一種三維地震信號中的有監(jiān)督波形分類方法
【專利摘要】本發(fā)明的三維地震信號中的有監(jiān)督波形分類方法，蛀牙包括步驟數(shù)據(jù)預(yù)處理、特征選擇和分類標識。有益效果在于本發(fā)明以三維地震信號資料及測井數(shù)據(jù)信息為基礎(chǔ)，通過遺傳算法對提取的屬性特征進行優(yōu)化，利用SVM分類算法，將所分析的三維地震目的層段數(shù)據(jù)進行波形分類劃分，識別不同的地震相，進而為后續(xù)地震資料解釋提供可靠地支持，提高對巖性預(yù)測、砂體預(yù)測、裂縫性油氣藏預(yù)測及隱蔽性油氣藏預(yù)測等的可靠性。相對于僅用SVM設(shè)計分類器相比，加入了遺傳算法進行特征選擇，降低了SVM分類器的設(shè)計復(fù)雜度，從而提高了波形分類處理效率。
【專利說明】一種三維地震信號中的有監(jiān)督波形分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于地震信號中波形的分類處理【技術(shù)領(lǐng)域】，涉及一種三維地震信號的波形分類方法，特別涉及其中的有監(jiān)督波形的分類方法。
【背景技術(shù)】
[0002]基于地震信號的波形分類技術(shù)是地震解釋人員進行地下儲層和地層結(jié)構(gòu)分析的重要手段。合理且準確的地震信號波形分類結(jié)果能夠真實地反映地下儲層和地層結(jié)構(gòu)構(gòu)造，從而有利于地震解釋人員對地下構(gòu)造進行準確的構(gòu)造解釋，進而提高對巖性預(yù)測、砂體預(yù)測、裂縫性油氣藏預(yù)測和隱蔽性油氣藏預(yù)測的可靠性，從而減少勘探風險，節(jié)約勘探成本，帶來巨大的經(jīng)濟和社會效益。所以，對地震信號的波形分類研究具有重要的實際意義。
[0003]在油氣的地震勘探中，地震資料解釋的目的是為了從地震數(shù)據(jù)中提取更多的信息進行地下構(gòu)造解釋以及地層和巖性特征的描述。從地震資料中獲取這些信息最有效的方法之一就是地震屬性特征的提取分析及波形分類技術(shù)。
[0004]隨著科學(xué)技術(shù)水平的發(fā)展和對地震資料采集技術(shù)的不斷提高，使得地震信號中包含的地震信息更加豐富，而其中許多有用的地震信息僅靠肉眼的觀察是檢測不出來的，必須借助地震數(shù)據(jù)處理技術(shù)和計算機技術(shù)對其加以提取、分析，并通過一定的數(shù)學(xué)方法，對這些地震信息的地質(zhì)特征加以解釋。針對現(xiàn)有采集的地震數(shù)據(jù)，目前的波形分類技術(shù)主要是基于無監(jiān)督分類算法，特別是基于人工神經(jīng)網(wǎng)絡(luò)理論，如商業(yè)軟件OpendTect、Petrel及Stratimgic等。該方法對含有噪聲的地震信號數(shù)據(jù)具有較高的承受力，也具有對無訓(xùn)練樣本數(shù)據(jù)的分類能力。但是，無監(jiān)督波形分類算法也存在某些缺點:首先，無監(jiān)督波形分類算法忽視了地震數(shù)據(jù)中具有重要參考意義的測井信息，分類結(jié)構(gòu)只是基于地震工區(qū)數(shù)據(jù)的內(nèi)在分布和統(tǒng)計特征，與實際情況的聯(lián)系不夠緊密，分類結(jié)果不夠精確和合理；另外，人工神經(jīng)網(wǎng)絡(luò)具有網(wǎng)絡(luò)訓(xùn)練的計算復(fù)雜度較高、某些參數(shù)的設(shè)置需要我們具有一些先驗信息及某些情況下神經(jīng)網(wǎng)絡(luò)可能陷入局部最優(yōu)等問題。
[0005]因此，基于三維地震信號的波形分類問題的難度主要表現(xiàn)在如下幾個方面:
[0006](I)隨著地震資料采集技術(shù)的提高，三維地震信號中包含的地震信息越來越豐富，如何準確地提取地震信號中的有效信息來進行波形分類處理是地震數(shù)據(jù)波形分類問題中的一大難點。合理且有效的地震屬性特征，能夠很好地提高波形分類的準確度，提高對巖性預(yù)測、砂體預(yù)測、裂縫性油氣藏預(yù)測和隱蔽性油氣藏預(yù)測的可靠性。
