张量深度自编码网络的宽方位叠前地震反射模式分析方法技术

本发明专利技术提供了一种张量深度自编码网络的宽方位叠前地震反射模式分析方法，包括以下步骤：S1、数据预处理：根据地震反射模式分析的层位目标，提取目标层位宽方位叠前地震数据，形成三维张量样本集；S2、利用样本集训练TDAEN网络；S3、获得样本集的深层特征；S4、结合SOM聚类算法对步骤S3获得的深度特征进行聚类，生成地震相划分结果。本发明专利技术采用高维数据表示的张量模型，而且通过张量积的运算模型分析，基于张量的权值网络拥有更少的权值参数，能够更充分进行特征表达。因此，基于张量的学习网络比基于向量(矩阵)的深度学习模型更加适合宽方位角数据的处理。

【技术实现步骤摘要】
张量深度自编码网络的宽方位叠前地震反射模式分析方法
本专利技术属于地球物理勘探解释
，特别涉及一种张量深度自编码网络的宽方位叠前地震反射模式分析方法。
技术介绍
基于宽方位角叠前地震数据的岩性识别以及裂隙识别方法研究在地震资料解释处理中具有十分广阔的应用前景，特别是随着勘探技术逐渐改善，基于宽方位角叠前地震数据反射模式分析方法开始逐渐发展起来。由于叠前道集内的数据之间具有非常高的相似性，而数据中的噪声却具有随机性。因此，利用相邻多道叠前地震数据进行联合深度特征提取，能够提高深度特征提取的鲁棒性。叠前角道集数据特征提取可以通过图像的方式进行，而宽方位叠前地震数据是一个三维数据体。利用宽方位角叠前地震数据进行反射模式分析时，多个宽方位角叠前数据则会构成一个四维数据体，因此，基于图像的深度学习模型已经不适合于宽方位角叠前地震数据的反射模式分析。
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，提供一种采用高维数据表示的张量模型，而且通过张量积的运算模型分析，基于张量的权值网络拥有更少的权值参数，能够更充分进行特征表达的本文档来自技高网...

【技术保护点】
1.张量深度自编码网络的宽方位叠前地震反射模式分析方法，其特征在于，包括以下步骤：/nS1、数据预处理：根据地震反射模式分析的层位目标，提取目标层位宽方位叠前地震数据，形成三维张量样本集；/nS2、利用样本集训练TDAEN网络；/nS3、获得样本集的深层特征；/nS4、结合SOM聚类算法对步骤S3获得的深度特征进行聚类，生成地震相划分结果。/n

【技术特征摘要】
1.张量深度自编码网络的宽方位叠前地震反射模式分析方法，其特征在于，包括以下步骤：
S1、数据预处理：根据地震反射模式分析的层位目标，提取目标层位宽方位叠前地震数据，形成三维张量样本集；
S2、利用样本集训练TDAEN网络；
S3、获得样本集的深层特征；
S4、结合SOM聚类算法对步骤S3获得的深度特征进行聚类，生成地震相划分结果。


2.根据权利要求1所述的张量深度自编码网络的宽方位叠前地震反射模式分析方法，其特征在于，所述步骤S1具体实现方法为：对于待分析数据宽方位叠前地震数据用三维张量集表示，其中N＝nxny，nx，ny，na，no，和nt分别表示宽方位角叠前道集中xline、yline、方位角、时间采样和偏移剖面的数目，代表域。


3.根据权利要求1所述的张量深度自编码网络的宽方位叠前地震反射模式分析方法，其特征在于，所述步骤S2包括以下子步骤：
S21、利用宽方位叠前数据集构建宽方位叠前数据的特征张量具体实现方法为：构造稀疏张量自动编码器提取宽方位叠前数据的特征张量稀疏张量自动编码器是一个具有编码层、特征层和解码层的三层神经网络：
在编码层使用一组字典或投影的仿射变换以及偏置张量将输入张量集映射到隐藏层，得到的特征张量表示为其中L是隐藏层数；lk，lk+1，m，n为张量维度的大小，由输入数据确定；采用Sigmoid函数作为层间激活函数，则输出的特征张量的各层表示为：



其中，符号是张量与权值张量的张量积，是第k层到第k+1层的权值张量，表示每个输入的偏置，经过L层隐藏层，从而得到隐层输出的特征张量，σ(·)为Sigmoid激活函数；
接着，特征张量经过解码层逐层解码得到输出张量



其中和二者分别是解码层中的权张量和偏置张量；因为TDAEN是对称的自...

【专利技术属性】
技术研发人员：钱峰，冯令田，廖松杰，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