[发明专利]一种叠前地震信号波形分类方法

说明书

技术领域

本发明涉及地震数据处理领域，尤其涉及一种地震信号波形分类方法。

背景技术

波形分类作为地球物理勘探技术的一个重要技术为油层预测储存和勘探也发挥了很多的作用，成为了石油勘探领域中的一个重要技术。波形分类在地质的研究中也发挥中很重要的作用，特别在识别沉积相结构。波形分类算法的结果最终的效果取决于在进行分类的时候是否已经拥有当地的实际地质信号以及该地质信号含有的准确地震相个数。在三维地质波形分类未引入到石油勘探之前，人们对石油分布的预测主要是通过有经验的地质工作者按照往常的经验及知识来进行分析。这样的需要大量的人力物力，并且由于人为的介入过多，得出的结果不够有说服力，并且实际应用也往往出现问题。

在地震学技术引入到石油勘探的过程中，人们慢慢发现对地震数据进行科学准确的前期预测能够在石油开采过程中起到很大的作用，在降低人力物力的成本投入的同时加快了勘探的开采速度。而三维地震信号波形分类作为地震学的一个重要分支，也起到举足轻重的作用。三维波形分类通过分析地下信号(这些信号是通过放炮然后通过传感器采集返回的信号振幅)，然后根据通过对这些信号进行特征提取，用提取出来的特征来表征原来的信号，然后分类算法根据这些特征的相似度，把信号分成设定好类别中的某一类，根据它们在平面上的位置信息生成地震相图。人们可以根据地震相的情况预测出地下的信息情况。

目前在无监督的波形分类算法中自组织神经网络能够获得很好的结果，使它已经成为解决无监督波形分类问题的一种主流算法。该方法分类效果好且收敛速度快；它主要是通过不断训练来调节神经元的大小，调节的方向是使得获胜神经元在下一次训练获胜的概率更大，且使得获胜神经元周围的神经元也能在下次训练中优势提高。

传统的信号分类方法主要针对的是叠后信号，叠后信号是对叠前信号的粗略简化，数据量虽降低，但是也以损失大量各向异性信息为代价。同时传统针对叠后信号得到的分类结果也越来越无法满足当前油气勘探中对地震资料解释精度越来越高的要求，而传统波形分类方法无法处理高维度的叠前数据。

发明内容

本发明为解决上述技术问题，提出了一种叠前地震信号波形分类方法，首先提取数据，并降噪，得到所有方位角数据的整合；然后使用DBN的预训练提取特征和降维；利用上一步得到的特征数据进行SOM训练；将SOM的神经元权值作为FCM算法初始簇中心；相对于传统方法降低了时间复杂度。

本发明采用的技术方案是：一种叠前地震信号波形分类方法，包括：

S1、对输入的宽方位角地震数据降噪处理；

S2、对经步骤S1得到的数据提取层位段数据，得到原始训练样本；具体为：每个层位数据样本点数t，m个方位角数据组成训练样本X＝{x₁,...x_n}，x_i维度为t×m，i＝1,2,…,n， n表示训练样本的个数；

S3、对步骤S2得到的原始训练样本，根据构建深度置信网络中的限制玻尔兹曼机网络提取特征数据；具体包括以下分步骤：

S31、输入原始训练样本，获取原始训练样本的维度；

S32、初始化K层限制玻尔兹曼机网络节点数；

S33、将上一层限制玻尔兹曼机网络的输出作为下一层限制玻尔兹曼机网络的输入，依次训练每一层限制玻尔兹曼机网络；

S34、输出提取的特征数据；

S4、将步骤S3提取的特征数据输入自组织神经网络训练，将得到的神经元权值向量作为模糊C均值的初始簇中心，当FCM训练终止时，得到分类结果。

进一步地，步骤S1所述的降噪处理为采用结构导向滤波实现降噪。

进一步地，步骤S4具体包括以下分步骤：

S41、输入步骤S3提取的特征数据，并初始化SOM参数；

S42、进行SOM训练，当迭代次数大于预设阀值，得到神经元；

S43、将步骤S42得到的神经元作为FCM初始簇中心；

S44、计算每个样本对每个簇的隶属度，然后更新簇中心；

S45、判断隶属度变化率是否小于预设值ε，若是则输出分类结果，否则返回步骤S44。

更进一步地，所述隶属度变化率是指当前计算出来的隶属度减去相邻一次计算出来的隶属度，然后除以相邻一次计算出来的隶属度得到的值。