CN111831712B - 一种基于深度学习的矿物光谱数据快速检索方法及系统 - Google Patents
一种基于深度学习的矿物光谱数据快速检索方法及系统 Download PDFInfo
- Publication number
- CN111831712B CN111831712B CN202010674396.3A CN202010674396A CN111831712B CN 111831712 B CN111831712 B CN 111831712B CN 202010674396 A CN202010674396 A CN 202010674396A CN 111831712 B CN111831712 B CN 111831712B
- Authority
- CN
- China
- Prior art keywords
- mineral
- spectrum data
- data
- standard
- library
- 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
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 291
- 239000011707 mineral Substances 0.000 title claims abstract description 291
- 238000001228 spectrum Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003491 array Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 239000011435 rock Substances 0.000 abstract description 18
- 238000004451 qualitative analysis Methods 0.000 abstract 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Abstract
本发明公开了一种基于深度学习的矿物光谱数据快速检索方法及系统,当海量岩石或岩心光谱进行矿物定性分析时,需要每个光谱进行数据库检索,而数据库近千条标准矿物光谱数据,致使定性分析太慢,本发明是利用同一地区矿物,一般不超过10种特点,对第一次检索的矿物,作为标准矿物,记录矿物种类,再检索时,以第一次检索为标准矿物,如果不是,再查数据库,在原有检索矿物种类基础上增加一个种类矿物,如果是,记录此矿物,跳过下一个光谱检索,以此类推,随着检索矿物种类齐全,检索速度越来越快,从而提高定性检索效率。
Description
技术领域
本发明属于地质探测技术领域,尤其涉及一种基于深度学习的矿物光谱数据快速检索方法及系统。
背景技术
岩石或岩心是地质勘探开发研究工作中宝贵的不可再生资源,也是最直观、最关键的实物资料之一,地质分析数据和地球化学数据大多来自岩石或岩心。对与岩石或岩心的观察描述在确定岩石或岩心矿物,推断地质演化环境以及成矿规律研究中具有不可替代的作用。因此,及时有效的获取岩石或岩心信息,有助于提高岩石样品或岩心管理水平、拓展应用领域、增加应用价值。地物波谱仪或岩心光谱扫描仪(简称光谱仪)是目前常用的一种测量岩石或岩心的仪器,是基于反射光谱分析技术,利用光谱仪测量样品在一定波长范围的反射波谱,并根据其光谱特征来分析不同的矿物。利用光谱仪测量岩石或岩心光谱时,需要测量光谱反射率,光谱反射率是岩心样品光谱与参比板光谱的比值,因而获取海量数据。这些数据以往通过矿物标准数据库进行检索,确定矿物主成分,由于矿物标准数据库数据庞大,每个矿物光谱数据都对矿物标准数据库检索一遍,因而造成数据分析太慢。
发明内容
本发明的目的在于:针对上述现有技术存在的不足,提出一种能够方便准确地分析矿物主成分的深度学习方法,通过初次数据库检索,记录矿物分析结果,同时记录次矿物光谱数据,在下一次检索时,首先检索矿物记录里是否存在,如果存在,进行下一个矿物光谱数据检索,如果不存在,再检索标准数据库。这样通过不断检索学习,使数据分析越来越快。
为了达到以上目的,本发明提供了一种基于深度学习的矿物光谱数据快速检索方法,包括如下步骤:
步骤1,分别对矿物光谱数据集和标准矿物库中的矿物光谱数据进行预处理;标准矿物库是现有技术中已有的数据库;
步骤2,对矿物光谱数据集中的第一个矿物光谱数据进行检索,如果所述矿物光谱数据在标准矿物库中检索不到,将所述矿物光谱数据记录到标准矿物记录表和检索矿物记录表中;如果所述矿物光谱数据在标准矿物库中能够检索到,将检索结果记录到检索矿物记录表内;
步骤3,从矿物光谱数据集中的第二个矿物光谱数据开始,根据检索矿物记录表进行检索,如果能够在检索矿物记录表中检索到矿物光谱数据,将所述矿物光谱数据记录到检索矿物记录表;如果检索不到,检索标准矿物库,将在标准矿物库检索到的矿物记录到标准矿物记录表和检索矿物记录表中;