[0007](2)如何構(gòu)建性能優(yōu)越的分類器模型是基于三維地震信號的波形分類分析的另一大難點。選擇合適的分類算法，不僅能夠建立分類性能優(yōu)越的分類器模型，也能提高波形分類分析效率，所以選擇合適的分類算法是波形分類中的重點。
[0008](3)針對地震數(shù)據(jù)的特點，數(shù)據(jù)在采集過程中會混入一定量的噪聲。由于隨機噪聲的加入，會對地震信號的波形分類結(jié)果造成嚴重的影響，降低分類結(jié)果的準確度，進而會影響巖性預(yù)測、砂體預(yù)測、裂縫性油氣藏預(yù)測及隱蔽性油氣藏預(yù)測的可靠性。
[0009]在地震信號的波形分類問題上，目前國內(nèi)外有較多的實現(xiàn)方案，這些方法中，大部分都是基于無監(jiān)督分類思想來對地震信號進行波形分類分析的。以下是其中的三種實現(xiàn)方案:(1)基于自組織映射神經(jīng)網(wǎng)絡(luò)的波形分類方法:該方法首先對提取的目的層段的地震信號數(shù)據(jù)來建立模型道數(shù)據(jù)，即通過地震道樣本數(shù)據(jù)來訓(xùn)練自組織神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點建立分類模型，然后再利用模型道來對地震信號進行分類劃分。(2)基于分層聚類的波形分類方法:該方法首先對提取的目的層段的地震信號數(shù)據(jù)來構(gòu)建聚類生成樹，然后再對聚類生成樹來對地震信號進行分類劃分。(3)基于混合高斯概率模型的波形分類方法:該方法首先根據(jù)提取的目的層段的地震信號特征，利用概率統(tǒng)計分析理論來建立混合高斯概率模型，然后再利用混合高斯概率模型對地震信號進行分類劃分。
[0010]以上現(xiàn)有技術(shù)，在實際的地震資料分析中都得到了很大程度的應(yīng)用，但是這些方法都是基于無監(jiān)督分類思想來進行處理的，這樣在很大程度上忽略了地震數(shù)據(jù)采集中具有重要參考意義的測井數(shù)據(jù)信息，給后續(xù)的地震解釋造成很大困難；并且這些算法具有計算復(fù)雜度高，運行效率較低等缺點。

【發(fā)明內(nèi)容】

[0011]本發(fā)明針對地震信號波形分類技術(shù)的難點及現(xiàn)有無監(jiān)督波形分類技術(shù)的缺點，提出了一種三維地震信號中的有監(jiān)督波形分類方法，用于解決現(xiàn)有無監(jiān)督波形分類方法的缺點及波形分類中的難點。
[0012]本發(fā)明的技術(shù)方案是:一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，包括以下步驟:
[0013]a、數(shù)據(jù)預(yù)處理:包括數(shù)據(jù)降噪處理、提取目的層段數(shù)據(jù)及對測井數(shù)據(jù)分析建立訓(xùn)練樣本和標簽；
[0014]b、特征選擇:分析提取的訓(xùn)練樣本及其分類標簽數(shù)據(jù)，選擇樣本中特征與分類標簽最相關(guān)的一定量特征作為特征子集，以目的層段數(shù)據(jù)和訓(xùn)練樣本中優(yōu)選后的特征子集作為本方案中分類標識的輸入樣本集合；
[0015]C、分類標識:建立分類模型對地震信號進行分類標識；
[0016]進一步的，上述步驟a中，所述降噪處理方法如下:
[0017]all、輸入地震數(shù)據(jù)；
[0018]al2、判斷是否達到最大迭代次數(shù)，若是則結(jié)束降噪處理過程，否則執(zhí)行步驟al3 ；
[0019]al3、計算地震數(shù)據(jù)點在三個方向上的梯度值并進一步計算該數(shù)據(jù)點的結(jié)構(gòu)張量;
[0020]al4、利用三維高斯低通濾波器對所述結(jié)構(gòu)張量進行濾波處理；
