机器学习方法在储层分类中的应用

油气田开发中有效储层和非有效储层的样本点存在混合带时,两类储层的划分是一个难点问题.从统计学上来看,其本质是一个含噪声的小样本二分类问题,可以采用机器学习方法,充分挖掘有试油成果的样本点的数据信息.分别利用线性判别分析、支持向量机、多层感知机神经网络建立储层分类模型,利用10次10折交叉验证法进行模型评估与优选,并利用全部样本点建立了有效的储层分类模型,最后将模型推广应用到样本分布的三种不同情形.结果表明,线性支持向量机模型具有最好的分类效果和很强的泛化能力,对于区分有效储层和非有效储层是有效的,可以在油气田开发中进行推广.     

基于改进粒子群算法V型非传统布局仓库通道优化设计

V型仓储布局是一种典型的非传统布局方式,针对V型布局主通道设计的问题,将主通道抽象为若干个点连接而成的折线通道,每条拣货通道按物动量大小对仓库进行分区,采用更加符合实际的存取货物作业的概率不相等的非完全随机存储策略,建立最小化平均拣货距离的仓库主通道设计数学优化模型。其次,设计了基于极值扰动算子的改进粒子群优化算法(EDO-PSO)进行算法求解,利用极值扰动算子解决易陷入局部最优问题,采用并行深度搜索策略,提高算法性能,并用Benchmark函数与其他改进PSO算法对比验证算法性能。最后,结合具体实验数据仿真分析,计算结果表明,该方法在相同货位分配策略下,能有效缩短总拣货距离,验证了方法的有效性。     

以商圈为中心的O2O动态外卖配送路径优化模型与算法

针对线上到线下(Online to Offline,O2O) 外卖路径优化问题,综合考虑其动态配送需求、货物区分等特点以及时间窗、载货量等约束条件,将商圈看作配送中心,将快递员数量与快递员总行驶时间作为最小化目标,提出了以商圈为中心的O2O动态外卖配送路径优化模型。采用周期性处理新订单的方法将相应的快递员路径的动态调整问题转化为一系列静态TSP子问题,设计了一种分阶段启发式实时配送路径优化算法框架,并给出了一个具体算法和一个数值计算实例。在VRP通用算例的基础上,以商圈为中心生成测试算例,对本文算法进行仿真实验,并与其他算法比较。结果表明：本文算法能充分利用新订单附近的快递员进行配送,并优化其配送路径,有效减少了快递员数量与快递员总行驶时间。     

融合学习模型的岩石光谱特征自动分类

岩石光谱综合反映了岩石的物理化学性质、成分及其结构构造。岩石光谱数据已被应用于岩石分类的研究,但是不同于矿物光谱,岩石光谱并无标准数据库,且受较多干扰因素影响,例如矿物组分、结构构造、化学成分、风化力度,测量仪器的误差等。传统岩石光谱分类模型先是对岩石光谱进行预处理排除干扰,然后采用不同方法对部分光谱特征分析,以达到分类目的。但对光谱数据特征遗失较多,使得分类准确率低下且操作过程繁琐、效率不高。因此,建立一个简单、快速、准确的岩石光谱自动分类模型具有重要意义。机器学习能够对获得的所有数据进行学习,不存在遗漏,大大提高了分类精度,且是对原始数据直接操作,不需预处理,简化流程。为此,选取辽宁兴城地区作为研究区,采集了若干种典型岩石样本,利用美国ASD便携式光谱仪实测光谱,最终获得608条数据,依据岩石光谱特征分为三类进行研究。首先利用决策树(DT)及决策树的升级模型--随机森林（RF）对数据进行分类,但当数据噪音较大时随机森林容易陷入过拟合;因而利用对异常值不敏感的K-最近邻（KNN）建模,但KNN需要对每个样本都考虑,数据量大时计算量会很大,效率不高;所以通过支持向量机（SVM）来提升分类准确率。从实验结果可以看出,4种分类模型的准确率排序为：SVM>KNN>RF>DT。为进一步提高岩石光谱特征的自动分类精度,采取了融合多个不同模型的办法,即对不同模型的分类结果进行投票,选择投票最多的作为最后分类结果。由于硬投票可在一定程度上减少过拟合现象的发生,更加适合分类模型,所以利用硬投票法融合了RF、KNN与SVM三个机器学习模型,最终的分类准确率可达到99.17%。综上所述,基于融合学习模型进行岩石光谱特征自动分类是切实可行且准确高效的。     

