[發明專利]一種深度超限示功圖學習方法

在審

• 申請號: 201910588402.0
• 申請日: 2019-07-01
• 公開（公告）號: CN110288257A
• 公開（公告）日: 2019-09-27
• 發明（設計）人: 羅仁澤;張可;王瑞杰;袁杉杉;呂沁;馬磊;李陽陽
• 申請（專利權）人: 西南石油大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/02;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種深度超限示功圖學習方法，其特征在于包括以下步驟：

步驟1：對油田采集的位移和載荷數據進行預處理，得到示功圖訓練集和測試集樣本；

步驟2：搭建深度卷積自編碼器模型，利用示功圖訓練集樣本，對深度卷積自編碼器進行無監督訓練，得到深度卷積網絡的預訓練參數，深度卷積自編碼器的第一卷積層到第七卷積層分別包含2n、4n、8n、8n、8n、4n、2n個5*5大小的卷積核，n為大于0的正整數；

步驟3：搭建深度卷積網絡模型，并利用深度卷積自編碼器訓練得到的編碼層參數初始化深度卷積網絡的卷積層參數，深度卷積網絡結構中包含輸入層、p個卷積層、q個池化層、k個全連接層以及輸出層，其中p、q、k均為大于等于0的正整數，輸出層滿足One-hot格式輸出，且每個卷積操作后均使用LeakyReLU激活函數進行非線性化處理；

其中，通過使用卷積濾波器對示功圖進行卷積的計算公式為：

式中，f()表示激勵函數，表示第l層的第j個神經元的偏置值，表示第l層的第i神經元到第j個神經元間的權重，表示第l層的第j個神經元輸入，conv2D()表示二維卷積，i、j、l、k為大于0的正整數；

其中，LeakyReLU激活函數為：

式中γ為一個小于0.01的常數；

步驟4：利用訓練集樣本對深度卷積網絡進行訓練，將輸出結果與樣本標簽計算誤差，利用反向傳播算法和梯度下降法對深度卷積網絡的參數進行迭代更新，得到訓練完成參數；

其中，計算誤差的交叉熵損失函數為：

式中，y_k是第k個樣本預測輸出標簽，t_k是第k個樣本訓練集真實標簽，k為大于0的正整數；

步驟5：將訓練完成的深度卷積網絡的全連接層移除，加上極限學習機層，對該層進行訓練，得到訓練參數，極限學習機層包含n隱藏層和一個識別分類層，特征輸入層包含64n個特征向量，隱藏包含125n個神經元，輸出層均滿足One-hot格式輸出，n為大于0的正整數；

步驟6：在步驟1中的測試集上，測試網絡的識別準確率，若比前一次識別正確率高，則保存模型參數，繼續返回到步驟5，對參數進行調整，直到模型識別正確率上下波動小于0.001，則停止迭代。