针对初至波深度学习的样本分类方法及装置与流程

1.本发明涉及石油勘探技术领域，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。


背景技术：

2.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。


技术实现要素：

3.本发明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。
4.第一方面，本发明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。
5.第二方面，本发明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。
6.第三方面，本发明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。
7.第四方面，本发明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。
8.本发明实施例带来了以下有益效果：本发明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。本发明实施例可以准确、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。
9.本发明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，或者通过实施本发明而了解。本发明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。
10.为使本发明的上述目的、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
11.为了更清楚地说明本发明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发明的一些实施方式，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。
12.图1为本发明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；
13.图2为本发明实施例提供的针对初至样本分类的深度分类网络结构图；
14.图3为本发明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；
15.图4为本发明实施例提供的样本分类效果图；
16.图5为本发明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；
17.图6为本发明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；
18.图7为本发明实施例提供的计算机设备结构框图。
具体实施方式
19.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
20.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。
21.基于此，本发明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。
22.为便于对本实施例进行理解，首先对本发明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。
23.本发明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：
24.步骤s102，获取训练样本数据和训练样本数据所属的分类信息。
25.在本发明实施例中，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。初至样本数据包括原始的初至地震数据，初至标签数据包括对原始的地震数据标注的初至波信息数据。
26.需要说明的是，在进行初至波特征学习时需要同时用到原始的地震数据及标注的初至波信息数据，因此在进行初至样本分类训练时需要对这些初至的原始数据及标签数据同时打包处理，将初至样本数据及初至标签数据作为一个整体，即训练样本数据进行分类。
27.分类信息用于确定训练样本数据所属的分类类别。例如，参见图4所示的样本分类效果图，图中示出的分类类别包括中心样本、平滑初至样本和边界无效初至样本。分类信息具体包括何种分类类别以及包括多少种分类类别，可以根据实际需求进行设置，本发明实施例对此不作具体限定。
28.步骤s104，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。
29.在本发明实施例中，分类网络模型可以是深度分类网络结构。该种网络模型由多个尺寸依次递减的初至特征提取层所组成的一个特征抽象网络，用来实现初至特征的抽向和压缩。其中每一个初至特征提取层都由卷积层、池化层、数据规范化层组成的一个整体，上一层的输出为下一层的输入，然后连接几个全连接层。
30.在定义好深度网络模型之后，采用正态分布初始化方法对各神经元的权值进行初始化。可以利用adam(adaptive moment estimation，自适应矩估计)等常规的深度学习优化算法作为深度网络模型的学习调整算法。通过不断的迭代和训练来调整各神经元节点权值。
31.在完成深度分类网络模型的初始化和样本数据的准备工作之后，即可开始学习和训练。在训练样本数据中随机读取初至样本数据和初至样本数据对应的初至标签数据，结合训练样本数据所属的分类信息对分类网络模型进行学习和训练，当学习完成后，保存网
络模型结构及权值参数等作为训练结果，以供预测使用。
32.步骤s106，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。
33.在本发明实施例中，待分类初至样本数据可以是海量的待进行分类以用于初至波深度学习的样本。利用训练结果对待分类初至样本数据进行分类筛选处理，从而确定每个待分类初至样本数据所属的分类类型，也就是说，对每种分类类型都得到相应的多个完成分类的初至样本数据，进而用于为深度学习提供全面或有针对性的初至样本。
34.本发明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。本发明实施例可以准确、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。
35.为了得到更丰富的训练样本数据，获取训练样本数据和训练样本数据所属的分类信息之前，还可以执行如下步骤：
