CN113780346A - 一种先验约束分类器调整方法、***及可读存储介质 - Google Patents
一种先验约束分类器调整方法、***及可读存储介质 Download PDFInfo
- Publication number
- CN113780346A CN113780346A CN202110902981.9A CN202110902981A CN113780346A CN 113780346 A CN113780346 A CN 113780346A CN 202110902981 A CN202110902981 A CN 202110902981A CN 113780346 A CN113780346 A CN 113780346A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample
- global
- classifier
- weight
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 217
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000004576 sand Substances 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 230000014759 maintenance of location Effects 0.000 abstract description 3
- 208000035126 Facies Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种先验约束分类器调整方法、***及可读存储介质,属于信号处理技术领域,包括获取样本集合;根据样本集合中的数据,计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵;基于全局拉普拉斯矩阵、全局样本权重矩阵、全局高维特征输出矩阵和类别先验数量向量,对分类器进行初步调整,得到初始输出权重;根据初始输出权重,对分类器进行再次调整,得到调整后的分类器。本发明引入了先验约束、信息保留约束、分布差异度量、平滑性度量,使得分类器能够较好地适应到新环境的数据分布,防止分类性能的下降。
Description
技术领域
本发明涉及信号处理技术领域,特别涉及一种先验约束分类器调整方法、***及可读存储介质。
背景技术
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度等多门学科知识,使用计算机模拟实现人的学习行为,重新组织已有的知识结构或获取新的知识,来提高学习的效率性能。研究机器学习的方法种类很多,但是实际上很多学习场景下训练样本的概率分布和测试样本的概率分布是不同的,因此需要对分类器进行调整以适应新的环境。
发明内容
本发明的目的在于克服上述背景技术中的不足,以调整得到能够较好适应新环境的数据分布的分类器。
为实现以上目的,一方面,采用一种先验约束分类器调整方法,包括:
获取样本集合;
根据样本集合中的数据,计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵;
基于全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵以及先验知识,对分类器进行初步调整,得到初始输出权重;
根据初始输出权重,对分类器进行再次调整,得到调整后的分类器。
进一步地,所述根据样本集合中的数据,计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵,包括:
随机生成z个输入权重向量和z个输入偏置标量,计算所述样本集合中每个样本数据的高维特征,得到全局高维特征输出矩阵。
进一步地,所述随机生成z个输入权重向量和z个输入偏置标量,计算所述样本集合中每个样本数据的高维特征,得到全局高维特征输出矩阵,包括:
进一步地,所述基于全局拉普拉斯矩阵、全局样本权重矩阵、全局高维特征输出矩阵以及先验知识,对分类器进行初步调整,得到初始输出权重,包括:
若z≤n,则所述分类器的初始输出权重ΩM为:
若z>n,则所述分类器的初始输出权重ΩM为:
其中,I为适维的单位阵,H为全局高维特征输出矩阵,W为全局样本权重矩阵,V为分布差异度量矩阵,L为全局拉普拉斯矩阵,向量 表示实数域,超参数λ,γ,τ>0,根据所述先验知识确定的类别先验数量向量 所述有标签样本集合所对应的标签为集合为为维度为nt×c的零矩阵,c为类别总数,z为设定的隐藏层节点数即输入权重向量w的个数或输入偏置标量b的个数,z>0,T表示转置。
进一步地,所述根据初始输出权重,对分类器进行再次调整,得到调整后的分类器,包括:
根据更新后的矩阵V,计算所述分类器的最终输出矩阵,得到调整后的分类器。
进一步地,所述根据更新后的矩阵V,计算所述分类器的最终输出矩阵,得到调整后的分类器,包括:
若z≤n,计算所述分类器的最终输出权重ΩM为:
若z>n,计算所述分类器的最终输出权重ΩM为:
得到调整后的分类器为h(x*)ΩC,h(x*)表示样本x*的高维特征。
第二方面,采用一种先验约束分类器调整***,包括数据获取模块、数据处理模块、一次调整模块和二次调整模块,其中:
