[发明专利]基于深度自适应聚类的叠前地震数据反射模式分析方法

权利要求书

1.基于深度自适应聚类的叠前地震数据反射模式分析方法，其特征在于包括以下步骤：

S1、对叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式；

S2、训练深度自适应聚类网络；

S3、利用训练好的深度自适应聚类网络对地震数据进行反射模式分析：将叠前地震数据进行预处理，将高维地震数据转换成二维矩阵数据集的形式，然后将二维数据矩阵集输入地震相分类网络中，得到地震相分类结果。

2.根据权利要求1所述的基于深度自适应聚类的叠前地震数据反射模式分析方法，其特征在于，所述深度自适应聚类网络包括依次顺连的输入层、卷积层1、卷积层2、池化层、卷积层3、全连接层1、全连接层2和输出层。

3.根据权利要求1所述的基于深度自适应聚类的叠前地震数据反射模式分析方法，其特征在于，所述S2包括以下子步骤：

S21、将二维矩阵数据集划分为n/m批样本，n为二维矩阵数据集中样本总数量，初始化k＝1；

S22、从二维矩阵数据集X中选择第k批样本Xk，每批样本包含m个二维矩阵数据，输入深度自适应聚类网络进行训练；

S23、建立叠前二维矩阵数据深度聚类的目标函数E(w)，其值为深度聚类网络的优化方向，表示为：

其中t_ij为二进制变量；w为优化模型函数中的参数；P(t_ij，g(x_i，x_j；w))用来计算t_ij和g(x_i，x_j；w)之间的相似度，其计算公式为：

g(x_i，x_j；w)表示两个二维矩阵数据x_i和x_j之间的距离；

S24、计算两个二维矩阵数据x_i和x_j之间的距离g(x_i，x_j；w)：

g(x_i，x_j；w)＝f(x_i；w)·f(x_j；w)＝l_i·l_j (3)

其中，l_i、l_j分别表示二维矩阵数据x_i、x_j的标签特征，l_i、l_j是x_i、x_j的e维标签特征；对l_i、l_j有并且l_ih≥0，l_jh≥0，l_ih、l_jh分别表示l_i、l_j中第h个元素；|| ||₂表示求二范数，i≠j；f(x_i；w)、f(x_j；w)是映射函数，表示将输入二维地震数据形映射成标签特征；l_i、l_j通过卷积神经网络计算得到；

S25、添加二进制变量t_ij：

u(λ)和l(λ)是选取样本的阈值，t_ij＝1表示样本矩阵x_i和x_j属于同一类，t_ij＝0表示样本矩阵x_i和x_j不属于同一类；

其中当w固定时，将目标函数E(w)简化为E(λ)：

根据梯度下降算法，在每次迭代中，λ的更新规则写为：

其中η是λ的学习率；

S26、将目标函数重写为下列形式：

v_ij是一个指标系数：

S27、通过最小化目标函数(7)更新w；令k＝k+1，若k＞n/m则执行S28，否则返回S22；

S28、样本全部训练结束后，根据(6)更新λ，判断l(λ)＞u(λ)是否成立，若是则执行S3，否则返回S21。