混合深度神经网络：面向多类型输入的 HDNNs 架构
机器学习
2020-05-19 v1 图像与视频处理
地球物理
机器学习
摘要
大数据与高性能计算的快速发展推动了地球科学中深度学习的爆炸式研究。然而，多数研究仅以单一类型数据作为输入，浪费了宝贵的多源、多尺度信息。我们开发了一种支持混合输入的混合深度神经网络（HDNNs）通用架构。作为特征学习与目标学习的结合，所提新网络在高层次特征提取与深度数据挖掘方面表现出强大能力。此外，该混合架构是多个网络的聚合，展现出良好的灵活性与广泛适用性。多网络的配置取决于应用任务，并随输入与目标而变化。聚焦于储层产量预测，我们配置了一个特定的 HDNN 模型并应用于某油田开发区块。考虑到它们对油气产量的贡献，岩心照片、测井图像与曲线、地质与工程参数均可作为输入。经预处理后，混合输入被整理为规则采样的结构与数值数据。在特征学习中，配置卷积神经网络（CNN）与多层感知机（MLP）网络分别处理结构与数值输入。所学特征随后被拼接并送入后续网络进行目标学习。与典型 MLP 模型及 CNN 模型的对比凸显了所提 HDNN 模型在精度高与泛化性好方面的优越性。
引用
@article{arxiv.2005.08419,
title = {Hybrid-DNNs: Hybrid Deep Neural Networks for Mixed Inputs},
author = {Zhenyu Yuan and Yuxin Jiang and Jingjing Li and Handong Huang},
journal= {arXiv preprint arXiv:2005.08419},
year = {2020}
}