[发明专利]基于递归图的深度学习模型及在油水相含率测量中的应用

摘要

一种基于递归图的深度学习模型及在油水相含率测量中的应用，基于四扇区分布式电导传感器数据构建递归图：对于四扇区分布式电导传感器的每一通道数据视作一元时间序列，对一元时间序列进行相空间重构，得到向量序列；对于向量序列定义递归图；深度学习模型训练：将递归图，一维化，使用贪婪的逐层训练算法，对深度置信网络训练得到生成模型参数，训练得到受限玻尔兹曼机参数；以受限玻尔兹曼机参数为初始值，用来重置深度神经网络的初始权重最终得到可以用于准确分类的神经网络参数。采用四扇区分布式电导传感器进行垂直油水两相流实验，固定油相和水相的配比，改变油相和水相的流量进行实验。本发明能够得到一个基于递归图的深度学习模型。

主权项

1.一种基于递归图的深度学习模型的建立，其特征在于，包括如下步骤：1)基于四扇区分布式电导传感器数据构建递归图，包括：(1)对于四扇区分布式电导传感器的每一通道数据视作一元时间序列u_k，对所述的一元时间序列u_k进行相空间重构，得到一个向量序列该向量序列中的任意一个向量表示为：其中，m为嵌入维数，采用错误最近邻法确定；τ为延迟时间，采用互信息法确定；(2)对于一元时间序列u_k得到一个向量序列对于向量序列定义递归图：其中，R_i,j表示递归图所对应的递归矩阵中的任意一点，ε为阈值，采用15％的一元时间序列的标准偏差进行确定，表示两向量之间的距离；表示如果则其值为1，如果则其值为0；这样一来，若R_i,j的值为1，则在递归图中为黑色，若R_i,j的值为0，则在递归图中为白色；2)深度学习模型训练，包括：(1)将步骤1)中得到的递归图，进行一维化后，作为深度学习模型中的深度置信网络的输入；(2)使用贪婪的逐层训练算法，对深度置信网络训练得到生成模型参数，所述的贪婪逐层训练是采用无监督学习的训练算法，训练中由下至上，每两层构成一个受限玻尔兹曼机，用对比散度算法训练得到受限玻尔兹曼机参数，然后固定该受限玻尔兹曼机参数，继续对下一个构造的受限玻尔兹曼机进行训练，直到最顶层结束；(3)以第(2)步得到的受限玻尔兹曼机参数为初始值，用来重置深度神经网络的初始权重，采用有监督的方法对整个网络参数进行全局训练，最终得到可以用于准确分类的神经网络参数。