基于DCGAN的拉曼光谱样本扩充及应用研究

拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模。但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱。针对以上问题,通过引入深度卷积生成对抗网络（DCGAN）提取拉曼光谱内部特征,对抗生成新的拉曼光谱,从而达到扩充数据集目的。同时和另一个扩充数据集的方法--偏移法进行对比,证明DCGAN的可靠性。设计生成光谱选取标准,选取高相似性的光谱填充数据集,为深度学习在拉曼光谱中的应用奠定基础。为了验证生成的光谱比原始光谱有更好的适用性,设计四组实验：（1）使用原始拉曼光谱输入到SVM进行分类,得到51.92%的分类准确率;（2）使用原始拉曼光谱输入到CNN进行分类,得到75.00%的分类准确率;（3）采用偏移法生成光谱,输入到CNN里进行分类,得到91.85%的分类准确率;（4）使用DCGAN生成光谱,输入到CNN里进行分类,得到98.52%分类准确率。实验结果表明,DCGAN能在只有少量拉曼光谱的情况下,通过对抗学习得到较好的生成光谱,且生成的光谱相比原光谱更加清晰,减少了可能的干扰因素,具有光谱预处理效果。通过DCGAN对抗生成大量高质量的数据填充到原有拉曼光谱数据集,扩充数据集的样本量,使得深度学习模型能够得到更好的训练,从而提高模型的准确率。该研究为深度学习方法应用于拉曼光谱分析技术提出了一个可行的方案。     

基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外（372.53~1 038.57 nm）范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G（Savitzky-Golay）平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机（ELM）中进行分类。此外,还和基于灰度共生矩阵（GLCM）的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个：一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。     

高光谱成像的机采籽棉杂质分类检测

机采籽棉杂质分类检测为调整棉花清理机械加工参数和工序提供参考依据,对提升皮棉品质具有重要意义。但由于籽棉棉层分布不均匀,使得图像检测难度增大,使用传统的检测方法无法有效检测各类杂质。采用高光谱成像方法对机采籽棉中的棉叶、棉枝、地膜和铃壳（内外）五种杂质进行分类判别检测。首先采集120个机采籽棉样本的高光谱图像,选取感兴趣区域获取平均光谱曲线。发现由于物质构成的差异,不同杂质体现出不同的吸收和反射特性,不同种类物质之间的光谱差异大于同类物质。对提取的平均光谱曲线进行主成分分析（PCA）,结果显示棉花、残膜和铃壳外与其他三类相比,有较好的聚集性和可分性,但是棉叶、铃壳内和棉枝三类相互叠加在一起,空间分布存在严重交叉重叠。以提取的平均光谱曲线为训练样本,选择线性判别分析（LDA）、支持向量机（SVM）和神经网络（ANN）三种分类判别算法,对算法参数进行寻优,并建立机采籽棉杂质分类判别模型。其中,经过LDA模型降维后的样本空间较PCA表现出了更好的聚集性和可分性,采用正则化防止过拟合,得到训练集准确率为86.4%,测试集准确率为86.2%;SVM模型的参数寻优结果为C=105,g=0.1,其训练集准确率为83.42%,测试集准确率为83.40%;ANN模型参数寻优得到隐含层数和神经元个数分别为2和17,训练集准确率为82.9%,测试集准确率为81.8%。对三种模型的分类效果和检测用时进行比较,LDA模型结果最优。通过对高光谱图像进行像素等级分类判别,结果显示棉花识别效果较好,植物性杂质都被有效检测,但是地膜和棉花存在误识别,分类效果与杂质光谱的分类判别模型结果一致。因此,采用高光谱成像技术可以快速、无损的检测和识别籽棉杂质,为棉花加工装备提供反馈参数,对棉花加工机械化和智能化有重要意义。     

