CN109034179A - 一种基于马氏距离idtw的岩层分类方法 - Google Patents

一种基于马氏距离idtw的岩层分类方法 Download PDF

Info

Publication number
CN109034179A
CN109034179A CN201810537852.2A CN201810537852A CN109034179A CN 109034179 A CN109034179 A CN 109034179A CN 201810537852 A CN201810537852 A CN 201810537852A CN 109034179 A CN109034179 A CN 109034179A
Authority
CN
China
Prior art keywords
rock stratum
data
distance
idtw
sample
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
Application number
CN201810537852.2A
Other languages
English (en)
Other versions
CN109034179B (zh
Inventor
乔美英
刘宇翔
兰建义
陶慧
闫书豪
王波
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.)
Henan University of Technology
Original Assignee
Henan University of Technology
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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN201810537852.2A priority Critical patent/CN109034179B/zh
Publication of CN109034179A publication Critical patent/CN109034179A/zh
Application granted granted Critical
Publication of CN109034179B publication Critical patent/CN109034179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

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)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于马氏距离IDTW的岩层分类方法，步骤是：S1、获取岩层数据，并将第一次获取的岩层数据作为训练样本数据；S2、通过聚类确定训练样本类别；S3、继续提取最新岩层数据，并将之作为待分类的测试样本数据；S4、使用基于马氏距离IDTW方法，计算出待分类的测试样本数据与已确定类别的训练样本数据之间的距离；S5、计算待分类的测试样本和每个训练样本的距离，分类；S6、完成。本发明首先获取岩层训练数据及测试数据，然后采用基于马氏距离IDTW距离对岩层数据样本进行相似性度量，排除样本属性之间的相关性以及时间序列数据偏移的影响，最后结合最近邻(1‑NN)分类算法对岩层数据进行分类，实现对地下的地质结构及成分的空间分布的判定。

