本發(fā)明涉及一種深度學習模型。特別是涉及一種針對傳感器得到的多通道測量信號的基于復雜網(wǎng)絡的深度學習模型及在測量信號分析中的應用。
背景技術：
測量信號的分析方法在諸多領域得到廣泛的應用，其對于揭示復雜系統(tǒng)的內(nèi)在特性具有重要的意義，例如油水兩相流系統(tǒng)。油水兩相流廣泛存在于石油開采與運輸產(chǎn)業(yè)。在油水兩相流系統(tǒng)中，各相的分布隨著時間和空間在不斷變化，形成了不同的流動形態(tài)，稱之為流型。兩相流的流型復雜多變，局部流動信息難以準確捕捉，使得相含率等兩相流流動參數(shù)的測量存在諸多難點。這對于石油開采和工藝改造造成了諸多影響。對于相含率的測量多采用電導法、電容法、光學法和射線法等。傳統(tǒng)的測量采用的環(huán)形電導傳感器和雙螺旋電容傳感器等，是單通道傳感器，容易丟失微觀的局部流動信息。而分布式的電導傳感器和激勵循環(huán)激勵傳感器等則可以同時采集多通道信號，捕捉到更豐富的微觀流動信息，為流型和相含率的研究提拱了重要技術支持。
神經(jīng)網(wǎng)絡作為一種分類器，在過去的幾十年中得到了長足發(fā)展。其主要基于對數(shù)據(jù)的特征進行學習以實現(xiàn)分類。但是過去的訓練模型大多數(shù)是淺層的，分類效果無法達到很精確的地步。隨著神經(jīng)網(wǎng)絡中梯度消失的問題被有效解決，搭建深層次的神經(jīng)網(wǎng)絡即深度置信網(wǎng)絡成為可能。深度學習模型相比于淺層網(wǎng)絡再特征提取和辨識上的性能得到有效提升。
復雜網(wǎng)絡理論自創(chuàng)立以來，如今已在多領域得到了蓬勃發(fā)展，是研究復雜系統(tǒng)的一個重要工具，尤其是近年來其在時間序列分析中作出了重大貢獻。實踐表明，復雜網(wǎng)絡對于挖掘包含在非線性時間序列中和非線性動力學系統(tǒng)中的重要信息具有明顯的優(yōu)勢，效果顯著。其在單通道時間序列上的得到成功應用的同時，也使得科研人員開始關注如何將其應用到多通道數(shù)據(jù)分析中。可視圖是一種重要的復雜網(wǎng)絡時間序列分析方法，其可以用于對大數(shù)據(jù)的分析，且計算速度快，因此在多領域得到廣泛應用。
技術實現(xiàn)要素：
本發(fā)明所要解決的技術問題是，提供一種基于復雜網(wǎng)絡的深度學習模型及在測量信號分析中的應用。通過對測量信號采用可視圖的方法建立復雜網(wǎng)絡，提取復雜網(wǎng)絡的大量指標，作為深度學習模型的輸入，讓模型通過對大量樣本的訓練以及無監(jiān)督和有監(jiān)督學習的方式，得到一個基于復雜網(wǎng)絡的深度學習模型。
本發(fā)明所采用的技術方案是：一種基于復雜網(wǎng)絡的深度學習模型，構建基于復雜網(wǎng)絡的深度學習模型包括如下步驟：
1)設定對于測量信號通過可視圖的方法構建復雜網(wǎng)絡的原理：
對于每一通道測量信號得到的時間序列進行可視化分析，對于時間序列中的任意兩個時刻t1和t2得到的兩個點(t1,x1)和(t2,x2)，將它們看作可視圖復雜網(wǎng)絡中的任意兩個節(jié)點，若兩個節(jié)點之間有連邊，則對于這兩個點之間的任意一個點(t3,x3)，需要滿足：
由此，建立可視圖復雜網(wǎng)絡；
2)對于每一通道測量信號采用可視圖的方法建立復雜網(wǎng)絡，對于每一個網(wǎng)絡，提取以下指標：節(jié)點聚集系數(shù)、節(jié)點度、節(jié)點介數(shù)、節(jié)點接近中心度和節(jié)點特征向量中心性；
3)建立深度學習模型。
