一种适用于任何深度学习模型的特征自动选择方法

    公开(公告)号:CN120087453A

    公开(公告)日:2025-06-03

    申请号:CN202510139903.6

    申请日:2025-02-08

    Abstract: 本发明涉及一种适用于任何深度学习模型的特征选择方法所述方法,包括:S1,基于一个设计的特征选择网络,生成与输入特征具有相同维度的重要性评分。S2,根据重要性分数,添加Gumbel噪声,并根据用户设定的温度参数,生成一个与输入特征维度相同的二值掩码,其中,在一个二值掩码中,仅有一个特征会被标记为“1”,其余的特征被标记为“0”,特征的重要性分数越高,其被标记为“1”的概率越大。S3,重复S2步骤K次,生成K个二值掩码,在这个K值掩码中,并根据这个K个二值掩码,生成最终的特征掩码,S4,将深度学习模型的原始输入特征与S3得到的最终的特征掩码序列采用逐元素相乘得到特征选择后的输入特征。

    一种基于深度学习的油藏模型全局尺度升级方法及系统

    公开(公告)号:CN120012559A

    公开(公告)日:2025-05-16

    申请号:CN202510034737.3

    申请日:2025-01-09

    Abstract: 本发明涉及一种基于深度学习的油藏模型全局尺度升级方法及系统,该方法包括:采集待升级相关参数对应的细尺度信息,获得输入数据,对所述输入数据进行尺度升级数值计算,获得升尺度参数作为输出数据;对所述输入数据及所述输出数据对应进行对数变换,构建数据集;通过所述数据集训练包括多个深度学习子模型的深度学习模型,获得深度学习升级模型;将所述细尺度信息输入所述深度学习升级模型,获得预测的升尺度参数。本发明通过深度学习模型替代传统尺度升级中的数值计算过程,能够基于细尺度模型的初始信息实时、高效地预测出粗尺度模型所需的升尺度参数,显著节省时间和计算资源。

Patent Agency Ranking