步骤4,重复步骤3,直至矿物光谱数据集中所有的矿物光谱数据都检索完毕。
步骤2包括如下步骤:
步骤2-1,设定光谱相似度检测A值的阈值,一般设置为0.8;
步骤2-2,对于矿物光谱数据集中的所有数据进行一阶导,将结果存入数组X,Xi表示数组X第i个数据;
对标准矿物库中的所有数据进行一阶导,将结果存入数组Y,Yi表示数组Y第i个数据;i取值为1~n,矿物光谱数据集和标准矿物库中的数据总数均为n;矿物光谱数据集中的所有数据和标准矿物库中的所有数据是以一维数组的形式保存的;
步骤2-3,根据如下公式计算光谱相似度A:
当Xi为X1时,利用上述公式即能够求得矿物光谱数据集中的第一个矿物光谱数据分别与标准矿物库中的每一个矿物光谱数据的光谱相似度A,取光谱相似度中的最大值,将其所对应的标准矿物库中的矿物光谱数据检索出来,所述矿物光谱数据包括矿物名称和矿物光谱数据,将矿物名称存入标准矿物记录表B,矿物光谱数据存入数组C,同时矿物名称存入检索矿物名称表D。
步骤3包括如下步骤:
步骤3-1,获取矿物光谱数据集中的第二个矿物光谱数据,根据如下公式计算其与数组C中的矿物光谱数据的相似度A:
其中,Ci表示数组C中第i个数据,如果相似度A大于设定的阈值,将其所对应的数组C中的矿物光谱数据搜索出来,将所述矿物光谱数据包含的矿物名称存入检索矿物名称表D,并将矿物光谱数据集中的第二个矿物光谱数据存入数组C;
如果相似度A小于等于设定的阈值,则执行步骤2-2;
步骤3-2,对于矿物光谱数据集中的剩余数据,重复步骤3-1,直至矿物光谱数据集中所有的数据处理完毕。
本发明还提供了一种基于深度学习的物光谱数据快速检索系统,包括数据预处理模块和数据检索模块;
其中,所述数据预处理模块用于,分别对矿物光谱数据和标准矿物库中的矿物光谱数据进行预处理;
所述数据检索模块用于,对矿物光谱数据集中的第一个矿物光谱数据进行检索,如果所述矿物光谱数据在标准矿物库中检索不到,将所述矿物光谱数据记录到标准矿物记录表和检索矿物记录表中;如果所述矿物光谱数据在标准矿物库中能够检索到,将检索结果记录到检索矿物记录表内;
从矿物光谱数据集中的第二个矿物光谱数据开始,根据检索矿物记录表进行检索,如果能够在检索矿物记录表中检索到矿物光谱数据,将所述矿物光谱数据记录到检索矿物记录表;如果检索不到,检索标准矿物库,将在标准矿物库检索到的矿物记录到标准矿物记录表和检索矿物记录表中;重复上述过程,直至矿物光谱数据集中所有的矿物光谱数据都检索完毕。
所述数据预处理模块具体执行如下步骤:
步骤2-1,设定光谱相似度检测A值的阈值;
步骤2-2,对于矿物光谱数据集中的所有数据进行一阶导,将结果存入数组X,Xi表示数组X第i个数据;
对标准矿物库中的所有数据进行一阶导,将结果存入数组Y,Yi表示数组Y第i个数据;i取值为1~n,矿物光谱数据集和标准矿物库中的数据总数均为n;矿物光谱数据集中的所有数据和标准矿物库中的所有数据是以一维数组的形式保存的;
步骤2-3,根据如下公式计算光谱相似度A:
当Xi为X1时,利用上述公式即能够求得矿物光谱数据集中的第一个矿物光谱数据分别与标准矿物库中的每一个矿物光谱数据的光谱相似度A,取光谱相似度中的最大值,将其所对应的标准矿物库中的矿物光谱数据检索出来,所述矿物光谱数据包括矿物名称和矿物光谱数据,将矿物名称存入标准矿物记录表B,矿物光谱数据存入数组C,同时矿物名称存入检索矿物名称表D。
所述数据检索模块具体执行如下步骤:
步骤3-1,获取矿物光谱数据集中的第二个矿物光谱数据,根据如下公式计算其与数组C中的矿物光谱数据的相似度A:
其中,Ci表示数组C中第i个数据,如果相似度A大于设定的阈值,将其所对应的数组C中的矿物光谱数据搜索出来,将所述矿物光谱数据包含的矿物名称存入检索矿物名称表D,并将矿物光谱数据集中的第二个矿物光谱数据存入数组C;
如果相似度A小于等于设定的阈值,则执行步骤2-2;
步骤3-2,对于矿物光谱数据中的剩余数据,重复步骤3-1,直至矿物光谱数据集中所有的数据处理完毕。
所述矿物光谱数据是利用地物波谱仪和岩心光谱扫描仪等设备获取的。
有益效果:本发明的优点是随着数据检索的深入学习,矿物分析速度越来越快,从而提高工作效率,减少人为误差影响,使数据分析更准确。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1为本发明方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本发明了一种基于深度学习的矿物光谱数据快速检索方法及系统,首先获取海量原始矿物光谱数据集,所述海量原始矿物光谱数据集的第一个数据通过标准矿物库进行检索,所述检索确定的矿物与标准矿物表对比,如果没有或空,记录到标准矿物记录表内,同时记录到检索矿物记录表内。矿物光谱数据从第2个光谱开始,通过标准矿物表进行检索,如果能检索到,记录到检索矿物记录表内,返回矿物光谱数据进行下一个数据检索,如果检索不到,检索标准矿物库,检索的矿物记录到标准矿物记录表内,同时记录到检索矿物记录表内,返回矿物光谱数据进行下一个数据检索,以此类推,直至矿物光谱数据检索完。
