[發明專利]基于RBM地震疊前信號聚類方法

有效

• 申請號: 201710728113.7
• 申請日: 2017-08-23
• 公開（公告）號: CN107688201B
• 公開（公告）日: 2019-12-31
• 發明（設計）人: 錢峰;尹淼;張樂;胡光岷
• 申請（專利權）人: 電子科技大學
• 主分類號: G01V1/36
• 分類號: G01V1/36
• 代理公司: 51227 成都宏順專利代理事務所(普通合伙)
• 代理人: 周永宏

1.一種基于RBM地震疊前信號聚類方法，具體包括如下步驟：

步驟S1.去除地震疊前數據的噪聲，保留結構特征，并將目標層位段數據組織成X_i＝[x₁；x₂；...；x_s]，其中，x為單個方位角數據，維度為d，s為地震數據的方位角個數；

步驟S2.對n個位置點的數據U＝[X₁,X₂,...,X_n]加入不同的噪聲生成m份數據集U₁,U₂,...,U_m；

步驟S3.按深度受限玻爾茲曼機網絡對數據提取特征和維度規約；

步驟S4.將降維后的數據作為模糊自組織神經網絡的輸入，進行無監督訓練，得到最終分類結果；模糊自組織神經網絡的輸出，每個樣本對所有簇都有一個隸屬度值，對此提出一種的展示地震相圖的方法，在每個類別上計算二維梯度，對于地震相圖每個點賦予坐標(i,j)，計算此位置對每個簇的隸屬度記為u_k(i,j)，假設分為n類則k＝{1,2,...,n}，對于每個點計算其二維梯度如(3)式：

2.根據權利要求1所述的基于RBM地震疊前信號聚類方法，其特征在于，所述步驟S3的具體包括如下分步驟：

S31：選取加入了噪聲的數據集，將每個點的疊前數據X_i由矩陣轉換成向量輸入RBM網絡；

S32：將所有訓練樣本均值歸一化到[0,1]范圍內，保存為樣本數據；

S33：將所有訓練樣本隨機排列，然后將數據分成多批；

S34：開始訓練第一層RBM，預處理過的訓練數據作為可視層輸入，訓練完畢后得到RBM的各項參數與隱藏層輸出，保存各項參數；

S35：開始訓練第二層RBM，將上一層隱藏層的激活概率作為本層RBM可視層輸入，訓練完畢后得到RBM的各項參數與隱藏層輸出，保存各項參數；

S36：按照步驟S35逐層訓練RBM，直至算法訓練完畢后，得到適應本訓練樣本的深度RBM網絡；

S37：取S32中保存的樣本數據作為輸入，計算隱藏層的激活概率；

S38：傳遞上一層的隱藏層的激活概率，繼續計算，直至計算到頂層節點激活概率，輸出頂層隱藏層激活概率即為訓練樣本降維結果。

3.根據權利要求2所述的基于RBM地震疊前信號聚類方法，其特征在于，所述步驟S4的具體包括如下分步驟：

S41：初始化兩層神經元之間的權值向量，隨機選擇輸入數據的特征向量進行初始化；

S42：對任意樣本初始化u_ik＝1/k，表示初始每個樣本對所有模糊簇的隸屬度是相同的，k是簇的數目；

S43：依次將輸入數據z_i輸入網絡，計算d_ij＝||z_i-W_j||，表示z_i到W_j的距離；

S44：求最大相似度對應的節點，即d_ij最小的節點，記為獲勝神經元W_c(t)；

S45：利用側向反饋規則，對獲勝神經元以及其周圍的神經元W_j進行更新，具體的更新規則如下：

W_j(t+1)＝W_j(t)+σ(t)h_cj(t)[z_i-W_c(t)] (2)

其中，σ(t)代表學習率，用來保證神經網絡最終的收斂，0＜σ(t)＜1，h_cj(t)是側向反饋距離，是獲勝神經元與其他未獲勝神經元之間的距離；

S46：更新所有樣本對每個模糊簇的隸屬度u_ik；

S47：i＝i+1，繼續輸入數據，直到每個數據依次輸入完畢。