Description

一种基于马氏距离IDTW的岩层分类方法
技术领域
本发明涉及岩层数据分类领域，特别是一种基于马氏距离IDTW的岩层分类方法。
背景技术
岩层分类是根据一个地区的岩石客观存在的不同属性或特征，把组成这个地区的地壳的岩层划分成不同类型的地质层。只有把当地的岩层(石)构造了解清楚，对不同岩层(石)进行了准确的分类，才能很好的了解当地的地下地质结构、成分的空间分布，以及当时(历史)的地质形成过程，对今后的地质研究、地下资源勘探奠定了良好的基础。因此，获取岩层数据、分析岩层数据和分类岩层数据就显得极其重要。
目前，对岩层数据进行分类研究，一般采用最近邻分类算法、支持向量机或神经网络等方法，其中，最近邻(1-Nearest Neighbor,1-NN)分类算法使用较多。该分类方法是指如果一个样本在特征空间中的1个最相近(即特征空间中最邻近)的样本属于某个类别，则该样本也属于这个类别。此方法特别适合多分类问题，对于类域的交叉或重叠较多的待分样本集来说，此方法较其他方法更合适，并且其使用简单，易于实现，无需参数估计及训练。
最近邻分类算法的核心在于样本间距离的计算，计算距离有多种不同的方法，曼哈顿距离、欧氏距离、汉明距离和动态时间规整距离(DTW，即Dynamic Time Warping)等，传统的DTW通过考虑数值上的相似性来对X轴(时间轴)进行规整，因此可以在一定程度上有效地解决X轴上的偏移和伸缩等问题，较前几种方法好，但是，其忽略了数据在数值轴(Y轴)上的偏移且对奇异值敏感。另外，岩层数据有其自身的特点，如：数据内容复杂，具有非线性、高维度、信息冗杂、伴随噪声等，如果直接采用经典的时间序列度量方法，并不能有效地对样本的相似性进行度量，使得最近邻分类方法无法准确的对样本分类。因此，对DTW进行改进，使得相似性度量更加有效，还有待进一步的研究。
综上所述可以看出，如何进一步改进DTW，使得最近邻分类效果改善是当前需要解决的问题。
发明内容
本发明的目的是为了解决针对传统DTW忽略了时间序列样本在数值轴(Y轴)上的偏移且对奇异值敏感、多个变量之间的相关性而使相似性度量不准确进而导致岩层分类效果不好的问题，而提出一种基于马氏距离IDTW(Improved Dynamic Time Warping)的岩层分类方法。
为达到上述目的，本发明是按照以下技术方案实施的：
一种基于马氏距离IDTW的岩层分类方法，该岩层分类方法的步骤是：
S1、获取岩层数据，并将第一次获取的岩层数据作为训练样本数据，该训练样本数据为多维时间序列X＝{x1,x2,x3,…,xn}，其中，xi(1≤i≤n)是序列X的第i个序列，为一个l×d的矩阵，l为时间序列的长度，d为时间序列的维度；n为序列X的长度；
S2、将步骤S1中得到的训练数据样本X＝{x1,x2,x3,…,xn}通过K均值聚类或层次聚类方法，对岩层训练样本进行聚类处理，从而得到岩层样本数据的类别标签Y＝{y1,y2,y3,…,yn}，其中，聚类的类别数设为c，yj(1≤j≤n)的值由聚类结果确定；
S3、继续提取最新岩层数据，并将之作为待分类的测试样本数据X'＝{x1',x2',x3',…,xm'}，其中，m为序列X'的长度；
S4、使用基于马氏距离IDTW方法，计算出待分类的测试样本数据X'＝{x1',x2',x3',…,xm'}与已确定类别的训练样本数据X＝{x1,x2,x3,…,xn}之间的距离；此距离为一个矩阵
