(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110276703.7 (22)申请日 2021.03.15 (65)同一申请的已公布的文献号 申请公布号 CN 113094972 A (43)申请公布日 2021.07.09 (73)专利权人 西南大学 地址 400715 重庆市北碚区天生路2号 (72)发明人 杨锦蓉　 (74)专利代理 机构 湖南兆弘专利事务所(普通 合伙) 43008 专利代理师 谭武艺 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113344050 A,2021.09.0 3CN 111861880 A,2020.10.3 0 CN 110472597 A,2019.1 1.19 CN 108564611 A,2018.09.21 US 2019266501 A1,2019.08.2 9 US 2019325 597 A1,2019.10.24 CN 108805188 A,2018.1 1.13 冉祥金.区域 三维地质建模方法与建模系统 研究. 《中国博士学位 论文全文数据库 基础科 学 辑》 .2021,(第01期),第A01 1-320页. 管其杰.基 于生成对抗网络的页岩模拟方法 研究. 《中国优秀硕士学位 论文全文数据库 基础 科学辑》 .202 2,(第03期),第A01 1-1062页. Wei Guo等.Application of Sup port Vector Mac hines in the predicti on of broken zone in surrounding rock. 《201 1 Internati onal Conference o n Remote Sensing, Enviro nment and Transportati on Engineering》 .2011,第108-1 10页. 审查员 苗文娟 (54)发明名称 基于生成对抗网络和环境要素数据的基岩 深度预测方法及系统 (57)摘要 本发明公开了一种基于生成对抗网络和环 境要素数据的基岩深度预测方法及系统， 本发明 方法包括预先设计生成包括生成器G和鉴别器D 的生成对抗网络并完成训练； 将以观测点为中心 的一组环境要素数据输入训练好的生成器G， 通 过生成器G前向推理得到被预测位置对应的基岩 深度数据yg。 本发明基于生成对抗网络具有的强 大拟合能力将其应用于基岩深度预测 中可有效 利用更多的环 境信息， 得到更准确同时泛化能力 更好的预测模 型， 而且通过多级切片输入和生成 对抗网络的模型结构充分发挥了生成对抗网络 的拟合潜力， 实现了精度极高的基岩深度预测， 具有数据采样简单、 预测速度快、 预测准确度高 的优点。 权利要求书3页 说明书13页 附图3页 CN 113094972 B 2022.08.02 CN 113094972 B 1.一种基于生成对抗网络和环境要素 数据的基岩 深度预测方法， 其特 征在于， 包括： 1)预先设计生成包括一个生成器G和一个鉴别器D的生成对抗网络， 其中生成器G用于 接受输入的一组环境要素数据生成基岩深度数据、 鉴别器D通过判断真实基岩深度数据和 生成基岩深度数据的差异， 所述环境要素数据覆盖了气候、 地形、 生物、 母质以及土壤属性 的数据； 通过鉴别器D指导训练生 成器G生成更加精确的基岩深度数据并保存训练好的生成 器G； 2)将以观测点为中心的一组环境要素数据输入训练好的生成器G， 通过生成器G前向推 理得到被预测位置对应的基岩 深度数据yg； 步骤1)中通过鉴别器D指导训练生成器G生成更加精确的基岩深度数据并保存训练好 的生成器G的步骤 包括： S1)构建多组训练数据(x1,x2,x3,x4,x5,y)得到数据 集， 其中x1,x2,x5,x3,x4分别为以观 测点为中心的环境要素数据按照相同的环境要素数据维度、 从小到大排列 的五种数据切 片， y为真实基岩深度数据， 其中x1,x2,x3,x4四种数据切片作为生成器G的输入， 生成器G的 输出、 真实基岩 深度数据y作为 鉴别器D的两路输入； S2)将数据集划分为训练集和 测试集； S3)使用训练集训练生成对抗网络； S4)使用测试集训练后的生成对抗网络进行测试； S5)判断测试结果是否收敛并达到预期效果， 如果收敛并达到预期效果， 则判定生成器 G训练完成并保存训练好的生成器G； 否则， 跳转执 行步骤S3)； 步骤2)中以观测点为中心 的一组环境要素数据是指以观测点为中心 的环境要素数据 按照相同的环境要素数据维度、 从小到大排列的五种数据切片x1,x2,x5,x3,x4中的x1,x2,x3, x4四种数据切片构成， 且五种数据切片 x1,x2,x5,x3,x4的空间大小分别为3*3*n、 6*6*n、 9 *9* n、 12*12*n、 24*24*n， 其中n 为环境要素 数据维度； 步骤2)中生成器G前向推理得到被预测位置对应的基岩 深度数据yg的步骤包括： 2.1)将空间大小为3*3*n的数据切片x1通过k＝3、 s＝1、 f＝512的卷积计算得到输出的 特征图FM1， 将特征图FM1通过k＝3、 s＝2、 f＝512的反卷积计算得到特征图FM_deconv1， 同时 将特征图FM1进行最近邻插值上采样且输出尺 寸与特征图FM_deconv1同样为特征图FM1的尺 寸的两倍、 通道数一样为512， 将最近邻插值上采样的结果再进 行一次k＝3、 s＝1、 f＝512的 卷积得到特征图FM_resize1， 再将尺寸完全一样的特征图FM_deconv1与特征图FM_resize1 按位相加得到6*6*256的特征图； 其中k表 示卷积核尺 寸， s表示卷积滑动步长， f表 示卷积核 数量； 2.2)将空间大小为6*6*n的数据切片x2通过k＝3、 s＝1、 f＝128的卷积计算后再与步骤 2.1)得到的6*6*256的特征图在通道上堆叠得到6*6*384的特征图； 将6*6*384的特征图通 过k＝3、 s＝1、 f＝256的卷积计算得到特征图FM2， 将特征图FM2通过k＝3、 s＝2、 f＝256的反 卷积计算得到特征图FM_dec onv2， 同时将特征图FM2进行最近邻插值上采样且 输出尺寸与特 征图FM_deconv2同样为特征图FM2的尺寸的两倍、 通道数一样为256， 将最近邻插值上采样的 结果再进行一次k＝3、 s＝1、 f＝128的卷积得到特征图FM_resize2， 再将尺寸完全一样的特 征图FM_deco nv2与特征图FM_resize2按位相加得到12*12*128的特 征图； 2.3)将空间大小为12*12*n的数据切片x3通过k＝3、 s＝1、 f＝64的卷积计算后再与步骤权　利　要　求　书 1/3 页 2 CN 113094972 B 22.2)得到的12*12*128的特征图在通道上堆叠得到12*12*196的特征图； 将12*12*196的特 征图通过k＝3、 s＝1、 f＝128的卷积计算得到特征图FM3， 将特征图FM3通过k＝3、 s＝2、 f＝ 128的反卷积计算得到特征图FM_deconv3， 同时将特征图FM3进行最近邻插值上采样且输出 尺寸与特征图FM_dec onv3同样为特征图FM3的尺寸的两 倍、 通道数一样为128， 将最近邻插值 上采样的结果再进行一次k＝3、 s＝1、 f＝64的卷积得到特征图FM_resize3， 再将尺寸完全 一样的特 征图FM_deco nv3与特征图FM_resize3按位相加得到24*24* 64的特征图； 2.4)将空间大小为24*24*n的数据切片x4通过k＝3、 s＝1、 f＝32的卷积计算后再与步骤 2.3)得到的24*24*64的特征图在通道上堆叠得到24*24*96的特征图； 将24*24*96的特征图 通过k＝3、 s＝1、 f＝64的卷积计算得到特征图FM4， 将特征图FM4通过k＝3、 s＝2、 f＝64的反 卷积计算得到特征图FM_dec onv4， 同时将特征图FM4进行最近邻插值上采样且 输出尺寸与特 征图FM_deconv4同样为特征图FM4的尺寸的两倍、 通道数一样为64， 将最近邻插值上采样的 结果再进行一次k＝3、 s＝1、 f＝32的卷积得到特征图FM_resize4， 再将尺寸完全一样的特 征图FM_deco nv4与特征图FM_resize4按位相加得到48*48* 32的特征图； 2.5)将48*48*32的特征图依次经过三轮k＝3,s＝2的卷积后接k＝3,s＝1的卷积进行 下采样， 得到6*6*256的特征图， 然后将6*6*256的特征图拉直， 然后通过四层全连接层逐级 缩小神经 元数量， 且由最后一个神经 元输出得到被预测位置对应的基岩 深度数据yg。 2.根据权利要求1所述的基于生成对抗网络和环境要素数据的基岩深度预测方法， 其 特征在于， 步骤2)中将以观测点为中心的一组环境要素数据输入训练好的生成器G之前还 包括对n个环境协同变量数据进行分辨率差异化处理的步骤： 对于分辨率小于预设尺度的 属性数据， 采用平均值方法将其分辨率转换成预设尺度； 对于分辨率等于预设尺度的分类 数据， 采用众数方法将其分辨