公开(公告)号：CN117236503A

公开(公告)日：2023-12-15

申请号：CN202311220090.0

申请日：2023-09-20

Applicant: 电子科技大学长三角研究院(湖州)

Inventor： 贺梅 ,  徐天吉 ,  智鹏鹏 ,  张广伟 ,  薛姣 ,  钟雨

IPC: G06Q10/04 ,  G06F17/16 ,  G06Q50/02 ,  G06N3/048 ,  G06N3/082 ,  G06N3/084

Abstract: 本发明属于智能信息处理技术领域，公开了一种基于空间信息约束的数据驱动预测方法、系统，该方法包括：数据的获取及预处理；基于同位协同克里金的预测目标插值；基于序贯高斯模拟的样本权重求取及基于空间信息约束的损失函数的构建；损失函数的优化及基于深度全连接神经网络的数据驱动预测。该系统包括：数据获取模块，数据预处理模块，预测目标插值模块，样本权重求取模块，损失函数构建模块，损失函数优化模块，数据驱动预测模块。本发明在空间信息约束下实现了学习样本的扩充，并将空间信息用于损失函数的优化，提高了数据信息的利用率，有助于引导学习过程向合理的假设收敛，从而改善基于数据驱动的预测方法的性能。

公开(公告)号：CN117518248A

公开(公告)日：2024-02-06

申请号：CN202311462785.X

申请日：2023-11-03

Applicant: 电子科技大学长三角研究院(湖州)

Inventor： 贺梅 ,  徐天吉 ,  贺婷 ,  薛姣

IPC: G01V1/28 ,  G06F18/241 ,  G06F18/214 ,  G06F18/27 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0985 ,  G06N20/20

Abstract: 本发明公开了一种基于堆叠泛化集成与卷积神经网络结合的多尺度地震相智能识别方法，包括以下步骤：S1，获得三维叠后地震数据，并对所述数据进行预处理，以构建用于智能建模的学习样本；S2，利用k折交叉验证训练得到卷积核各异的卷积神经网络模型，构建堆叠泛化集成的首层；S3，以学习的方式将包含多尺度信息的所述卷积神经网络进行集成，得到堆叠泛化集成中首层的输出；S4，以首层输出及对应的原始地震相标签构建新的数据样本，用于所述集成中元模型的训练，并得到最终的堆叠泛化集成模型；S5，输入测试数据，以获得包含多尺度信息的地震相识别结果。本发明所提方法具有更好的模式差异识别能力，从而有助于提高地震相识别的准确度。