CN117574245B - 一种应用于山地勘探的智能检波器指标自检方法及系统 - Google Patents
一种应用于山地勘探的智能检波器指标自检方法及系统 Download PDFInfo
- Publication number
- CN117574245B CN117574245B CN202410062179.7A CN202410062179A CN117574245B CN 117574245 B CN117574245 B CN 117574245B CN 202410062179 A CN202410062179 A CN 202410062179A CN 117574245 B CN117574245 B CN 117574245B
- Authority
- CN
- China
- Prior art keywords
- detector signal
- sample1
- state detection
- operator
- detector
- 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 59
- 238000001514 detection method Methods 0.000 claims abstract description 510
- 239000013598 vector Substances 0.000 claims abstract description 476
- 238000012512 characterization method Methods 0.000 claims abstract description 242
- 238000000605 extraction Methods 0.000 claims abstract description 142
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000011156 evaluation Methods 0.000 claims abstract description 74
- 230000010354 integration Effects 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种应用于山地勘探的智能检波器指标自检方法及系统,方法通过检波器指标自检算法实现,在算法训练时,通过划分得到的目标检波器信号的指标评估表征向量预估目标检波器信号的状态检测结果,减小背景数据表征向量的负面作用,提升指标检测的可靠性,将训练样本的背景数据表征向量进行多背景整合,并生成相应的比较检波器信号,可以不用加入背景标签,使得样例更加多元化,从而基于训练样本与原始检测标记之间的差别结合训练样本的状态检测结果与比较检波器信号的状态检测结果之间的差别进行优化,可以提升表征向量抽取算子和指标检测算子的调优结果,换言之,能提升检波器指标自检算法进行指标检测时的可靠性。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种应用于山地勘探的智能检波器指标自检方法及系统。
背景技术
在山地勘探中,检波器是一种用于探测地下岩石和矿物质的仪器。检波器通常由一个震源和一个或多个接收器组成。当震源发出一次短暂的振动波形时,地下的岩石和矿物质会反射或折射这些波形,接收器将这些波形转换为电信号,然后进行数据分析和处理,以获得关于地下结构的信息。然而,在实际应用中,检波器常常会遭受环境干扰、设备故障、误操作等问题,导致数据的准确性和可靠性受到影响。因此,为了保证山地勘探的质量和效率,需要开发一种智能检波器指标自检方法,以自动检测和纠正各种误差和偏差。
目前,一些传统的检波器自检方法已经被使用,例如通过人工对比法、参考标准法等手段,来检测和校正检波器的指标偏差和误差。然而,这些方法存在一些缺陷,例如需要大量的人力和时间投入、无法实时监测、不适用于复杂环境等问题。因此,需要一种全新的智能检波器指标自检方法,可以通过机器学习、深度学习等先进技术,实现高效、准确、自动化的检测和纠正。这种方法可以大大提高山地勘探的效率和准确性,为矿产资源勘探和开发提供更加科学的支持。
发明内容
本发明的目的在于提供一种应用于山地勘探的智能检波器指标自检方法及系统,以提升检波器指标自检算法进行指标检测时的可靠性。
第一方面,本发明实施例提供了一种应用于山地勘探的智能检波器指标自检方法,所述方法包括:
获取多个检波器信号样例Sample1,以及各检波器信号样例Sample1中的目标指标数据的原始检测标记,所述原始检测标记用于标注目标指标数据为正常状态或异常状态;
依据基础检波器指标自检算法中的表征向量抽取算子分别抽取所述各检波器信号样例Sample1的指标评估表征向量和所述各检波器信号样例Sample1的背景数据表征向量;所述指标评估表征向量用以表征评估目标指标数据为正常状态或异常状态的表征向量,所述背景数据表征向量用以表征造成对目标指标数据为正常状态或异常状态发生错误检测的表征向量;
将任意一检波器信号样例Sample1的背景数据表征向量与所述多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,得到所述任意一检波器信号样例Sample1的整合背景数据表征向量;
通过所述任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成所述任意一检波器信号样例Sample1对应的比较检波器信号;
依据所述表征向量抽取算子抽取所述任意一检波器信号样例Sample1对应的比较检波器信号的指标评估表征向量;
依据所述基础检波器指标自检算法中的状态检测算子,分别对所述任意一检波器信号样例Sample1的指标评估表征向量和相应比较检波器信号的指标评估表征向量进行状态检测,得到所述任意一检波器信号样例Sample1的状态检测结果和对应的比较检波器信号的状态检测结果;
通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,并通过优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法;所述检波器指标自检算法用于对拟执行指标检测的目标检波器信号进行指标检测。
可选地,所述通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,包括:
向缩小所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、缩小所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别的方向对所述表征向量抽取算子和所述状态检测算子进行优化;
可选地,所述方法还包括:
依据所述表征向量抽取算子抽取所述任意一检波器信号样例Sample1对应的比较检波器信号的背景数据表征向量;所述通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,包括:
通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、所述各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化。
可选地,所述通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、所述各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,包括:
向缩小所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、缩小所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、扩大所述各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别的方向对所述表征向量抽取算子和所述状态检测算子进行优化。
可选地,所述基础检波器指标自检算法还包括检波器信号生成算子,所述检波器信号生成算子被配置为生成所述任意一检波器信号样例Sample1对应的比较检波器信号;
所述方法还包括:
依据所述检波器信号生成算子,通过所述任意一检波器信号样例Sample1的指标评估表征向量和背景数据表征向量,生成所述任意一检波器信号样例Sample1对应的解码检波器信号;
所述通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,包括:
通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、所述各检波器信号样例Sample1与相应解码检波器信号之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化。
可选地,所述基础检波器指标自检算法还包括检波器信号分类算子,所述检波器信号分类算子被配置为对输入所述检波器信号分类算子的检波器信号进行检波器信号分类,以得到检波器信号分类结果,所述检波器信号分类结果用于指示输入所述检波器信号分类算子的检波器信号的检波器信号种类为检波器信号样例种类或比较检波器信号种类;
所述优化后的表征向量抽取算子和所述优化后的状态检测算子是依据对所述检波器信号分类算子、所述表征向量抽取算子和所述状态检测算子进行多次轮番训练获得,当次训练获得的检波器信号分类算子的算子参变量锁定,以对上次训练获得的表征向量抽取算子和状态检测算子进行优化;
其中,对上次训练获得的表征向量抽取算子和状态检测算子进行优化的过程包括:通过上次训练获得的状态检测算子确定出的各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述上次训练获得的状态检测算子确定出的各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、所述当次训练获得的检波器信号分类算子确定出的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别,对所述上次训练获得的表征向量抽取算子和所述上次训练获得的状态检测算子进行优化;所述各检波器信号样例Sample1对应的比较检波器信号的检波器信号种类标记用于标注所述各检波器信号样例Sample1对应的比较检波器信号的检波器信号种类。
可选地,所述方法还包括:
获取多个检波器信号样例Sample2;任意一所述检波器信号样例Sample2包括目标指标数据;
依据所述优化后的表征向量抽取算子和所述优化后的状态检测算子,预估各检波器信号样例Sample2的预估检测标记;
依据优化后的基础检波器指标自检算法确定所述各检波器信号样例Sample2的状态检测结果和对应的比较检波器信号的状态检测结果,所述优化后的基础检波器指标自检算法是通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述基础检波器指标自检算法进行优化获得;
通过所述各检波器信号样例Sample2的状态检测结果与相应预估检测标记之间的差别、所述各检波器信号样例Sample2的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述优化后的表征向量抽取算子和所述优化后的状态检测算子进行调节;
