CN113537458B - 一种有理式函数神经网络构建方法、***及可读存储介质 - Google Patents

一种有理式函数神经网络构建方法、***及可读存储介质 Download PDF

Info

Publication number
CN113537458B
CN113537458B CN202110687521.9A CN202110687521A CN113537458B CN 113537458 B CN113537458 B CN 113537458B CN 202110687521 A CN202110687521 A CN 202110687521A CN 113537458 B CN113537458 B CN 113537458B
Authority
CN
China
Prior art keywords
vector
sample
output weight
matrix
weight vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110687521.9A
Other languages
English (en)
Other versions
CN113537458A (zh
Inventor
吕文君
张文婷
康宇
昌吉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202110687521.9A priority Critical patent/CN113537458B/zh
Publication of CN113537458A publication Critical patent/CN113537458A/zh
Application granted granted Critical
Publication of CN113537458B publication Critical patent/CN113537458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种有理式函数神经网络构建方法、***及可读存储介质，属于计算机技术领域，包括：获取样本集合，并将样本集合划分为有标签样本集合和无标签样本集合；参数初始化，求解输出权重向量，对集成系数向量进行更新以及计算最优的输出权重向量。采用本发明方法构建模型，可提升模型的准确性、鲁棒性、安全性和可解释性。

Description

一种有理式函数神经网络构建方法、***及可读存储介质
技术领域
本发明涉及计算机技术领域，特别涉及一种有理式函数神经网络构建方法、***及可读存储介质。
背景技术
机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。该学科的快速发展涌现出了大量的机器学习模型与算法，例如：支持向量机，决策树，深度森林，宽度学习***，极限学习机以及这些模型的推广、变形与应用。然而，这些模型大多是黑盒的，因此人们无法评价其可靠性，进而导致其无法适用于工业、金融等风险等敏感领域。
有理式函数神经网络作为可解释神经网络的一种典型代表，必然能够在某些领域发挥其巨大作用，其构建方法将直接决定该模型的性能。目前已有的模型构建方法存在以下问题：第一，没有考虑训练样本的不均衡性；第二，没有考虑无标注样本的几何结构信息；第三，没有考虑模型的复杂度与可解释性之间的关系；第四，没有考虑伪标注样本潜在的风险。
发明内容
本发明的目的在于克服上述背景技术中的不足，解决现有技术中存在的模型构建问题，提升模型的准确性、鲁棒性、安全性与可解释性。
为实现以上目的，第一方面，采用一种有理式函数神经网络构建方法，包括：
S1、获取样本集合，并将样本集合划分为有标签样本集合和无标签样本集合；
S2、设定集成系数向量ζ，全局迭代次数t为1，输出权重向量求解的迭代次数k为1，输出权重向量求解的最大迭代次数K>0以及全局最大迭代次数T>0；
S3、执行输出权重向量求解的迭代循环，直至k>K，则令
Figure GDA0003870636020000021
然后执行步骤S4；
S4、对集成系数向量进行更新，然后执行步骤S5；
S5、令t自增1，并判断是否满足t≤T，若是执行步骤S6，若否执行步骤S7；
S6、令伪标签向量
Figure GDA0003870636020000022
并更新
Figure GDA0003870636020000023
然后执行步骤S3，其中
Figure GDA0003870636020000024
为多元单向式特征矩阵，H为扩展的多元单向式特征矩阵，Hu为H的后u个行向量组成的矩阵，
Figure GDA0003870636020000025
为最优的输出权重向量，yl为样本xl的标注，ρ为全为1的向量，diag()为对角矩阵；
S7、停止全局迭代并输出最优的输出权重向量
Figure GDA0003870636020000026
构建有理式函数神经网络。
进一步地，所述执行输出权重向量求解的迭代循环，直至k>K，则令
Figure GDA0003870636020000027
包括：
令
Figure GDA0003870636020000028
令中间向量
Figure GDA0003870636020000031
并求解出Ωk，其中，Lipschitz系数Lz>0，Ωk-1为第k-1次迭代的输出权重向量，
Figure GDA0003870636020000032
为目标函数前置项，
Figure GDA0003870636020000033
为
Figure GDA0003870636020000034
关于实时迭代更新后的输出权重向量Ω的导数；
令k自增1，并判断是否满足k>K；
若是，则令
Figure GDA0003870636020000035
并执行所述步骤S4；
若否，则否则重新令中间向量
Figure GDA0003870636020000036
并求解出Ωk。
进一步地，所述目标函数前置项
Figure GDA0003870636020000037
的表示形式为：
Figure GDA0003870636020000038
所述
Figure GDA0003870636020000039
关于Ω的导数
Figure GDA00038706360200000310
的表示形式为：
Figure GDA00038706360200000311
求解的Ωk表示形式为：
Figure GDA00038706360200000312
其中，
Figure GDA00038706360200000313
与zc分别表示Ωk与z的第c个分量，超参数λζ,λ1,λ2,λ3>0，y为标签向量，We为对样本集合
Figure GDA00038706360200000314
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为在最优的样本加权矩阵
Figure GDA00038706360200000315
中We对应的系数，即ζ的第e个元素，HT表示H转置，ΩT表示Ω转置，L为根据所述样本集合
Figure GDA0003870636020000041
求解样本的相似矩阵得到的Laplacian矩阵，
Figure GDA0003870636020000042
为二范数的平方。
进一步地，所述对集成系数向量进行更新，包括：
令j`为1，令j为j`+1；
求解ζj`,ζj更新后的
Figure GDA0003870636020000043
如下：
Figure GDA0003870636020000044
其中，
Figure GDA0003870636020000045
Wj`、Wj分别为样本集合的第j`个加权矩阵和第j个加权矩阵，y为标签向量，超参数λζ>0，ζj`、ζj分别为集成系数向量ζ的第j`个分量和第j个分量，此时所述集成系数向量ζ的其他分量视为已知常数，若
Figure GDA0003870636020000046
则令
Figure GDA0003870636020000047
若
Figure GDA0003870636020000048
则令
Figure GDA0003870636020000049
使用更新后的
Figure GDA00038706360200000410
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，对集成系数向量进行更新；
令j自增1，若j≤m，则重新求解更新后的
Figure GDA00038706360200000411
并使用更新后的
Figure GDA00038706360200000412
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则令j`自增1；
若j`<m，则令j为j`+1，并重新求解更新后的
Figure GDA00038706360200000413
并使用更新后的
Figure GDA00038706360200000414
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则执行所述步骤S5。
进一步地，所述最优的输出权重向量
Figure GDA00038706360200000415
I为单位矩阵，超参数λ0>0，y为标签向量，
Figure GDA00038706360200000416
表示H转置，
Figure GDA0003870636020000051
为最优的样本加权矩阵，We为对样本集合
Figure GDA0003870636020000052
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为在满足
Figure GDA0003870636020000053
时We对应的系数，即ζ的第e个元素。
第二方面，采用一种有理式函数神经网络构建***，包括样本获取模块、参数初始化模块、输出权重向量求解模块、集成系数向量更新模块和最优输出权重向量确定模块，其中：
样本获取模块用于获取样本集合，并将样本集合划分为有标签样本集合和无标签样本集合；
参数初始化模块用于设定集成系数向量ζ，全局迭代次数t为1，输出权重向量求解的迭代次数k为1，输出权重向量求解的最大迭代次数K>0以及全局最大迭代次数T>0；
输出权重向量求解模块用于执行输出权重向量求解的迭代循环，直至k>K，则令
Figure GDA0003870636020000054
集成系数向量更新模块用于对集成系数向量进行更新；
最优输出权重向量确定模块用于令t自增1，并在满足t≤T时，令伪标签向量
Figure GDA0003870636020000055
并更新
Figure GDA0003870636020000056
然后执行输出权重向量求解模块动作，其中
Figure GDA0003870636020000057
为多元单向式特征矩阵，H为扩展的多元单向式特征矩阵，Hu为H的后u个行向量组成的矩阵，
Figure GDA0003870636020000058
为最优的输出权重向量，yl为样本xl的标注，ρ为全为1的向量，diag()为对角矩阵；在满足t>T时，停止全局迭代并输出最优的输出权重向量
Figure GDA0003870636020000059
构建有理式函数神经网络。
进一步地，所述输出权重向量求解模块具体用于：
令
Figure GDA0003870636020000061
令中间向量
Figure GDA0003870636020000062
并求解出Ωk，其中，Lipschitz系数Lz>0，Ωk-1为第k-1次迭代的输出权重向量，
Figure GDA0003870636020000063
为目标函数前置项，
Figure GDA0003870636020000064
为
Figure GDA0003870636020000065
关于实时迭代更新后的输出权重向量Ω的导数；
令k自增1，并判断是否满足k>K；
若是，则令
Figure GDA0003870636020000066
并执行所述步骤S4；
若否，则否则重新令中间向量
Figure GDA0003870636020000067
并求解出Ωk；
其中，所述目标函数前置项
Figure GDA0003870636020000068
的表示形式为：
Figure GDA0003870636020000069
所述
Figure GDA00038706360200000610
关于Ω的导数
Figure GDA00038706360200000611
的表示形式为：
Figure GDA00038706360200000612
求解的Ωk表示形式为：
Figure GDA00038706360200000613
其中，
Figure GDA00038706360200000614
与zc分别表示Ωk与z的第c个分量，超参数λζ,λ1,λ2,λ3>0，y为标签向量，We为对样本集合
Figure GDA00038706360200000615
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为在最优的样本加权矩阵
Figure GDA0003870636020000071
中We对应的系数，即ζ的第e个元素，HT表示H转置，ΩT表示Ω转置，L为根据所述样本集合
Figure GDA0003870636020000072
求解样本的相似矩阵得到的Laplacian矩阵，
Figure GDA0003870636020000073
为二范数的平方。
进一步地，集成系数向量更新模块具体用于：
令j`为1，令j为j`+1；
求解ζj`,ζj更新后的
Figure GDA0003870636020000074
如下：
Figure GDA0003870636020000075
其中，
Figure GDA0003870636020000076
Wj`、Wj分别为样本集合的第j`个加权矩阵和第j个加权矩阵，y为标签向量，超参数λζ>0，ζj`、ζj分别为集成系数向量ζ的第j`个分量和第j个分量，此时所述集成系数向量ζ的其他分量视为已知常数，若
Figure GDA0003870636020000077
则令
Figure GDA0003870636020000078
若
Figure GDA0003870636020000079
则令
Figure GDA00038706360200000710
使用更新后的
Figure GDA00038706360200000711
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，对集成系数向量进行更新；
令j自增1，若j≤m，则重新求解更新后的
Figure GDA00038706360200000712
并使用更新后的
Figure GDA00038706360200000713
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则令j`自增1；
若j`<m，则令j为j`+1，并重新求解更新后的
Figure GDA00038706360200000714
并使用更新后的
Figure GDA00038706360200000715
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则执行所述最优输出权重向量确定模块的动作。
进一步地，所述最优的输出权重向量
Figure GDA0003870636020000081
I为单位矩阵，超参数λ0>0，y为标签向量，
Figure GDA0003870636020000085
表示H转置，
Figure GDA0003870636020000082
为最优的样本加权矩阵，We为对样本集合
Figure GDA0003870636020000083
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为在满足
Figure GDA0003870636020000084
时We对应的系数，即ζ的第e个元素。
第三方面，采用一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述有理式函数神经网络构建方法的步骤。