[0021]al5、構(gòu)造擴散矩陣和不連續(xù)因子；
[0022]al6、根據(jù)擴散方程對數(shù)據(jù)濾波。
[0023]進一步的，上述步驟a中，所述提取目的層段數(shù)據(jù)方法如下:
[0024]a21、對步驟al6所得的數(shù)據(jù)做單層位分析處理；
[0025]a22、對步驟al6所得的數(shù)據(jù)做兩層位間分析處理。
[0026]進一步的，所述步驟a21還包括以下步驟:
[0027]a211、確定時窗及分析層位；
[0028]a212、提取沿層時窗數(shù)據(jù)；[0029]a213、獲得目的層段數(shù)據(jù)。
[0030]所述步驟a22還包括以下步驟:
[0031]a221、確定分析兩層位；
[0032]a222、提取沿層間數(shù)據(jù)；
[0033]a223、獲得目的層段數(shù)據(jù)。
[0034]進一步的，上述步驟a中，所述對測井數(shù)據(jù)分析建立訓(xùn)練樣本和標簽的具體方法是:根據(jù)地震數(shù)據(jù)工區(qū)中測井分析數(shù)據(jù)，將工區(qū)內(nèi)測井進行人工分類表示，建立訓(xùn)練樣本標簽，并提取目的層段中測井及井旁道所在位置的數(shù)據(jù)作為訓(xùn)練樣本，用于特征選擇和分類標識。
[0035]進一步的，上述步驟b中特征選擇采用遺傳算法，其中提取測井及井旁道的訓(xùn)練樣本集合為T，對應(yīng)分類標簽為y，特征選擇個數(shù)為k和最大迭代次數(shù)為maxi，具體包括以下步驟:
[0036]bl、根據(jù)基因編碼規(guī)則，獲取遺傳算法的初始化種群；
[0037]b2、根據(jù)”冊=Σ?Μν’-Σ='ΣΙ+1.Λ適應(yīng)度函數(shù)來計算種群個體的適應(yīng)度，其中
Xi(i=l，2，…，k)為種群個體所選擇的訓(xùn)練樣本集合T中第Xi維特征分量，y為對應(yīng)測井的分類標簽;MIXiy表示測井數(shù)據(jù)的第xi維特征分量與分類標簽y的互信息量；MI^表示測井數(shù)據(jù)的Xi特征分量與特征分量Xj間的互信息量；
[0038]b3、判斷是否達到最大迭 代次數(shù)maxi或連續(xù)五次保持最優(yōu)解不變，若是，則輸出當前的最優(yōu)特征子集，否則執(zhí)行步驟b4 ；
[0039]b4、根據(jù)種群個體適應(yīng)度執(zhí)行選擇操作；
[0040]b5、執(zhí)行交叉操作；
[0041]b6、執(zhí)行變異操作；
[0042]b7、返回b2操作；
[0043]b8、輸出特征子集。
[0044]進一步的，在上述遺傳算法處理的過程中，步驟bl的基因編碼采用{0，1} 二進制串表示，二進制串中的第幾位就表示數(shù)據(jù)預(yù)處理中所提取地震道數(shù)據(jù)Ui=Ixil, Xi2,…，xiM}和測井數(shù)據(jù)Wi=Uil, xi2,..., xiM}中特征空間的第幾維特征,O表示該特征分量不被選擇，I表示選擇該特征分量。
[0045]進一步的，上述步驟c中，使用支持向量機建立分類模型，并對目的層段數(shù)據(jù)進行分類標識，最后做出波形分類劃分圖。
[0046]上述步驟c的具體過程為:
[0047]Cl、對特征子集數(shù)據(jù)歸一化處理；
[0048]c2、使用10折交叉驗證法收索最佳SVM參數(shù)；
[0049]c3、建立SVM分類模型；
[0050]c4、對選擇特征后的目的層段數(shù)據(jù)進行分類識別；
[0051]c5、繪制波形分類劃分圖。
