关键词： 电力指纹   用电负荷   辨识模型   特征提取   数据处理  

摘要： 非侵入式负荷辨识能为居民提供精细化的能源使用信息，已成为有效减少能源浪费的重要途径。非侵入式负荷辨识从居民用户的总负荷数据中分析出每个电器的运行状态，可以指导用户改善电器设备使用习惯，减少家庭用电量。同时，建立家庭用电负荷辨识模型，可实现对用电设备的监测、控制、管理和友好互动。然而，随着电网的复杂性和不确定性程度日益加深，电力指纹数据需要精细化处理与分析，对传统电力负荷辨识模型提出了挑战。因此，构建可靠的电力指纹识别模型是非侵入式负荷辨识中的关键步骤。本文基于公开的负荷数据集提取并构建了稳态和暂态特征电力指纹库，开展其在不同场景下居民用户的电力指纹识别应用。　　在海量不平衡电力指纹数据场景下，物联网通信的数据传输速率有限导致数据传输困难，提出了一种基于熵特征的优化轻量梯度提升机（LightGBM）电力指纹提取与识别方法。在边缘侧对电压和电流信号提取时域特征和电压-电流（V-I）轨迹特征，并构建了包含6个熵特征的56维原始特征集。然后，以LightGBM为基学习器改进 Boruta算法，对原始特征集合进行特征选择，确定包含5 个熵特征的23维最优特征子集。将最优特征子集上传到上位系统，降低了物联网通信压力。同时，使用Optuna算法优化LightGBM模型的超参数，并改进LightGBM模型的损失函数，使得电力指纹识别模型在不平衡数据集上的分类性能得到进一步改善。　　在部分居民用户电力指纹数据较少场景下，针对单一特征设备识别时特征信息不足问题，提出了一种基于彩色 V-I轨迹和 CBAM-ResNet34 的电力指纹识别方法。对电压和电流信号提取V-I轨迹并构建原始V-I轨迹图像，再利用彩色编码将电流、瞬时功率和轨迹动量信息添加到原始V-I轨迹图像中，得到彩色V-I轨迹图像。将卷积块注意力模块（CBAM）添加到 ResNet34 的每个残差结构模块，构建了CBAM-ResNet34模型用于彩色V-I轨迹图像识别。为进一步提高识别准确率，降低训练时间和负荷数据量，采用模型迁移的方法引入了迁移CBAM-ResNet34 电力指纹识别方法。利用 ImageNet 数据集对 ResNet34 模型进行预训练，用一个新的满足设备分类目标的全连接层替代ResNet34的全连接层。此外，引入类平衡损失（CB-loss）函数，对Softmax交叉熵损失函数进行重新加权，以解决V-I轨迹识别中的数据不平衡问题。　　在COOLL数据集上的实验结果表明，基于熵特征的LightGBM电力指纹识别方法可以有效地降低特征提取的计算复杂度，减少物联网数据的传输量。在PLAID数据集上的实验结果表明，基于彩色 V-I轨迹和 CBAM-ResNet34 的电力指纹识别方法在小样本不平衡的数据集中具有更好的分类能力，降低了负荷数据量和训练时间，满足了精细化电力指纹识别的识别精度和效率要求。

关键词： miRNA-疾病关联预测   链路预测   图神经网络  

摘要： miRNA-疾病之间的关联预测一直是生物医学领域的一个热门研究方向。很多研究表明,该研究有助于从miRNA分子水平上了解疾病的致病机制,能够促进疾病的预防、诊断、治疗和预后。传统的通过生物实验进行miRNA-疾病关联的预测方法研究存在人工成本高、实验周期长和实验结果不确定性等不足,不能满足社会需求。因此,研究有效识别miRNA-疾病之间的潜在关系具有重要意义。深度学习有望加速miRNA-疾病关联预测研究进展,为理解疾病机制、开发新的治疗方法和个性化医疗 供有力的支持。本文面向生物医学复杂数据处理的深度学习方法研究,主要工作如下: (1)现有的miRNA-疾病关联预测计算模型很多,但大多数模型仅利用单一特征源,无法取表征miRNA-疾病的全面特征。为了解决这个问题,出一种基于多特征融合的miRNA-疾病关联预测模型(Multi-Feature Fusion for miRNA-disease Association Prediction,MFFMDA)。该模型利用已知的miRNA-疾病关联数据构建了六个相似性网络模块,用于更好地表述网络中节点特征,利用带有多源特征注意力的自编码器,从多源输入中获取miRNA-疾病的低维特征表达,选择三种不同的特征融合策略,生成具有丰富信息的特征组,进行潜在的miRNA-疾病关联预测; (2)MFFMDA模型有着较高的预测精度,但其预测精度依赖于外部库作为辅助输入信息。为了解决这个问题,出一种基于多视图的miRNA-疾病关联预测模型(Multi-View Network for miRNA-disease Association Prediction,MVNMDA)。该模型使用已知的miRNA-疾病的关联信息来取特征,并在多个视图上学习不同类型节点的嵌入特征,包括两个元路径供的语义特征、局部特征以及节点感知的全局特征,通过级联注意力融合多层特征,得到不同层之间、特征之间的相关性,并抑制特征中的噪音。 在HMDD v2.0和HMDD v3.2数据集上进行了大量实验,验证所出的MFFMDA和MVNMDA模型。结果表明,MFFMDA能够预测潜在的miRNA-疾病关联关系,而MVNMDA通过多个视图传递和聚合节点特征,进一步高了miRNA-疾病预测的准确性。在案例分析中,MFFMDA和MVNMDA模型对食管癌、乳腺癌和肺癌的前30位预测结果,大多数都被最新的HMDD数据库所证实,进一步证明出方法的预测能力。