与现有技术相比，本发明存在以下技术效果：本发明构建的有理式函数神经网络模型考虑到训练样本的不均衡性和无标签样本的几何结构信息，同时兼顾对模型的复杂度和可解释性，提升了模型的准确性、鲁棒性、安全性和解释性，降低了由于预测误差带来的潜在风险损失，可以应用于有较大经济价值的敏感领域。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1是一种有理式函数神经网络构建方法的流程图；
图2是一种有理式函数神经网络构建***的结构图。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1所示，本实施例公开了一种有理式函数神经网络构建方法，包括如下步骤S1至S7：
S1、获取样本集合，并将样本集合划分为有标签样本集合和无标签样本集合；
其中，样本集合为
Figure GDA0003870636020000091
有标签样本集合为
Figure GDA0003870636020000092
无标签样本集合为
Figure GDA0003870636020000093
为样本总数，l为有标签样本数量，u＝n-l为无标签样本数量，样本
Figure GDA0003870636020000094
d为特征维度，yi为样本xi的标注，
Figure GDA0003870636020000095
Figure GDA0003870636020000096
为实数集。
S2、设定集成系数向量ζ，全局迭代次数t为1，输出权重向量求解的迭代次数k为1，输出权重向量求解的最大迭代次数K>0以及全局最大迭代次数T>0；
S3、执行输出权重向量求解的迭代循环，直至k>K，则令
Figure GDA0003870636020000097
然后执行步骤S4；
S4、对集成系数向量进行更新，然后执行步骤S5；
S5、令t自增1，并判断是否满足t≤T，若是执行步骤S6，若否执行步骤S7；
S6、令伪标签向量
Figure GDA0003870636020000098
并更新
Figure GDA0003870636020000099
然后执行步骤S3，其中
Figure GDA00038706360200000910
为多元单向式特征矩阵，H为扩展的多元单向式特征矩阵，Hu为H的后u个行向量组成的矩阵，
Figure GDA00038706360200000911
为最优的输出权重向量，yl为样本xl的标注，ρ为全为1的向量，diag()为对角矩阵；
S7、停止全局迭代并输出最优的输出权重向量
Figure GDA00038706360200000912
构建有理式函数神经网络。
需要说明的是，多元单项式特征矩阵
Figure GDA0003870636020000101
Figure GDA0003870636020000102
为样本xi的多元单项式特征向量，p为多元单项式特征的数量；扩展的多元单项式特征矩阵
Figure GDA0003870636020000103
其中q＝2p+1，
Figure GDA0003870636020000104
为标签向量，
Figure GDA0003870636020000105
为全为1的向量，
Figure GDA0003870636020000106
为零向量。
作为进一步优选的技术方案，上述步骤S3：执行输出权重向量求解的迭代循环，直至k>K，则令
Figure GDA0003870636020000107
包括如下步骤S31至S34：
S31、令
Figure GDA0003870636020000108
S32、令中间向量
Figure GDA0003870636020000109
并求解出Ωk，其中，Lipschitz系数Lz>0，Ωk-1为第k-1次迭代的输出权重向量，
Figure GDA00038706360200001010
为目标函数前置项，
Figure GDA00038706360200001011
为
Figure GDA00038706360200001012
关于实时迭代更新后的输出权重向量Ω的导数；
S33、令k自增1，并判断是否满足k>K，若是执行步骤S34，若否执行步骤S32；
S34、令
Figure GDA00038706360200001013
并执行所述步骤S4。
需要说明的是，本实施例考虑到无标注样本的几何结构信息，由样本相似矩阵得到Laplacian矩阵，约束输出使其符合样本分布的几何结构，增加平滑度。
作为进一步优选的技术方案，所述目标函数前置项
Figure GDA00038706360200001014
的表示形式为：
Figure GDA0003870636020000111
所述
Figure GDA0003870636020000112
关于Ω的导数
Figure GDA0003870636020000113
的表示形式为：
Figure GDA0003870636020000114
求解的Ωk表示形式为：
Figure GDA0003870636020000115
其中，
Figure GDA0003870636020000116
与zc分别表示Ωk与z的第c个分量，c取值范围为1到p，超参数λζ,λ1,λ2,λ3>0，y为标签向量，We为样本集合
Figure GDA0003870636020000117
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为集成系数向量ζ的第e个分量，
Figure GDA00038706360200001117
表示H转置，
Figure GDA00038706360200001118
表示Ω转置，L为根据所述样本集合
Figure GDA0003870636020000118
求解样本的相似矩阵得到的Laplacian矩阵，
Figure GDA0003870636020000119
为二范数的平方。
其中，事先定义样本加权矩阵W＝diag(w1,…,wi,…,wl,O)，其中wi为样本xi的权重，
Figure GDA00038706360200001110
其中
Figure GDA00038706360200001111
为
Figure GDA00038706360200001112
拟合得到的概率分布函数，
Figure GDA00038706360200001113
为零向量；采用m种不同的概率分布函数得到m种不同
Figure GDA00038706360200001114
则得到样本加权矩阵的候选集合
Figure GDA00038706360200001115
需要说明的是，本实施例考虑到训练样本的不均衡性，对样本加权处理，由已知的一组加权矩阵候选集合
Figure GDA00038706360200001116
经迭代计算加权矩阵的集成系数向量ζ，得到最优的样本加权矩阵
Figure GDA0003870636020000121
Figure GDA0003870636020000122
同时引入超参数λζ，避免加权矩阵的过拟合。
同时，考虑到伪标注样本潜在的风险，在迭代计算输出权重向量Ω时，通过引入超参数λ2，实现对输出权重向量的微调，提升了模型的鲁棒性；考虑到模型的复杂度与可解释性，通过引入正则化项λ3‖Ω‖1避免过拟合，可以得到性能更好，更稀疏的模型。
作为进一步优选的技术方案，上述步骤S4：对集成系数向量进行更新，包括如下细分步骤S41至S41：
S41、令j`为1；
S42、令j为j`+1；
S43、求解ζj`,ζj更新后的
Figure GDA0003870636020000123
如下：
Figure GDA0003870636020000124
其中，
Figure GDA0003870636020000125
超参数λζ>0，ζj`、ζj分别为集成系数向量ζ的第j`个分量和第j个分量，此时ζ的其他分量视为已知常数，若
Figure GDA0003870636020000126
则令
Figure GDA0003870636020000127
若
Figure GDA0003870636020000128