实施例
本实施例中,对三份采集的矿物光谱数据集(安徽宣城港地1#钻孔数据,共计30665个光谱数据;浙江政和双旗山矿产勘查区,共计1186光谱数据;新疆阿舍勒铜矿ZK0401钻孔数据,共计25485个光谱数据)分别采样现有方法和本发明方法进行检索处理,结果如表1所示:
表1
由上表可知,T1比T0检索速度提高3倍以上,有效性得到显著提高。
除上述实施例外,本发明还可以有其他光谱分析。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
本发明提供了一种基于深度学习的矿物光谱数据快速检索方法及系统,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种基于深度学习的矿物光谱数据快速检索方法,其特征在于,包括如下步骤:
步骤1,分别对矿物光谱数据集和标准矿物库中的矿物光谱数据进行预处理;
步骤2,对矿物光谱数据集中的第一个矿物光谱数据进行检索,如果所述矿物光谱数据在标准矿物库中检索不到,将所述矿物光谱数据记录到标准矿物记录表和检索矿物记录表中;如果所述矿物光谱数据在标准矿物库中能够检索到,将检索结果记录到检索矿物记录表内;
步骤3,从矿物光谱数据集中的第二个矿物光谱数据开始,根据检索矿物记录表进行检索,如果能够在检索矿物记录表中检索到矿物光谱数据,将所述矿物光谱数据记录到检索矿物记录表;如果检索不到,检索标准矿物库,将在标准矿物库检索到的矿物记录到标准矿物记录表和检索矿物记录表中;
步骤4,重复步骤3,直至矿物光谱数据集中所有的矿物光谱数据都检索完毕。
2.根据权利要求1所述的方法,其特征在于,步骤2包括如下步骤:
步骤2-1,设定光谱相似度检测A值的阈值;
步骤2-2,对于矿物光谱数据集中的所有数据进行一阶导,将结果存入数组X,Xi表示数组X第i个数据;
对标准矿物库中的所有数据进行一阶导,将结果存入数组Y,Yi表示数组Y第i个数据;i取值为1~n,矿物光谱数据集和标准矿物库中的数据总数均为n;矿物光谱数据集中的所有数据和标准矿物库中的所有数据是以一维数组的形式保存的;
步骤2-3,根据如下公式计算光谱相似度A:
当Xi为X1时,利用上述公式即能够求得矿物光谱数据集中的第一个矿物光谱数据分别与标准矿物库中的每一个矿物光谱数据的光谱相似度A,取光谱相似度中的最大值,将其所对应的标准矿物库中的矿物光谱数据检索出来,所述矿物光谱数据包括矿物名称和矿物光谱数据,将矿物名称存入标准矿物记录表B,矿物光谱数据存入数组C,同时矿物名称存入检索矿物名称表D。
3.根据权利要求2所述的方法,其特征在于,步骤3包括如下步骤:
步骤3-1,获取矿物光谱数据集中的第二个矿物光谱数据,根据如下公式计算其与数组C中的矿物光谱数据的相似度A:
其中,Ci表示数组C中第i个数据,如果相似度A大于设定的阈值,将其所对应的数组C中的矿物光谱数据搜索出来,将所述矿物光谱数据包含的矿物名称存入检索矿物名称表D,并将矿物光谱数据集中的第二个矿物光谱数据存入数组C;
如果相似度A小于等于设定的阈值,则执行步骤2-2;
步骤3-2,对于矿物光谱数据集中的剩余数据,重复步骤3-1,直至矿物光谱数据集中所有的数据处理完毕。
4.一种基于深度学习的矿物光谱数据快速检索系统,其特征在于,包括数据预处理模块和数据检索模块;
其中,所述数据预处理模块用于,分别对矿物光谱数据和标准矿物库中的矿物光谱数据进行预处理;
所述数据检索模块用于,对矿物光谱数据集中的第一个矿物光谱数据进行检索,如果所述矿物光谱数据在标准矿物库中检索不到,将所述矿物光谱数据记录到标准矿物记录表和检索矿物记录表中;如果所述矿物光谱数据在标准矿物库中能够检索到,将检索结果记录到检索矿物记录表内;
从矿物光谱数据集中的第二个矿物光谱数据开始,根据检索矿物记录表进行检索,如果能够在检索矿物记录表中检索到矿物光谱数据,将所述矿物光谱数据记录到检索矿物记录表;如果检索不到,检索标准矿物库,将在标准矿物库检索到的矿物记录到标准矿物记录表和检索矿物记录表中;重复上述过程,直至矿物光谱数据集中所有的矿物光谱数据都检索完毕。
5.根据权利要求4所述的系统,其特征在于,所述数据预处理模块具体执行如下步骤:
步骤2-1,设定光谱相似度检测A值的阈值;
步骤2-2,对于矿物光谱数据集中的所有数据进行一阶导,将结果存入数组X,Xi表示数组X第i个数据;
对标准矿物库中的所有数据进行一阶导,将结果存入数组Y,Yi表示数组Y第i个数据;i取值为1~n,矿物光谱数据集和标准矿物库中的数据总数均为n;矿物光谱数据集中的所有数据和标准矿物库中的所有数据是以一维数组的形式保存的;
步骤2-3,根据如下公式计算光谱相似度A:
当Xi为X1时,利用上述公式即能够求得矿物光谱数据集中的第一个矿物光谱数据分别与标准矿物库中的每一个矿物光谱数据的光谱相似度A,取光谱相似度中的最大值,将其所对应的标准矿物库中的矿物光谱数据检索出来,所述矿物光谱数据包括矿物名称和矿物光谱数据,将矿物名称存入标准矿物记录表B,矿物光谱数据存入数组C,同时矿物名称存入检索矿物名称表D。
