分新的分类模型道的数据结果。
[0154] 7、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。根据新的分类模型 道进行模型道的相关性分析，计算出每道的加权系数，每道的加权系数的计算具体公式如 下：
[0155]
[0156] 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，Mode 1_ new (j)表示第p类的模型道，Wi为第i道的加权系数，
[0157] 8、基于加权系数和新的分类模型道进行聚类分析得到最终的分类模型道。通过加 权系数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：
[0158] X1 J = W j · Xi
[0159] 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，
[0160] 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：
[0161]
[0162] 其中，Xi'为加权后新类别的第p类中的第i道数据，Model_final为最终的分类 模型道。
[0163] 9、将归一化处理后地震波形数据中的地震道与最终的分类模型道进行对比，图6 为实施例中地震相的分类图的结果图，如图6所示，最后得到地震相分类图，图中的横坐标 为inline，竖坐标为xline。
[0164] 10、根据地震相分类图预测地下油气的展布。
[0165] 本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与 其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0166] 上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人 士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明 精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
【主权项】
1. 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。2. 根据权利要求1所述的提取分类模型道的地震相聚类分析方法，其特征在于：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： 对剔除不良数据后的地震波形数据进行归一化处理； 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； 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； 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； 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； 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。3. 根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，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：其中，A为每个样点值，Amin为每个地震道的幅度最小值，A_为每个地震道的幅度最大 值，An_为归一化处理后的地震波形数据中地震道的幅度。4. 根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，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：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。5. 根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，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：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： niij^t+l) =niij(t) +ah(mw inner? ^ij)(Xi(t)-niij(t))其中，niijU)为未更新的连接权值，niijU+l)为更新后的连接权值，xjt)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，mwinnOT为最近的神经元，mij为第 i个神经元连接第j个样本的权重值，a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，mij表示神经元在二维神经网络上的位置。6. 根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，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： V' j= V j+Ci ? Rand() ? (pbest [i]-Xj)+c2 ? rand() ? (gbest [i]-Xj) 其中，cJPc2为常数，表示学习因子，RandO和randO为[0，1]上的随机数，V/是更 新后的粒子的速度，X' 1是更新后的粒子位置； 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：其中，nT为第w」类的样本中心，mi为类内样本，k为神经元的分类数目。7. 根据权利要求2所述的提取分类模型道的地震相聚类分析方法，其特征在于，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 另IJ，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：其中，Model,为第i个模型道，S为某类别的总道数，A」为相应道的幅值，每类的 总道数。8. 根据权利要求1所述的提取分类模型道的地震相聚类分析方法，其特征在于：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：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：其中，X」为地震道，K为地震道的采样点数，Modeli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。9. 根据权利要求1所述的提取分类模型道的地震相聚类分析方法，其特征在于：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： 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，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， 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， 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， 其中，Wi为第i道的加权系数，x玳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， 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，其中，x/为加权后新类别的第p类中的第i道数据，Model_final为最终的分类模型 道， 将归一化处理后地震波形数据中的地震道与最终的分类模型道进行对比得到地震相 分类图。
【专利摘要】本发明公开了一种提取分类模型道的地震相聚类分析方法，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。本发明通过两步法优化分类模型道，有效保证分类结果的稳定性以及有效的区分神经元的类别，最终实现了对地震相的客观分析，使得地震数据中大量信息得到准确的解读。
【IPC分类】G01V1/30
【公开号】CN104914467
【申请号】CN201510264170
【发明人】张*, 郑晓东, 李劲松
【申请人】中国石油天然气股份有限公司
【公开日】2015年9月16日
【申请日】2015年5月22日