核聚类法地震相自动识别研究

《核聚类法地震相自动识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：密级：UDC：编号：河北工业大学硕士学位论文核聚类法地震相自动识别研究论文作者：郝茜茜学生类别：全日制学科门类：工学学科专业：通信与信息系统指导教师：周亚同职称：教授资助基金项目：中国博士后科学基金（2014M561053）ThesisSubmittedtoHebeiUniversityofTechnologyforTheMasterDegreeofCommunicationandInformationSystemResearchonautomaticrecognitionofseismicfaciesbykernelclusteringalgorithmByHaoXi

2、xiSupervisor:Prof.ZhouYatongApril2017ThisworkwassupportedbyChinaPostdoctoralScienceFoundation.（2014M561053）摘要地震相识别是根据地震数据的内蕴结构，将之划分为不同的地震结构单元。地震相识别是一个典型的模式识别问题，首先从地震数据中提取多个特征（属性），然后借助聚类等模式识别算法划分地震相。本文采用核聚类识别地震相，研究内容如下：(1)基于近似核K均值聚类的地震相识别研究考虑到核K均值聚类在计算核矩阵时需要所有样本参与，时间和空间复杂度高而不适用于地震相识别。本文采用近似核K

3、均值聚类（简称AKK均值聚类）对地震相进行识别。首先从全部样本中抽取小部分样本构成一个核子空间，然后在此子空间中采用小部分样本的线性组合去逼近聚类中心，从而规避了计算全部样本的核矩阵问题，在不降低聚类准确度的前提下大幅降低了时间和空间复杂度。实验表明此算法不仅可以快速准确识别地震反射结构单元，而且识别效果比K均值聚类、谱聚类和Nystrom聚类要好。(2)基于多视角加权近似核K均值聚类的地震相识别研究构建了一种基于多视角加权近似核K均值聚类（简称MV-AKK均值聚类）算法并将其用于地震相识别。首先从多个地震属性中依次选取少量抽样样本，计算每个属性的抽样核矩阵；其次根据每个属性的

4、抽样核矩阵最小化迭代约束条件，自动确定各属性的权重；最后将各属性的抽样核矩阵加权，并将加权的核矩阵用于AKK均值聚类。将MV-AKK均值聚类应用于荷兰北海实际地震数据，与单属性聚类、K均值聚类、AKK均值聚类、SOM聚类对比均表明，MV-AKK均值聚类的效果更好。(3)基于半监督核均值漂移聚类的地震相识别研究研究基于半监督核均值漂移聚类的地震相自动识别算法，有效结合了半监督学习和核均值漂移聚类的优势，不用人为给定聚类个数，并且在聚类过程中方便引入少量地震相先验信息，从而有效提升地震相识别的准确性。理论数据聚类展示了该算法对地震相中的多个结构单元识别准确度较高。北海实际数据聚类结

5、果表明，该识别算法可以得到合理的地震相个数，与其它六种聚类算法的结果相比，本算法划分的地震相结构层次分明且能够区分细小微层。关键字：地震相识别近似核K均值聚类多视角学习半监督核均值漂移聚类模式识别IABSTRACTSeismicfaciesidentificationisdividedintodifferentseismicstructuralunitsaccordingtotheintrinsicstructureofseismicdata.Seismicfaciesrecognitionisatypicalpatternrecognitionproblem.Firstly,

6、severalfeatures(attributes)areextractedfromseismicdata,andthentheclusteringalgorithmisusedtodividetheseismicfacies.Thispaperisdenotedtodevelopingresearchofthenewkernelclusteringalgorithmtoidentifyseismicfacies.Themainresearchworkinthispaperisasfollows:(1)Researchonseismicfaciesidentification

7、basedonapproximatekernelkmeansclusteringThekernelkmeansclusteringalgorithmneedsallthesamplestocalculatethekernelmatrix,sothecomputationalcomplexityofthealgorithmandtherequirementofthememorymatrixarehigh.Thekernelkmeansisnotsuitableforlargescaledata