针对初至波深度学习的样本分类方法及装置制造方法及图纸

本发明专利技术提供了一种针对初至波深度学习的样本分类方法及装置，涉及石油勘探技术领域，该方法包括：获取训练样本数据和训练样本数据所属的分类信息；训练样本数据包括初至样本数据和初至样本数据对应的初至标签数据；利用训练样本数据和分类信息对分类网络模型进行训练，得到训练结果；利用训练结果对待分类初至样本数据进行分类预测处理，得到初至样本分类结果。本发明专利技术可以准确、高效地对初至样本数据进行分类与筛选，丰富初至样本数据的类型特征信息，以提高初至波样本深度学习时的针对性与有效性。有效性。有效性。

【技术实现步骤摘要】
针对初至波深度学习的样本分类方法及装置


[0001]本专利技术涉及石油勘探
，尤其是涉及一种针对初至波深度学习的样本分类方法及装置。

技术介绍

[0002]随着以深度学习为代表的人工智能技术在石油物探中的应用，人们开始研究利用深度学习技术解决诸如初至波拾取等这些地震勘探中复杂的技术问题，深度学习技术是建立在大量的样本基础上的，在利用深度网络模型进行初至学习时，需要利用大量的初至数据样本对深度网络模型进行训练。大量的、具有不同地形特征代表性的初至样本可以对深度网络模型进行全面的训练，深度网络模型在学习和掌握不同样本所包含的初至特征之后，才能利用其范化能力对待检测样本进行检验与预测，依据所学知识准确的找到初到位置。在实际应用过程中，利用某工区的实际数据进行学习时，通常该工区中某种类型特征的初至数据占大多数，如初至前后能量差别很大的初至数据占大部分，而对于地形发生突变或远远偏移距信噪比较低的初至会比较少。在进行初到训练时通常按炮来选取样本数据来进行训练，这样那些地质特征占比较少、或识别比较困难的样本相应的就会比较少，进而造成对此类数据的初至波特征学习欠佳，出现对应此类初至特征掌握模糊、检测困难、初至拾取不准的问题。

