申请/专利权人：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)

申请日：2021-09-03

公开（公告）日：2024-07-05

公开（公告）号：CN113837394B

主分类号：G06N20/00

分类号：G06N20/00;G06V10/774;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.01.11#实质审查的生效;2021.12.24#公开

摘要：本发明公开了一种多特征视图数据标签预测方法、系统与可读存储介质，属于数据处理技术领域，包括：获取多特征视图数据的样本集合，该样本集合包括m个有标签样本集合和一个待预测标签样本集合；对有标签样本集合和一个待预测标签样本集合进行处理，得到m个训练集；利用m个训练集和待预测标签样本集合对神经网络进行训练，得到经网络变换后的m个新训练集和m个新待预测标签样本集合；基于新训练集和新待预测标签样本集合，计算标签矩阵，实现待预测标签样本集合的标签预测。本发明可提高数据标签的准确性。

主权项：1.一种多特征视图数据标签预测方法，其特征在于，包括：S1、获取多特征视图数据的样本集合，包括m个有标签样本集合S1,S2,…,Sm和一个待预测标签样本集合Sm+1；即获取多口井的测井数据，多口井每个深度上的所有测井值组成一个特征向量，即样本；m个样本集合S1,S2,…,Sm有岩性标签，Sm+1没有岩性标签；S2、对m个有标签样本集合S1,S2,…,Sm进行处理，得到m个训练集T1,T2,…,Tm；S3、利用m个训练集T1,T2,…,Tm和待预测标签样本集合Sm+1对神经网络进行训练，得到经网络变换后的m个新训练集U1,U2,…,Um和m个新待预测标签样本集合V1,V2,…,Vm；S4、基于新训练集U1,U2,…,Um和新待预测标签样本集合V1,V2,…,Vm，计算标签矩阵，实现待预测标签样本集合的标签预测；上述S2对m个有标签样本集合S1,S2,…,Sm进行处理，得到m个训练集T1,T2,…,Tm的具体步骤为：对所述有标签样本集合S1,S2,…,Sm和所述待预测标签样本集合Sm+1进行目标规划，目标函数为：minπkCk 其中，πk为第k组有标签样本集合Sk与待预测标签样本集合Sm+1之间的代价矩阵，代价矩阵πk的第i行第j列元素为Sk的第i个样本和Sm+1的第j个样本的欧式距离，k＝1,…,m，i＝1,2,...,|Sk|，j＝1,2,...,|Sm+1|，|Sk|和|Sm+1|分别表示Sk和Sm+1中的样本总数，Ck为Sk的分配矩阵，矩阵Ck的第i行第j列元素表明Sk的第i个样本被分配到Sm+1的第j个样本将分配矩阵Ck中等于1的元素对应的Sk中的有标签样本提取出来构成第k个训练集Tk，从而可得到m个训练集T1,T2,…,Tm；上述S3利用m个训练集T1,T2,…,Tm和待预测标签样本集合Sm+1对神经网络进行训练，得到经网络变换后的m个新训练集U1,U2,…,Um和m个新待预测标签样本集合V1,V2,…,Vm，具体步骤包括：按特征视图将所述训练集T1,T2,…,Tm和所述待预测标签样本集合Sm+1中的特征分别分成nc组特征，nc为样本的特征视图数量，得到nc组用于训练所述神经网络的训练子集和待预测标签样本集合子集；利用训练子集和待预测标签样本集合子集对所述神经网络进行训练，得到所述m个新训练集U1,U2,…,Um和m个新待预测标签样本集合V1,V2,…,Vm；具体地，第k组所述训练集与的神经网络损失为： 其中，为样本标签分类的交叉熵损失，为对i的数学期望，k＝1,2,…,m，c为标签类别总数，|Tk|为Tk的样本总数，为Tk的第i个样本，为样本的标签，为第k组训练集Tk的特征变换网络，为Tk在特征变换之后的分类网络，其输入为变换之后的特征，输出为标签向量,为对j的数学期望，为Sm+1对应的特征变换网络，为Sm+1的第j个样本，j＝1,2,...,|Sm+1|，为示性函数；为Tk的分类对抗损失，为与的分类网络，为各特征视图对应的损失，为Tk经过变换后特征的数学期望与变换后待预测标签样本集合特征的数学期望的欧式距离，为根据经验设置的超参数；根据损失函数进行神经网络训练后，得到特征变换网络和Tk经过特征变换网络以后得到了新训练集Uk，|Uk|为对应集合的样本总数，Sm+1分别经过特征变换网络得到m个新待预测标签样本集合Vk，k＝1,2,…,m，|Vk|为对应集合的样本总数；上述S4基于新训练集U1,U2,…,Um和新待预测标签样本集合V1,V2,…,Vm，计算标签矩阵，实现待预测标签样本集合的标签预测，具体步骤包括：利用所述m个新训练集和所述m个新待预测标签样本集合，生成m个输出矩阵；具体步骤为：将第k个新训练集和第k个新待预测标签样本集合输入分类器得到Vk对应的输出矩阵ok，|Vk|为样本集合Vk的样本总数，|Uk|为样本集合Uk的样本总数，为Vk第一个样本对应的高维特征，为Vk最后一个样本对应的高维特征，βk为输出权重矩阵；基于所述m个新训练集和所述m个新待预测标签样本集合，计算权重系数；权重系数的计算公式为： 其中，为集合里的元素个数，k＝1,2,…,m，mk为Uk与Vk的分布差异项，为Vk中所有样本在Uk上的第q近邻的集合，q＝1,2,…,l，wk为Uk的权重系数，l为近邻集合的个数，为归一化后的wk，wk为Uk的权重系数，mk为所述第k个新训练集与所述第k个新待预测标签样本集合的分布差异项；基于输出矩阵和权重系数，计算标签矩阵，实现所述待预测标签样本集合的标签预测；标签矩阵的计算公式为： 其中，为中最大值所在的索引，为标签矩阵的第j行，j＝1,2,…,|Sm+1|，Yt为m个输出矩阵的加权和输出矩阵，为Sm+1中第j个待预测样本的预测标签值；

全文数据：

权利要求：

百度查询： 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) 多特征视图数据标签预测方法、系统与可读存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD