[发明专利]一种大数据环境下模糊区域卷积神经网络的并行化方法

摘要

本发明提出了一种大数据环境下模糊区域卷积神经网络的并行化方法，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，把输入的测井数据集分割成若干小数据集，多个工作流并行化经过模糊区域卷积神经网络进行卷积和池化操作，每一小数据集单独利用梯度下降进行训练。本发明优化网络结构和参数，实现更好的分析性能和精度；而且，本发明针对不同的测井数据集调整FR‑CNN模糊化的层数，使提取的特征更好的反映油气储层本身的特性，可以解决测井数据模糊性问题；本发明利用多GPU进行FR‑CNN的并行训练和执行，以提高FR‑CNN的效率。

主权项

1.一种大数据环境下模糊区域卷积神经网络的并行化方法，其特征在于，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，把输入的测井数据集分割成若干小数据集，多个工作流并行化经过模糊区域卷积神经网络进行卷积和池化操作，每一小数据集单独利用梯度下降进行训练；训练完成后，把结果输出到等待队列，在一轮训练完成后，读取输出队列，进行共享权重的同步更新操作，更新完成后，进行下一轮训练；在每一轮训练中，对于每个分割的小数据集的计算，都是在分布式基础上异步进行的，每计算出梯度值，就追加到列表当中来，当所有的小数据集都计算完毕后，同步更新模糊区域卷积神经网络的权重和偏置值，然后进行下一轮训练；在并行化识别方面，由Spout收集测井数据，然后将数据分发到各个Bolt节点中并行进行测井相识别，每个Bolt节点将识别结果输入到下一个Bolt节点中，统计其中的物体信息；每一个小数据集经过模糊区域卷积神经网络进行卷积和池化操作的步骤，具体包括：卷积层和池化层交互，在卷积层和池化层进行模糊操作，从模糊区域卷积神经网络的第一层开始，逐渐增加模糊化的层数，针对不同的数据集调整模糊化层数，模糊区域卷积神经网络的最后一层得到特征向量，该特征向量通过一个滑动窗口将特征映射到一个低维向量中，然后将特征输入到两个全连接层，一个全连接层用来定位，另一个全连接层用来分类。