CN112465023A - 一种地质方向人工神经网络训练数据的扩展算法 - Google Patents

一种地质方向人工神经网络训练数据的扩展算法 Download PDF

Info

Publication number
CN112465023A
CN112465023A CN202011353345.7A CN202011353345A CN112465023A CN 112465023 A CN112465023 A CN 112465023A CN 202011353345 A CN202011353345 A CN 202011353345A CN 112465023 A CN112465023 A CN 112465023A
Authority
CN
China
Prior art keywords
data
training
parameters
accuracy
training data
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
CN202011353345.7A
Other languages
English (en)
Other versions
CN112465023B (zh
Inventor
杜星
赵晓龙
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.)
First Institute of Oceanography MNR
Original Assignee
First Institute of Oceanography MNR
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 First Institute of Oceanography MNR filed Critical First Institute of Oceanography MNR
Priority to CN202011353345.7A priority Critical patent/CN112465023B/zh
Publication of CN112465023A publication Critical patent/CN112465023A/zh
Application granted granted Critical
Publication of CN112465023B publication Critical patent/CN112465023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Agronomy & Crop Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及地质和人工智能技术领域，具体涉及一种地质方向人工神经网络训练数据的扩展算法，包括步骤A、地质数据的获取，步骤B、数据分析筛选，步骤C、数据扩展与前处理，步骤D、模型训练以及步骤E、准确性验证，该扩展算法适用于海洋地质领域以及类似的训练数据量少的领域，通过对有限的少量已有数据进行分析、处理和扩展，以满足当前大量训练数据的需求，达到现有人工神经网络训练模型学习的需求，得到精确的预测模型。因此，通过本发明的方法，能够在人工智能学习中，在样本数据量较小时对数据进行扩展，提高少量数据训练时的精度，对有限的数据具有深入挖掘的功能，以达到充分学习、增加准确率的目的。

