一种微体古生物沉积环境识别方法、装置、设备及介质与流程

本发明涉及数据处理，尤其涉及一种微体古生物沉积环境识别方法、装置、设备及介质。

背景技术：

1、已知的微体古生物主要有6种，分别是有孔虫、介形虫、牙形石、硅藻、孢粉、沟鞭藻。微体古生物形状比较类似，微体古生物种类识别，主要靠人员显微镜下或目视鉴定完成，受人员经验影响较大，目前还没有一种专门针对微体古生物的人工智能识别方法。不同种类微体古生物组合，是识别沉积环境的重要手段。同一种沉积环境对应的微体古生物组合具有多样性，根据鉴定出的微体古生物组合预测对应的沉积环境，预测结果准确性和可靠性受人员经验影响。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术局限性问题。为此，本发明提出一种微体古生物沉积环境识别方法、装置、设备及介质，能够准确进行微体古生物沉积环境识别。

2、一方面，本发明实施例提供了一种微体古生物沉积环境识别方法，包括以下步骤：

3、获取目标工区的微体古生物样品的形态特征参数矩阵；

4、其中，形态特征参数矩阵表征微体古生物样品中每个微体古生物所有形态特征的参数组合；

5、将形态特征参数矩阵输入预设的机器学习模型进行识别处理，得到第一种类概率矩阵；

6、其中，第一种类概率矩阵表征微体古生物样品中每个微体古生物属于各个微体古生物种类的种类概率；机器学习模型包括输入层、隐藏层和输出层，输入层的神经元数基于形态特征的种类数确定，输出层的神经元数基于微体古生物种类的数量确定，机器学习模型基于已标注种类概率的形态特征数据训练得到；

7、基于第一种类概率矩阵构建得到表征微体古生物样品中各个种类的微体古生物的比例的第一列向量；

8、根据第一列向量，利用微体古生物的成果资料匹配确定目标工区的沉积相；

9、其中，成果资料包括每种沉积相包括的各个种类的微体古生物的数量。

10、可选地，方法还包括以下步骤：

11、基于输入层、隐藏层和输出层配置多层神经网络模型；

12、根据成果资料构建已标注种类概率的形态特征数据，基于形态特征数据整理得到训练集和验证集；

13、利用训练集对多层神经网络模型进行迭代训练，直至达到预设训练条件，得到机器学习模型。

14、可选地，成果资料还包括不同数据来源的微体古生物的形态特征以及该微体古生物属于各个微体古生物种类的种类概率；根据成果资料构建已标注种类概率的形态特征数据，基于形态特征数据整理得到训练集和验证集，包括以下步骤：

15、基于成果资料构建得到形态特征数据矩阵；形态特征数据矩阵的表达式为：

16、，

17、式中，表示形态特征数据矩阵，表示第个数据来源的微体古生物第种形态特征的形态特征参数；

18、基于成果资料构建得到第二种类概率矩阵；第二种类概率矩阵的表达式为：

19、，

20、式中，表示第二种类概率矩阵，表示第个数据来源的微体古生物属于第个微体古生物种类的种类概率；

21、将形态特征数据矩阵和第二种类概率矩阵组合得到数组矩阵；数组矩阵的表达式为：

22、，

23、其中，数据矩阵中各个数组的形态特征参数作为模型输入、种类概率作为对应的模型期望输出；

24、基于预设比例将数组矩阵的行数据拆分为两部分，将第一部分的行数据作为训练集，将第二部分的行数据作为验证集。

25、可选地，利用训练集对多层神经网络模型进行迭代训练，直至达到预设训练条件，得到机器学习模型，包括以下步骤：

26、对多层神经网络模型的模型参数进行初始化，将初始化后的多层神经网络模型作为训练模型；

27、将训练集中的形态特征数据输入训练模型，得到模型输出；

28、根据模型输出与输入训练模型的形态特征数据对应标注的种类概率计算损失函数，进而结合随机梯度下降的方法对训练模型的模型参数进行调整，得到目标模型；

29、基于训练集处理得到目标模型的第一预设指标；当目标模型的第一预设指标均达到预设指标阈值，将目标模型作为机器学习模型；否则，将目标模型作为训练模型，然后返回执行将训练集中的形态特征数据输入训练模型，得到模型输出的步骤，直至目标模型的第一预设指标均达到预设指标阈值；第一预设指标包括精准度和决定系数。

30、可选地，方法还包括以下步骤：

31、将验证集中的形态特征数据输入目标模型，得到输出结果；

32、根据输出结果与输入目标模型的形态特征数据对应标注的种类概率处理得到目标模型的第二预设指标；

33、当目标模型的第二预设指标中任意一项未达到预设指标阈值，将目标模型作为训练模型，然后返回执行将训练集中的形态特征数据输入训练模型，得到模型输出的步骤，直至目标模型的第二预设指标均达到预设指标阈值；第二预设指标包括精准度和决定系数。

