CN113537458A - 一种有理式函数神经网络构建方法、系统及可读存储介质 - Google Patents

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

Info

Publication number
CN113537458A
CN113537458A CN202110687521.9A CN202110687521A CN113537458A CN 113537458 A CN113537458 A CN 113537458A CN 202110687521 A CN202110687521 A CN 202110687521A CN 113537458 A CN113537458 A CN 113537458A
Authority
CN
China
Prior art keywords
vector
output weight
matrix
weight vector
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
CN202110687521.9A
Other languages
English (en)
Other versions
CN113537458B (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)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (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、系统及可读存储介质，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、系统及可读存储介质
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、系统及可读存储介质。
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，宽度学习系统，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 BDA0003125135050000021
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 BDA0003125135050000022
并更新
Figure BDA0003125135050000023
然后执行步骤S3，其中
Figure BDA0003125135050000024
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 BDA0003125135050000025
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 BDA0003125135050000026
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 BDA0003125135050000027
包括：
令
Figure BDA0003125135050000028
令中间向量
Figure BDA0003125135050000031
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 BDA0003125135050000032
为目标函数前置项，
Figure BDA0003125135050000033
为
Figure BDA0003125135050000034
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 BDA0003125135050000035
并执行所述步骤S4；
若否，则否则重新令中间向量
Figure BDA0003125135050000036
并求解出Ωk。
进一步地，所述目标函数前置项
Figure BDA0003125135050000037
的表示形式为：
Figure BDA0003125135050000038
所述
Figure BDA0003125135050000039
关于Ω的导数
Figure BDA00031251350500000310
的表示形式为：
Figure BDA00031251350500000311
求解的Ωk表示形式为：
Figure BDA00031251350500000312
其中，
Figure BDA00031251350500000313
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 BDA00031251350500000314
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 BDA00031251350500000315
中We对应的系数，即ζ的第e个元素，
Figure BDA00031251350500000316
表示H转置，
Figure BDA00031251350500000416
表示Ω转置，L为根据所述样本集合
Figure BDA0003125135050000041
求解样本的相似矩阵得到的Laplacian矩阵，
Figure BDA0003125135050000042
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 BDA0003125135050000043
如下：
Figure BDA0003125135050000044
其中，
Figure BDA0003125135050000045
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 BDA0003125135050000046
则令
Figure BDA0003125135050000047
若
Figure BDA0003125135050000048
则令
Figure BDA0003125135050000049
使用更新后的
Figure BDA00031251350500000410
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 BDA00031251350500000411
并使用更新后的
Figure BDA00031251350500000412
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 BDA00031251350500000413
并使用更新后的
Figure BDA00031251350500000414
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 BDA00031251350500000415
I为单位矩阵，超参数λ0＞0，y为标签向量，
Figure BDA00031251350500000417
表示H转置，
Figure BDA0003125135050000051
为最优的样本加权矩阵，We为对样本集合
Figure BDA0003125135050000052
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 BDA0003125135050000053
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系统，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 BDA0003125135050000054
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 BDA0003125135050000055
并更新
Figure BDA0003125135050000056
然后执行输出权重向量求解模块动作，其中
Figure BDA0003125135050000057
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 BDA0003125135050000058
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 BDA0003125135050000059
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 BDA0003125135050000061
令中间向量
Figure BDA0003125135050000062
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 BDA0003125135050000063
为目标函数前置项，
Figure BDA0003125135050000064
为
Figure BDA0003125135050000065
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 BDA0003125135050000066
并执行所述步骤S4；
若否，则否则重新令中间向量
Figure BDA0003125135050000067
并求解出Ωk；
其中，所述目标函数前置项
Figure BDA0003125135050000068
的表示形式为：
Figure BDA0003125135050000069
所述
Figure BDA00031251350500000610
关于Ω的导数
Figure BDA00031251350500000611
的表示形式为：
Figure BDA00031251350500000612
求解的Ωk表示形式为：
Figure BDA00031251350500000613
其中，
Figure BDA00031251350500000614
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 BDA00031251350500000615
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 BDA0003125135050000071
中We对应的系数，即ζ的第e个元素，
Figure BDA00031251350500000716
表示H转置，
Figure BDA00031251350500000717
表示Ω转置，L为根据所述样本集合
Figure BDA0003125135050000072
求解样本的相似矩阵得到的Laplacian矩阵，