[0052]本發(fā)明的有益效果:本發(fā)明的有監(jiān)督波形分類方法以三維地震信號資料及測井數(shù)據(jù)信息為基礎(chǔ)，通過遺傳算法對提取的屬性特征進行優(yōu)化，利用SVM分類算法，將所分析的三維地震目的層段數(shù)據(jù)進行波形分 類劃分，識別不同的地震相，進而為后續(xù)地震資料解釋提供可靠地支持，提高對巖性預(yù)測、砂體預(yù)測、裂縫性油氣藏預(yù)測及隱蔽性油氣藏預(yù)測等的可靠性。同時，利用測井及井旁道信息來建立訓(xùn)練樣本，這樣在波形分類中應(yīng)用到具有重要參考意義的測井信息，提高分類精度，減小后期解釋的難度；在特征選擇處理中，引入遺傳算法，減少特征的冗余度，降低分類模型設(shè)計的復(fù)雜度，提高分類效率，并同時減少冗余度特征對分類結(jié)果的影響，在一定程度上提高分類準確度；在分類標識處理中，引入基于統(tǒng)計學(xué)習理論的模式識別方法支持向量機算法來進行分類識別。與無監(jiān)督波形分類算法相比:由于使用了具有重要參考價值的測井信息，提高了波形分類的準確度，提高對巖性預(yù)測、砂體預(yù)測、裂縫性油氣藏預(yù)測和隱蔽性油氣藏預(yù)測的可靠性，為后續(xù)的地震解釋提供極大便利；相對于僅用SVM設(shè)計分類器相比，加入了遺傳算法進行特征選擇，降低了 SVM分類器的設(shè)計復(fù)雜度，從而提高了波形分類處理效率。
【專利附圖】

【附圖說明】
[0053]圖1遺傳算法的進化周期示意圖；
[0054]圖2為本發(fā)明實施例的方法流程圖；
[0055]圖3為本發(fā)明實施例的方案中結(jié)構(gòu)導(dǎo)向濾波流程圖；
[0056]圖4為本發(fā)明實施例的方案中提取目的層段數(shù)據(jù)流程圖；
[0057]圖5為本發(fā)明實施例的方案中特征子集提取流程圖；
[0058]圖6為本發(fā)明實施例的方案中建立分類模型流程圖；
[0059]圖7為SOM波形分類劃分圖；
[0060]圖8為SVM波形分類劃分圖；
[0061]圖9為本發(fā)明實施例的波形分類劃分圖。
【具體實施方式】
[0062]下面結(jié)合附圖對與本發(fā)明原理相同的多個具體實施方案做具體描述，以增進對本發(fā)明原理的理解。
[0063]針對現(xiàn)有常用的三維地震信號波形分類方法的缺點及波形分類本身的特點，本發(fā)明提出的有監(jiān)督波形分類方案主要包括數(shù)據(jù)預(yù)處理、基于GA算法的特征優(yōu)化及基于SVM分類算法的分類識別三大部分?？偭鞒虉D如圖2所示:本實施例的一種三維地震信號中的有監(jiān)督波形分類方法，包括步驟:a、數(shù)據(jù)預(yù)處理:包括數(shù)據(jù)降噪處理、提取目的層段數(shù)據(jù)及對測井數(shù)據(jù)分析建立訓(xùn)練樣本和標簽山、特征選擇:分析提取的訓(xùn)練樣本及其分類標簽數(shù)據(jù)，選擇樣本中特征與分類標簽最相關(guān)的一定量特征作為特征子集，并將目的層段數(shù)據(jù)和訓(xùn)練樣本中優(yōu)選后的特征子集作為本方案中分類標識的輸入樣本集合；c、分類標識:建立分類模型對地震信號進行分類標識。在步驟a中，所述降噪處理方法如下:all、輸入地震數(shù)據(jù)；al2、判斷是否達到最大迭代次數(shù)，若是則結(jié)束降噪處理過程，否則執(zhí)行步驟al3 ;al3、計算地震數(shù)據(jù)點在三個方向上的梯度值并進一步計算該數(shù)據(jù)點的結(jié)構(gòu)張量；al4、利用三維高斯低通濾波器對所述結(jié)構(gòu)張量進行濾波處理；al5、構(gòu)造擴散矩陣和不連續(xù)因子；al6、根據(jù)擴散方程對數(shù)據(jù)濾波。提取目的層段數(shù)據(jù)方法如下:a21、對步驟al6所得的數(shù)據(jù)做單層位分析處理；a22、對步驟al6所得的數(shù)據(jù)做兩層位間分析處理。步驟a21包括以下步驟:a211、確定時窗及分析層位；a212、提取沿層時窗數(shù)據(jù)；a213、獲得目的層段數(shù)據(jù)。步驟a22包括以下步驟:a221、確定分析兩層位；a222、提取沿層間數(shù)據(jù)；a223、獲得目的層段數(shù)據(jù)。