所述通过优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法,包括:通过调节后的表征向量抽取算子和调节后的状态检测算子生成所述检波器指标自检算法;
其中,所述各检波器信号样例Sample2的状态检测结果与相应预估检测标记之间的差别依据目标状态检测损失进行表示,所述目标状态检测损失为基于所述各检波器信号样例Sample2的状态检测结果和对应的预估检测标记进行获取;
其中,确定所述目标状态检测损失的过程包括:通过所述各检波器信号样例Sample2的状态检测结果和对应的预估检测标记,分别确定所述各检波器信号样例Sample2对应的状态检测损失;通过所述各检波器信号样例Sample2的状态检测结果与相应比较检波器信号的状态检测结果之间的分布差别,分别确定所述各检波器信号样例Sample2的预估检测标记的概率;通过所述各检波器信号样例Sample2的预估检测标记的概率,和对应的检波器信号样例Sample2对应的状态检测损失,确定所述目标状态检测损失。
可选地,所述将任意一检波器信号样例Sample1的背景数据表征向量与所述多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,得到所述任意一检波器信号样例Sample1的整合背景数据表征向量,包括:
在所述其他检波器信号样例Sample1中,确定所述任意一检波器信号样例Sample1的目标接连检波器信号;
任意一检波器信号样例Sample1的目标接连检波器信号的背景数据表征向量与所述任意一检波器信号样例Sample1的背景数据表征向量之间的相似度量结果大于所述其他检波器信号样例Sample1中,其余检波器信号样例Sample1的背景数据表征向量与所述任意一检波器信号样例Sample1的背景数据表征向量之间的相似度量结果;
依据所述任意一检波器信号样例Sample1的显著性加权因子对所述任意一检波器信号样例Sample1的背景数据表征向量进行加权修正,得到所述任意一检波器信号样例Sample1的加权背景数据表征向量,分别依据各目标接连检波器信号的显著性加权因子对对应的目标接连检波器信号的背景数据表征向量进行加权修正,得到所述各目标接连检波器信号的加权背景数据表征向量;
通过所述任意一检波器信号样例Sample1的加权背景数据表征向量和所述各目标接连检波器信号的加权背景数据表征向量,确定所述任意一检波器信号样例Sample1的整合背景数据表征向量。
可选地,依据基础检波器指标自检算法中的表征向量抽取算子分别抽取所述各检波器信号样例Sample1的指标评估表征向量和所述各检波器信号样例Sample1的背景数据表征向量,包括:
依据所述表征向量抽取算子对所述任意一检波器信号样例Sample1进行检波器信号表征向量抽取,得到所述任意一检波器信号样例Sample1的检波器信号表征向量;
对所述任意一检波器信号样例Sample1的检波器信号表征向量进行指标评估表征向量抽取,得到所述任意一检波器信号样例Sample1的指标评估表征向量,对所述任意一检波器信号样例Sample1的检波器信号表征向量进行背景数据表征向量抽取,得到所述任意一检波器信号样例Sample1的背景数据表征向量;
所述通过所述任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成所述任意一检波器信号样例Sample1对应的比较检波器信号,包括:
将所述任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量进行拼接,得到所述任意一检波器信号样例Sample1的拼接检波器信号表征向量;
通过所述任意一检波器信号样例Sample1的拼接检波器信号表征向量进行检波器信号生成,以获得所述任意一检波器信号样例Sample1对应的比较检波器信号。
第二方面,本发明提供一种自检系统,包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,其中,所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序被所述处理器执行时,实现以上所述的方法。
本发明的有益技术效果至少包括:
本发明实施例中,在算法训练时,将检波器信号样例Sample1划分成评估检波器信号样例Sample1中的目标指标数据为正常状态或异常状态的指标评估表征向量,以及造成对目标指标数据识别为正常状态或异常状态发生错误检测的背景数据表征向量,以对基础检波器指标自检算法中的表征向量抽取算子和状态检测算子进行优化,从而通过优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法,在对目标检波器信号进行指标检测时,可以通过划分得到的目标检波器信号的指标评估表征向量预估目标检波器信号的状态检测结果,减小背景数据表征向量的负面作用,提升目标检波器信号的状态检测结果的可靠性,即提升指标检测的可靠性,依据将检波器信号样例Sample1的背景数据表征向量进行多背景整合,以及通过多背景整合后得到的整合背景数据表征向量与指标评估表征向量生成相应的比较检波器信号,可以不用加入背景标签,使得样例更加多元化,从而在通过检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别的前提下,通过检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别对表征向量抽取算子和状态检测算子进行优化,可以提升表征向量抽取算子和指标检测算子的调优结果,换言之,能提升检波器指标自检算法进行指标检测时的可靠性。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种应用于山地勘探的智能检波器指标自检方法的流程图。
图2是本发明实施例提供的一种自检装置的功能模块架构示意图。
图3是本发明实施例提供的一种自检系统的组成示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明实施例的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释,而非旨在限定本发明。
本发明实施例中应用于山地勘探的智能检波器指标自检方法的执行主体为计算机设备,包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。计算机设备包括用户设备与网络设备。其中,用户设备包括但不限于电脑、智能手机、PAD等;网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,计算机设备可单独运行来实现本发明,也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。其中,计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
本发明实施例提供了一种应用于山地勘探的智能检波器指标自检方法,自检系统即上述计算机设备,如图1所示,该方法包括:
操作S101,获取多个检波器信号样例Sample1,以及各检波器信号样例Sample1中的目标指标数据的原始检测标记。
检波器信号样例Sample1,其中Sample1用于与本发明后续介绍的另一类检波器信号样例进行区分,另一类检波器信号样例被标记为Sample2。检波器信号样例是收集的用于训练算法的训练样本,检波器信号是检波器在测试过程中,基于需要测试的参数和性能指标采集的,例如包括但不限于,为了测试智能检波器采集通道的动态范围,可以使用不同幅度的正弦波信号或方波信号作为输入信号,为了测试相位准确性,可以使用两个相同频率但有不同相位的信号作为输入信号,为了测试噪声水平,可以断开输入信号,观察输出信号的噪声水平,为了测试谐波畸变,可以使用特定频率或频率组合的信号作为输入信号,然后测量输出信号的谐波畸变程度等,通常情况下,测试所用的信号都是特殊设计的、已知的、具有可重复性和可测量性的信号,以确保测试结果的可靠性和准确性,检波器信号样例Sample1可以包含以上各类信号中的一类或多类。其中,原始检测标记用于标注检波器信号样例Sample1中的目标指标数据(即需要测试的指标所对应的信号)为正常状态或异常状态,例如智能检波器采集通道工作状态和检波器工作状态的正常或异常情况,换言之,原始检测标记是真实的状态。
操作S102,依据基础检波器指标自检算法中的表征向量抽取算子分别抽取各检波器信号样例Sample1的指标评估表征向量和各检波器信号样例Sample1的背景数据表征向量。
基础检波器指标自检算法为需要进行训练优化的算法,其具有新的架构,具体可以包括表征向量抽取算子、状态检测算子、生成算子和多背景整合算子,以上各个算子可以是采用能实现对应功能的任意神经网络算子,例如表征向量抽取算子可以采用编码器,生成算子可以采用解码器,状态检测算子可以采用SVM或Softmax分类器,多背景整合算子可采用注意力网络等。各个算子的功能将在后续实施例中进行详细说明,此处不做赘述。本申请实施例的目的在于对基础检波器指标自检算法进行训练优化,得到具有目标效果的检波器指标自检算法。其中,指标评估表征向量用以表征评估目标指标数据为正常状态或异常状态的表征向量,背景数据表征向量用以表征造成对目标指标数据为正常状态或异常状态发生错误检测的表征向量。本发明实施例中,表征向量用于表征对应信息(如目标指标数据)的特征,如频谱、相位、幅度、噪声、时间、非线性等特征。
作为一种实施方式,以抽取任意一检波器信号样例的指标评估表征向量和背景数据表征向量进行举例说明,指标自检系统依据表征向量抽取算子抽取任意一检波器信号样例Sample1的指标评估表征向量和背景数据表征向量包括:依据表征向量抽取算子,对任意一检波器信号样例Sample1进行检波器信号表征向量抽取,获得任意一检波器信号样例Sample1的检波器信号表征向量;对任意一检波器信号样例Sample1的检波器信号表征向量进行指标评估表征向量抽取,获得任意一检波器信号样例Sample1的指标评估表征向量,以及对任意一检波器信号样例Sample1的检波器信号表征向量进行背景数据表征向量抽取,获得任意一检波器信号样例Sample1的背景数据表征向量。作为一种实施方式,可以依据表征向量抽取算子中包括的一个嵌入模块抽取任意一检波器信号样例Sample1的检波器信号表征向量,然后依据两个深层嵌入模块在任意一检波器信号样例Sample1的检波器信号表征向量中抽取获得任意一检波器信号样例Sample1的指标评估表征向量和背景数据表征向量,其中,嵌入模块用于将输入信号映射到低维向量空间,具体可以为编码器。作为另一实施方式,在抽取获得任意一检波器信号样例Sample1的检波器信号表征向量后,将任意一检波器信号样例Sample1的检波器信号表征向量基于维数进行拆解,得到相同维数的两个表征向量,将其一作为任意一检波器信号样例Sample1的指标评估表征向量,余下的一个作为任意一检波器信号样例Sample1的背景数据表征向量。
操作S103,将任意一检波器信号样例Sample1的背景数据表征向量与多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,得到任意一检波器信号样例Sample1的整合背景数据表征向量。