则令
Figure GDA0003870636020000129
需要说明的是，这里将j`和j分别赋值给e，j`的取值范围为1到m-1，j的取值范围均为2到m。
S44、使用更新后的
Figure GDA00038706360200001210
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，对集成系数向量进行更新；
S45、令j自增1，若j≤m，则执行步骤S43，否则执行步骤S46；
S46、令j`自增1，若j`<m，则执行步骤S42，否则执行所述步骤S5。
作为进一步优选的技术方案，所述最优的输出权重向量
Figure GDA0003870636020000131
Figure GDA0003870636020000132
I为单位矩阵，
Figure GDA0003870636020000133
为最优的样本加权矩阵，超参数λ0>0，y为标签向量。
需要说明的是，本实施例中可根据经验为超参数λζ,λ0,λ1,λ2,λ3>0以及Lipschitz系数Lz>0赋值。
本实施例以地球物理测井解释为例进行说明：地球物理测井资料记录的一般都是各种不同的物理参数，如电阻率、自然电位、声波速度等，可统称为测井信息。而测井解释与数字处理的成果，如泥质含量、含水饱和度、渗透率等，可统称为地质信息。地球物理测井解释很容易描述为一个机器学习问题，但是其具有以下两个特点：首先，其输入的特征具有明显的物理意义，而且是连续值，其输出大多为连续值；然后测井解释属于风险敏感领域，因此需要模型具有较强的可解释性。因此本实施例所采用的有理式函数神经网络构建方式特别适合解决地球物理测井解释，步骤如下：
(1)数据收集
采集某一深度的地球物理测井曲线(如声波测井曲线、伽马射线测井曲线和自然电位测井曲线)组成测井数据样本
Figure GDA0003870636020000134
如果沿深度有n个深度点的测井曲线，即可得到样本集合
Figure GDA0003870636020000135
也可以表示为
Figure GDA0003870636020000136
的矩阵形式，n为样本总数，d为特征维度。
通过人工分析岩心和岩屑对样本进行标记，标签的物理意义通常为泥质含量、孔隙度、渗透率等地质信息。如果样本集合
Figure GDA0003870636020000141
被完全标记，则有相应的标签集合
Figure GDA0003870636020000142
可以写成
Figure GDA0003870636020000143
为矩阵形式。通常，标签往往不足，如果样本集合
Figure GDA0003870636020000144
得以标注，其对应的标签集合为
Figure GDA0003870636020000145
其中l为有标签样本的数量，无标签样本集合即为
Figure GDA0003870636020000146
为部分样本打上标签
Figure GDA0003870636020000147
则有标签样本集合为
Figure GDA0003870636020000148
无标签的样本集合为
Figure GDA0003870636020000149
其中l为有标签样本数量，
Figure GDA00038706360200001410
为无标签样本数量。
(2)初始化
令集成系数向量
Figure GDA00038706360200001411
根据经验为超参数λζ,λ0,λ1,λ2,λ3>0以及Lipschitz系数Lz>0赋值；令全局迭代次数t为1；设定输出权重向量求解的最大迭代次数K>0，设定全局最大迭代次数T>0；
构造多元单项式矩阵
Figure GDA00038706360200001412
Figure GDA00038706360200001413
为样本xi的多元单项式特征向量，p为多元单项式特征的数量；进而，构造扩展的多元单项式矩阵
Figure GDA00038706360200001414
其中q＝2p+1，
Figure GDA00038706360200001415
为标签向量，
Figure GDA00038706360200001416
为全为1的向量，
Figure GDA00038706360200001417
为零向量；
定义样本加权矩阵W＝diag(w1,…,wi,…,wl,O)，其中wi为样本xi的权重，
Figure GDA00038706360200001418
为零向量
Figure GDA00038706360200001419
其中
Figure GDA00038706360200001420
为
Figure GDA00038706360200001421
拟合得到的概率分布函数；采用m种不同的概率分布函数得到m种不同
Figure GDA00038706360200001422
则得到样本加权矩阵的候选集合
Figure GDA00038706360200001423
根据
Figure GDA0003870636020000151
求解样本的相似矩阵并进而得到Laplacian矩阵L；
令最优的输出权重向量
Figure GDA0003870636020000152
I为单位矩阵，
Figure GDA0003870636020000153
为最优的样本加权矩阵；
(3)求解输出权重向量Ω
3-1)令迭代次数k为1，令
Figure GDA0003870636020000154
3-2)令中间向量
Figure GDA0003870636020000155
其中，Ωk为第k次迭代的输出权重向量，
Figure GDA0003870636020000156
为目标函数前置项，其形式为：
Figure GDA0003870636020000157
Figure GDA0003870636020000158
为
Figure GDA0003870636020000159
关于Ω的导数，其形式为：
Figure GDA00038706360200001510
3-3)求解Ωk，如下：
Figure GDA00038706360200001511
其中，
Figure GDA00038706360200001512
与zc分别表示Ωk与z的第c个分量，c取值范围为1到p，超参数λζ,λ1,λ2,λ3>0，y为标签向量，We为样本集合
Figure GDA00038706360200001513
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为集成系数向量ζ的第e个分量，
Figure GDA00038706360200001514
表示H转置，L为根据所述样本集合
Figure GDA0003870636020000161
求解样本的相似矩阵得到的Laplacian矩阵。
3-4)令k自增1，若k>K，则令
Figure GDA0003870636020000162
并跳至步骤(4)，否则跳至步骤3-2)；
(4)求解集成系数向量ζ
4-1)令j`为1；
4-2)令j为j`+1；
4-3)求解ζj`,ζj更新后的
Figure GDA0003870636020000163
如下：
Figure GDA0003870636020000164
其中，
Figure GDA0003870636020000165
超参数λζ>0，ζj`、ζj分别为集成系数向量ζ的第j`个分量和第j个分量，此时ζ的其他分量视为已知常数，若
Figure GDA0003870636020000166
则令
Figure GDA0003870636020000167
若
Figure GDA0003870636020000168
则令
Figure GDA0003870636020000169
4-4)使用更新后的
Figure GDA00038706360200001610
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，对集成系数向量进行更新；
4-5)令j自增1，若j≤m，则跳至步骤4-3)，否则，跳至步骤4-6)；