其中dij＝IDTWM(xi,xj')，IDTWM为xi和xj'之间基于马氏距离ITDW的距离，xi和xj'分别为已确定类别的训练样本X和测试样本X'的第i个和第j个样本；
S41、两样本的局部距离计算公式为：dl(i,j)＝(w(xii)-w(xjj'))2
其中，1代表时间序列X轴的数值特征，xii表示xi中第i行数据，min|Δx|表示岩层训练样本序列X中所有点的最小梯度值，为序列的梯度特征，用时间序列中相邻两点的差值来表示某一点的梯度，通过对两个特征量进行加和，将其结合在一起；
岩层测试样本的w(xjj')计算同理；
S42、基于马氏距离IDTW距离寻找两个样本序列xi'＝{xi1',xi2',xi3',…,xil'”}和xj＝{xj1,xj2,xj3,…,xjl'}之间的最优弯曲路径来计算马氏距离度量值IDTWM(xi',xj)，其中l'为xi'和xj的长度；采用马氏距离计算得出d(qk)：
在所有的弯曲路径中，存在一条最优的路径使得弯曲代价最小，即：
其中，q＝{q1,q2,q3,…qr'}为弯曲路径，r＝1,2,3…r'，r'＝(l')2，qr表示xi'中的第i'个元素xii'r'与xj中的第j'个元素xjj'r之间的对应关系，1≤i'≤l'，1≤j'≤l'，d(qr)为xii'r'与xjj'r的弯曲代价；C-1为待分类的测试样本的各变量之间的协方差矩阵的逆，其计算方式为：C-1＝(E{[X'-E(X')][X'-E(X')]T})-1；
S43、求解通过动态规划来构造一个弯曲代价矩阵：
a(i',j')＝d(i',j')+min{a(i',j'-1),a(i'-1,j),a(i'-1,j'-1)}
其中，令a(0,0)＝0，a(j',0)＝a(i',0)＝+∞，a(i',j')即为时间序列xi'和xj之间的最小距离，也可得到IDTWM(xi',xj)＝min{a(l',l')}；
S5、采用基于马氏距离IDTW距离的最近邻(1-NN)分类方法对待分类的测试样本X'＝{x1',x2',x3',…,xm'}进行分类，确定其所属类别Y'＝{y1',y2',y3',…,ym'}，类别Y'的取值范围为1～c，且为正整数；
S51、使用基于马氏距离IDTW的方法，计算待分类的测试样本和每个训练样本的距离dist；
S52、得到前一个最邻近样本中的最大距离maxdist；
S53、如果dist小于maxdist，则将该训练样本作为最近邻样本；
S54、重复步骤S52和S53，直到待分类的测试样本和所有训练样本的距离都计算完；
S55、统计最近邻样本中每个类别出现的次数；
S56、根据少数服从多数原则，近邻中哪个类别出现的次数最多，待分类的测试样本就属于该类；
S6、使用基于马氏距离IDTW的岩层分类方法完成。
优选的，所述岩层数据由地质勘探仪器获取。
优选的，步骤2中，所述c为大于1小于n的整数。
与现有技术相比，本发明的有益效果为：
岩层数据是表示地质信息的，地质信息是反映地质实体特性的。对岩层数据进行采集、分析、分类，是了解和研究当地和当时(历史)的地质形成过程的重要步骤，其中，数据分类是最重要的一环，在数据分类的基础之上，还可以完成其他的数据挖掘任务，比如异常检测等。原始的岩层数据内容复杂，具有非线性、高维度、信息冗杂、伴随噪声等特点，如果直接采用传统的欧氏距离、动态时间规整距离，来对岩层数据进行相似性度量，其效果并不会很好，因为该方法不能排除多变量之间的相关性的干扰，同时，对于时间序列存在部分偏移，不能实现异步度量，这样，对下一步的数据分类造成很大影响。因此，需要选取合适的相似性度量方法对数据样本间的距离进行准确度量，来确保相应的数据处理取得良好的效果。
