【摘 要】
：
针对生成对抗网络(Generative adversarial network,GAN)不适用于原油物性回归预测的问题,本文提出一种回归生成对抗网络(Regression GAN,RGAN)结构,该结构由生成模型G、判别
【机 构】
：
东北大学流程工业综合自动化国家重点实验室
【基金项目】
：
国家自然科学基金(61590922,61525302);教育部科研业务费项目(N160801001,N161608001)资助~~
论文部分内容阅读
针对生成对抗网络(Generative adversarial network,GAN)不适用于原油物性回归预测的问题,本文提出一种回归生成对抗网络(Regression GAN,RGAN)结构,该结构由生成模型G、判别模型D及回归模型R组成.通过判别模型D与生成模型G间的对抗学习,D提取原油物性核磁共振氢谱(~1H NMR)谱图的潜在特征.首层潜在特征是样本空间的浅层表示利于解决回归问题,采用首层潜在特征建立回归模型R,提高了预测的精度及稳定性.通过增加条件变量和生成样本间的互信息约束,并采用回归模型R的MSE损失函数估计互信息下界,生成模型G产生更真实的样本.实验结果表明,RGAN有效地提高了原油总氢物性回归预测精度及稳定性,同时加快了生成模型的收敛速度,提高了谱图的生成质量.
其他文献
脑缺血后恢复脑血流是治疗脑缺血最关键的方法，但再灌注后可加重缺血脑组织的死亡，这种再灌注损伤主要以凋亡为主，因此减少缺血再灌注后神经无凋亡为重要的脑保护机制。有作者报
ue＊M＃’＃dkB4＃＃8＃”专利申请号:00109“7公开号:1278062申请日:00.06.23公开日:00.12.27申请人地址:（100084川C京市海淀区清华园申请人:清华大学发明人:隋森芳文摘:本发明属于生物技
ue＊M＃’＃dkB4＃＃8＃”专利申请号:00109“7公开号:1278062申请日:00.06.23公开日:00.12.27申请人地址:（100084川C京市海淀区清华园申请人:清华大学发明人:隋森芳文摘:本发明属于生物技
应用行车荷载模拟系统(MMLS3)对AC20,AC16,AC13,SMA16,SMA13,SAC20共6种沥青混合料在48,54,60,66℃下的变形规律进行了研究.试验表明,6种沥青混合料的车辙深度、隆起变形与荷
结合青藏铁路的实际,从发展青藏铁路旅游交通的意义出发,对青藏铁路旅游交通进行了分析。
运用弹性系数法进行交通量预测的关键在于确定弹性系数。选取交通区客货运输周转量统计资料与国内生产总值作为弹性系数指标,进行回归确定弹性系数。通过国道315线德令哈至宗