本发明涉及智能信号处理领域，尤其是一种基于相空间重构编码及空间多尺度通道注意学习的油水两相流流型分类系统及方法。
背景技术：
1、随着全球原油产品的需求量激增，原油开采进程不断加快，注水增压的开采方式使得多数注水开采油田逐步进入中晚期的高含水阶段。油田持水率升高使得井下环境复杂多变，流体流动模型变得复杂，给测井工作者带来更多挑战。目前石油及其衍生品，在短时间内仍是不可完全替代的能源产品，而国内普遍存在高含水、低产率的油井开采现状，能够准确识别油水两相流流型对于实现油田实时监控、提高石油产量、挖掘油井剩余潜力具有重要意义，因此需要采用更为精准和有效的流行识别与流动特性分析方法。
2、许多工程领域的数据都是以时间序列的形式存在，电磁信号作为一种时间序列，保留了垂直管油水两相流观测数据的时间结构性，常常作为一个整体来进行研究分析分类。流型识别的方法主要包括数值模拟、实验研究和人工智能三种。传统的时间序列分类任务，由于数据量和计算量的不断增加以及分析目的的拓展和深入，使用数值模拟和实验研究的方法提高识别的精度越来越困难。近年来的流行识别技术研究多采用深度学习的方法。其中，循环神经网络(rnn)和长短时记忆网络(lstm)，能够处理具有时间依赖性的数据，并捕捉数据中的长期依赖关系。这些模型在处理电磁信号这类时间序列数据时，能够自动学习数据中的特征，并进行分类和识别。但是时间序列不利于复杂的非线性问题。某些复杂的非线性问题可能超出时间序列模型的建模能力，通过相空间重构解码可以提取时间序列中的混沌特征，进而分析时间序列中的周期性和重复性。现有的神经网络模型不能完全提取相空间重构解码得到的递归图中的混沌特征，进而导致神经网络的性能可能会受到严重影响，导致识别精度下降。
技术实现思路
1、本发明需要解决的技术问题是提供一种基于尺度注意学习的油水两相流流型分类系统及方法。旨在解决已有的流行分类存在的数据量大，无法直观体现流动特性且时间序列不利于于复杂的非线性问题。将一维时间序列电磁信号利用相空间重构转化为二维图像，并通过空间多尺度通道注意学习模块进行流型分类，以提升电磁时间序列信号的混沌特征表达能力，进而具备较高的流型分类准确性。
2、为解决上述技术问题，本发明所采用的技术方案是：一种基于尺度注意学习的油水两相流流型分类系统，包括相互连接的相空间重构模块和空间多尺度通道注意学习模块，其中空间多尺度通道注意学习模块包括一级特征提取模块，一级特征提取模块上连接设置有二级特征提取模块和三级特征提取模块，一级特征提取模块上连接设置有一级多尺度通道注意力模块，二级特征提取模块上连接设置有二级多尺度通道注意力模块，三级特征提取模块上连接设置有三级多尺度通道注意力模块，一级、二级、三级多尺度通道注意力模块均连接在自适应融合模块上，自适应融合模块上连接设置有一个池化层和三个全连接层。
3、本发明技术方案的进一步改进在于：各模块具体结构如下：
4、相空间重构模块依次包括关联积分、递归矩阵和heaviside函数；
5、一级特征提取模块依次包括两个3*3的卷积层、一个最大池化层、两个3*3的卷积层，各所述卷积层生成的特征图通道数由输入至输出方向依次为64、64、128和128，所述最大池化层的步长为2；
6、二级特征提取模块包括一个步长为2、卷积核大小为3*3的卷积块；
7、三级特征提取模块包括一个步长为2、卷积核大小为3*3的卷积层，和一个步长为2、卷积核大小为3*3的最大池化层；
8、一级、二级、三级多尺度通道注意力模块结构相同均包括特征提取模块和特征激活模块，其中特征提取模块包括两个3*3的卷积层，生成的特征图通道数由输入至输出方向依次为32、32，特征激活模块包括两个3*3的卷积层，生成的特征图通道数由输入至输出方向依次为128、128；
