一种叠后地震信号波形分类方法技术

本发明专利技术提供一种叠后地震信号波形分类方法，包括如下步骤：(1)提取待分析的地震数据，并进行预处理；(2)使用稀疏编码方法提取地震数据中的特征数据x，并对特征数据x进行降维；(3)将步骤(2)中得到的特征数据x利用聚类算法进行分类。本发明专利技术通过稀疏编码降维较好地解决因数据维度变大而影响分类结果本发明专利技术引入的新聚类方法，相对于传统自组织神经网络方法能自动确定合适的分类数目，而且对于任意类型和特征的数据，都能获得较好的分类结果。

A waveform classification method for post stack seismic signals

The invention provides a seismic waveform classification method, which comprises the following steps: (1) extracting seismic data to be analyzed, and the pretreatment; (2) feature extraction of X data in seismic data using the sparse encoding method, and the characteristics of X data dimensionality reduction; (3) the steps (2 x) feature data obtained using clustering algorithm to classify. The invention solves the new clustering method for data dimension becomes larger and the effect of the introduction of the classification results by sparse encoding reduction, compared with the traditional self-organizing neural network method can automatically determine the appropriate number of classification, but also for any type and characteristics of the data, can obtain better classification results.

【技术实现步骤摘要】
一种叠后地震信号波形分类方法
本专利技术属于油气储层预测和勘探
，具体涉及一种叠后地震信号波形分类方法。
技术介绍
地震波形分类技术在油气储层预测和勘探中发挥了举足轻重的作用，成为石油勘探领域中的重要技术之一。波形分类在地质研究中也发挥着很重要的作用，特别在识别沉积相结构方面。波形分类算法的最终效果取决于在进行分类的时候是否已经拥有当地的实际地质信号以及该地质信号含有的准确地震相个数。在波形分类未引入到石油勘探之前，人们对储层发育有利相带、油气分布的预测主要是通过有经验的地质工作者按照已有的经验及知识来进行分析，采取这样的分析手段需要大量的人力、物力，并且由于人为的主观干预过多，得出的结果不够有说服力，并且实际应用也往往出现问题。在地震学引入到石油勘探的过程中，人们慢慢发现自采集的地震数据中获取的特征信息能够在石油勘探和开采过程中起到很大的作用，并且在降低人力、物力、成本投入的同时加快了勘探开发速度。三维地震信号波形分类作为地震学的一个重要分支，在沉积相描述、储层预测、油气识别等方面起到了关键作用。三维波形分类通过分析地下信号(这些信号是通过放炮，然后通过传感器采集返回的信号振幅)，然后通过对这些信号进行特征提取，用提取出来的特征来表征原来的信号，再根据这些特征的相似度，利用分类方法把信号分成预先设定类中的某一类，根据它们在平面上的位置信息生成地震相图，地球物理学家和地质学家可以根据地震相的分布规律，揭示出地下的沉积相分布、储层和油气分布等。传统的信号分类方法在数据维度变大或数据类型复杂时，往往不能得到正确的分类结果。目前在无监督的波形分类算法中自组织神经网络能够获得较好的结果，基于自组织神经网络的无监督波形分类算法已经成为地震相分析的一种主流算法，其主要是通过不断训练来调节神经元的大小，调节的方向是使得获胜神经元在下一次训练获胜的概率更大，且使得获胜神经元周围的神经元也能在下次训练中优势突出，该算法分类效果较好，且收敛速度快。稀疏编码的研究起源于人类视觉感知的研究，研究者发现人类视觉神经元对于外界的颜色、尺度、方向、纹理等不同的刺激有着不同的反应，且某些刺激只会导致少数的神经元活动，其他大部分则没有响应，这表现为人脑的稀疏性与简约性。在对语音信号的研究实践中，科学家发现一段信号总是可以分解为一系列子信号的加权，同时这些子信号的系数满足稀疏的特性，即大部分系数为零，信号只由少数几个子信号构成，这与人类视觉机理是一种的，促进了人们对稀疏编码的进一步研究。如果能从信号集合上提取到一组过完备的字典，利用字典中的少数原子信号来表述一个复杂信号，则能实现对信号的稀疏表达，基于稀疏表达的方法实质上省去了传统方法的复杂信号的特征提取过程，却能获得较好的效果。从数学的角度，稀疏编码用来寻找一组“超完备”的基向量来高效的表示样本数据，假定输入数据X＝(x1,x2,…，xn)T为n维向量，通过找到这样一组基向量{φi}使得：因{φi}是一组超完备的基向量，因而系数ai可以满足一定的稀疏性要求，即其中大部分为零。超完备基的好处是能够方便地找到数据集中隐含的内部结构与模式，但是带来的问题是系数并不唯一。稀疏性要求的另一个解释是在实际的信号中，图像可以是少量“基本”元素的叠加。m个输入向量的稀疏编码代价函数定义为：其中，S()为惩罚函数，用来对稀疏性进行约束；式中第一项为重构误差项，这一项使得稀疏编码算法为输入向量X提供一个高拟合度的线性表达式；第二项迫使在X的表达式变得稀疏；λ为平衡因子，用它来调节两项的相对重要性。对于惩罚函数S()而言，最直接的测度应该是L0范式，即：S(ai)＝1(|ai|＞0)式(1-3)，但是由于L0范式不可导，最常用的仍然选择L1范式：S(ai)＝|ai|1式(1-4)，或对数惩罚函数：S(ai)＝log(1+ai2)式(1-5)。但是这样还不够，如果不限制φi的范围，那么通过增大φi就会有可能使得对ai的约束变得无意义，故还需要增加对基向量φi的约束，得到最终的损失代价函数：关于稀疏编码的解释除了以上基于超完备基的理论之外，还有从概率角度出发，将图像或信号看做一个生产模型，其最终的结果仍然能回到以上的代价函数上，在此不做更多介绍。KSVD是稀疏编码理论的具体实现，最早由MichalAharon提出，算法通过对误差不断降低，使其达到最小。具体的方式是对重构误差项进行SVD(SingularValueDecomposition)分解，找到其最大的特征向量作为字典的列，是一种典型的迭代优化算法，KSVD算法的具体目标函数为：其中，Y为训练数据集合，D为超完备的字典，λ为系数，F为常见范数的定义，T0为给定参数；为了求解最优化的D和λ采用迭代逼近寻优方法，具体的迭代步骤为：输入：训练数据集合Y{y1,...yi...ym}，其中yi为第i个训练信号。输出：超完备的字典D{d1,...di...dn}，其中di为字典D的第i个原子向量。Step1：固定字典D，优化系数λ，则问题可以转化为一个稀疏重构问题，典型的算法有MP(MatchingPursuit)或者OMP(OrthogonalMatchingPursuit)算法。Step2：利用上一步得到的λ，重新更新字典，将原来的目标方程改写为如下形式：其中，dk代表字典的第k列(这里单独把字典的第k列列出进行优化，问题转化为选取什么样的dk可以最大化的降低误差)。Step3：对Ek进行SVD分解，求取其最大特征值对应的特征向量作为dk。Step4：重复以上步骤，直到更新完字典所有列。上述算法中使用的匹配追踪，或正交匹配追踪算法，被用来寻找已知字典的情况，找到最有稀疏解。首先在原子库中寻找与原信号内积最大的原子，即该原子与原信号最相似，找到该原子后再将原信号减去该原子，再重复迭代，直到满足一定条件。通过匹配追踪算法可以找到基于原子库重构的最佳稀疏解，但是匹配追踪算法仅能保证信号的残余与最近选择的原子正交，却不能保证与前面选择的所有原子均正交，这限制了收敛的速度。在正交匹配追踪中，改进了残差更新公式，使得残差与前面已经选取的所有重构原子正交。基于密度峰值搜寻的聚类方法由AlexRodriguez和AlessandroLaio提出，该算法核心思想对于聚类中心有两个要求：1、密度大于邻居点密度；2、与密度更大点间的距离相对更大，下面详细描述该聚类算法：数据集标签集IS＝{1,2,...,N}，两数据点xi与xj之间距离dij＝dist(xi,xj)，可以取欧式距离，曼哈顿距离等。对任意数据点xi定义两个属性，局部密度ρi和距离δi。1、局部密度ρi：2、距离δi：表示的一个降序排列下标，即定义：每个点都能计算出两个属性值，我们定义：γi＝ρiδi式(1-12)，上式表明，γi越大说明该点越有可能是聚类中心点。
技术实现思路
本专利技术要解决的技术问题是提供一种叠后地震信号波形分类方法，通过稀疏编码降维较好地解决因数据维度变大而影响分类结果本专利技术引入的新聚类方法，相对于传统自组织神经网络方法能自动确定合适的分类数目，而且对于任意类型和特征的数据，都能获得较好的分类结果。为解决上述技术问题，本专利技术的实施例提供一种叠后地震信号波形分类方法，包括如下步骤：(1)提取本文档来自技高网...