將步驟2)中得到的大量網(wǎng)絡指標，即節(jié)點聚集系數(shù)、節(jié)點度、節(jié)點介數(shù)、節(jié)點接近中心度和節(jié)點特征向量中心性，作為深度置信網(wǎng)絡的輸入，對深度置信網(wǎng)絡進行訓練，包括：
(1)使用貪婪的逐層訓練算法，對深度置信網(wǎng)絡訓練得到生成模型的網(wǎng)絡參數(shù)；
(2)以第(1)步得到的網(wǎng)絡參數(shù)為初始值，用來重置深度神經(jīng)網(wǎng)絡的初始權重，采用有監(jiān)督的方法對整個網(wǎng)絡參數(shù)進行全局訓練，最終得到用于準確分類的神經(jīng)網(wǎng)絡參數(shù)；
由此，通過對大量網(wǎng)絡指標的無監(jiān)督學習和有監(jiān)督學習，得到一個基于復雜網(wǎng)絡的包含有深度置信網(wǎng)絡和深度神經(jīng)網(wǎng)絡的深度學習模型。
步驟2)所述的指標具體如下：
(1)節(jié)點聚集系數(shù)Ci：
其中，ki表示無權相關系數(shù)復雜網(wǎng)絡中與節(jié)點i有連邊的節(jié)點數(shù)目，Ei表示ki個節(jié)點之間有連邊的數(shù)目；
(2)節(jié)點度：任意節(jié)點i的度表示與該節(jié)點有連邊的節(jié)點的數(shù)目；
(3)節(jié)點介數(shù)L(i)：
其中，σmn為連接節(jié)點m和節(jié)點n的最短路徑數(shù)目，σmn(i)為經(jīng)過節(jié)點i的連接節(jié)點m和節(jié)點n的最短路徑數(shù)目；
(4)節(jié)點接近中心度CCi：
其中，Dij表示節(jié)點i到無權相關系數(shù)復雜網(wǎng)絡中任意其它節(jié)點j的最短距離，該網(wǎng)絡中共有節(jié)點數(shù)目為S；
(5)節(jié)點特征向量中心性：任意節(jié)點i的特征向量中心性表示網(wǎng)絡鄰接矩陣A的主特征值對應的特征向量的第i個元素的值。
步驟3)中所述的深度置信網(wǎng)絡是由多層隱含隨機變量構成的概率生成模型，由一定數(shù)目的受限玻爾茲曼機堆疊而成，然后從底向上進行逐層預訓練；堆疊過程如下：訓練一個伯努利-伯努利受限玻爾茲曼機后，將隱單元的激活概率作為下一層伯努利-伯努利受限玻爾茲曼機的輸入數(shù)據(jù)；第二層伯努利-伯努利受限玻爾茲曼機的激活函數(shù)作為第三層伯努利-伯努利受限玻爾茲曼機的可見輸入數(shù)據(jù)，各層以此類推。
步驟3)第(1)步所述的使用貪心貪婪的逐層訓練算法是，采用無監(jiān)督學習的訓練算法，在訓練過程不需要知道訓練樣本所屬的類別，這樣非常容易獲得大量的訓練樣本，訓練中由下至上，每兩層構成一個受限玻爾茲曼機，用對比散度算法訓練得到受限玻爾茲曼機參數(shù)，然后固定所述受限玻爾茲曼機參數(shù)，繼續(xù)對上兩層構造的受限玻爾茲曼機進行訓練，直到最頂層結束，得到網(wǎng)絡參數(shù)。
步驟3)第(2)步所述的其全局訓練是采用有監(jiān)督學習的訓練算法，用帶相含率標簽的訓練樣本進行訓練；以第(1)步得到的深度置信網(wǎng)絡參數(shù)作為深度神經(jīng)網(wǎng)絡初始參數(shù)，并用反向傳播算法進行微調訓練。
一種基于復雜網(wǎng)絡的深度學習模型在測量信號分析中的應用，是采用循環(huán)激勵電導傳感器進行垂直油水兩相流實驗獲取測量信號；固定油相和水相的配比，改變油相和水相的流量進行實驗；包括如下步驟：
1)固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐漸向管道中通入油相，當油水兩相充分融合并逐漸穩(wěn)定后，采用循環(huán)激勵電導傳感器測量多通道的信號，并用高速攝像儀記錄流型；