作为一种实施方式,指标自检系统将任意一检波器信号样例Sample1的背景数据表征向量与多个检波器信号样例Sample1中,其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,获得任意一检波器信号样例Sample1的整合背景数据表征向量包括:在其他检波器信号样例Sample1中,确定该任意一检波器信号样例Sample1的目标接连检波器信号(即相邻的检波器信号),任意一检波器信号样例Sample1的目标接连检波器信号的背景数据表征向量与该任意一检波器信号样例Sample1的背景数据表征向量之间的相似度量结果大于其他检波器信号样例Sample1中其余检波器信号样例Sample1的背景数据表征向量与该任意一检波器信号样例Sample1的背景数据表征向量之间的相似度量结果;依据该任意一检波器信号样例Sample1的显著性加权因子(即该检波器信号样例Sample1具备的显著性对应的权重,可以是基于注意力机制获取的)对任意一检波器信号样例Sample1的背景数据表征向量进行加权修正,获得任意一检波器信号样例Sample1的加权背景数据表征向量,以及分别依据各目标接连检波器信号的显著性加权因子对对应的目标接连检波器信号的背景数据表征向量进行加权修正,得到各目标接连检波器信号的加权背景数据表征向量;通过该任意一检波器信号样例Sample1的加权背景数据表征向量和各目标接连检波器信号的加权背景数据表征向量,确定该任意一检波器信号样例Sample1的整合背景数据表征向量。
可选地,指标自检系统可以先确定多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量与该任意一检波器信号样例Sample1的背景数据表征向量之间的相似度量结果,再通过相似度量结果在其他检波器信号样例Sample1中,确定该任意一检波器信号样例Sample1的目标接连检波器信号。其中,其他检波器信号样例Sample1的背景数据表征向量与该任意一检波器信号样例Sample1的背景数据表征向量之间的相似度量结果可以为向量夹角余弦,或者通过其他检波器信号样例Sample1的背景数据表征向量与该任意一检波器信号样例Sample1的背景数据表征向量之间的表征向量距离(如杰卡德距离)计算相似度量结果。
作为一种实施方式,指标自检系统通过相似度量结果在其他检波器信号样例Sample1中,确定该任意一检波器信号样例Sample1的目标接连检波器信号时,可以将其他检波器信号样例Sample1中,相似度量结果大于预设相似度量结果的检波器信号样例Sample1作为该任意一检波器信号样例Sample1的目标接连检波器信号,预设相似度量结果的具体数值不做限定。
作为一个示例,如果包括4个检波器信号样例Sample1,分别为检波器信号样例Sample11、检波器信号样例Sample12、检波器信号样例Sample13以及检波器信号样例Sample14,4个检波器信号样例Sample1的背景数据表征向量之间的相似度量结果如下:检波器信号样例Sample12的背景数据表征向量与检波器信号样例Sample11的背景数据表征向量的相似度量结果为0.15、检波器信号样例Sample13的背景数据表征向量与检波器信号样例Sample11的背景数据表征向量的相似度量结果为0.54、检波器信号样例Sample14的背景数据表征向量与检波器信号样例Sample11的背景数据表征向量的相似度量结果为0.3;Sample11的背景数据表征向量与Sample12的背景数据表征向量的相似度量结果为0.15、Sample13的背景数据表征向量与Sample12的背景数据表征向量的相似度量结果为0.75、Sample14的背景数据表征向量与Sample12的背景数据表征向量的相似度量结果为0.88;Sample11的背景数据表征向量与Sample13的背景数据表征向量的相似度量结果为0.54、Sample12的背景数据表征向量与Sample13的背景数据表征向量的相似度量结果为0.75、Sample14的背景数据表征向量与Sample13的背景数据表征向量的相似度量结果为0.98;Sample11的背景数据表征向量与Sample14的背景数据表征向量的相似度量结果为0.3、Sample12的背景数据表征向量与Sample14的背景数据表征向量的相似度量结果为0.88、Sample13的背景数据表征向量与Sample14的背景数据表征向量的相似度量结果为0.98。
对于检波器信号样例Sample11,如果预设相似度量结果为0.2,那么检波器信号样例Sample11的目标接连检波器信号为检波器信号样例Sample13以及检波器信号样例Sample14,对于检波器信号样例Sample12,如果预设相似度量结果为0.54,那么检波器信号样例Sample12的目标接连检波器信号为检波器信号样例Sample13以及检波器信号样例Sample14,对于检波器信号样例Sample13,如果预设相似度量结果为0.54,那么检波器信号样例Sample13的目标接连检波器信号为检波器信号样例Sample12和检波器信号样例Sample14,对于检波器信号样例Sample14,如果预设相似度量结果为0.54,那么检波器信号样例Sample14的目标接连检波器信号为检波器信号样例Sample12和检波器信号样例Sample13。
作为另一实施方式,指标自检系统通过相似度量结果在其他检波器信号样例Sample1中,确定该任意一检波器信号样例Sample1的目标接连检波器信号时,例如将其他检波器信号样例Sample1按相似度量结果的大小进行排序,确定最大的N个检波器信号样例Sample1作为任意一检波器信号样例Sample1的目标接连检波器信号,N≥1。
此外,该任意一检波器信号样例Sample1的显著性加权因子和各目标接连检波器信号的显著性加权因子例如是依据多背景整合算子中的显著性加权因子确定算子确定得到。作为一种实施方式,指标自检系统通过该任意一检波器信号样例Sample1的加权背景数据表征向量和各目标接连检波器信号的加权背景数据表征向量,确定该任意一检波器信号样例Sample1的整合背景数据表征向量,可以是对任意一检波器信号样例Sample1的加权背景数据表征向量和各目标接连检波器信号的加权背景数据表征向量进行相加,获得任意一检波器信号样例Sample1的整合背景数据表征向量。
作为一种实施方式,将任意一检波器信号样例Sample1的背景数据表征向量与多个检波器信号样例Sample1中,其他检波器信号样例Sample1的背景数据表征向量进行多背景整合,获得任意一检波器信号样例Sample1的整合背景数据表征向量,目的在于将其他检波器信号样例Sample1的背景数据表征向量聚合到该任意一检波器信号样例Sample1的背景数据表征向量中,以使该任意一检波器信号样例Sample1的整合背景数据表征向量,涵盖其他检波器信号样例Sample1的背景数据表征向量的特征信息,从而通过多背景整合处理后,获得的整合背景数据表征向量与该任意一检波器信号样例Sample1的指标评估表征向量生成相应的比较检波器信号,除了涵盖该任意一检波器信号样例的背景数据表征向量的特征信息,还涵盖其他检波器信号样例Sample1的背景数据表征向量的特征信息,再通过生成的比较检波器信号对表征向量抽取算子和状态检测算子进行优化,可提升表征向量抽取算子对背景数据表征向量的抽取效果,以使优化后的表征向量抽取算子对涵盖不同背景数据表征向量的目标检波器信号可准确进行背景数据表征向量的抽取,换言之,能提升算法泛化能力。
举例而言,如果包括4个检波器信号样例Sample1:检波器信号样例Sample11、检波器信号样例Sample12、检波器信号样例Sample13以及检波器信号样例Sample14,检波器信号样例Sample11的目标接连检波器信号为检波器信号样例Sample13以及检波器信号样例Sample14、检波器信号样例Sample12的目标接连检波器信号为检波器信号样例Sample13以及检波器信号样例Sample14、检波器信号样例Sample13的目标接连检波器信号为检波器信号样例Sample12以及检波器信号样例Sample14、检波器信号样例Sample14的目标接连检波器信号为检波器信号样例Sample12以及检波器信号样例Sample13,则将检波器信号样例Sample13的背景数据表征向量和检波器信号样例Sample14的背景数据表征向量向检波器信号样例Sample11的背景数据表征向量聚合,将检波器信号样例Sample13以及检波器信号样例Sample14向检波器信号样例Sample12的背景数据表征向量聚合,将检波器信号样例Sample12以及检波器信号样例Sample14向检波器信号样例Sample13的背景数据表征向量聚合,将检波器信号样例Sample12以及检波器信号样例Sample13向检波器信号样例Sample14的背景数据表征向量聚合。
操作S104,通过任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成任意一检波器信号样例Sample1对应的比较检波器信号。
作为一种实施方式,指标自检系统通过任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成该任意一检波器信号样例Sample1对应的比较检波器信号包括:将该任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量进行拼接(即一个表征向量的头连接另一个向量的尾,完成拼接),获得任意一检波器信号样例Sample1的拼接检波器信号表征向量,通过该任意一检波器信号样例Sample1的拼接检波器信号表征向量,进行检波器信号生成处理,获得任意一检波器信号样例Sample1对应的比较检波器信号。其中,生成该任意一检波器信号样例Sample1对应的比较检波器信号的相关过程可以依据检波器信号生成算子执行。
操作S105,依据表征向量抽取算子抽取任意一检波器信号样例Sample1对应的比较检波器信号的指标评估表征向量。
作为一种实施方式,指标自检系统依据表征向量抽取算子抽取任意一检波器信号样例Sample1对应的比较检波器信号的指标评估表征向量的过程和依据基础检波器指标自检算法中的表征向量抽取算子,抽取检波器信号样例Sample1的指标评估表征向量的过程一致。
操作S106,依据基础检波器指标自检算法中的状态检测算子,分别对任意一检波器信号样例Sample1的指标评估表征向量和相应比较检波器信号的指标评估表征向量进行状态检测,得到任意一检波器信号样例Sample1的状态检测结果和对应的比较检波器信号的状态检测结果。
作为一种实施方式,依据基础检波器指标自检算法中的状态检测算子得到的任意一检波器信号样例Sample1的状态检测结果,可以为预估的该任意一检波器信号样例Sample1中的目标指标数据为正常状态的概率,依据基础检波器指标自检算法中的状态检测算子获得的比较检波器信号的状态检测结果,为预估的该比较检波器信号中的目标指标数据为正常状态的概率。
操作S107,通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对表征向量抽取算子和状态检测算子进行优化,并通过优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法。
