基于C#的图谱文件管理及标签数据集导出软件开发

为实现铀矿地质遥感领域专业人员对野外采样数据的管理,并提高数据在机器学习领域的应用效率,基于C#执行效率高、Python利于建立深度学习模型的优势,设计开发基于C#的图谱文件管理及机器学习训练集导出软件。结合C#语言与SQL Server数据库开发针对野外采样数据的图谱管理数据库平台,联合主流的机器学习标签数据集存储方式,运用编程手段实现用户定制的标签数据集生成。使用软件检索功能实现数据的选取,结合“导出数据”功能实现标签文件夹的生成;选用“标签数据集导出”功能分别实现光谱标签文件夹数据的按特征波长导出和图片标签文件夹数据的Tfrecords格式转化的功能。利用此软件可帮助用户实现对野外采样数据的优化管理,快速生成用户输入机器学习模型所需的标签数据集,从而提高数据应用效率。

一种适合弱标签数据集的图像语义标注方法

真实环境下数据集中广泛存在着标签噪声问题,数据集的弱标签性已严重阻碍了图像语义标注的实用化进程.针对弱标签数据集中的标签不准确、不完整和语义分布失衡现象,提出了一种适用于弱标签数据集的图像语义标注方法.首先,在视觉内容与标签语义的一致性约束、标签相关性约束和语义稀疏性约束下,通过直推式学习填充样本标签,构建样本的近似语义平衡邻域.鉴于邻域中存在噪声干扰,通过多标签语义嵌入的邻域最大边际学习获得距离测度和图像语义的一致性,使得近邻处于同一语义子空间.然后,以近邻为局部坐标基,通过邻域非负稀疏编码获得目标图像和近邻的部分相关性,并构建局部语义一致邻域.以邻域内的语义近邻为指导并结合语境相关信息,进行迭代式降噪与标签预测.实验结果表明了方法的有效性.

智能物探技术的过去、现在与未来

通过梳理国内外人工智能技术在地球物理勘探(物探)领域中的发展历程、主要研究进展以及发展方向,总结了智能物探的优势和面临的难题,并提出了解决方案。研究结果表明:(1)物探技术在人工智能发展的第2次浪潮中开始与人工智能技术相结合,得益于物探领域数据量的指数级增长、硬件算力的高速发展以及不断出现的新深度学习框架,智能物探技术从早期的机器学习发展为目前的深度学习,在地震资料处理、解释等方面的应用中取得了大量研究成果。(2)目前智能物探技术被广泛应用于标签集的构建、去噪、断裂检测、层位与层序解释、地震相分类和异常体检测、岩性识别与油气藏开发、地震反演成像等方面,大幅提高了工作效率,降低了工作成本,克服了人工交互操作和人工经验的主观性和不可靠性,助力打破传统物探技术瓶颈。(3)智能物探技术的发展面临着缺少公开的标签数据集、缺少解决地球物理领域问题的智能化框架及尚未形成适用于地球物理领域共享的智能化开发平台等难题,可以从解决数据基础、构建智能平台、开展网络架构基础性研究及与应用场景结合等方面着手解决;此外,智能物探技术的发展方向还包含智能地震成像方法研究,储层成像方法研究,油气大数据挖掘、智能风险评估与智能决策以及超算软件装备研发等方面。

基于标签映射的长短期浏览行为数据挖掘仿真

浏览行为数据挖掘受节点分类概率的影响,导致挖掘精度较低,于是提出基于标签映射的长短期浏览行为数据挖掘方法。通过对长短期浏览行为数据进行降维处理,对数据降低维度与减少存储空间的同时提高了数据挖掘速度,剔除冗余数据,有效保留重要信息特征。最终结合标签映射对数据进行训练学习,精准地完成浏览节点分类概率的计算,实现高精度的长短期浏览行为数据挖掘。仿真结果表明,所提方法能够有效降低分类开销,提升浏览行为数据的挖掘速度与挖掘的准确性。

考虑微震前兆特征的CNN-GRU冲击危险性分析模型

微震数据对于冲击危险性分析极为重要,但一般情况下微震事件缺少危险与否的标签,同时模型设计较少考虑微震自身特征,由此导致了模型性能不足的问题。通过对某煤矿微震事件显现特征进行跟踪标定,获得了具有危险性标签的微震数据集,针对性提出了一种基于CNN-GRU模型的微震危险性分析方法,该方法考虑了微震前兆特征,利用微震监测数据的时间、地点和能量建立特征指标;将建立的初始数据集,在时间尺度上分为训练集、验证集和测试集,并对危险和非危险样本不平衡的问题进行处理;最后利用训练集对CNN-GRU模型进行训练,将在验证集上效果最好的模型用于测试,严格规范了模型的泛化能力。该方法在对某矿山的微震监测事件的危险性分析中取得了很好的效果,证明了在选取合适分析特征的基础上,利用深度学习方法对冲击危险状态进行分析是可靠的。

基于机器学习的PVDF基复合介质储能特性数据分析与预测

近年来,机器学习作为一种新型数据分析方式,在电气、材料、化学等领域都取得了优异的成果。对储能介质材料而言,以聚偏氟乙烯(polyvinylidenefluoride,PVDF)材料作为基体,向其中加入纳米填料能够极大地增加复合介质最大储能密度。该研究利用机器学习探索并建立复合介质所含填料(微观信息)-复合介质储能性能(宏观性能)的对应关系。首先,收集165组复合介质储能特性参数建立数据库,以填充相材料的特征作为输入描述符(包括固有描述符和选择描述符);其次,对原始数据进行处理,根据复合介质的最大储能密度提升倍数划分数据集标签。为达到兼顾预测精度和准确率的目的,分别设置二分类、三分类和四分类数据集,使用3种机器学习算法对数据集进行训练;最后,将11组全新的数据输入训练模型进行验证,其中7组数据可以正确预测分类,证明机器学习方法应用在高储能密度复合介质研究中的可靠性。该研究将交叉学科的前沿成果运用在复合介质的研究领域,所建数据库与训练模型将加速高性能复合介质的发现。

一种新的快速挖掘频繁子树算法

挖掘隐藏在大型标签数据集中丰富的语义信息是数据挖掘的重要任务之一.基于成千上万标签的半结构化数据集,提出了从给定包含一棵或多棵标签树的数据集中,找出所有满足用户最小支持度阈值频繁子树方法.首先采用树和森林的规范表示,使用扩展操作生成候选子树集,进一步提出有根有序标签树的挖掘算法.通过确定自由树中心,将自由树转换成有根有序标签树.该方法不仅解决了一般自由树规范化问题,而且能直接应用到半结构化数据集中.实验结果表明,该方法能够快速有效地从大型标签数据集中挖掘所有频繁子树.

多尺度特征融合网络的遥感图像林地检测

针对现存方法对林地检测结果细节丢失严重、边缘不够精细的问题,文中提出一种基于多尺度特征融合的网络结构,使用Labelme手动对数据集进行标签,并通过翻转、加噪、颜色调整等操作增强图像。网络结构主要包括将低层空间信息和高层语义信息进行特征融合的密集跳跃连接,以及可以增大网络感受野并从多个角度对特征进行提取的空洞空间金字塔池化模块。文中利用编码器提取全局信息,通过解码器恢复图像空间分辨率,最后用分类器进行林地与非林地的分割。实验结果表明,文中算法与现有算法相比,图像检测能力有一定的提升,能较为准确地检测出林地区域。