期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于Swin Transformer的地震相识别模型
被引量:
2
1
作者
硕良勋
李志轩
+2 位作者
柴变芳
王天意
郑晓东
《天然气工业》
EI
CAS
CSCD
北大核心
2024年第12期63-72,共10页
地震相识别是油气勘探开发过程中的一项重要技术,但该技术长期存在方法模型训练速度较慢、预测耗时、解释结果人为主观性较强,以及各层特征提取忽略多尺度特征等问题。为此,针对目前地震相识别精度不够且计算成本高的问题,构建了一个基...
地震相识别是油气勘探开发过程中的一项重要技术,但该技术长期存在方法模型训练速度较慢、预测耗时、解释结果人为主观性较强,以及各层特征提取忽略多尺度特征等问题。为此,针对目前地震相识别精度不够且计算成本高的问题,构建了一个基于Swin Transformer的地震相识别模型(Seismic Facies Identification based on Swin Transformer,SFI-ST),首先联合卷积神经网络,利用编码器和解码器不断捕捉地震相细节特征,然后采用两种不同的数据集测试并评估模型的有效性,同时考虑到数据集划分对模型的影响,针对不同划分比例进行性能分析对比,最后对模型进行了消融实验以及抗噪性分析。研究结果表明:①编码器使用的Swin Transformer模块具有较好的特征提取能力,基于较小移动窗口进行特征提取的策略保证模型更快地学习高分辨率地震剖面特征,在各移动窗口使用自注意力机制计算特征的方法保证模型在较大视野下更准确地提取局部特征;②Swin Transformer使用逐层特征融合的方式,在提升特征提取速度的同时保证模型获取更多尺度的特征;③融合Swin Transformer和卷积神经网络模块实现各层特征提取,增强了模型对轮廓、边缘的提取能力。结论认为:①SFI-ST模型应用于两工区数据上的平均交并比分别为73.2%和77.6%,相较于其他主流深度学习算法至少分别提升了10.7%和6.0%,SFI-ST模型运行时间分别为0.62 h和2.88 h,相较于其他主流深度学习算法至少减少了15.1%和24.2%;②SFI-ST模型一定程度上解决了现有地震相智能识别方法识别速度慢、精度低等问题,为地震相识别提供了新方法,在技术上助力了油气勘探开发进程。
展开更多
关键词
地震相识别
语义分割模型
Swin
Transformer
多尺度特征
油气藏预测
在线阅读
下载PDF
职称材料
基于Spark的主动重叠K-means聚类算法
被引量:
6
2
作者
柴变芳
李有熠
《微电子学与计算机》
2021年第1期70-76,共7页
别大规模数据的潜在模式.但其存在两个问题:多次迭代Master和Worker节点间数据交换,导致算法运行效率低;对初始聚类中心敏感,导致聚类结果不稳定且收敛速度慢.为提高算法运行效率和结果稳定性,提出了一种主动重叠K-means聚类算法.其在...
别大规模数据的潜在模式.但其存在两个问题:多次迭代Master和Worker节点间数据交换,导致算法运行效率低;对初始聚类中心敏感,导致聚类结果不稳定且收敛速度慢.为提高算法运行效率和结果稳定性,提出了一种主动重叠K-means聚类算法.其在各个分区上执行重叠K-means算法获得局部聚类中心,将结果汇总回收到Master节点,在Master节点运行重叠K-means算法聚合所有聚类中心,作为最终聚类中心;同时采用并行化主动选择策略获得更优的初始簇中心,提高算法准确性、收敛速度.实验结果表明,改进后的主动重叠聚类算法提高了算法准确性,降低了算法运行时间.
展开更多
关键词
Spark框架
主动学习
重叠聚类
并行计算
在线阅读
下载PDF
职称材料
一种主动半监督K-means聚类算法的改进策略
被引量:
3
3
作者
吕峰
柴变芳
+1 位作者
李文斌
王垚
《南京师范大学学报(工程技术版)》
CAS
2018年第2期56-62,共7页
经典的APCKmeans(active pairwise constrained K-means)算法通过主动学习的方式构造must-link约束集和cannot-link约束集作为监督信息进行半监督聚类,提高了结果的准确性.但该算法在样本指派的过程中可能出现指派不是当前最优的问题....
