基于PCA-PSO-SVM的地震死亡人数预测模型研究

为准确预测地震死亡人数,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对地震死亡人数7个影响因子中的6个进行数据降维,同时对第7个发震时刻因子单独进行区间分类,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为支持向量机的输入向量,通过粒子群算法寻优获得最优支持向量机模型参数,最终建立基于PCA-PSO-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测,同时对比分析包含和不包含发震时刻因子的2种情况下的模型预测效果。结果表明:在不考虑发震时刻因子的情况下,使用PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.85%、20%、10%,其平均误差相比PSO-SVM、SVM模型分别降低2.08%、2.28%;输入向量加入发震时刻因子分类数据后,PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.25%、20%、7.18%,其平均误差相比PSO-SVM、SVM模型分别降低3.34%、3.50%。因此,加入发震时刻因子后3种模型的平均误差明显降低,同时由于PCA-PSO-SVM模型进行主成分降维处理,能够明显提高运行效率和预测精度,故降低了模型复杂度。     

主成分分析法和遗传算法优化的支持向量机模型在地震伤亡人数预测中的应用

为有效解决地震伤亡人数预测所需影响因子多、 运算量大、 模型训练烦琐等问题, 构建了主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型, 采用PCA对地震伤亡人数影响因子进行降维以去除贡献率较低的主成分, 将贡献率较大的主成分作为支持向量机的输入变量, 以地震伤亡人数作为输出变量, 利用GA对SVM模型性能参数进行优化, 建立基于PCA-GA-SVM的地震伤亡人数预测模型, 并对测试样本进行预测, 结果表明: 与SVM模型、 GA-SVM模型和PCA-GA-BP模型相比, PCA-GA-SVM模型的预测准确率和运行效率分别提高 4.73%、 1.14%、 9.99% 和47.05%、 36.76%、 44.55%。结果显示, PCA-GA-SVM模型预测精度高, 泛化能力强, 能够科学合理地对地震伤亡人数作出预测。     

基于核函数主分量的维纳滤波方法研究

针对强随机噪声地震资料背景下经典维纳滤波方法在信号的保幅及高维数据空间求解过程中产生病态矩阵的问题,提出利用核函数主分量维纳滤波压制强地震勘探随机噪声.首先利用线性核函数将地震信号映射到特征空间,再通过主分量分析方法提取地震数据主分量进行数据降维,并得到核主分量维纳滤波因子,从而进行核主分量维纳滤波（K-WPC）.正演仿真及对实际地震资料处理表明,该方法对随机噪声有较好的压制作用,保幅效果也令人满意.     

基于PCA-RF的砂砾岩有利储层厚度预测方法

东营凹陷沙三、沙四沉积时期，发育了大量不同时期的砂砾岩体，它们是非常规油气勘探中重要的储层类型。由于砂砾岩体具有纵向厚度变化大、横向展布不均匀、岩相变化快等特点，在地震属性分析与厚度预测时，用单一属性对储层厚度描述具有很大的不确定性。为此，提取了多种地震属性，采用主成分分析法（PCA）进行优化、去除冗余信息。考虑到随机森林（RF）具有预测精度高、对异常值容忍性强、训练速度快且不易过拟合等特点，引入该方法对砂砾岩储层厚度进行预测。针对属性自相似问题，PCA采用了两种方法:①直接对全部属性做降维处理，提取主成分进行预测（PCA-RF1）；②先对相似属性做降维处理，再组合其他属性进行预测（PCA-RF2）。原始RF、PCA-RF1、PCA-RF2方法还与人工神经网络方法（ANN）进行了效果对比，结果表明，基于相似属性降维处理的PCA-RF2方法，具有最佳应用效果。      

地震属性在天然气水合物识别中的应用

地震属性包含了大量的地质特征,对天然气水合物矿体识别起着重要作用.在对天然气水合物进行识别时,如何选取适用于工区的地震属性和分类方法是解决问题的关键.本文对神狐地区地震数据进行了优化处理,提取了15种地震属性.通过自组织神经网络分析技术对地震属性数据所反映的地质特征进行自动识别和分类,与实际测井数据进行反复对比,获得了工区水合物的识别图和雕刻图.研究结果与已知的钻井区域进行反复对比和综合分析,发现自组织神经网络在水舍物识别研究中起了良好的作用.     

基于快速流式算法的局部余弦相似属性

相似性是一种常用的衡量不同图像之间差异程度的属性,广泛应用于地震数据处理环节.由于地震数据本质上是非平稳的,局部相似性比全局相似性更适用于刻画地震数据的时-空变化特征.现有的局部相似属性可以通过正则化最小二乘问题进行计算,但是其计算过程需要大量的计算时间和数据存储空间,难以适应当前的海量数据处理任务.本文提出了一种基于...     