关键词： Qt   水平井   分段压裂   示踪剂  

摘要： 本文首先介绍了国内外非常规储层压裂改造中示踪剂的用途和可视化技术发展现状。通过阅读国内外相关文献,了解油藏相关知识和图形界面开发的知识,然后确定基于Qt的压裂水平井示踪剂监测数据处理系统的设计与实现的设计方向,设计系统的总体框架和需求;最后结合相关资料实现系统的各个模块和功能。整合所有模块功能并进行测试调试,最终实现整个压裂水平井示踪剂监测数据处理系统。系统整体主要分为四大模块:数据管理模块,图表管理模块,文档输出模块以及综合评价模块。首先是数据管理模块,核心是数据的录入录出和数据的预处理,为后续的图表管理模块提供数据准备;其次图表管理模块,这要是对存储的数据按照需求呈现出不同的显示形式,包括了示踪剂浓度曲线图、产水率贡献图、回采率等的显示;接着文档输出模块是将前两个模块的数据导出成各种样式的文件如文本、xls等;最后是综合分析功能,采用灰色关联度分析法算法等方法找出储层物性对压裂效果评价的影响关联度,结合示踪剂监测曲线以此达到一个综合评价压裂水平井各层段产能效果。结合系统测试不断优化压裂水平井示踪剂监测数据处理系统,使该系统能够充分符合实际,满足用户的预期,最终能够投入到油气资源的生产和开发中。

关键词： 水驱开发调整   数据驱动   数据处理   注采关系   优势流道  

摘要： 目前,我国多数水驱油田已进入特高含水阶段,常采用调整配产配注量、压裂增效、老井侧钻等开发调整方式动用剩余油、改善开发效果。注采井相关性、水驱波及范围及强度、剩余油分布情况等油藏动用状况认识是开发调整的基础。但在油藏动态状况分析和调整方案评价中存在三个难点:(1)注采动态数据处理难度大。注采井动态数据因设备因素、人为因素及随机因素而含有大量噪声,且井数多、生产历史时间长,人工进行数据筛选、坏点处理、降噪处理及标准化处理费时费力。(2)注采关系估计方法的可操作性差。目前的动态数据分析、数值模拟及流线模拟等常规注采相关性分析方法涉及的模型和计算复杂、资料多、拟合困难、用时多。(3)油田开发调整方案优选效率低。油藏数值模拟工作量大、对地质资料依赖性强,而专家经验无法进行量化评价,造成调整优化方案设计方法的普适性差,难以推广应用。为此,本文基于油藏工程和渗流力学理论,引入形态滤波降噪、扩展卡尔曼滤波仿真、仿生智能优化等算法,形成了一套数据驱动的水驱油田开发调整的优化方法。为解决注采动态数据异常值处理问题,通过分析动态数据特征,研究异常值分类、异常值识别与处理方法。建立了一种基于数学形态滤波方法的动态数据降噪滤波器。优选了可拾取动态数据的特征并自适应形成变尺度结构元素,累积降噪量是常规结构元素的2倍以上,可实现注采动态数据异常值快速识别与降噪处理。为优化注采响应函数并提高注采关系估计结果的可靠性,建立了一种基于扩展卡尔曼滤波算法的注采相关性估计方法。通过分析注采响应特征,提出了包含流量传递的递减性与时滞性的注采井间响应函数,可采用注采井产量或注水指数/产液指数等动态数据计算,以提高水驱后期的适用性。利用渤海油田某水驱开发区块进行注采相关性估计,产液量估计值与实际值对比,最大误差值7.74%,平均误差值为0.61%。为解决目前开发调整方案无法定量评价的问题,提出一种基于势叠加原理和仿生智能算法的调整方案优选方法。采用仿生智能优化算法快速搜索优势流道,再利用储层地质参数和注采井动态参数,计算注水井对采出井的流量叠加和能量叠加,进行开发方案优选。侧钻井部署方案优选结果与油藏数值模拟结果一致。该方法避免了历史拟合的复杂计算,并实现了不同井网和地质条件的水驱开发效果及各种开发调整方案的快速、定量评价。本文的数据驱动水驱油田开发调整优化方法可用于调整井关调设计、压裂和堵水等措施井优选、侧钻水平井部署优化等方案设计。为大庆和渤海油田剩余油挖潜提供复杂结构井部署优化设计,搜索优势流道后进行势叠加计算,优选复杂结构井部署方向与长度,优选方案与数值模拟增油量和投入产出比计算结果一致。为调整井钻井作业提供钻关方案设计,利用注采相关性分析方法进行储层压力预测,对相关注水井降低50%注入压力,调整井的预测压力值与实测压力值平均误差为10%。