[0064]步驟a中，對測井數(shù)據(jù)分析建立訓(xùn)練樣本和標簽的具體方法是:根據(jù)地震數(shù)據(jù)工區(qū)中測井分析數(shù)據(jù)，將工區(qū)內(nèi)測井進行人工分類表示，建立訓(xùn)練樣本標簽，并提取目的層段中測井及井旁道所在位置的數(shù)據(jù)作為訓(xùn)練樣本，用于特征選擇和分類標識。
[0065]步驟b中特征選擇采用遺傳算法，其中提取測井及井旁道的訓(xùn)練樣本集合為T，對應(yīng)分類標簽為y，特征選擇個數(shù)為k和最大迭代次數(shù)為maxi，具體包括以下步驟:bl、根據(jù)基
因編碼規(guī)則，獲取遺傳算法的初始化種群山2、根據(jù)如《^^1皿；>，_2=1^-,+1皿>'適應(yīng)度函數(shù)
來計算種群個體的適應(yīng)度，其中Xi(i=l,2，一，k)為種群個體所選擇的訓(xùn)練樣本集合T中第Xi維特征分量，y為對應(yīng)測井的分類標簽；MIXiy表示測井數(shù)據(jù)的第Xi維特征分量與分類標簽y的互信息量；MIXiXj表示測井數(shù)據(jù)的\特征分量與特征分量Xj間的互信息量；b3、判斷是否達到最大迭代次數(shù)maxi或連續(xù)五次保持最優(yōu)解不變，若是，則輸出當前的最優(yōu)特征子集，否則執(zhí)行步驟b4 ;b4、根據(jù)種群個體適應(yīng)度執(zhí)行選擇操作；b5、執(zhí)行交叉操作；b6、執(zhí)行變異操作山7、返回b2操作；b8、輸出特征子集。進一步的，在上述遺傳算法處理的過程中，步驟bl的基因編碼采用{0，1} 二進制串表示，二進制串中的第幾位就表示數(shù)據(jù)預(yù)處理中所提取地震道數(shù)據(jù)Ui=Uil, Xi2,..., XiJ和測井數(shù)據(jù)Wi=Uil, Xi2,..., XiJ中特征空間的第幾維特征，O表示該特征分量不被選擇，I表示選擇該特征分量。
[0066]上述的步驟c使用支持向量機建立分類模型，并對目的層段數(shù)據(jù)進行分類標識，最后做出波形分類劃分圖。具體過程為:cl、對特征子集數(shù)據(jù)歸一化處理；c2、使用10折交叉驗證法收索最佳SVM參數(shù)；c3、建立SVM分類模型；c4、對選擇特征后的目的層段數(shù)據(jù)進行分類識別；c5、繪制波形分類劃分圖。
[0067]下面結(jié)合工作原理及效果對上述實施例的方案做進一步詳述。
[0068]a、數(shù)據(jù)預(yù)處理:對三維地震`數(shù)據(jù)資料進行預(yù)處理的主要目的是為了特征選擇和分類標識做準備，其主要工作流程主要包括:數(shù)據(jù)降噪處理、目的層段數(shù)據(jù)的提取及對測井數(shù)據(jù)的分析建立訓(xùn)練樣本和標簽三部分。由于地震數(shù)據(jù)采集系統(tǒng)設(shè)備的物理局限性、傳輸介質(zhì)的局限性和環(huán)境條件的不確定性，采集獲取的地震數(shù)據(jù)會含有一定量的噪聲信息，并且由于地質(zhì)結(jié)構(gòu)中會含有斷層及地質(zhì)體邊界等細節(jié)信息。所以在對地震數(shù)據(jù)的濾波中需要注意導(dǎo)向分析、邊緣檢測及邊緣保持導(dǎo)向平滑濾波三個要點，故選擇結(jié)構(gòu)導(dǎo)向濾波方法來對數(shù)據(jù)進行降噪，提高了信噪比，并保持或增強了原有的地質(zhì)結(jié)構(gòu)。其處理工作流程如圖3所示。提取目的層段數(shù)據(jù):根據(jù)所要分析的層位，提取出我們所要進行波形分類分析的目的層段數(shù)據(jù)。提取目的層段數(shù)據(jù)的總體流程如圖4所示。分析測井數(shù)據(jù)，建立訓(xùn)練樣本及標簽:根據(jù)地震數(shù)據(jù)工區(qū)中測井分析數(shù)據(jù)，我們將工區(qū)內(nèi)測井進行人工分類表示，建立訓(xùn)練樣本標簽，并提取目的層段中測井及井旁道所在位置的數(shù)據(jù)作為訓(xùn)練樣本，用于后面的特征選擇和分類標識。