Description

一种地质方向人工神经网络训练数据的扩展算法
技术领域
本发明涉及地质和人工智能技术领域，具体涉及一种地质方向人工神经网络训练数据的扩展算法。
背景技术
人工智能技术是目前在全球各领域都广泛运用的一项技术，无论是图像识别、声音识别、自动驾驶还是搜索引擎的使用，都给人们生活带来了巨大的便利。在地质领域，人工智能技术也逐渐得到了广泛的使用，例如卫星图片识别、灾害预警以及各类地质数据预测等。人工智能算法最基础的思想为利用已有模型，通过对训练数据进行学习和校正，最终获得合适的模型内部参数，并进行下一步的使用。其中，人工神经网络作为一种有监督机器学习算法，是应用最为广泛的一种人工智能算法。
通常情况下，人工智能训练数据的获得较为容易且数据量庞大。像淘宝、京东等购物网站，每天通过用户的点击量即可获得大量训练数据，对用户的喜好进行预测和分类，甚至还要适当对数据进行精简以加快运算速度。但是，与大部分人工智能的应用领域不同的是，地质领域获取数据成本高、难度大、影响因素复杂，因此研究某一问题时训练数据往往较为不足，与其他领域以TB为单位计算的数据比较起来，往往只有几kb的数据量，容易导致训练数据不足、训练结果不准确。
人类或生物对于某一事物或问题的学习，往往几十甚至几次就能快速掌握该问题，根本不需要几万甚至几十万次的数据进行训练。这说明现有人工智能算法仍然具有较大的不足，对于数据量有着较大的依赖，与真正生物学习和处理问题的能力差别较大。当训练数据量不足时无法得到精确的预测模型，所以充足的训练数据量非常重要。
为此，亟待提出一种数据扩展算法，可以针对地质领域的基于人工神经网络训练数据量较少的情况，能够对已有数据进行分析、处理和扩展，以满足当前大量训练数据的需求。
发明内容
本发明的目的在于针对现有技术中的不足，而提供一种地质方向人工神经网络训练数据的扩展算法，该扩展算法能够对有限的少量数据进行分析、处理和扩展，达到现有人工神经网络训练模型学习的需求，得到精确的预测模型。
本发明的目的通过以下技术方案实现：
提供一种地质方向人工神经网络训练数据的扩展算法，包括以下步骤：
步骤A、地质数据的获取：
获取研究海洋地质问题或区域的相关参数，用以保证数据的准确性，所有参数对应的数据为原始数据t；
步骤B、数据分析筛选：
结合研究海洋地质领域的专业知识，分析哪些参数进行数据扩展后对结果没有影响，筛选出适宜进行扩展处理的参数，作为可扩展参数；
将原始数据t按比例分成a％和(1-a％)两部分，其中a％的数据作为训练数据X进行扩展处理使用，所述训练数据X的总量为t×a％，剩余(1-a％)的数据作为二次检验数据Y使用，所述二次检验数据Y的总量为t×(1-a％)。
步骤C、数据扩展与前处理：
步骤C1、数据扩展处理：
将筛选出的可扩展参数所对应的训练数据X，使用数值临近法进行扩展，同一个参数扩展的数量和不同参数之间的组合方式根据实际情况进行校验后确定，具体为：
每一行作为一组数据，当对x行y列的参数进行扩展时，可扩展参数的数量为m，m≤y；假设指定某一参数a3进行扩展时，扩展的总量为s、扩展次数为n，则每次扩展的步长为：
Figure BDA0002801951670000021
所述训练数据X扩展后的总量变为了X(n+1)；
若对m个参数均进行扩展，考虑到不同参数之间的排列组合，扩展后训练数据的最大参数总量为Z：
Figure BDA0002801951670000031
则扩展后训练数据的总量Z比原有训练数据X的总量多了
Figure BDA0002801951670000032
组参数；
该步骤在实际操作时，可使用不同组参数扩展数目进行试验，找到满足应用需求的扩展数量即可，并不一定需要用到最大数量的参数值。
步骤C2、数据前处理：
将步骤C1的扩展后训练数据总量Z进行归一化处理，原始数据线性化的方法转换到[0,1]的范围，归一化公式为：
Figure BDA0002801951670000033
其中amax为样本数据的最大值，amin为样本数据的最小值，归一化后再次将数据分成b％和1-b％两部分，其中b％的数据作为最终训练数据用于模型训练使用，所述最终训练数据的总量为Z×b％；剩余(1-b％)的数据作为初次检验数据用于模型初次检验使用，所述初次检验数据的总量为Z×(1-b％)。
步骤D、模型训练：
使用人工神经网络模型，对步骤C2的最终训练数据(即总量为Z×b％的部分数据)进行模型训练，当满足精度需求后，停止训练得到所需模型；
该步骤使用人工神经网络模型进行训练，重点在于通过使用不同的神经网络隐藏层数目、激活函数和神经网络参数，对比分析得到最适宜该问题的参数，具体可参照神经网络原理与编程应用的详细介绍，这部分为现有技术，在此不做过多叙述。
步骤E、准确性验证：
准确性检验共分为两个步骤，分别为初次检验和二次检验；其中，初次检验步骤中使用的数据为初次检验数据(即总量为Z×(1-b％)的部分数据)，若模型计算后准确性达标则通过检验，若不达标则需要重新训练；
达标后再进行二次检验，二次检验步骤中使用的数据为二次检验数据Y(即总量为t×(1-a％)的部分数据)进行训练，该部分不受数据扩展的影响，因此可以防止“过拟合”现象的出现；
所述准确性检验，若初次检验、二次检验的准确率均较低，则应重新进行数据扩展和训练；若初次检验准确率很高，二次检验准确率低，则说明出现“过拟合”现象，应减小训练数据的量，重新训练；若初次检验和二次检验的准确率均较高，则表示模型较为可靠。
