映射分析中的自组织方法在烃类检测中的应用.pdfVIP

维普资讯 石 油 勘 探 与 开 发 2002年 l0月 PETR0LEUM EXPIoRAT10N AND DEVELoPMENT 文章编号 ：1000—0747(2002)05—0053—03 映射分析 中的 自组织方法在烃类检测 中的应用 曹思远 ，蔡志光 ，梁春生 (1．石油大学CNPC物探重点实验室；2 中国石化 中原油田分公司) 基金项 目：中国石油天然气集 团公司中青年创新基金 (2001CX一9) 摘要 ：自组织分析是在 自组织映射神经 网络基础上发展的一种新的非监督聚类和数据分析方法 ，其核心是将神经 网络学 习所用原数据体映射为 自组织映射密度 图。在 自组织映射密度 图上，原空间中具有较大 的相似性的数据样本被映射到 同 一 个位置或相近 的两个位置。勘探早期可用于约束储集层预测 的井很少 ，借助于原数据体 中存在 的聚类关系，利用 自组 织分析技术对数据体 隐含 的油气信 息进行聚类分析 ，有助于提高钻井成功率。图3参 6(曹思远摘) 关键词 ：自组织分析 ；油藏 ；聚类 中图分类号 ：P631．4 文献标 识码 ：A 又有较弱 的激励作用 ，激励 函数见 图 2。 1自组织分析原理简介 自组织映射分析 (或称 自组织分析 )是非 监督聚类 分析方法 ，其核心为 自组织映射密度 图(Densitymap)， 是对神经 网络学习 的原数据 体 的一种 映射 ，最 大限度 地保存 了原数据 体 中的数据 分布 和数据 间 的拓扑 关 输 入节点 系 。该密度 图是 由有 限个 网格 组成 的二维 网格 图，每 左图 ：网络结构 ；右 图 ：网络激励区域 图示 一 个 网格点对应于 1个神经元结点 ，譬如 由3×3的神 图 1 自组织特征 映射的 Kohonen神经网络结构 图 经网可得到 由 9个格点组成 的密度 图，每一个 网格 的 像密度代表 原数 据体 映射到该 神经 元结 点 的样本 数 目。如果原数据 体存在聚类 关系 ，同一类数据在 密度 图上将趋于映射到较集 中的一个 或几个结 点 ，成 为像 密度值 的局部极 大点 ，相邻 的另一类 则成为另一个 局 部极 大点 ，二者被若干像密度相对较小的结点分开 。 图 2 神 经 元激 励 函数 图 应用 自组织映射分析技术根据地震 资料预测储集 层的含油气性时 ，分析对象不是单道地震记 录，而是一 运算过程如下 ：设输入模式 向量为 ．27∈R ，输 出节 个 区段或局部地区所有地震道有关判别值构 成的未知 点的匹配 响应为 ∈R ，权值矩 阵为 w ，用0代表运 数据体 。如果原数据体 中某两个样本在 密度 图上映射 算 ，在时刻 t有 于同一或相近的位置 ，说 明两个地震道 位置 的储 集层 = W 0 性质 (如果所用地震特征数据 能反映这一性质 )相似 Kohonen网络 中的运 算是 普通 的点积 。此 外 ，还 性较大 ；反之 ，说明二者在原空间的相似性较小。 有对输入模式矢量 ．27和权值矩 阵w 进行 归一 化处理 2 自组织映射分析方法 后 ，以内积方式进行运算 ： 对于未知聚类 中心 的判 别 问题 ，常用具有 互联想 = W ·．27 能力的Kohonen网络 (见 图 1)，用无外 部监督 学 习的 另一种是欧几里得距离 的运算 ，即： 聚类方法 ，将 N 维模式空 间中的聚类 中心映射 到输 出