34、可选地，基于第一种类概率矩阵构建得到表征微体古生物样品中各个种类的微体古生物的比例的第一列向量，包括以下步骤：

35、对第一种类概率矩阵中每一列的种类概率进行累加，将累加的结果作为第一列向量的行元素；

36、其中，第一种类概率矩阵的表达式为：

37、，

38、式中，表示第二种类概率矩阵，表示第个微体古生物属于第个微体古生物种类的种类概率;

39、行元素的表达式为：

40、，

41、式中，表示第一列向量中第行的行元素，表示第二种类概率矩阵中第列的种类概率。

42、可选地，成果资料还包括不同数据来源的沉积相名称及其沉积相对应的每个种类的微体古生物的数量；根据第一列向量，利用微体古生物的成果资料匹配确定目标工区的沉积相，包括以下步骤：

43、基于成果资料构建得到第二列向量和列矩阵；

44、第二列向量的表达式为：

45、，

46、式中，a表示第二列向量；表示第个数据来源的沉积相名称；

47、列矩阵的表达式为：

48、，

49、式中，b表示列矩阵；表示第个数据来源的沉积相中包括的第个微体古生物种类的微体古生物的数量；

50、利用余弦相似度计算方法，将第一列向量依次与列矩阵中每一行的行向量进行相似度计算，得到第一列向量与列矩阵中每一行的行向量的相似度；

51、基于相似度的最大值对应的行数从第二列向量获取对应的沉积相名称确定目标工区的沉积相。

52、另一方面，本发明实施例提供了一种微体古生物沉积环境识别装置，包括：

53、第一模块，用于获取目标工区的微体古生物样品的形态特征参数矩阵；

54、其中，形态特征参数矩阵表征微体古生物样品中每个微体古生物所有形态特征的参数组合；

55、第二模块，用于将形态特征参数矩阵输入预设的机器学习模型进行识别处理，得到第一种类概率矩阵；

56、其中，第一种类概率矩阵表征微体古生物样品中每个微体古生物属于各个微体古生物种类的种类概率；机器学习模型包括输入层、隐藏层和输出层，输入层的神经元数基于形态特征的种类数确定，输出层的神经元数基于微体古生物种类的数量确定，机器学习模型基于已标注种类概率的形态特征数据训练得到；

57、第三模块，用于基于第一种类概率矩阵构建得到表征微体古生物样品中各个种类的微体古生物的比例的第一列向量；

58、第四模块，用于根据第一列向量，利用微体古生物的成果资料匹配确定目标工区的沉积相；

59、其中，成果资料包括每种沉积相包括的各个种类的微体古生物的数量。

60、可选地，装置还包括：

61、第五模块，用于基于输入层、隐藏层和输出层配置多层神经网络模型；

62、第六模块，用于根据成果资料构建已标注种类概率的形态特征数据，基于形态特征数据整理得到训练集和验证集；

63、第七模块，用于利用训练集对多层神经网络模型进行迭代训练，直至达到预设训练条件，得到机器学习模型。

64、另一方面，本发明实施例提供了一种电子设备，包括：处理器以及存储器；存储器用于存储程序；处理器执行程序实现上述微体古生物沉积环境识别方法。

65、另一方面，本发明实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现上述微体古生物沉积环境识别方法。

66、本发明实施例通过获取目标工区的微体古生物样品的形态特征参数矩阵；其中，形态特征参数矩阵表征微体古生物样品中每个微体古生物所有形态特征的参数组合；将形态特征参数矩阵输入预设的机器学习模型进行识别处理，得到第一种类概率矩阵；其中，第一种类概率矩阵表征微体古生物样品中每个微体古生物属于各个微体古生物种类的种类概率；机器学习模型包括输入层、隐藏层和输出层，输入层的神经元数基于形态特征的种类数确定，输出层的神经元数基于微体古生物种类的数量确定，机器学习模型基于已标注种类概率的形态特征数据训练得到；基于第一种类概率矩阵构建得到表征微体古生物样品中各个种类的微体古生物的比例的第一列向量；根据第一列向量，利用微体古生物的成果资料匹配确定目标工区的沉积相；其中，成果资料包括每种沉积相包括的各个种类的微体古生物的数量。本发明实施例基于预设的机器学习模型，首先确定样品中各种类的微体古生物的概率，进而基于已有的成果资料实现沉积相的匹对，本发明实施例将微体古生物及其沉积环境基于机器学习实现逻辑集成，能够避免人工识别由于主观因素影响导致的准确性不稳定的问题，本发明实施例能够准确进行微体古生物沉积环境识别。