2)一次采集結束后，改變油相和水相的流量，按步驟1)的過程繼續(xù)采集，直至在固定的配比下所設計的工況都完成；
3)改變油相和水相的配比，重復步驟1)至步驟2)的過程完成這一輪的測量，直至設計的所有工況全部測量完成；
4)基于多通道測量信號，對于每一通道信號按照可視圖的方法構建可視圖復雜網(wǎng)絡；
5)得到所有工況的可視圖復雜網(wǎng)絡后，分別提取每一個復雜網(wǎng)絡的節(jié)點聚集系數(shù)、節(jié)點度、節(jié)點介數(shù)、節(jié)點接近中心度和節(jié)點特征向量中心性標，將所述的指標作為一個樣本；
6)將步驟5)中一部分的樣本作為深度學習模型的訓練集，一部分的樣本作為深度學習模型的測試集，將大量樣本作為深度學習模型的輸入，將相含率作為標簽，對深度學習模型采用有監(jiān)督學習和無監(jiān)督學習的方式訓練和測試，利用逐層優(yōu)化的機制，不斷調整深度學習模型的參數(shù)，以得到一個基于復雜網(wǎng)絡的深度學習模型，該模型用于油田開采中未知工況下相含率的測量。
本發(fā)明的基于復雜網(wǎng)絡的深度學習模型及在測量信號分析中的應用，通過對測量信號采用可視圖的方法構建復雜網(wǎng)絡，用復雜網(wǎng)絡的大量指標組成樣本，作為深度學習模型的輸入，通過逐層優(yōu)化的機制，有監(jiān)督學習和無監(jiān)督學習相結合，以得到一個深度學習模型，該模型可用于對未知類別的測量信號的預測與分類。具有如下有益效果：
(1)提出了一種基于復雜網(wǎng)絡的深度學習模型構建方法。
(2)該方法能夠用于油水兩相流系統(tǒng)中的相含率測量。
附圖說明
圖1是采用本發(fā)明的基于復雜網(wǎng)絡的深度學習模型構建分析獲取相含率示意圖。
具體實施方式
下面結合實施例和附圖對本發(fā)明的基于復雜網(wǎng)絡的深度學習模型及在測量信號分析中的應用做出詳細說明。
本發(fā)明的基于復雜網(wǎng)絡的深度學習模型，通過對測量信號采用可視圖的方法建立復雜網(wǎng)絡，提取復雜網(wǎng)絡的大量指標，作為深度學習模型的輸入，讓該模型通過對大量樣本的訓練以及無監(jiān)督和有監(jiān)督學習的方式，得到一個基于復雜網(wǎng)絡的深度學習模型。
本發(fā)明的基于復雜網(wǎng)絡的深度學習模型的建立方法，包括如下步驟：
1)設定對于測量信號通過可視圖的方法構建復雜網(wǎng)絡的原理：
對于每一通道測量信號得到的時間序列進行可視化分析，對于時間序列中的任意兩個時刻t1和t2得到的兩個點(t1,x1)和(t2,x2)，將它們看作可視圖復雜網(wǎng)絡中的任意兩個節(jié)點，若兩個節(jié)點之間有連邊，則對于這兩個點之間的任意一個點(t3,x3)，需要滿足：
由此，建立可視圖復雜網(wǎng)絡；
2)對于每一通道測量信號采用可視圖的方法建立復雜網(wǎng)絡，對于每一個網(wǎng)絡，提取以下指標：節(jié)點聚集系數(shù)、節(jié)點度、節(jié)點介數(shù)、節(jié)點接近中心度和節(jié)點特征向量中心性；具體指標如下：
(1)節(jié)點聚集系數(shù)Ci：
其中，ki表示無權相關系數(shù)復雜網(wǎng)絡中與節(jié)點i有連邊的節(jié)點數(shù)目，Ei表示ki個節(jié)點之間有連邊的數(shù)目；
(2)節(jié)點度：任意節(jié)點i的度表示與該節(jié)點有連邊的節(jié)點的數(shù)目；
(3)節(jié)點介數(shù)L(i)：
其中，σmn為連接節(jié)點m和節(jié)點n的最短路徑數(shù)目，σmn(i)為經(jīng)過節(jié)點i的連接節(jié)點m和節(jié)點n的最短路徑數(shù)目；