6.根据权利要求5所述的系统,其特征在于,所述数据检索模块具体执行如下步骤:
步骤3-1,获取矿物光谱数据集中的第二个矿物光谱数据,根据如下公式计算其与数组C中的矿物光谱数据的相似度A:
其中,Ci表示数组C中第i个数据,如果相似度A大于设定的阈值,将其所对应的数组C中的矿物光谱数据搜索出来,将所述矿物光谱数据包含的矿物名称存入检索矿物名称表D,并将矿物光谱数据集中的第二个矿物光谱数据存入数组C;
如果相似度A小于等于设定的阈值,则执行步骤2-2;
步骤3-2,对于矿物光谱数据中的剩余数据,重复步骤3-1,直至矿物光谱数据集中所有的数据处理完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674396.3A CN111831712B (zh) | 2020-07-14 | 2020-07-14 | 一种基于深度学习的矿物光谱数据快速检索方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674396.3A CN111831712B (zh) | 2020-07-14 | 2020-07-14 | 一种基于深度学习的矿物光谱数据快速检索方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831712A CN111831712A (zh) | 2020-10-27 |
CN111831712B true CN111831712B (zh) | 2024-02-20 |
Family
ID=72923073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010674396.3A Active CN111831712B (zh) | 2020-07-14 | 2020-07-14 | 一种基于深度学习的矿物光谱数据快速检索方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831712B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779341A (zh) * | 2021-06-11 | 2021-12-10 | 中国石油化工股份有限公司 | 基于数据库的矿物种类确定方法、装置、终端及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944524A (zh) * | 2011-08-14 | 2013-02-27 | 北京理工大学 | 一种用于油气勘探的光谱库的实现方法 |
EP3062096A1 (en) * | 2015-02-25 | 2016-08-31 | FEI Company | Sample-specific reference spectra library |
EP3073253A1 (en) * | 2015-03-26 | 2016-09-28 | Fei Company | Sample-specific reference spectra library |
CN109283148A (zh) * | 2018-09-30 | 2019-01-29 | 核工业北京地质研究院 | 一种基于光谱信息自动识别岩石矿物的方法 |
CN110879219A (zh) * | 2019-12-26 | 2020-03-13 | 通标标准技术服务(天津)有限公司 | 基于三维荧光光谱的水中矿物油检测方法 |
CN110967311A (zh) * | 2019-11-25 | 2020-04-07 | 中国科学院地球化学研究所 | 基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9719950B2 (en) * | 2015-02-25 | 2017-08-01 | Fei Company | Sample-specific reference spectra library |
US10801963B2 (en) * | 2018-08-22 | 2020-10-13 | Paul Bartholomew | Raman spectroscopy for minerals identification |
-
2020
- 2020-07-14 CN CN202010674396.3A patent/CN111831712B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944524A (zh) * | 2011-08-14 | 2013-02-27 | 北京理工大学 | 一种用于油气勘探的光谱库的实现方法 |