数据获取模块用于获取样本集合;
数据处理模块用于根据样本集合中的数据,计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵;
一次调整模块用于基于全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵,对分类器进行初步调整,得到初始输出权重;
二次调整模块用于根据初始输出权重,对分类器进行再次调整,得到调整后的分类器。
进一步地,所述数据处理模块包括样本划分单元、全局拉普拉斯矩阵计算单元、全局样本权重矩阵计算单元和全局高维特征输出矩阵单元,其中:
全局高维特征输出矩阵单元用于随机生成z个输入权重向量和z个输入偏置标量,计算所述样本集合中每个样本数据的高维特征,得到全局高维特征输出矩阵。
进一步地,所述一次调整模块具体用于:
若z≤n,则所述分类器的初始输出权重ΩM为:
若z>n,则所述分类器的初始输出权重ΩM为:
其中,I为适维的单位阵,H为全局高维特征输出矩阵,W为全局样本权重矩阵,V为分布差异度量矩阵,L为全局拉普拉斯矩阵,向量 表示实数域,超参数λ,γ,τ>0,类别先验数量向量 所述有标签样本集合所对应的标签为集合为为维度为nt×c的零矩阵,c为类别总数,z为设定的隐藏层节点数即输入权重向量w的个数或输入偏置标量b的个数,z>0,表示转置;
所述二次调整模块具体用于:
根据更新后的矩阵V,计算所述分类器的最终输出矩阵,得到调整后的分类器,为:
若z≤n,计算所述分类器的最终输出权重ΩM为:
若z>n,计算所述分类器的最终输出权重ΩM为:
得到调整后的分类器为h(x*)ΩC,h(x*)表示样本x*的高维特征。
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,所述计算机程序被处理器执行时实现如上所述先验约束分类器调整方法的步骤。
与现有技术相比,本发明存在以下技术效果:本发明通过引入先验约束、信息保留约束、分布差异度量以及平滑性度量,使得分类器能够较好地适应到新环境的数据分布,防止分类性能的下降,有效提升模型的准确性、鲁棒性以及安全性。
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是一种先验约束分类器调整方法的流程图;
图2是一种先验约束分类器调整***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先验约束分类器调整方法,包括如下步骤S1至S4:
S1、获取样本集合;
S2、根据样本集合中的数据,计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵;
S3、基于全局拉普拉斯矩阵、全局样本权重矩阵、全局高维特征输出矩阵以及先验知识,对分类器进行初步调整,得到初始输出权重;
S4、根据初始输出权重,对分类器进行再次调整,得到调整后的分类器。
作为进一步优选的技术方案,上述步骤S2:根据样本集合中的数据,计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵,包括S21至S24:
S21、将样本集合划分为有标签样本集合和无标签样本集合;
需要说明的是,定义样本d为特征维度,则样本集合为n为样本总数;为部分样本x打上标签c为类别总数,y为独热编码形式,则有标签样本集合为 所对应的标签为集合为ns为有标签样本的数量;无标签的样本集合为nt为无标签样本的数量,n=ns+nt,n为样本总数,表示实数域。
LT=D-A
S222、计算全局拉普拉斯矩阵,如下:
其中,O表示零矩阵,其下标表示其维度。
其中,超参数C>0,具体取值可根据经验设定。
S232、计算全局样本权重矩阵,如下:
S233、随机生成z个输入权重向量和z个输入偏置标量,计算所述样本集合中每个样本数据的高维特征,得到全局高维特征输出矩阵。
作为进一步优选的技术方案,上述步骤S24:随机生成z个输入权重向量和z个输入偏置标量,计算所述样本集合中每个样本数据的高维特征,得到全局高维特征输出矩阵,具体包括S241至S244:
作为进一步优选的技术方案,上述步骤S3、基于全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵,对分类器进行初步调整,得到初始输出权重,包括如下步骤:
若z≤n,则所述分类器的初始输出权重ΩM为:
若z>n,则所述分类器的初始输出权重ΩM为:
其中,I为适维的单位阵,H为全局高维特征输出矩阵,W为全局样本权重矩阵,V为分布差异度量矩阵,L为全局拉普拉斯矩阵,向量 表示实数域,超参数λ,γ,τ>0,类别先验数量向量 所述有标签样本集合所对应的标签为集合为为维度为nt×c的零矩阵,ns为有标签样本的数量,nt为无标签样本的数量,c为类别总数,n为样本总数,n=ns+nt,z为设定的隐藏层节点数即输入权重向量w的个数或输入偏置标量b的个数,z>0,表示转置。
作为进一步优选的技术方案,分布差异度量矩阵V为:
其中,E是元素全为1的矩阵,其下标表示其维度。
作为进一步优选的技术方案,上述步骤S4:根据初始输出权重,对分类器进行再次调整,得到调整后的分类器,包括如下步骤S41至S43:
S43、根据更新后的矩阵V,计算所述分类器的最终输出矩阵,得到调整后的分类器。
作为进一步优选的技术方案,上述步骤S43:根据更新后的矩阵V,计算所述分类器的最终输出矩阵,得到调整后的分类器,具体为:
