关键词： 鄱阳湖   栖息地   机器学习   卷积神经网络   景观指数  

摘要： 为了解鄱阳湖冬季栖息地类型的长期变化特征,探讨鄱阳湖冬季栖息地景观景观变化的驱动因素,本次研究利用1990-2021年的18张Landsat 5 TM和Landsat8 OLI的L2A级无云影像提取鄱阳湖冬季栖息地景观类型。并对比了随机森林、支持向量机、梯度提升树和分类与回归树等这四种机器学习算法及卷积神经网络算法的分类精度。运用NDVI、MNDWI、NDBI和EVI来识别栖息地景观类型。通过制作转移矩阵来描述各种景观类型的转换情况并进行景观格局指数分析。结果表明:(1)随机森林、支持向量机、梯度提升树和分类与回归树这四种机器学习算法的总体分类准确率均在98%以上,Kappa系数均大于0.98。在这四种机器学习算法中,随机森林算法分类性能最好。基于上述的研究,利用随机森林和卷积神经网络对鄱阳湖生态经济区进行分类后发现,卷积神经网络的分类精度高于随机森林,训练集的精度均在99%以上且波动较小。(2)采用随机森林算法对1990-2021年的Landsat遥感影像进行鄱阳湖冬季栖息地栖息地景观分类,并根据1990-2021年鄱阳湖冬季栖息地景观类型的百分比图和1990-2021年的面积变化图发现,鄱阳湖在冬季水面面积缩小时,泥滩是该时期的主要栖息地景观类型。(3)根据1990-2021年鄱阳湖冬季栖息地景观类型的分类专题图发现:草洲一般出现在泥滩周围,沙地主要分布在鄱阳湖主河道附近。鄱阳湖周边耕地主要分布在研究区东南部,在1998-2004年间耕地面积呈下降趋势,这可能与“退耕还湖”的地方政策有关。(4)为了揭示三峡大坝对鄱阳湖生态环境的影响,对建坝前后的鄱阳湖栖息地景观类型进行了对比研究。通过转移矩阵的分析,发现建坝前的泥滩面积大幅增加,而建坝后更多的泥滩转化为草地。总体上,建坝后泥滩面积较建坝前有所减少。(5)分析了1990-2021年的景观格局指数变化。1990-1997年景观斑块密度呈逐年波动趋势,表明鄱阳湖冬季栖息地类型进一步分散。而1997-2021年,景观斑块密度和景观干扰指数均呈下降趋势,景观聚集指数呈上升趋势,表明栖息地的完整性已经恢复。(6)通过研究不同年份的水位差异对鄱阳湖栖息地景观分类结果的影响,发现水域面积的长期变化与水位变化并不一致。这表明本研究分类结果的水域面积变化不太可能是由水位变化引起的,即水位不是影响鄱阳湖不同栖息地景观类型变化的主要因素。

关键词： 二维人体姿态估计   并行卷积与自注意力   Transformer   图像自适应增强  

摘要： 人体姿态估计是计算机视觉中一个重要的研究方向,旨在从图像中识别人体关键点的二维坐标位置,广泛应用于虚拟现实、智能交互、安防监控、自动驾驶、运动分析等领域。传统的人体姿态估计方法使用手工设计的特征和机器学习算法估计人体姿态,此类方法存在特征设计难度大、易受环境因素干扰、泛化性差等缺陷。相较而言基于深度学习的人体姿态估计方法性能优越、潜力充足,逐渐成为人体姿态估计领域的主流算法。然而,现有的深度学习算法仍然存在许多问题,比如计算效率低、模型设计冗余、算法流程复杂、易受环境因素干扰等。本文针对上述问题展开研究,设计了一个更加鲁棒、轻量化的端到端二维人体姿态估计系统。本文贡献主要有以下三个方面: 1、人体姿态估计任务需要丰富的局部特征和关键点依赖关系来解决遮挡、困难关键点定位等问题。为了获取所需特征,现有方法往往引入结构复杂的多分支模块以及密集的特征图级联,又或者在卷积网络后端连接Transformer捕捉关键点之间的联系。然而不论哪种方法都会使模型的计算复杂度升高,推理效率低下。为了解决这一问题,本文设计了一种并行卷积与自注意力的并行模块。该模块可以同时捕捉关键点周围的局部上下文特征以及关键点之间的长程联系,具有高效的、轻量化的、可解释性强的特点。基于此模块构造的单人人体姿态估计器实现了推理精度与运算速度的平衡。 2、多人姿态估计中的关键点定位与匹配一直是人体姿态估计领域的热点问题。现有方法通过各种手工设计的标签、向量场、人体骨骼表示等方式将图像中的关键点匹配到对应的人体实例中。这些方法不仅繁琐且不直观,没有充分利用人体骨骼的固有联系。鉴于自注意力可以高效捕捉人体实例中的关键点联系,本文在单人人体姿态估计器的基础上,引入显式的人体实例掩码监督,使得模型可以同时学习关键点定位和关键点匹配所需的信息,实现了端到端的多人姿态估计。 3、当前,人体姿态估计领域缺少应对环境因素干扰的研究。本文针对这一问题提出两点解决方案:第一,针对因为光照干扰、大气颗粒、环境变化造成的图像质量下降问题,提出了一种图像自适应的前处理模块,可以直接嵌入到已有的人体姿态估计模型中,提升模型应对环境干扰的能力;第二,针对目前缺少数据集的问题,提出使用目标检测以及图像去雾等领域数据集来对图像自适应模块进行预训练,训练完成的模块可以直接迁移到人体姿态估计模型上,解决了数据集不足的困扰。

