[发明专利]基于小波多分辨率双层复杂网络的多源信息融合法及应用

摘要

一种基于小波多分辨率双层复杂网络的多源信息融合法及应用：对通过由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器得到的多通道时间序列分别构建小波系数复杂网络；构建小波多分辨率聚合网络，并分别绘制包含有流型信息的图能量和交叉聚集系数熵与分辨率的关系图；构建小波双层复杂网络，并分别绘制包含有流型信息的每层网络中的节点聚集系数的均值、节点度的均值和节点特征向量中心性的均值与分辨率的关系图。采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态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。本发明实现对复杂流动结构的辨识。

主权项

1.一种基于小波多分辨率双层网络的两相流多源信息融合法，其特征在于，包括如下步骤：1)对通过由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器得到的多通道时间序列分别构建小波系数复杂网络；包括：(1)获取通过循环激励双模态传感器得到的包含有两相流流体局部流动信息的S组长度均为L的多通道时间序列(2)对于每一通道的时间序列，进行6个分辨率的小波变换，每一个分辨率得到1个低频系数子带即近似系数和1个高频系数子带即细节系数，共得到6个低频系数子带和6个高频系数子带，求每一个低频带和每一个高频带的最大值x₁、最小值x₂、平均值x₃、标准偏差x₄、陡度函数x₅和峭度函数x₆；这样对于每一个分辨率来说，低频带和高频带的12个特征值组成一个特征向量(3)对于多通道时间序列在每一个分辨率上，计算每两通道时间序列的特征向量的欧氏距离d＝||X(m)‑X(n)||m＝1,2,...,S n＝1,2,...,S,其中，||||表示计算欧式距离，X(m)表示通道m的特征向量，X(n)通道n的特征向量；将每一通道的信号作为复杂网络的节点，以两通道间的欧氏距离决定复杂网络中两节点的连边；计算所有欧式距离的均值M_n和标准偏差σ，则可得到一个阈值R＝M_n+qσ，其中q＝0.15；如果两通道的欧氏距离大于该阈值，则两节点之间没有连边，反之，则两节点之间有连边；由此，在不同分辨率下分别构建小波系数复杂网络；这样，对于一个多通道时间序列，共可得到6个小波系数复杂网络；2)构建小波多分辨率聚合网络，并分别绘制包含有流型信息的图能量和交叉聚集系数熵与分辨率的关系图；3)构建小波双层复杂网络，并分别绘制包含有流型信息的每层网络中的节点聚集系数的均值、节点度的均值和节点特征向量中心性的均值与分辨率的关系图，包括：(1)对于步骤1)建的每个分辨率的两个小波系数复杂网络，分别作为小波双层复杂网络的一层，从而得到小波双层复杂网络，所述小波双层复杂网络的邻接矩阵表示为其中，α表示双层小波系数复杂网络的层数，若节点i和j在α层有连接，则邻接矩阵中对应的元素否则两层网络中的节点数目皆为S；(2)小波双层复杂网络的任一层α中节点i的聚集系数Ci[α]：其中，α'表示小波双层复杂网络中不同于α层的另一层，和分别表示α层中节点i和节点j在邻接矩阵中的元素值，α'层中节点j和m在邻接矩阵中的元素值，α层中节点m和i在邻接矩阵中的元素值；得到每一层中各节点的聚集系数，计算每层中节点聚集系数的均值C_α：(3)计算小波双层复杂网络中的任一α层中的任意节点i的度其中，表示α层中节点i和j在邻接矩阵中的元素值；得到每一层中每一个节点的度，计算每层中节点度的均值k_α：(4)小波双层复杂网络的任一α层中节点i的特征向量中心性表示α层的邻接矩阵A^[α]的主特征值对应的特征向量的第i个元素值；得到每一层中每一个节点的特征向量中心性值，计算每层中节点特征向量中心性的均值E_α：(5)分别绘制包含有流型信息的每层网络中的节点聚集系数的均值Cα、节点度的均值kα和节点特征向量中心性的均值Eα与分辨率的关系图；循环激励多电极电导传感器对局部低含油率测量灵敏高，循环激励多电极电容传感器对局部高含油率测量灵敏度高，电导电容多源测量信息的有效融合实现互补式两相流空间流动信息检测，通过研究包含有流型信息每层网络的每层网络中的节点聚集系数的均值Cα、节点度的均值kα和节点特征向量中心性的均值Eα与分辨率的关系图，研究每层的每层网络中的节点聚集系数的均值Cα、节点度的均值kα和节点特征向量中心性的均值Eα三个指标在流型演化过程中的转变，实现对双模态信息的融合，指示流型演化过程中的内在动力学机制。