[发明专利]一种UA2FT半监督迁移学习建模方法、介质及设备

权利要求书

1.一种UA2FT半监督迁移学习建模方法，通过源域s的有标签样本和源域任务的预测模型，获取目标域t任务的预测模型；源域的有标签样本数量大于目标域的有标签样本数量；包括以下步骤：

步骤一、获取源域和目标域数据：源域数据中，分别表示源域第i个样本和对应的标签；目标域数据、中，表示目标域样本总数，分别表示目标域第i个样本和对应的标签；和统一记为样本，和统一记为标签；源域样本矩阵，目标域样本矩阵；源域标签矩阵；为样本的维数，c为预测目标类别总数；

步骤二、样本映射高维空间：采用样本映射函数对源域样本矩阵和目标域样本矩阵进行变换，分别得到映射样本矩阵和；其中为再生核希尔伯特空间，为特征空间，，的元素，，为映射样本维度，为从高斯分布采样的输入权重向量，为从均匀分布采样的输入偏置标量，为输入权重向量采样方差系数，表示实数域；

步骤三、单向对齐阶段：通过对映射样本矩阵和进行变换，得到调整后的源域样本矩阵和目标域样本矩阵；其中为输出权重矩阵；通过优化函数使调整后的源域样本矩阵接近原始的源域样本，即，并使调整后的目标域样本矩阵向源域概率分布对齐；

步骤四、精细调整阶段：通过优化函数对经过单向对齐阶段后的源域样本矩阵和目标域样本矩阵进行精细调整；

步骤五、得到预测模型并得到预测结果：经过单向对齐阶段和精细调整阶段训练后得到输出权重矩阵和，获得目标域任务的预测模型，为极限学习机随机映射；将通过预测模型预测目标域的无标签样本，得到预测结果，实现建模；

步骤三中，优化函数；其中用于度量跨域概率分布，为全体样本矩阵，为全体标签矩阵，，为目标域标签矩阵，其中无标签的目标域样本采用伪标签，伪标签通过源域分类器预测目标域无标签样本获得；用于避免变换过程中的信息丢失；用于度量单向对齐阶段的复杂性；具体地：

，其中表示全体映射样本矩阵，表示转置，tr表示矩阵的迹，M为边缘MMD矩阵或者条件MMD矩阵；；；

在步骤三的优化函数中加入平衡系数，则优化函数为：

；

其中，、为人工定义的平衡系数，均大于0；如果目标域任务为测井解释任务，，；如果目标域任务为地震解释任务，，；

优化函数进一步写作：

；

其中，中间变量，和表示全1和全0矩阵，和的下标表示维度；优化即得到A的解析解：

，I为单位阵，I的下标表示单位阵I的维度。

2.根据权利要求1所述的UA2FT半监督迁移学习建模方法，其特征在于：样本x是由测井数据组成的测井样本或者是由地震属性数据组成的地震样本，步骤五中通过预测模型得到目标域多个无标签测井样本或地震样本的预测结果，实现井或者区块的地质建模。

3.根据权利要求1所述的UA2FT半监督迁移学习建模方法，其特征在于：如果目标域任务为测井解释任务，则样本x是由测井数据组成的测井样本，标签y为测井标签，具体地：

测井样本x为一口井在同一深度上的多个测井值组成的向量，测井标签y为需要解释的地质信息，d为测井总数，源域数据的测井标签数量大于目标域数据中的测井标签数量；

步骤二中，映射样本维度取200至1000之间的整数，输入权重向量采样方差系数取0.01至4之间的实数；

步骤五中，通过预测模型得到目标域多个无标签测井样本的预测结果，得到井的完整地质模型。

4.根据权利要求1所述的UA2FT半监督迁移学习建模方法，其特征在于：如果目标域任务为地震解释任务，则样本x是由地震属性数据组成的地震样本，标签y为地震标签，具体地：

地震样本x为一个区块在同一方位上的地震属性值组成的向量，地震标签y为需要解释的地质信息，d为地震属性总数，源域数据的地震标签数量大于目标域数据中的地震标签数量；

步骤二中，映射样本维度取500至2000之间的整数，输入权重向量采样方差系数取1至16之间的实数；

步骤五中，通过预测模型得到目标域多个无标签地震样本的预测结果，得到区块的完整地质模型。