上述技术方案中，步骤A中，所述参数包括但不限于内动力地质作用参数(如构造运动、火山爆发、地震等参数)、外动力地质作用(如风化、侵蚀等参数)参数和研究对象自身地质参数(如岩土体类型、工程性质等参数)。
上述技术方案中，步骤B中，a％设置为60％～85％，根据具体的案例数据不同也可以做出适当的调整。
上述技术方案中，步骤C2中，b％设置为60％～85％，根据具体的案例数据不同也可以做出适当的调整。
本发明的有益效果：
本发明的一种地质方向人工神经网络训练数据的扩展算法，包括步骤A、地质数据的获取，步骤B、数据分析筛选，步骤C、数据扩展与前处理，步骤D、模型训练以及步骤E、准确性验证，本发明的扩展算法，是基于人工神经网络模型的训练，适用于海洋地质领域以及类似的训练数据量少的领域，通过对有限的少量已有数据进行分析、处理和扩展，以满足当前大量训练数据的需求，达到现有人工神经网络训练模型学习的需求，得到精确的预测模型。因此，通过本发明的方法，能够在人工智能学习中，在样本数据量较小时对数据进行扩展，提高少量数据训练时的精度，对有限的数据具有深入挖掘的功能，以达到充分学习、增加准确率的目的。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中对3个参数同时扩展的示意图。
图3为本发明实施例中对3个参数进行扩展时的所有情况示意图。
图4为本发明实施例中对训练数据扩展及准确性检验步骤的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步的详细说明，但并不构成对本发明的任和限制。
本实施例的一种地质方向人工神经网络训练数据的扩展算法如图1和图4所示，包括以下步骤：
步骤A、地质数据的获取：
本实施例使用基于CPT数据进行地震液化预测，经过筛选后共有地震级数、贯入深度、总垂向应力、有效垂向应力、锥端阻力和地表归一化峰值加速度，这6个参数被用来计算，一共有166组来自世界各地的地震液化实测数据(即原始数据)。
步骤B、数据分析筛选：
选定贯入深度、总垂向应力、有效垂向应力作为可扩展参数。对于贯入深度来说，0.01m以内的变化几乎对结果无影响；对于垂向应力来说，0.1kPa量级的变化也可以忽略不计，因此，筛选出以上三个参数可作为可扩展参数，进行下一步数据扩展处理。
按照训练数据：二次检验数据＝70％：30％的比例，将166组原始数据分为116组训练数据和50组二次检验数据，为验证数据扩展后的准确性，二次检验数据量较多。
步骤C、数据扩展与前处理：
步骤C1、数据扩展：
将筛选出的可扩展参数所对应的训练数据，使用数值临近法进行扩展，令贯入深度、总垂向应力、有效垂向应力这三个可扩展参数的扩展步长分别为0.005、0.005和0.02，扩展次数分别为4、8和12次，均同时对以上三个参数进行扩展(见图2和图3)，得到扩展后训练数据组数的总量分别为580、1044和1508。
该步骤在实际操作时，数据扩展的量可以通过试探后选择合适的数量，找到满足应用需求的扩展数量即可，并不是越大越好，不一定需要用到最大数量的参数值。
步骤C2、数据前处理：
将步骤C1的扩展后训练数据总量进行归一化处理，原始数据线性化的方法转换到[0,1]的范围，归一化公式为：
Figure BDA0002801951670000061
其中，amax为样本数据的最大值，amin为样本数据的最小值，归一化后再次将数据按比例分成85％和15％分两部分，其中85％的数据作为最终训练数据，用于模型训练使用；剩余15％的数据作为初次检验数据，用于模型初次检验使用。
步骤D、模型训练：
针对本研究问题，选定人工神经网络模型进行训练。训练网络时要选定合适的隐藏层节点数目、激活函数、神经网络函数，经过一定的训练后，确定适宜的参数组合。
该步骤使用人工神经网络模型进行训练，重点在于通过使用不同的神经网络隐藏层数目、激活函数和神经网络参数，对比分析得到最适宜该问题的参数，具体可参照神经网络原理与编程应用的详细介绍，这部分为现有技术，在此不做过多叙述。
步骤E、准确性验证：
经过模型的训练后，分别用15％的初次检验数据与50组二次检验数据对模型的预测效果进行检验，得到的结果见表1。
表1.使用不同样本数量的训练数据测试后初次检验、二次检验的准确率
Figure BDA0002801951670000062
由表1可知，当未进行数据扩展时，初次检验的准确率为88％，二次检验的准确率为46％，这表明虽然在训练数据内部有较高准确率，但是在单独的数据集表现较差。随着扩展后数据量的增加，初次检验的准确率依次为94.25％、96.82％、100％，二次检验的准确率依次为70％、78％、94％。由此可见，对于少量的数据进行科学范围内的扩展后会具有更高的准确率，不仅仅能够对扩展后数据的准确率提高，更可以提高其他独立数据的准确性。数据扩展的量可以通过试探后选择合适的数量，并不是越大越好。
由此可见，本发明的一种地质方向人工神经网络训练数据的扩展算法能够在人工智能学习中，提高少量数据训练时的精度，对有限的数据具有深入挖掘的功能。
以上所举实施例为本发明的较佳实施方式，仅用来方便说明本发明，并非对本发明作任何形式上的限制，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。