Figure BDA0003125135050000073
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 BDA0003125135050000074
如下：
Figure BDA0003125135050000075
其中，
Figure BDA0003125135050000076
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 BDA0003125135050000077
则令
Figure BDA0003125135050000078
若
Figure BDA0003125135050000079
则令
Figure BDA00031251350500000710
使用更新后的
Figure BDA00031251350500000711
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 BDA00031251350500000712
并使用更新后的
Figure BDA00031251350500000713
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 BDA00031251350500000714
并使用更新后的
Figure BDA00031251350500000715
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 BDA0003125135050000081
I为单位矩阵，超参数λ0＞0，y为标签向量，
Figure BDA0003125135050000085
表示H转置，
Figure BDA0003125135050000082
为最优的样本加权矩阵，We为对样本集合
Figure BDA0003125135050000083
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 BDA0003125135050000084
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系统的结构图。
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 BDA0003125135050000091
有标签样本集合为
Figure BDA0003125135050000092
无标签样本集合为
Figure BDA0003125135050000093
n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 BDA0003125135050000094
d为特征维度，yi为样本xi的标注，
Figure BDA0003125135050000095
Figure BDA0003125135050000096
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 BDA0003125135050000097
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 BDA0003125135050000098
并更新
Figure BDA0003125135050000099
然后执行步骤S3，其中
Figure BDA00031251350500000910
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 BDA00031251350500000911
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 BDA00031251350500000912
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 BDA0003125135050000101
Figure BDA0003125135050000102
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 BDA0003125135050000103
其中q＝2p+1，
Figure BDA0003125135050000104
为标签向量，
Figure BDA0003125135050000105
为全为1的向量，
Figure BDA0003125135050000106
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 BDA0003125135050000107
包括如下步骤S31至S34：
S31、令
Figure BDA0003125135050000108
S32、令中间向量
Figure BDA00031251350500001014
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 BDA0003125135050000109
为目标函数前置项，
Figure BDA00031251350500001010
为
Figure BDA00031251350500001011
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 BDA00031251350500001012
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 BDA00031251350500001013
的表示形式为：
Figure BDA0003125135050000111
所述
Figure BDA0003125135050000112
关于Ω的导数
Figure BDA0003125135050000113
的表示形式为：
Figure BDA0003125135050000114
求解的Ωk表示形式为：
Figure BDA0003125135050000115
其中，
Figure BDA0003125135050000116
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 BDA0003125135050000117
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 BDA00031251350500001117
表示H转置，
Figure BDA00031251350500001118
表示Ω转置，L为根据所述样本集合
Figure BDA0003125135050000118
求解样本的相似矩阵得到的Laplacian矩阵，
Figure BDA0003125135050000119
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 BDA00031251350500001110
其中
Figure BDA00031251350500001111
为
Figure BDA00031251350500001112
拟合得到的概率分布函数，
Figure BDA00031251350500001113
为零向量；采用m种不同的概率分布函数得到m种不同
Figure BDA00031251350500001114
则得到样本加权矩阵的候选集合
Figure BDA00031251350500001115
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 BDA00031251350500001116
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 BDA0003125135050000121
Figure BDA0003125135050000122
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 BDA0003125135050000123
如下：
Figure BDA0003125135050000124
其中，
Figure BDA0003125135050000125
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 BDA0003125135050000126
则令
Figure BDA0003125135050000127
若
Figure BDA0003125135050000128
则令
Figure BDA0003125135050000129
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 BDA00031251350500001210
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 BDA0003125135050000131
Figure BDA0003125135050000132
I为单位矩阵，
Figure BDA0003125135050000133
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 BDA0003125135050000134
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 BDA0003125135050000135
也可以表示为
Figure BDA0003125135050000136
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 BDA0003125135050000141
被完全标记，则有相应的标签集合
Figure BDA0003125135050000142
可以写成
Figure BDA0003125135050000143
为矩阵形式。通常，标签往往不足，如果样本集合
Figure BDA0003125135050000144
得以标注，其对应的标签集合为
Figure BDA0003125135050000145
其中l为有标签样本的数量，无标签样本集合即为
Figure BDA00031251350500001421
为部分样本打上标签
Figure BDA0003125135050000146
则有标签样本集合为
Figure BDA0003125135050000147
无标签的样本集合为
Figure BDA0003125135050000148
其中l为有标签样本数量，u为无标签样本数量。
(2)初始化
令集成系数向量
Figure BDA0003125135050000149