关键词： 水位   神经网络   优化算法   误差修正   层次聚类   二次分解  

摘要： 精确的水位预测对于大坝、堤防等水利基础设施的安全具有非常重要的意义。然而,由于水位信息具有非线性,非平稳性的特点,准确预测水位是具有挑战性的问题。随着目前机器学习方法的发展,神经网络能够适应数据的非线性特征,从而在水文信息预测领域得到广泛的应用。传统的神经网络单模型的预测精度已经不能满足现如今的预测精度要求,基于机器学习方法的组合模型显示出一定的优势。本文针对以上问题,提出两种新的基于神经网络的组合模型来预测水位信息,以提高水位预测的准确性和可靠性。本文研究工作主要聚焦于以下两个方面:(1)提出一种基于变分模态分解(Variational mode decomposition,VMD)、ELMAN神经网络、遗传算法(Genetic Algorithm,GA)和自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)的组合模型(VMD-GA-ELMAN-VMD-ARIMA)。首先将水位用VMD预处理数据,用GA优化ELMAN的参数,再预测每个子序列,同时将误差序列用VMD分解,并用ARIMA模型预测,最后修正之前预测的水位。文中采用张掖市黑河的三组不同水位站点的数据,建立了10种对比模型比较该模型的性能。结果表明,VMD分解算法与GA-ELMAN和ARIMA模型结合的组合模型具有提高预测效果的性能。此外,VMD双处理能很大程度上提高预测精度。(2)提出一种基于改进的自适应噪声完备集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)和变分模态分解(VMD),极端学习机(Extreme Learning Machines,ELM)和鲸鱼优化算法(Whale Optimization Algorithm,WOA)的组合模型(ICEEMDAN-VMD-WOA-ELM)。首先,采用层次聚类方法提取与预测日相似性较高的黑河五组不同站点的历史数据,并用箱线图分析提取后的数据。然后用ICEEMDAN对分析后的不同的水位数据集预处理,将得到的高频子序列IMF1用VMD二次分解。随后利用WOA的全局优化能力,优化ELM的参数,同时预测每个子序列,将预测值累加,得到最终的水位预测结果。结果表明:(a)模型由层次聚类方法将历史数据找到水位的周期性波动,并用箱线图检测和校正,可以在保持其主流趋势的同时,大大降低异常值对序列的影响;(b)ICEEMDAN-VMD模型的二次分解比ICEEMDAN单分解预测误差小;(c)WOA的加入也可以提高水位的预测精度。两种新的模型验证了基于机器学习方法的组合模型具有稳定性和准确性,对未来的水位研究具有重要的意义。

