[发明专利]基于向量回归机和遗传算法的地震属性优选方法

权利要求书

1.基于向量回归机和遗传算法的地震属性优选方法，其特征在于，该基于向量回归机和遗传算法的地震属性优选方法包括：

步骤1，对测井数据和地震属性进行预处理；

步骤2，提取样本，并在时间域上将样本集分组；

步骤3，进行地震属性优选，得到优选的地震属性子集与储层非线性的支持向量回归机模型；

步骤4，利用测试数据对建立的支持向量回归机模型进行检验，在误差满足要求时，得到最优属性组合；

步骤5，输出最优属性组合。

2.根据权利要求1所述的基于向量回归机和遗传算法的地震属性优选方法，其特征在于，在步骤1中，对测井数据进行重采样，使其采样率与地震数据相同；在井位置处提取角度域共成像点道集的各种叠前属性和叠后属性，叠前属性包括截距和梯度属性，然后对叠前叠后属性进行标准化处理。

3.根据权利要求1所述的基于向量回归机和遗传算法的地震属性优选方法，其特征在于，在步骤2中，将测井数据和井位置处的地震属性组成一一对应的样本集，在时间域上将样本集分成两组：训练数据和测试数据，训练数据用于优选属性和建立支持向量回归机模型，测试数据用于对得到的支持向量回归机模型进行检验。

4.根据权利要求1所述的基于向量回归机和遗传算法的地震属性优选方法，其特征在于，在步骤3中，利用向量回归机和遗传算法相结合，对训练数据进行优选，得到优选的地震属性子集与储层非线性的向量回归机模型，通过向量回归机算法实现属性优选的定量化评价，提高了属性优选的准确率。

5.根据权利要求4所述的基于向量回归机和遗传算法的地震属性优选方法，其特征在于，在步骤3中，对地震属性进行二进制编码，并且随机形成初始群体,即，对属性集{att1,att2,…,attN}进行二进制编码，编码串h＝h₁h₂…h_N表示对属性集所做的一次选择，其中h_i＝1表示第i个属性被选择，其中h_i＝0表示第i个属性未被选择，每一个二进制编码串所选择的属性的组合是一个初始群体中的个体。

6.根据权利要求5所述的基于向量回归机和遗传算法的地震属性优选方法， 其特征在于，在步骤3中，利用支持向量回归机和遗传算法进行交叉验证，对群体中个体的适应度进行检测和评估，从而优选属性,交叉验证是以步骤2中的训练数据为基础，将支持向量回归机模型的交叉检验均方差作为遗传算法的适应度评价标准；将训练数据的个体从时间域上分成m份，每次用其中的1份建模，其余m-1份测试，根据那1份数据利用；支持向量回归机得到测井曲线与属性之间的最优化的定量计算关系，然后计算其余m-1份数据的均方根预测误差e_RMSj；重复m次建模、测试之后得到每次测试的均方根预测误差，然后计算m次均方根预测误差的平均值，即得到支持向量回归机模型的交叉检验均方差；其中，交叉检验均方差RMSECV的计算公式如下：

RMSECV=1mΣi=1m[1m-1Σj=1m-1eRMSj]---(1)]]>

eRMSj=1nΣin(y^i-yi)2---(2)]]>

y^i=f(x1,x2,...,xk),i=1,...,n---(3)]]>

公式1中，RMSECV表示支持向量回归机模型的交叉检验均方差，m表示训练数据个体在时间域上分了多少份，e_RMSj表示每份测试数据的均方根预测误差；公式2是e_RMSj的具体表达式，其中，n为样本数，y_i为实际值，为预测值；公式3中，x_j(j＝1,…,k)表示个体中所包含的属性，f是用属性去拟合实际值y_i时的函数表达式。