9、自适应融合模块依次包括一个resize函数、一个卷积层、一个通道拼接函数、一个卷积层、一个softmax函数，所述resize函数能将不同尺寸的特征图调整为高和宽都为112的特征图，所述卷积层生成的特征图通道数从输入到输出方向依次为8、3，卷积核大小为1；
10、自适应融合模块上连接设置的池化层的类型为步长为2的平均池化层，全连接层的类型分别为4096、1024和4个神经元的全连接层。
11、一种基于尺度注意学习的油水两相流流型分类方法，步骤如下：
12、步骤1：将电磁时间序列信号输入相空间重构模块进行空间重构编码，得到非线性递归图；
13、步骤2：将非线性递归图输入一级特征提取模块，得到一级特征图；
14、步骤3：将一级特征图输入二级特征提取模块，得到二级特征图；
15、步骤4：将一级特征图输入三级特征提取模块，得到三级特征图；
16、步骤5：将一级特征图输入一级多尺度通道注意力模块，得到一级多尺度通道特征图；
17、步骤6：将二级特征图输入二级多尺度通道注意力模块，得到二级多尺度通道特征图；
18、步骤7：将三级特征图输入三级多尺度通道注意力模块，得到三级多尺度通道特征图；
19、步骤8：将一级多尺度通道特征图、二级多尺度通道特征图和三级多尺度通道特征图输入自适应融合模块，得到空间多尺度融合结果图；
20、步骤9：将空间多尺度融合结果图输入平均池化层，得到空间多尺度平均结果图；
21、步骤10：将空间多尺度平均结果图输入全连接层得到分类结果。
22、本发明技术方案的进一步改进在于：步骤1具体步骤如下：
23、步骤1.1：将电磁时间序列信号输入关联积分，得到最优时间间隔和嵌入维数；
24、步骤1.2：对电磁时间序列信号给定最优时间间隔、嵌入维数，输入到相空间重构方法，得到相空间状态集；
25、步骤1.3：对相空间状态集的每两个状态求向量范数，得到非线性递归图。
26、本发明技术方案的进一步改进在于：步骤1.1具体步骤如下：将电磁时间序列信号x(it)，i＝1,2,...n，t为时间采样间隔，n为采样点总数，进行相空间重构编码，
27、即：
28、将电磁时间序列信号与采样时间间隔t、嵌入维数m输入关联积分，即：
29、m＝n-(m-1)τ
30、
31、s(m,n,r,t)＝c(m,n,r,t)-cm(1,n,r,t)
32、得到最优时间间隔和嵌入维数。
33、本发明技术方案的进一步改进在于：步骤1.3具体步骤如下：将相空间状态集的每两个状态之间求向量范数，即：i,j＝1,2,...n其中ε为阈值，rij为递归矩阵，θ(x)为heaviside函数即：
34、得到非线性递归图。
35、本发明技术方案的进一步改进在于：步骤5具体步骤如下：
36、步骤5.1：将通道数为128的一级特征图按通道数均匀的切片为四部分，分别为第一一级特征图、第二一级特征图、第三一级特征图和第四一级特征图；
37、步骤5.2：将第二一级特征图输入特征提取模块得到第一一级特征提取图；
38、步骤5.3：将上述第一一级特征提取图与第三一级特征图相加输入特征提取模块得到第二一级特征提取图；
39、步骤5.4：将上述第二一级特征提取图与第四一级特征图相加输入特征提取模块得到一级特征提第三取图；
40、步骤5.5：将第一一级特征图、第一一级特征提取图、第二一级特征提取图和第三一级特征提取图进行通道连接，得到一级通道特征提取结果图；
41、步骤5.6：将一级通道特征提取结果图输入特征激活模块，得到一级多尺度通道特征图。
42、本发明技术方案的进一步改进在于：步骤6、步骤7具体操作方法与步骤5相同。
43、本发明技术方案的进一步改进在于：步骤8具体步骤如下：
44、步骤8.1：将二级多尺度通道特征图输入到resize函数得到扩大二级多尺度通道特征图；
45、步骤8.2：将三级多尺度特征图输入到resize函数得到扩大三级多尺度通道特征图；
