獲取地震相最佳分類數(shù)目的方法
【技術領域】
[0001] 本發(fā)明總體來說涉及地震資料解釋領域。更具體地講，涉及一種獲取地震相最佳 分類數(shù)目的方法。
【背景技術】
[0002] 基于地震信號的波形分類處理是地震解釋人員進行地下儲層和地層結構分析的 重要手段。合理且準確的地震信號波形分類結果能夠真實地反映地下儲層和地層結構構 造，從而有利于地震解釋人員對地下構造進行準確的構造解釋。通常，波形分類處理的常用 方式是基于地震道的形狀變換將地震數(shù)據(jù)的樣點值的變化轉換成地震道形狀的變化，由于 地層的任何物性參數(shù)的變化總是反映在地震道波形形狀的變化上，因此，這些變化可指示 目標區(qū)域內的地震信號形狀的多樣性，如果將波形相似的地震道歸為一類，波形不同的歸 為不同的類，那么可通過圖上顏色的分布來真實地反映地下儲層和地層結構構造。
[0003] "相"（facies)的本意指"面貌"或"特征"，而"地震相"反映的是地震反射的面貌或 特征，通常以地震反射的振幅、頻率、連續(xù)性及反射結構等參數(shù)作為地震相的定義依據(jù)。地 震相分析即是對這些反射參數(shù)的進行識別、描述和地質解釋。地震相分析的目的是，以層序 或體系域為單位，確定地震層序或體系域內部地震反射參數(shù)的變化，以便確定沉積相或流 體性質的橫向變化。
[0004] 傳統(tǒng)的地震相分析大多采用定性的人工識別方法，對地震相進行分類和填圖，稱 之為"相面法"。近年來，隨著地震屬性分析、神經網絡等方法的引入，地震相分析向定量化 方向發(fā)展?，F(xiàn)有的基于神經網絡的地震相識別方法通常采用的是自組織映射的神經網絡 (S0M)、曼哈頓距離等聚類分析方法，算法中模擬人腦思維，識別不同目標的特征，并且使得 有可能與其它相似的種類保持關系。因此，能夠對地震波形自行自動識別與劃分，并且能較 好地解決了地震相識別問題，而在地震資料解釋過程中，不僅要實現(xiàn)地震相的自動分類還 要提供地震相的分類數(shù)目，但是，現(xiàn)有的聚類算法無法確定地震相的最佳分類數(shù)目。

【發(fā)明內容】

[0005] 本發(fā)明示例性實施例的目的在于提供一種獲取地震相最佳分類數(shù)目的方法，根據(jù) 所述方法，能夠克服現(xiàn)有的聚類算法無法確定地震相的最佳分類數(shù)目的缺陷。
[0006] 根據(jù)本發(fā)明的示例性實施例，提供一種獲取地震相最佳分類數(shù)目的方法，包括： (A)提取地震信號的波形特征值；（B)根據(jù)地震信號的波形特征值確定地震信號的多尺度奇 異性特征；（C)將多個預設地震相聚類組數(shù)目中的每個預設地震相聚類組數(shù)目作為無監(jiān)督 聚類的聚類數(shù)目，針對每個預設地震相聚類組數(shù)目，分別對所述地震信號的多尺度奇異性 特征進行無監(jiān)督聚類，以獲取在每個預設地震相聚類組數(shù)目下的地震相聚類結果；（D)基于 所述地震相聚類結果，通過K均值聚類算法對所述地震相聚類結果進行處理，以得到地震相 的最佳分類數(shù)目。
[0007] 可選地，所述地震信號的波形特征值指示反映地震波波形形狀的特征值。
[0008] 可選地，步驟(B)包括:對所述地震信號的波形特征值進行離散小波變換，將變換 后得到的地震信號的模極大值連線的幅值作為地震信號的多尺度奇異性特征。
[0009] 可選地，步驟(C)包括:將多個預設地震相聚類組數(shù)目中的每個預設地震相聚類組 數(shù)目作為無監(jiān)督聚類的聚類數(shù)目，針對每個預設地震相聚類組數(shù)目，分別利用自組織神經 網絡算法對所述地震信號的多尺度奇異性特征進行無監(jiān)督聚類，以獲取每個預設地震相聚 類組數(shù)目下的所述地震信號的多尺度奇異性特征的聚類組，其中，每個聚類組包括多個成 員。
[0010] 可選地，在步驟(C)中，通過以下步驟獲取任意一個預設地震相聚類組數(shù)目下的所 述地震信號的多尺度奇異性特征的聚類組：（C1)初始化自組織神經網絡，其中，所述自組織 神經網絡包括多個神經元，對每個神經元隨機初始化參考權值向量，給定學習率函數(shù)的初 值和初始鄰域尺寸；（C2)提供輸入樣本中的一個時間點的地震信號的多尺度奇異性特征以 確定獲勝神經元，其中，所述輸入樣本為地震信號的多尺度奇異向特征，輸入樣本中與所有 神經元所對應的參考權值向量的歐式距離最小的神經元為獲勝神經元；（C3)更新獲勝神經 元和其鄰域內其他神經元的權值向量，其中，學習率函數(shù)和鄰域函數(shù)隨著迭代次數(shù)衰減； (C4)重復步驟(C2)至(C3)進行迭代，當滿足最大迭代次數(shù)時，無監(jiān)督聚類過程結束，輸出所 述任意一個預設地震相聚類組數(shù)目下的所述地震信號的多尺度奇異性特征的聚類組。