作为一种实施方式,各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别可以依据原始状态检测损失进行表示,原始状态检测损失可以为基于各检波器信号样例Sample1的状态检测结果和对应的原始检测标记进行获取,例如通过原始状态检测损失进行获取,原始状态检测损失例如为通用交叉熵损失。作为一种实施方式,各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别可以依据对比状态检测损失进行表示,对比状态检测损失可以为基于各检波器信号样例Sample1的状态检测结果和对应的比较检波器信号的状态检测结果进行确定,比如通过对比状态检测损失函数确定,对比状态检测损失可以相对熵损失函数进行获取。
可选地,指标自检系统通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对表征向量抽取算子和状态检测算子进行优化包括:向缩小各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、缩小各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别的方向对表征向量抽取算子和状态检测算子进行优化。因各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别可依据原始状态检测损失进行表示,各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别可依据对比状态检测损失进行表示,则指标自检系统可向缩小原始状态检测损失以及缩小对比状态检测损失的方向对表征向量抽取算子和状态检测算子进行优化。作为一种实施方式,通过优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法时,该优化后的表征向量抽取算子和优化后的状态检测算子还可以为优化后的基础检波器指标自检算法中包括的优化后的表征向量抽取算子和优化后的状态检测算子,即可以通过获取到的多个检波器信号样例Sample1,以及各检波器信号样例Sample1中的目标指标数据的原始检测标记,对基础检波器指标自检算法进行优化,得到优化后的基础检波器指标自检算法,通过优化后的基础检波器指标自检算法中包括的优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法;当基础检波器指标自检算法中包括表征向量抽取算子、状态检测算子、检波器信号生成算子和多背景整合算子时,需对表征向量抽取算子、状态检测算子、检波器信号生成算子和多背景整合算子进行优化。
作为一种实施方式,指标自检系统还可依据表征向量抽取算子抽取任意一检波器信号样例Sample1对应的比较检波器信号的背景数据表征向量。指标自检系统可以通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别,对表征向量抽取算子和状态检测算子进行优化。其中,指标自检系统依据表征向量抽取算子抽取任意一检波器信号样例Sample1对应的比较检波器信号的背景数据表征向量的方式和依据表征向量抽取算子抽取检波器信号样例Sample1的背景数据表征向量的方式一致。
本发明实施例提供一种依据基础检波器指标自检算法处理检波器信号样例Sample1示例中,可以先依据基础检波器指标自检算法中的表征向量抽取算子分别抽取各检波器信号样例Sample1的指标评估表征向量和各检波器信号样例Sample1的背景数据表征向量,依据基础检波器指标自检算法中的多背景整合算子将任意一检波器信号样例Sample1的背景数据表征向量与多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,获得任意一检波器信号样例Sample1的整合背景数据表征向量,依据基础检波器指标自检算法中的检波器信号生成算子,通过该任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成该任意一检波器信号样例Sample1对应的比较检波器信号,再依据表征向量抽取算子抽取该任意一检波器信号样例Sample1对应的比较检波器信号的指标评估表征向量和背景数据表征向量,依据基础检波器指标自检算法中的状态检测算子,分别对任意一检波器信号样例Sample1的指标评估表征向量和相应比较检波器信号的指标评估表征向量进行状态检测,获得任意一检波器信号样例Sample1的状态检测结果和对应的比较检波器信号的状态检测结果。
作为一种实施方式,各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别可依据背景数据表征向量损失表示,背景数据表征向量损失基于各检波器信号样例Sample1的背景数据表征向量和相应比较检波器信号的背景数据表征向量确定得到,例如通过背景数据表征向量损失(如余弦损失)进行确定。
可选地,指标自检系统通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别,对表征向量抽取算子和状态检测算子进行优化包括:向缩小各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、缩小各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、扩大各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别的方向对表征向量抽取算子和状态检测算子进行优化。由于各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别可以依据背景数据表征向量损失表示,背景数据表征向量损失可通过各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量的夹角余弦进行确定,检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别越大,检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的夹角余弦越小,则指标自检系统向缩小原始状态检测损失、缩小对比状态检测损失和缩小背景数据表征向量损失的方向对表征向量抽取算子和状态检测算子进行优化。对表征向量抽取算子和状态检测算子进行优化时,加入各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别,向扩大各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别的方向进行优化,使得背景数据表征向量更多样,便于提升算法训练质量。
作为一种实施方式,指标自检系统可以依据检波器信号生成算子,通过任意一检波器信号样例Sample1的指标评估表征向量和背景数据表征向量,生成该任意一检波器信号样例Sample1对应的解码检波器信号(即通过解码器解码生成的检波器信号)。指标自检系统可以通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、各检波器信号样例Sample1与相应解码检波器信号之间的差别,对表征向量抽取算子和状态检测算子进行优化。其中,指标自检系统依据检波器信号生成算子,通过任意一检波器信号样例Sample1的指标评估表征向量和背景数据表征向量,生成该任意一检波器信号样例Sample1对应的解码检波器信号的方式和依据检波器信号生成算子,通过任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成该任意一检波器信号样例Sample1对应的比较检波器信号的方式一致。
作为一种实施方式,各检波器信号样例Sample1与相应解码检波器信号之间的差别可以依据检波器信号生成损失表示,检波器信号生成损失可以为基于各检波器信号样例Sample1和对应的解码检波器信号进行确定,例如通过检波器信号生成损失函数进行确定,例如:,
其中,K是检波器信号样例Sample1的数量,Smb是第m个检波器信号样例Sample1,Smr是第m个检波器信号样例Sample1对应的解码检波器信号,是对第m个检波器信号样例Sample1对应的解码检波器信号的信号特征与第m个检波器信号样例Sample1的信号特征的差值的曼哈顿距离。
可选地,指标自检系统通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、各检波器信号样例Sample1与相应解码检波器信号之间的差别,对表征向量抽取算子和状态检测算子进行优化包括:向缩小各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、缩小各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、缩小各检波器信号样例Sample1与相应解码检波器信号之间的差别的方向对表征向量抽取算子和状态检测算子进行优化。由于各检波器信号样例Sample1与相应解码检波器信号之间的差别可以依据检波器信号生成损失表示,则指标自检系统向缩小原始状态检测损失、缩小对比状态检测损失和缩小检波器信号生成损失的方向对表征向量抽取算子和状态检测算子进行优化。加入各检波器信号样例Sample1与相应解码检波器信号之间的差别,向缩小各检波器信号样例Sample1与相应解码检波器信号之间的差别的方向进行优化,提升检波器信号生成算子的训练质量,检波器信号生成算子生成检波器信号的能力更强,检波器信号生成算子生成的检波器信号样例Sample1对应的比较检波器信号质量更好,从而通过各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别对表征向量抽取算子和状态检测算子进行优化时,训练质量更优异。
作为一种实施方式,指标自检系统在对表征向量抽取算子和状态检测算子(或基础检波器指标自检算法)进行优化时,可以在通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别的前提下,加入各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别和/或各检波器信号样例Sample1与相应解码检波器信号之间的差别,一同对表征向量抽取算子和状态检测算子进行优化。作为一种实施方式,通过检波器信号样例Sample1的损失,依据自适应优化算法对算子参变量进行调试修正。可选地,将任意一检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,获得任意一检波器信号样例Sample1的整合背景数据表征向量时,或将该任意一检波器信号样例Sample1的背景数据表征向量与多个检波器信号样例Sample1中,其他检波器信号样例Sample1的背景数据表征向量进行多背景整合,获得任意一检波器信号样例Sample1的整合背景数据表征向量。可选地,可将该检波器信号样例Sample1和该任意一检波器信号样例Sample1进行多背景整合的检波器信号视作小batch(也即少量批次)检波器信号样例Sample1,其中的任意一检波器信号样例Sample1与除开任意一检波器信号样例Sample1外的其他检波器信号样例Sample1进行多背景整合。