EP3062096A1 (en) * | 2015-02-25 | 2016-08-31 | FEI Company | Sample-specific reference spectra library |
EP3073253A1 (en) * | 2015-03-26 | 2016-09-28 | Fei Company | Sample-specific reference spectra library |
CN109283148A (zh) * | 2018-09-30 | 2019-01-29 | 核工业北京地质研究院 | 一种基于光谱信息自动识别岩石矿物的方法 |
CN110967311A (zh) * | 2019-11-25 | 2020-04-07 | 中国科学院地球化学研究所 | 基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法 |
CN110879219A (zh) * | 2019-12-26 | 2020-03-13 | 通标标准技术服务(天津)有限公司 | 基于三维荧光光谱的水中矿物油检测方法 |
Non-Patent Citations (1)
Title |
---|
陈春霞 ; 修连存 ; 高扬 ; .岩心光谱扫描仪数据处理应用研究.光谱学与光谱分析.2019,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111831712A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tao et al. | Mining distance-based outliers from large databases in any metric space | |
US6370547B1 (en) | Database correlation method | |
CN103530321A (zh) | 一种基于机器学习的排序系统 | |
CN103559185B (zh) | 试验数据文档解析入库方法 | |
CN104462184A (zh) | 一种基于双向抽样组合的大规模数据异常识别方法 | |
CN110187383B (zh) | 一种海上宽方位地震数据cov道集快速分选方法 | |
CN110674199B (zh) | 将csv格式数据转换为SEG-2格式数据的方法及装置 | |
CN111831712B (zh) | 一种基于深度学习的矿物光谱数据快速检索方法及系统 | |
CN111427725A (zh) | 一种大数据的数据存储系统及方法 | |
CN115327613A (zh) | 一种“多层多级”模式的矿山微震波形自动分类识别方法 | |
CN111028095A (zh) | 一种基于测井曲线的定量识别页岩岩相的方法 | |
Dickmann et al. | Towards the integration of smart techniques for tunnel seismic applications | |
US9785683B2 (en) | Database and method for evaluating data therefrom | |
CN110847887A (zh) | 一种细粒沉积陆相页岩裂缝识别评价方法 | |
CN116340390A (zh) | 一种针对多维快速射电暴数据的知识库系统、装置及存储介质 | |
CN111426657A (zh) | 一种溶解性有机物三维荧光谱图的识别比对方法 | |
Xie et al. | An integrated mineral spectral library using shared data for hyperspectral remote sensing and geological mapping | |
Zan et al. | A variable-length motifs discovery method in time series using hybrid approach | |
CN112100670A (zh) | 一种基于大数据的隐私数据分级保护方法 | |
CN111861944B (zh) | 一种基于多结构元素形态学的核素能谱寻峰方法 | |
JP2020170499A (ja) | データ記録及び分析システム | |
CN112324426B (zh) | 一种基于气测资料快速判别凝析气藏油环大小的方法 | |
CN116303473B (zh) | 一种数据库的构建方法、装置、设备及可读存储介质 | |
CN116431799B (zh) | 基于技术创新研发的内容精准挖掘系统 | |
KR101317540B1 (ko) | 최대 가중화 빈발 패턴 마이닝 방법 |
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 |