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 BDA00031251350500001410
Figure BDA00031251350500001411
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 BDA00031251350500001412
其中q＝2p+1，
Figure BDA00031251350500001413
为标签向量，
Figure BDA00031251350500001414
为全为1的向量，
Figure BDA00031251350500001415
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 BDA00031251350500001416
为零向量
Figure BDA00031251350500001417
其中
Figure BDA00031251350500001418
为
Figure BDA00031251350500001419
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 BDA00031251350500001420
则得到样本加权矩阵的候选集合
Figure BDA00031251350500001422
根据
Figure BDA0003125135050000151
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 BDA0003125135050000152
I为单位矩阵，
Figure BDA0003125135050000153
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 BDA0003125135050000154
3-2)令中间向量
Figure BDA0003125135050000155
其中，Ωk为第k次迭代的输出权重向量，
Figure BDA0003125135050000156
为目标函数前置项，其形式为：
Figure BDA0003125135050000157
Figure BDA0003125135050000158
为
Figure BDA0003125135050000159
关于Ω的导数，其形式为：
Figure BDA00031251350500001510
3-3)求解Ωk，如下：
Figure BDA00031251350500001511
其中，
Figure BDA00031251350500001512
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 BDA00031251350500001513
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 BDA00031251350500001514
表示H转置，L为根据所述样本集合
Figure BDA0003125135050000161
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 BDA0003125135050000162
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 BDA0003125135050000163
如下：
Figure BDA0003125135050000164
其中，
Figure BDA0003125135050000165
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 BDA0003125135050000166
则令
Figure BDA0003125135050000167
若
Figure BDA0003125135050000168
则令
Figure BDA0003125135050000169
4-4)使用更新后的
Figure BDA00031251350500001610
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 BDA00031251350500001611
其中，H的后u个行向量组成矩阵Hu，进而更新
Figure BDA00031251350500001612
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 BDA00031251350500001613
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系统，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 BDA0003125135050000171
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 BDA0003125135050000172
并更新
Figure BDA0003125135050000173
然后执行输出权重向量求解模块30动作，其中
Figure BDA0003125135050000175
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 BDA0003125135050000176
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 BDA0003125135050000177
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 BDA0003125135050000178
令中间向量
Figure BDA0003125135050000181
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 BDA0003125135050000182
为目标函数前置项，
Figure BDA0003125135050000183
为
Figure BDA0003125135050000184
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 BDA0003125135050000185
并执行所述步骤S4；
若否，则否则重新令中间向量
Figure BDA0003125135050000186
并求解出Ωk；
其中，所述目标函数前置项
Figure BDA0003125135050000187
的表示形式为：
Figure BDA0003125135050000188
所述
Figure BDA0003125135050000189
关于Ω的导数
Figure BDA00031251350500001810
的表示形式为：
Figure BDA00031251350500001811
求解的Ωk表示形式为：
Figure BDA00031251350500001812
其中，
Figure BDA00031251350500001813
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 BDA00031251350500001814
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 BDA0003125135050000191
中We对应的系数，
Figure BDA00031251350500001916
表示H转置，L为根据所述样本集合
Figure BDA0003125135050000192
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 BDA0003125135050000193
如下：
Figure BDA0003125135050000194
其中，
Figure BDA0003125135050000195
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 BDA0003125135050000196
则令
Figure BDA0003125135050000197
若
Figure BDA0003125135050000198
则令
Figure BDA0003125135050000199
使用更新后的
Figure BDA00031251350500001910
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 BDA00031251350500001911
并使用更新后的
Figure BDA00031251350500001912
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 BDA00031251350500001913
并使用更新后的
Figure BDA00031251350500001914
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 BDA00031251350500001915
Figure BDA0003125135050000201
I为单位矩阵，
Figure BDA0003125135050000202
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 BDA0003125135050000203
时We对应的系数，
Figure BDA00031251350500002011
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 BDA0003125135050000204
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 BDA0003125135050000205
因此，对于
Figure BDA0003125135050000206
可以得到
Figure BDA0003125135050000207
进而构造出多元单项式特征矩阵
Figure BDA0003125135050000208
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 BDA0003125135050000209
的第j个特征，应该是由
Figure BDA00031251350500002010
经过同一组k1，k2，...，kd值生成的。
本发明实施例提供的系统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范围之内。