作为一种实施方式,检波器指标自检算法可用以对拟执行指标检测的目标检波器信号进行指标检测,换言之,能评估目标检波器信号中的目标指标数据为正常状态或异常状态。依据检波器指标自检算法抽取目标检波器信号的指标评估表征向量和得到目标检波器信号的状态检测结果的方式和依据基础检波器指标自检算法抽取检波器信号样例Sample1的指标评估表征向量和得到检波器信号样例Sample1的状态检测结果的方式一致。
本发明实施例将检波器信号样例Sample1划分成评估检波器信号样例Sample1中的目标指标数据为正常状态或异常状态的指标评估表征向量,以及造成对目标指标数据识别为正常状态或异常状态发生错误检测的背景数据表征向量,以对基础检波器指标自检算法中的表征向量抽取算子和状态检测算子进行优化,从而通过优化后的表征向量抽取算子和优化后的状态检测算子生成的检波器指标自检算法,在对目标检波器信号进行指标检测时,可以通过划分得到的目标检波器信号的指标评估表征向量预估目标检波器信号的状态检测结果,减小背景数据表征向量的负面作用,提升目标检波器信号的状态检测结果的可靠性,即提升指标检测的可靠性,依据将检波器信号样例Sample1的背景数据表征向量进行多背景整合,以及通过多背景整合后得到的整合背景数据表征向量与指标评估表征向量生成相应的比较检波器信号,可以不用加入背景标签,使得样例更加多元化,从而在通过检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别的前提下,通过检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别对表征向量抽取算子和状态检测算子进行优化,可以提升表征向量抽取算子和指标检测算子的调优结果,换言之,能提升检波器指标自检算法进行指标检测时的可靠性。
基于以上介绍的各个实施例,本发明实施例还提供另一种应用于山地勘探的智能检波器指标自检方法的实施例,具体可以包括以下操作:
操作S201,获取多个检波器信号样例Sample1,以及各检波器信号样例Sample1中的目标指标数据的原始检测标记。其中,原始检测标记用于标注目标指标数据为正常状态或异常状态。
操作S202,依据基础检波器指标自检算法中的表征向量抽取算子分别抽取各检波器信号样例Sample1的指标评估表征向量和各检波器信号样例Sample1的背景数据表征向量。其中,指标评估表征向量用以表征评估目标指标数据为正常状态或异常状态的表征向量,背景数据表征向量用以表征造成对目标指标数据为正常状态或异常状态发生错误检测的表征向量。
操作S203,将任意一检波器信号样例Sample1的背景数据表征向量与多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,得到任意一检波器信号样例Sample1的整合背景数据表征向量。
操作S204,通过任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成任意一检波器信号样例Sample1对应的比较检波器信号。
操作S205,依据表征向量抽取算子抽取任意一检波器信号样例Sample1对应的比较检波器信号的指标评估表征向量。
操作S206,依据基础检波器指标自检算法中的状态检测算子,分别对任意一检波器信号样例Sample1的指标评估表征向量和相应比较检波器信号的指标评估表征向量进行状态检测,得到任意一检波器信号样例Sample1的状态检测结果和对应的比较检波器信号的状态检测结果。
操作S207,通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对表征向量抽取算子和状态检测算子进行优化。
其中,操作S201~操作S207可对照操作S101~操作S107的描述。
作为一种实施方式,基础检波器指标自检算法还包括检波器信号分类算子,检波器信号分类算子用于对输入检波器信号分类算子的检波器信号进行检波器信号分类,得到检波器信号分类结果,检波器信号分类结果用于指示输入检波器信号分类算子的检波器信号的检波器信号种类为检波器信号样例种类或比较检波器信号种类,即,检波器信号分类结果用于指示输入检波器信号分类算子的检波器信号为基于检波器信号生成算子生成的检波器信号(即比较检波器信号种类的检波器信号),还是不为基于检波器信号生成算子生成的检波器信号(即检波器信号样例种类的检波器信号)。检波器信号分类算子的算子架构不做限定,比如,若表征向量抽取算子为嵌入模块,检波器信号生成算子为transformer中的解码组件,若检波器信号分类算子为鉴别器(Discriminator),可基于生成对抗网络(GANs)进行构建。
添加检波器信号分类算子,基础检波器指标自检算法建立GANs架构,本发明依据基础检波器指标自检算法处理检波器信号样例Sample1时,还可以先依据基础检波器指标自检算法中的表征向量抽取算子分别抽取各检波器信号样例Sample1的指标评估表征向量和各检波器信号样例Sample1的背景数据表征向量;可以依据基础检波器指标自检算法中的多背景整合模块,将任意一检波器信号样例Sample1的背景数据表征向量与多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,获得任意一检波器信号样例Sample1的整合背景数据表征向量,可以依据基础检波器指标自检算法中的检波器信号生成算子,通过该任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成该任意一检波器信号样例Sample1的比较检波器信号,又一次依据表征向量抽取算子抽取该任意一检波器信号样例Sample1对应的比较检波器信号的指标评估表征向量和背景数据表征向量,依据基础检波器指标自检算法中的状态检测算子分别对任意一检波器信号样例Sample1的指标评估表征向量和相应比较检波器信号的指标评估表征向量进行状态检测,获得任意一检波器信号样例Sample1的状态检测结果和对应的比较检波器信号的状态检测结果。其中,可依据基础检波器指标自检算法中的检波器信号分类算子对检波器信号样例Sample1以及检波器信号样例Sample1对应的比较检波器信号进行检波器信号分类,得到检波器信号分类结果。
作为一种实施方式,优化后的表征向量抽取算子和优化后的状态检测算子可以是依据对检波器信号分类算子,和表征向量抽取算子和状态检测算子进行多次轮番训练获得,当次训练获得的检波器信号分类算子的算子参变量锁定,以对上次训练获得表征向量抽取算子和状态检测算子进行优化。当次训练获得的检波器信号分类算子的算子参变量被锁定,用于对上次训练获得多背景整合算子和检波器信号生成算子进行优化。
可选地,对上次训练获得表征向量抽取算子和状态检测算子进行优化的过程包括:通过上次训练获得状态检测算子确定的各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、上次训练获得状态检测算子确定的各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、当次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别,对上次训练获得表征向量抽取算子和上次训练获得状态检测算子进行优化。其中,各检波器信号样例Sample1对应的比较检波器信号的检波器信号种类标记用于标注各检波器信号样例Sample1对应的比较检波器信号的检波器信号种类。
作为一种实施方式,上次训练获得状态检测算子确定出的各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别,可以依据前述提及的方式中原始状态检测损失、上次训练获得状态检测算子确定的各检波器信号样例Sample1的状态检测结果、和对应的原始检测标记,一同确定的损失进行表示;上次训练获得状态检测算子确定的各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,可以依据上述实施例提及的对比状态检测损失、上次训练获得状态检测算子确定出的各检波器信号样例Sample1的状态检测结果、和对应的比较检波器信号的状态检测结果一同确定的损失表示。当次训练获得检波器信号分类算子确定的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别可以依据第一检波器信号分类损失进行表示,第一检波器信号分类损失可以为基于各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果和对应的比较检波器信号的检波器信号种类标记确定的,例如通过第一检波器信号分类损失函数确定,其为交叉熵损失函数L1。
例如:,
其中,K是检波器信号样例Sample1的数量,Sm1是比较检波器信号,C(Sm1)是第m个检波器信号样例Sample1对应的比较检波器信号的分类结果。
可选地,指标自检系统通过上次训练获得状态检测算子确定的各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、上次训练获得状态检测算子确定的各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、当次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别,对上次训练获得表征向量抽取算子和上次训练获得状态检测算子进行优化包括:向缩小上次训练获得状态检测算子确定出的各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、缩小上次训练获得状态检测算子确定出的各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、扩大当次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别的方向对上次训练获得表征向量抽取算子和上次训练获得状态检测算子进行优化。因当次训练获得检波器信号分类算子确定的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别依据第一检波器信号分类损失表示,第一检波器信号分类损失由第一检波器信号分类损失函数确定,第一检波器信号分类损失函数表征各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别越大时,第一检波器信号分类损失越小,则指标自检系统向缩小第一检波器信号分类损失的方向对上次训练获得表征向量抽取算子和上次训练获得状态检测算子进行优化。
作为一种实施方式,因优化后的表征向量抽取算子和优化后的状态检测算子可依据对检波器信号分类算子,和表征向量抽取算子和状态检测算子进行多次轮番训练获得,当次训练获得表征向量抽取算子、状态检测算子、多背景整合模块以及检波器信号生成算子的算子参变量锁定,以对上次训练获得检波器信号分类算子进行优化。可选地,对上次训练获得检波器信号分类算子进行优化的过程包括:通过上次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1的检波器信号分类结果与相应检波器信号样例Sample1的检波器信号种类标记之间的差别、上次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别,对上次训练获得检波器信号分类算子进行优化。