关键词： 隐私保护   联邦学习   差分隐私   数据异构   梯度下降  

摘要： 联邦学习作为人工智能的一个新领域,可以解决“数据孤岛”问题和满足数据隐私保护的需求。在联邦学习中无需参与者上传数据,只需通过更新本地模型的参数并上传给服务器就可以参与到全局模型的训练。然而本地模型训练的过程中,若参与者和服务器之间存在恶意的攻击者,则该攻击者可以通过上传的参数信息窃取参与者隐私。差分隐私作为新兴的隐私保护技术,可以为联邦学习框架提供足够的保护。然而在基于差分隐私的联邦学习框架中,由于隐私预算的不合理设置,会导致噪声的多少无法控制,影响模型的收敛速度和准确性;在数据异构的场景中,由于参与者数据分布的不同与噪声的干扰,模型的准确度将大大降低。因此如何使用合适的隐私保护机制来保证联邦学习框架的安全性及可用性,是本文主要研究的问题。 本文先是提出了自适应差分隐私算法,该算法根据梯度的变化自适应添加噪声,针对数据的异构性,在该算法的基础上提出了一种具有强泛化性的算法,通过预先训练初始模型来增强该模型的泛化能力,同时对该初始模型提供差分隐私保护,保证向联邦学习框架提供隐私保护的同时提高模型准确度。主要的研究工作如下: (1)针对现有算法对梯度信息加噪导致模型收敛速度过慢的问题,本文提出了自适应加噪方法动态分配隐私预算。在全局模型阶段,本文通过差分隐私的串行组合机制和并行组合机制,将隐私预算按照训练轮数分配并在每个轮次中分发给参与训练的客户端;在局部训练阶段,通过随机梯度下降算法优化模型,并在每轮梯度下降的过程中,通过计算梯度变化的大小自适应添加噪声,提高模型的精度。 (2)对于常见的数据异构场景,基于训练具有良好适应性的初始模型的思路,本文提出了具有自适应差分隐私保护的初始模型训练方法,该方法通过训练一个泛化性较强的初始模型,在面对拥有着不同数据分布的任务时能够使模型快速收敛。在初始模型的训练中,同样在其梯度下降时根据梯度变化的大小加入自适应噪声,以此保证初始模型的隐私性。最后将该模型作为全局模型训练的初始模型,在面对拥有不同数据分布的客户端时能够快速收敛,相比传统的联邦学习框架,该方法在数据异构的场景中拥有更好的模型表现。 本文对提出的算法进行了隐私性分析,证明了提出的隐私保护算法的合理性。使用真实数据集对本文算法进行验证,并将本文提出的两个算法与现有的三个算法进行了对比。通过得到的实验数据分析本文提出算法的改进之处,证实算法的有效性。

关键词： 机器学习   智能家居系统   活动识别   随机森林模型   交互设计  

摘要： 随着科技的快速发展,以机器学习为基础、凸显人体行为活动识别的智能家居产品不断被人们所了解。而智能家居产品基本还是以人工操作和自动化控制为主,缺乏一定的灵活性。针对这一现状,本文研究并分析了基于机器学习方法的智能家居数据集,利用numpy和pandas库进行数据处理,以及监督学习算法中的随机森林模型,并将其应用于智能家居系统的研究中。通过对智能家居数据集的分析及可视化,得出智能家居系统相应的设计依据。1.针对目前智能家居存在的问题,如对抗性机器学习等网络攻击、设备功能同质化严重、注重单品功能而忽视联动、难以适应家庭中不同年龄结构人群的普遍需求等。本文分别从安全隐患的排除、精细化与集成化设计、以及回应用户情感等方面入手,由此构建一套基于活动识别的智能家居系统架构,突出用户的行为识别。另外,采用Zig Bee协议加强安全和稳定性,利用随机森林模型进行训练。2.对不同智能家居系统模块进行分析,主要从环境感知、智能控制、安全防护以及照明智控四个方面对家居中不同任务进行合理分工,不同子系统采用相应的智能化技术,从而实现整体的空间与场景控制。然后通过对智能家居数据集的处理和分析,将不同的人体行为数据进行单个特征统计以及两两特征之间的可视化,得出相应特征的重要度。3.结合智能家居数据集的分析结果,从智能家居的基本空间布局出发。采用数据库分析、随机森林模型以及相关性分析的方法,进行整体智能家居系统的设计。首先构建智能家居系统,以用户为主导,与智能控制端、终端以及网关之间形成联系,通过不同空间分区实现不同的功能控制。其次对智能家居六个场景单独设计和多个场景的联通设计。最后通过语音、触控和体感交互完成用户与系统的深层次控制,以界面设计的方式完成移动端不同空间及功能的联通,并对设计进行评估。将机器学习方法融入智能家居系统设计之后,结合数据分析和设计评估,结果表现出良好的特性,同时也能完善智能家居系统的设计。