Claims (4)

1.一种地质方向人工神经网络训练数据的扩展算法，其特征在于：包括以下步骤：
步骤A、地质数据的获取：
获取研究海洋地质问题或区域的相关参数，用以保证数据的准确性，所有参数对应的数据为原始数据t；
步骤B、数据分析筛选：
分析哪些参数进行数据扩展后对结果没有影响，筛选出适宜进行扩展处理的参数，作为可扩展参数；
将原始数据t按比例分成a％和(1-a％)两部分，其中a％的数据作为训练数据X进行扩展处理使用，所述训练数据X的总量为t×a％，剩余(1-a％)的数据作为二次检验数据Y使用，所述二次检验数据Y的总量为t×(1-a％)；
步骤C、数据扩展与前处理：
C1、数据扩展处理：
将筛选出的可扩展参数所对应的训练数据X，使用数值临近法进行扩展，同一个参数扩展的数量和不同参数之间的组合方式根据实际情况进行校验后确定，具体为：
每一行作为一组数据，当对x行y列的参数进行扩展时，可扩展参数的数量为m，m≤y；假设指定某一参数a3进行扩展时，扩展的总量为s、扩展次数为n，则每次扩展的步长为：
Figure FDA0002801951660000011
所述训练数据X扩展后的总量变为了X(n+1)；
若对m个参数均进行扩展，考虑到不同参数之间的排列组合，扩展后训练数据的最大参数总量为Z：
Figure FDA0002801951660000012
则扩展后训练数据的总量Z比原有训练数据X的总量多了
Figure FDA0002801951660000013
组参数；
C2、数据前处理：
将步骤C1的扩展后训练数据总量Z进行归一化处理，原始数据线性化的方法转换到[0,1]的范围，归一化公式为：
Figure FDA0002801951660000021
其中，amax为样本数据的最大值，amin为样本数据的最小值，归一化后再次将数据分成b％和1-b％两部分，其中b％的数据作为最终训练数据用于模型训练使用，所述最终训练数据的总量为Z×b％；剩余(1-b％)的数据作为初次检验数据用于模型初次检验使用，所述初次检验数据的总量为Z×(1-b％)；
步骤D、模型训练：
使用人工神经网络模型，对步骤C2的最终训练数据进行模型训练，当满足精度需求后，停止训练得到所需模型；
步骤E、准确性验证：
准确性检验共分为两个步骤，分别为初次检验和二次检验；其中，初次检验步骤中使用的数据为初次检验数据，若模型计算后准确性达标则通过检验，若不达标则需要重新训练；
达标后再进行二次检验，二次检验步骤中使用的数据为二次检验数据Y进行训练，该部分不受数据扩展的影响，因此可以防止“过拟合”现象的出现；
所述准确性检验，若初次检验、二次检验的准确率均较低，则应重新进行数据扩展和训练；若初次检验准确率很高，二次检验准确率低，则说明出现“过拟合”现象，应减小训练数据的量，重新训练；若初次检验和二次检验的准确率均较高，则表示模型较为可靠。
2.根据权利要求1所述的一种地质方向人工神经网络训练数据的扩展算法，其特征在于：步骤A中，所述参数包括内动力地质作用参数、外动力地质作用参数和研究对象自身地质参数。
3.根据权利要求1所述的一种地质方向人工神经网络训练数据的扩展算法，其特征在于：步骤B中，a％设置为60％～85％。
4.根据权利要求1所述的一种地质方向人工神经网络训练数据的扩展算法，其特征在于：步骤C2中，b％设置为60％～85％。
CN202011353345.7A 2020-11-27 2020-11-27 一种地质方向人工神经网络训练数据的扩展方法 Active CN112465023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011353345.7A CN112465023B (zh) 2020-11-27 2020-11-27 一种地质方向人工神经网络训练数据的扩展方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011353345.7A CN112465023B (zh) 2020-11-27 2020-11-27 一种地质方向人工神经网络训练数据的扩展方法

Publications (2)

Publication Number Publication Date
CN112465023A true CN112465023A (zh) 2021-03-09
CN112465023B CN112465023B (zh) 2021-06-18

Family

ID=74808917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011353345.7A Active CN112465023B (zh) 2020-11-27 2020-11-27 一种地质方向人工神经网络训练数据的扩展方法

Country Status (1)