经典的APCKmeans(active pairwise constrained K-means)算法通过主动学习的方式构造must-link约束集和cannot-link约束集作为监督信息进行半监督聚类,提高了结果的准确性.但该算法在样本指派的过程中可能出现指派不是当前最优的问题.提出一种优先指派标签样本的方法,应用于APCKmeans算法,使用改进后的APCKmeans_I算法实现了使用较少的监督信息取得更好的聚类结果.将改进策略应用于PCKmeans(pairwise constrained K-means)算法,提出改进后的PCKmeans_I算法.通过在UCI基准数据集的实验表明,改进后算法的性能得到明显提升.
展开更多
关键词
主动半监督聚类
成对约束聚类
改进算法
在线阅读
下载PDF
职称材料
基于可变卷积神经网络的文本情感分类模型
被引量:
1
4
作者
杨蕾
柴变芳
《信息技术与信息化》
2020年第10期6-7,共2页
文本卷积神经网络(CNN)在情感分类任务中得到广泛应用,但是该模型忽略了文本词向量维度方面的语义信息,限制了分类准确率。本文提出一种基于可变卷积神经网络模型(VCNN),利用两类卷积核分别提取文档方面和词向量维度方面的特征,同时在...
文本卷积神经网络(CNN)在情感分类任务中得到广泛应用,但是该模型忽略了文本词向量维度方面的语义信息,限制了分类准确率。本文提出一种基于可变卷积神经网络模型(VCNN),利用两类卷积核分别提取文档方面和词向量维度方面的特征,同时在最大池化中引入平均池化,更好的保留提取特征中的重要信息。在谭松波-酒店评论中文数据集上进行对比实验,结果显示所提模型有效提高了分类准确率。
展开更多
关键词
文本情感分析
深度学习
CNN
在线阅读
下载PDF
职称材料
题名
基于Swin Transformer的地震相识别模型
被引量:
2
1
作者
硕良勋
李志轩
柴变芳
王天意
郑晓东
机构
河北地质大学信息工程学院
河北地质大学地球科学学院
河北省智能传感物联网技术工程研究中心
出处
《天然气工业》
EI
CAS
CSCD
北大核心
2024年第12期63-72,共10页
基金
河北省重点研发计划项目“基于时空大数据及深度学习的地质灾害风险识别关键技术研究(编号:22375415D)”
河北省石家庄市科技局项目“融合频谱分析和深度学习的地震反射模式提取及地震解释研究”(编号:241790607A)。
文摘
地震相识别是油气勘探开发过程中的一项重要技术,但该技术长期存在方法模型训练速度较慢、预测耗时、解释结果人为主观性较强,以及各层特征提取忽略多尺度特征等问题。为此,针对目前地震相识别精度不够且计算成本高的问题,构建了一个基于Swin Transformer的地震相识别模型(Seismic Facies Identification based on Swin Transformer,SFI-ST),首先联合卷积神经网络,利用编码器和解码器不断捕捉地震相细节特征,然后采用两种不同的数据集测试并评估模型的有效性,同时考虑到数据集划分对模型的影响,针对不同划分比例进行性能分析对比,最后对模型进行了消融实验以及抗噪性分析。研究结果表明:①编码器使用的Swin Transformer模块具有较好的特征提取能力,基于较小移动窗口进行特征提取的策略保证模型更快地学习高分辨率地震剖面特征,在各移动窗口使用自注意力机制计算特征的方法保证模型在较大视野下更准确地提取局部特征;②Swin Transformer使用逐层特征融合的方式,在提升特征提取速度的同时保证模型获取更多尺度的特征;③融合Swin Transformer和卷积神经网络模块实现各层特征提取,增强了模型对轮廓、边缘的提取能力。结论认为:①SFI-ST模型应用于两工区数据上的平均交并比分别为73.2%和77.6%,相较于其他主流深度学习算法至少分别提升了10.7%和6.0%,SFI-ST模型运行时间分别为0.62 h和2.88 h,相较于其他主流深度学习算法至少减少了15.1%和24.2%;②SFI-ST模型一定程度上解决了现有地震相智能识别方法识别速度慢、精度低等问题,为地震相识别提供了新方法,在技术上助力了油气勘探开发进程。
关键词
地震相识别
语义分割模型
Swin
Transformer
多尺度特征
油气藏预测
Keywords
Seismic facies identification
Semantic segmentation model
Swin Transformer
Multi-scale features
Oil and gas reservoir prediction
分类号
TE19 [石油与天然气工程—油气勘探]