关键词： 地震响应   高速铁路   行车系统   深度学习   准分布式光纤光栅  

摘要： 随着近十几年的快速发展,我国高速铁路的建设也达到了高潮,我国幅员辽阔,受轨道不平顺、地质条件和环境因素等影响,高速铁路桥梁占线比超过50%,同时,我国地震具有覆盖区域广阔、频繁、强烈等特点,使得高速铁路桥梁的建设在空间和时间上都无法完全避开潜在地震区域。人工智能神经网络在工学领域的广泛运用也为轨道-桥梁地震响应分析提供了新的方向,因此应用深度学习方法开展地震作用下高速铁路简支梁桥的响应预测,对有效控制和规避轨道-桥梁在地震作用下的风险具有重要意义。 本文针对高速铁路地震响应预测问题,研究地震响应下轨道-桥梁的变化特点,综合考虑和消化国内外高速铁路地震响应深度学习预测研究的成果、侧重点和不足,根据不同的工况数据搭建不同的算法模型。主要的研究内容如下: (1)通过布设准分布式光纤光栅采集高速铁路简支梁桥缩尺模型不同部分在不同地震波、不同车速工况下的应变响应。研究四种神经网络模型:误差反向传播、循环、长短期记忆、卷积和长短期记忆神经网络混合模型,分析其在无行车高速铁路地震响应下的预测效果,从均方根误差、平均绝对误差和决定系数三个方面比较了四种模型的预测精度以及混合神经网络的优势原理。并且根据光栅传感监测中光栅不易成活的缺点建立模型,通过已测点应变预测其他监测位置的应变信息。 (2)在增加行车荷载的情况下,建立三种不同神经网络模型用于预测高速铁路简支梁桥地震应变响应。具体为循环、长短期记忆、卷积和长短期记忆神经网络混合模型。通过点预测精度及区间预测精度多方面研究不同模型在面对包含复杂的时序性问题的数据时低泛化能力和鲁棒性问题。 (3)提出车桥系统地震响应区域预测组合模型:基于注意力机制的卷积神经网络和双向长短期记忆神经网络组合模型(CNN-Bi LSTM-Attention),将其应用于54种工况下的应变数据集中,比较其与常用预测模型的预测精度。结果显示,该模型可以直接预测整个空间内地震应变响应,并且精度远大于常用单一预测模型。

关键词： 类别不平衡   先验分布   图像识别   图像生成  

摘要： 随着大数据时代的来临和科学技术的不断发展,人工智能技术已逐渐成为日常生活中不可分割的重要部分。看似成熟的人工智能技术广泛应用于生活的各个方面,可以说,这些技术在信息产业中给人们带来了极大的便利。当然,人工智能技术同样面临了更多的挑战。如在分类任务中,当面对复杂的类不平衡的数据时,常规的基础模型无法准确的适应,因此如何开发具有鲁棒性的学习算法具有重要的研究意义。分类的本质是挖掘数据相似的高维语义信息,并将同属性的样本划分到相同的类别中,现有的分类模型已经可以实现相当高精度的性能。然而,当面对类别不平衡的数据时,常规基于经验风险最小化的学习模型却容易受到样本先验分布的影响。换句话说,有偏的数据分布会导致有偏的决策空间,进而影响模型的鲁棒性与泛化性。当前大多数研究集中在利用事前样本均衡采样,事中代价均衡学习,事后决策补偿等方式进行学习器调整。本文从样本先验分布的视角出发,分别从算法和样本层面对类别不平衡学习方法进行研究,内容如下:(1)算法层面:提出一种基于共享最近邻聚类技术的改进概率密度机器(Probability Density Machine,PDM)算法。概率密度机是最近提出的一种解决类别不平衡学习问题的新算法。该算法可以很好捕获先验数据分布信息,并在各种类别不平衡学习(Class Imbalance Learning,CIL)应用中表现出稳健的性能。然而,我们也注意到PDM对具有变化密度和或小析取项的CIL数据敏感。为了解决这个问题,我们将无参数共享最近邻(Shared Nearest Neighbors,SNN)聚类技术引入PDM过程,并提出了一种新的SNNPDM算法。特别地,SNN可以适应变化的密度并很好地捕获小的析取项。我们在大量CIL数据集上对所提出的算法进行了评估,结果表明,所提出的SNN-PDM算法明显优于PDM和以前的几种CIL方法。(2)样本层面:提出一种用于类不平衡问题的特征级插值生成方法。许多研究表明,深度模型同样面临着类别失衡的挑战,如何在图像领域对少数类别进行有效数据扩充,一直是一个难题。传统的合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)采用在原始空间中直接插值生成新样本,以此来缓解随机过采样容易过拟合的特点。然而在图像数据中,这种增广方式并不能很有效地改进深度模型的性能。为了解决这个问题,我们提出了一种特征级插值生成(Feature-level Interpolation Generation,FIG)方法。其主要思想是将插值操作从输入空间转移到自动编码器的编码空间。我们希望经过改进的编码可以为生成一些不同的图像提供更好的指导。

