[发明专利]一种回归任务的深度学习方法和装置

权利要求书

1.一种回归任务的深度学习方法，其特征在于，包括执行以下步骤：

使用固定间隔划分回归任务的预测目标以获得分类数值和回归数值；其中，所述预测目标为地震波的初至时间，所述固定间隔为所述初至时间的周期；

以所述分类数值为期望生成概率分布；

基于所述回归数值和所述固定间隔确定偏置比例；

以所述概率分布作为分类标签、所述偏置比例作为回归标签，使用深度学习来训练回归任务，获得分类输出和回归输出；

确定所述分类输出和所述回归输出各自的损失函数，并基于所述损失函数和预先确定的损失权重确定总损失函数以评价深度学习的精度；

其中，使用固定间隔划分回归任务的预测目标以获得分类数值和回归数值包括：使用所述固定间隔除所述预测目标，将所得的商作为所述分类数值，将所得的余数作为所述回归数值；

以所述分类数值为期望生成概率分布包括：以所述分类数值为期望构建高斯分布，并使用所述高斯分布将所述分类数值表达为所述概率分布，所述高斯分布的长度与地震波的道长相同；

基于所述回归数值和所述固定间隔确定偏置比例包括：以所述回归数值和所述固定间隔之比作为所述偏置比例；

以所述概率分布作为分类标签、所述偏置比例作为回归标签，使用深度学习来训练回归任务，获得分类输出和回归输出包括：取相邻n道地震波的初至时间构建为一个样本，通过滑动窗口进行多个样本构建，每个样本标签包括对多道地震波的初始时间的标签结果；基于所述多个样本使用深度学习来训练回归任务，获得分类输出和回归输出。

2.根据权利要求1所述的方法，其特征在于，确定所述分类输出和所述回归输出各自的损失函数包括：

使用softmax函数处理所述分类输出以通过交叉熵确定分类输出损失函数；和

使用sigmoid激活函数处理所述回归输出以通过均方误差损失函数确定回归输出损失函数。

3.根据权利要求2所述的方法，其特征在于，基于所述损失函数和预先确定的损失权重确定总损失函数包括：

基于所述回归输出损失函数和损失权重之积与所述分类输出损失函数的和确定所述总损失函数。

4.一种回归任务的深度学习装置，其特征在于，包括：

处理器；和

存储器，存储有所述处理器可运行的程序代码，所述程序代码在被运行时执行以下步骤：

使用固定间隔划分回归任务的预测目标以获得分类数值和回归数值；其中，所述预测目标为地震波的初至时间，所述固定间隔为所述初至时间的周期；

以所述分类数值为期望生成概率分布；

基于所述回归数值和所述固定间隔确定偏置比例；

以所述概率分布作为分类标签、所述偏置比例作为回归标签，使用深度学习来训练回归任务，获得分类输出和回归输出；

确定所述分类输出和所述回归输出各自的损失函数，并基于所述损失函数和预先确定的损失权重确定总损失函数以评价深度学习的精度；

其中，使用固定间隔划分回归任务的预测目标以获得分类数值和回归数值包括：使用所述固定间隔除所述预测目标，将所得的商作为所述分类数值，将所得的余数作为所述回归数值；

以所述分类数值为期望生成概率分布包括：以所述分类数值为期望构建高斯分布，并使用所述高斯分布将所述分类数值表达为所述概率分布，所述高斯分布的长度与地震波的道长相同；

基于所述回归数值和所述固定间隔确定偏置比例包括：以所述回归数值和所述固定间隔之比作为所述偏置比例；

以所述概率分布作为分类标签、所述偏置比例作为回归标签，使用深度学习来训练回归任务，获得分类输出和回归输出包括：取相邻n道地震波的初至时间构建为一个样本，通过滑动窗口进行多个样本构建，每个样本标签包括对多道地震波的初始时间的标签结果；基于所述样本使用深度学习来训练回归任务，获得分类输出和回归输出。

5.根据权利要求4所述的装置，其特征在于，确定所述分类输出和所述回归输出各自的损失函数包括：

使用softmax函数处理所述分类输出以通过交叉熵确定分类输出损失函数；和

使用sigmoid激活函数处理所述回归输出以通过均方误差损失函数确定回归输出损失函数。

6.根据权利要求5所述的装置，其特征在于，基于预先确定的损失权重确定总损失函数包括：

基于所述回归输出损失函数和损失权重之积与所述分类输出损失函数的和确定所述总损失函数。