4-6)令j`自增1，若j`<m，则跳至步骤4-2)，否则，跳至步骤(5)；
(5)令t自增1，如果t≤T，则令伪标签向量
Figure GDA00038706360200001611
其中，H的后u个行向量组成矩阵Hu，进而更新
Figure GDA00038706360200001612
并跳至步骤(3)；如果t>T，停止迭代并输出最优的输出权重向量
Figure GDA00038706360200001613
从而构建有理式函数神经网络作为测井解释模型。
如图2所示，本实施例公开了一种有理式函数神经网络构建***，包括样本获取模块10、参数初始化模块20、输出权重向量求解模块30、集成系数向量更新模块40和最优输出权重向量确定模块50，其中：
样本获取模块10用于获取样本集合，并将样本集合划分为有标签样本集合和无标签样本集合；
参数初始化模块20用于设定集成系数向量ζ，全局迭代次数t为1，输出权重向量求解的迭代次数k为1，输出权重向量求解的最大迭代次数K>0以及全局最大迭代次数T>0；
输出权重向量求解模块30用于执行输出权重向量求解的迭代循环，直至k>K，则令
Figure GDA0003870636020000171
集成系数向量更新模块40用于对集成系数向量进行更新；
最优输出权重向量确定模块50用于令t自增1，并在满足t≤T时，令伪标签向量
Figure GDA0003870636020000172
并更新
Figure GDA0003870636020000173
然后执行输出权重向量求解模块30动作，其中
Figure GDA0003870636020000174
为多元单向式特征矩阵，H为扩展的多元单向式特征矩阵，Hu为H的后u个行向量组成的矩阵，
Figure GDA0003870636020000175
为最优的输出权重向量，yl为样本xl的标注，ρ为全为1的向量；在满足t>T时，停止全局迭代并输出最优的输出权重向量
Figure GDA0003870636020000176
构建有理式函数神经网络。
作为进一步优选的技术方案，所述输出权重向量求解模块30具体用于：
令
Figure GDA0003870636020000177
令中间向量
Figure GDA0003870636020000181
并求解出Ωk，其中，Lipschitz系数Lz>0，初始化的时候可将Lz设置为一个正实数，Ωk-1为第k-1次迭代的输出权重向量，
Figure GDA0003870636020000182
为目标函数前置项，
Figure GDA0003870636020000183
为
Figure GDA0003870636020000184
关于实时迭代更新的输出权重向量Ω的导数；
令k自增1，并判断是否满足k>K；
若是，则令
Figure GDA0003870636020000185
并执行所述步骤S4；
若否，则否则重新令中间向量
Figure GDA0003870636020000186
并求解出Ωk；
其中，所述目标函数前置项
Figure GDA0003870636020000187
的表示形式为：
Figure GDA0003870636020000188
所述
Figure GDA0003870636020000189
关于Ω的导数
Figure GDA00038706360200001810
的表示形式为：
Figure GDA00038706360200001811
求解的Ωk表示形式为：
Figure GDA00038706360200001812
其中，
Figure GDA00038706360200001813
与zc分别表示Ωk与z的第c个分量，超参数λζ,λ1,λ2,λ3>0，y为标签向量，We为对样本集合
Figure GDA00038706360200001814
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为在最优的样本加权矩阵
Figure GDA0003870636020000191
中We对应的系数，
Figure GDA00038706360200001916
表示H转置，L为根据所述样本集合
Figure GDA0003870636020000192
求解样本的相似矩阵得到的Laplacian矩阵。
作为进一步优选的技术方案，集成系数向量更新模块40具体用于：
令j`为1，令j为j`+1；
求解ζj`,ζj更新后的
Figure GDA0003870636020000193
如下：
Figure GDA0003870636020000194
其中，
Figure GDA0003870636020000195
Wj`、Wj分别为样本集合的第j`个加权矩阵和第j个加权矩阵，y为标签向量，超参数λζ>0，ζj`、ζj分别为集成系数向量ζ的第j`个分量和第j个分量，此时向量ζ的其他分量视为已知常数，若
Figure GDA0003870636020000196
则令
Figure GDA0003870636020000197
若
Figure GDA0003870636020000198
则令
Figure GDA0003870636020000199
使用更新后的
Figure GDA00038706360200001910
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，对集成系数向量进行更新；
令j自增1，若j≤m，则重新求解更新后的
Figure GDA00038706360200001911
并使用更新后的
Figure GDA00038706360200001912
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则令j`自增1；
若j`<m，则令j为j`+1，并重新求解更新后的
Figure GDA00038706360200001913
并使用更新后的
Figure GDA00038706360200001914
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则执行所述最优输出权重向量确定模块的动作。
作为进一步优选的技术方案，所述最优的输出权重向量
Figure GDA00038706360200001915
Figure GDA0003870636020000201
I为单位矩阵，
Figure GDA0003870636020000202
为最优的样本加权矩阵，超参数λ0>0，y为标签向量，ζe为在满足
Figure GDA0003870636020000203
时We对应的系数，
Figure GDA00038706360200002011
表示H转置。
需要说明的是，对于某个样本x，设其特征向量为[x1，…,xd]，则对应的多元单项式为
Figure GDA0003870636020000204
其中k1,k2,…,kd为非负整数，所以k1,k2,…,kd的p组取值可得到p个多元单项式特征，并组成多元单项式特征向量
Figure GDA0003870636020000205
因此，对于
Figure GDA0003870636020000206
可以得到
Figure GDA0003870636020000207
进而构造出多元单项式特征矩阵
Figure GDA0003870636020000208
另外，每个样本所对应的多元单项式特征向量的物理意义是相同的。举例来说，H的第j列即为
Figure GDA0003870636020000209
的第j个特征，应该是由
Figure GDA00038706360200002010
经过同一组k1,k2,…,kd值生成的。
本发明实施例提供的***是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
本实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上实施例所述有理式函数神经网络构建方法的步骤。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护。