[0011] 可選地，步驟(D)包括：（D1)利用所述獲取的每個預設地震相聚類組數(shù)目下的所述 地震信號的多尺度奇異性特征的聚類組來確定每個預設地震相聚類數(shù)目下的K均值聚類評 估指標；（D2)將多個預設地震相聚類組數(shù)目下的K均值聚類評估指標中的最小K均值聚類評 估指標所對應的地震相預設聚類數(shù)目作為地震相最佳分類數(shù)目。
[0012] 可選地，在步驟(D1)中，通過下面的等式確定一個預設地震相聚類組數(shù)目下的K均 值聚類評彳士
[0013]
[0014] 其中，DBIk表示在預設地震相聚類組數(shù)目為K時的K均值聚類評估指標，SP表示第p 聚類組中的每個成員與第P聚類組的聚類中心的平均距離，Si表示第1聚類組中的每個成員 與第1聚類組的聚類中心的平均距離，d pl表示第p聚類組的聚類中心與第1聚類組的聚類中 心之間的距離。
[0015] 在根據(jù)本發(fā)明示例性實施例的獲取地震相最佳分類數(shù)目的方法中，能夠獲取地震 相的最佳分類數(shù)目，使得地震相自動劃分的結果更加客觀，很好地滿足了復雜地下地質情 況勘探的需求。
【附圖說明】
[0016] 通過下面結合附圖進行的詳細描述，本發(fā)明示例性實施例的上述和其它目的、特 點和優(yōu)點將會變得更加清楚，其中：
[0017] 圖1示出根據(jù)本發(fā)明示例性實施例的獲取地震相最佳分類數(shù)目的方法的流程圖；
[0018] 圖2示出根據(jù)本發(fā)明示例性實施例的獲取任意一個預設地震相聚類數(shù)目下的所述 地震信號的多尺度奇異性特征的聚類組的步驟的流程圖；
[0019] 圖3示出根據(jù)本發(fā)明示例性實施例的通過K均值聚類算法對所述地震相聚類結果 進行處理以得到地震相的最佳分類數(shù)目的步驟的流程圖。
【具體實施方式】
[0020] 現(xiàn)將詳細參照本發(fā)明的示例性實施例，所述實施例的示例在附圖中示出，其中，相 同的標號始終指的是相同的部件。以下將通過參照附圖來說明所述實施例，以便解釋本發(fā) 明。
[0021] 圖1示出根據(jù)本發(fā)明示例性實施例的獲取地震相最佳分類數(shù)目的方法的流程圖。 這里，作為示例，所述方法可由用于獲取地震相最佳分類數(shù)目的設備來實現(xiàn)，也可完全通過 計算機程序來實現(xiàn)。
[0022] 如圖1所示，在步驟S100,提取地震信號的波形特征值。作為示例，所述地震信號的 波形特征值可指示反映地震波波形形狀的特征值。這里，所提取的地震信號的波形特征值 可以是多個不同時間點的地震信號的波形特征值。
[0023] 在步驟S200,根據(jù)地震信號的波形特征值確定地震信號的多尺度奇異性特征。這 里，作為示例，可對所述地震信號的波形特征值進行離散小波變換，將變換后得到的地震信 號的模極大值連線的幅值作為地震信號的多尺度奇異性特征。
[0024] 在步驟S300，將多個預設地震相聚類組數(shù)目中的每個預設地震相聚類組數(shù)目作為 無監(jiān)督聚類的聚類數(shù)目，針對每個預設地震相聚類組數(shù)目，分別對所述地震信號的多尺度 奇異性特征進行無監(jiān)督聚類，以獲取在每個預設地震相聚類組數(shù)目下的地震相聚類結果。
[0025] 這里，所述多個預設地震相聚類組數(shù)目可以是根據(jù)經驗預先設置的。作為示例，可 將多個預設地震相聚類組數(shù)目中的每個預設地震相聚類組數(shù)目作為無監(jiān)督聚類的聚類數(shù) 目，針對每個預設地震相聚類組數(shù)目，分別利用自組織神經網絡算法對所述地震信號的多 尺度奇異性特征進行無監(jiān)督聚類，以獲取每個預設地震相聚類組數(shù)目下的所述地震信號的 多尺度奇異性特征的聚類組，其中，每個聚類組包括多個成員。
[0026] 下面，將結合圖2來詳細描述根據(jù)本發(fā)明示例性實施例的獲取任意一個預設地震 相聚類數(shù)目下的所述地震信號的多尺度奇異性特征的聚類組的步驟。
[0027] 圖2示出根據(jù)本發(fā)明示例性實施例的獲取任意一個預設地震相聚類數(shù)目下的所述 地震信號的多尺度奇異性特征的聚類組的步驟的流程圖。
[0028] 如圖2所示，在步驟S310,初始化自組織神經網絡，其中，所述自組織神經網絡包括 多個神經元，對每個神經元隨機初始化參考權值向量，給定學習率函數(shù)的初值和初始鄰域 尺寸。
[0029]在步驟S320,提供輸入樣本中的一個時間點的地震信號的多尺度奇異性特征以確 定獲勝神經元，其中，所述輸入