论文部分内容阅读
油田作为当今世界举足轻重的战略性资源,在国家的稳定发展上起到至关重要的作用,油田中油井的稳定运营作为油田生产和开发的重要环节,更是受到了越来越多的重视,根据实际环境的不同,油井的分布也不同,对于油田油井信息化管理带来难度。油井钻探作业作为油田必不可缺少的部分,准确分类识别钻探油井的井号,可以提高油田作业质量及效率,卷积神经网络作为深度学习算法中的一种,更是在图像分类上得到了广泛的应用。本文提出了一种基于改进经典的卷积神经网络LeNet-5模型的分类方法,并将改进后的网络模型应用于油田油井号分类中,对于油井井号分类有很好的效果。对于本文提出的改进方法工作如下:首先,为获得图像的分类准确性,改进卷积神经网络结构,在经典的LeNet-5卷积神经网络结构的基础上,通过转换模型中卷积核大小,用小卷积核堆叠大卷积核的方式,使得减少计算网络结构复杂度的同时保持提取图像特征值不变;增加高效降维层,它通过整合深度网络结构自身来实现性能提升,在出现训练样本数量较少的情况下,能够防止过拟合现象产生;使用混合激活函数,结合Sigmoid和ReLu激活函数的优缺点,在浅层使用Sigmoid函数,深层使用ReLu激活函数,混合方法大大减少计算量,从而提高系统非线性。实验结果表明改进的卷积神经网络结构更有利于获取图像的分类准确性,在同等实验条件下,比经典的LeNet-5卷积神经网络识别率有所提高。然后,优化卷积神经网络Softmax损失函数,对卷积神经网络的损失函数进行改进,在原有的Softmax损失函数添加一个权重约束项,使得将已学习到的同类特征到该类特征原点之间的距离最小化,在增大类间距离的同时,减小类内距离,使其获得的特征具有更强的识别能力,解决Softmax回归的参数冗余导致的计算量大问题,提高网络分类识别能力。实验结果表明该算法提高了一定的识别率,特别是当训练迭代次数或者训练数据较少的情况下,该算法的识别率提升效果较为明显。最后,将改进的LeNet-5卷积神经网络应用于油井井号分类中。先建立关于井号标准库,根据标准库中数据量少的问题,进行相关预处理,扩充标准库;同时引入迁移学习,对小规模的网络进行训练。应用表明,与传统的油井井号分类识别方法,本文提出的方法获得了更好的分类识别效果。