[发明专利]一种基于多相支持向量回归机的地震波峰波谷建模方法

说明书

技术领域

本发明涉及机器学习建模方法，具体地讲，是涉及一种基于回归多相支持向量机的地震波峰波谷建模方法。

背景技术

支持向量回归机(Support Vector Regression,SVR)，作为一种高级的机器学习方法已被广泛地应用于系统辨识、预报预测、建模控制等领域。它是基于统计学理论和结构风险最小化准则建立起来的，并具有极强的泛化能力。其核心思想在于求解一个二次规划问题，不但能够保证获取全局最优解，而且能够采用核函数代替高维特征空间的点积运算，从而大大减少了复杂的计算过程。

断裂点是一种因输入变量突然改变从而导致输出变化的点，在函数里经常会出现这样影响全局变化的点，比如拐点、极大值点、极小值点等。目前，采用SVR能够很好的解决没有断裂点的函数逼近问题。由于断裂点的存在，传统的SVR方法不能得到非常好的逼近效果，此时回归多相支持向量机(mp-SVR)应运而生。

地震波的波峰波谷是地震数据的关键部分，其重要性不言而喻。因其存在于最大或最小值点，传统的反演算法很难精准地模拟出波峰波谷的准确位置。本发明通过介绍一种基于多相支持向量回归机的地震波峰波谷的预测方法能够很好的预测地震波峰波谷的位置。

遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，因其操作方便、鲁棒性好等优点被广泛的应用于非线性多目标优化问题中，其能够对目标函数进行并行、随机和自适应的全局搜索，对提高预测模型的精度和运算速度大有好处。

发明内容

为了解决上述现有技术的问题，本发明提供一种能够方便、准确、实用的地震波峰波谷的建模方法。

为了实现上述目的，本发明采用的技术方案如下：

(1)对输入数据进行属性预处理，其中包括对地震波进行去噪、滤波、矫正、偏移和叠加处理；

(2)将原始地震数据作为训练样本，建立多项支持向量回归机模型E[y/x]＝f_d(x；θ_d)；

(3)采用遗传算法对所建模型参数进行优化，并选取合适的核函数构建最佳预测模型；

(4)将利用地震反演软件获取的数据作为测试样本，利用所述预测模型进行波峰波谷的预测。

本发明具有以下有益效果：

(1)本发明采用不同的核函数将获取不同的效果，同时将多个核函数有效地结合在一起能够提高了回归多相支持向量机的预测能力，大大减小预测误差；

(2)通过本发明的回归多相支持向量机地震波峰波谷建模方法，能够提高对训练样本的拟合性能，具有较强的泛化能力，能够较好的预测出地震波的波峰和波谷位置，使得逼近的波形图像更接近与原始图形；

(3)采用遗传算法对参数进行高效优化，有益于获取最佳的建模模型。

具体实施方式

为了突出本发明的目的和优点，下面结合附图对本发明作进一步说明。

图1为本发明一种基于回归多相支持向量机的地震波峰波谷建模方法的流程图。主要包括：

(S10)对地震波进行属性预处理；

(S11)构建回归多相支持向量机的预测模型；

(S12)应用遗传算法优化模型的参数和核函数；

(S13)利用所述预测模型进行预测。

第一部分：数据预处理过程。

首先，通过地震仪器获取原始地震数据，然后对原始地震数据进行属性预处理。由于原始地震数据中可能包含一些仪器和环境等因素造成的噪声，因此有必要对原始地震数据进行去噪处理。同时，原始地震数据中可能含有一些冗余的波长，这些波长将会影响模型的预测精度和速度，因此有必要进行滤波处理。

第二部分：建模过程。

构造回归多相支持向量机模型(mp-SVR)为：E[y/x]＝f_d(x；θ_d)，γ_d-1＜x＜γ_d，d＝1,2,…,D，                       (1)在这里，f_d(·)是回归函数，θ_d是参数向量，D-1是独特断裂点γ_d的个数，γ₀和γ_D分别为输入空间中断裂点的上限和下限。