[0069]b、特征選擇:特征選擇的主要目的是為了優(yōu)化目的層段數(shù)據(jù)中的特征，通過分析提取的訓(xùn)練樣本及其分類標簽數(shù)據(jù)，選擇樣本中特征與分類標簽最相關(guān)的一定量特征，這樣不僅會降低后面分類模型設(shè)計的復(fù)雜度，提供效率，也能夠在一定程度上提高分類精度，減少非相關(guān)特征對分類結(jié)果的影響。本方案選擇的特征優(yōu)化算法為遺傳算法，其輸入為提取的測井及井旁道的訓(xùn)練樣本集合T，及其對應(yīng)分類標簽y，特征選擇個數(shù)k和最大迭代次數(shù)maxi。并以優(yōu)選后的特征子集輸出。特征選擇的流程圖如圖5所示。[0070]C、分類標識:當對目的層段數(shù)據(jù)及測井構(gòu)成的訓(xùn)練樣本集進行特征選擇后，進行最重要的工作即建立分類模型對地震信號進行分類標識。針對三維地震工區(qū)中測井數(shù)據(jù)少，具有小訓(xùn)練樣本的特點，并且地震信號波形分類一般為非線性分類問題，且結(jié)合了支持向量機具有較好得解決以往困擾很多學(xué)習方法的小樣本、非線性、過學(xué)習、高維數(shù)、局部極小點等實際問題的能力，本方案選擇了支持向量機來建立分類模型，并對目的層段數(shù)據(jù)進行分類標識，最后做出波形分類劃分圖。該部分處理的具體流程如圖6所示。
[0071]在本發(fā)明的方案中，涉及到的部分算法原理如下:
[0072]結(jié)構(gòu)導(dǎo)向濾波
[0073]用于三維地震數(shù)據(jù)濾波的結(jié)構(gòu)導(dǎo)向濾波技術(shù)[7]是在擴散張量矩陣的各向異性擴散方程基礎(chǔ)上，構(gòu)造反映三維圖像局部結(jié)構(gòu)的結(jié)構(gòu)張量來實現(xiàn)的一種邊緣保持平滑濾波算法。在三維圖像處理中，我們定義結(jié)構(gòu)張量S為:
【權(quán)利要求】
1.一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，包括以下步驟: a、數(shù)據(jù)預(yù)處理:包括數(shù)據(jù)降噪處理、提取目的層段數(shù)據(jù)及對測井數(shù)據(jù)分析建立訓(xùn)練樣本和標簽； b、特征選擇:分析提取的訓(xùn)練樣本及其分類標簽數(shù)據(jù)，選擇樣本中特征與分類標簽最相關(guān)的一定量特征作為特征子集，以目的層段數(shù)據(jù)和訓(xùn)練樣本中優(yōu)選后的特征子集作為本方案中分類標識的輸入樣本集合； C、分類標識:建立分類模型對地震信號進行分類標識。
2.根據(jù)權(quán)利要求1所述的一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，所述步驟a中，所述降噪處理方法如下: all、輸入地震數(shù)據(jù)； al2、判斷是否達到最大迭代次數(shù)，若是則結(jié)束降噪處理過程，否則執(zhí)行步驟al3 ； al3、計算地震數(shù)據(jù)點在三個方向上的梯度值并進一步計算該數(shù)據(jù)點的結(jié)構(gòu)張量； al4、利用三維高斯低通濾波器對所述結(jié)構(gòu)張量進行濾波處理； al5、構(gòu)造擴散矩陣和不連續(xù)因子； al6、根據(jù)擴散方程對數(shù)據(jù)濾波。
3.根據(jù)權(quán)利要求1所述的一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，所述步驟a中，所述提取目的層段數(shù)據(jù)方法如下: a21、對步驟al6所得的數(shù)據(jù)做單層位分析處理； a22、對步驟al6所得的數(shù)據(jù)做兩層位間分析處理。`