作为一种实施方式,上次训练获得检波器信号分类算子确定的各检波器信号样例Sample1的检波器信号分类结果与相应检波器信号样例Sample1的检波器信号种类标记之间的差别、上次训练获得检波器信号分类算子确定的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别,可依据第二检波器信号分类损失表示,第二检波器信号分类损失可以为基于各检波器信号样例Sample1的检波器信号分类结果和对应的检波器信号样例Sample1的检波器信号种类标记,和各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果和对应的比较检波器信号的检波器信号种类标记确定得到,例如通过第二检波器信号分类损失函数确定,其为交叉熵函数L2。
例如:,
其中,K是检波器信号样例Sample1的数量,Sm是第m个检波器信号样例Sample1,C(Sm)是第m个检波器信号样例Sample1的检波器信号分类结果,Sm1是第m个检波器信号样例Sample1对应的比较检波器信号,C(Sm1)是第m个检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果。
可选地,指标自检系统通过上次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1的检波器信号分类结果与相应检波器信号样例Sample1的检波器信号种类标记之间的差别、上次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别,对上次训练获得检波器信号分类算子进行优化包括:向缩小上次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1的检波器信号分类结果与相应检波器信号样例Sample1的检波器信号种类标记之间的差别、缩小上次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记间的差别的方向对上次训练获得检波器信号分类算子进行优化。因上次训练获得检波器信号分类算子确定的各检波器信号样例Sample1的检波器信号分类结果与相应检波器信号样例Sample1的检波器信号种类标记之间的差别、上次训练获得检波器信号分类算子确定的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别可依据第二检波器信号分类损失表示,第二检波器信号分类损失通过上述损失函数L2确定,在L2中,当各检波器信号样例Sample1的检波器信号分类结果与相应检波器信号样例Sample1的检波器信号种类标记之间的差别、各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别越小时,第二检波器信号分类损失越大,指标自检系统可以向扩大第二检波器信号分类损失的方向对上次训练获得检波器信号分类算子进行优化。
加入检波器信号分类算子,通过生成对抗对检波器信号分类算子,和表征向量抽取算子、状态检测算子、多背景整合算子以及检波器信号生成算子进行多次轮番训练,使优化后的表征向量抽取算子、优化后的状态检测算子、优化后的多背景整合算子以及优化后的检波器信号生成算子的算法性能更佳。
作为一种实施方式,指标自检系统在对表征向量抽取算子和状态检测算子(或基础检波器指标自检算法)进行优化时,可在加入检波器信号分类算子、通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别的前提下,加入各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别和/或各检波器信号样例Sample1与相应解码检波器信号之间的差别,一同对表征向量抽取算子和状态检测算子(或基础检波器指标自检算法)进行优化。
操作S208,获取多个检波器信号样例Sample2。
其中,任意一检波器信号样例Sample2包括目标指标数据,检波器信号样例Sample2的检波器信号实质与检波器信号样例Sample1的检波器信号一致,此处仅为区分不同实施例地区分描述,获取检波器信号样例Sample2的方式参照检波器信号样例Sample1的获取方式。
操作S209,依据优化后的表征向量抽取算子和优化后的状态检测算子,预估各检波器信号样例Sample2的预估检测标记。
作为一种实施方式,依据优化后的表征向量抽取算子和优化后的状态检测算子,预估各检波器信号样例Sample2的预估检测标记包括:对于任意一检波器信号样例Sample2,依据优化后的表征向量抽取算子,抽取该任意一检波器信号样例Sample2的指标评估表征向量,依据优化后的状态检测算子,对任意一检波器信号样例Sample2的指标评估表征向量进行状态检测,获得任意一检波器信号样例Sample2的状态检测结果,将该任意一检波器信号样例Sample2的状态检测结果作为该任意一检波器信号样例Sample2的预估检测标记。抽取该任意一检波器信号样例Sample2的指标评估表征向量,获得任意一检波器信号样例Sample2的状态检测结果参照以上实施例。
操作S210,依据优化后的基础检波器指标自检算法,确定各检波器信号样例Sample2的状态检测结果和对应的比较检波器信号的状态检测结果。
优化后的基础检波器指标自检算法可以是通过各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对基础检波器指标自检算法进行优化获得;加入不同损失,优化后的基础检波器指标自检算法是通过获得的多个检波器信号样例Sample1、各检波器信号样例Sample1中的目标指标数据的原始检测标记,基于对应损失对检波器指标自检算法进行优化获得;依据优化后的基础检波器指标自检算法,对各检波器信号样例Sample2进行处理,获得各检波器信号样例Sample2的状态检测结果和对应的比较检波器信号的状态检测结果的相方式和依据基础检波器指标自检算法,对各检波器信号样例Sample1进行处理,获得各检波器信号样例Sample1的状态检测结果和对应的比较检波器信号的状态检测结果的过程一致。
操作S211,通过各检波器信号样例Sample2的状态检测结果与相应预估检测标记之间的差别、各检波器信号样例Sample2的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对优化后的表征向量抽取算子和优化后的状态检测算子进行调节。
作为一种实施方式,对优化后的表征向量抽取算子和优化后的状态检测算子进行调节和对表征向量抽取算子和状态检测算子进行优化的过程一致,但通过各检波器信号样例Sample2的状态检测结果与相应预估检测标记之间的差别,对优化后的表征向量抽取算子和优化后的状态检测算子进行调节时,各检波器信号样例Sample2的状态检测结果与相应预估检测标记之间的差别可依据目标状态检测损失进行表示,目标状态检测损失可为基于各检波器信号样例Sample2的状态检测结果和对应的预估检测标记进行获取,例如通过目标状态检测损失确定,目标状态检测损失为通过加权后的交叉熵函数L3。
例如,,
其中,P+Q的总数即检波器信号样例Sample2的数量,Cm是第m个检波器信号样例Sample2的状态检测结果,Pm是第m个检波器信号样例Sample2的预估检测标记的概率,即预估检测标记属于正常状态标记还是异常状态标记的概率;P是检波器信号样例Sample2中,预估检测标记指示目标指标数据为正常状态的检波器信号样例Sample2的数量,Q是检波器信号样例Sample2中,预估检测标记指示目标指标数据为异常状态的检波器信号样例Sample2的数量。
第m个检波器信号样例Sample2的预估检测标记的概率Pm为:,
其中,是第m个检波器信号样例Sample2对应的比较检波器信号的状态检测结果,/>是第m个检波器信号样例Sample2的状态检测结果的分布, />是第m个检波器信号样例Sample2对应的比较检波器信号的状态检测结果的分布,是通过第m个检波器信号样例Sample2的状态检测结果与相应比较检波器信号的状态检测结果计算的相对熵计算结果,f()为指数函数。
那么,指标自检系统确定目标状态检测损失包括:通过各检波器信号样例Sample2的状态检测结果和对应的预估检测标记,分别确定各检波器信号样例Sample2对应的状态检测损失;通过各检波器信号样例Sample2的状态检测结果与相应比较检波器信号的状态检测结果之间的分布差别,分别确定各检波器信号样例Sample2的预估检测标记的概率;通过各检波器信号样例Sample2的预估检测标记的概率,和对应的检波器信号样例Sample2对应的状态检测损失,确定目标状态检测损失;可选地,可以依据各检波器信号样例Sample2的预估检测标记的概率,对相应检波器信号样例Sample2对应的状态检测损失完成加权平均,获得目标状态检测损失。
操作S212,通过优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法。
其中,检波器指标自检算法用于对拟执行指标检测的目标检波器信号进行指标检测。
本发明实施例依据在基础检波器指标自检算法中添加检波器信号分类算子,使基础检波器指标自检算法通过生成对抗对检波器信号分类算子、和表征向量抽取算子、状态检测算子、多背景整合算子以及检波器信号生成算子进行多次轮番训练,使优化后的表征向量抽取算子、优化后的状态检测算子、优化后的多背景整合算子以及优化后的检波器信号生成算子的算法性能更优异。然后加入没有原始检测标记的检波器信号样例Sample2,通过各检波器信号样例Sample2和依据优化后的表征向量抽取算子和优化后的状态检测算子,预估获得的各检波器信号样例Sample2的预估检测标记对优化后的表征向量抽取算子和优化后的状态检测算子进行优化,使通过优化后的表征向量抽取算子和状态检测算子生成的检波器指标自检算法的算法能力更强,换言之,能提升检波器指标自检算法进行指标检测的可靠性。
基于与图1中所示方法相同的原理,本发明实施例中还提供了一种自检装置10,如图2所示,该装置10包括:
样例获取模块11,用于获取多个检波器信号样例Sample1,以及各检波器信号样例Sample1中的目标指标数据的原始检测标记,所述原始检测标记用于标注目标指标数据为正常状态或异常状态;
特征抽取模块12,用于依据基础检波器指标自检算法中的表征向量抽取算子分别抽取所述各检波器信号样例Sample1的指标评估表征向量和所述各检波器信号样例Sample1的背景数据表征向量;所述指标评估表征向量用以表征评估目标指标数据为正常状态或异常状态的表征向量,所述背景数据表征向量用以表征造成对目标指标数据为正常状态或异常状态发生错误检测的表征向量;
特征整合模块13,用于将任意一检波器信号样例Sample1的背景数据表征向量与所述多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,得到所述任意一检波器信号样例Sample1的整合背景数据表征向量;
信号生成模块14,用于通过所述任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成所述任意一检波器信号样例Sample1对应的比较检波器信号;
