(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111413022.7 (22)申请日 2021.11.25 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 许林英　曾新　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 代理人 潘俊达 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (54)发明名称 一种基于自编码与梯度提升树组合算法对 钻孔的判断方法 (57)摘要 本发明属于互联网技术领域， 具体公开了一 种基于自编码与梯度提升树组合算法对钻孔的 判断方法， 包括： 步骤1： 对钻孔样本数据进行归 一化处理； 步骤2： 将钻孔数据集D＝{X1， X2， ...， Xn‑1， Xn}划分为训练集D1和测试集D2； 步骤3： 基于 无标签的训练集D1， 对训练集D1进行栈式自编码 层训练， 将钻孔数据处理进行降维处理， 并输出 隐藏层的数据； 步骤4： 对隐藏层的数据和带标签 的训练集D1进行处理， 一起进入梯度提升决策树 中进行训练， 设置残差函数； 步骤5： 输出层是输 出决策树训练后的最优模型。 其能够实现钻孔合 格性批量判断的功能， 为地浸采矿 人员减少地浸 井场钻孔设计工作量， 提高地浸井场钻孔设计质 量， 该算法模 型可以提高测井数据中钻孔判断的 效率和准确率。 权利要求书2页 说明书6页 附图4页 CN 114065647 A 2022.02.18 CN 114065647 A 1.一种基于自编码与梯度提升树组合算法对钻孔的判断方法， 其特征在于， 包括以下 步骤： 步骤1： 对 钻孔样本数据进行归一 化处理； 步骤2： 将钻孔数据集D＝{X1， X2， ...， Xn‑1， Xn}划分为训练集D1和测试集D2， 训练集D1在 所钻孔数据集D中出现的概 率为 且m为训练集D1中的样本数量； 步骤3： 将部分训练集D1通过人工贴上标签， 将无标签的训练集D1进行栈式自编码层训 练， 将钻孔数据处 理进行降维处 理， 并输出隐藏层的数据； 步骤4： 对隐藏层的数据和带标签的训练集D1进行处理， 一起进入梯度提升 决策树中进 行训练， 设置残差函数； 步骤5： 输 出层是输 出决策树训练后的最优模型， 并对测试集D2进行训练， 判断模型的性 能。 2.根据权利要求1的一种基于自编码与梯度提升树组合算法对钻孔的判断方法， 其特 征在于， 在步骤1中， 对 钻孔数据进行归一 化处理， 具体如下： 找到钻孔样本数据中的最小值和最大值， 然后将钻孔样本数据转化为区间[0， 1]之间 的数据， 计算公式如下： 其中， X为钻孔样本数据， X ′为归一化的数据， X ′∈[0， 1]， XMIN代表钻孔样本数据中的最 小值， XMAX代表钻孔样本数据中的最大值。 3.根据权利要求1的一种基于自编码与梯度提升树组合算法对钻孔的判断方法， 其特 征在于， 在步骤2中， 将钻孔 数据集D＝{X1， X2， ...， Xn‑1， Xn)划分为训练集D1和测试集D2， 训练 集D1在所钻孔数据集D中出现的概率为 且m为训练集D1中的样本数量； 具 体如下： 每次从钻孔数据集D中随机选 择一个样本放入到训练集D1， 然后再把样本放回钻 孔数据 集D中， 重复操作m次， 训练集D1具有m个样本数据， 训练集D1和测试集D2满足以下关系式； D＝D1∪D2 即， D2＝D‑D1， 训练集D1在钻孔数据集D中出现的概率为 当m→∞时， 训练集D1 为钻孔数据集D的3 6.8％。 4.根据权利要求1的一种基于自编码与梯度提升树组合算法对钻孔的判断方法， 其特 征在于， 在步骤 3中， 将部分训练集D1通过人工贴上标签， 将无标签的训练集D1进行栈式自编 码层训练， 将钻孔数据处 理进行降维处 理， 并输出隐藏层的数据， 具体如下： 用无标签的训练集D1作为输入， 训练出第一个隐含层结构的网络参数， 并通过训练好的 参数W(l， 1)和参数b(l， 1)算出第一个隐含层的输出； 把第一个隐含层的输出作为第二个网络 的输入， 训练第二个隐含层结构的网络参数， 并通过训练好的参数W(l， 1)和参数b(l， 1)算出第 二个隐含层的输出， 以此类推， 直到第n层训练完成， 其中参数W(l， 1)和参数b(l， 1)为第l个编 译器的参数， 第l层的编码过程如下：权　利　要　求　书 1/2 页 2 CN 114065647 A 2a(l)＝f(z(l)) z(l+1)＝W(l， 1)a(l)+b(l， 1) 其中， z为上一个神经网络层的输出数据， W为神经网络层中的权重， b为神经网络层中 的偏置项， f为激活函数， a为经 过激活函数处 理的输出 数据。 5.根据权利要求4的一种基于自编码与梯度提升树组合算法对钻孔的判断方法， 其特 征在于： 激活函数f的表达式如下： 其中， e为自然常数。 6.根据权利要求1的一种基于自编码与梯度提升树组合算法对钻孔的判断方法， 其特 征在于： 在步骤4中， 对隐藏层的数据和带标签 的训练集D1进行处理， 一起进入梯度提升决 策树中进行训练， 设置残差函数； 具体如下： S1、 输入钻孔数据集D＝{(x1， y1)， (x2， y2)， (x3， y3)， ...， (xn， yn)}； S2、 初始化弱分类 器 S3、 对于K 棵树计算残差， 具体如下： 计算残差 对于i＝1， 2， ....， n， 需要对数据(xi， rk， i)进行拟合得到K个回归 树， 每棵回归树的叶子 区域记为Rk， j， 其中j＝1， 2， ...， JK， j代表每棵树的叶子节点的个数， JK表示第K棵树的叶子 节点个数。 拟合 值 更新fk(x)， 且 S4、 输出分类树fK(x)， 其中， D为钻孔数据集， f0(x)为第一个弱分类器的值， K为模型初始设置的回归树的数 目， rk， i为每棵树的残差， Rk， j为叶子区域， JK为第K棵树的叶子节点个数， Ck， j为数据(xi， rk， i) 的拟合值。 fk(x)为第k个强学习器。权　利　要　求　书 2/2 页 3 CN 114065647 A 3