【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，自编码器受到了越来越多的关注。一种基于稀疏编码的自编码器模型通过增加一个稀疏性约束来防止自编码器学习到无用的特征表示。随着深度学习技术的不断发展，自编码器也得到了进一步的改进。一种称为深度自编码器(deep autoencoder)的模型利用多个隐藏层来学习分层特征表示，从而更好地捕捉数据的复杂结构。在提出去噪自编码器(denoising autoencoder)被设计用于学习数据中
3、现已研究出的编码器主要包括：自编码器(autoencoder)：自编码器是一种无监督学习的神经网络模型，可以将输入数据压缩到一个低维表示，并通过解码器进行重建。自编码器通常包括编码器和解码器两个部分，其中编码器将输入数据映射到低维表示，解码器将低维表示映射回原始数据空间。变分自编码器(variational autoencoder，vae)：vae是一种生成模型，可以学习数据的潜在分布，并通过解码器生成新样本。与传统自编码器不同，vae在编码器输出的低维表示上加入了随机噪声，并通过最大化似然函数来学习数据的分布。卷积自编码器(convolutional autoencoder)：卷积自编码器是一种适用于图像数据的自编码器，它使用卷积层替代全连接层，可以更好地处理图像数据中的局部结构和空间关系。递归神经网络编码器(recurrent neural network encoder，rnn encoder)：rnn编码器是一种适用于序列数据的编码器，可以将序列数据转换为固定维度的向量表示。它使用递归神经网络对序列数据进行建模，并将最后一个隐状态作为序列的向量表示。卷积神经网络编码器(convolutional neural network encoder，cnn encoder)：cnn编码器是一种适用于图像数据的编码器，可以将图像数据转换为固定维度的向量表示。它使用多个卷积层和池化层对图像进行特征提取，并将提取的特征映射到低维空间。生成对抗网络编码器(generative adversarial network encoder，gan encoder)：gan编码器是一种适用于图像数据的编码器，与传统自编码器不同的是，它使用生成对抗网络对编码器和解码器进行训练，以获得更好的图像重建效果。但是，目前的自编码器在对高维数据进行编码过程中可能会丢失重要的结构信息，导致降维后的表示难以有效地还原原始数据。
技术实现思路
1、本专利技术的目的在于提供基于流形自编码器的地震属性优化方法，以解决现有技术中存在的目前检测系统在检测效率和准确性方面仍然有待进一步提升的问题。
2、为达到上述目的，本专利技术采用如下技术方案：
3、基于流形自编码器的地震属性优化方法，具体包括如下步骤：
4、步骤1：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；
5、步骤2：对高维属性数据集进行数据处理，得到数据a；
6、步骤3：向数据a中加入随机噪声，作为输入数据，输入数据映射到隐藏层中；经编码器的编码层、解码层、输出层后得到特征激活值，利用特征激活值得到重构数据；
7、步骤4：向编码器中加入以t-sne为约束的惩罚因子，得到损失函数；
8、步骤5：基于损失函数得到重构数据与输入数据之间的差异数据；
9、步骤6：利用差异数据训练编码器，从中提取输入数据中的有效特征，并通过有效特征进行识别、分类和聚集，从而对地震属性进行优化。
10、在一些实施方式中，步骤1中，多维地震属性剖面包括：
11、叠前和/或叠后地震数据的混沌体，相位余弦，瞬时带宽，瞬时频率，瞬时相位，瞬时质量，等频率分量，均方根振幅，甜点，方差以及反射强度的属性剖面。
12、在一些实施方式中，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)：
13、
14、其中，x(n)为假设n个属性样本，x为特征维度，x1(n)为归一化后的属性数据，minn(x(n))和maxn(x(n))分别为数据x在所有样本上的最小值和最大值。
15、在一些实施方式中，步骤3中，随机噪声包括随机高斯白噪声。
16、进一步地，步骤3具体包括：
17、属性样本添加高斯白噪声后得到加噪地震属性数据；将加噪地震属性数据作为编码层的输入，通过如下公式(2)线性映射及非线性激活函数对样本进行编码：
18、
19、其中，h为自编码器的隐藏层输出，w为编码层与输入层之间的权值矩阵，be为编码层的节点偏置，g(·)为节点激活函数；
20、通过解码层得到样本的重构解码过程如下公式(9)：
21、
22、其中，bd为解码层的节点偏置，wt为解码层权值矩阵；
23、通过采用公式(10)求取损失函数j的最小值，编码器的训练目标即是使损失函数达到最小值：
24、
25、其中，w表示权重，b表示偏置；
26、在训练过程中，通过梯度下降的优化算法调整w和b的值，使损失函数j(w,b)最小。
27、在一些实施方式中，步骤4具体包括：
28、将t-sne的kl散度公式作为惩罚因子加到自编码器中，改进的kl散度公式如下：
29、
30、其中，c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：
6.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4具体包括：
7.根据权利要求6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4中，将联合概率pij分布代替条件概率分布，联合概率定义为：
8.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5具体包括：
9.根据权利要求1所述的基于流形自编
10.根据权利要求9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，K-means聚类分析具体包括：初始化k个聚类中心{C1,C2,C3,...,Ck}，其中k的取值范围为1到n，计算每个对象与每个聚类中心之间的欧式距离，公式如下：
...【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。