提取分类模型道的地震相聚类分析方法
【技术领域】
[0001] 本发明涉及地球物理勘探地震相分析技术领域，特别涉及一种提取分类模型道的 地震相聚类分析方法。
【背景技术】
[0002] 地震相一般是指在某种特定的沉积环境所形成的地震反射特征所构成的具有相 似形态的相带。沉积环境包括有海相或陆相，它带能够控制储层分布和发育。地震相分析 技术能够从地震的角度来表征沉积相的形态，目前在地震储层特征描述和检测的技术中已 成为是一种不可或缺的方法。监测获取的地震数据中包含波形的振幅、相位和频率等相关 信息，是地下地岩体、物性、流体性质、结构和构造的综合响应。换句话说，地下物理参数的 变化总是对应着地震波形形状的变化。传统的地震相分析方法主要对地震反射结构、构型 和外形进行分析。该方法需要有经验的地质人员对地震数据集进行解读，费时费力，且地震 数据中隐含的大量信息难以用肉眼识别。
[0003] 随着地震属性技术的发展，模式识别与地震波形特征分析和神经网络方法的结合 开辟了地震相分析的新途径。在模式识别中，一般使用时间域的波形分类，它是利用自组织 神经网络对实际地震资料进行训练，经过训练后的网络达到稳定状态，从而得到分类模型 道和地震相分类图。这种地震波形聚类方法需要人为预先给定地震相的类别数，难以根据 地震数据自身特点自适应判定地震相的类别数。同时，对于空间中的线性不可分类别的划 分难于得到准确的结果。在地震相聚类分析中一般常用的方法是K均值聚类方法和自组织 神经网络聚类分析的方法。K均值聚类方法是通过随机分配样本空间类别，计算样本空间初 始类别中心，比较原始数据与样本空间类别中心的距离，重新分配样本空间类别，通过反复 迭代实现分类结果，这种方法易受原始数据极值和初始分类中心的影响，导致分类结果的 不确定性。自组织网络方法通过训练数据使神经网络达到最终的稳定状态，相同类别的神 经元相互靠近，不同类别的神经元相互疏离，由此达到类别的划分。但是这种自组织神经网 络方法对于特征相似的类别，不能有效区分，常常导致神经元上划分的类别数大于实际的 类别数。
【发明内容】
[0004] 为了克服现有技术的上述缺陷，本发明所要解决的技术问题是提供了一种提取分 类模型道的地震相聚类分析方法，其能够解决分类结果的不确定性和无法有效区分相似类 别神经元的问题
[0005] 本发明的具体技术方案是：
[0006] 一种提取分类模型道的地震相聚类分析方法，其特征在于，它包括以下步骤：基于 地震波形数据通过神经网络和粒子群聚类计算得到初始分类模型道；基于初始分类模型 道通过相关性分析后得到新的分类模型道，并利用新的分类模型道对原始数据进行聚类分 析，得到地震相分类图；基于地震相分类图预测地下油气的展布。
[0007] 优选地，在步骤基于地震波形数据通过神经网络和粒子群聚类计算得到初始分类 模型道中，它包括以下步骤：
[0008] 对剔除不良数据后的地震波形数据进行归一化处理；
[0009] 选定多个神经网络的神经元数目，并对每一个神经元数目下的神经网络进行随机 初始化权值；
[0010] 基于归一化处理后的地震波形数据和不同神经元数目的神经网络得到每个地震 道到各个神经元的距离；
[0011] 基于每个地震道到各个神经元的距离得到最近的神经元，基于神经网络的稳定程 度和最近的神经元更新邻近神经元；
[0012] 基于地震波形数据和更新邻近神经元后的神经网络通过K均值和粒子群寻优方 法得到不同神经元数目的神经网路中最优神经元数目的神经网络；
[0013] 基于地震波形数据中的地震道通过最优神经元数目的神经网络对地震道赋予相 应的类别，进而计算得到地震波形数据的初始分类模型道。
[0014] 优选地，在步骤对剔除不良数据后的地震波形数据进行归一化处理中，具体为采 用极差标准化的方法进行归一化处理，其具体公式如下：
[0015]
[0016] 其中，Ai为每个样点值,Aniin为每个地震道的幅度最小值，A niax为每个地震道的幅度 最大值，Anmi为归一化处理后的地震波形数据中地震道的幅度。
[0017] 优选地，在步骤基于归一化处理后的地震波形数据和不同神经元数目的神经网络 得到每个地震道到各个神经元的距离中，具体为将归一化处理后的地震波形数据逐个代入 不同神经元数目的神经网络对不同的神经网络进行训练，计算地震波形数据中每个地震道 到各个神经元的距离，具体公式如下：
[0018]