一种优化地震前兆观测点布设的方法

使用基于主成分分析的优化地震前兆观测点方法, 用1998年数据对上海地区的9个水氡观测台站进行优化。 结果表明, 可以撤消3个信息量较小的台站观测, 剩下的6个台所含信息量占全部9个台站信息量的比例为93.0%。 表明在地震前兆观测中, 如果局部地区的地震前兆观测台站数据具有一定的相关性, 那么即使大量增加前兆观测台站的数量, 也并不意味着所获取的信息量会同步增多。 文中所用的优化方法对于指导地震前兆观测台站的优化具有一定意义。     

地震属性优化及其在储层预测中的应用

利用地震资料属性信息预测油气储层已越来越受到石油地球物理工作者的广泛重视。但如何优化地震属性,从而更加精确地预测薄砂岩储层特征,提高其描述精度,更是地质及地球物理勘探家们始终不懈的追求。本文在借鉴主成分分析思想的基础上,提出一种新的地震属性优化方法-约束主成分分析。经理论模型的计算及油田区的实际应用表明:该方法不仅能提高储层预测的精度,而且具有更好的适用性。     

基于主成分的时间域航空电磁数据神经网络反演仿真研究(英文)

传统上,时间域航空电磁数据通过拟合迭代反演计算得到大地模型,然而,由于航空电磁数据道间的较强相关性,导致病态反演,并引起超定问题;同时电磁数据的相关性使其与模型参数的映射关系复杂,增加了反演的复杂度。采用主成分分析法将航空电磁数据变换为正交的较少数量的主成分,不仅降低了数据道间的相关性,减小了数据量,同时压制了数据的不相关噪声。本文利用人工神经网络(ANN)逼近主成分与大地模型参数间的映射关系,避免了传统反演算法中雅克比矩阵的复杂计算。层状模型的主成分神经网络与数据神经网络的反演结果对比显示,主成分神经网络反演方法网络结构简单,训练步数少,反演结果好,特别是对于含噪数据。准二维模型的主成分ANN、数据ANN以及Zhody方法的反演结果显示了主成分神经网络具有更接近真实模型的反演效果,进一步证明了主成分神经网络反演方法适合海量航空电磁探测数据反演。     

基于PCA-GSM-SVM的地震伤亡人数预测

针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSM-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。     

Reservoir prediction using multi-wave seismic attributes

The main problems in seismic attribute technology are the redundancy of data and the uncertainty of attributes, and these problems become much more serious in multi-wave seismic exploration. Data redundancy will increase the burden on interpreters, occupy large computer memory, take much more computing time, conceal the effective information, and especially cause the "curse of dimension". Uncertainty of attributes will reduce the accuracy of rebuilding the relationship between attributes and geological significance. In order to solve these problems, we study methods of principal component analysis (PCA), independent component analysis (ICA) for attribute optimization and support vector machine (SVM) for reservoir prediction. We propose a flow chart of multi-wave seismic attribute process and further apply it to multi-wave seismic reservoir prediction. The processing results of real seismic data demonstrate that reservoir prediction based on combination of PP- and PS-wave attributes, compared with that based on traditional PP-wave attributes, can improve the prediction accuracy.     

Connectivity constrained segmentation of geologic features

Segmentation of geologic features plays a significant role in seismic interpretation. Based on the segmentation results, interpreters can readily recognize the shape and distribution of geologic features in three-dimensional space and conduct further quantitative analysis. Usually, there are mainly two steps for the segmentation of geologic features: the first step is to extract seismic attributes that can highlight the occurrence of geologic features, and the second step is to apply the segmentation algorithm on the seismic attribute volumes. However, the occurrence of geologic features is not always corresponding to the anomaly value on the seismic attribute volumes and vice versa because of several factors, such as noise in the seismic data, the limited resolution of seismic images and the limited effectiveness of the seismic attribute. Therefore, the segmentation results, which are generated solely based on seismic attributes, are not sufficient to give an accurate depiction of geologic features. Aiming at this problem, we introduce the connectivity constraint into the process of segmentation based the assumption that for one single geologic feature all of its components should be connected to each other. Benefiting from this global constraint, the segmentation results can precisely exclude the interference by false negatives on seismic attribute volumes. However, directly introducing the connectivity constraint into segmentation would face the risk that the segmentation results would deteriorate significantly because of false positives with relatively large area when the connectivity constraints are enforced. Therefore, based on the seismic attribute that highlights the boundary of geologic feature, we further propose a post-processing technique, called pruning, to refine the segmentation results. By taking the segmentation of the channel as an example, we demonstrate that the proposed method is able to preserve the connectivity in the process of segmentation and generate better segmentation results on the field data.     