目标抽取模块15,用于依据所述表征向量抽取算子抽取所述任意一检波器信号样例Sample1对应的比较检波器信号的指标评估表征向量;
状态检测模块16,用于依据所述基础检波器指标自检算法中的状态检测算子,分别对所述任意一检波器信号样例Sample1的指标评估表征向量和相应比较检波器信号的指标评估表征向量进行状态检测,得到所述任意一检波器信号样例Sample1的状态检测结果和对应的比较检波器信号的状态检测结果;
算子优化模块17,用于通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,并通过优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法;所述检波器指标自检算法用于对拟执行指标检测的目标检波器信号进行指标检测。
上述实施例从虚拟模块的角度介绍了自检装置10,下述从实体模块的角度介绍一种自检系统,具体如下所示:
本发明实施例提供了一种自检系统,如图3所示,自检系统100包括:处理器101和存储器103。其中,处理器101和存储器103相连,如通过总线102相连。可选地,自检系统100还可以包括收发器104。需要说明的是,实际应用中收发器104不限于一个,该自检系统100的结构并不构成对本发明实施例的限定。处理器101可以是CPU,通用处理器,GPU,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线102可包括一通路,在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器103用于存储执行本发明方案的应用程序代码,并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
本发明实施例提供了一种自检系统,本发明实施例中的自检系统包括:一个或多个处理器;存储器;一个或多个计算机程序,其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序被处理器执行时,实现以上所述的方法。本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当计算机程序在处理器上运行时,使得处理器可以执行前述方法实施例中相应的内容。
应该理解的是,虽然附图的流程图中的各个操作按照箭头的指示依次显示,但是这些操作并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些操作的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分操作可以包括多个子操作或者多个阶段,这些子操作或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他操作或者其他操作的子操作或者阶段的至少一部分轮流或者交替地执行。以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种应用于山地勘探的智能检波器指标自检方法,其特征在于,所述方法包括:
获取多个检波器信号样例Sample1,以及各检波器信号样例Sample1中的目标指标数据的原始检测标记,所述原始检测标记用于标注目标指标数据为正常状态或异常状态;
依据基础检波器指标自检算法中的表征向量抽取算子分别抽取所述各检波器信号样例Sample1的指标评估表征向量和所述各检波器信号样例Sample1的背景数据表征向量;所述指标评估表征向量用以表征评估目标指标数据为正常状态或异常状态的表征向量,所述背景数据表征向量用以表征造成对目标指标数据为正常状态或异常状态发生错误检测的表征向量;
将任意一检波器信号样例Sample1的背景数据表征向量与所述多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,得到所述任意一检波器信号样例Sample1的整合背景数据表征向量;
通过所述任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成所述任意一检波器信号样例Sample1对应的比较检波器信号;
依据所述表征向量抽取算子抽取所述任意一检波器信号样例Sample1对应的比较检波器信号的指标评估表征向量;
依据所述基础检波器指标自检算法中的状态检测算子,分别对所述任意一检波器信号样例Sample1的指标评估表征向量和相应比较检波器信号的指标评估表征向量进行状态检测,得到所述任意一检波器信号样例Sample1的状态检测结果和对应的比较检波器信号的状态检测结果;
通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,并通过优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法;所述检波器指标自检算法用于对拟执行指标检测的目标检波器信号进行指标检测。
2.根据权利要求1所述的方法,其特征在于,所述通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,包括:
向缩小所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、缩小所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别的方向对所述表征向量抽取算子和所述状态检测算子进行优化。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
依据所述表征向量抽取算子抽取所述任意一检波器信号样例Sample1对应的比较检波器信号的背景数据表征向量;所述通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,包括:
通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、所述各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化。
4.根据权利要求3所述的方法,其特征在于,所述通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、所述各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,包括:
向缩小所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、缩小所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、扩大所述各检波器信号样例Sample1的背景数据表征向量与相应比较检波器信号的背景数据表征向量之间的差别的方向对所述表征向量抽取算子和所述状态检测算子进行优化。
5.根据权利要求1所述的方法,其特征在于,所述基础检波器指标自检算法还包括检波器信号生成算子,所述检波器信号生成算子被配置为生成所述任意一检波器信号样例Sample1对应的比较检波器信号;
所述方法还包括:
依据所述检波器信号生成算子,通过所述任意一检波器信号样例Sample1的指标评估表征向量和背景数据表征向量,生成所述任意一检波器信号样例Sample1对应的解码检波器信号;
所述通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化,包括:
通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、所述各检波器信号样例Sample1与相应解码检波器信号之间的差别,对所述表征向量抽取算子和所述状态检测算子进行优化。
6.根据权利要求1所述的方法,其特征在于,所述基础检波器指标自检算法还包括检波器信号分类算子,所述检波器信号分类算子被配置为对输入所述检波器信号分类算子的检波器信号进行检波器信号分类,以得到检波器信号分类结果,所述检波器信号分类结果用于指示输入所述检波器信号分类算子的检波器信号的检波器信号种类为检波器信号样例种类或比较检波器信号种类;
所述优化后的表征向量抽取算子和所述优化后的状态检测算子是依据对所述检波器信号分类算子、所述表征向量抽取算子和所述状态检测算子进行多次轮番训练获得,当次训练获得的检波器信号分类算子的算子参变量锁定,以对上次训练获得表征向量抽取算子和状态检测算子进行优化;
其中,对上次训练获得表征向量抽取算子和状态检测算子进行优化的过程包括:通过上次训练获得状态检测算子确定出的各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述上次训练获得状态检测算子确定出的各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别、所述当次训练获得检波器信号分类算子确定出的各检波器信号样例Sample1对应的比较检波器信号的检波器信号分类结果与相应比较检波器信号的检波器信号种类标记之间的差别,对所述上次训练获得表征向量抽取算子和所述上次训练获得状态检测算子进行优化;所述各检波器信号样例Sample1对应的比较检波器信号的检波器信号种类标记用于标注所述各检波器信号样例Sample1对应的比较检波器信号的检波器信号种类。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个检波器信号样例Sample2;任意一所述检波器信号样例Sample2包括目标指标数据;
依据所述优化后的表征向量抽取算子和所述优化后的状态检测算子,预估各检波器信号样例Sample2的预估检测标记;
依据优化后的基础检波器指标自检算法确定所述各检波器信号样例Sample2的状态检测结果和对应的比较检波器信号的状态检测结果,所述优化后的基础检波器指标自检算法是通过所述各检波器信号样例Sample1的状态检测结果与对应的原始检测标记之间的差别、所述各检波器信号样例Sample1的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述基础检波器指标自检算法进行优化获得;
通过所述各检波器信号样例Sample2的状态检测结果与相应预估检测标记之间的差别、所述各检波器信号样例Sample2的状态检测结果与相应比较检波器信号的状态检测结果之间的差别,对所述优化后的表征向量抽取算子和所述优化后的状态检测算子进行调节;
所述通过优化后的表征向量抽取算子和优化后的状态检测算子生成检波器指标自检算法,包括:通过调节后的表征向量抽取算子和调节后的状态检测算子生成所述检波器指标自检算法;
其中,所述各检波器信号样例Sample2的状态检测结果与相应预估检测标记之间的差别依据目标状态检测损失进行表示,所述目标状态检测损失为基于所述各检波器信号样例Sample2的状态检测结果和对应的预估检测标记进行获取;
其中,确定所述目标状态检测损失的过程包括:通过所述各检波器信号样例Sample2的状态检测结果和对应的预估检测标记,分别确定所述各检波器信号样例Sample2对应的状态检测损失;通过所述各检波器信号样例Sample2的状态检测结果与相应比较检波器信号的状态检测结果之间的分布差别,分别确定所述各检波器信号样例Sample2的预估检测标记的概率;通过所述各检波器信号样例Sample2的预估检测标记的概率,和对应的检波器信号样例Sample2对应的状态检测损失,确定所述目标状态检测损失。