Claims (10)

1.一种有理式函数神经网络构建方法，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；
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 FDA0003125135040000011
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 FDA0003125135040000012
并更新
Figure FDA0003125135040000013
然后执行步骤S3，其中
Figure FDA0003125135040000014
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 FDA0003125135040000015
为最优的输出权重向量，yl为样本zl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 FDA0003125135040000016
构建有理式函数神经网络。
2.如权利要求1所述的有理式函数神经网络构建方法，其特征在于，所述执行输出权重向量求解的迭代循环，直至k>K，则令
Figure FDA0003125135040000017
包括：
令
Figure FDA0003125135040000018
令中间向量
Figure FDA0003125135040000021
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 FDA0003125135040000022
为目标函数前置项，
Figure FDA0003125135040000023
为
Figure FDA0003125135040000024
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 FDA0003125135040000025
并执行所述步骤S4；
若否，则否则重新令中间向量
Figure FDA0003125135040000026
并求解出Ωk。
3.如权利要求2所述的有理式函数神经网络构建方法，其特征在于，所述目标函数前置项
Figure FDA0003125135040000027
的表示形式为：
Figure FDA0003125135040000028
所述
Figure FDA0003125135040000029
关于Ω的导数
Figure FDA00031251350400000210
的表示形式为：
Figure FDA00031251350400000211
求解的Ωk表示形式为：
Figure FDA00031251350400000212
其中，
Figure FDA00031251350400000213
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 FDA00031251350400000214
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 FDA0003125135040000031
中We对应的系数，即ζ的第e个元素，
Figure FDA00031251350400000325
表示H转置，
Figure FDA00031251350400000326
表示Ω转置，L为根据所述样本集合
Figure FDA0003125135040000032
求解样本的相似矩阵得到的Laplacian矩阵，
Figure FDA0003125135040000033
为二范数的平方。
4.如权利要求1所述的有理式函数神经网络构建方法，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 FDA00031251350400000327
如下：
Figure FDA0003125135040000035
其中，
Figure FDA0003125135040000036
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 FDA0003125135040000037
则令
Figure FDA0003125135040000038
Figure FDA0003125135040000039
若
Figure FDA00031251350400000310
则令
Figure FDA00031251350400000311
使用更新后的
Figure FDA00031251350400000312
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 FDA00031251350400000313
并使用更新后的
Figure FDA00031251350400000314
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 FDA00031251350400000315
并使用更新后的
Figure FDA00031251350400000316
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。
5.如权利要求1所述的有理式函数神经网络构建方法，其特征在于，所述最优的输出权重向量
Figure FDA0003125135040000041
I为单位矩阵，超参数λ0>0，y为标签向量，
Figure FDA00031251350400000415
表示H转置，
Figure FDA0003125135040000042
为最优的样本加权矩阵，We为对样本集合
Figure FDA0003125135040000043
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 FDA0003125135040000044
时We对应的系数，即ζ的第e个元素。
6.一种有理式函数神经网络构建系统，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；
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 FDA0003125135040000045
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 FDA0003125135040000046
并更新
Figure FDA0003125135040000047
然后执行输出权重向量求解模块动作，其中
Figure FDA0003125135040000048
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 FDA0003125135040000049
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 FDA0003125135040000051
构建有理式函数神经网络。
7.如权利要求6所述的有理式函数神经网络构建系统，其特征在于，所述输出权重向量求解模块具体用于：
令
Figure FDA0003125135040000052
令中间向量
Figure FDA0003125135040000053
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 FDA0003125135040000054
为目标函数前置项，
Figure FDA0003125135040000055
为
Figure FDA0003125135040000056
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 FDA0003125135040000057
并执行所述步骤S4；
若否，则否则重新令中间向量
Figure FDA0003125135040000058
并求解出Ωk；
其中，所述目标函数前置项
Figure FDA0003125135040000059
的表示形式为：
Figure FDA00031251350400000510
所述
Figure FDA00031251350400000511
关于Ω的导数
Figure FDA00031251350400000512
的表示形式为：
Figure FDA00031251350400000513
求解的Ωk表示形式为：
Figure FDA0003125135040000061
其中，
Figure FDA0003125135040000062
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 FDA0003125135040000063
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 FDA0003125135040000064
中We对应的系数，即ζ的第e个元素，
Figure FDA00031251350400000620
表示H转置，
Figure FDA00031251350400000621
表示Ω转置，L为根据所述样本集合
Figure FDA0003125135040000065
求解样本的相似矩阵得到的Laplacian矩阵，
Figure FDA0003125135040000066
为二范数的平方。
8.如权利要求6所述的有理式函数神经网络构建系统，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 FDA0003125135040000067
如下：
Figure FDA0003125135040000068
其中，
Figure FDA0003125135040000069
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 FDA00031251350400000610
则令
Figure FDA00031251350400000611
若
Figure FDA00031251350400000612
则令
Figure FDA00031251350400000613
使用更新后的
Figure FDA0003125135040000071
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 FDA0003125135040000072
并使用更新后的
Figure FDA0003125135040000073
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 FDA0003125135040000074
并使用更新后的
Figure FDA0003125135040000075
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。
9.如权利要求6所述的有理式函数神经网络构建系统，其特征在于，所述最优的输出权重向量
Figure FDA0003125135040000076
I为单位矩阵，超参数λ0＞0，y为标签向量，
Figure FDA00031251350400000715
表示H转置，
Figure FDA0003125135040000077
为最优的样本加权矩阵，We为对样本集合
Figure FDA0003125135040000078
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 FDA0003125135040000079
时We对应的系数，即ζ的第e个元素。
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5任一项所述有理式函数神经网络构建方法的步骤。
CN202110687521.9A 2021-06-21 2021-06-21 一种有理式函数神经网络构建方法、系统及可读存储介质 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、系统及可读存储介质

