[发明专利]一种UA2FT半监督迁移学习建模方法、介质及设备

说明书

本发明涉及地质建模迁移学习技术领域，公开了一种UA2FT半监督迁移学习建模方法、介质及设备，建模方法包括：获取源域和目标域数据；样本映射高维空间；单向对齐；精细调整；得到预测模型并得到预测结果；本发明有效解决了建模中的数据分布偏差问题，实现了从成熟区块的丰富数据集向新区块的知识迁移，有效提升了建模精度；充分利用了已有的数据标签和数据内蕴结构，减少了建模中对数据的依赖性；保持了特征的地球物理意义，建模过程具有一定的可解释性。

技术领域

本发明涉及地质建模迁移学习技术领域，具体涉及一种UA2FT半监督迁移学习建模方法、介质及设备。

背景技术

地质建模是在将地质、测井、地球物理资料和各种解释结果或者概念模型进行综合分析的基础上，利用计算机图形技术，生成的三维定量模型。因此地质建模是一个涉及地质学、数据和信息分析、计算科学的交叉性的综合学科。以对测井解释进行地质建模为例，在固体地面上钻孔几乎是直接探索地下表面的唯一方法，因为我们可以观察钻孔岩屑和岩芯。未损坏的岩心为地层的形成提供了丰富的信息，但由于取心成本高、时间长，无法获得完整的、连续的沿井岩心序列。与岩心直接观测井眼地质相比，测井可连续、高分辨率地记录井眼物探参数(如声、电等)，间接反映地层性质。因此，将稀缺而直接的岩心与间接而持续的地球物理测井相结合，建立完整而精细的井眼地质模型，是地质工作者的重要任务。

基于机器学习的测井解释已经得到了广泛的研究，但大多数研究都是在独立同分布(iid)假设下进行的，即训练数据集和测试数据集之间的概率分布不存在差异。一般来说，训练数据集可以由单口井组成，也可以由多口井的数据合并而成。因此，我们总是可以假设获得一个具有丰富甚至完整标签的训练数据集。但是，由于不同的井在钻井条件、测井设备等方面存在差异，因此有标记训练数据集与未标记(或几乎没有标记)测试数据集之间存在不可忽略的概率分布差异。因此，在实践中，基于机器学习的建模应该在非iid（独立同分布）问题下进行研究。

发明内容

为解决上述技术问题，本发明提供一种UA2FT半监督迁移学习建模方法、介质及设备。

为解决上述技术问题，本发明采用如下技术方案：

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。

进一步地，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。