基于固有特征分析的三维体波形分类方法技术

本发明专利技术公开了一种基于固有特征分析的三维体波形分类方法，包括以下步骤：S1、沿解释层位截取数据体，获得原始数据；S2、对原始数据采用结构导向滤波方法进行去噪处理；S3、对去噪处理后的数据进行IFA特征降维处理；S4、对降维后的数据进行SOM聚类；S5、利用SOM聚类数据生成波形分类相图。本发明专利技术通过对地震数据进行IFA降维处理，降维后得到的特征是每道波形的固有特征，能在降低特征之间的冗余度、减小数据量的同时，保持数据点之间的原始近邻关系，并且挖掘出隐藏在高维空间中的低维流形结构，保留最具有区分性的特征，能更有效地区分出不同的波形，提高了波形的区分度，有效地提高了波形分类结果的准确率和分辨率。

A 3D volume waveform classification method based on intrinsic feature analysis

The invention discloses a three-dimensional waveform classification method based on the analysis of the inherent characteristics, which comprises the following steps: S1, the interpreted horizon intercept data, to obtain the original data; the S2 of the original data, the structure oriented filtering method to denoise; S3, denoising the data after the IFA feature dimension reduction S4, SOM; clustering of high-dimensional data; S5, using SOM clustering data generating waveform classification diagram. The present invention based on seismic data IFA dimensionality reduction, feature dimensionality reduction is the inherent characteristics of each waveform, it can reduce the redundancy between features, reducing the amount of data at the same time, to maintain the original neighbor relationships between data points, and dig out the low dimensional manifold structure embedded in the high-dimensional space. And keep the most distinguishing features, can effectively distinguish regions with different waveforms, improves the discrimination waveform, effectively improve the waveform classification result accuracy and resolution.

