摘要: 项目的国内外研究现状比论文的文献综述更加要宽一些. 本贴描述几种常用的节奏.
1. 按发展阶段
- 例 1 (油气田开发) 油田气开发经历了四个阶段: 传统阶段 (1900–1990), 自动化阶段(1991–2000), 智能化阶段 (2001–2012), 智慧化阶段 (2013–).
优点: 时间线明确, 资料容易整理;
缺点: 很多阶段其实有重叠, 特别是人工智能发展很快, 不可能等着上一个阶段结束, 下一个阶段才慢慢开始.
因此这种写法多见于比较老的申请书 (2010 年前).
2. 按技术流派
- 例 2 (油田产量预测) 油田产量预测技术大致可分为三大类: 基于衰减函数的方法, 基于多时序回归的方法, 基于深度学习 RNN/LSTM 的方法.
分析:
优点: 从方法入手, 很容易把参考文献进行定位. 每个流派又可以分为小类别, 或者按时间线来描述. 这也是最常用的写法.
缺点: 为自己方法做的铺垫不太够. 比如自己的方法属于其中一个流派, 对别的流派说多/说少都不好. 可以当作一个注意事项吧, 不定能称之为 “缺点”.
3. 按数据特点
- 例 3 (智慧旅游) 为了向游客进行合理的旅游线路推荐, 智慧旅游需要采集、分析、挖掘关于游客、景点、食宿的数据, 它们具有多时序、季节性、不均衡等特点. 已有工作在这些方面开展了深入的研究. 针对多时序, xxx. 针对季节性, xxx, 针对不均衡 (景点游客、酒店入住率), xxx.
优点:
a) 从数据的特点, 可以抓住事情的本质. 数据挖掘/机器学习/人工智能就是要靠数据说话, 把数据转换成信息, 进一步转化为知识.
b) 为自己的研究内容作好铺垫. 很有可能自己的内容涵盖了所有的这几个方面.
缺点: 仅适用有最终系统的项目, 对算法研究之类的项目就不大合适, 因为它们要适用于各类数据.
4. 更高层的建议
论文题目 | 期刊/会议 | 年份 | 论文类型 | 数据特点 | 主要任务 | 输出 | 解决的主要问题 | 网络类型 | 辅助方法 | 正演模型 | 测试数据 | 代码 | 意义 | 应用领域 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Inversion of seismic reflection data in the acoustic approximation | Geophysics | 1984 | 算法 | FWI | n/a | FWI开山之作 | ||||||||
Retrieving Low Wavenumber Information in FWI | IEEE Signal Processing Magazine | 2018 | 综述 | 低频信号少 | FWI | 周期跳跃 | n/a | |||||||
Data-Driven Seismic Waveform Inversion: A Study on the Robustness and Generalization | TGRS | 2020 | 算法/网络 | FWI | 速度模型 | 泛化性、过拟合、病态、周期跳跃和高计算成本 | GAN | 迁移学习 | ||||||
InversionNet: An Efficient and Accurate Data-Driven Full Waveform Inversion | IEEE TRANSACTIONS ON COMPUTATIONAL IMAGING | 2020 | 算法/网络 | FWI | 速度模型 | 病态、周期跳跃 | CNN | 编码-解码器, conditional random field (CRF) | 合成数据 | |||||
OpenFWI: Large-Scale Multi-Structural Benchmark Datasets for Seismic Full Waveform Inversion | ArXiv | 2022 | 数据集 | FWI | 完整 | |||||||||
Deep-learning inversion: a next generation seismic velocity-model building method | Geophysics | 2019 | 算法/网络 | FWI | 速度模型 | FCN | 合成数据,少量实际数据 | 完整 | ||||||
Multiscale Data-driven Seismic Full-waveform Inversion with Field Data Study | TGRS | 2022 | 算法/网络 | FWI | 低泛化性 | FCN | 迁移学习,用到了自然图像的结果 | 图像风格迁移 | ||||||
Physics-Constrained Seismic Impedance Inversion Based on Deep Learning | GRSL | 2022 | 算法/网络 | 阻抗 |
表 1 给出了一个辅助表格, 它将文献进行肢解, 获得不同角度的观察. 有了这个表格, 再写成文字的综述就很有条理了.
5. 小结
采用高层建议吧, 毕竟是我最新发明的.