CN117668433A - 一种机械采油机组智能选型方法和系统 - Google Patents
一种机械采油机组智能选型方法和系统 Download PDFInfo
- Publication number
- CN117668433A CN117668433A CN202410129474.XA CN202410129474A CN117668433A CN 117668433 A CN117668433 A CN 117668433A CN 202410129474 A CN202410129474 A CN 202410129474A CN 117668433 A CN117668433 A CN 117668433A
- Authority
- CN
- China
- Prior art keywords
- oil extraction
- matrix
- model selection
- feature matrix
- lawson
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 53
- 238000010187 selection method Methods 0.000 title claims description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0043—Adaptive algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明请求保护一种机械采油机组智能选型方法和系统，包括：1.构建Lawson‑RLS算法的代价函数，依据所述代价函数获取选型权向量和选型误差，基于Lawson范数构造特征矩阵，通过采油处理前机组和采油处理后机组对所述特征矩阵进行参数预设；2.设定所述特征矩阵初值，对机械研磨增益矩阵进行求解，得到机械研磨增益向量；3.依据所述机械研磨增益向量和特征矩阵得到所述选型权向量的迭代公式；更新所述特征矩阵，继续重复以上1到3满足迭代次数条件后，得到采油机组与采油对象的选型值。其实现了采油对象多径的稳健选型，提高了对抗脉冲噪声的鲁棒性且算法具有良好的稳态误差及收敛速率，试验数据验证了方法有效性。
Description
技术领域
本发明涉及的是一种机械采油机组智能选型方法和系统，可应用于采油对象和时延选型问题，属于开采声音信号处理领域。
背景技术
外围低渗透油田由于储量丰度低、渗透率低、产量低，而导致油井产液量变化规律异常。但由于这种异常变化的产液量变化规律在现有的技术中没有一种行之有效的判断方法，而使得技术人员仍按照常规抽油机选型的方法进行，结果是导致大量低渗透油田区块抽油机选型偏大，致使所选的抽油设备负载率低。导致投资高、运行费用高，影响油田开发效益。
现有技术对失效后的剩余油开采提出了各类方法，流道调整对此类剩余油开采的针对性最强，然而现有流道调整技术并未对不同采油机类型的药剂选型提供参考，对比分析施工有效的井组中，施工井的油藏类型与施工用颗粒、施工规模存在一定的关系，因此，有必要从采油机类型出发，对流道调整工艺进行系统配套，在确保“注得进”的前提下，探索出不同采油机类型油藏的最佳施工规模。
发明内容
本发明的提出了一种机械采油机组智能选型方法和系统，所述方法和系统基于Lawson范数和RLS误差代价函数进行选型，能有效提高对脉冲噪声的鲁棒性以及提升采油对象和时延的准确性。
为了达到上述目的，本发明采取如下技术方案。根据本发明第一方面，本发明请求保护一种机械采油机组智能选型方法，其特征在于，包括：
步骤1：构建Lawson-RLS算法的代价函数，依据所述代价函数获取选型权向量和选型误差，基于Lawson范数构造特征矩阵，通过采油处理前机组和采油处理后机组对所述特征矩阵进行参数预设；
步骤2：设定所述特征矩阵初值，之后对机械研磨增益矩阵进行求解，得到机械研磨增益向量；
步骤3：依据所述机械研磨增益向量和特征矩阵得到所述Lawson-RLS算法的迭代公式；
步骤4：更新所述特征矩阵，继续重复以上步骤1-3直到步骤3满足迭代次数条件后，得到采油机组与采油对象的选型值。
进一步的，所述步骤1中，具体包括：
采用多维的未知开采声音稀疏系统的权向量；
基于时刻时的输入信号和环境噪声，获得在/>时刻的稀疏开采声音系统的输出；
以抽头系数向量的Lawson范数和误差的RLS函数构建代价函数；
依据所述代价函数获取时刻的选型权向量和/>时刻的选型误差；
基于所述Lawson范数得到时刻不同多径通道的输出值；
依据梯度下降理论对所述特征矩阵的各单项进行运算，得到过度矩阵。
进一步的，所述步骤2中，具体包括：
设定所述特征矩阵的初值，之后对机械研磨增益矩阵进行求解；
通令所述特征矩阵的初值为0，求解自适应滤波器抽头系数的解；
定义加权复自相关矩阵，根据矩阵求逆引理，求解得到机械研磨增益向量。
进一步的，所述步骤3中，具体包括：
依据所述机械研磨增益向量、特征矩阵、时刻的选型误差、过度矩阵得到所述Lawson-RLS算法的迭代公式。
进一步的，所述步骤4中，具体包括：
所述迭代次数条件设置为采油处理后机组的长度，利用采油处理前机组和采油处理后机组的先验信息。
根据本发明第二方面，本发明请求保护一种机械采油机组智能选型系统，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现所述的一种机械采油机组智能选型方法。