本发明的基于马氏距离IDTW的岩层分类方法，首先通过地质勘探设备获取岩层训练数据及测试数据，然后，采用基于马氏距离IDTW距离对岩层数据样本进行相似性度量，排除了样本属性之间的相关性以及时间序列数据偏移的影响，最后，结合最近邻(1-NN)分类算法对岩层数据进行分类，实现了对地下的地质结构及成分的空间分布的判定。
本发明是一种将马氏距离与IDTW算法相结合的一种岩层分类方法，马氏距离通过计算样本间的协方差矩阵来度量两个样本的相似度，其能够考虑各个变量之间的相互关系，且可排除变量之间的相关性干扰，所以比欧氏距离更有效；IDTW通过对传统DTW的局部距离进行改进，同时考虑时间序列样本在数值轴和时间轴上的偏移，可以更加精确地度量两个样本间的距离，提高分类准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
如图1所示，本发明的基于马氏距离IDTW的岩层分类方法，其步骤是：
S1、地质勘探仪器获取岩层数据，并将第一次获取的岩层数据作为训练样本数据，该训练样本数据为多维时间序列X＝{x1,x2,x3,…,xn}，其中，xi(1≤i≤n)是序列X的第i个序列，为一个l×d的矩阵，l为时间序列的长度，d为时间序列的维度；n为序列X的长度；
S2、将步骤S1中得到的训练数据样本X＝{x1,x2,x3,…,xn}通过K均值聚类或层次聚类方法，对岩层训练样本进行聚类处理，从而得到岩层样本数据的类别标签Y＝{y1,y2,y3,…,yn}，其中，聚类的类别数设为c，所述c为大于1小于n的整数；yj(1≤j≤n)的值由聚类结果确定；
S3、继续提取最新岩层数据，并将之作为待分类的测试样本数据X'＝{x1',x2',x3',…,xm'}，其中，m为序列X'的长度；
S4、使用基于马氏距离IDTW方法，计算出待分类的测试样本数据X'＝{x1',x2',x3',…,xm'}与已确定类别的训练样本数据X＝{x1,x2,x3,…,xn}之间的距离；此距离为一个矩阵
其中dij＝IDTWM(xi,xj')，IDTWM为xi和xj'之间基于马氏距离ITDW的距离，xi和xj'分别为已确定类别的训练样本X和测试样本X'的第i个和第j个样本；
S41、两样本的局部距离计算公式为：dl(i,j)＝(w(xii)-w(xjj'))2
其中，1代表时间序列X轴的数值特征，xii表示xi中第i行数据，min|Δx|表示岩层训练样本序列X中所有点的最小梯度值，为序列的梯度特征，用时间序列中相邻两点的差值来表示某一点的梯度，通过对两个特征量进行加和，将其结合在一起；
岩层测试样本的w(xjj')计算同理；
S42、基于马氏距离IDTW距离寻找两个样本序列xi'＝{xi1',xi2',xi3',…,xil'”}和xj＝{xj1,xj2,xj3,…,xjl'}之间的最优弯曲路径来计算马氏距离度量值IDTWM(xi',xj)，其中l'为xi'和xj的长度；采用马氏距离计算得出d(qk)：
在所有的弯曲路径中，存在一条最优的路径使得弯曲代价最小，即：