Claims (7)

1.一种有理式函数神经网络地球物理建模方法，其特征在于，包括：
S1、获取样本集合，并将样本集合划分为有标签样本集合和无标签样本集合；
所述样本集合为采集某一深度的地球物理测井曲线组成测井数据样本
Figure FDA0003870636010000011
如果沿深度有n个深度点的测井曲线，即可得到样本集合
Figure FDA0003870636010000012
也可表示为
Figure FDA0003870636010000013
的矩阵形式，n为样本总数，d为特征维度；
通过人工分析岩心和岩屑对样本进行标记，标签的物理意义包括泥质含量、孔隙度、渗透率这些地质信息；为部分样本打上标签
Figure FDA0003870636010000014
则有标签样本集合为
Figure FDA0003870636010000015
无标签的样本集合为
Figure FDA0003870636010000016
其中l为有标签样本数量，
Figure FDA0003870636010000017
为无标签样本数量；
S2、设定集成系数向量ζ，全局迭代次数t为1，输出权重向量求解的迭代次数k为1，输出权重向量求解的最大迭代次数K>0以及全局最大迭代次数T>0；
S3、执行输出权重向量求解的迭代循环，直至k>K，则令
Figure FDA0003870636010000018
然后执行步骤S4；
S4、对集成系数向量进行更新，然后执行步骤S5；
S5、令t自增1，并判断是否满足t≤T，若是执行步骤S6，若否执行步骤S7；
S6、令伪标签向量
Figure FDA0003870636010000019
并更新
Figure FDA00038706360100000110
然后执行步骤S3，其中
Figure FDA00038706360100000111
为多元单向式特征矩阵，H为扩展的多元单向式特征矩阵，Hu为H的后u个行向量组成的矩阵，
Figure FDA0003870636010000021
为最优的输出权重向量，yl为样本xl的标注，ρ为全为1的向量，diag()为对角矩阵；
S7、停止全局迭代并输出最优的输出权重向量
Figure FDA0003870636010000022
构建有理式函数神经网络；
其中，所述执行输出权重向量求解的迭代循环，直至k>K，则令
Figure FDA0003870636010000023
包括：
令
Figure FDA0003870636010000024
令中间向量
Figure FDA0003870636010000025
并求解出Ωk，其中，Lipschitz系数Lz>0，Ωk-1为第k-1次迭代的输出权重向量，
Figure FDA0003870636010000026
为目标函数前置项，
Figure FDA0003870636010000027
为
Figure FDA0003870636010000028
关于实时迭代更新后的输出权重向量Ω的导数；
令k自增1，并判断是否满足k>K；
若是，则令
Figure FDA0003870636010000029
并执行所述步骤S4；
若否，则重新令中间向量
Figure FDA00038706360100000210
并求解出Ωk；
所述目标函数前置项
Figure FDA00038706360100000211
的表示形式为：
Figure FDA00038706360100000212
所述
Figure FDA00038706360100000213
关于Ω的导数
Figure FDA00038706360100000214
的表示形式为：
Figure FDA00038706360100000215
求解的Ωk表示形式为：
Figure FDA0003870636010000031
其中，
Figure FDA0003870636010000032
与zc分别表示Ωk与z的第c个分量，超参数λζ,λ1,λ2,λ3>0，y为标签向量，We为对样本集合
Figure FDA0003870636010000033
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为在最优的样本加权矩阵
Figure FDA0003870636010000034
中We对应的系数，即ζ的第e个元素，
Figure FDA00038706360100000315
表示H转置，
Figure FDA00038706360100000316
表示Ω转置，L为根据所述样本集合
Figure FDA0003870636010000035
求解样本的相似矩阵得到的Laplacian矩阵，
Figure FDA0003870636010000036
为二范数的平方。
2.如权利要求1所述的有理式函数神经网络地球物理建模方法，其特征在于，所述对集成系数向量进行更新，包括：
令j`为1，令j为j`+1；
求解ζj`,ζj更新后的
Figure FDA0003870636010000037
如下：
Figure FDA0003870636010000038
其中，
Figure FDA0003870636010000039
Wj`、Wj分别为样本集合的第j`个加权矩阵和第j个加权矩阵，y为标签向量，超参数λζ>0，ζj`、ζj分别为集成系数向量ζ的第j`个分量和第j个分量，所述集成系数向量ζ的其他分量视为已知常数，若
Figure FDA00038706360100000310
则令
Figure FDA00038706360100000311
Figure FDA00038706360100000312
若
Figure FDA00038706360100000313
则令
Figure FDA00038706360100000314
使用更新后的
Figure FDA0003870636010000041
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，对集成系数向量进行更新；
令j自增1，若j≤m，则重新求解更新后的
Figure FDA0003870636010000042
并使用更新后的
Figure FDA0003870636010000043
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则令j`自增1；
若j`<m，则令j为j`+1，并重新求解更新后的
Figure FDA0003870636010000044
并使用更新后的
Figure FDA0003870636010000045
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则执行所述步骤S5。
3.如权利要求1所述的有理式函数神经网络地球物理建模方法，其特征在于，所述最优的输出权重向量
Figure FDA0003870636010000046
I为单位矩阵，超参数λ0>0，y为标签向量，
Figure FDA00038706360100000413
表示H转置，
Figure FDA0003870636010000047
为最优的样本加权矩阵，We为对样本集合
Figure FDA0003870636010000048
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为在满足
Figure FDA0003870636010000049
时We对应的系数，即ζ的第e个元素。
4.一种有理式函数神经网络地球物理构建***，其特征在于，包括样本获取模块、参数初始化模块、输出权重向量求解模块、集成系数向量更新模块和最优输出权重向量确定模块，其中：
样本获取模块用于获取样本集合，并将样本集合划分为有标签样本集合和无标签样本集合；
所述样本集合为采集某一深度的地球物理测井曲线组成测井数据样本
Figure FDA00038706360100000410
