基于Regression GAN的原油总氢物性预测方法

郑念祖 丁进良

核磁共振氢谱(1H nuclear magnetic resonance spectroscopy,1H NMR)可用于检测有机化合物中氢原子与周围化学官能团的相互作用,在化学、中药材质量及药物分析方面早已得到广泛研究[1−2].近年来,该技术得到迅速发展.作为新的原油物性预测手段之一,该技术制样简单、灵敏度与分辨率较高,提供结构信息丰富,具有良好的发展潜力与应用前景[3−5].

由于原油物性复杂多变,常用的建模方法诸如偏最小二乘回归(Partial least square regression,PLSR)、支持向量机 (Support vector machine,SVM)、卷积神经网络 (Convolutional neural network,CNN)等往往无法适用于实际复杂的非线性关系,因此模型的泛化能力在一定程度上受到限制[6−8].近年来,生成对抗网络(Generative adversarial network,GAN)以其对抗学习成为人工智能领域的一个热门方向[9],其基本思想在于判别模型D通过对抗学习提取样本空间的潜在特征表示,迫使生成器G的概率分布匹配于未知的真实的数据分布.与传统的生成模型不同,GAN不是直接对样本空间中每个样本点进行概率密度估计,而是通过生成器G对样本分布进行隐式表达.因此,如何将GAN对抗学习获得的潜在特征表示充分利用以提高回归模型的泛化能力是一个值得思考的问题.

本文尝试解决预测回归问题,同时能够学习得到一个生成模型.近年来,在分类任务中采用生成模型的研究受到了广泛的关注,并取得了许多进展.Kingma等[10]采用变分方法改进深度生成模型和近似贝叶斯推理,使得生成方法适用于半监督分类问题;Radford等[11]将判别模型D中全部特征层应用于分类,取得了不错的……