基于红外光谱对野生冬虫夏草不同部位的识别

冬虫夏草作为著名的传统中药材,由于其良好的药用价值而备受青睐。目前多数工作集中研究其活性成分含量以及药理药效。而对其不同部位的识别研究较为匮乏。基于红外光谱数据,结合化学计量学对多维度复杂体系的解析优势对冬虫夏草不同部位进行分类识别。首先对野生冬虫夏草五个不同部位包括子座头、子座中、头部、虫体中段、虫体尾段总共808个光谱数据使用标准正态变换(SNV)、多元散射矫正(MSC)进行数据预处理。而后用竞争自适应再权重取样(CARS)、变量组合种群分析(VCPA)挑选具有代表意义的特征变量。最后使用偏最小二乘判别分析(PLS-DA)、线性判别分析(LDA)进行建模预测分析。模型对训练集使用十倍交叉验证,以准确率(Acc)作为评价指标。结果表明,在该数据上PLS-DA模型在10倍交叉验证和独立测试集上的预测准确率分别是90.1%和92.0%,而使用LDA模型时,预测准确率分别降低到86.7%和85.8%。采用CARS和VCPA特征挑选方法可有效将特征从3 601维分别降到699和420维,同时保持预测准确率与全部特征的预测准确率相当。而挑选的特征波数630,625,1 024,1 028,1 084和1 089 cm-1与虫草的甘露醇相关,879和874 cm-1与虫草的多糖相关。通过对挑选的波数进行Wilcoxon rank-sum检验进一步表明虫草五个部位之间存在显著差异。研究表明化学计量学方法结合红外光谱能够有效识别冬虫夏草不同部位,有助于在分子层面上加深对冬虫夏草形成的认识,为针对虫草不同部位高效利用提供参考。     

光纤传能的移动式激光诱导击穿光谱钢铁快速检测与分类

为了实现工业现场对特种钢材的快速检测与种类识别,采用基于光纤传能的移动式激光诱导击穿光谱（LIBS）样机对14种特种钢材进行光谱数据的采集与分析,采用预选谱线并遍历组合的降维方法与支持向量机(SVM)相结合的算法对特钢材料的光谱进行快速分类。分别将原始光谱数据、归一化处理后的光谱数据、归一化处理+遍历组合优选谱线数据作为SVM分类模型的输入向量,并对比了不同输入向量下模型对特钢识别的准确度。结果表明：在事先选出的51条特征谱线作为输入变量的基础上,归一化光谱数据作为SVM分类模型的输入特征时,识别准确度达到95.71%,明显高于使用原始光谱数据作为输入向量时SVM分类模型的准确度11.43%。进一步地,使用MATLAB程序遍历谱线组合,通过遍历各种谱线组合选出最优的输入谱线组合,当优选6条特定的谱线时,对特钢种类识别的准确度达到100%,且建模速度也有相应提升。可以看出,当预选出大量常见特征数据时,机器自动选取特征与人工挑选谱线相比,具有明显优势,基于此降维方法的SVM算法模型在LIBS快速分类技术中具有很好的工业应用前景。     

基于遥感和作物生长模型的多尺度冬小麦估产研究

粮食安全是社会和谐、政治稳定和经济可持续发展的重要保障。准确预测区域乃至全球的农作物产量能够为各级政府、相关部门制定农业农村政策提供技术支持,保障粮食安全。目前关于农作物估产的研究大多具有地域性、经验性,过分依赖地面实测数据,一种基于多光谱卫星遥感数据和作物生长模型估算农作物产量的模型框架SCYM（Scalable Crop Yield Mapper）能够极大地减少模型对实测数据的依赖,快速应用于不同空间尺度、不同种类作物的估产,为多尺度农作物估产研究提供了一条有效的途径。以安徽省2012年-2018年冬小麦为研究对象,通过总结前人研究确定的敏感参数及其在研究区内的波动范围,结合大量实割实测数据优化WOFOST（WOrld FOod STudies）模型参数;将模拟产量、不同时段的模拟叶面积指数(LAI)同遴选出的天气变量训练随机森林模型,并以最佳观测日期组合下的MODIS-LAI代替对应时段的模拟LAI进行产量估算。结果表明：（1）模型产量估算值与站点实测值的总体相关性为0.758（R2为0.575）,RMSE为790.92 kg·ha-1。精度较高的站点主要分布在淮北平原（<1%）而高误差区域集中于皖南丘陵地带（>40%）;（2）对2012年-2018年全省范围进行冬小麦估产,根据7年平均估产结果的空间分布,小麦单产由北向南逐渐减少,高值区出现在皖北的淮北平原,低值区主要分布于皖中、皖南地区;（3）2012年-2018年实测单产平均值为6 058.00 kg·ha-1,SCYM估算单产平均值为5 984.95 kg·ha-1,且估算产量与实测产量的年际时间序列的相关性为0.822,RMSE为189.96 kg·ha-1,每年估产的相对误差均不超过6%。研究表明SCYM估产框架对安徽省冬小麦产量估算具有一定的可行性,在产量预报方面效果良好。该方法能够在一定程度上改善以往估产模型存在的地域性、经验性问题,在区域尺度的应用方面具有极大的潜力,未来可为农业估产提供极其重要的理论依据和实用价值。