[发明专利]一种机器学习框架下高维特征约束的初至拾取方法及系统

权利要求书

1.一种机器学习框架下高维特征约束的初至拾取方法，其特征在于，包括以下步骤：

1)获取地震数据，并对地震数据进行预处理，得到地震数据的若干地震特征，所述地震特征包括能量特征、瞬时走时特征和/或基于图像分割的高维走时特征；

所述能量特征为：

其中，E(a)为能量特征，d为地震数据，a为某一采样点，w为时窗大小，E(a)为地震数据中第a点的能量；

所述瞬时走时特征为：

其中，t为地震数据的纵向采样时间，ω为角频率，Δω为频率采样间隔，ω_max为最大频率，ω_min为最小频率，T(t,ω)为瞬时走时的时频表征，且：

其中，H(t,ω)为地震数据h(t)的时频变换；

所述基于图像分割的高维走时特征的具体获取过程为：

①通过下述公式将地震数据转化为灰度图：

D₂(x,t)＝|D(x,t)|

其中，D为地震数据的二维表示，x为地震道数，t为地震数据的纵向采样时间；

②采用高斯滤波器，对灰度图D₂(x,t)进行高斯平滑处理；

③基于一阶差分，获取高斯平滑结果中每一点梯度的幅度和方向，得到灰度图中每一点的边缘强度和法向矢量；

④采用非极大值，根据灰度图中每一点的边缘强度和法向矢量，确定灰度图的边缘点；

⑤采用双阈值算法，连接各边缘点，得到初至走时基于图像分割的高维走时特征；2)将得到的若干地震特征作为样本输入至预先构建的改进度量方式的模糊聚类算法框架中，对地震数据的地震特征进行筛选，使得地震数据中提取的若干地震特征自动分为初至走时和非初至走时两类，完成地震初至走时的拾取，所述改进度量方式的模糊聚类算法框架的构建过程为：

a)确定基于子波相位的特征度量方式；

b)根据确定的基于子波相位的特征度量方式，构建改进度量方式的模糊聚类算法框架；

所述步骤a)中基于子波相位的特征度量方式为：

L₂(x_j,c_i)＝max_pcos(x_j,W(c_i,p))

其中，L₂(x_j,c_i)为样本x_j与类中心c_i局部区域内的相位变化，W为一个窗函数，p为窗函数的大小。

2.如权利要求1所述的一种机器学习框架下高维特征约束的初至拾取方法，其特征在于，所述步骤b)的具体过程为：

I)初始化隶属度，使其满足约束条件；

II)计算地震特征的类中心c_i：

其中，u_ij为隶属度，x_j为某一样本，c_i为某一类i的类中心，n为样本个数，m为一个隶属度的因子；

III)采用基于子波相位的特征度量方式，计算地震特征的子波相位变化L₂(x_j,c_i)，如果地震特征的子波相位变化L₂(x_j,c_i)小于预设的阈值，则停止迭代，使得地震数据中代表初至走时的地震特征与代表非初至的地震特征分开，完成地震特征的分类；如果地震特征的子波相位变化L₂(x_j,c_i)不小于预设的阈值，则进入步骤IV)；

IV)根据下述公式，计算新的隶属度，并进入步骤II)：

其中，c_k为第k类的类中心，c为类中心的个数。

3.如权利要求2所述的一种机器学习框架下高维特征约束的初至拾取方法，其特征在于，所述步骤I)中的约束条件为：

4.一种机器学习框架下高维特征约束的初至拾取系统，其特征在于，包括：

地震特征获取模块，用于获取地震数据，并对地震数据进行预处理，得到地震数据的若干地震特征，所述地震特征包括能量特征、瞬时走时特征和/或基于图像分割的高维走时特征；

所述能量特征为：

其中，E(a)为能量特征，d为地震数据，a为某一采样点，w为时窗大小，E(a)为地震数据中第a点的能量；

所述瞬时走时特征为：

其中，t为地震数据的纵向采样时间，ω为角频率，Δω为频率采样间隔，ω_max为最大频率，ω_min为最小频率，T(t,ω)为瞬时走时的时频表征，且：

其中，H(t,ω)为地震数据h(t)的时频变换；

所述基于图像分割的高维走时特征的具体获取过程为：

①通过下述公式将地震数据转化为灰度图：

D₂(x,t)＝|D(x,t)|

其中，D为地震数据的二维表示，x为地震道数，t为地震数据的纵向采样时间；

②采用高斯滤波器，对灰度图D₂(x,t)进行高斯平滑处理；

③基于一阶差分，获取高斯平滑结果中每一点梯度的幅度和方向，得到灰度图中每一点的边缘强度和法向矢量；

④采用非极大值，根据灰度图中每一点的边缘强度和法向矢量，确定灰度图的边缘点；

⑤采用双阈值算法，连接各边缘点，得到初至走时基于图像分割的高维走时特征；

地震特征筛选模块，用于将得到的若干地震特征作为样本输入至预先构建的改进度量方式的模糊聚类算法框架中，对地震数据的地震特征进行筛选，使得地震数据中提取的若干地震特征自动分为初至走时和非初至走时两类，完成地震初至走时的拾取，所述改进度量方式的模糊聚类算法框架的构建过程为：

a)确定基于子波相位的特征度量方式；

b)根据确定的基于子波相位的特征度量方式，构建改进度量方式的模糊聚类算法框架；

所述步骤a)中基于子波相位的特征度量方式为：

L₂(x_j,c_i)＝max_pcos(x_j,W(c_i,p))

其中，L₂(x_j,c_i)为样本x_j与类中心c_i局部区域内的相位变化，W为一个窗函数，p为窗函数的大小。