【技术保护点】
一种叠后地震信号波形分类方法，其特征在于，包括如下步骤：(1)提取待分析的地震数据，并进行预处理；(2)使用稀疏编码方法提取地震数据中的特征数据x，并对特征数据x进行降维；(3)将步骤(2)中得到的特征数据x利用聚类算法进行分类。

【技术特征摘要】
1.一种叠后地震信号波形分类方法，其特征在于，包括如下步骤：(1)提取待分析的地震数据，并进行预处理；(2)使用稀疏编码方法提取地震数据中的特征数据x，并对特征数据x进行降维；(3)将步骤(2)中得到的特征数据x利用聚类算法进行分类。2.根据权利要求1所述的叠后地震信号波形分类方法，其特征在于，所述步骤(1)的具体步骤包括：(1-1)对算法中输入的宽方位角地震数据进行降噪；(1-2)提取待分析层位段地震数据，每个层位段地震数据的样本点数t，组成训练样本：X＝{x1,...xn}，其中，xi为维度t的向量。3.根据权利要求1所述的叠后地震信号波形分类方法，其特征在于，所述步骤(2)中：输入：字典D，目标信号y，稀疏度K，初始化残差r0＝y，索引集Λ＝φ，t＝1；输出：y在字典D中的K稀疏逼近所对应的稀疏系数；具体步骤包括：(2-1)找出残差与字典矩阵中列内积最大的项，其列号记为λ，即：(2-2)更新索引集Λ＝Λ∪{λ}，并根据更新后的索引集构建新的重构向量集合(2-3)对向量Φt和xt进行处理，通过最小二乘得到：xt＝argmin||y-Φtxt||2式(2-2)；(2-4)更新残差rt＝y-Φtxt，t＝t+1；...

【专利技术属性】
技术研发人员：石好果，张曰静，徐佑德，许涛，商丰凯，杨东根，陈林，王林，刘子超，韩梓航，于腾飞，张新见，张奉，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司勘探开发研究院西部分院，
类型：发明
国别省市：山东,37