[发明专利]一种半监督学习方法、岩性预测方法及存储介质

权利要求书

1.一种半监督学习方法，其特征在于，包括：

S1、收集待处理的序列数据，并对待处理序列数据中部分数据样本请求其对应的标签，得到有标签数据集和无标签数据集；

S2、根据有标签数据集中的有标签样本数量，计算有标签样本的权重；

S3、设定神经网络模型参数的值以及最大迭代次数T_iter，并根据有标签数据集和无标签数据集中的样本数据，计算第一特征图拉普拉斯矩阵、第二特征图拉普拉斯矩阵以及计算模型隐藏层的输出；

S4、初始化模型输出层的权重为零，并设定当前的迭代次数ξ＝1；

S5、判断当前的迭代次数ξ是否小于最大迭代次数T_iter，若否执行步骤S8，若是执行步骤S6；

S6、利用有标签数据集中的样本数据、第一特征图拉普拉斯矩阵、第二特征图拉普拉斯矩阵以及隐藏层的输出，基于目标函数最小化得到当前迭代次数下模型的输出层权重；

S7、判断是否满足ε为迭代停止阈值，若是则ξ自增1，并执行步骤S5，否则执行步骤S8；

S8、输出当前迭代次数下模型的输出层权重及对应的神经网络模型；

S9、利用当前迭代次数下的神经网络模型对实时采集的数据进行预测。

2.如权利要求1所述的半监督学习方法，其特征在于，所述根据有标签数据集中的有标签样本数量，计算有标签样本的权重，具体为：

其中，C_i表示第i个有标签样本的权重，表示第i个有标签样本所属类别中包含的有标签样本数量，τ为控制加权程度的参数，i＝1，2，…，l，l表示所述有标签样本集中的有标签样本数量。

3.如权利要求1所述的半监督学习方法，其特征在于，所述根据有标签数据集和无标签数据集中的样本数据，计算第一特征图拉普拉斯矩阵、第二特征图拉普拉斯矩阵以及计算模型隐藏层的输出，包括：

利用所述有标签数据集和无标签数据集中的样本数据，分别计算特征相似性矩阵A⁽¹⁾和A⁽²⁾；

计算第一特征图拉普拉斯矩阵L⁽¹⁾＝D⁽¹⁾-A⁽¹⁾，其中D⁽¹⁾为根据A⁽¹⁾求得的一个对角矩阵；

计算第二特征图拉普拉斯矩阵L⁽²⁾＝D⁽²⁾-A⁽²⁾，其中D⁽²⁾为根据A⁽²⁾求得的一个对角矩阵；

随机生成所述神经网络模型的隐藏层神经元的权重和偏置，并根据隐藏层神经元的权重和偏置计算隐藏层的输出H。