[0019] 其中，n^_(t)为连接权值，Xi(t)为归一化处理后的地震波形数据，表示一道数据的 每一个时间点或一道数据的每个维度的值，d(t)为地震道到各个神经元的距离，N为地震 波形数据矩阵的行数。
[0020] 优选地，在步骤基于每个地震道到各个神经元的距离得到最近的神经元，基于神 经网络的稳定程度和最近的神经元更新邻近神经元中，基于每个地震道到各个神经元的距 离得到最近的神经元的具体公式如下：
[0021]
[0022] 基于神经网络的稳定程度和最近的神经元更新邻近神经元，具体为选择最近的神 经元作为最佳匹配单元更新邻近神经元，更新准则和邻域函数分别如下：
[0023] Hiij (t+1) = Hiij (t) + a h (mwinner，Hiij) (Xi (t) -Hiij (t))
[0024]
[0025] 其中，π^(?)为未更新的连接权值，π^(?+1)为更新后的连接权值，XiU)为归一化 处理后的地震波形数据，表示一道数据的每一个时间点或一道数据的每个维度的值，d(t) 为地震道到各个神经元的距离，N为地震波形数据矩阵的行数，mwinn"为最近的神经元，Hiij为第i个神经元连接第j个样本的权重值，α为学习速率，h为邻域函数，n、m是除i、j外 的其它的神经元的位置，r表示邻域函数的半径，Hiij表示神经元在二维神经网络上的位置。
[0026] 优选地，在步骤基于地震波形数据和更新邻近神经元后的神经网络通过K均值和 粒子群寻优方法得到不同神经元数目的神经网路中最优神经元数目的神经网络中，对于更 新邻近神经元后的神经网络，对其给定初始的粒子数目，粒子更新自己的速度和位置的方 式表示如下：
[0027] V/ = Vjc1 · Rand () · (pbest [i]-Xi)+C2 · rand () · (gbest [i]-Xi)
[0028] V j = X ^Vi
[0029] 其中，cJPc2为常数，表示学习因子，RandO和randO为[0, 1]上的随机数，V' i 是更新后的粒子的速度，1是更新后的粒子位置；
[0030] 将地震波形数据代入粒子更新后的神经网络，计算不同神经网络下的拟合度函数 1/J，当拟合度函数值最小时，该拟合度函数值对应的神经网络为最优神经元数目的神经网 络，拟合度函数的具体计算公式如下：
[0031]
[0032] 其中，πΓ为第w」类的样本中心，m i为类内样本，k为神经元的分类数目。
[0033] 优选地，在步骤基于地震波形数据中的地震道通过最优神经元数目的神经网络 对地震道赋予相应的类别，进而计算得到地震波形数据的初始分类模型道中，具体为将同 类别的地震道进行相加再求取平均值，将平均值作为地震数据的初始分类模型道，公式如 下：
[0034]
[0035] 其中，Modeli为第i个模型道，s为某类别的总道数，A」为相应道的幅值，k s为每 类的总道数。
[0036] 优选地，在步骤基于初始分类模型道通过相关性分析后得到新的分类模型道中， 初始分类模型道相关性分析中的相关系数具体计算过程如下：
[0037]
[0038] 基于满足相关性要求的初始分类模型道合并得到新的分类模型道的计算过程如 下：
[0039]
[0040] 其中，χ」为地震道，K为地震道的采样点数，Model i为模型道，m和p为满足相似度 要求的模型道的数量，Modelnew是满足相似度要求的模型道合并求平均后得到的新的分类 模型道。
[0041] 优选地，在步骤利用新的分类模型道对原始数据进行聚类分析，得到地震相分类 图中，具体包括以下步骤：
[0042] 基于新的分类模型道进行相关性分析得到每道的加权系数，加权系数计算的具体 公式如下，
[0043]
[0044] 其中，Xi为合并后新类别的第p类中的第i道数据，M代表每一道的采样点，Model_ new (j)表示第p类的模型道，Wi为第i道的加权系数，
[0045] 基于加权系数和新的分类模型道得到最终的分类模型道，具体过程如下，
[0046] 对新的分类模型道中的每类的地震道进行加权，具体计算公式如下，
[0047] X1 J = W j · Xi
[0048] 其中，Wi为第i道的加权系数，X "戈表合并后新类别的第p类中的第i道数据，X / 为加权后新类别的第P类中的第i道数据，
[0049] 将同类加权后的地震类相加得到相应的最终的分类模型道，具体计算公式如下，
[00