技术实现思路

[0003]本专利技术提供了一种针对初至波深度学习的样本分类方法及装置，可以准确、高效地对初至样本数据进行分类与筛选，丰富初至样本数据的类型特征信息，以提高初至波样本深度学习时的针对性与有效性。
[0004]第一方面，本专利技术实施例提供了一种针对初至波深度学习的样本分类方法，该方法包括：获取训练样本数据和所述训练样本数据所属的分类信息；所述训练样本数据包括初至样本数据和所述初至样本数据对应的初至标签数据；利用所述训练样本数据和所述分类信息对分类网络模型进行训练，得到训练结果；利用所述训练结果对待分类初至样本数据进行分类预测处理，得到初至样本分类结果。
[0005]第二方面，本专利技术实施例还提供一种针对初至波深度学习的样本分类装置，该装置包括：获取模块，用于获取训练样本数据和所述训练样本数据所属的分类信息；所述训练样本数据包括初至样本数据和所述初至样本数据对应的初至标签数据；训练模块，用于利用所述训练样本数据和所述分类信息对分类网络模型进行训练，得到训练结果；分类模块，用于利用所述训练结果对待分类初至样本数据进行分类预测处理，得到初至样本分类结果。
[0006]第三方面，本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述针对初至波深度学习的样本分类方法。
[0007]第四方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述针对初至波深度学习的样本分类方法的计算机程序。
[0008]本专利技术实施例带来了以下有益效果：本专利技术实施例提供了一种初至样本分类方案，该方案首先获取训练样本数据和训练样本数据所属的分类信息，训练样本数据包括初至样本数据和初至样本数据对应的初至标签数据；之后，利用训练样本数据和分类信息对分类网络模型进行训练，得到训练结果；最后，利用训练结果对待分类初至样本数据进行分类预测处理，得到初至样本分类结果。本专利技术实施例可以准确、高效地对初至样本数据进行分类与筛选，丰富初至样本数据的类型特征信息，以提高初至波样本深度学习时的针对性与有效性。
[0009]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0010]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0011]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0012]图1为本专利技术实施例提供的针对初至波深度学习的样本分类方法流程图；
[0013]图2为本专利技术实施例提供的针对初至样本分类的深度分类网络结构图；
[0014]图3为本专利技术实施例提供的基于深度分类网络的初至样本分类与预测的处理流程示意图；
[0015]图4为本专利技术实施例提供的样本分类效果图；
[0016]图5为本专利技术实施例提供的一种针对初至波深度学习的样本分类装置结构框图；
[0017]图6为本专利技术实施例提供的另一种针对初至波深度学习的样本分类装置结构框图；
[0018]图7为本专利技术实施例提供的计算机设备结构框图。
具体实施方式
[0019]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]目前，如果针对某些地形特征的样本数量很少，如果地形变化剧烈的地方、信噪比较低的地方，缺少针对性学习和训练，那么深度网络对这些部分的知识与特征学习和掌握的也就很肤浅，所训练出的深度网络模型对这类数据的检测也会变得不理想。如果在训练前能识别出这些非典型地质特征所对应的小样本初至数据，然后对其进行扩充和增强处
理，而且对于占比大的、常规的地质结构对应的初至样本，由于其样本数据已经很多了，可以适当的进行删减处理。这样可以有针对性的进行样本筛选和训练，提高了深度学习对不同地形初至波学习和检测效果。而面对庞大的样本数据，人工选取与分类难度较大。
[0021]基于此，本专利技术实施例提供的一种针对初至波深度学习的样本分类方法及装置，该方法主要包括对生成初至样本及初至标签数据，并将成对的初至样本及初至标签数据作为一个整体来当作本次深度学习的样本处理，然后根据这些样本特征标定其所属类别。定义了一种深度分类网络模型，由多个尺度依次递减的初至特征提取层，包括卷积层、激活层、池化层、数据规范化层组成，连接几个采用采用sigmoid函数和softmax激活函数的全连接层，最后利用多分类交叉熵定义深度网络的损失函数。利用该网络可以有效的学习初至样本数据的分组特征。可以满足初至深度学习时对代表不同地质特征的初至样本的分类与筛选工作，提高初至波样本深度学习时的针对性与有效性。
[0022]为便于对本实施例进行理解，首先对本专利技术实施例所公开的一种针对初至波深度学习的样本分类方法进行详细介绍。
[0023]本专利技术实施例提供了一种针对初至波深度学习的样本分类方法，参见图1所示的一种针对初至波深度学习的样本分类方法流程图，该方法包括以下步骤：
[0024]步骤S102，获取训练样本数据和训练样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对初至波深度学习的样本分类方法，其特征在于，包括：获取训练样本数据和所述训练样本数据所属的分类信息；所述训练样本数据包括初至样本数据和所述初至样本数据对应的初至标签数据；利用所述训练样本数据和所述分类信息对分类网络模型进行训练，得到训练结果；利用所述训练结果对待分类初至样本数据进行分类预测处理，得到初至样本分类结果。2.根据权利要求1所述的方法，其特征在于，获取训练样本数据和所述训练样本数据所属的分类信息之前，还包括：获取地震数据和初至地质形态特征数据；根据所述地震数据确定初至样本数据；根据所述初至样本数据生成初至标签数据；根据所述初至样本数据和所述初至标签数据确定训练样本数据；根据所述初至样本数据和所述初至地质形态特征数据确定所述训练样本数据所属的分类信息。3.根据权利要求2所述的方法，其特征在于，包括按照如下公式根据所述初至样本数据和所述初至标签数据确定训练样本数据：其中，FBSamples为样本训练数据，FBData为初至样本数据，FBLabel为初至标签数据，N
samples
为训练样本个数，FBSamples
i
为初至样本数据和初至标签数据进行组合后得到的数据。4.根据权利要求1所述的方法，其特征在于，利用所述训练样本数据和所述分类信息对分类网络模型进行训练，包括：采用多分类交叉熵函数作为深度网络的损失函数；根据所述损失函数确定分类网络模型参数。5.根据权利要求4所述的方法，其特征在于，包括按照如下公式确定多分类交叉熵函数：其中，l
e
表示误差，N
FBClass
表示分类信息包括的类别数量，t
j
表示训练样本对应的分类结果标志，t
j
取值为1或0，y
j
表示网络预测的分类结果，其值表示属于第j种分类的概率。6.根据权利要求1所述的方法，其特征在于，利用所述训练结果对待分类初至样本数据进行分类预测处理，包括：利用所述训练结果生成所述待分类样本数据属于每个所述分类信息的概率值；根据所述概率值生成样本分类结果。7.根据权利要求1所述的方法，其特征在于，利用所述训练结果对待分类初至样本数据进行分类预测处理，得到初至样本分类结果之后，还包括：根据所述初至样本分类结果确定多种已分类初至样本数据；若第一类初至样本数据的数量不满足预设数量范围，则增加或减少所述第一类初至样本的数量。
8.一种针对初至波深度学习的样本分类装置，其特征在于，包括：获取模块，用于获取训练样本数据和所述训练样本数据所属的分类信息；所述训...

【专利技术属性】
技术研发人员：潘英杰，许银坡，倪宇东，吴迪，崔士天，田磊，
申请(专利权)人：中国石油集团东方地球物理勘探有限责任公司，
类型：发明
国别省市：