其中，q＝{q1,q2,q3,…qr'}为弯曲路径，r＝1,2,3…r'，r'＝(l')2，qr表示xi'中的第i'个元素xii'r'与xj中的第j'个元素xjj'r之间的对应关系，1≤i'≤l'，1≤j'≤l'，d(qr)为xii'r'与xjj'r的弯曲代价；C-1为待分类的测试样本的各变量之间的协方差矩阵的逆，其计算方式为：C-1＝(E{[X'-E(X')][X'-E(X')]T})-1；
S43、求解通过动态规划来构造一个弯曲代价矩阵：
a(i',j')＝d(i',j')+min{a(i',j'-1),a(i'-1,j),a(i'-1,j'-1)}
其中，令a(0,0)＝0，a(j',0)＝a(i',0)＝+∞，a(i',j')即为时间序列xi'和xj之间的最小距离，也可得到IDTWM(xi',xj)＝min{a(l',l')}；
S5、采用基于马氏距离IDTW距离的最近邻(1-NN)分类方法对待分类的测试样本X'＝{x1',x2',x3',…,xm'}进行分类，确定其所属类别Y'＝{y1',y2',y3',…,ym'}，类别Y'的取值范围为1～c，且为正整数；
S51、使用基于马氏距离IDTW的方法，计算待分类的测试样本和每个训练样本的距离dist；
S52、得到前一个最邻近样本中的最大距离maxdist；
S53、如果dist小于maxdist，则将该训练样本作为最近邻样本；
S54、重复步骤S52和S53，直到待分类的测试样本和所有训练样本的距离都计算完；
S55、统计最近邻样本中每个类别出现的次数；
S56、根据少数服从多数原则，近邻中哪个类别出现的次数最多，待分类的测试样本就属于该类；
S6、使用基于马氏距离IDTW的岩层分类方法完成。
岩层数据是表示地质信息的，地质信息是反映地质实体特性的。对岩层数据进行采集、分析、分类，是了解和研究当地和当时(历史)的地质形成过程的重要步骤，其中，数据分类是最重要的一环，在数据分类的基础之上，还可以完成其他的数据挖掘任务，比如异常检测等。原始的岩层数据内容复杂，具有非线性、高维度、信息冗杂、伴随噪声等特点，如果直接采用传统的欧氏距离、动态时间规整距离，来对岩层数据进行相似性度量，其效果并不会很好，因为该方法不能排除多变量之间的相关性的干扰，同时，对于时间序列存在部分偏移，不能实现异步度量，这样，对下一步的数据分类造成很大影响。因此，需要选取合适的相似性度量方法对数据样本间的距离进行准确度量，来确保相应的数据处理取得良好的效果。
本发明的基于马氏距离IDTW的岩层分类方法，首先通过地质勘探设备获取岩层训练数据及测试数据，然后，采用基于马氏距离IDTW距离对岩层数据样本进行相似性度量，排除了样本属性之间的相关性以及时间序列数据偏移的影响，最后，结合最近邻(1-NN)分类算法对岩层数据进行分类，实现了对地下的地质结构及成分的空间分布的判定。
本发明是一种将马氏距离与IDTW算法相结合的一种岩层分类方法，马氏距离通过计算样本间的协方差矩阵来度量两个样本的相似度，其能够考虑各个变量之间的相互关系，且可排除变量之间的相关性干扰，所以比欧氏距离更有效；IDTW通过对传统DTW的局部距离进行改进，同时考虑时间序列样本在数值轴和时间轴上的偏移，可以更加精确地度量两个样本间的距离，提高分类准确率。以上是对本发明提供的一种基于马氏距离IDTW岩层分类方法的详细介绍，文中的实施例是为了帮助读者理解本发明的原理及核心思想，对于本领域的一般技术人员来说，在本发明的思想下，可以对实施方式或某些原理做出相应的改进或变型，这些改进或者变型仍然在本发明保护范围之内。