36.获取地震数据和初至地质形态特征数据；根据地震数据确定初至样本数据；根据初至样本数据生成初至标签数据；根据初至样本数据和初至标签数据确定训练样本数据；根据初至样本数据和初至地质形态特征数据确定训练样本数据所属的分类信息。
37.在本发明实施例中，初至地质形态特征数据包括褶皱、凸起以及坡度等地表形态信息，根据初至形态信息和地震数据可以按照信噪比等信息对训练样本数据进行分类。
38.在一个实施例中，按照如下公式根据初至样本数据和初至标签数据确定训练样本数据：
[0039][0040]
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，fbsamplesi为初至样本数据和初至标签数据进行组合后得到的数据。
[0041]
在本发明实施例中，在利用深度学习对初至数据进行学习时，首先利用时窗在整个地震数据中圈定感兴趣的与初至相关的数据，所标定的初至信息也在这个时窗范围之内。同时生成一个等大小的初至标签矩阵，对于标定初至信息的位置设置为1，其它非初至位置设置0，一道至多有一个初至。然后对时窗中的地震数据及其初至属性数据进行处理，将其切割成若干大小为x
×
y的小矩阵，对于数据不足的地方用0补充，一共分割成多个小矩阵。以同样尺寸和方法对初至标签矩阵进行分割，分割成与初至样本数据(fbdata)相对应的初至标签数据(fblabel)，可以写成如下公式：
[0042][0043][0044]
首先对初至样本类型进行分类，设一共有n
fbclass
个分类类别，fbclass为初至样本分类的类别集合：fbclass＝{1...n
fbclass
}。
[0045]
将初至数据样本和初至标签样本一一对应，作为一组成对存放变成分类用的样本
组：fbsamplesi＝fbdatai∪fblabeli。
[0046]
则整个训练样本为fbsamples，其中n
samples
为训练样本个数：为训练样本个数：
[0047]
同时根据该组初至数据样本内容或初至标签样本内容对这组样本进行分类，如将信噪比非常低的无初至信息的分成组1，将信噪比非常高初至特征信息非常明显的的样本分成组2等，根据初至特征对这些组样本分成若干类：分成组2等，根据初至特征对这些组样本分成若干类：其中，class表示从样本数据到对应类型的映射函数。
[0048]
将样本数据分组标定之后就可以利用深度分类网络进行学习了
[0049]
为了提升分类网络模型预测结果的准确性，利用训练样本数据和分类信息对分类网络模型进行训练，可以按照如下步骤执行：
[0050]
采用多分类交叉熵函数作为深度网络的损失函数；根据损失函数确定分类网络模型参数。
[0051]
在本发明实施例中，激活函数分别采用sigmoid函数和softmax函数，最后采用多分类交叉熵函数作为深度网络的损失函数，判断学习的分类结果是否与给定的分类结果一致。
[0052]
在一个实施例中，按照如下公式确定多分类交叉熵函数：
[0053][0054]
其中，le表示误差，n
fbclass
表示分类信息包括的类别数量，tj表示训练样本对应的分类结果标志，tj取值为1或0，yj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。
[0055]
在本发明实施例中，样本所属类别对应的tj为1，其它非所属类别的数值为0。yj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，概率越大可能性越高。
[0056]
从训练样本数据中随机读取成对的初至样本数据及其对应初至标志数据fbsamplesi作为深度网络输入的训练数据，这些样本对应的分类结果作为深度网络的样本标签，然后深度网格利用这些数据进行分类学习和训练。
[0057]
在一个实施例中，利用训练结果对待分类初至样本数据进行分类预测处理，包括：
[0058]
利用训练结果生成待分类样本数据属于每个分类信息的概率值；根据概率值生成样本分类结果。
[0059]
在本发明实施例中，利用训练好的深度分类网络对待分类初至样本进行分类筛选处理，可以按照如下步骤执行：
[0060]
1)准备待分类的初至样本数据。
[0061]
利用时窗对目标数据区域进行标定，然后利用初至信息生成一个等大小的初至标签矩阵，对于标定初至信息的位置设置为1，其它非初至位置设置0。对时窗中的地震数据及其初至属性数据进行处理，将其切割成若干大小为x*y的小矩阵，对于数据不足的地方用0补充，一共分割成多个小矩阵。以同样尺寸和方法对初至标签矩阵进行分割，分割成与初至地震数据样本相对应的初至标签样本。将成对的初至数据样本和初至标签样本作为一组成对存放，作为深度分类网络的输入数据。
[0062]
2)加载训练好的深度分数网络模型，包括设置深度网络模型结构和参数等。
[0063]
3)利用深度网络进行初至样本的分类检测。
[0064]
加载训练好的深度网络模型，读取成对的待检样本数据，然后利用深度分类网络进行分类预测，得到预测的属于各个类别的概率y，选取概率最大(yj)的类别(j)作为此初至数据的分类结果：yj＝max{yj|j＝1...n
fbclass
}，其中，dnnpred，表示深度网络预测函数。
[0065]
在一个实施例中，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之后，还可以执行如下步骤：
[0066]
根据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，则增加或减少第一类初至样本的数量。
[0067]
在本发明实施例中，根据初至样本分类结果，分别选取一定数据的不同类别的初至样本，作为初至检测学习的样本。如果某种类型的初至样本比较少，可以通过对样本及标签数据一起进行左右翻转或小角度旋转来实现样本的扩充；如果某种类型的初至样本比较多，也可以根据实际需求，对其初至样本的数量进行删减。
[0068]
参见图2-图5，下面以一个具体实施例对该方法的实现步骤进行说明。
[0069]
一、针对初至样本分类的深度学习。
[0070]
1)样本数据准备及类别标定：
[0071]
利用初至时窗在地震数据中标定目标数据区域，然后将时窗中的地震数据分割成若干小的样本数据，同时生成与之相对应的初至标签样本。然后根据样本数据特征或样本所对应的初至地质形态特征对这些样本分类，标定其所属类别。即完成样本准备及类别标定的工作。
[0072]
2)利用深度分类网络学习样本分类方法：
[0073]
定义深度分类网络模型，初始化模型参数，完成深度学习的准备工作。
[0074]
加载生成的训练数据及其分类信息，对设置好的深度分类网络模型进行训练。训练完成后保存深度网络模型并退出学习。
[0075]
二、利用深度分类网络对样本进行分类。