基于主成分-正则化极限学习机的超高密度电法非线性反演

超高密度电法是一种新的地球物理探测技术,它通过多通道数据采集和多装置数据联合反演,极大地提高了电法勘探的成像精度.本文提出一种主成分-正则化极限学习机(PC-RELM)非线性反演方法,该方法针对超高密度电法所获取的高维勘探数据进行反演建模,通过随机设定隐层参数来简化模型的学习过程,通过主成分分析方法来进行高维数据降维,最后引入正则化因子提高反演模型的泛化能力.论文给出了超高密度电法的原理、样本构造方法和非线性反演流程,使用交叉验证方法获得了优化的隐节点数目和正则化参数,构造了优化的反演模型.通过两个经典的超高密度模型的反演结果表明,该方法能够较好地解决超高密度电法反演的高维数据非线性建模问题,能够弥补单一装置数据反演的不足,同时相较其他的非线性反演方法(ELM,BPNN和GRNN)具有更加准确的反演结果.     

基于克隆选择原理的核爆地震特征选择方法

为了解决核爆地震自动识别中最优特征子集的选择问题,根据克隆选择原理,提出了一种过滤与封装相结合的特征选择方法.该方法融合了封装式与过滤式特征选择方法的优点,利用局部化的类别可分性判据来处理核爆地震样本的多峰分布问题,通过设定独立的记忆抗体能够保证最终结果是搜索过的最佳特征组合,并且可以处理设定和不设定最优特征子集维数两种情况下的特征选择问题.首先通过UCI数据集中呈多峰分布的玻璃数据验证了该特征选择方法的有效性,进而将其应用到核爆地震特征选择中.核爆地震特征选择实验结果表明,该方法不仅有效地降低了特征空间的维数,而且使分类精度提高了2个百分点,与封装式特征选择方法相比,该方法的计算复杂度大为降低.     

基于神经网络的随机地震反演方法

针对随机地震反演中存在的两个主要问题,随机实现含有噪声和难以从大量随机实现中挖掘有效信息,提出了一种基于神经网络的随机地震反演方法.通过对多组随机实现及其正演地震数据的计算,构建了基于序贯高斯模拟的训练集.这也为应用神经网络求解地球物理反问题,提供了一种有效建立训练集的方法.较之传统的神经网络反演,这种训练集不仅保证了学习样本具有多样性,同时还引入了空间相关性.数值模拟结果表明,该方法只需要通过单层前馈神经网络,就可以比较有效的解决一个500个阻抗参数的反演问题.     

基于SOM和PSO的非监督地震相分析技术

地震相分析技术是储层预测的一种重要方法,可以用来描述有利沉积相带的分布规律.传统的地震相聚类分析方法对大数据的处理运算速度较慢,且容易陷入局部极小值,造成聚类分析的结构不准确.本文提出基于自组织神经网络(SOM)和粒子群优化方法(PSO)相结合的地震相分析技术,利用自组织神经网络能够保持原始地震数据的拓扑结构特性的特点,将大量冗余样本压缩为小样本数据,再通过粒子群的全局寻优能力改善K均值聚类的效果.理论模型和实际应用表明该方法能既有效实现数据压缩,又能提供较为准确的全局解,在地震相预测中兼顾计算效率和计算精度.     

基于RS-PCA-GA-SVM的砂土液化预测方法研究

砂土液化是一种危害性比较大的自然灾害,对砂土液化进行判定预测在地质灾害防治领域中有重要的研究意义。通过粗糙集理论(Rough Set,RS)对影响砂土液化的6个初始评价指标(包括震级、土深、震中距、地下水位、标贯击数和地震持续时间)进行属性约简,去掉冗余或干扰信息,得到基于4个核心预测指标的数据集。通过主成分分析法(Principal Component Analysis,PCA)从核心评价指标中提取出主成分,采用支持向量机(Support Vector Machine,SVM)对数据集进行训练,用遗传算法(Genetic Algorithm,GA)优化参数,建立砂土液化的RS-PCA-GA-SVM预测模型。并结合砂土液化实际数据将预测结果与基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做比较。实例计算表明:基于RS-PCA-GA-SVM模型得到的砂土液化预测结果精度较LM-BP神经网络有很大的提高,判别结果与实际情况比较吻合,可在实际工程中应用。