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、系统及可读存储介质

Publications (2)

Publication Number Publication Date
CN113537458A true CN113537458A (zh) 2021-10-22
CN113537458B 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、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN113537458B (zh)

Citations (12)

* 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系统
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系统
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
CN111797911A (zh) * 2020-06-22 2020-10-20 浙江大学 一种图像数据多标签分类方法
US20200340907A1 (en) * 2019-04-24 2020-10-29 Cgg Services Sas Method and system for estimating in-situ porosity using machine learning applied to cutting analysis
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系统
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系统
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
CN112966559A (zh) * 2021-02-03 2021-06-15 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 (12)

* 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系统
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
US20200340907A1 (en) * 2019-04-24 2020-10-29 Cgg Services Sas Method and system for estimating in-situ porosity using machine learning applied to cutting analysis
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系统
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
CN111797911A (zh) * 2020-06-22 2020-10-20 浙江大学 一种图像数据多标签分类方法
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系统
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系统
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
CN112966559A (zh) * 2021-02-03 2021-06-15 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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
AARUSHI GUPTA ET AL: "Well Log Interpretation Using Deep Learning Neural Networks", 《INTERNATIONAL PETROLEUM TECHNOLOGY CONFERENCE》 *
JI CHANG ET AL: "Unsupervised domain adaptation using maximum mean discrepancy optimization for lithology identification", 《GEOPHYSICS》 *
XIAOXU REN ET AL: "Lithology identification using well logs: A method by integrating artifcial neural networks and sedimentary patterns", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 *
ZERUI LI ET AL: "Interpretable Semisupervised Classification Method Under Multiple Smoothness Assumptions With Application to Lithology Identification", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
吕咏梅: "泛函网络新模型及其学习算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
许少华 等: "一种分式过程神经元网络及其应用研究", 《计算机研究与发展》 *

Also Published As

Publication number Publication date
CN113537458B (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
Diallo et al. Deep embedding clustering based on contractive autoencoder
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系统
EP3743859A1 (en) Systems and methods for preparing data for use by machine learning algorithms
CN109871454B (zh) 一种鲁棒离散监督跨媒体哈希检索方法
CN114841257B (zh) 一种基于自监督对比约束下的小样本目标检测方法
CN110909125B (zh) 推文级社会媒体谣言检测方法
CN111667483A (zh) 多模态图像的分割模型的训练方法、图像处理方法和装置
Yu et al. Modeling spatial extremes via ensemble-of-trees of pairwise copulas
CN115482418B (zh) 基于伪负标签的半监督模型训练方法、系统及应用
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
CN111667027A (zh) 多模态图像的分割模型训练方法、图像处理方法及装置
CN111582506A (zh) 基于全局和局部标记关系的偏多标记学习方法
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
CN113470036B (zh) 基于知识蒸馏的高光谱图像无监督波段选择方法及系统
CN115456166A (zh) 一种无源域数据的神经网络分类模型知识蒸馏方法
CN113780346A (zh) 一种先验约束分类器调整方法、系统及可读存储介质
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、系统及可读存储介质
CN116433980A (zh) 脉冲神经网络结构的图像分类方法、装置、设备及介质
CN116934603A (zh) 测井曲线缺失段补全方法、装置、存储介质及电子设备
Bhattacharjya et al. A genetic algorithm for intelligent imaging from quantum-limited data
CN114863209A (zh) 类别比例引导的无监督领域适应建模方法、系统、设备及介质
CN111882441A (zh) 一种基于理财产品推荐场景的用户预测解释Treeshap方法
CN111259176A (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

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