8.根据权利要求1所述的方法,其特征在于,所述将任意一检波器信号样例Sample1的背景数据表征向量与所述多个检波器信号样例Sample1中其他检波器信号样例Sample1的背景数据表征向量进行多背景整合处理,得到所述任意一检波器信号样例Sample1的整合背景数据表征向量,包括:
在所述其他检波器信号样例Sample1中,确定所述任意一检波器信号样例Sample1的目标接连检波器信号;
任意一检波器信号样例Sample1的目标接连检波器信号的背景数据表征向量与所述任意一检波器信号样例Sample1的背景数据表征向量之间的相似度量结果大于所述其他检波器信号样例Sample1中,其余检波器信号样例Sample1的背景数据表征向量与所述任意一检波器信号样例Sample1的背景数据表征向量之间的相似度量结果;
依据所述任意一检波器信号样例Sample1的显著性加权因子对所述任意一检波器信号样例Sample1的背景数据表征向量进行加权修正,得到所述任意一检波器信号样例Sample1的加权背景数据表征向量,分别依据各目标接连检波器信号的显著性加权因子对对应的目标接连检波器信号的背景数据表征向量进行加权修正,得到所述各目标接连检波器信号的加权背景数据表征向量;
通过所述任意一检波器信号样例Sample1的加权背景数据表征向量和所述各目标接连检波器信号的加权背景数据表征向量,确定所述任意一检波器信号样例Sample1的整合背景数据表征向量。
9.根据权利要求1所述的方法,其特征在于,依据基础检波器指标自检算法中的表征向量抽取算子分别抽取所述各检波器信号样例Sample1的指标评估表征向量和所述各检波器信号样例Sample1的背景数据表征向量,包括:
依据所述表征向量抽取算子对所述任意一检波器信号样例Sample1进行检波器信号表征向量抽取,得到所述任意一检波器信号样例Sample1的检波器信号表征向量;
对所述任意一检波器信号样例Sample1的检波器信号表征向量进行指标评估表征向量抽取,得到所述任意一检波器信号样例Sample1的指标评估表征向量,对所述任意一检波器信号样例Sample1的检波器信号表征向量进行背景数据表征向量抽取,得到所述任意一检波器信号样例Sample1的背景数据表征向量;
所述通过所述任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量,生成所述任意一检波器信号样例Sample1对应的比较检波器信号,包括:
将所述任意一检波器信号样例Sample1的指标评估表征向量和整合背景数据表征向量进行拼接,得到所述任意一检波器信号样例Sample1的拼接检波器信号表征向量;
通过所述任意一检波器信号样例Sample1的拼接检波器信号表征向量进行检波器信号生成,以获得所述任意一检波器信号样例Sample1对应的比较检波器信号。
10.一种自检系统,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,其中,所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序被所述处理器执行时,实现根据权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410062179.7A CN117574245B (zh) | 2024-01-16 | 2024-01-16 | 一种应用于山地勘探的智能检波器指标自检方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410062179.7A CN117574245B (zh) | 2024-01-16 | 2024-01-16 | 一种应用于山地勘探的智能检波器指标自检方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574245A CN117574245A (zh) | 2024-02-20 |
CN117574245B true CN117574245B (zh) | 2024-03-26 |
Family
ID=89886583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410062179.7A Active CN117574245B (zh) | 2024-01-16 | 2024-01-16 | 一种应用于山地勘探的智能检波器指标自检方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574245B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344992A (zh) * | 2013-06-20 | 2013-10-09 | 中国海洋石油总公司 | 一种用于海上工程勘察的浅层剖面设备 |
CN103412283A (zh) * | 2013-08-27 | 2013-11-27 | 中国地质调查局水文地质环境地质调查中心 | 地面塌陷微地震三维定位监测方法和系统 |
CN103645460A (zh) * | 2013-11-21 | 2014-03-19 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于目标层可视性分析的激发位置确定方法 |
CN105467440A (zh) * | 2015-10-28 | 2016-04-06 | 中国石油天然气股份有限公司 | 一种全向矢量地震数据处理方法及装置 |
CN107153224A (zh) * | 2016-03-02 | 2017-09-12 | 中石化石油工程技术服务有限公司 | 检波器动态性能综合测试与评价方法 |
CN112099077A (zh) * | 2020-10-22 | 2020-12-18 | 中油奥博(成都)科技有限公司 | 基于mems光纤检波器的井中地震数据采集装置及采集方法 |
-
2024
- 2024-01-16 CN CN202410062179.7A patent/CN117574245B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344992A (zh) * | 2013-06-20 | 2013-10-09 | 中国海洋石油总公司 | 一种用于海上工程勘察的浅层剖面设备 |
CN103412283A (zh) * | 2013-08-27 | 2013-11-27 | 中国地质调查局水文地质环境地质调查中心 | 地面塌陷微地震三维定位监测方法和系统 |
CN103645460A (zh) * | 2013-11-21 | 2014-03-19 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 基于目标层可视性分析的激发位置确定方法 |
CN105467440A (zh) * | 2015-10-28 | 2016-04-06 | 中国石油天然气股份有限公司 | 一种全向矢量地震数据处理方法及装置 |
CN107153224A (zh) * | 2016-03-02 | 2017-09-12 | 中石化石油工程技术服务有限公司 | 检波器动态性能综合测试与评价方法 |
CN112099077A (zh) * | 2020-10-22 | 2020-12-18 | 中油奥博(成都)科技有限公司 | 基于mems光纤检波器的井中地震数据采集装置及采集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117574245A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9460398B2 (en) | Apparatus and method for recognizing user activity | |
US8990792B2 (en) | Method for constructing dynamic call graph of application | |
CN111814822B (zh) | 一种敏感图片检测方法、装置及电子设备 | |
CN112346993B (zh) | 一种情报分析引擎的测试方法、装置及设备 | |
KR101390220B1 (ko) | 소프트웨어 버그 정정을 위한 적합한 개발자 추천 방법 및 장치 | |
CN109521725A (zh) | 检测异常数据的方法、装置和设备以及机器可读介质 | |
CN105095756A (zh) | 可移植文档格式文档的检测方法和装置 | |
CN112559978B (zh) | 基于动态胎记的多线程程序抄袭检测方法及相关设备 | |
CN115494526A (zh) | 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质 | |
CN112560971A (zh) | 一种主动学习自迭代的图像分类方法和系统 | |
CN110956613A (zh) | 基于图像质量的目标检测算法性能归一化评价方法及系统 | |
CN112671724A (zh) | 一种终端安全检测分析方法、装置、设备及可读存储介质 | |
US10585130B2 (en) | Noise spectrum analysis for electronic device | |
CN118534191A (zh) | 新能源电网下光伏电站谐波分析与监控系统 | |
CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
CN114997213A (zh) | 信号识别方法、装置、电子设备及存储介质 | |
CN112801489B (zh) | 诉讼案件风险检测方法、装置、设备和可读存储介质 | |
CN117574245B (zh) | 一种应用于山地勘探的智能检波器指标自检方法及系统 | |
CN113962324A (zh) | 图片检测方法、装置、存储介质及电子设备 | |
CN113656354A (zh) | 日志分类方法、系统、计算机设备和可读存储介质 | |
CN117095254A (zh) | 基于分层自编码器的开放集射频指纹识别方法 | |
CN106251364A (zh) | 目标跟踪方法及装置 | |
US9557394B2 (en) | Classification of materials using nuclear magnetic resonance dispersion and/or x-ray absorption | |
CN112632548B (zh) | 一种恶意安卓程序检测方法、装置,电子设备及存储介质 | |
Kraetzer et al. | Improvement of information fusion-based audio steganalysis |
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 |