【技术实现步骤摘要】
基于固有特征分析的三维体波形分类方法
本专利技术属于三维体波形分类
，特别涉及一种基于固有特征分析的三维体波形分类方法。
技术介绍
三维体波形分类技术是以地震解释层位为基准，沿给定的上下时窗从三维地震数据中截取数据体，对该数据体对应的波形进行预处理及特征选择来建立样本集，并对该样本集进行训练以建立合适有效的分类器，将目的层段的地震道波形进行分类，达到划分地震相的目的。由于相同的波形对应的是相同的地震相，不同的波形对应的是不同的地震相，所以对波形进行分类的过程也是进行地震相划分的过程。划分的结果是属于同一个簇中的波形相似度较高，而不同簇中的波形相似度较小，不同的簇对应不同的波形类别，最终达到区分不同波形的目的。根据划分结果可以识别地震相单元，分析和解释得到的地震相图，识别区域沉积相和沉积体系，并进行储层的预测。波形分类技术广泛应用于各个领域，对科技的发展和人们的日常生活都产生了很多积极的影响。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种通过对地震数据进行IFA降维处理，能在降低特征之间的冗余度、减小数据量的同时，保留最具有区分性的特征，能更有效地区分出不同的波形，有效地提高波形分类结果的准确率的基于固有特征分析的三维体波形分类方法。本专利技术的目的是通过以下技术方案来实现的：基于固有特征分析的三维体波形分类方法，包括以下步骤：S1、沿解释层位截取数据体，获得原始数据；S2、对原始数据采用结构导向滤波方法进行去噪处理；S3、对去噪处理后的数据进行IFA特征降维处理；S4、对降维后的数据进行SOM聚类；S5、利用SOM聚类数据生成波形分类相图。进一步地，所述步骤S2包括以下子步骤：S21、采用了梯度结构张量来对原始三维体数据进行特征提取，定义梯度结构张量为：其中，u(n)为原始三维体数据，x、y、z分别表示三维体数据三个维度上的坐标；S22、根据区域结构性信息设计扩散矩阵：v1、v2、v3分别表示当下迭代时的梯度结构张量的特征值对应的特征向量；S23、设立连续性因子：ε的值域为[0,1]，在平滑区域接近1，在图像边缘区域接近0；S0代表初始的(也就是进行迭代滤波前的)梯度结构张量矩阵；Sρ代表当下迭代时的梯度结构张量；Tr(·)表求括号内的矩阵的迹，即求主对角元素的和；S24、根据扩散方程进行迭代滤波，得到滤波后的三维体数据u(n+1)：Gσ为一个方差为σ的高斯滤波函数；表示梯度；Δt表示迭代步长；表示求解的散度。进一步地，所述步骤S3具体实现方法为：将步骤S2滤波的到的三维体数据u(n+1)作为IFA特征降维的待分类样本的原始高维特征集其中，i表示样本序号，n表示样本总数，d表示样本的原始特征维度；设表示降维之后的特征集，其中，d'表示降维之后的特征维度，d＜＜d'；则IFA的问题表述为：求解一组非线性函数将X映射到低维度空间X'；具体包括以下子步骤：S31、构建一个k最近邻图，k最近邻图是一个无向有权图，并计算k最近邻图的拉普拉斯矩阵L；S32、求解下式中的广义特征值问题，得到最小的d'个特征值对应的特征向量集(I+εLK)α＝λKα；其中，I∈Rn×n，是一个单位矩阵；K是定义在原始高维特征集X上的格拉姆矩阵，其元素Ki,j＝K(xi,xj)；S33、将求得的特征向量集代入下式，求解非线性映射函数：v表示出训练样本外的新样本；S34、通过步骤S33求得的非线性映射函数将原始高维数据映射到低维空间Rd'中。进一步地，所述步骤S4实现方法为：实现SOM聚类的目标函数如下所示：其中，m是任何比1大的实数，xi是第d维数据，Uij是xi在簇j中的度，Cj是簇的d维中心；簇的中心点的计算公式如下：将以上过程结合DBI指数，作为聚类的评估指标，对数据进行更精确的预测和制图，当DBI值最小时，预示着分类结果最好；DBI的计算公式如下：si代表第i个簇内各样本的均值；sj代表第j个簇内各样本的均值；dij代表第i个簇和第j个簇中心的距离；表示求解当i≠j时，的最大值；N是簇的个数。本专利技术的有益效果是：1、由于采集地震资料的范围很广，数据量巨大，地震道的特征较多，直接使用这些数据进行波形分类，计算复杂度和时间复杂度都很高，通过IFA算法可以降低特征集维度，提高算法的适用性和计算效率；2、地震资料采集过程中，环境复杂，存在诸多不确定因素，地震波形中会掺杂一定的噪声，在进行波形分类时，通过对地震数据进行IFA降维处理，降维后得到的特征是每道波形的固有特征，能在降低特征之间的冗余度、减小数据量的同时，保持数据点之间的原始近邻关系，并且挖掘出隐藏在高维空间中的低维流形结构，保留最具有区分性的特征，能更有效地区分出不同的波形，提高了波形的区分度，有效地提高了波形分类结果的准确率和分辨率。附图说明图1为本专利技术的三维体波形分类方法流程图；图2为一维神经网络结构示意图；图3为二维神经网络结构示意图；图4为三维神经网络结构示意图；图5为SOM训练流程图。具体实施方式下面结合附图进一步说明本专利技术的技术方案。如图1所示，本专利技术的一种基于固有特征分析的三维体波形分类方法，包括以下步骤：S1、沿解释层位截取数据体，获得原始数据；S2、对原始数据采用结构导向滤波方法进行去噪处理；包括以下子步骤：S21、采用了梯度结构张量来对原始三维体数据进行特征提取，定义梯度结构张量为：其中，u(n)为原始三维体数据，x、y、z分别表示三维体数据三个维度上的坐标；S22、根据区域结构性信息设计扩散矩阵：v1、v2、v3分别表示当下迭代时的梯度结构张量的特征值对应的特征向量；S23、设立连续性因子：ε的值域为[0,1]，在平滑区域接近1，在图像边缘区域接近0；S0代表初始的(也就是进行迭代滤波前的)梯度结构张量矩阵；Sρ代表当下迭代时的梯度结构张量；Tr(·)表求括号内的矩阵的迹，即求主对角元素的和；S24、根据扩散方程进行迭代滤波，得到滤波后的三维体数据u(n+1)：Gσ为一个方差为σ的高斯滤波函数；表示梯度；Δt表示迭代步长；表示求解的散度。结构导向滤波算法通过构建扩散张量矩阵来提取三维图像中的局部区域结构信息，在计算该矩阵的过程中，能够找出相应的地震信号最大相干性的走向，从而确定后续的扩散滤波过程。同时，为了保护图像的边缘结构信息，该算法利用结构张量矩阵来确定图像的边缘，以在适当的位置停止扩散过程，从而更好地保留有用的信息。S3、对去噪处理后的数据进行IFA特征降维处理；IFA属于流形学习的范畴，是一种数据驱动的无监督学习方法，属于信号处理技术。IFA利用图的拉普拉斯谱聚类机制，去近似一个在固有坐标系中的非线性投影图。在该固有坐标系统中，对于一个d维流形，可以提取出其在Rd中的基本嵌入，并能将隐藏在原始高维数据中的低维流形结构进行明确的参数化表示，恢复数据本身潜在的位形空间，同时测地距离(流形上的最短距离的长度)可以用简单的欧几里得距离来代替。IFA可以保持数据中的非线性信息，从原始的高维数据中提取出隐藏的低维流形结构，该结构可以从本质上反映样本之间的内在关系，表征原始数据的固有特征，并且特征维度较低。进行IFA特征降维处理具体实现方法为：将步骤S2滤波的到的三维体数据u(n+1)作为IFA特征降维的待分类样本的原始高维特征集其中，i本文档来自技高网...

【技术保护点】
基于固有特征分析的三维体波形分类方法，其特征在于，包括以下步骤：S1、沿解释层位截取数据体，获得原始数据；S2、对原始数据采用结构导向滤波方法进行去噪处理；S3、对去噪处理后的数据进行IFA特征降维处理；S4、对降维后的数据进行SOM聚类；S5、利用SOM聚类数据生成波形分类相图。

【技术特征摘要】
1.基于固有特征分析的三维体波形分类方法，其特征在于，包括以下步骤：S1、沿解释层位截取数据体，获得原始数据；S2、对原始数据采用结构导向滤波方法进行去噪处理；S3、对去噪处理后的数据进行IFA特征降维处理；S4、对降维后的数据进行SOM聚类；S5、利用SOM聚类数据生成波形分类相图。2.根据权利要求1所述的基于固有特征分析的三维体波形分类方法，其特征在于，所述步骤S2实现方法为：S21、采用了梯度结构张量来对原始三维体数据进行特征提取，定义梯度结构张量为：其中，u(n)为原始三维体数据，x、y、z分别表示三维体数据三个维度上的坐标；S22、根据区域结构性信息设计扩散矩阵：v1、v2、v3分别表示当下迭代时的梯度结构张量的特征值对应的特征向量；S23、设立连续性因子：S0代表初始的梯度结构张量矩阵；Sρ代表当下迭代时的梯度结构张量；Tr(·)表求括号内的矩阵的迹，即求主对角元素的和；S24、根据扩散方程进行迭代滤波，得到滤波后的三维体数据u(n+1)：

【专利技术属性】
技术研发人员：钱峰，孙小田，胡光岷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51