Claims (4)

1.一种基于马氏距离IDTW的岩层分类方法，其特征在于：岩层分类方法的步骤是：
S1、获取岩层数据，并将第一次获取的岩层数据作为训练样本数据，该训练样本数据为多维时间序列X＝{x1,x2,x3,…,xn}，其中，xi(1≤i≤n)是序列X的第i个序列，为一个l×d的矩阵，l为时间序列的长度，d为时间序列的维度；n为序列X的长度；
S2、将步骤S1中得到的训练数据样本X＝{x1,x2,x3,…,xn}通过K均值聚类或层次聚类方法，对岩层训练样本进行聚类处理，从而得到岩层样本数据的类别标签Y＝{y1,y2,y3,…,yn}，其中，聚类的类别数设为c，yj(1≤j≤n)的值由聚类结果确定；
S3、继续提取最新岩层数据，并将之作为待分类的测试样本数据X'＝{x1',x2',x3',…,xm'}，其中，m为序列X'的长度；
S4、使用基于马氏距离IDTW方法，计算出待分类的测试样本数据X'＝{x1',x2',x3',…,xm'}与已确定类别的训练样本数据X＝{x1,x2,x3,…,xn}之间的距离；此距离为一个矩阵
其中dij＝IDTWM(xi,xj')，IDTWM为xi和xj'之间基于马氏距离ITDW的距离，xi和xj'分别为已确定类别的训练样本X和测试样本X'的第i个和第j个样本；
S41、两样本的局部距离计算公式为：dl(i,j)＝(w(xii)-w(xjj'))2
其中，1代表时间序列X轴的数值特征，xii表示xi中第i行数据，min|Δx|表示岩层训练样本序列X中所有点的最小梯度值，为序列的梯度特征，用时间序列中相邻两点的差值来表示某一点的梯度，通过对两个特征量进行加和，将其结合在一起；
岩层测试样本的w(xjj')计算同理；
S42、基于马氏距离IDTW距离寻找两个样本序列xi'＝{xi1',xi2',xi3',…,xil′′}和xj＝{xj1,xj2,xj3,…,xjl'}之间的最优弯曲路径来计算马氏距离度量值IDTWM(xi',xj)，其中l'为xi'和xj的长度；采用马氏距离计算得出d(qk)：
在所有的弯曲路径中，存在一条最优的路径使得弯曲代价最小，即：
其中，q＝{q1,q2,q3,…qr'}为弯曲路径，r＝1,2,3…r'，r'＝(l')2，qr表示xi'中的第i'个元素xii'r'与xj中的第j'个元素xjj'r之间的对应关系，1≤i'≤l'，1≤j'≤l'，d(qr)为xii'r'与xjj'r的弯曲代价；C-1为待分类的测试样本的各变量之间的协方差矩阵的逆，其计算方式为：C-1＝(E{[X'-E(X')][X'-E(X')]T})-1；
S43、求解通过动态规划来构造一个弯曲代价矩阵：
a(i',j')＝d(i',j')+min{a(i',j'-1),a(i'-1,j),a(i'-1,j'-1)}
其中，令a(0,0)＝0，a(j',0)＝a(i',0)＝+∞，a(i',j')即为时间序列xi'和xj之间的最小距离，可得到IDTWM(xi',xj)＝min{a(l',l')}；
S5、采用基于马氏距离IDTW距离的最近邻分类方法对待分类的测试样本X'＝{x1',x2',x3',…,xm'}进行分类，确定其所属类别Y'＝{y1',y2',y3',…,ym'}；
S51、使用基于马氏距离IDTW的方法，计算待分类的测试样本和每个训练样本的距离dist；
S52、得到前一个最邻近样本中的最大距离maxdist；
S53、如果dist小于maxdist，则将该训练样本作为最近邻样本；
S54、重复步骤S52和S53，直到待分类的测试样本和所有训练样本的距离都计算完；
S55、统计最近邻样本中每个类别出现的次数；
S56、根据少数服从多数原则，近邻中哪个类别出现的次数最多，待分类的测试样本就属于该类；
S6、使用基于马氏距离IDTW的岩层分类方法完成。
2.根据权利要求1所述的基于马氏距离IDTW的岩层分类方法，其特征在于：所述岩层数据由地质勘探仪器获取。
3.根据权利要求1所述的基于马氏距离IDTW的岩层分类方法，其特征在于：步骤2中，所述c为大于1小于n的整数。
4.根据权利要求1所述的基于马氏距离IDTW的岩层分类方法，其特征在于：步骤5中，类别Y'的取值范围为1～c，且为正整数。
CN201810537852.2A 2018-05-30 2018-05-30 一种基于马氏距离idtw的岩层分类方法 Active CN109034179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810537852.2A CN109034179B (zh) 2018-05-30 2018-05-30 一种基于马氏距离idtw的岩层分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810537852.2A CN109034179B (zh) 2018-05-30 2018-05-30 一种基于马氏距离idtw的岩层分类方法

Publications (2)

Publication Number Publication Date
CN109034179A true CN109034179A (zh) 2018-12-18
CN109034179B CN109034179B (zh) 2022-03-22

Family

ID=64611796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810537852.2A Active CN109034179B (zh) 2018-05-30 2018-05-30 一种基于马氏距离idtw的岩层分类方法

Country Status (1)

Country Link
CN (1) CN109034179B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674868A (zh) * 2019-09-23 2020-01-10 中煤科工集团西安研究院有限公司 一种基于高维钻进参数信息的地层岩性识别系统及其方法
WO2020220438A1 (zh) * 2019-04-29 2020-11-05 东北大学 一种针对虚拟机不同类型的业务并发量预测方法
CN112381051A (zh) * 2020-11-30 2021-02-19 闽江师范高等专科学校 基于改进支持向量机核函数的植物叶片分类方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915434A (zh) * 2015-06-24 2015-09-16 哈尔滨工业大学 一种基于马氏距离dtw的多维时间序列分类方法
CN106127220A (zh) * 2016-06-01 2016-11-16 苏州大学 一种时间序列分类方法及装置
CN106295711A (zh) * 2016-08-19 2017-01-04 苏州大学 一种时间序列分类方法及系统
US20170147930A1 (en) * 2015-01-30 2017-05-25 Hewlett Packard Enterprise Development Lp Performance testing based on variable length segmentation and clustering of time series data
CN107403407A (zh) * 2017-08-04 2017-11-28 深圳市唯特视科技有限公司 一种基于热成像技术的呼吸跟踪方法
CN107480704A (zh) * 2017-07-24 2017-12-15 南开大学 一种具有遮挡感知机制的实时视觉目标跟踪方法
CN107748892A (zh) * 2017-09-25 2018-03-02 西安理工大学 一种基于马氏距离的人体行为数据分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170147930A1 (en) * 2015-01-30 2017-05-25 Hewlett Packard Enterprise Development Lp Performance testing based on variable length segmentation and clustering of time series data
CN104915434A (zh) * 2015-06-24 2015-09-16 哈尔滨工业大学 一种基于马氏距离dtw的多维时间序列分类方法
CN106127220A (zh) * 2016-06-01 2016-11-16 苏州大学 一种时间序列分类方法及装置
CN106295711A (zh) * 2016-08-19 2017-01-04 苏州大学 一种时间序列分类方法及系统
CN107480704A (zh) * 2017-07-24 2017-12-15 南开大学 一种具有遮挡感知机制的实时视觉目标跟踪方法
CN107403407A (zh) * 2017-08-04 2017-11-28 深圳市唯特视科技有限公司 一种基于热成像技术的呼吸跟踪方法
CN107748892A (zh) * 2017-09-25 2018-03-02 西安理工大学 一种基于马氏距离的人体行为数据分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ROSSANA MUSCILLO等: "Classification of Motor Activities through Derivative Dynamic Time Warping applied on Accelerometer Data", 《PROCEEDINGS OF THE 29TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE EMBS》 *
刘懿: "新型时间序列相似性度量方法研究", 《计算机应用研究》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020220438A1 (zh) * 2019-04-29 2020-11-05 东北大学 一种针对虚拟机不同类型的业务并发量预测方法
CN110674868A (zh) * 2019-09-23 2020-01-10 中煤科工集团西安研究院有限公司 一种基于高维钻进参数信息的地层岩性识别系统及其方法
CN112381051A (zh) * 2020-11-30 2021-02-19 闽江师范高等专科学校 基于改进支持向量机核函数的植物叶片分类方法及系统
CN112381051B (zh) * 2020-11-30 2023-12-19 闽江师范高等专科学校 基于改进支持向量机核函数的植物叶片分类方法及系统

Also Published As

Publication number Publication date
CN109034179B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN110674841B (zh) 一种基于聚类算法的测井曲线识别方法
CN106526693B (zh) 裂缝识别方法和装置
CN109800863B (zh) 一种基于模糊理论和神经网络的测井相识别方法
Liu et al. A modified Fuzzy C-Means (FCM) Clustering algorithm and its application on carbonate fluid identification
CN102981182B (zh) 基于无监督分类的二维地震数据全层位自动追踪方法
CN105243388B (zh) 基于动态时间规整和划分算法的波形分类方法
Chang et al. Lithofacies identification using multiple adaptive resonance theory neural networks and group decision expert system
CN110609320B (zh) 一种基于多尺度特征融合的叠前地震反射模式识别方法
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
CN109034179A (zh) 一种基于马氏距离idtw的岩层分类方法
CN112508105A (zh) 一种采油机故障检测与检索方法
CN108376295A (zh) 一种油气甜点预测方法及存储介质
CN104280771A (zh) 一种基于em算法的三维地震数据波形的半监督聚类方法
CN110097069A (zh) 一种基于深度多核学习的支持向量机岩相识别方法及装置
CN106991509A (zh) 基于径向基函数神经网络模型的测井曲线预测方法
Zhao* et al. TOC estimation in the Barnett Shale from triple combo logs using support vector machine
Guo et al. Prediction of reservoir saturation field in high water cut stage by bore-ground electromagnetic method based on machine learning
CN109655905A (zh) 基于全方位角数据叠前avaz反演裂缝预测方法及系统
CN116665067A (zh) 基于图神经网络的找矿靶区优选系统及其方法
CN108897035A (zh) 一种基于检波器权重因素的微地震加权定位方法
CN114548299A (zh) 一种地震相识别方法、装置、计算机设备及存储介质
CN116540316B (zh) 基于svm分类算法及聚类算法的地质土层测试方法
Lu et al. Identifying flow units by FA-assisted SSOM—An example from the Eocene basin-floor-fan turbidite reservoirs in the Daluhu Oilfield, Dongying Depression, Bohai Bay Basin, China
CN109143355B (zh) 基于som的半监督全局优化地震相定量分析方法
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements

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