(4)節(jié)點接近中心度(closeness centrality)CCi：
其中，Dij表示節(jié)點i到無權相關系數(shù)復雜網(wǎng)絡中任意其它節(jié)點j的最短距離，該網(wǎng)絡中共有節(jié)點數(shù)目為S；
(5)節(jié)點特征向量中心性：任意節(jié)點i的特征向量中心性表示網(wǎng)絡鄰接矩陣A的主特征值對應的特征向量的第i個元素的值。
3)建立深度學習模型
將步驟2)中得到的大量網(wǎng)絡指標，即節(jié)點聚集系數(shù)、節(jié)點度、節(jié)點介數(shù)、節(jié)點接近中心度和節(jié)點特征向量中心性，作為深度置信網(wǎng)絡的輸入，對深度置信網(wǎng)絡進行訓練，所述的深度置信網(wǎng)絡是由多層隱含隨機變量構成的概率生成模型，由一定數(shù)目的受限玻爾茲曼機(即RBM)堆疊而成，然后從底向上進行逐層預訓練；堆疊過程如下：訓練一個伯努利-伯努利受限玻爾茲曼機后，將隱單元的激活概率作為下一層伯努利-伯努利受限玻爾茲曼機的輸入數(shù)據(jù)；第二層伯努利-伯努利受限玻爾茲曼機的激活函數(shù)作為第三層伯努利-伯努利受限玻爾茲曼機的可見輸入數(shù)據(jù)，各層以此類推。所述建立深度學習模型包括：
(1)使用貪婪的逐層訓練算法，對深度置信網(wǎng)絡訓練得到生成模型的網(wǎng)絡參數(shù)；所述的使用貪心的逐層訓練算法是，采用無監(jiān)督學習的訓練算法，在訓練過程不需要知道訓練樣本所屬的類別，這樣非常容易獲得大量的訓練樣本，訓練中由下至上，每兩層構成一個受限玻爾茲曼機，用對比散度算法訓練得到受限玻爾茲曼機參數(shù)，然后固定所述受限玻爾茲曼機參數(shù)，繼續(xù)對上兩層構造的受限玻爾茲曼機進行訓練，直到最頂層結束，得到網(wǎng)絡參數(shù)。
(2)以第(1)步得到的網(wǎng)絡參數(shù)為初始值，用來重置深度神經(jīng)網(wǎng)絡的初始權重，采用有監(jiān)督的方法對整個網(wǎng)絡參數(shù)進行全局訓練，最終得到用于準確分類的神經(jīng)網(wǎng)絡參數(shù)；所述的其全局訓練是采用有監(jiān)督學習的訓練算法，用帶相含率標簽的訓練樣本進行訓練；以第(1)步得到的深度置信網(wǎng)絡參數(shù)作為深度神經(jīng)網(wǎng)絡初始參數(shù)，并用反向傳播算法進行微調訓練。
由于經(jīng)過了第(1)步的貪婪逐層預訓練，因此在進行全局訓練時，能夠很好地解決傳統(tǒng)上對深層網(wǎng)絡訓練方式容易收斂到局部最優(yōu)點的問題；由此，通過對大量網(wǎng)絡指標的無監(jiān)督學習和有監(jiān)督學習，得到一個基于復雜網(wǎng)絡的包含有深度置信網(wǎng)絡和深度神經(jīng)網(wǎng)絡的深度學習模型。該模型可用于油水兩相流系統(tǒng)中的相含率測量。
本發(fā)明的基于復雜網(wǎng)絡的深度學習模型在測量信號分析中的應用，是采用循環(huán)激勵電導傳感器進行垂直油水兩相流實驗獲取測量信號；固定油相和水相的配比，改變油相和水相的流量進行實驗；包括如下步驟：
1)固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐漸向管道中通入油相，當油水兩相充分融合并逐漸穩(wěn)定后，采用循環(huán)激勵電導傳感器測量多通道的信號，并用高速攝像儀記錄流型；
2)一次采集結束后，改變油相和水相的流量，按步驟1)的過程繼續(xù)采集，直至在固定的配比下所設計的工況都完成；
3)改變油相和水相的配比，重復步驟1)至步驟2)的過程完成這一輪的測量，直至設計的所有工況全部測量完成；