关键词： SAR目标识别   深度学习   知识迁移   在线域自适应   元学习  

摘要： 目标识别是通过分析传感器数据对观测对象的类型或状态等属性进行判定的过程,是场景分析、行为理解等复杂信息处理的基础,在智能信息化作战、地理信息处理、智慧城市建设、无人驾驶等领域发挥着至关重要的作用。其中,合成孔径雷达(Synthetic Aperture Radar,SAR)凭借其全天时、全天候工作以及穿云透雾等优势成为目标识别领域中重要的观测传感器。因此,研究SAR目标识别技术对社会科技进步具有重要的指导意义和实用价值。然而,考虑到SAR图像对观测角度、噪声等环境因素较为敏感,目前的SAR目标识别方法尚缺乏对目标识别环境动态变化性的深度认知,在发展泛化、高效、智能的目标识别方法的过程中仍面临着诸多问题,具体表现在:(1)目标识别模型大都依赖于大量标记数据,导致样本采集、标注和模型更新成本高;(2)样本特征差异性、目标识别环境的动态变化性造成样本数据分布在时间、空间、维度上的域差异问题,制约了目标识别模型对异构知识表征的适用性,限制了域自适应的有效性和实时性;(3)样本学习难度不均衡、多约束优化策略冲突、小样本信息特征不稳健等问题导致跨任务跨域知识迁移困难。迁移学习和元学习作为解决标注样本稀缺、域分布差异、跨任务知识迁移等问题的有效手段,有望推动SAR目标识别技术的发展,提升目标识别性能。因此,本文以SAR目标识别为研究背景,依托迁移学习和元学习为核心技术,针对上述的典型问题,展开面向SAR目标识别的迁移学习方法研究。论文的主要研究内容和贡献为:(1)为解决样本标注成本高和域差异问题,本文提出一种多视角域自适应SAR目标识别方法。该方法设计了源域知识扩充模型,基于无标记样本的辅助,对样本空间进行扩增,降低了SAR目标识别模型对标记样本的依赖性。在目标域提出一种多视角域自适应模型,基于多个视角的分类概率建立知识迁移质量评价模型,自适应地构建多视角标签集并对标签可信度进行估计,去除不一致的目标识别信息,探索最可靠的目标分类结果。该方法为源域知识有限的问题提供了解决方案,缓解了知识迁移受域差异影响而性能下降的问题,在标记样本有限的条件下有效地提升了SAR目标识别的准确率。(2)为克服知识表征的异构问题并实时感知目标环境的动态性,本文提出一种基于异构知识集成的域自适应SAR目标识别方法。在特征级建立知识集成模型,通过探索异构特征之间的公有知识和特有知识,提升了知识集成的质量。在决策级,设计特征权重以揭示异构特征的相对重要性并建立决策级知识集成模型。为实时感知目标识别环境,设计小样本在线更新策略实时更新特征权重。该方法打破了知识表征异构对目标识别的限制,完成了实时动态的域自适应,增强了SAR目标识别方法的泛化能力。(3)为缓解样本学习难度不均衡及多约束冲突问题对跨任务跨域知识迁移性能的限制,本文提出一种跨任务跨域元迁移SAR目标识别方法。其中,为克服样本学习难度不均衡对模型鉴别能力的影响,设计硬类挖掘策略,从而合理并充分地加强模型对难学习训练样本的训练强度。为克服域差异问题,设计域自适应策略,以寻求样本的域不变特征。此外,建立元学习器累积不同任务的学习经验,实现跨任务知识迁移。为缓解不同约束在优化元学习器中的冲突,采用多梯度下降算法自适应地平衡不同约束策略在模型优化中的贡献程度。该方法打破了跨任务跨域知识之间的信息壁垒,拓宽了知识迁移与共享的范围,加强了跨任务跨域知识迁移模型自主学习和自主优化的能力,从模型优化的角度拓宽了SAR目标识别方法的应用场景。(4)为突破小样本信息不稳健的局限性,本文提出一种基于层级化探索的元迁移SAR目标识别方法。其中,为在小样本条件下使样本信息和目标信息更具判别性和鲁棒性,基于全局注意力机制在特征级和样本级建立特征编码器和类别原子编码器,分别挖掘样本的深度全局性特征和目标类别稳健的类别原子,进一步寻求域不变的嵌入空间,使得目标域中的样本特征接近源域中同类的类别原子并远离不同类的类别原子,以更好地克服域差异问题。在任务级,建立元学习器学习多个任务,累积学习经验,从而培养目标识别模型跨任务知识迁移的能力,为新任务寻求域不变的嵌入空间和类别原子。该方法增强了模型对小样本信息的挖掘能力,提升了训练模型知识的质量,从数据挖掘的角度有效发挥了跨任务跨域知识迁移在SAR目标识别任务中作用。实验结果表明,本文在样本知识扩增、实时域自适应、异构知识集成、以及跨任务跨域知识迁移与共享等方面丰富了SAR目标识别理论,为构建泛化、高效、智能的SAR目标识别方法提供了有效的解决方案。