[0076]
1)准备待分类的样本数据：
[0077]
利用初至时窗在地震数据中标定目标数据区域，然后将时窗中的地震数据分割成若干小的样本数据，同时生成与之相对应的初至标签样本。
[0078]
2)加载深度分类网络模型：
[0079]
加载和初始化深度分类网格模型结构和模型参数，准备深度学习和分类预测的运行环境。
[0080]
3)初至样本的分类：
[0081]
利用训练好的深度分类网络模型对待分类样本数据进行分类预测。提取一对初至样本及初至标签数据作为深度分类网络模型的输入，然后经过深度分类网络的预测，得到其属于不同分类的概率，预测的概率值最大的类别即为预测的样本所属类别。
[0082]
在完成对所有样本的类别判定之后，即可统计出不同类别的样本个数，对于常规、样本数据大、特征显示的初至样本可以进行筛选处理，随机选出部分样本供后继深度学习使用；而对于那些地质特征占比较少、初至样本也比较少的类别，需要对样本进行扩容处理，增加此类的样本数据，提高后继深度学习的针对性。
[0083]
本发明实施例定义和实现了一种基于深度分类网络的初至样本分类检测技术。首先利用初至时窗圈定目标数据范围，然后对目标数据及其对应的初至标签数据按指定尺寸进行分割，分割成若干小的样本。然后定义和加载训练好的深度分类网络模型，读取成对的初至样本及初至标签数据作为深度分类网络模型的输入数据，然后利用深度分类网络模型进行所属类别的预测。在完成对所有样本的类别判定之后，即可统计出不同类别的样本个数，对于常规、样本数据大、特征显示的初至样本可以进行筛选处理，随机选出部分样本供后继深度学习使用，而对于那些地质特征占比较少、初至样本也比较少的类别，需要对样本进行扩容处理，增加此类的样本数据，提高后继深度学习的针对性。
[0084]
本发明实施例提供了一种针对初至波深度学习的样本分类方法及装置，该方法利用深度分类网络实现一种针对初至样本的分类与预处理。该方法具体包括两个大的步骤：第1步是利用构造好的深度分类网络模型对初至样本数据及标签数据进行学习，学习和掌握对对应于不同地质类型的初至样本的分类技术；第2步是利用训练好的深度分类网络模型对其它初至样本进行分类与预处理，为利用这些样本数据进行初至波特征的深度学习与检测做准备。通过对初至样本数据按地形特征、数据特征等分类，然后利用深度分类网络学习和掌握这些样本的分类特征与分类方法，可有效的实现对类似的初至样本的分类与选取。通过根据地质类型、数据特征选取特定类型的初至样本，可为深度学习提供全面或有针对性的初至样本，从而提高了针对特定数据类型或地质特征的初至检测效果。
[0085]
本发明实施例中还提供了一种针对初至波深度学习的样本分类装置，如下面的实施例所述。由于该装置解决问题的原理与针对初至波深度学习的样本分类方法相似，因此该装置的实施可以参见针对初至波深度学习的样本分类方法的实施，重复之处不再赘述。参见图5所示的一种针对初至波深度学习的样本分类装置结构框图，该装置包括：
[0086]
获取模块71，用于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；训练模块72，用于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；分类模块73，用于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。
[0087]
在一个实施例中，参见图6所示的另一种针对初至波深度学习的样本分类装置结构框图，该装置还包括预处理模块74，用于：获取地震数据和初至地质形态特征数据；根据地震数据确定初至样本数据；根据初至样本数据生成初至标签数据；根据初至样本数据和初至标签数据确定训练样本数据；根据初至样本数据和初至地质形态特征数据确定训练样本数据所属的分类信息。
[0088]
在一个实施例中，预处理模块，具体用于按照如下公式根据初至样本数据和初至标签数据确定训练样本数据：
[0089][0090]
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，fbsamplesi为初至样本数据和初至标签数据进行组合后得到的数据。
[0091]
在一个实施例中，训练模块，具体用于：采用多分类交叉熵函数作为深度网络的损失函数；根据损失函数确定分类网络模型参数。
[0092]
在一个实施例中，训练模块，具体用于：按照如下公式确定多分类交叉熵函数：
[0093][0094]
其中，le表示误差，n
fbclass
表示分类信息包括的类别数量，tj表示训练样本对应的分类结果标志，tj取值为1或0，yj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。
[0095]
在一个实施例中，分类模块，具体用于：利用训练结果生成待分类样本数据属于每个分类信息的概率值；根据概率值生成样本分类结果。
[0096]
在一个实施例中，该装置还包括调整模块75，用于：根据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，则增加或减少第一类初至样本的数量。
[0097]
本发明实施例还提供一种计算机设备，参见图7所示的计算机设备结构示意框图，该计算机设备包括存储器81、处理器82及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一种针对初至波深度学习的样本分类方法的步骤。
[0098]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的计算机设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0099]
本发明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任一种针对初至波深度学习的样本分类方法的计算机程序。
[0100]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0101]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0102]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0103]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0104]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员
在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。