一种基于深度学习的数据无损压缩方法及在测井大规模数据存储中的应用
为解决海量测井数据归档存储场景中出现的存储硬件和数据库存储容量限制等问题,提出了一种基于深度学习的数据无损压缩方法,采用循环神经网络RNN作为概率预测器,输出数据流的条件概率分布,结合当前字节值,使用自适应算术编码器对数据流进行压缩;解压过程中,使用保存的RNN网络权重和算术解码器,对数据流进行解压.所提方法较传统无损压缩方法,在一维测井数据的实际压缩测试中压缩率平均提升约23%,在二维阵列测井数据上,平均提升约21%.同时,结合数据无损压缩方法,提出一种基于多维特征索引查询树结构的测井大型存储数据库的构建方法,在多条件组合查询时,较传统数据库查询方法检索效率平均提升约45%.结果表明,所提方法可有效减少测井数据的存储空间,降低数据的检索时间,为大规模测井数据的存储和利用提供了技术基础,节约数据归档的硬件成本和人力成本.
测井数据归档、无损压缩、循环神经网络
44
TP391.41(计算技术、计算机技术)
2021-07-28(万方平台首次上网日期,不代表论文的发表时间)
共7页
87-93