[發明專利]基于特征隨機的樸素貝葉斯巖相分類集成學習方法及裝置

在審

• 申請號: 202010613340.7
• 申請日: 2020-06-30
• 公開（公告）號: CN112329804A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 玉龍飛雪;宋先知;李根生;黃中偉;田守嶒;肖立志;廖廣志
• 申請（專利權）人: 中國石油大學(北京)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/20;G06F16/25
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 劉飛;周達

1.一種基于特征隨機的樸素貝葉斯巖相分類集成學習方法，其特征在于，包括：

獲取目標工區的多種測井數據并對其進行預處理；

將預處理后的多種測井數據進行隨機分層抽樣，并按照預設比例形成訓練集和測試集；

根據從所述訓練集中隨機選擇的特征組合及其組分數量，隨機生成多個訓練子集；

利用所述多個訓練子集對多個第一基分類器對應并行進行訓練，獲得多個第二基分類器及其性能指標值；所述第一基分類器為樸素貝葉斯分類器；

根據每個第二基分類器的性能指標值確定其投票權重；

利用所述多個第二基分類器對所述測試集并行進行巖相分類，對應獲得每個第二基分類器的巖相分類子結果；

根據所述投票權重對所述巖相分類子結果進行投票組合，從而獲得巖相分類結果。

2.如權利要求1所述的基于特征隨機的樸素貝葉斯巖相分類集成學習方法，其特征在于，在訓練第一基分類器時，對于訓練子集中的離散型特征，根據公式計算其概率分布，并將該概率分布作為該離散型特征的類條件概率；

其中，c表示巖相類別；x_i表示第i號特征取值；p(x_i|c)表示在巖相類別為c的條件下，x_i發生的概率；D_c表示巖相類別為c的樣本總數；D_c,xi表示巖相類別為c，第i號特征取值為x_i的樣本個數。

3.如權利要求1所述的基于特征隨機的樸素貝葉斯巖相分類集成學習方法，其特征在于，在訓練第一基分類器時，對于訓練子集中的連續型特征，根據以下公式計算該連續型特征的概率密度分布，并將該概率密度分布作為該連續型特征的類條件概率；

其中，p(x_i|c)表示在巖相類別為c的條件下，x_i發生的概率；c表示巖相類別；x_i表示第i號特征取值；k為高斯組分數；μ_k為第k個高斯組分的均值向量；α_k為第k個高斯組分的權重系數；σ_k為第k個高斯組分的標準差。

4.如權利要求1所述的基于特征隨機的樸素貝葉斯巖相分類集成學習方法，其特征在于，訓練第一基分類器時的目標函數為：

其中，h^*(x)為目標函數；x為輸入的待分組的一組特征取值；x_i表示第i號特征取值；c表示巖相類別；p(c)為巖相類別c的先驗概率；p(x_i|c)表示在巖相類別為c的條件下，x_i發生的概率；n為隨機選擇的特征個數。

5.如權利要求1所述的基于特征隨機的樸素貝葉斯巖相分類集成學習方法，其特征在于，所述根據每個第二基分類器的性能指標值確定其投票權重，包括：

根據公式確定每個第二基分類器的投票權重；其中，w為投票權重，w_ori為性能指標值，a為權重衰減因子。

6.一種基于特征隨機的樸素貝葉斯巖相分類集成學習裝置，其特征在于，包括：

獲取模塊，用于獲取目標工區的多種測井數據并對其進行預處理；

劃分模塊，用于將預處理后的多種測井數據進行隨機分層抽樣，并按照預設比例形成訓練集和測試集；

生成模塊，用于根據從所述訓練集中隨機選擇的特征組合及其組分數量，隨機生成多個訓練子集；

訓練模塊，用于利用所述多個訓練子集對多個第一基分類器對應并行進行訓練，獲得多個第二基分類器及其性能指標值；所述第一基分類器為樸素貝葉斯分類器；

確定模塊，用于根據每個第二基分類器的性能指標值確定其投票權重；

測試模塊，用于利用所述多個第二基分類器對所述測試集并行進行巖相分類，對應獲得每個第二基分類器的巖相分類子結果；

投票模塊，用于根據所述投票權重對所述巖相分類子結果進行投票組合，從而獲得巖相分類結果。