如果沿深度有n个深度点的测井曲线，即可得到样本集合
Figure FDA00038706360100000411
也可表示为
Figure FDA00038706360100000412
的矩阵形式，n为样本总数，d为特征维度；
通过人工分析岩心和岩屑对样本进行标记，标签的物理意义包括泥质含量、孔隙度、渗透率这些地质信息；为部分样本打上标签
Figure FDA0003870636010000051
则有标签样本集合为
Figure FDA0003870636010000052
无标签的样本集合为
Figure FDA0003870636010000053
其中l为有标签样本数量，
Figure FDA0003870636010000054
为无标签样本数量；
参数初始化模块用于设定集成系数向量ζ，全局迭代次数t为1，输出权重向量求解的迭代次数k为1，输出权重向量求解的最大迭代次数K>0以及全局最大迭代次数T>0；
输出权重向量求解模块用于执行输出权重向量求解的迭代循环，直至k>K，则令
Figure FDA0003870636010000055
集成系数向量更新模块用于对集成系数向量进行更新；
最优输出权重向量确定模块用于令t自增1，并在满足t≤T时，令伪标签向量
Figure FDA0003870636010000056
并更新
Figure FDA0003870636010000057
然后执行输出权重向量求解模块动作，其中
Figure FDA0003870636010000058
为多元单向式特征矩阵，H为扩展的多元单向式特征矩阵，Hu为H的后u个行向量组成的矩阵，
Figure FDA0003870636010000059
为最优的输出权重向量，yl为样本xl的标注，ρ为全为1的向量，diag()为对角矩阵；在满足t>T时，停止全局迭代并输出最优的输出权重向量
Figure FDA00038706360100000510
构建有理式函数神经网络；
所述输出权重向量求解模块具体用于：
令
Figure FDA00038706360100000511
令中间向量
Figure FDA00038706360100000512
并求解出Ωk，其中，Lipschitz系数Lz>0，Ωk-1为第k-1次迭代的输出权重向量，
Figure FDA00038706360100000513
为目标函数前置项，
Figure FDA00038706360100000514
为
Figure FDA00038706360100000515
关于实时迭代更新后的输出权重向量Ω的导数；
令k自增1，并判断是否满足k>K；
若是，则令
Figure FDA0003870636010000061
并执行所述步骤S4；
若否，则重新令中间向量
Figure FDA0003870636010000062
并求解出Ωk；
其中，所述目标函数前置项
Figure FDA0003870636010000063
的表示形式为：
Figure FDA0003870636010000064
所述
Figure FDA0003870636010000065
关于Ω的导数
Figure FDA0003870636010000066
的表示形式为：
Figure FDA0003870636010000067
求解的Ωk表示形式为：
Figure FDA0003870636010000068
其中，
Figure FDA0003870636010000069
与zc分别表示Ωk与z的第c个分量，超参数λζ,λ1,λ2,λ3>0，y为标签向量，We为对样本集合
Figure FDA00038706360100000610
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为在最优的样本加权矩阵
Figure FDA00038706360100000611
中We对应的系数，即ζ的第e个元素，
Figure FDA00038706360100000614
表示H转置，
Figure FDA00038706360100000615
表示Ω转置，L为根据所述样本集合
Figure FDA00038706360100000612
求解样本的相似矩阵得到的Laplacian矩阵，
Figure FDA00038706360100000613
为二范数的平方。
5.如权利要求4所述的有理式函数神经网络地球物理构建***，其特征在于，集成系数向量更新模块具体用于：
令j`为1，令j为j`+1；
求解ζj`,ζj更新后的
Figure FDA0003870636010000071
如下：
Figure FDA0003870636010000072
其中，
Figure FDA0003870636010000073
Wj`、Wj分别为样本集合的第j`个加权矩阵和第j个加权矩阵，y为标签向量，超参数λζ>0，ζj`、ζj分别为集成系数向量ζ的第j`个分量和第j个分量，此时所述集成系数向量ζ的其他分量视为已知常数，若
Figure FDA0003870636010000074
则令
Figure FDA0003870636010000075
若
Figure FDA0003870636010000076
则令
Figure FDA0003870636010000077
使用更新后的
Figure FDA0003870636010000078
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，对集成系数向量进行更新；
令j自增1，若j≤m，则重新求解更新后的
Figure FDA0003870636010000079
并使用更新后的
Figure FDA00038706360100000710
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则令j`自增1；
若j`<m，则令j为j`+1，并重新求解更新后的
Figure FDA00038706360100000711
并使用更新后的
Figure FDA00038706360100000712
替换集成系数向量ζ＝[ζ1,ζ2,…,ζm]中对应分量，否则执行所述最优输出权重向量确定模块的动作。
6.如权利要求5所述的有理式函数神经网络地球物理构建***，其特征在于，所述最优的输出权重向量
Figure FDA00038706360100000713
I为单位矩阵，超参数λ0>0，y为标签向量，
Figure FDA00038706360100000717
表示H转置，
Figure FDA00038706360100000714
为最优的样本加权矩阵，We为对样本集合
Figure FDA00038706360100000715
的第e个加权矩阵，m为采用不同概率分布函数得到的样本加权矩阵的数量，ζe为在满足
Figure FDA00038706360100000716
时We对应的系数，即ζ的第e个元素。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述有理式函数神经网络地球物理建模方法的步骤。
CN202110687521.9A 2021-06-21 2021-06-21 一种有理式函数神经网络构建方法、***及可读存储介质 Active CN113537458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110687521.9A CN113537458B (zh) 2021-06-21 2021-06-21 一种有理式函数神经网络构建方法、***及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110687521.9A CN113537458B (zh) 2021-06-21 2021-06-21 一种有理式函数神经网络构建方法、***及可读存储介质

