[发明专利]基于粗糙集属性约简的卷积神经网络岩性识别方法

权利要求书

1.一种基于粗糙集属性约简的卷积神经网络岩性识别方法，其特征在于：包括以下步骤：

1)收集目标井段的所有测井响应曲线图片数据，并按照测井响应曲线对应的岩性类别A对图片进行分类，得到训练集D＝{A₁,A₂,...,A_i,...A_n}；其中，i表示岩性类别的个数；1≤i≤n；表示A_i中的某一张图片；j表示A_i中图片的张数；

2)分别取数据集D中的每个图片，将其上所显示的k条曲线依次拆分成k张单条曲线图片，k张单条曲线图片组成同源图片组得到新的数据集D′；

3)采用卷积神经网络模型，同时对每个同源图片组作卷积训练，对应得到每个同源图片组的张量，并对每个张量进行flatten操作，得到的k个1×p向量，将得到的向量进行转置、组合得到p×k的组合向量；p为模型经过flatten之后向量的长度；

4)利用粗糙集对步骤3)得到的组合向量进行属性约简得到划分约简集B；

5)将步骤4)得到的划分约简集B送入分类器模型中，完成一次训练，得到第一次实际输出结果；

6)将步骤5)得到的第一次实际输出值，经损失函数计算得到第一次实际输出结果与期望输出结果之间的误差，并根据误差调整修正步骤5)的分类器模型和步骤3)的卷积神经网络模型参数，重复步骤3)～步骤5)对数据集D′中的每个同源图片组重新训练，得到第二次实际输出结果；将第二次实际输出结果与期望输出结果再次比较，再次调整修正，经过反复迭代训练，直至最终的实际输出值准确率满足预期要求或准确率恒定保持在一个最大值时停止训练，从而得到相应的模型结果。

2.根据权利要求1所述的基于粗糙集属性约简的卷积神经网络岩性识别方法，其特征在于：所述步骤3)在进行卷积训练时，通过k个卷积神经网络模型分别对每个同源图片组中的k张单条曲线进行训练，同时要保证同一时间内只有一个同源图片组能分别进入结构一致的k个卷积神经网络模型中进行训练。

3.根据权利要求2所述的基于粗糙集属性约简的卷积神经网络岩性识别方法，其特征在于：所述步骤3)中，卷积神经网络模型为VGG-13、VGG-16、VGG-19或ResNet卷积神经网络模型。

4.根据权利要求3所述的基于粗糙集属性约简的卷积神经网络岩性识别方法，其特征在于：所述步骤3)中，flatten操作是将得到张量进行一维化输入。

5.根据权利要求4所述的基于粗糙集属性约简的卷积神经网络岩性识别方法，其特征在于：所述步骤3)中，将得到的k个1×p向量分别进行转置，得到k个p×1的转置向量，并将k个转置向量进行组合得到p×k的组合向量。

6.根据权利要求5所述的基于粗糙集属性约简的卷积神经网络岩性识别方法，其特征在于：所述步骤4)的具体操作过程是：

4.1)将组合向量中，分别抽取p个向量中的第l个值x_l，其中1≤l≤p，组成对象集U＝{x₁,x₂,...,x_p}；

4.2)根据测井响应曲线类别建立属性集C；

4.3)将对象集U与属性集C之间的关系集记为F，得到信息系统(U,C,F)；

4.4)采用粗糙集理论，根据上述信息系统(U,C,F)建立划分辨识矩阵M；

4.5)对划分辨识矩阵M，采用属性约简方法找到满足公式的划分简约集B；其中，m，n分别表示信息系统对象集U中的任意两个对象。

7.根据权利要求6所述的基于粗糙集属性约简的卷积神经网络岩性识别方法，其特征在于：所述划分简约集B为一个或多个。

8.根据权利要求7所述的基于粗糙集属性约简的卷积神经网络岩性识别方法，其特征在于：所述步骤6)中，划分约简集B为一个，则将该划分约简集直接送入分类器模型中。