46、步骤8.3：将一级多尺度通道特征图输入卷积层得到一级多尺度通道特征图权重向量；
47、步骤8.4：将扩大二级多尺度通道特征图输入卷积层得到二级多尺度通道特征图权重向量；
48、步骤8.5：将扩大三级多尺度通道特征图输入卷积层得到三级多尺度通道特征图权重向量；
49、步骤8.6：将上述一级多尺度通道特征图权重向量、二级多尺度通道特征图权重向量、三级多尺度通道特征图权重向量输入到通道拼接函数得到多尺度通道融合特征图权重向量组；
50、步骤8.7：将上述多尺度通道融合特征图权向量组重输入卷积层得到多尺度融合特征图权重；
51、步骤8.8：将多尺度融合特征图权重输入softmax函数得到一级多尺度通道特征图权重、二级多尺度通道特征图权重、三级多尺度通道特征图权重；
52、步骤8.9：将一级多尺度通道特征图乘以一级多尺度通道特征图权重得到一级多尺度通道特征图结果；
53、步骤8.10：将扩大二级多尺度通道特征图乘以二级多尺度通道特征图权重得到二级多尺度通道特征图结果；
54、步骤8.11：将扩大三级多尺度通道特征图乘以三级多尺度通道特征图权重得到三级多尺度通道特征图结果；
55、步骤8.12：将上述一级多尺度通道特征图结果、二级多尺度通道特征图结果、三级多尺度通道特征图结果相加得到空间多尺度融合结果图。
56、由于采用了上述技术方案，本发明取得的技术进步是：本发明在不增加参数的情况下，采用初始特征提供部分有益信息，有机的结合多列尺度感知特征图来使得提取的特征包含了鲁棒的位置信息，进而实现油水两相流电磁信号的有效特征建模，从而实现精准鲁棒的流型分类。通过对一维时序电磁信号利用相空间重构转化为二维图像；一级特征提取模块、二级特征提取模块和三级特征提取模块分别对不同尺度的特征图之间学习空域滤波；多尺度通道注意力模块进行通道注意增强；自适应融合模块将三个不同尺度的特征提取模块相互融合，能够学到不同特征图更为全面的特征，以提升电磁信号的特征表达能力，进而具备较高的流型分类准确性
1.一种基于尺度注意学习的油水两相流流型分类系统，其特征在于：包括相互连接的相空间重构模块和空间多尺度通道注意学习模块，其中空间多尺度通道注意学习模块包括一级特征提取模块，一级特征提取模块上连接设置有二级特征提取模块和三级特征提取模块，一级特征提取模块上连接设置有一级多尺度通道注意力模块，二级特征提取模块上连接设置有二级多尺度通道注意力模块，三级特征提取模块上连接设置有三级多尺度通道注意力模块，一级、二级、三级多尺度通道注意力模块均连接在自适应融合模块上，自适应融合模块上连接设置有一个池化层和三个全连接层。
2.根据权利要求1所述的一种基于尺度注意学习的油水两相流流型分类系统，其特征在于：各模块具体结构如下：
3.一种基于尺度注意学习的油水两相流流型分类方法，应用于如权利要求1或2所述的分类系统，其特征在于：步骤如下：
4.根据权利要求3所述的一种基于尺度注意学习的油水两相流流型分类方法，其特征在于：步骤1具体步骤如下：
5.根据权利要求4所述的一种基于尺度注意学习的油水两相流流型分类方法，其特征在于：步骤1.1具体步骤如下：将电磁时间序列信号x(it)，i＝1,2,...n，t为时间采样间隔，n为采样点总数，进行相空间重构编码，
6.根据权利要求4所述的一种基于尺度注意学习的油水两相流流型分类方法，其特征在于：步骤1.3具体步骤如下：将相空间状态集的每两个状态之间求向量范数，即：其中ε为阈值，rij为递归矩阵，θ(x)为heaviside函数即：
7.根据权利要求3所述的一种基于尺度注意学习的油水两相流流型分类方法，其特征在于：步骤5具体步骤如下：
8.根据权利要求7所述的一种基于尺度注意学习的油水两相流流型分类方法，其特征在于：步骤6、步骤7具体操作方法与步骤5相同。
9.根据权利要求3所述的一种油水两相流流型分类方法，其特征在于：步骤8具体步骤如下：
