一种基于主成分分析与全连接神经网络的岩性识别方法技术

本发明专利技术公开了一种基于主成分分析与全连接神经网络的岩性识别方法，包括以下步骤：将待测试数据输入至PCA‑FCNN模型中，通过所述PCA‑FCNN模型处理后得到岩性识别结果；其中，所述PCA‑FCNN模型的建立包括以下步骤：S1.训练样本的选择与归一化处理；以不同岩性特征测井曲线作为输入数据，从输入数据中选取数据作为训练样本，并将训练样本中的数据打乱顺序后进行归一化处理；S2.对归一化后的数据进行特征降维；对归一化后的数据通过主成分分析法进行特征降维，并根据降维后的结果选取n个主成分；S3.采用FCNN算法建立神经网络；根据主成分的个数，建立n层FCNN神经网络，其中前n‑1层的激活函数设置为Relu函数，第n层采用softmax函数。本发明专利技术能够显著提高岩性识别的准确率。

A method of lithology identification based on principal component analysis and full connected neural network

【技术实现步骤摘要】
一种基于主成分分析与全连接神经网络的岩性识别方法
本专利技术涉及岩性识别
，更具体的说是涉及一种基于主成分分析与全连接神经网络的岩性识别方法。
技术介绍
测井曲线岩性识别作为测井解释的第一项工作，其重要性不言而喻。常规的岩性解释方法主要有交会图分析、多元统计图分析、地层元素测井等方法，这些方法在国内外岩性识别中应用较为广泛。交会图分析法较为简单，但是需要多种可以反映岩性的测井曲线；多元统计学分析法工作量小、速度快，但是在岩性识别过程中需要调整多种参数，且误差较大；地层元素测井可以从地球化学的角度对岩石成分进行岩性识别，但是这种方法的造价过于昂贵，会消耗大量成本。因此，需要一种岩性识别方法既可以较少的消耗人力物力又可以获得准确地岩性识别结果。人工智能特别是深度学习的发展为岩性识别带来了新的途径。全连接神经网络(FCNN)作为深度学习的一种重要算法，在众多科学领域有着广泛的应用，由于FCNN隶属于监督学习的一种，合适的训练集特征选择以及训练数据与标签数据的准确性对神经网络的结果有着重要影响。因此，研究出一种基于主成分分析与全连本文档来自技高网...

【技术保护点】
1.一种基于主成分分析与全连接神经网络的岩性识别方法，其特征在于，包括以下步骤：/n将待测试数据输入至PCA-FCNN模型中，通过所述PCA-FCNN模型处理后得到岩性识别结果；/n其中，所述PCA-FCNN模型的建立包括以下步骤：/nS1.训练样本的选择与归一化处理；以不同岩性特征测井曲线作为输入数据，从输入数据中选取数据作为训练样本，并将训练样本中的数据打乱顺序后进行归一化处理；/nS2.对归一化后的数据进行特征降维；对归一化后的数据通过主成分分析法进行特征降维，并根据降维后的结果选取n个主成分；/nS3.采用FCNN算法建立神经网络；根据主成分的个数，建立n层FCNN神经网络，其中前n-...

【技术特征摘要】
1.一种基于主成分分析与全连接神经网络的岩性识别方法，其特征在于，包括以下步骤：
将待测试数据输入至PCA-FCNN模型中，通过所述PCA-FCNN模型处理后得到岩性识别结果；
其中，所述PCA-FCNN模型的建立包括以下步骤：
S1.训练样本的选择与归一化处理；以不同岩性特征测井曲线作为输入数据，从输入数据中选取数据作为训练样本，并将训练样本中的数据打乱顺序后进行归一化处理；
S2.对归一化后的数据进行特征降维；对归一化后的数据通过主成分分析法进行特征降维，并根据降维后的结果选取n个主成分；
S3.采用FCNN算法建立神经网络；根据主成分的个数，建立n层FCNN神经网络，其中前n-1层的激活函数设置为Relu函数，第n层采用softmax函数。

【专利技术属性】
技术研发人员：师素珍，李明轩，冯建，冯国旭，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：北京;11