基于流形自编码器的地震属性优化方法技术

本发明专利技术提供基于流形自编码器的地震属性优化方法，基于地震数据求取多维地震属性剖面，获得高维属性数据集；对高维属性数据集进行数据处理，向处理后的数据中加入随机噪声作为输入数据；编码器得到特征激活值，利用特征激活值得到重构数据；向编码器中加入以t‑SNE为约束的惩罚因子，得到损失函数；基于损失函数得到重构数据与输入数据之间的差异数据；利用差异数据训练编码器，提取输入数据中的有效特征，通过有效特征进行分类识别、聚集。本发明专利技术结合流形学习算法和自编码器，对地震属性数据进行降维，使编码器在针对高维数据中相对不丢失重要的结构信息，在降维后可有效还原原始数据，得到优化属性。为后续的地震属性应用提供基础。

【技术实现步骤摘要】

本专利技术属于地震属性数据处理，具体涉及一种基于流形自编码器的地震属性优化方法。

技术介绍

1、自编码器的设计灵感源自对动物视觉系统中信息处理的研究。研究发现，大脑的视觉皮层中存在着一种编码机制，称为“反馈连接”。这些反馈连接允许神经元在自我调整的过程中学习信息的表示，并生成能够重构原始输入信号的新表示。自编码器的基本思想是通过将输入数据经过编码器(encoder)映射到一个低维的隐藏层表示，然后再通过解码器(decoder)将隐藏层表示映射回原始数据的空间。在训练过程中，自编码器旨在最小化输入与重构输出之间的重构误差，从而使得隐藏层表示能够捕捉输入数据的重要特征。如一种基于多层感知机(multi-layer perceptron,mlp)的自编码器模型。这些模型可以通过反向传播算法进行训练，但由于计算资源和训练算法的限制，这些模型在实际应用中存在一定的局限性。为了解决自编码器的过拟合问题，“tied autoencoder”的模型采用参数共享的方式来减少网络中的参数数量，从而减轻模型的过拟合情况。

2、作为一种改进，随着深度学习的兴起，自编码本文档来自技高网...

【技术保护点】

1.基于流形自编码器的地震属性优化方法，其特征在于，具体包括如下步骤：

2.根据权利要求1所述的基于流形自编码器的地震属性优化方法，其特征在于，步骤1中，多维地震属性剖面包括：

3.根据权利要求1所述的基于流形自编码器的地震属性优化方法，其特征在于，步骤2中，数据处理采用归一化处理，以统一不同属性的量纲；归一化后的属性数据如下公式(1)：

4.根据权利要求1所述的基于流形自编码器的地震属性优化方法，其特征在于，步骤3中，随机噪声包括随机高斯白噪声。

5.根据权利要求4所述的基于流形自编码器的地震属性优化方法，其特征在于，步骤3具体包括：...

【技术特征摘要】

1.基于流形自编码器的地震属性优化方法，其特征在于，具体包括如下步骤：

2.根据权利要求1所述的基于流形自编码器的地震属性优化方法，其特征在于，步骤1中，多维地震属性剖面包括：

3.根据权利要求1所述的基于流形自编码器的地震属性优化方法，其特征在于，步骤2中，数据处理采用归一化处理，以统一不同属性的量纲；归一化后的属性数据如下公式(1)：

4.根据权利要求1所述的基于流形自编码器的地震属性优化方法，其特征在于，步骤3中，随机噪声包括随机高斯白噪声。

5.根据权利要求4所述的基于流形自编码器的地震属性优化方法，其特征在于，步骤3具体包括：

6.根据权利要求1所述的基于流形自编码器的地震...

【专利技术属性】
技术研发人员：赵静，雷豪杰，李阳，周福骁，张佛库，崔佳乐，阮仕景，田昌饶，周文豪，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：