在线阅读
下载PDF
职称材料
题名
基于Spark的主动重叠K-means聚类算法
被引量:
6
2
作者
柴变芳
李有熠
机构
河北地质大学信息工程学院
出处
《微电子学与计算机》
2021年第1期70-76,共7页
基金
河北省自然科学基金(F2019403070)。
文摘
别大规模数据的潜在模式.但其存在两个问题:多次迭代Master和Worker节点间数据交换,导致算法运行效率低;对初始聚类中心敏感,导致聚类结果不稳定且收敛速度慢.为提高算法运行效率和结果稳定性,提出了一种主动重叠K-means聚类算法.其在各个分区上执行重叠K-means算法获得局部聚类中心,将结果汇总回收到Master节点,在Master节点运行重叠K-means算法聚合所有聚类中心,作为最终聚类中心;同时采用并行化主动选择策略获得更优的初始簇中心,提高算法准确性、收敛速度.实验结果表明,改进后的主动重叠聚类算法提高了算法准确性,降低了算法运行时间.
关键词
Spark框架
主动学习
重叠聚类
并行计算
Keywords
Spark framework
active learning
overlapping clustering
parallelization computing
分类号
TP311 [自动化与计算机技术—计算机软件与理论]
在线阅读
下载PDF
职称材料
题名
一种主动半监督K-means聚类算法的改进策略
被引量:
3
3
作者
吕峰
柴变芳
李文斌
王垚
机构
河北地质大学信息工程学院
出处
《南京师范大学学报(工程技术版)》
CAS
2018年第2期56-62,共7页
基金
国家自然科学基金(61503260)
河北省研究生创新资助项目(CXZZSS2017131)
河北地质大学教改项目(2017J04)
文摘
经典的APCKmeans(active pairwise constrained K-means)算法通过主动学习的方式构造must-link约束集和cannot-link约束集作为监督信息进行半监督聚类,提高了结果的准确性.但该算法在样本指派的过程中可能出现指派不是当前最优的问题.提出一种优先指派标签样本的方法,应用于APCKmeans算法,使用改进后的APCKmeans_I算法实现了使用较少的监督信息取得更好的聚类结果.将改进策略应用于PCKmeans(pairwise constrained K-means)算法,提出改进后的PCKmeans_I算法.通过在UCI基准数据集的实验表明,改进后算法的性能得到明显提升.
关键词
主动半监督聚类
成对约束聚类
改进算法
Keywords
active semi-supervised clustering
pairwise constrained clustering
improved algorithm
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于可变卷积神经网络的文本情感分类模型
被引量:
1
4
作者
杨蕾
柴变芳
机构
河北地质大学信息工程学院
不详
出处
《信息技术与信息化》
2020年第10期6-7,共2页
基金
河北省自然科学基金(F2019403070)。
文摘
文本卷积神经网络(CNN)在情感分类任务中得到广泛应用,但是该模型忽略了文本词向量维度方面的语义信息,限制了分类准确率。本文提出一种基于可变卷积神经网络模型(VCNN),利用两类卷积核分别提取文档方面和词向量维度方面的特征,同时在最大池化中引入平均池化,更好的保留提取特征中的重要信息。在谭松波-酒店评论中文数据集上进行对比实验,结果显示所提模型有效提高了分类准确率。
关键词
文本情感分析
深度学习
CNN
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于Swin Transformer的地震相识别模型
硕良勋
李志轩
柴变芳
王天意
郑晓东
《天然气工业》
EI
CAS
CSCD
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
基于Spark的主动重叠K-means聚类算法
柴变芳
李有熠
《微电子学与计算机》
2021
6
在线阅读
下载PDF
职称材料
3
一种主动半监督K-means聚类算法的改进策略
吕峰
柴变芳
李文斌
王垚
《南京师范大学学报(工程技术版)》
CAS
2018
3
在线阅读
下载PDF
职称材料
4
基于可变卷积神经网络的文本情感分类模型
杨蕾
柴变芳
《信息技术与信息化》
2020
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部