本发明请求保护一种机械采油机组智能选型方法和系统，包括：1.构建Lawson-RLS算法的代价函数，依据所述代价函数获取选型权向量和选型误差，基于Lawson范数构造特征矩阵，通过采油处理前机组和采油处理后机组对所述特征矩阵进行参数预设；2.设定所述特征矩阵初值，对机械研磨增益矩阵进行求解，得到机械研磨增益向量；3.依据所述机械研磨增益向量和特征矩阵得到所述选型权向量的迭代公式；更新所述特征矩阵，继续重复以上1到3满足迭代次数条件后，得到采油机组与采油对象的选型值。其实现了采油对象多径的稳健选型，提高了对抗脉冲噪声的鲁棒性且算法具有良好的稳态误差及收敛速率，试验数据验证了方法有效性。
附图说明
图1为本发明所涉及的一种机械采油机组智能选型方法的工作流程图；
图2为本发明所涉及的一种机械采油机组智能选型系统的结构模块图。
具体实施方式
根据本发明第一实施例，参照附图1，本发明请求保护一种机械采油机组智能选型方法，包括：
步骤1：构建Lawson-RLS算法的代价函数，依据所述代价函数获取选型权向量和选型误差，基于Lawson范数构造特征矩阵，通过采油处理前机组和采油处理后机组对所述特征矩阵进行参数预设；
步骤2：设定所述特征矩阵初值，之后对机械研磨增益矩阵进行求解，得到机械研磨增益向量；
步骤3：依据所述机械研磨增益向量和特征矩阵得到所述Lawson-RLS算法的迭代公式；
步骤4：更新所述特征矩阵，继续重复以上步骤1-3直到步骤3满足迭代次数条件后，得到采油机组与采油对象的选型值。
进一步的，所述步骤1中，具体包括：
采用维的未知开采声音稀疏系统的权向量；
基于时刻时的输入信号x(l)和环境噪声n(l)，结合所述未知开采声音稀疏系统的权向量获得在/>时刻的稀疏开采声音系统的输出d(l)；
以抽头系数向量的Lawson范数和选型误差的RLS函数构建代价函数；
其中，所述选型误差通过在/>时刻的稀疏开采声音系统的输出d(l)、时刻l的选型权向量h(l)和时刻/>时的输入信号x(l)得到；
基于所述Lawson范数得到时刻l的第i通道的输出值；
依据梯度下降理论使用所述选型权向量h(l)、时刻l的选型误差e(l)、时刻l的第i通道的输出值得到特征矩阵/>，对所述特征矩阵/>的各单项进行运算，得到过度矩阵G(l)，并进一步结合选型权向量h(l)得到第二过度矩阵s(l)。
其中，在该实施例中：
考虑一个维的未知开采声音稀疏系统的权向量/>，
表示时刻/>时的输入信号，那么在/>时刻稀疏开采声音系统的输出为：/>，其中/>为环境噪声。以抽头系数向量的Lawson范数和误差/>的RLS函数构建代价函数：
其中，为时刻的选型权向量，/>为时刻l的选型误差，可表示为，/>表示为传统RLS代价函数，/>为遗忘因子，它控制着不同时刻的误差权重，/>为一个非常小的常数。Lawson范数表示为：
其中，为一个很小的常数。当参数/>等于0或者1时，Lawson范数分别近似于范数和/>范数。
根据梯度下降理论，有特征矩阵的公式展开表示：
单独对上式每项进行运算，有：
第二项表示为：
上式可以改写为：
在此我们定义：
其中
其中滤波器初始值设置为K维0向量。
进一步的，所述步骤2中，具体包括：
设定所述特征矩阵的初值为/>，之后对机械研磨增益矩阵/>进行求解；
通令所述特征矩阵的初值为0，求解自适应滤波器抽头系数的解；
定义加权复自相关矩阵，根据矩阵求逆引理，求解得到机械研磨增益向量。
其中，在该实施例中，设定特征矩阵初值为/>，之后对机械研磨增益矩阵/>进行求解。
通过计算来求解此自适应滤波器抽头系数的解，有：
由上式可知， 的获取需要定义加权复自相关矩阵/>：
由矩阵求逆引理计算，得到:
其初始值，/>为一个较小的正实数，/>为机械研磨增益向量，表示为：
。
进一步的，所述步骤3中，具体包括：
依据所述机械研磨增益向量、特征矩阵/>、时刻l的选型误差e(l)、过度矩阵s(l)得到所述Lawson-RLS算法的迭代公式。
其中，在该实施例中通过对以上式子整理，通过计算易得Lawson-RLS算法的迭代公式：
。
进一步的，所述步骤4中，具体包括：
所述迭代次数条件设置为采油处理后机组的长度，利用采油处理前机组和采油处理后机组的先验信息。
根据本发明第二实施例，参照图2，本发明请求保护一种机械采油机组智能选型系统，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现所述的一种机械采油机组智能选型方法。
本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种机械采油机组智能选型方法，其特征在于，包括：
步骤1：构建Lawson-RLS算法的代价函数，依据所述代价函数获取选型权向量和选型误差，基于Lawson范数构造特征矩阵，通过采油处理前机组和采油处理后机组对所述特征矩阵进行参数预设；
步骤2：设定所述特征矩阵初值，对机械研磨增益矩阵进行求解，得到机械研磨增益向量；
步骤3：依据所述机械研磨增益向量和特征矩阵得到所述Lawson-RLS算法的迭代公式；
步骤4：更新所述特征矩阵，继续重复以上步骤1-3直到步骤3满足迭代次数条件后，得到采油机组与采油对象的选型值。
2.如权利要求1所述的一种机械采油机组智能选型方法，其特征在于，所述步骤1中，具体包括：
采用多维的未知开采声音稀疏系统的权向量；