4.根據(jù)權(quán)利要求3所述的一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，所述步驟a21還包括以下步驟: a211、確定時窗及分析層位； a212、提取沿層時窗數(shù)據(jù)； a213、獲得目的層段數(shù)據(jù)。
5.根據(jù)權(quán)利要求3所述的一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，所述步驟a22還包括以下步驟: a221、確定分析兩層位； a222、提取沿層間數(shù)據(jù)； a223、獲得目的層段數(shù)據(jù)。
6.根據(jù)權(quán)利要求1所述的一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，所述步驟a中，所述對測井數(shù)據(jù)分析建立訓(xùn)練樣本和標簽的具體方法是:根據(jù)地震數(shù)據(jù)工區(qū)中測井分析數(shù)據(jù)，將工區(qū)內(nèi)測井進行人工分類表示，建立訓(xùn)練樣本標簽，并提取目的層段中測井及井旁道所在位置的數(shù)據(jù)作為訓(xùn)練樣本，用于特征選擇和分類標識。
7.根據(jù)權(quán)利要求1所述的一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，所述步驟b中特征選擇采用遺傳算法，其中提取測井及井旁道的訓(xùn)練樣本集合為T，對應(yīng)分類標簽為y，特征選擇個數(shù)為k和最大迭代次數(shù)為maxi，具體包括以下步驟: bl、根據(jù)基因編碼規(guī)則，獲取遺傳算法的初始化種群； b2、根據(jù)+,皿7,適應(yīng)度函數(shù)來計算種群個體的適應(yīng)度，其中Xi Q=i，`2，…，k)為種群個體所選擇的訓(xùn)練樣本集合T中第Xi維特征分量，y為對應(yīng)測井的分類標簽;MIXiy表示測井數(shù)據(jù)的第Xi維特征分量與分類標簽y的互信息量;MIXi\表示測井數(shù)據(jù)的Xi特征分量與特征分量Xj間的互信息量； b3、判斷是否達到最大迭代次數(shù)maxi或連續(xù)五次保持最優(yōu)解不變，若是，則輸出當前的最優(yōu)特征子集，否則執(zhí)行步驟b4 ； b4、根據(jù)種群個體適應(yīng)度執(zhí)行選擇操作； b5、執(zhí)行交叉操作； b6、執(zhí)行變異操作； b7、返回b2操作； b8、輸出特征子集。
8.根據(jù)權(quán)利要求7所述的一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，在所述遺傳算法處理的過程中，步驟bl的基因編碼采用{0，1} 二進制串表示，二進制串中的第幾位就表示數(shù)據(jù)預(yù)處理中所提取地震道數(shù)據(jù)Ui=Ixil^i2,…，xiM}和測井數(shù)據(jù)Wi=Ixil,Xi2?…，xiM}中特征空間的第幾維特征，O表示該特征分量不被選擇，I表示選擇該特征分量。
9.根據(jù)權(quán)利要求1所述的一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，所述步驟c中，使用支持向量機建立分類模型，并對目的層段數(shù)據(jù)進行分類標識，最后做出波形分類劃分圖。
10.根據(jù)權(quán)利要求1或9所述的一種三維地震信號中的有監(jiān)督波形分類方法，其特征在于，所述步驟c的具體過程為: Cl、對特征子集數(shù)據(jù)歸一化處理； c2、使用10折交叉驗證法收索最佳SVM參數(shù)； c3、建立SVM分類模型； c4、對選擇特征后的目的層段數(shù)據(jù)進行分類識別； c5、繪制波形分類劃分圖。
【文檔編號】G01V1/30GK103487832SQ201310414827
【公開日】2014年1月1日 申請日期:2013年9月12日 優(yōu)先權(quán)日:2013年9月12日
【發(fā)明者】錢峰, 劉明夫, 胡光岷 申請人:電子科技大學(xué)