Publications (2)

Publication Number Publication Date
CN113537458A CN113537458A (zh) 2021-10-22
CN113537458B true CN113537458B (zh) 2022-12-30

Family

ID=78125386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110687521.9A Active CN113537458B (zh) 2021-06-21 2021-06-21 一种有理式函数神经网络构建方法、***及可读存储介质

Country Status (1)

Country Link
CN (1) CN113537458B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608471A (zh) * 2015-12-28 2016-05-25 苏州大学 一种鲁棒直推式标签估计及数据分类方法和***
WO2019089490A1 (en) * 2017-10-30 2019-05-09 Schlumberger Technology Corporation System and method for automatic well log depth matching
CN109800863A (zh) * 2016-08-30 2019-05-24 中国石油大学(华东) 一种基于模糊理论和神经网络的测井相识别方法
CN110728327A (zh) * 2019-10-18 2020-01-24 中国科学技术大学 一种具有可解释性的直推学习方法及***
CN111472751A (zh) * 2019-12-27 2020-07-31 北京国双科技有限公司 测井解释方法、知识图谱构建方法及相关装置
CN111767674A (zh) * 2020-05-29 2020-10-13 中国科学技术大学 一种基于主动域适应的测井岩性识别方法
CN111983691A (zh) * 2020-08-18 2020-11-24 北京北斗天巡科技有限公司 一种多模型融合的储层预测方法及软件***
CN112651171A (zh) * 2020-12-15 2021-04-13 清华大学 一种数据驱动岩石物理建模方法及***
CN112836802A (zh) * 2021-02-03 2021-05-25 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种半监督学习方法、岩性预测方法及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11649723B2 (en) * 2019-04-24 2023-05-16 Cgg Services Sas Method and system for estimating in-situ porosity using machine learning applied to cutting analysis
CN111797911B (zh) * 2020-06-22 2024-02-09 浙江大学 一种图像数据多标签分类方法
CN112966559B (zh) * 2021-02-03 2022-09-06 中国科学技术大学 可靠主动域适应方法、环境感知方法、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608471A (zh) * 2015-12-28 2016-05-25 苏州大学 一种鲁棒直推式标签估计及数据分类方法和***
CN109800863A (zh) * 2016-08-30 2019-05-24 中国石油大学(华东) 一种基于模糊理论和神经网络的测井相识别方法
WO2019089490A1 (en) * 2017-10-30 2019-05-09 Schlumberger Technology Corporation System and method for automatic well log depth matching
CN110728327A (zh) * 2019-10-18 2020-01-24 中国科学技术大学 一种具有可解释性的直推学习方法及***
CN111472751A (zh) * 2019-12-27 2020-07-31 北京国双科技有限公司 测井解释方法、知识图谱构建方法及相关装置
CN111767674A (zh) * 2020-05-29 2020-10-13 中国科学技术大学 一种基于主动域适应的测井岩性识别方法
CN111983691A (zh) * 2020-08-18 2020-11-24 北京北斗天巡科技有限公司 一种多模型融合的储层预测方法及软件***
CN112651171A (zh) * 2020-12-15 2021-04-13 清华大学 一种数据驱动岩石物理建模方法及***
CN112836802A (zh) * 2021-02-03 2021-05-25 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种半监督学习方法、岩性预测方法及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Interpretable Semisupervised Classification Method Under Multiple Smoothness Assumptions With Application to Lithology Identification;Zerui Li et al;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20201231;1-5 *
Lithology identification using well logs: A method by integrating artifcial neural networks and sedimentary patterns;Xiaoxu Ren et al;《Journal of Petroleum Science and Engineering》;20190807;1-15 *
Unsupervised domain adaptation using maximum mean discrepancy optimization for lithology identification;Ji Chang et al;《Geophysics》;20201130;19-30 *
Well Log Interpretation Using Deep Learning Neural Networks;Aarushi Gupta et al;《international petroleum technology conference》;20200115;1-6 *
一种分式过程神经元网络及其应用研究;许少华 等;《计算机研究与发展》;20061231;第43卷(第12期);2088-2095 *
泛函网络新模型及其学习算法研究;吕咏梅;《中国优秀硕士学位论文全文数据库信息科技辑》;20090115;第2009年卷(第1期);I140-319 *

Also Published As

Publication number Publication date
CN113537458A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN110516095B (zh) 基于语义迁移的弱监督深度哈希社交图像检索方法和***
WO2019144066A1 (en) Systems and methods for preparing data for use by machine learning algorithms
CN113259331B (zh) 一种基于增量学习的未知异常流量在线检测方法及***
Chen et al. Developing a new mesh quality evaluation method based on convolutional neural network
CN109871454B (zh) 一种鲁棒离散监督跨媒体哈希检索方法
CN110909125B (zh) 推文级社会媒体谣言检测方法
CN111985680B (zh) 基于胶囊网络与时序的刑事多罪名预测方法
CN111582506A (zh) 基于全局和局部标记关系的偏多标记学习方法
CN110348287A (zh) 一种基于字典和样本相似图的无监督特征选择方法和装置
CN113283524A (zh) 一种基于对抗攻击的深度神经网络近似模型分析方法
CN114937173A (zh) 一种基于动态图卷积网络的高光谱图像快速分类方法
CN115456166A (zh) 一种无源域数据的神经网络分类模型知识蒸馏方法
CN110516569B (zh) 一种基于身份和非身份属***互学习的行人属性识别方法
CN105787045B (zh) 一种用于可视媒体语义索引的精度增强方法
CN113780346B (zh) 一种先验约束分类器调整方法、***及可读存储介质
CN113470036B (zh) 基于知识蒸馏的高光谱图像无监督波段选择方法及***
CN117524353B (zh) 一种基于多维度分子信息的分子大模型、构建方法及应用
CN114373093A (zh) 基于直推式半监督深度学习的细粒度图像分类方法
CN111259176B (zh) 融合有监督信息的基于矩阵分解的跨模态哈希检索方法
CN117371511A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN113537458B (zh) 一种有理式函数神经网络构建方法、***及可读存储介质
CN116934603A (zh) 测井曲线缺失段补全方法、装置、存储介质及电子设备
CN109614581A (zh) 基于对偶局部学习的非负矩阵分解聚类方法
CN112559680B (zh) 基于多层次特征提取的文本分类方法、模型及存储介质
CN111859947B (zh) 一种文本处理装置、方法、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant