Emerge多属性分析理论培训.pptVIP

* * * * * * * * * * * * * * * * * * * * 串联cascade * Hyper-plane超平面 * 通过滚动查看3D体，检查井上的孔隙度曲线与3D体的相关程度。比如，这是穿过3口井Xline 26这条线。 (练习7结束) 分 类 判 别 判别分析（线性分类） PNN用于分类（贝叶斯判别） 判别分析找到一条线可以最好的将两个集合区分开来。 对于超过两种属性的多维情况，这条线会变成超平面。 Discriminant Line 判别分析 判别分析在数学上是一种在分类模式下的集合技术，作为实例，假设我们有2种属性X和Y，我们知道有两个集合A和B ： 因为判别分析假设集合之间有一个线性区分，如果当真实界限是非线性的情况，这个判别会宣告失败。 在这个实例中，一个如PNN神经网络可以达到所期望的效果。 Attribute 1 Attribute 2 Last updated: February 2007 优点： (1) 不管训练还是应用都比神经网络要快许多 (2) 算法稳定，很少会训练过度。这意味着交互验证误差与训练误差经常是相似的 (comparable)。 缺点： (1) 只能在分类模式下运行 (2) 假定分类是通过线性分类完成的 判别分析的优点与缺点 接下来，我们展示PNN如何用于分类。左边看到两种不同的类型 A 和 B (比如说是砂岩或者泥岩), 前3个点定义在A类中。我们希望将p0点划分到这两类中。注意 我们不用试图预测它的曲线值。 Log Seismic Attributes X Y x1 x2 x3 x0 y1 y2 y3 y0 x4 x5 x6 y4 y5 y6 Class A Class B PNN 用于分类 p1 p2 p3 p4 p5 p6 p0 右边属性空间上展布的各个点， p0和其它所有点的“距离”如图所示。 注意点p0 离A比离B X Y p1 p2 p3 d1 p0 d2 d3 p6 p4 p5 d4 d5 d6 Class A Class B 事实上，PNN不是采用各点到p0的距离，而是对距离进行指数权重函数运算，对两种类而言，有： 这样就会推导出著名的贝叶斯公式, 其中每类的概率为: 类A和B的判定十分简单 当PA PB时，p0 点属于A类；反之，p0 点属于B类。 概率神经网络 (PNN)的权重函数 即使对数值点，分类有时也非常有用 （通过将数据分块并且减小可能输出值的范围）： Mapping Classification Mapping 是预测数值的过程. EMERGE默认用这个选项. Classification 意味着预测数据类型，如果选中这项，相关参数必须告诉目标数据怎么分类： 如果目标曲线之前已经分类了，它们依然要以数值的形式读入EMERGE，个数代表几种类型。 这些菜单控制着如何分类： 对于分类模式下的网络训练来说，会出现一个要求运算与每一类相关的概率体的选项。当训练网络应用到地震体时它会出现，如图： 本例中, 我们已经创建了两个层位, 分别命名为Start 和 End定义分析时窗。 之后, 点击Next , 显示出分析窗口: 外部属性列表给出了GEOVIEW数据库中所有的测井曲线. 点击Add all 选择EMERGE中所用的属性. 之后出现两个对话框, 其一是通知你正在创建的井曲线, 其二是显示4口井中不存在的井曲线. EMERGE将会建立剩下的6条曲线与目标声波曲线之间的关系. 点击Next , 直到出现外部属性页: 显然, P波曲线和伽玛曲线显示出极强的线性关系, 相关系数为0.82. 再回到EMERGE的主窗口, 点击Display / Crossplot , 选中属性RILD: 交绘图结果如下: 很清楚,它们的关系不是线性的.再回到EMERGE的主窗口, 点击Display / Crossplot , 将目标曲线(声波曲线)求对数, 然后计算它与属性RILD之间的关系: 新的交绘图如下所示: 分析表明, 应用数学运算有时有助于目标曲线与属性之间的关系。 更为幸运的是, EMERGE能够确定用哪种运算. 点击Attribute / Create Single Attribute List, 可以看到单属性变换. 填该菜单, 如下: 交会图如右图所示: 上表表明, 1/(P-wave) 与 Log(RILM)之间的误差最小. 相关系数达到0.87. 注意到选项“Test Non-Linear Transforms of Target”和“Test Non-Linear Transforms of External Attributes”选中. 这意味着所选择的外部属性诸如Caliper, G