4)基于多通道測量信號，對于每一通道信號按照可視圖的方法構建可視圖復雜網(wǎng)絡；
5)得到所有工況的可視圖復雜網(wǎng)絡后，分別提取每一個復雜網(wǎng)絡的節(jié)點聚集系數(shù)、節(jié)點度、節(jié)點介數(shù)、節(jié)點接近中心度和節(jié)點特征向量中心性標，將所述的指標作為一個樣本；
6)將步驟5)中一部分的樣本作為深度學習模型的訓練集，一部分的樣本作為深度學習模型的測試集，將大量樣本作為深度學習模型的輸入，將相含率作為標簽，對深度學習模型采用有監(jiān)督學習和無監(jiān)督學習的方式訓練和測試，利用逐層優(yōu)化的機制，不斷調整深度學習模型的參數(shù)，以得到一個基于復雜網(wǎng)絡的深度學習模型，該模型用于油田開采中未知工況下相含率的測量。
本實例中，每個傳感器都由16個電極組成，每次測量中，其中一個電極作為激勵端，一個電極接地，其余14個電極接收，一次循環(huán)可測量得到16×14＝224通道的信號。由于電極循環(huán)激勵速度相對于流體流動的速度來說非?？欤钥梢缘刃檫@224通道的信號是同時測量的，由此可有效捕捉豐富的局部流動信息。固定油相和水相的配比，改變油相和水相的流量進行實驗。實驗過程如下：固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐漸向管道中通入油相，當油水兩相充分融合并逐漸穩(wěn)定后，采用循環(huán)激勵電導傳感器測量256通道的信號，并用高速攝像儀記錄流型。一次采集結束后，改變油相和水相的流量，按上述過程繼續(xù)采集，直至在固定的配比下所設計的工況都完成，再改變油相和水相的配比，重復上述過程完成這一輪的測量，直至設計的所有工況全部測量完成?；谏鲜龅亩嗤ǖ罍y量信號，對于每一通道信號按照可視圖的方法構建復雜網(wǎng)絡，這樣，對于一個工況可以生成256個復雜網(wǎng)絡。得到所有工況的可視圖復雜網(wǎng)絡后，分別提取每一個復雜網(wǎng)絡的節(jié)點聚集系數(shù)、節(jié)點度、節(jié)點介數(shù)、節(jié)點接近中心度和節(jié)點特征向量中心性等指標，將這些網(wǎng)絡指標作為一個樣本。將其中一部分的樣本作為深度學習模型的訓練集，一部分的樣本作為深度學習模型的測試集，將大量樣本作為深度學習模型的輸入，將相含率作為標簽，通過對大量樣本對深度學習模型進行有監(jiān)督學習和無監(jiān)督學習的方式訓練和測試，采用逐層優(yōu)化的機制，不斷調整深度學習模型的參數(shù)，以得到一個可以準確辨識油水兩相流的深度學習模型，實現(xiàn)在油田開采中未知工況下對相含率的準確測量。采用可視圖的方法將非平穩(wěn)的電信號轉化為復雜網(wǎng)絡拓撲結構，該方法計算速度快且不需要進行閾值選取。大量的復雜網(wǎng)絡指標能夠表征網(wǎng)絡拓撲結構特征，通過深度置信網(wǎng)絡對網(wǎng)絡拓撲結構特征進行學習和訓練。以可視圖作為橋梁，可實現(xiàn)對非平穩(wěn)測量信號的辨識與分類。
通過對測量信號采用可視圖的方法構建復雜網(wǎng)絡，用復雜網(wǎng)絡的大量指標組成樣本，作為深度學習模型的輸入，通過逐層優(yōu)化的機制，有監(jiān)督學習和無監(jiān)督學習相結合，以得到一個深度學習模型，該模型可用于對未知類別的測量信號的預測與分類。
以上對本發(fā)明和實施例的描述，并不局限于此，實施例中的描述僅是本發(fā)明的實施方式之一，在不脫離本發(fā)明創(chuàng)造宗旨的情況下，任何不經(jīng)創(chuàng)造性的設計出與該技術方案類似的結構或實施例，均屬本發(fā)明的保護范圍。