基于时刻的输入信号和环境噪声，获得在/>时刻的稀疏开采声音系统的输出；
以抽头系数向量的Lawson范数和误差的RLS函数构建代价函数；
依据所述代价函数获取时刻的选型权向量和/>时刻的选型误差；
基于所述Lawson范数得到时刻不同多径通道的输出值；
依据梯度下降理论对所述特征矩阵的各单项进行运算，得到过度矩阵。
3.如权利要求2所述的一种机械采油机组智能选型方法，其特征在于，所述步骤2中，具体包括：
设定所述特征矩阵的初值，对机械研磨增益矩阵进行求解；
通令所述特征矩阵的初值为0，求解自适应滤波器抽头系数的解；
定义加权复自相关矩阵，根据矩阵求逆引理，求解得到机械研磨增益向量。
4.如权利要求3所述的一种机械采油机组智能选型方法，其特征在于，所述步骤3中，具体包括：
依据所述机械研磨增益向量、特征矩阵、时刻的选型误差、过度矩阵得到所述Lawson-RLS算法的迭代公式。
5.如权利要求1所述的一种机械采油机组智能选型方法，其特征在于，所述步骤4中，具体包括：
所述迭代次数条件设置为采油处理后机组的长度，利用采油处理前机组和采油处理后机组的先验信息。
6. 一种机械采油机组智能选型系统，其特征在于，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现如权利要求1-5中任意一项所述的一种机械采油机组智能选型方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129474.XA CN117668433B (zh) | 2024-01-31 | 2024-01-31 | 一种机械采油机组智能选型方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129474.XA CN117668433B (zh) | 2024-01-31 | 2024-01-31 | 一种机械采油机组智能选型方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117668433A true CN117668433A (zh) | 2024-03-08 |
| CN117668433B CN117668433B (zh) | 2024-04-19 |
Family
ID=90064453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410129474.XA Active CN117668433B (zh) | 2024-01-31 | 2024-01-31 | 一种机械采油机组智能选型方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117668433B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190345808A1 (en) * | 2018-05-11 | 2019-11-14 | Schlumberger Technology Corporation | Dynamic system for field motor operations |
| CN114172490A (zh) * | 2021-12-08 | 2022-03-11 | 哈尔滨工程大学 | 一种基于Ekblom范数的鲁棒自适应噪声消除方法 |
| US20230003118A1 (en) * | 2021-06-30 | 2023-01-05 | Saudi Arabian Oil Company | Method and system for correcting and predicting sonic well logs using physics-constrained machine learning |
-
2024
- 2024-01-31 CN CN202410129474.XA patent/CN117668433B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190345808A1 (en) * | 2018-05-11 | 2019-11-14 | Schlumberger Technology Corporation | Dynamic system for field motor operations |
| US20230003118A1 (en) * | 2021-06-30 | 2023-01-05 | Saudi Arabian Oil Company | Method and system for correcting and predicting sonic well logs using physics-constrained machine learning |
| CN114172490A (zh) * | 2021-12-08 | 2022-03-11 | 哈尔滨工程大学 | 一种基于Ekblom范数的鲁棒自适应噪声消除方法 |
Non-Patent Citations (6)
| Title |
|---|
| 孟波;曹莹;马海波;葛永广;李泓霏;: "塔里木油田重点用能系统能效分析与评价", 油气田地面工程, no. 05, 20 May 2020 (2020-05-20) * |
