记录自己的成长

CNN-LSTM数据驱动模型6.1 基本原理深度学习是机器学习前沿且热门的理论，而其中的两大框架卷积神经网络（CNN）以及长短期记忆网络（LSTM）是深度学习的代表，CNN能过够通过使用卷积核从样本数据中提取出其潜在的特征，而长短期记忆网络LSTM能够捕捉到长期的成分。近年来两者的结合成为研究的热点。卷积神经网络由卷积层和池化层交替叠加而成，在每个卷积层与池化层之间都有relu激活函数作用来加速模型的收敛，在模型中数据经过卷积神经网络的处理，所有特征融合后得到卷积神经网络的特征描述，此时传递数据给L

长短期记忆网络（LSTM）数据驱动模型5.1 基本原理长短时记忆网络(Long Short Term Memory Network, LSTM)，是一种改进之后的循环神经网络，可以解决RNN无法处理长距离的依赖的问题。在原始的 RNN 模型中，隐藏层只有一个状态，即h，RNN对于短期的输入非常敏感。如果此时再增加一个状态c，让它来保存长期的状态，那么则称之为称为单元状态(cell state)。按照时间维度展开：在 t 时刻，LSTM 的输入有三个：分别是当前时刻网络的输入值 X_t、上一时刻

卷积神经网络（CNN）数据驱动模型4.1 CNN算法原理卷积神经网络（CNN）是一种前馈神经网络，通常包含数据输入层、卷积计算层、ReLU激活层、池化层、全连接层（INPUT-CONV-RELU-POOL-FC），是由卷积运算来代替传统矩阵乘法运算的神经网络。卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。同时在一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩

水平管道中CO2气液两相的流量研究3.1 引言在CCS系统的CO2管道运输过程中，由于传输距离较长且受到管道周围环境的影响，管道中的CO2不可避免的会发生相态的改变，产生气液两相CO2流。因此，本研究基于多传感器系统的测量方法，对水平管道内气液两相CO2进行流量测量。该多传感器测量系统包括CMF、差压(Differential-Pressure, DP)传感器和压力传感器等。根据实验过程中观察到的气液两相CO2的流动状态，将采集到的数据进行流型识别和数据分类。然后对每一种流型下的数据，以表观质量流量

摘 要碳捕集与封存（Carbon Capture and Storage，CCS）技术是减少碳排放的有效途径。CCS主要包括捕集、运输和存储三个环节。本项目主要研究的是CO2管道运输过程中的流量测量与监控问题。受到CO2自身物性影响，管道运输过程中CO2可能呈现气相、液相和气液两相流动状态。精准测量管道中CO2的质量流量在管道安全运输过程中起到重要作用，同时也是大宗碳交易计量的重要依据。本项目依托多相流及燃烧过程检测技术中心搭建的一套气液两相CO2流量标准实验装置，本文基于数据驱动模型的气液两...