若z≤n,计算所述分类器的最终输出权重ΩM为:
若z>n,计算所述分类器的最终输出权重ΩM为:
得到调整后的分类器为h(x*)ΩC,h(x*)表示样本x*的高维特征。
本实施例以地球物理测井解释为例进行说明:例如未标注井的沉积相为深湖相,往往发育大段的泥岩,设分类目标为泥岩和砂岩,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d表示地球物理测井数(即特征维度),如果沿深度有n个深度点的测井曲线,即可得到样本集合n为样本总数;为部分样本x打上标签标签的物理意义可为泥岩和砂岩,c为类别总数,y为独热编码形式,则有标签样本集合为 所对应的标签为集合为nS为有标签样本的数量,表示转置;无标签的样本集合为nt为无标签样本的数量,n=ns+nt,表示实数域。
(2)初始化
作为进一步优选的技术方案,本实施例给出确定的一种方案,例如未标注井的沉积相为深湖相,往往发育大段的泥岩,设分类目标为泥岩和砂岩,则可设置如果未标注井的沉积相为滨浅湖相,往往发育大段的砂岩或者泥岩砂岩交替出现,则可设置具体设置根据地质学家实际经验为准。
LT=D-A
进而计算全局拉普拉斯矩阵,如下:
其中,O表示零矩阵,其下标表示其维度。
2-3)根据已标注数据的类别分布计算其权重矩阵,如下:
进而计算全局样本权重矩阵,如下:
(3)生成高维特征空间
(4)分类器初步调整
计算初始输出权重ΩM,如下:
若z≤n,则有:
若z>n,则有:
(5)分类器最终调整
计算最终输出权重ΩC,如下:
5-2)求解ΩC,如下:
若z≤n,则有:
若z>n,则有:
其中,ΩC即为调整后分类器输出权重,对于一个新的样本x*,可以采用h(x*)ΩC预测其类别。
本发明通过引入先验约束、信息保留约束、分布差异度量以及平滑性度量,使得分类器能够较好地适应到新环境的数据分布,防止分类性能的下降,有效提升模型的准确性、鲁棒性以及安全性。
如图2所示,本实施例公开了一种先验约束分类器调整***,包括数据获取模块10、数据处理模块20、一次调整模块和二次调整模块,其中:
数据获取模块10用于获取样本集合;
数据处理模块20用于根据样本集合中的数据,计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵;
一次调整模块30用于基于全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵,对分类器进行初步调整,得到初始输出权重;
二次调整模块40用于根据初始输出权重,对分类器进行再次调整,得到调整后的分类器。
作为进一步优选的技术方案,所述数据处理模块包括样本划分单元、全局拉普拉斯矩阵计算单元、全局样本权重矩阵计算单元和全局高维特征输出矩阵单元,其中:
LT=D-A
计算全局拉普拉斯矩阵,如下:
其中,O表示零矩阵,其下标表示其维度。
其中,超参数C>0,具体取值可根据经验设定。
计算全局样本权重矩阵,如下:
全局高维特征输出矩阵单元用于随机生成z个输入权重向量和z个输入偏置标量,计算所述样本集合中每个样本数据的高维特征,得到全局高维特征输出矩阵,具体为:
作为进一步优选的技术方案,所述一次调整模块30具体用于:
若z≤n,则所述分类器的初始输出权重ΩM为:
若z>n,则所述分类器的初始输出权重ΩM为:
其中,I为适维的单位阵,H为全局高维特征输出矩阵,W为全局样本权重矩阵,V为分布差异度量矩阵,L为全局拉普拉斯矩阵,向量 表示实数域,超参数λ,γ,τ>0,类别先验数量向量 所述样本集合中的有标签样本集合所对应的标签为集合为为维度为nt×c的零矩阵,ns为有标签样本的数量,nt为无标签样本的数量,c为类别总数,n为样本总数,n=ns+nt,z为设定的隐藏层节点数(即输入权重向量w的个数或输入偏置标量b的个数),z>0,表示转置;
所述二次调整模块40具体用于:
根据更新后的矩阵V,计算所述分类器的最终输出矩阵,得到调整后的分类器,具体为:
若z≤n,计算所述分类器的最终输出权重ΩM为:
若z>n,计算所述分类器的最终输出权重ΩM为:
得到调整后的分类器为h(x*)ΩC,h(x*)表示样本x*的高维特征。
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所述先验约束分类器调整方法的步骤。
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范围之内。
Claims (10)
1.一种先验约束分类器调整方法,其特征在于,包括:
获取样本集合;
根据样本集合中的数据,计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵;
基于全局拉普拉斯矩阵、全局样本权重矩阵、全局高维特征输出矩阵以及先验知识,对分类器进行初步调整,得到初始输出权重;
根据初始输出权重,对分类器进行再次调整,得到调整后的分类器。
4.如权利要求2所述的先验约束分类器调整方法,其特征在于,所述基于全局拉普拉斯矩阵、全局样本权重矩阵、全局高维特征输出矩阵以及先验知识,对分类器进行初步调整,得到初始输出权重,包括:
若z≤n,则所述分类器的初始输出权重ΩM为:
若z>n,则所述分类器的初始输出权重ΩM为:
7.一种先验约束分类器调整***,其特征在于,包括数据获取模块、数据处理模块、一次调整模块和二次调整模块,其中:
数据获取模块用于获取样本集合;
数据处理模块用于根据样本集合中的数据,计算全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵;
一次调整模块用于基于全局拉普拉斯矩阵、全局样本权重矩阵和全局高维特征输出矩阵,对分类器进行初步调整,得到初始输出权重;
二次调整模块用于根据初始输出权重,对分类器进行再次调整,得到调整后的分类器。
8.如权利要求7所述的先验约束分类器调整***,其特征在于,所述数据处理模块包括样本划分单元、全局拉普拉斯矩阵计算单元、全局样本权重矩阵计算单元和全局高维特征输出矩阵单元,其中:
全局高维特征输出矩阵单元用于随机生成z个输入权重向量和z个输入偏置标量,计算所述样本集合中每个样本数据的高维特征,得到全局高维特征输出矩阵。
9.如权利要求8所述的先验约束分类器调整***,其特征在于,所述一次调整模块具体用于:
若z≤n,则所述分类器的初始输出权重ΩM为:
若z>n,则所述分类器的初始输出权重ΩM为:
其中,I为适维的单位阵,H为全局高维特征输出矩阵,W为全局样本权重矩阵,V为分布差异度量矩阵,L为全局拉普拉斯矩阵,向量 表示实数域,超参数λ,γ,τ>0,类别先验数量向量 所述有标签样本集合所对应的标签为集合为 为维度为nt×c的零矩阵,c为类别总数,z为设定的隐藏层节点数即输入权重向量w的个数或输入偏置标量b的个数,z>0,T表示转置;
所述二次调整模块具体用于:
根据更新后的矩阵V,计算所述分类器的最终输出矩阵,得到调整后的分类器,为:
若z≤n,计算所述分类器的最终输出权重ΩM为:
若z>n,计算所述分类器的最终输出权重ΩM为:
得到调整后的分类器为h(x*)ΩC,h(x*)表示样本x*的高维特征。
10.一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6任一项所述先验约束分类器调整方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902981.9A CN113780346B (zh) | 2021-08-06 | 2021-08-06 | 一种先验约束分类器调整方法、***及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902981.9A CN113780346B (zh) | 2021-08-06 | 2021-08-06 | 一种先验约束分类器调整方法、***及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780346A true CN113780346A (zh) | 2021-12-10 |
CN113780346B CN113780346B (zh) | 2023-06-16 |
Family
ID=78837003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110902981.9A Active CN113780346B (zh) | 2021-08-06 | 2021-08-06 | 一种先验约束分类器调整方法、***及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780346B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863209A (zh) * | 2022-04-21 | 2022-08-05 | 中国科学技术大学 | 类别比例引导的无监督领域适应建模方法、***、设备及介质 |
CN114896479A (zh) * | 2022-06-09 | 2022-08-12 | 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) | 一种在线学习方法、***及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516733A (zh) * | 2019-08-23 | 2019-11-29 | 西南石油大学 | 一种基于改进多分类孪生支持向量机的测井岩性识别方法 |
US20200065606A1 (en) * | 2018-08-24 | 2020-02-27 | Petrochina Company Limited | Method and apparatus for automatically extracting image features of electrical imaging well logging |
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 |
-
2021
- 2021-08-06 CN CN202110902981.9A patent/CN113780346B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065606A1 (en) * | 2018-08-24 | 2020-02-27 | Petrochina Company Limited | Method and apparatus for automatically extracting image features of electrical imaging well logging |