| 张茜;: "潜油电泵机组选型优化系统设计", 装备制造技术, no. 10, 15 October 2015 (2015-10-15) * |
| 李迎松: "基于Lawson范数的通用lncosh稀疏自适应算法", 电子与信息学报, vol. 44, no. 2, 28 February 2022 (2022-02-28) * |
| 杨波;: "安全阀密封面研磨方法探讨", 内燃机与配件, no. 05, 12 March 2018 (2018-03-12) * |
| 王宇;韩立国;周家雄;李海鹏;: "L1-L2范数联合约束稀疏脉冲反演的应用", 地球科学(中国地质大学学报), no. 05, 15 September 2009 (2009-09-15) * |
| 谷建伟;周鑫;王硕亮;: "基于Lasso算法的油田产量预测方法", 科学技术与工程, no. 26, 18 September 2020 (2020-09-18) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117668433B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kantas et al. | An overview of sequential Monte Carlo methods for parameter estimation in general state-space models | |
| Van Dooren et al. | The eigenstructure of an arbitrary polynomial matrix: computational aspects | |
| CN109543143A (zh) | 非线性带偏差系统的多传感器融合估计方法 | |
| Liu et al. | The almost sure asymptotic stability and $ p $ th moment asymptotic stability of nonlinear stochastic differential systems with polynomial growth | |
| CN111474481B (zh) | 基于扩展卡尔曼滤波算法的电池soc估算方法及装置 | |
| CN108228959A (zh) | 利用删失数据估计系统实际状态的方法及应用其的滤波器 | |
| CN115983165A (zh) | Lms自适应滤波器的性能测试方法和性能测试装置 | |
| CN117668433A (zh) | 一种机械采油机组智能选型方法和系统 | |
| Wang et al. | Low-bit quantization for deep graph neural networks with smoothness-aware message propagation | |
| CN103268403B (zh) | 一种基于容积强跟踪信息滤波器的目标跟踪方法 | |
| TW202129551A (zh) | 運算裝置和運算方法 | |
| Raninen et al. | Scaled and square-root elastic net | |
| CN104834795A (zh) | 包带连接结构接触摩擦非线性特性模拟方法及系统 | |
| CN103514589B (zh) | 图像恢复中的滤波方法 | |
| CN115797477A (zh) | 用于轻量化部署的剪枝式图像压缩感知方法及系统 | |
| Bonargent et al. | Observer design for nonlinear systems with multi-rate sampled outputs-Application to attitude estimation | |
| CN115021759A (zh) | 一种基于二值最小二乘法的二值稀疏信号恢复方法及系统 | |
| CN111641471B (zh) | 一种原子钟信号组合控制中预测的权重设计方法 | |
| CN116838301A (zh) | 一种开泵参数的获取方法及相关装置 | |
| CN113705335A (zh) | 一种低频稀疏线谱信号时频超分辨率提取方法 | |
| Khan | Some new generalized difference sequence spaces defined by a sequence of Moduli | |
| Zheng | Parametric identification of linear systems operating under feedback control | |
| CN113032553A (zh) | 信息处理装置和信息处理方法 | |
| Kabbara et al. | Improving the tracking ability of KRLS using Kernel Subspace Pursuit | |
| Said et al. | Discrete-time randomized sampling |
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 |