关键词： 无人机   无人机建模   传感器   互补滤波   卡尔曼滤波  

摘要： 多旋翼无人机具有灵活、高效、成本低等优点,可广泛应用于农业、环境监测、灾害救援、建筑测绘等领域。同时,多旋翼无人机还具有协同飞行功能,为航空领域的未来发展提供了新的思路和方向。然而,无人机搭载的传感器因强烈的噪声干扰,难以准确测量四旋翼无人机的姿态。本文旨在研究无人机传感器数据处理的算法,以提高无人机姿态、位置、速度等数据的精确性,确保无人机各种控制算法的精准实现。主要研究内容如下:(1)建立了多旋翼无人机的数学模型。以四旋翼为例,选择四元数作为无人机的姿态表示。根据刚体力学建立了四旋翼无人机的动力学模型。基于无人机系统的控制输入和机体响应关系,建立了由位置环和速度环组成的双环控制系统。建立了传感器模型,用以描述无人机传感器所测量的各种物理量(如姿态、位置和速度)及其测量误差。借助该模型验证了本文提出的数据处理算法的有效性。(2)设计了仿真实验,用以验证数据处理算法的可行性。包括基于MATLAB/Simulink的软件在环仿真,并通过代码的自动生成技术下载到Pixhawk自驾仪中,与实时仿真软件形成闭环,进行硬件在环仿真。(3)研究了对加速度计、陀螺仪和磁力计等传感器的定标方案。由于传感器存在制作工艺缺陷并导致原始数据存在一定误差,为了保证数据融合的有效性,本文先进行传感器的初始标定,以提高输入信息的精度。(4)分析了加速度计和陀螺数据在频域的特征,设计了互补滤波器。实现了加速度计和陀螺仪姿态数据的融合,提高了数据的准确性。但是互补滤波器需要手动调整滤波器参数,才能实现最佳性能。卡尔曼滤波器则自适应地调整自身的参数,以适应状态和噪声的变化。将由陀螺仪输出值计算的姿态四元数作为初始状态向量,将加速度计/磁力计输出加速度作为量测向量,应用扩展卡尔曼算法实现估计角度和测量角度的融合。并通过软件仿真、硬件在环仿真以及实飞实验证实了该方案的可行性。研究结果表明,传感器标定后其初始误差显著降低。相比于互补滤波器,扩展卡尔曼滤波器具有更好的滤波效果。此外,在实际飞行测试中,无人机能够实现更稳定的飞行姿态。