关键词： 多模态学习   火山岩相   异构编码器   双分支卷积   交叉卷积  

摘要： 随着我国能源需求的增加和国际能源形势的复杂化,油气勘探开发进入一个新的阶段,测井数据呈现出多样性和多模态化,是一种二维数据。本文以火山岩油气储层的岩相识别为例,系统开展了以异构编码为核心的多模态测井数据特征表示、向量对齐、信息融合和端对端深度学习架构设计等方面的研究,对促进储层定量表征、油气藏信息挖掘和油气藏数字化精准勘探开发等工作的发展具有重要的意义。主要工作和成果如下: 1.测井数据多模态性的系统研究和分析:主要源自测井物理原理和采集方式,有单曲线、阵列曲线和成像测井图像等三种模态形式,对于不同探测目标的识别任务而言,不同模态的数据在多变量属性特征、空间结构刻画等方面存在较大的差异。 2.基于常规测井曲线的火山岩相识别方法:采用6种常规机器学习、2种循环网络和2种深度学习方法系统研究了多模态常规测井曲线在火山岩相识别任务中的关键技术环节,如多模态数据在多变量空间的正交化、曲线空间结构信息的表示和学习以及变量域和空间域特征提取及分辨率的保持等。 3.多模态测井曲线空间结构特征异构编码方法:对比研究了PCA、自动编码器、循环网络编码器、基于CNN的深度编码器,其中循环网络编码器对垂向结构的表达较好,而深度编码器则对非线性和深层抽象结构的表示性能更好,不同模态测井数据的空间结构特征在岩性和岩相的识别中的显著性存在一定的差异。 4.适用于多模态测井曲线岩相识别任务的深度学习架构:双分支卷积网络和交叉卷积网络。其中双分支卷积网络主要侧重变量域特征强化和空间分辨率保持,而交叉卷积网络则在保持多模态测井数据在深度域和变量域分辨率的前提下进行深度融合,两种架构均优于常规深度学习,并适合多模态测井曲线的岩性和岩相分类任务。 5.成像测井数据的异构编码方法研究:采用多尺度LBP、FFT以及深度编码器等异构编码方法对成像测井进行了特征提取及向量对齐,其中多尺度LBP结合深度编码的编码方式效果最好,利用常规机器学习进行岩性和岩相的分类取得略优于深度学习的精度。 6.火山岩性和岩相多模态深度学习架构:建立了综合测井曲线和成像测井等多模态数据的火山岩岩性和岩相识别的深度学习架构,实现了基于多模态数据特征提取、向量化对齐以及显著性评价基础上的端对端深度学习,并对多模态测井数据其他分类和回归学习任务具有较好的适用性。