摘要：针对低信噪比条件下,现有的雷达辐射源信号识别方法存在识别正确率低、时效性差的问题,提出了一种基于压缩残差网络的雷达辐射源信号识别方法。首先,利用Choi-Williams分布的时频分析方法将时域信号转换为二维时频图像;然后,根据应用场景特点,选择卷积神经网络(Convolutional Neural Networks,CNN)“压缩”范围;最后,构建压缩残差网络来自动提取图像特征并完成分类。仿真实验结果表明,在同等体量的设计下,与当前较为常用的标准CNN以及ResNet模型相比,所提模型能够降低信号识别运行时间约88%,在信噪比为-14 dB条件下对14种雷达辐射源信号的平均识别率高约5%。提供了一种高效的雷达辐射源信号智能识别方法,具有潜在的工程应用前景。

摘要：低流量水平井中,由于存在重力分异,油水两相的流型主要以分层流为主,流体速度场的分布沿重力方向发生变化,致使油田现场生产测井的流量和持水率测量及多相流分相流量解释非常困难.为了充分了解水平井流体流动特征提高生产测井解释精度,本文以低流量水平井油水两相分层流为研究对象,采用流体动态测量实验和数值模拟计算相结合的方法,研究其速度场的分布特征及油水滑脱速度与持水率、总流量的变化关系.数值模拟计算和动态实验结果对比分析表明;依据N-S方程和相应的界面耦合条件构建的分层模型计算的结果和动态实验基本一致,含水率误差在5%以内,能够用来分析水平井油水两相分层流的局部速度的变化;过流管道下部由于仪器的存在,当含水低于20%时,水相平均速度低于油相平均速度,随着含水的增加,水相平均速度大于油相平均速度,滑脱速度逐渐变为负值.模型验证和实验结果表明,文中所提的分层流数值计算模型能够取得很好的应用效果,为水平井生产测井方法设计和资料解释奠定理论基础.