关键词： 分布式声传感   深度学习   非配对训练   注意力机制   噪声压制   混合训练集  

摘要： 石油是大家熟知的不可再生资源,一个国家原油净进口重量占本国石油消费量的比例,表示一国石油消费对国外石油的依赖程度。我国石油对外依纯度近年升高,因此地震勘探在开发油气资源中展现十分重要的地位。近二十年来,地震勘探已成为油气勘探的重要手段之一,主要通过模拟检波器或数字检波器获取垂直地震剖面数据(Vertical Seismic Profile,VSP)。然而,使用常规地震检波器进行VSP数据采集时存在一些局限性。一方面,钻孔地震勘探需要大量的检波器,从而耗费大量的人力和成本。另一方面,检波器与地面机器之间需要高度耦合,否则将直接影响所获得地震数据的可靠性,大大降低勘探效率。近年来,一种新型的传感技术——分布式声波传感器(Distributed Acoustic Sensing,DAS)在地震勘探领域受到了广泛的关注。DAS具有成本低、密度高、效率高、全井覆盖等诸多优点,可以弥补传统检波器的缺点。虽然DAS已成功应用于钻孔地震数据采集,但由于DAS系统的空间分布部署和复杂的勘探环境,DAS采集的地震数据通常包含复杂类型的噪声,噪声水平也相对较高。例如,随机噪声,来自电流扰动;由于后向散射光的干扰抵消而产生的衰落噪声;低频噪声,受温度变化影响;电子设备潜在泄漏引起的水平噪声等。为了解决多类型DAS噪声抑制问题,本文设计一个无监督循环训练的深度学习框架。同时本文引入了注意模块,加强了对信号的提取能力以及特征识别能力,实现了有效信号(低频、高频和微弱信号)的高保幅性的恢复,提高了地震事件的连续性。此外,基于监督深度学习的方法的性能往往依赖于大量具有标签的高质量数据集。为改善数据集依赖问题,本文构建一个增强噪声数据集,该数据集不仅使用了一些现场数据中采集到的噪声,还使用了合成噪声(如合成水平噪声)来丰富噪声集。在构建的网络体系结构中,然而,对于地震调查来说,数据标注需要大量的专业知识和大量的时间,因此只能获得少量标记过的原始地震数据。因此,标记数据集的不足以成为影响大多数基于深度学习的去噪方法的主要瓶颈之一。为了避免这种情况,本文研究引入了对抗损失和周期一致损失,而不是常用的L1损失或L2损失来训练网络。此外,本研究还构建了包含合成地震数据和现场地震数据的混合训练集,用于预训练和微调过程。为了验证所提方法的可行性和有效性,本研究进行了综合数据实验和现场数据实验,结果显示研究方法对实验数据有效压制各类噪声,并实现了信号的恢复,保证了信号的连续性以及保幅性。

关键词： 单分子测序   XGBoost   算法硬件化   FPGA   ARM  

摘要： 随着基因检测技术和生物信息学的快速发展,人们可以更加方便的去检测与疾病风险增加相关的基因突变。新一代基因测序技术,即纳米孔基因测序技术基于在单个核苷酸掺入生长的DNA链中时对其进行直接检测。其具有更高的准确性、更长的读取长度以及对基因组进行实时测序的能力。但是纳米孔基因测序技术的成本仍然较高,其数据分析和整理还需要进一步完善,因为其生成的数据量巨大,所以需要的高效软件和硬件工具来进行数据分析和整理。随着深度学习的不断发展,算法硬件加速成为研究热点,利用硬件并行化优势,可在传感器终端对数据预处理,提升数据吞吐并减轻数据传输压力。 论文设计了ARM Cortex-M3内核,XGBoost DSP模块,串行外设接口(SPI),低电压差分信号收发器(LVDS)和千兆网口等模块的单分子纳米孔基因测序数据处理SOC,实现了对纳米孔基因测序传感器芯片进行控制、读取原始测序电流采样数、单通道膜状态检测或者异常状态判断处理,数据打包上传至上位机等功能。测序数据处理SOC通过SPI接口对纳米孔基因测序传感器芯片进行控制。可检测传感器单元正常工作、阻塞、破膜、饱和等状态,切换开启、关闭、逆阻塞等电路工作状态,配置模拟前端电路信号的增益等电路参数。该SOC系统通过LVDS接收纳米孔基因测序传感器芯片的原始电流采样流数据,单通道膜状态检测模块用来检测生物纳米孔传感器所处的膜的状态,XGBoost算法硬件化用于硬件加速,对传感器采集到原始电流采样流数据进行处理,处理后的预测值用来判断其工作状态是否异常。 本文创新点主要包括采用在单分子传感终端采用数字电路设计方法实现了XGBoost算法,并采用verilog HDL完成了该算法的硬件设计。由浅入深探索模型的DSP实现方式,结合SOC的灵活控制,实现具有较高数据量的吞吐,合理DSP与存储资源的电路设计,最终采用FPGA平台进行了实现与实验验证。通过XGBoost通用树的设计,采用输入参数和剪枝以复现实际树。实验结果证明通过预存储XGBoost tree参数,在较少通用树模块的设计下,实现大规模树模型的算法硬件化,达到了预期目的。 本文的意义在于将基因测序数据处理前置到传感器终端设备,直接控制传感器芯片、接收原始电流采样数据,利用灵活的数字集成电路设计方法实现XGBoost等DSP模块,大幅降低了数据向云端传输的压力,并为未来超大规模阵列单分子传感器的测序仪提供了支持。