Country Link
CN (1) CN112465023B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103969683A (zh) * 2014-05-20 2014-08-06 南京大学 一种三维地震解释中基于约束的批量拾取层位面的方法
CN106777527A (zh) * 2016-11-24 2017-05-31 上海市特种设备监督检验技术研究院 基于神经网络模型的起重机小车运行能耗分析方法
US20170286811A1 (en) * 2016-03-30 2017-10-05 Spawar Systems Center Pacific Spatiotemporal Method for Anomaly Detection in Dictionary Learning and Sparse Signal Recognition
CN108470187A (zh) * 2018-02-26 2018-08-31 华南理工大学 一种基于扩充训练数据集的类别不平衡问题分类方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN110119815A (zh) * 2019-05-21 2019-08-13 深圳市腾讯网域计算机网络有限公司 模型训练方法、装置、存储介质及设备
CN111640091A (zh) * 2020-05-14 2020-09-08 阿丘机器人科技(苏州)有限公司 产品缺陷的检测方法及计算机存储介质
CN111859953A (zh) * 2020-06-22 2020-10-30 北京百度网讯科技有限公司 训练数据的挖掘方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103969683A (zh) * 2014-05-20 2014-08-06 南京大学 一种三维地震解释中基于约束的批量拾取层位面的方法
US20170286811A1 (en) * 2016-03-30 2017-10-05 Spawar Systems Center Pacific Spatiotemporal Method for Anomaly Detection in Dictionary Learning and Sparse Signal Recognition
CN106777527A (zh) * 2016-11-24 2017-05-31 上海市特种设备监督检验技术研究院 基于神经网络模型的起重机小车运行能耗分析方法
CN108470187A (zh) * 2018-02-26 2018-08-31 华南理工大学 一种基于扩充训练数据集的类别不平衡问题分类方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN110119815A (zh) * 2019-05-21 2019-08-13 深圳市腾讯网域计算机网络有限公司 模型训练方法、装置、存储介质及设备
CN111640091A (zh) * 2020-05-14 2020-09-08 阿丘机器人科技(苏州)有限公司 产品缺陷的检测方法及计算机存储介质
CN111859953A (zh) * 2020-06-22 2020-10-30 北京百度网讯科技有限公司 训练数据的挖掘方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜星 等: "基于MPL神经网络的地震作用下砂土液化评估及预测", 《工程地质学报》 *

Also Published As

Publication number Publication date
CN112465023B (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN110533631B (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN110579354B (zh) 一种基于卷积神经网络的轴承检测方法
Yang et al. Simultaneous earthquake detection on multiple stations via a convolutional neural network
CN107678059B (zh) 一种储层含气识别的方法、装置及系统
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN106991509A (zh) 基于径向基函数神经网络模型的测井曲线预测方法
CN111124896B (zh) 一种主次峰值比计算算法的蜕变测试系统
CN112836719A (zh) 一种融合二分类和三元组的示功图相似性检测方法
CN105700016A (zh) 生物滩储层地震预测的方法
CN104570109A (zh) 一种储层油气预测的方法
CN112465023B (zh) 一种地质方向人工神经网络训练数据的扩展方法
Pudney et al. Automatic parameterization for magnetometer zero offset determination
CN106951924A (zh) 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统
Alfonso et al. A machine learning methodology for rock-typing using relative permeability curves
Ozerdem et al. Self-organized maps based neural networks for detection of possible earthquake precursory electric field patterns
Tan et al. Tracking earthquake sequences in real time: application of Seismicity-Scanning based on Navigated Automatic Phase-picking (S-SNAP) to the 2019 Ridgecrest, California sequence
CN114386573A (zh) 一种基于多层感知机的静力触探土层划分方法及系统
Li et al. CREDIT-X1local: A reference dataset for machine learning seismology from ChinArray in Southwest China
CN108846421B (zh) 一种基于深度学习的图像分类方法
CN116955966B (zh) 一种矿井顶板富水性等级的判别方法
CN115450611B (zh) 一种基于随机森林的深层碳酸盐岩沉积微相分析方法
CN118520357B (zh) 基于表征引导的轴承故障诊断方法、系统及存储介质
Sun et al. Classification of anchor bolts based on spectral kurtosis and K-means clustering algorithm
CN113887567B (zh) 一种蔬菜质量检测方法、系统、介质及设备
SARWAN Estimating the Magnitude of Completeness and its Uncertainties

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