CN110516733A (zh) * | 2019-08-23 | 2019-11-29 | 西南石油大学 | 一种基于改进多分类孪生支持向量机的测井岩性识别方法 |
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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863209A (zh) * | 2022-04-21 | 2022-08-05 | 中国科学技术大学 | 类别比例引导的无监督领域适应建模方法、***、设备及介质 |
CN114863209B (zh) * | 2022-04-21 | 2023-10-20 | 中国科学技术大学 | 类别比例引导的无监督领域适应建模方法、***、设备及介质 |
CN114896479A (zh) * | 2022-06-09 | 2022-08-12 | 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) | 一种在线学习方法、***及计算机可读存储介质 |
CN114896479B (zh) * | 2022-06-09 | 2024-05-07 | 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) | 一种在线学习方法、***及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113780346B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN113052211B9 (zh) | 一种基于特征的秩和通道重要性的剪枝方法 | |
Kodi Ramanah et al. | Painting halos from cosmic density fields of dark matter with physically motivated neural networks | |
Bulakh et al. | Time series classification based on fractal properties | |
Kuyuk et al. | Application of k-means and Gaussian mixture model for classification of seismic activities in Istanbul | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
CN113780346A (zh) | 一种先验约束分类器调整方法、***及可读存储介质 | |
CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN112364719A (zh) | 一种遥感图像目标快速检测方法 | |
Ruhunusiri et al. | An artificial neural network for inferring solar wind proxies at Mars | |
CN112836802A (zh) | 一种半监督学习方法、岩性预测方法及存储介质 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN114863209B (zh) | 类别比例引导的无监督领域适应建模方法、***、设备及介质 | |
CN112668613A (zh) | 基于气象预报和机器学习的卫星红外成像效果预测方法 | |
CN114973019A (zh) | 一种基于深度学习的地理空间信息变化检测分类方法及*** | |
CN115705393A (zh) | 一种基于持续学习的雷达辐射源分级识别方法 | |
CN113533511A (zh) | 基于深度学习网络模型的钢轨焊缝监测方法 | |
Horvat et al. | WIFF1. 0: a hybrid machine-learning-based parameterization of wave-induced sea ice floe fracture | |
CN117093890A (zh) | 一种能源资源开发区域生态环境综合评价方法 | |
Tian et al. | Estimation model of global ionospheric irregularities: an artificial intelligence approach | |
Barkataki et al. | Prediction of size of buried objects using ground penetrating radar and machine learning techniques | |
CN114879263A (zh) | 基于卷积神经网络的三维磁张量梯度反演方法及装置 | |
CN112308151A (zh) | 基于加权的旋转森林高光谱图像分类方法 |
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 |