关键词： 张量   分布式   张量链   并行化   增量式   奇异值分解  

摘要： 在信息化时代背景下,数据变得尤为重要,不同种类的数据层出不穷,数据量的急剧增长使得单机处理数据的效率难以满足现代应用的需求,因此数据分布式处理成为了一种必要的选择。其中,数据分布式处理中的关键问题之一是如何对数据进行有效的划分和分配,以保证处理效率和数据质量。同时,数据增长速度也越来越快,如何处理快速增加的数据也是一个亟需解决的问题。在此背景下,本文利用并行处理思想对张量链式分解问题进行研究,主要做了以下三个方面的工作:(1)提出了一种基于分块并行SVD的张量链式分解算法(BPTTD)。传统的张量链式分解算法需要存储大量的中间结果和计算过程,导致算法的运行效率较低,特别是对于高维大规模数据而言,算法的运行会受到严重阻碍。为了解决上述张量链式分解算法面临的问题,本文设计了一种新的张量链式分解算法。该算法首先将张量数据按列分块,然后将数据发送到计算机的不同计算核中分别处理,使得所能处理的数据量变得更多,同时可以提高Cache命中率,通过合理制定数据分配策略提高了算法的执行效率。实验结果表明,与传统张量链式分解算法相比,本章所提算法能够处理更大规模的张量,并且具有良好的并行效率。(2)提出了一种基于模态增长的增量式张量链式分解算法(MGITTD)。与传统算法相比,BPTTD算法具有一些优点,例如时间复杂度更小、处理张量规模更大等,但其也存在一定的局限性,例如难以处理增量数据、扩展性有上限等问题。为了解决这些问题,首先本文采用分布式系统来实现算法,使其具有良好的可扩展性,然后设计了增量式的SVD算法和基于模态的张量展开算法,以处理增量数据最后设计了子张量块奇异值分解的归并树,以合并中间结果。实验结果表明,该算法具有良好的扩展性,并且能够稳定处理增量数据。(3)本文以基于张量链的数据分布式处理方法为基础,设计并实现了一个完整的基于张量链式分解的轴承故障诊断系统,并阐述了该系统的模块构成以及模型架构。首先,介绍了系统的整体架构和每个层级的功能,然后按照不同功能模块分别介绍了系统的具体功能。最后,在系统上进行实验,结果表明,系统可以有效地对轴承数据进行故障诊断,并且可以输出诊断结果和故障类型。

关键词： 高维数据处理   高光谱图像超分辨   视频填充   张量分解   交替方向乘子法  

摘要： 随着计算机技术、数字通信等技术的发展,高维数据广泛存在于日常生活中,并成为一种重要信息载体,如:彩色图像、高光谱图像、视频等。高维数据相比于一维或二维数据,包含多个维度的数据信息,具有广泛的实际应用价值,如:图像分类、医学诊断、目标检测、人脸识别等。由于硬件设备、客观条件等限制,获得的高维数据往往是不完整或严重损坏的,影响其应用价值。本文主要关注高维数据处理的两个重要任务,即:高光谱图像超分辨和视频填充。高光谱图像超分辨是一项通过融合同一场景下的低空间分辨率高光谱图像和高空间分辨率多光谱图像得到具有高空间分辨率的高光谱图像的技术。视频填充指从观测到的不完整数据推断出未知部分的数据。目前,高光谱图像超分辨和视频填充的主要方法是利用图像的先验知识,即:稀疏性、平滑性、低秩性等。由于高维图像具有冗余的信息可被自然地建模为一个低秩的三阶张量,因此基于张量低秩性的方法近年来受到了广泛的关注。张量的秩没有统一的定义,本文主要研究基于张量奇异值分解的张量低秩先验。先前的基于张量奇异值分解的工作主要在单个变换域中刻画高维数据的低秩性,而忽略了高维数据在多重变换域中的潜在性质。本文基于高维数据在多重变换域的低秩性对高光谱图像超分辨和视频填充问题进行研究,研究内容包括以下三个方面。一、本文提出了一种新的张量多重变换域秩(Cross-Domain Rank,CD秩)。具体地,首先定义了一个多重变换,基于多重变换定义了多重变换域及其对应的张量CD秩,最后在数学上推导出一个全新的张量核范数(张量C核范数)作为张量CD秩的凸松弛。二、利用张量C核范数,本文为高光谱图像超分辨和视频填充任务分别建立了张量CD秩最小化模型。该模型刻画了高维数据在多重变换域下的低秩性。三、本文基于交替方向乘子法分别给出了高光谱图像超分辨和视频填充模型的求解算法。在高光谱图像和视频上的大量实验都验证了所提出方法在视觉效果和评价指标上的优越性。