- Prior art keywords
- data analysis
- template
- target
- analysis dimension
- dimension
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012372 quality testing Methods 0.000 title abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 514
- 239000013598 vector Substances 0.000 claims abstract description 321
- 238000012512 characterization method Methods 0.000 claims abstract description 178
- 238000001514 detection method Methods 0.000 claims abstract description 120
- 238000004458 analytical method Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 64
- 238000005065 mining Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000010354 integration Effects 0.000 claims abstract description 37
- 238000013507 mapping Methods 0.000 claims description 79
- 238000013528 artificial neural network Methods 0.000 claims description 60
- 238000000605 extraction Methods 0.000 claims description 42
- 230000009466 transformation Effects 0.000 claims description 41
- 238000005259 measurement Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000012190 activator Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V13/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices covered by groups G01V1/00 – G01V11/00
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种智能检波器埋置质量测试方法及系统,属于电数据处理领域。采用共性误差进行调试,使得不同数据分析维度对应的目标分支挖掘网络之间的共性余量得到稀释,而完善填补信息得到增强,能最大限度减少不同的目标分支挖掘网络输出表征向量间的关联性,增加不同目标分支挖掘网络输出表征向量的独立性,以提高各个分支网络的集成性能,同时基于调试模板维度匹配单元得到目标信号质量检测网络,调试变量少,降低调试成本。依据各分析维度对应的目标信号质量表征向量和目标质量检测分支网络,确定目标检波器测试信号对应的目标信号质量检测结果,能够增加目标信号质量检测网络对于包含多种数据分析维度的检测信号的质量检测精度。
Description
技术领域
本申请涉及电数据处理领域,具体而言,涉及一种智能检波器埋置质量测试方法及系统。
背景技术
智能测试检波器埋置质量对勘探监测具有重要意义,智能检波器被埋置在地表或井下以记录地质信号,这些记录可以用于识别地下构造、地层和岩石性质,从而帮助石油勘探、地质调查和地震监测。智能检波器埋置质量直接影响到地震信号的准确记录和地下结构的成像质量。如果检波器埋置不到位或者受到干扰,可能导致地震信号失真,影响地下结构的解释和分析。因此,确保检波器埋置质量对于获得可靠的地震数据至关重要。传统检测方式中,采用人工肉眼观测记录来评估检波器的埋置质量,效率低,成本高,而基于人工智能的应用场景中,埋置质量检测的分析维度多,采用单一维度的神经网络进行质量分类(例如二分类任务)检测,难以适应多角度质量检测的要求,基于此,如何保障多维分析场景下的检波器埋置质量测试是需要考虑的问题。
发明内容
本申请的目的在于提供一种智能检波器埋置质量测试方法及系统,以解决传统检波器埋置质量检测效率低、维度单一的技术问题。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供智能检波器埋置质量测试方法,所述方法包括:获取目标检波器测试信号;将所述目标检波器测试信号加载到目标信号质量检测网络中的多个数据分析维度分别对应的目标分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的目标信号质量表征向量;所述目标信号质量检测网络为根据共性误差对模板分支挖掘网络中的模板维度匹配单元调试得到,所述共性误差表征目标匹配表征向量的共性度量结果,所述目标匹配表征向量为随机两个数据分析维度对应的模板维度匹配单元输出的匹配表征向量;根据所述每个数据分析维度对应的目标信号质量表征向量和所述每个数据分析维度对应的目标质量检测分支网络,确定所述目标检波器测试信号对应的目标信号质量检测结果。
根据本申请实施例的一个方面,提供一种测试系统,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器被配置为经由执行所述可执行指令来执行上述的方法。
本申请的有益效果至少包括:
本申请提供的智能检波器埋置质量测试方法及系统,通过获取目标检波器测试信号,将目标检波器测试信号加载到目标信号质量检测网络中的多个数据分析维度分别对应的目标分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的目标信号质量表征向量,其中,目标信号质量检测网络为根据共性误差对模板分支挖掘网络中的模板维度匹配单元调试得到,共性误差表征多个数据分析维度中的随机两个数据分析维度对应的模板维度匹配单元输出的匹配表征向量之间的共性度量结果,采用共性误差进行调试,使得不同数据分析维度对应的目标分支挖掘网络之间的共性余量得到稀释,而完善填补信息得到增强,能最大限度减少不同的目标分支挖掘网络输出表征向量间的关联性,增加不同目标分支挖掘网络输出表征向量的独立性,以提高各个分支网络的集成性能,同时基于调试模板维度匹配单元得到目标信号质量检测网络,调试变量少,降低调试成本,然后依据每个数据分析维度对应的目标信号质量表征向量和目标信号质量检测网络中的多个数据分析维度分别对应的目标质量检测分支网络,确定目标检波器测试信号对应的目标信号质量检测结果,能够增加目标信号质量检测网络对于包含多种数据分析维度的检测信号的质量检测精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。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是本申请实施例提供的一种智能检波器埋置质量测试方法的流程图。
图2是本申请实施例提供的测试装置的功能模块架构示意图。
图3是本申请实施例提供的一种测试系统的组成示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
请参照图1,是本申请实施例提供的智能检波器埋置质量测试方法的流程图,包括:
步骤S110,获取目标检波器测试信号。
作为一种实施方式,目标检波器测试信号是根据勘探区域的特征和勘探测试的地质条件,确定勘探测试点位和参数后,将待测试的目标检波器按照设计方案布设在地表或者井下,然后按照设计参数发射波能到地下介质,基于目标检波器接受地下介质中传播的波能,记录波的到达时间、波能强度,形成目标检测器测试信号,目标检测器测试信号至少包含的特征包括授时信号、到达时间、振幅、频谱特性等,此外,在目标检波器上,还可以配置惯导模块(包括加速度计、陀螺仪等传感器),测试目标检波器的姿态角度,此时,目标检测器测试信号还可以包括惯导信号。在进行检波器质量检测时,可以涉及的分析维度是多样的,例如灵敏度检测、频率响应检测、稳定性检测、噪声检测、校准检测、埋置角度检测等,出于不同的数据分析维度,通过不同的特征分析分支网络进行分析,为了让网络能够适应多种数据分析维度的质量检测任务,本申请实施例中,基于多个质量检测分支网络进行集成学习构建目标质量检测网络。
步骤S120,将目标检波器测试信号加载到目标信号质量检测网络中的多个数据分析维度分别对应的目标分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的目标信号质量表征向量。
作为一种实施方式,目标信号质量检测网络用于对目标检波器测试信号进行质量分类,可以为根据共性误差对模板分支挖掘网络中的模板维度匹配单元调试得到。其中,共性误差表征目标匹配表征向量的共性度量结果(即相似性度量结果),目标匹配表征向量是多个数据分析维度中的随机两个数据分析维度对应的模板维度匹配单元输出的匹配表征向量。随机两个数据分析维度对应的模板维度匹配单元输出的匹配表征向量之间的共性度量结果越高,共性误差越大。质量表征向量用于表征信号质量评估特征信息。
作为一种实施方式,目标信号质量检测网络包括多个数据分析维度分别对应的目标分支挖掘网络和多个数据分析维度分别对应的目标质量检测分支网络。其中,任意数据分析维度对应的目标分支挖掘网络用于对目标检波器测试信号进行针对以上任意数据分析维度的质量表征向量抽取处理,任意数据分析维度对应的目标质量检测分支网络用于在以上任意数据分析维度对应的目标信号质量表征向量的基础上对目标检波器测试信号进行质量检测,即完成质量分类。
作为一种实施方式,以上目标信号质量检测网络的调试过程包括:获取第一检波器信号模版库;将第一检波器信号模版库加载到预设深度神经网络中的多个数据分析维度分别对应的模板分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的模板匹配表征向量;根据目标分析维度对对应的模板匹配表征向量,确定目标分析维度对对应的共性误差;根据目标分析维度对对应的共性误差,对目标分析维度对对应的模板维度匹配单元进行调试,得到目标信号质量检测网络。
作为一种实施方式,第一检波器信号模版库用于调试(即训练)预设深度神经网络,第一检波器信号模版库包括多个第一检波器信号模板(即训练样本)。作为一种实施方式,预设深度神经网络为待调试的信号质量检测网络,预设深度神经网络包括多个数据分析维度分别对应的模板分支挖掘网络和多个数据分析维度分别对应的模板分支挖掘网络。作为一种实施方式,任意数据分析维度对应的模板匹配表征向量为预设深度神经网络中以上任意数据分析维度对应的模板维度匹配单元输出的特征信息。作为一种实施方式,基于不同的质量分析维度,选择不同组成架构的模板分支挖掘网络。
作为一种实施方式,每个数据分析维度对应的模板分支挖掘网络包括模板嵌入映射单元(或者称为编码单元)和模板质量表征向量抽取单元,模板质量表征向量抽取单元包括第一信息聚焦单元(基于注意力机制的网络层)、第一特征变换单元(用于提供非线性转换)、模板维度匹配单元(用于进行质量分析维度的匹配)和第一整合单元(提供特征整合)。
作为一种实施方式,在模板质量表征向量抽取单元包括第一信息聚焦单元、第一特征变换单元、模板维度匹配单元和第一整合单元时,将第一检波器信号模版库加载到预设深度神经网络中的多个数据分析维度分别对应的模板分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的模板匹配表征向量,具体包括:将第一检波器信号模版库加载到每个数据分析维度对应的模板嵌入映射单元进行嵌入映射(即将对应的检波器信号映射到对应的低维向量空间中,完成编码),得到每个数据分析维度对应的模板信号嵌入映射结果;将每个数据分析维度对应的模板信号嵌入映射结果加载到每个数据分析维度对应的第一信息聚焦单元进行聚焦比例分配(即分配需要聚焦的权重)处理,得到每个数据分析维度对应的第一聚焦比例向量;将每个数据分析维度对应的第一聚焦比例向量和每个数据分析维度对应的模板信号嵌入映射结果加载到每个数据分析维度对应的第一特征变换单元进行特征变换操作(具体可以是进行非线性变换),得到每个数据分析维度对应的第一模板质量表征向量;将每个数据分析维度对应的第一聚焦比例向量和每个数据分析维度对应的模板信号嵌入映射结果加载到每个数据分析维度对应的模板维度匹配单元进行表征向量匹配,得到每个数据分析维度对应的第一匹配表征向量;将每个数据分析维度对应的第一模板质量表征向量、每个数据分析维度对应的第一匹配表征向量、每个数据分析维度对应的第一聚焦比例向量和每个数据分析维度对应的模板信号嵌入映射结果加载到每个数据分析维度对应的第一整合单元进行表征向量整合,得到每个数据分析维度对应的第二模板质量表征向量。
作为一种实施方式,模板嵌入映射单元用于对第一检波器信号模版库中的每个第一检波器信号模板进行嵌入映射。作为一种实施方式,任意数据分析维度对应的模板信号嵌入映射结果为第一检波器信号模版库中的每个第一检波器信号模板在任意数据分析维度下的信号嵌入映射结果,任意数据分析维度对应的模板信号嵌入映射结果为一个嵌入向量。作为一种实施方式,任意数据分析维度对应的第一信息聚焦单元包括第一信息聚焦算子和第一标准化算子。作为一种实施方式,任意数据分析维度对应的第一聚焦比例向量为任意数据分析维度对应的第一信息聚焦单元输出的第一检波器信号模版库中的每个第一检波器信号模板的特征信息,任意数据分析维度对应的第一聚焦比例向量包括第一检波器信号模版库中的多个第一检波器信号模板在以上任意数据分析维度下的特征信息。作为一种实施方式,将任意第一检波器信号模板对应的在任意数据分析维度下的模板信号嵌入映射结果加载到以上任意数据分析维度对应的第一标准化算子进行标准化处理,能获得以上任意第一检波器信号模板对应的在任意数据分析维度下的第一标准表征向量,将以上第一标准表征向量加载到以上任意数据分析维度对应的第一信息聚焦算子进行加权,能获得任意第一检波器信号模板在任意数据分析维度下的第一聚焦比例向量。
作为一种实施方式,任意数据分析维度对应的第一模板质量表征向量为任意数据分析维度对应的第一特征变换单元输出的第一检波器信号模版库中的每个第一检波器信号模板的特征信息,任意数据分析维度对应的第一模板质量表征向量例如包括第一检波器信号模版库中多个第一检波器信号模板在以上任意数据分析维度下对应的特征信息。作为一种实施方式,任意数据分析维度对应的第一特征变换单元例如包括第二标准化算子和第一特征操作算子。其中,第一特征操作算子例如包括前馈神经网络。作为一种实施方式,将任意第一检波器信号模板对应的在任意数据分析维度下的第一聚焦比例向量加载到以上任意数据分析维度对应的第二标准化算子进行标准化处理,能获得以上任意第一检波器信号模板对应的在任意数据分析维度下的第二标准表征向量,将以上第二标准表征向量加载到以上任意数据分析维度对应的第一特征操作算子进行特征变换操作,能获得任意第一检波器信号模板对应的在任意数据分析维度下的第一模板质量表征向量。作为一种实施方式,任意数据分析维度对应的第一匹配表征向量为任意数据分析维度对应的模板维度匹配单元输出的第一检波器信号模版库中的每个第一检波器信号模板在任意数据分析维度下的特征信息,任意数据分析维度对应的第一匹配表征向量例如包括第一检波器信号模版库中的每个第一检波器信号模板在以上任意数据分析维度对应的特征信息。
作为一种实施方式,任意数据分析维度对应的模板维度匹配单元用于提取得到匹配以上任意数据分析维度的特征信息,任意数据分析维度对应的模板维度匹配单元例如包括两个仿射算子(即密集层)和激活算子(如ReLU)。
作为一种实施方式,任意数据分析维度对应的第一匹配表征向量具体可以基于如下方式确定:
Vmatch=[α·ReLU(βFT)]T;
其中,Vmatch为任意第一检波器信号模板对应的在任意数据分析维度下的第一匹配表征向量,α和β为仿射算子的权重,ReLU为激活函数;F为任意数据分析维度对应的第一聚焦比例向量和任意数据分析维度对应的模板信号嵌入映射结果相加后的特征;T为转置处理。
作为一种实施方式,任意数据分析维度对应的第二模板质量表征向量为任意数据分析维度对应的模板分支挖掘网络中第一整合单元输出的第一检波器信号模版库中的每个第一检波器信号模板在任意数据分析维度下的特征。任意数据分析维度对应的第二模板质量表征向量例如包括第一检波器信号模版库中的每个第一检波器信号模板在以上任意数据分析维度下对应的特征。
作为一种实施方式,任意数据分析维度对应的第二模板质量表征向量的获取方式为:
Fs=Fmatch+Ff+Fw+Fe;
其中,Fs为任意数据分析维度对应的第二模板质量表征向量,Fmatch为任意数据分析维度对应的第一匹配表征向量,Ff为任意数据分析维度对应的第一模板质量表征向量,Fw为任意数据分析维度对应的第一聚焦比例向量,Fe为任意数据分析维度对应的模板信号嵌入映射结果。
作为一种实施方式,目标分析维度对为多个数据分析维度中的随机两个。作为一种实施方式,目标分析维度对对应的模板匹配表征向量为目标分析维度对中两个数据分析维度对应的模板维度匹配单元输出的匹配表征向量,目标分析维度对例如包括第一数据分析维度和第二数据分析维度,目标分析维度对对应的模板匹配表征向量例如包括第一数据分析维度对应的匹配表征向量和第二数据分析维度对应的匹配表征向量。作为一种实施方式,目标分析维度对对应的共性误差表征以上目标分析维度对对应的模板维度匹配单元输出的匹配表征向量之间的共性度量结果。目标分析维度对对应的共性误差可采用如下方式获取:
Ls=/(/>);
其中,Ls为目标分析维度对对应的共性误差,和/>为目标分析维度对对应的模板匹配表征向量,/>为匹配表征向量的维数,/>为匹配表征向量/>中的第/>个组元,/>为匹配表征向量/>中的第/>个组元。
作为一种实施方式,根据每两个数据分析维度对应的共性误差,可以对以上每两个数据分析维度对应的模板维度匹配单元进行调试,得到目标信号质量检测网络。例如根据目标分析维度对对应的共性误差,基于梯度下降算法修正模板维度匹配单元中的可学习变量,如各种权值、偏置等参数。作为一种实施方式,在调试得到目标信号质量检测网络时,可以仅对预设深度神经网络中的模板维度匹配单元进行调试,保持其余单元的参数不变,对模板维度匹配单元调试结束后,将调试得到的预设深度神经网络确定为目标信号质量检测网络。
在以上实施例中,采用共性误差调试,能让不同数据分析维度对应的目标分支挖掘网络之间的共性余量减少,完善填补信息增加,最大限度减少不同目标分支挖掘网络输出表征向量的关联性,增加不同目标分支挖掘网络输出表征向量的独立性,以提高各个分支网络的集成性能,同时基于调试模板维度匹配单元得到目标信号质量检测网络,调试变量少,降低调试成本。
作为一种实施方式,以上方法还可以包括:获取第一检波器信号模版库中每个检波器信号模板对应的第一质量指示信息;将每个数据分析维度对应的第二模板质量表征向量加载到预设深度神经网络中的每个数据分析维度对应的模板质量检测分支网络进行质量检测,得到每个数据分析维度对应的第三信号质量推理结果;将第一检波器信号模版库加载到预设深度神经网络中的模板影响度学习单元进行影响度分析,得到第一检波器信号模版库中每个检波器信号模板对应的模板影响度,根据模板影响度,对多个数据分析维度分别对应的第三信号质量推理结果进行整合操作,得到第一检波器信号模版库中每个检波器信号模板对应的第四信号质量推理结果;根据第四信号质量推理结果和第一质量指示信息,确定第一影响度误差。以上根据目标分析维度对对应的共性误差,对目标分析维度对对应的模板维度匹配单元进行调试,得到目标信号质量检测网络,例如包括:根据目标分析维度对对应的共性误差,对目标分析维度对对应的模板维度匹配单元进行调试,以及根据第一影响度误差对模板影响度学习单元进行调试,得到目标信号质量检测网络。
作为一种实施方式,任意第一检波器信号模板对应的第一质量指示信息用于为预设深度神经网络的调试提供监督信息,其具体可以为指示质量类型的标签,例如高质量、低质量,合格、不合格等,可以根据实际需要进行预先配置。
作为一种实施方式,任意数据分析维度对应的模板质量检测分支网络用于根据以上任意数据分析维度对应的模板质量表征向量对检波器信号模板进行类别推理,任意数据分析维度对应的模板质量检测分支网络例如包括用于分类的前馈神经网络。作为一种实施方式,任意数据分析维度对应的第三信号质量推理结果表征在以上任意数据分析维度下第一检波器信号模版库中每个第一检波器信号模板属于多个信号质量检测结果的置信度。任意数据分析维度对应的第三信号质量推理结果例如包括以上任意数据分析维度下多个第一检波器信号模板分别对应的第三推理置信度。例如,以上任意数据分析维度下的任意第一检波器信号模板对应的第三推理置信度表征以上任意第一检波器信号模板在以上任意数据分析维度下属于合格质量的置信度。
作为一种实施方式,将任意第一检波器信号模板在任意数据分析维度对应的第二模板质量表征向量加载到预设深度神经网络中的以上任意数据分析维度对应的模板质量检测分支网络进行质量检测,能获得以上任意第一检波器信号模板在以上任意数据分析维度对应的第三信号质量推理结果。作为一种实施方式,模板影响度学习单元用于自主学习多个不同的模板质量检测分支网络输出的推理信息分别对应的权重,模板影响度学习单元例如包括级联的模板滤波算子、模板前馈神经网络算子和模板Sigmoid算子。
作为一种实施方式,模板影响度可以表示为权重信息,代表了多个数据分析维度对应的多个第三信号质量推理结果分别对应的重要性。作为一种实施方式,将第一检波器信号模版库中的任意第一检波器信号模板加载到模板影响度学习单元中的模板滤波算子进行质量表征向量抽取处理,能获得以上任意第一检波器信号模板对应的滤波表征向量,再将以上任意第一检波器信号模板对应的滤波表征向量加载到以上模板影响度学习单元中的模板前馈神经网络算子进行特征变换操作,能获得任意第一检波器信号模板对应的变换后的表征向量,然后将以上任意第一检波器信号模板对应的变换后的表征向量加载到以上模板影响度学习单元中的模板Sigmoid算子进行映射,能获得以上任意第一检波器信号模板对应的模板影响度。
作为一种实施方式,任意检波器信号模板对应的第四信号质量推理结果用于表征以上任意检波器信号模板属于多个信号质量检测结果的置信度。例如,任意检波器信号模板对应的第四信号质量推理结果例如包括以上任意检波器信号模板对应的第四推理置信度;以上第四推理置信度可以表征以上任意检波器信号模板属于合格埋置的置信度。
作为一种实施方式,任意检波器信号模板对应的第四信号质量推理结果为P4:
P4=;
其中,P4为任意检波器信号模板对应的第四信号质量推理结果;为以上任意检波器信号模板对应的模板影响度中第/>个数据分析维度对应的影响度;/>为以上任意检波器信号模板在第/>个数据分析维度下对应的第三信号质量推理结果,/>为数据分析维度的数量。
作为一种实施方式,第一影响度误差表示第四信号质量推理结果对应的推理质量分类结果和第一质量指示信息之间的误差。作为一种实施方式,第一影响度误差的计算例如为:
C1=-;
其中,C1为第一影响度误差,为第一检波器信号模版库中第/>个检波器信号模板的第一质量指示信息对应的推理置信度,/>为第一检波器信号模版库中的检波器信号模板个数。例如,在第/>个检波器信号模板的第一质量指示信息为不合格埋置时,第一质量指示信息对应的推理置信度为第/>个检波器信号模板属于不合格埋置的置信度,在第/>个检波器信号模板的第一质量指示信息为合格埋置时,第一质量指示信息对应的推理置信度为第/>个检波器信号模板属于合格埋置的置信度。
作为一种实施方式,根据目标分析维度对对应的共性误差对预设深度神经网络中的目标分析维度对对应的模板维度匹配单元进行调试,根据第一影响度误差,对预设深度神经网络中的模板影响度学习单元进行调试,将调试后获得的预设深度神经网络确定为目标信号质量检测网络。
作为一种实施方式,在另一种模板分支挖掘网络中,每个数据分析维度对应的模板分支挖掘网络例如包括模板嵌入映射单元和模板质量表征向量抽取单元。其中,模板质量表征向量抽取单元例如包括第二信息聚焦单元、第二特征变换单元、模板维度匹配单元和第二整合单元,模板维度匹配单元例如包括第一模板匹配单元和第二模板匹配单元。作为一种实施方式,以上将第一检波器信号模版库加载到预设深度神经网络中的多个数据分析维度分别对应的模板分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的模板匹配表征向量,例如包括:将第一检波器信号模版库加载到每个数据分析维度对应的模板嵌入映射单元进行嵌入映射,得到每个数据分析维度对应的模板信号嵌入映射结果;将每个数据分析维度对应的模板信号嵌入映射结果加载到每个数据分析维度对应的第二信息聚焦单元进行聚焦比例分配处理,得到每个数据分析维度对应的第二聚焦比例向量,将每个数据分析维度对应的第二聚焦比例向量加载到每个数据分析维度对应的第一模板匹配单元进行表征向量匹配,得到每个数据分析维度对应的第二匹配表征向量,将每个数据分析维度对应的第二匹配表征向量和每个数据分析维度对应的模板信号嵌入映射结果加载到每个数据分析维度对应的第二特征变换单元进行特征变换操作,得到每个数据分析维度对应的第三模板质量表征向量,将每个数据分析维度对应的第三模板质量表征向量加载到每个数据分析维度对应的第二模板匹配单元进行表征向量匹配,得到每个数据分析维度对应的第三匹配表征向量,将每个数据分析维度对应的第三匹配表征向量、每个数据分析维度对应的第二匹配表征向量和每个数据分析维度对应的模板信号嵌入映射结果加载到每个数据分析维度对应的第二整合单元进行表征向量整合(例如向量相加、相乘、拼接等方式进行整合),得到每个数据分析维度对应的第四模板质量表征向量。
作为一种实施方式,任意数据分析维度对应的第二聚焦比例向量为任意数据分析维度对应的第二信息聚焦单元输出的第一检波器信号模版库中的每个第一检波器信号模板的特征,任意数据分析维度对应的第二聚焦比例向量例如包括第一检波器信号模版库中多个第一检波器信号模板在以上任意数据分析维度对应的特征。作为一种实施方式,任意数据分析维度对应的第二聚焦比例向量为任意数据分析维度对应的第二信息聚焦单元输出的第一检波器信号模版库中的每个第一检波器信号模板的特征。作为一种实施方式,任意数据分析维度对应的第二信息聚焦单元例如包括第三信息聚焦算子和第一前馈神经网络算子。可以将任意数据分析维度对应的模板信号嵌入映射结果加载到任意数据分析维度对应的第三信息聚焦算子进行加权,得到以上任意第一检波器信号模板对应的在任意数据分析维度下的第五聚焦比例向量。将以上第五聚焦比例向量加载到以上任意数据分析维度对应的第一前馈神经网络算子进行处理,能获得以上任意第一检波器信号模板对应的在任意数据分析维度下的第二聚焦比例向量。
作为一种实施方式,任意数据分析维度对应的第二匹配表征向量例如包括第一检波器信号模版库中多个第一检波器信号模板在以上任意数据分析维度下对应的特征。作为一种实施方式,任意数据分析维度对应的第一模板匹配单元例如包括两个仿射算子和激活算子。数据分析维度对应的第二匹配表征向量的获取请参考以上任意数据分析维度对应的第一匹配表征向量的获取。
作为一种实施方式,每个数据分析维度对应的模板质量表征向量抽取单元还包括第三标准化算子。将每个数据分析维度对应的第二匹配表征向量和每个数据分析维度对应的模板信号嵌入映射结果加载到每个数据分析维度对应的第三标准化算子进行标准化处理,得到以上任意数据分析维度对应的第三标准表征向量。将以上每个数据分析维度对应的第三标准表征向量加载到每个数据分析维度对应的第二特征变换单元进行特征变换操作,得到每个数据分析维度对应的第三模板质量表征向量。作为一种实施方式,任意数据分析维度对应的第二特征变换单元例如包括第二前馈神经网络算子和第三前馈神经网络算子。例如,将每个数据分析维度对应的第二匹配表征向量和每个数据分析维度对应的模板信号嵌入映射结果加载到每个数据分析维度对应的第二前馈神经网络算子进行处理,能获得每个数据分析维度的第一前馈表征向量;将每个数据分析维度对应的第一前馈表征向量信息加载到每个数据分析维度对应的第三前馈神经网络算子进行处理,得到每个数据分析维度对应的第三模板质量表征向量。
作为一种实施方式,任意数据分析维度对应的第二模板匹配单元例如包括两个仿射算子和激活算子。任意数据分析维度对应的第三匹配表征向量的获取过程请参考以上任意数据分析维度对应的第一匹配表征向量的获取。作为一种实施方式,将任意数据分析维度对应的第三标准表征向量和以上任意数据分析维度对应的第三匹配表征向量加载到以上任意数据分析维度对应的第二整合单元进行表征向量整合,得到以上任意数据分析维度对应的第四模板质量表征向量。
作为一种实施方式,每个数据分析维度对应的模板质量表征向量抽取单元还包括第四标准化算子。例如,将任意数据分析维度对应的第四模板质量表征向量加载到以上任意数据分析维度对应的第四标准化算子进行标准化处理,得到第四标准表征向量。将每个数据分析维度对应的第四标准表征向量加载到预设深度神经网络中的每个数据分析维度对应的模板质量检测分支网络进行质量检测,得到每个数据分析维度对应的第五信号质量推理结果。
作为一种实施方式,目标分析维度对对应的共性误差Ls可以是:
Ls=Ls1+Ls2 ;
Ls1=/(/>);
Ls2=/(/>);
其中,Ls为目标分析维度对对应的共性误差;和/>为目标分析维度对对应的第二匹配表征向量;/>和/>为目标分析维度对对应的第三匹配表征向量;/>为匹配表征向量的维数;/>为第二匹配表征向量/>中的第/>个组元,/>为第二匹配表征向量/>中的第/>个组元,/>为第三匹配表征向量/>中的第/>个组元,/>为第三匹配表征向量/>中的第/>个组元。
作为一种实施方式,以上方法还包括:获取第一检波器信号模版库中每个检波器信号模板对应的第一质量指示信息,将每个数据分析维度对应的第四模板质量表征向量加载到预设深度神经网络中的每个数据分析维度对应的模板质量检测分支网络进行质量检测,得到每个数据分析维度对应的第五信号质量推理结果;将第一检波器信号模版库加载到预设深度神经网络中的模板影响度学习单元进行影响度分析,得到第一检波器信号模版库中每个检波器信号模板对应的模板影响度,根据模板影响度,对多个数据分析维度分别对应的第五信号质量推理结果进行整合操作,得到第一检波器信号模版库中每个检波器信号模板对应的第六信号质量推理结果,根据第六信号质量推理结果和第一质量指示信息,确定第二影响度误差。以上根据目标分析维度对对应的共性误差,对目标分析维度对对应的模板维度匹配单元进行调试,得到目标信号质量检测网络,例如包括:根据目标分析维度对对应的共性误差,对目标分析维度对对应的模板维度匹配单元进行调试,并根据第二影响度误差,对模板影响度学习单元进行调试,得到目标信号质量检测网络。
作为一种实施方式,任意数据分析维度对应的第五信号质量推理结果可以表征在以上任意数据分析维度下第一检波器信号模版库中每个第一检波器信号模板属于多个信号质量检测结果的置信度。任意数据分析维度对应的第五信号质量推理结果例如包括以上任意数据分析维度下多个第一检波器信号模板分别对应的第五推理置信度。例如,以上任意数据分析维度下的任意第一检波器信号模板对应的第五推理置信度表征以上任意第一检波器信号模板在以上任意数据分析维度下属于合格埋置的置信度。作为一种实施方式,通过任意数据分析维度对应的模板质量检测分支网络进行质量检测得到第五信号质量推理结果的处理请参考以上通过任意数据分析维度对应的模板质量检测分支网络进行质量检测得到第三信号质量推理结果的处理。
作为一种实施方式,任意检波器信号模板对应的第六信号质量推理结果用于表征以上任意检波器信号模板属于多个信号质量检测结果的置信度。例如,任意检波器信号模板对应的第六信号质量推理结果例如包括以上任意检波器信号模板对应的第六推理置信度;以上第六推理置信度表示以上任意检波器信号模板属于合格埋置的置信度。作为一种实施方式,以上通过整合操作得到任意检波器信号模板对应的第六信号质量推理结果的处理方式请参考以上通过整合操作得到任意检波器信号模板对应的第四信号质量推理结果的处理方式。
作为一种实施方式,第二影响度误差表示第六信号质量推理结果对应的推理类别和第一质量指示信息的差异,第二影响度误差的获取参考以上第一影响度误差的获取。作为一种实施方式,根据目标分析维度对对应的共性误差对预设深度神经网络中的目标分析维度对对应的模板维度匹配单元进行调试,根据第二影响度误差对预设深度神经网络中的模板影响度学习单元进行调试,将调试得到的预设深度神经网络确定为目标信号质量检测网络。
作为一种实施方式,以上方法还包括:获取第二检波器信号模版库和第二检波器信号模版库中每个检波器信号模板对应的第二质量指示信息,将第二检波器信号模版库加载到预设深度神经网络中的多个数据分析维度分别对应的模板分支挖掘网络进行质量表征向量抽取,得到每个数据分析维度对应的第五模板质量表征向量,将每个数据分析维度对应的第五模板质量表征向量加载到每个数据分析维度对应的模板质量检测分支网络进行质量检测,得到每个数据分析维度对应的第七信号质量推理结果,根据每个数据分析维度对应的第七信号质量推理结果和第二质量指示信息,确定每个数据分析维度对应的信号误差。以上根据目标分析维度对对应的共性误差对目标分析维度对对应的模板维度匹配单元进行调试,得到目标信号质量检测网络,例如包括:根据目标分析维度对对应的共性误差,对目标分析维度对对应的模板维度匹配单元进行调试,并根据每个数据分析维度对应的信号误差,对预设深度神经网络中的每个数据分析维度对应的模板基础单元进行调试,得到目标信号质量检测网络。
作为一种实施方式,第二检波器信号模版库用于调试预设深度神经网络,第二检波器信号模版库例如包括一个或多个第二检波器信号模板。第二检波器信号模版库用于调试预设深度神经网络中每个数据分析维度对应的模板基础单元。其中,任意数据分析维度对应的模板基础单元为以上任意数据分析维度对应的模板分支挖掘网络中除以上任意数据分析维度对应的模板维度匹配单元外的单元。作为一种实施方式,任意第二检波器信号模板对应的第二质量指示信息用于为预设深度神经网络的调试提供监督信息。例如,第二质量指示信息包括合格埋置或不合格埋置的二分类指示。
作为一种实施方式,任意数据分析维度对应的第五模板质量表征向量为任意数据分析维度对应的模板分支挖掘网络输出的第二检波器信号模版库中的每个第二检波器信号模板在任意数据分析维度的特征,任意数据分析维度对应的第五模板质量表征向量例如包括第二检波器信号模版库中的每个第二检波器信号模板在以上任意数据分析维度对应的特征。作为一种实施方式,模板分支挖掘网络的质量表征向量抽取方式参考以上的质量表征向量抽取。
作为一种实施方式,任意数据分析维度对应的第七信号质量推理结果表示在以上任意数据分析维度下第二检波器信号模版库中每个第二检波器信号模板属于多个信号质量检测结果的置信度。任意数据分析维度对应的第七信号质量推理结果例如包括以上任意数据分析维度下,多个第二检波器信号模板分别对应的第七推理置信度。例如,以上任意数据分析维度下的任意第二检波器信号模板对应的第七推理置信度表征以上任意第二检波器信号模板在以上任意数据分析维度属于合格埋置的置信度。
作为一种实施方式,通过任意数据分析维度对应的模板质量检测分支网络进行质量检测得到第七信号质量推理结果的方式参考以上任意数据分析维度对应的模板质量检测分支网络进行质量检测得到的第三信号质量推理结果的方式。作为一种实施方式,任意数据分析维度对应的信号误差表示任意数据分析维度对应的第七信号质量推理结果对应的推理类别和第二质量指示信息的误差。
作为一种实施方式,任意数据分析维度对应的信号误差Lg为:
Lg=-;
其中,Lg为多个数据分析维度中第g个数据分析维度对应的信号误差;Pg为在第g个数据分析维度下第n个第二检波器信号模板的第二质量指示信息对应的推理置信度;m为第二检波器信号模版库中包含的检波器信号模板的个数。例如,在第n个第二检波器信号模板对应的第二质量指示信息为合格埋置时,Pg为根据第g个数据分析维度对应的第七信号质量推理结果确定的以上第n个第二检波器信号模板属于不合格埋置的置信度,在第n个第二检波器信号模板的第二质量指示信息为不合格埋置时,Pg为根据第g个数据分析维度对应的第七信号质量推理结果确定的以上第n个第二检波器信号模板属于合格埋置的置信度。
作为一种实施方式,根据目标分析维度对对应的共性误差,对预设深度神经网络中的目标分析维度对对应的模板维度匹配单元进行调试,根据每个数据分析维度对应的信号误差对预设深度神经网络中的每个数据分析维度对应的模板基础单元进行调试,得到目标信号质量检测网络。作为一种实施方式,先根据每个数据分析维度对应的信号误差对预设深度神经网络中的每个数据分析维度对应的模板基础单元进行调试,再根据目标分析维度对对应的共性误差,对预设深度神经网络中的目标分析维度对对应的模板维度匹配单元进行调试,并根据影响度误差,对预设深度神经网络中的模板影响度学习单元进行调试,能获得目标信号质量检测网络。
作为一种实施方式,目标信号质量表征向量为以上目标检波器测试信号的特征,任意数据分析维度对应的目标信号质量表征向量为根据以上任意数据分析维度对应的目标分支挖掘网络进行质量表征向量抽取得到的特征。
作为一种实施方式,以上步骤S120包括:将目标检波器测试信号加载到每个数据分析维度对应的目标分支挖掘网络中的目标嵌入映射单元进行嵌入映射,得到每个数据分析维度对应的目标信号嵌入映射结果,将每个数据分析维度对应的目标信号嵌入映射结果加载到每个数据分析维度对应的目标分支挖掘网络中的目标质量表征向量抽取单元进行抽取,得到每个数据分析维度对应的目标信号质量表征向量。
作为一种实施方式,任意数据分析维度对应的目标信号嵌入映射结果为目标检波器测试信号在以上任意数据分析维度下的信号嵌入映射结果。作为一种实施方式,目标嵌入映射单元为调试后的模板嵌入映射单元。作为一种实施方式,每个数据分析维度对应的目标质量表征向量抽取单元例如包括第三信息聚焦单元、第三特征变换单元、目标维度匹配单元和第三整合单元。
作为一种实施方式,以上将每个数据分析维度对应的目标信号嵌入映射结果加载到每个数据分析维度对应的目标分支挖掘网络中的目标质量表征向量抽取单元进行抽取,得到每个数据分析维度对应的目标信号质量表征向量,例如包括:将每个数据分析维度对应的目标信号嵌入映射结果加载到每个数据分析维度对应的第三信息聚焦单元进行聚焦比例分配处理,得到每个数据分析维度对应的第三聚焦比例向量,然后将每个数据分析维度对应的目标信号嵌入映射结果和每个数据分析维度对应的第三聚焦比例向量加载到每个数据分析维度对应的第三特征变换单元进行特征变换操作,得到每个数据分析维度对应的第一目标表征向量,再将每个数据分析维度对应的目标信号嵌入映射结果和每个数据分析维度对应的第三聚焦比例向量加载到每个数据分析维度对应的目标维度匹配单元进行表征向量匹配,得到每个数据分析维度对应的第四匹配表征向量,最后将每个数据分析维度对应的第四匹配表征向量、每个数据分析维度对应的第一目标表征向量、每个数据分析维度对应的目标信号嵌入映射结果和每个数据分析维度对应的第三聚焦比例向量加载到每个数据分析维度对应的第三整合单元进行表征向量整合,得到每个数据分析维度对应的目标信号质量表征向量。
作为一种实施方式,每个数据分析维度对应的第三信息聚焦单元例如包括第四信息聚焦算子和第五标准化算子。作为一种实施方式,将以上目标信号嵌入映射结果加载到以上任意数据分析维度对应的第五标准化算子进行标准化处理,能获得目标检波器测试信号在以上任意数据分析维度对应的第五标准表征向量,再将以上任意数据分析维度对应的第五标准表征向量加载到以上任意数据分析维度对应的第四信息聚焦算子进行加权,能获得任意数据分析维度对应的第三聚焦比例向量。
作为一种实施方式,任意数据分析维度对应的第三特征变换单元例如包括第六标准化算子和第二特征操作算子。其中,第二特征操作算子例如包括前馈神经网络。作为一种实施方式,将任意数据分析维度对应的目标信号嵌入映射结果和任意数据分析维度对应的第三聚焦比例向量加载到任意数据分析维度对应的第六标准化算子进行标准化处理,能获得目标检波器测试信号在以上任意数据分析维度对应的第六标准表征向量,然后将以上任意数据分析维度对应的第六标准表征向量加载到以上任意数据分析维度对应的第二特征操作算子,能获得以上任意数据分析维度对应的第一目标表征向量。
作为一种实施方式,可以先对每个数据分析维度对应的目标信号嵌入映射结果和每个数据分析维度对应的第三聚焦比例向量进行整合操作,得到每个数据分析维度对应的第一整合表征向量,将以上每个数据分析维度对应的第一整合表征向量加载到每个数据分析维度对应的目标维度匹配单元进行表征向量匹配,得到每个数据分析维度对应的第四匹配表征向量。基于任意数据分析维度对应的目标维度匹配单元进行表征向量匹配得到第四匹配表征向量的方式可参考以上任意数据分析维度对应的第一匹配表征向量的方式。
或者,作为另一种实施方式,每个数据分析维度对应的目标质量表征向量抽取单元例如包括第四信息聚焦单元、第四特征变换单元、目标维度匹配单元和第四整合单元。其中,每个数据分析维度对应的目标维度匹配单元例如包括第一目标匹配单元和第二目标匹配单元。基于此,作为一种实施方式,以上将每个数据分析维度对应的目标信号嵌入映射结果加载到每个数据分析维度对应的目标分支挖掘网络中的目标质量表征向量抽取单元进行抽取,得到每个数据分析维度对应的目标信号质量表征向量,例如包括:将每个数据分析维度对应的目标信号嵌入映射结果加载到每个数据分析维度对应的第四信息聚焦单元进行聚焦比例分配处理,得到每个数据分析维度对应的第四聚焦比例向量,将每个数据分析维度对应的第四聚焦比例向量加载到每个数据分析维度对应的第一目标匹配单元进行表征向量匹配,得到每个数据分析维度对应的第五匹配表征向量,将每个数据分析维度对应的第五匹配表征向量和每个数据分析维度对应的目标信号嵌入映射结果加载到每个数据分析维度对应的第四特征变换单元进行特征变换操作,得到每个数据分析维度对应的第二目标表征向量,将每个数据分析维度对应的第二目标表征向量加载到每个数据分析维度对应的第二目标匹配单元进行表征向量匹配,得到每个数据分析维度对应的第六匹配表征向量,将每个数据分析维度对应的第六匹配表征向量、每个数据分析维度对应的第五匹配表征向量和每个数据分析维度对应的目标信号嵌入映射结果加载到每个数据分析维度对应的第四整合单元进行表征向量整合,得到每个数据分析维度对应的目标信号质量表征向量。
作为一种实施方式,任意数据分析维度对应的第四信息聚焦单元例如包括第五信息聚焦算子和第四前馈神经网络算子。例如,将任意数据分析维度对应的目标信号嵌入映射结果加载到以上任意数据分析维度对应的第五信息聚焦算子进行加权,得到以上任意数据分析维度对应的第六聚焦比例向量,然后将以上任意数据分析维度对应的第六聚焦比例向量加载到以上任意数据分析维度对应的第四前馈神经网络算子进行处理,能获得以上任意数据分析维度对应的第四聚焦比例向量。作为一种实施方式,任意数据分析维度对应的第一目标匹配单元例如包括两个仿射算子和激活算子。
基于任意数据分析维度对应的第一目标匹配单元进行表征向量匹配得到第五匹配表征向量的方式参考以上任意数据分析维度对应的第一匹配表征向量的方式。
作为一种实施方式,任意数据分析维度对应的目标质量表征向量抽取单元还包括第七标准化算子。例如将每个数据分析维度对应的第五匹配表征向量和每个数据分析维度对应的目标信号嵌入映射结果加载到每个数据分析维度对应的第七标准化算子进行标准化,得到每个数据分析维度对应的第七标准表征向量。将每个数据分析维度对应的第七标准表征向量加载到每个数据分析维度对应的第四特征变换单元进行特征变换操作,得到每个数据分析维度对应的第二目标表征向量。
作为一种实施方式,任意数据分析维度对应的第二目标匹配单元例如包括两个仿射算子和激活算子。例如,通过任意数据分析维度对应的第二目标匹配单元进行表征向量匹配得到第六匹配表征向量的方式参考以上任意数据分析维度对应的第一匹配表征向量方式。
作为一种实施方式,任意数据分析维度对应的第四特征变换单元例如包括第五前馈神经网络算子和第六前馈神经网络算子。例如,将每个数据分析维度对应的第五匹配表征向量和每个数据分析维度对应的目标信号嵌入映射结果加载到每个数据分析维度对应的第五前馈神经网络算子进行处理,能获得每个数据分析维度对应的第二前馈表征向量;将每个数据分析维度对应的第二前馈表征向量信息加载到每个数据分析维度对应的第六前馈神经网络算子进行处理,得到每个数据分析维度对应的第二目标表征向量。
作为一种实施方式,任意数据分析维度对应的第二目标匹配单元例如包括两个仿射算子和激活算子。任意数据分析维度对应的第六匹配表征向量的获取参考以上任意数据分析维度对应的第一匹配表征向量的获取过程。
作为一种实施方式,将任意数据分析维度对应的第七标准表征向量和任意数据分析维度对应的第六匹配表征向量加载到以上任意数据分析维度对应的第四整合单元进行表征向量整合,得到以上任意数据分析维度对应的目标信号质量表征向量。
作为一种实施方式,任意数据分析维度对应的目标质量表征向量抽取单元还包括第八标准化算子。例如将任意数据分析维度对应的第七标准表征向量和任意数据分析维度对应的第六匹配表征向量加载到以上任意数据分析维度对应的第四整合单元进行表征向量整合,得到以上任意数据分析维度对应的第二整合表征向量,再将以上任意数据分析维度对应的第二整合表征向量加载到任意数据分析维度对应的第八标准化算子进行标准化处理,能获得以上任意数据分析维度对应的目标信号质量表征向量。
步骤S130,根据每个数据分析维度对应的目标信号质量表征向量和每个数据分析维度对应的目标质量检测分支网络,确定目标检波器测试信号对应的目标信号质量检测结果。
作为一种实施方式,目标信号质量检测结果表征目标检波器测试信号所属的质量检测类别,目标信号质量检测结果为多个信号质量检测结果中的一个。作为一种实施方式,以上步骤S130例如包括:将每个数据分析维度对应的目标信号质量表征向量加载到每个数据分析维度对应的目标质量检测分支网络进行质量检测,得到每个数据分析维度对应的第一信号质量推理结果,根据多个数据分析维度分别对应的第一信号质量推理结果,确定目标检波器测试信号对应的目标信号质量检测结果。
作为一种实施方式,任意数据分析维度对应的第一信号质量推理结果表示在以上任意数据分析维度下目标检波器测试信号属于多个信号质量检测结果的置信度。任意数据分析维度对应的第一信号质量推理结果例如包括以上任意数据分析维度对应的第一推理置信度。例如,以上任意数据分析维度对应的第一推理置信度表示以上目标检波器测试信号在以上任意数据分析维度属于合格埋置的置信度。
作为一种实施方式,以上方法还例如包括:将目标检波器测试信号加载到目标信号质量检测网络中的目标影响度学习单元进行影响度分析,得到目标影响度;相应的,以上根据多个数据分析维度分别对应的第一信号质量推理结果,确定目标检波器测试信号对应的目标信号质量检测结果,例如包括:根据目标影响度,对多个数据分析维度分别对应的第一信号质量推理结果进行整合操作,得到目标检波器测试信号对应的第二信号质量推理结果;根据第二信号质量推理结果,确定目标信号质量检测结果。作为一种实施方式,目标影响度学习单元为训练后的影响度学习单元,目标影响度学习单元例如包括级联的目标滤波算子、目标前馈神经网络算子和目标Sigmoid算子。
作为一种实施方式,目标影响度代表可以表示为权重信息,代表多个数据分析维度对应的多个第一信号质量推理结果各自的重要性。
作为一种实施方式,目标影响度学习单元的影响度分析的方式参考以上模板影响度学习单元的影响度分析的方式。作为一种实施方式,第二信号质量推理结果代表目标检波器测试信号属于多个信号质量检测结果的置信度。第一信号质量推理结果的整合操作过程参考以上第三信号质量推理结果的整合操作过程。
作为一种实施方式,可以将第二信号质量推理结果中最大的推理置信度对应的信号质量检测结果确定为目标信号质量检测结果。
本申请提供的智能检波器埋置质量测试方法及系统,通过获取目标检波器测试信号,将目标检波器测试信号加载到目标信号质量检测网络中的多个数据分析维度分别对应的目标分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的目标信号质量表征向量,其中,目标信号质量检测网络为根据共性误差对模板分支挖掘网络中的模板维度匹配单元调试得到,共性误差表征多个数据分析维度中的随机两个数据分析维度对应的模板维度匹配单元输出的匹配表征向量之间的共性度量结果,采用共性误差进行调试,使得不同数据分析维度对应的目标分支挖掘网络之间的共性余量得到稀释,而完善填补信息得到增强,能最大限度减少不同的目标分支挖掘网络输出表征向量间的关联性,增加不同目标分支挖掘网络输出表征向量的独立性,以提高各个分支网络的集成性能,同时基于调试模板维度匹配单元得到目标信号质量检测网络,调试变量少,降低调试成本,然后依据每个数据分析维度对应的目标信号质量表征向量和目标信号质量检测网络中的多个数据分析维度分别对应的目标质量检测分支网络,确定目标检波器测试信号对应的目标信号质量检测结果,能够增加目标信号质量检测网络对于包含多种数据分析维度的检测信号的质量检测精度。
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的智能检波器埋置质量测试方法。图2示意性地示出了本申请实施例提供的测试装置的功能模块架构示意图。如图2所示,测试装置200包括:
信号获取模块210,用于获取目标检波器测试信号;
特征抽取模块220,用于将所述目标检波器测试信号加载到目标信号质量检测网络中的多个数据分析维度分别对应的目标分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的目标信号质量表征向量;所述目标信号质量检测网络为根据共性误差对模板分支挖掘网络中的模板维度匹配单元调试得到,所述共性误差表征目标匹配表征向量的共性度量结果,所述目标匹配表征向量为随机两个数据分析维度对应的模板维度匹配单元输出的匹配表征向量;
质量检测模块230,用于根据所述每个数据分析维度对应的目标信号质量表征向量和所述每个数据分析维度对应的目标质量检测分支网络,确定所述目标检波器测试信号对应的目标信号质量检测结果。
本申请各实施例中提供的测试装置的具体细节已经在对应的方法实施例中进行了详细的描述,此处不再赘述。
图3示意性地示出了用于实现本申请实施例的测试系统的组成示意图。
需要说明的是,图3示出的测试系统300仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图3所示,测试系统300包括中央处理器301(Central Processing Unit,CPU),其可以根据存储在只读存储器302(Read-Only Memory,ROM)中的程序或者从存储部分308加载到随机访问存储器303(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器303中,还存储有系统操作所需的各种程序和数据。中央处理器301、在只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口305(Input/Output接口,即I/O接口)也连接至总线304。
以下部件连接至输入/输出接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至输入/输出接口305。存储介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分309从网络上被下载和安装,和/或从存储介质311被安装。在该计算机程序被中央处理器301执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (9)
1.一种智能检波器埋置质量测试方法,其特征在于,所述方法包括:
获取目标检波器测试信号;
将所述目标检波器测试信号加载到目标信号质量检测网络中的多个数据分析维度分别对应的目标分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的目标信号质量表征向量;所述目标信号质量检测网络为根据共性误差对模板分支挖掘网络中的模板维度匹配单元调试得到,所述共性误差表征目标匹配表征向量的共性度量结果,所述目标匹配表征向量为随机两个数据分析维度对应的模板维度匹配单元输出的匹配表征向量;
根据所述每个数据分析维度对应的目标信号质量表征向量和所述每个数据分析维度对应的目标质量检测分支网络,确定所述目标检波器测试信号对应的目标信号质量检测结果;
所述根据所述每个数据分析维度对应的目标信号质量表征向量和所述每个数据分析维度对应的目标质量检测分支网络,确定所述目标检波器测试信号对应的目标信号质量检测结果,包括:
将所述每个数据分析维度对应的目标信号质量表征向量加载到所述每个数据分析维度对应的目标质量检测分支网络进行质量检测,得到所述每个数据分析维度对应的第一信号质量推理结果;
根据所述多个数据分析维度分别对应的第一信号质量推理结果,确定所述目标检波器测试信号对应的目标信号质量检测结果;
所述方法还包括:
将所述目标检波器测试信号加载到所述目标信号质量检测网络中的目标影响度学习单元进行影响度分析,得到目标影响度;
所述根据所述多个数据分析维度分别对应的第一信号质量推理结果,确定所述目标检波器测试信号对应的目标信号质量检测结果,包括:
根据所述目标影响度,对所述多个数据分析维度分别对应的第一信号质量推理结果进行整合操作,得到所述目标检波器测试信号对应的第二信号质量推理结果;
根据所述第二信号质量推理结果,确定所述目标信号质量检测结果。
2.根据权利要求1所述的方法,其特征在于,所述目标信号质量检测网络的调试过程包括:
获取第一检波器信号模版库;
将所述第一检波器信号模版库加载到预设深度神经网络中的所述多个数据分析维度分别对应的模板分支挖掘网络进行质量表征向量抽取处理,得到所述每个数据分析维度对应的模板匹配表征向量;
根据目标分析维度对对应的模板匹配表征向量,确定所述目标分析维度对对应的共性误差;所述目标分析维度对为所述多个数据分析维度中的随机两个;
根据所述目标分析维度对对应的共性误差,对所述目标分析维度对对应的模板维度匹配单元进行调试,得到所述目标信号质量检测网络。
3.根据权利要求2所述的方法,其特征在于,所述每个数据分析维度对应的模板分支挖掘网络包括模板嵌入映射单元和模板质量表征向量抽取单元,所述模板质量表征向量抽取单元包括第一信息聚焦单元、第一特征变换单元、模板维度匹配单元和第一整合单元;
所述将所述第一检波器信号模版库加载到预设深度神经网络中的所述多个数据分析维度分别对应的模板分支挖掘网络进行质量表征向量抽取处理,得到所述每个数据分析维度对应的模板匹配表征向量,包括:
将所述第一检波器信号模版库加载到所述每个数据分析维度对应的模板嵌入映射单元进行嵌入映射,得到所述每个数据分析维度对应的模板信号嵌入映射结果;
将所述每个数据分析维度对应的模板信号嵌入映射结果加载到所述每个数据分析维度对应的第一信息聚焦单元进行聚焦比例分配处理,得到所述每个数据分析维度对应的第一聚焦比例向量;
将所述每个数据分析维度对应的第一聚焦比例向量和所述每个数据分析维度对应的模板信号嵌入映射结果加载到所述每个数据分析维度对应的第一特征变换单元进行特征变换操作,得到所述每个数据分析维度对应的第一模板质量表征向量;
将所述每个数据分析维度对应的第一聚焦比例向量和所述每个数据分析维度对应的模板信号嵌入映射结果加载到所述每个数据分析维度对应的模板维度匹配单元进行表征向量匹配,得到所述每个数据分析维度对应的第一匹配表征向量;
将所述每个数据分析维度对应的第一模板质量表征向量、所述每个数据分析维度对应的第一匹配表征向量、所述每个数据分析维度对应的第一聚焦比例向量和所述每个数据分析维度对应的模板信号嵌入映射结果加载到所述每个数据分析维度对应的第一整合单元进行表征向量整合,得到所述每个数据分析维度对应的第二模板质量表征向量。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述第一检波器信号模版库中每个检波器信号模板对应的第一质量指示信息;
将所述每个数据分析维度对应的第二模板质量表征向量加载到所述预设深度神经网络中的所述每个数据分析维度对应的模板质量检测分支网络进行质量检测,得到所述每个数据分析维度对应的第三信号质量推理结果;
将所述第一检波器信号模版库加载到所述预设深度神经网络中的模板影响度学习单元进行影响度分析,得到所述第一检波器信号模版库中每个检波器信号模板对应的模板影响度;
根据所述模板影响度,对所述多个数据分析维度分别对应的第三信号质量推理结果进行整合操作,得到所述第一检波器信号模版库中每个检波器信号模板对应的第四信号质量推理结果;
根据所述第四信号质量推理结果和所述第一质量指示信息,确定第一影响度误差;
所述根据所述目标分析维度对对应的共性误差,对所述目标分析维度对对应的模板维度匹配单元进行调试,得到所述目标信号质量检测网络,包括:
根据所述目标分析维度对对应的共性误差,对所述目标分析维度对对应的模板维度匹配单元进行调试,并根据所述第一影响度误差,对所述模板影响度学习单元进行调试,得到所述目标信号质量检测网络。
5.根据权利要求2所述的方法,其特征在于,所述每个数据分析维度对应的模板分支挖掘网络包括模板嵌入映射单元和模板质量表征向量抽取单元,所述模板质量表征向量抽取单元包括第二信息聚焦单元、第二特征变换单元、模板维度匹配单元和第二整合单元,所述模板维度匹配单元包括第一模板匹配单元和第二模板匹配单元;
所述将所述第一检波器信号模版库加载到预设深度神经网络中的所述多个数据分析维度分别对应的模板分支挖掘网络进行质量表征向量抽取处理,得到所述每个数据分析维度对应的模板匹配表征向量,包括:
将所述第一检波器信号模版库加载到所述每个数据分析维度对应的模板嵌入映射单元进行嵌入映射,得到所述每个数据分析维度对应的模板信号嵌入映射结果;
将所述每个数据分析维度对应的模板信号嵌入映射结果加载到所述每个数据分析维度对应的第二信息聚焦单元进行聚焦比例分配处理,得到所述每个数据分析维度对应的第二聚焦比例向量;
将所述每个数据分析维度对应的第二聚焦比例向量加载到所述每个数据分析维度对应的第一模板匹配单元进行表征向量匹配,得到所述每个数据分析维度对应的第二匹配表征向量;
将所述每个数据分析维度对应的第二匹配表征向量和所述每个数据分析维度对应的模板信号嵌入映射结果加载到所述每个数据分析维度对应的第二特征变换单元进行特征变换操作,得到所述每个数据分析维度对应的第三模板质量表征向量;
将所述每个数据分析维度对应的第三模板质量表征向量加载到所述每个数据分析维度对应的第二模板匹配单元进行表征向量匹配,得到所述每个数据分析维度对应的第三匹配表征向量;
将所述每个数据分析维度对应的第三匹配表征向量、所述每个数据分析维度对应的第二匹配表征向量和所述每个数据分析维度对应的模板信号嵌入映射结果加载到所述每个数据分析维度对应的第二整合单元进行表征向量整合,得到所述每个数据分析维度对应的第四模板质量表征向量;
所述方法还包括:
获取所述第一检波器信号模版库中每个检波器信号模板对应的第一质量指示信息;
将所述每个数据分析维度对应的第四模板质量表征向量加载到所述预设深度神经网络中的所述每个数据分析维度对应的模板质量检测分支网络进行质量检测,得到所述每个数据分析维度对应的第五信号质量推理结果;
将所述第一检波器信号模版库加载到所述预设深度神经网络中的模板影响度学习单元进行影响度分析,得到所述第一检波器信号模版库中每个检波器信号模板对应的模板影响度;
根据所述模板影响度,对所述多个数据分析维度分别对应的第五信号质量推理结果进行整合操作,得到所述第一检波器信号模版库中每个检波器信号模板对应的第六信号质量推理结果;
根据所述第六信号质量推理结果和所述第一质量指示信息,确定第二影响度误差;
所述根据所述目标分析维度对对应的共性误差,对所述目标分析维度对对应的模板维度匹配单元进行调试,得到所述目标信号质量检测网络,包括:
根据所述目标分析维度对对应的共性误差,对所述目标分析维度对对应的模板维度匹配单元进行调试,并根据所述第二影响度误差,对所述模板影响度学习单元进行调试,得到所述目标信号质量检测网络。
6.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取第二检波器信号模版库和所述第二检波器信号模版库中每个检波器信号模板对应的第二质量指示信息;
将所述第二检波器信号模版库加载到所述预设深度神经网络中的所述多个数据分析维度分别对应的模板分支挖掘网络进行质量表征向量抽取处理,得到所述每个数据分析维度对应的第五模板质量表征向量;
将所述每个数据分析维度对应的第五模板质量表征向量加载到所述每个数据分析维度对应的模板质量检测分支网络进行质量检测,得到所述每个数据分析维度对应的第七信号质量推理结果;
根据所述每个数据分析维度对应的第七信号质量推理结果和所述第二质量指示信息,确定所述每个数据分析维度对应的信号误差;
所述根据所述目标分析维度对对应的共性误差,对所述目标分析维度对对应的模板维度匹配单元进行调试,得到所述目标信号质量检测网络,包括:
根据所述目标分析维度对对应的共性误差,对所述目标分析维度对对应的模板维度匹配单元进行调试,并根据所述每个数据分析维度对应的信号误差,对所述预设深度神经网络中的所述每个数据分析维度对应的模板基础单元进行调试,得到所述目标信号质量检测网络;
所述每个数据分析维度对应的模板基础单元为所述每个数据分析维度对应的模板分支挖掘网络中除所述每个数据分析维度对应的模板维度匹配单元外的单元。
7.根据权利要求1所述的方法,其特征在于,所述将所述目标检波器测试信号加载到目标信号质量检测网络中的多个数据分析维度分别对应的目标分支挖掘网络进行质量表征向量抽取处理,得到每个数据分析维度对应的目标信号质量表征向量,包括:
将所述目标检波器测试信号加载到所述每个数据分析维度对应的目标分支挖掘网络中的目标嵌入映射单元进行嵌入映射,得到所述每个数据分析维度对应的目标信号嵌入映射结果;
将所述每个数据分析维度对应的目标信号嵌入映射结果加载到所述每个数据分析维度对应的目标分支挖掘网络中的目标质量表征向量抽取单元进行抽取,得到所述每个数据分析维度对应的目标信号质量表征向量。
8.根据权利要求7所述的方法,其特征在于,所述每个数据分析维度对应的目标质量表征向量抽取单元包括第三信息聚焦单元、第三特征变换单元、目标维度匹配单元和第三整合单元;
所述将所述每个数据分析维度对应的目标信号嵌入映射结果加载到所述每个数据分析维度对应的目标分支挖掘网络中的目标质量表征向量抽取单元进行抽取,得到所述每个数据分析维度对应的目标信号质量表征向量,包括:
将所述每个数据分析维度对应的目标信号嵌入映射结果加载到所述每个数据分析维度对应的第三信息聚焦单元进行聚焦比例分配处理,得到所述每个数据分析维度对应的第三聚焦比例向量;
将所述每个数据分析维度对应的目标信号嵌入映射结果和所述每个数据分析维度对应的第三聚焦比例向量加载到所述每个数据分析维度对应的第三特征变换单元进行特征变换操作,得到所述每个数据分析维度对应的第一目标表征向量;
将所述每个数据分析维度对应的目标信号嵌入映射结果和所述每个数据分析维度对应的第三聚焦比例向量加载到所述每个数据分析维度对应的目标维度匹配单元进行表征向量匹配,得到所述每个数据分析维度对应的第四匹配表征向量;
将所述每个数据分析维度对应的第四匹配表征向量、所述每个数据分析维度对应的第一目标表征向量、所述每个数据分析维度对应的目标信号嵌入映射结果和所述每个数据分析维度对应的第三聚焦比例向量加载到所述每个数据分析维度对应的第三整合单元进行表征向量整合,得到所述每个数据分析维度对应的目标信号质量表征向量;
或者;
所述每个数据分析维度对应的目标质量表征向量抽取单元包括第四信息聚焦单元、第四特征变换单元、目标维度匹配单元和第四整合单元,所述每个数据分析维度对应的目标维度匹配单元包括第一目标匹配单元和第二目标匹配单元;
所述将所述每个数据分析维度对应的目标信号嵌入映射结果加载到所述每个数据分析维度对应的目标分支挖掘网络中的目标质量表征向量抽取单元进行抽取,得到所述每个数据分析维度对应的目标信号质量表征向量,包括:
将所述每个数据分析维度对应的目标信号嵌入映射结果加载到所述每个数据分析维度对应的第四信息聚焦单元进行聚焦比例分配处理,得到所述每个数据分析维度对应的第四聚焦比例向量;
将所述每个数据分析维度对应的第四聚焦比例向量加载到所述每个数据分析维度对应的第一目标匹配单元进行表征向量匹配,得到所述每个数据分析维度对应的第五匹配表征向量;
将所述每个数据分析维度对应的第五匹配表征向量和所述每个数据分析维度对应的目标信号嵌入映射结果加载到所述每个数据分析维度对应的第四特征变换单元进行特征变换操作,得到所述每个数据分析维度对应的第二目标表征向量;
将所述每个数据分析维度对应的第二目标表征向量加载到所述每个数据分析维度对应的第二目标匹配单元进行表征向量匹配,得到所述每个数据分析维度对应的第六匹配表征向量;
将所述每个数据分析维度对应的第六匹配表征向量、所述每个数据分析维度对应的第五匹配表征向量和所述每个数据分析维度对应的目标信号嵌入映射结果加载到所述每个数据分析维度对应的第四整合单元进行表征向量整合,得到所述每个数据分析维度对应的目标信号质量表征向量。
9.一种测试系统,其特征在于,包括:
处理器;
以及存储器,用于存储所述处理器的可执行指令;
其中,所述处理器被配置为经由执行所述可执行指令来执行权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410058727.9A CN117572531B (zh) | 2024-01-16 | 2024-01-16 | 一种智能检波器埋置质量测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410058727.9A CN117572531B (zh) | 2024-01-16 | 2024-01-16 | 一种智能检波器埋置质量测试方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117572531A CN117572531A (zh) | 2024-02-20 |
CN117572531B true CN117572531B (zh) | 2024-03-26 |
Family
ID=89895958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410058727.9A Active CN117572531B (zh) | 2024-01-16 | 2024-01-16 | 一种智能检波器埋置质量测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117572531B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2728007A1 (en) * | 2010-01-13 | 2011-07-13 | Srd Innovations Inc. | Link sensitive aodv for wireless data transfer |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN108573078A (zh) * | 2017-03-09 | 2018-09-25 | 中国石油化工股份有限公司 | 基于数据挖掘的压裂效果预测方法 |
CN110749909A (zh) * | 2019-07-25 | 2020-02-04 | 中国民用航空中南地区空中交通管理局 | 基于多星座网络事后差分的飞行器位置高精度定位方法 |
CN111461348A (zh) * | 2020-04-07 | 2020-07-28 | 国家计算机网络与信息安全管理中心 | 一种基于图核的深度网络嵌入学习方法 |
CN111641463A (zh) * | 2019-03-01 | 2020-09-08 | 广州海格通信集团股份有限公司 | 相控阵天线校测方法、装置、计算机设备和存储介质 |
CN111723852A (zh) * | 2020-05-30 | 2020-09-29 | 杭州迪英加科技有限公司 | 针对目标检测网络的鲁棒训练方法 |
CN112799152A (zh) * | 2019-11-13 | 2021-05-14 | 中国石油天然气集团有限公司 | 节点单元质控数据检测系统及方法 |
CN114255388A (zh) * | 2021-10-22 | 2022-03-29 | 电子科技大学长三角研究院(湖州) | 一种地震采集接收装置埋置质量人工智能自动检测方法 |
CN114595277A (zh) * | 2022-03-24 | 2022-06-07 | 孔祥彪 | 结合云计算和动态化分析的数据挖掘方法及系统 |
CN115453616A (zh) * | 2022-08-04 | 2022-12-09 | 山东大学 | 基于深度学习的隧道地震勘探数据增强方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150260878A1 (en) * | 2014-03-10 | 2015-09-17 | Geokinetics Acquisition Company | Hydrophone Response Compensation Filter Derivation, Design and Application |
US11916866B2 (en) * | 2020-12-09 | 2024-02-27 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for unsupervised cyberbullying detection via time-informed Gaussian mixture model |
-
2024
- 2024-01-16 CN CN202410058727.9A patent/CN117572531B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2728007A1 (en) * | 2010-01-13 | 2011-07-13 | Srd Innovations Inc. | Link sensitive aodv for wireless data transfer |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN108573078A (zh) * | 2017-03-09 | 2018-09-25 | 中国石油化工股份有限公司 | 基于数据挖掘的压裂效果预测方法 |
CN111641463A (zh) * | 2019-03-01 | 2020-09-08 | 广州海格通信集团股份有限公司 | 相控阵天线校测方法、装置、计算机设备和存储介质 |
CN110749909A (zh) * | 2019-07-25 | 2020-02-04 | 中国民用航空中南地区空中交通管理局 | 基于多星座网络事后差分的飞行器位置高精度定位方法 |
CN112799152A (zh) * | 2019-11-13 | 2021-05-14 | 中国石油天然气集团有限公司 | 节点单元质控数据检测系统及方法 |
CN111461348A (zh) * | 2020-04-07 | 2020-07-28 | 国家计算机网络与信息安全管理中心 | 一种基于图核的深度网络嵌入学习方法 |
CN111723852A (zh) * | 2020-05-30 | 2020-09-29 | 杭州迪英加科技有限公司 | 针对目标检测网络的鲁棒训练方法 |
CN114255388A (zh) * | 2021-10-22 | 2022-03-29 | 电子科技大学长三角研究院(湖州) | 一种地震采集接收装置埋置质量人工智能自动检测方法 |
CN114595277A (zh) * | 2022-03-24 | 2022-06-07 | 孔祥彪 | 结合云计算和动态化分析的数据挖掘方法及系统 |
CN115453616A (zh) * | 2022-08-04 | 2022-12-09 | 山东大学 | 基于深度学习的隧道地震勘探数据增强方法及系统 |
Non-Patent Citations (4)
Title |
---|
"工业设备监测参量关联网络推断及设备异常检测方法研究";赵会洋;《中国优秀硕士学位论文全文数据库》;20240115;第1-162页 * |
"Recommendation System for Movies Using Improved version of SOM with Hybrid Filtering Methods";Sharma, S;《2023 6th International Conference on Information Systems and Computer Networks》;20230519;第1-7页 * |
"地基测控系统测量误差标校技术研究";王瞧;《中国优秀博士学位论文全文数据库》;20200315;第1-177页 * |
"基于大数据平台的电能质量数据分析技术研究";高鹏;《中国优秀硕士学位论文全文数据库》;20181215;第1-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117572531A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ross et al. | P wave arrival picking and first‐motion polarity determination with deep learning | |
Stork et al. | Application of machine learning to microseismic event detection in distributed acoustic sensing data | |
Zhelavskaya et al. | Automated determination of electron density from electric field measurements on the Van Allen Probes spacecraft | |
US20220156595A1 (en) | System and method for supervised learning of permeability of earth formations | |
Jakkampudi et al. | Footstep detection in urban seismic data with a convolutional neural network | |
Soltani et al. | Improved estimation for well-logging problems based on fusion of four types of Kalman filters | |
Singh et al. | Time series analysis of soil radon data using multiple linear regression and artificial neural network in seismic precursory studies | |
Wrona et al. | 3D seismic interpretation with deep learning: A brief introduction | |
CN110879412A (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
Nurindrawati et al. | Predicting magnetization directions using convolutional neural networks | |
Salem et al. | Automatic detection of UXO from airborne magnetic data using a neural network | |
Pasyanos et al. | Full moment tensor solutions of US underground nuclear tests for event screening and yield estimation | |
Xu et al. | An automatic P-wave onset time picking method for mining-induced microseismic data based on long short-term memory deep neural network | |
CN117572531B (zh) | 一种智能检波器埋置质量测试方法及系统 | |
Naprstek et al. | Convolutional neural networks applied to the interpretation of lineaments in aeromagnetic data | |
Barama et al. | Global nuclear explosion discrimination using a convolutional neural network | |
CN113835138A (zh) | 基于深度编码解码网络预测页岩总有机碳含量的方法 | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
CN113327070B (zh) | 智能勘查煤系气的方法、装置及电子设备 | |
Ochoa et al. | Fast determination of earthquake depth using seismic records of a single station, implementing machine learning techniques | |
Stutenbecker et al. | How to quantify heavy mineral fertility from point‐counting data | |
CN112862169A (zh) | 预测陆相泥页岩游离油含量的方法及装置 | |
Deng et al. | Joint inversion of geochemical data and geophysical logs for lithology identification in CCSD Main Hole | |
Asgari Nezhad et al. | Characterization of source quality based on petrophysical logs and seismic data—a case study from Western Australia | |
Abrão Zeni et al. | Semiautomatic determination of the geological strength index using SfM and ANN techniques |
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 |