[发明专利]基于智能特征学习的叠后地震反射模式识别方法

权利要求书

1.一种基于智能特征学习的叠后地震反射模式识别方法，其特征在于，包括以下步骤：

S1、获取叠后地震信号，采用同步压缩小波变换(Synchrosqueezed WaveletTransform,SST)对所述叠后地震信号进行时频变换；包括：

S11、获取叠后地震信号，对所述叠后地震信号中的一道数据s(t)进行连续小波变换(Continuous Wavelet Transform,CWT)，结果为

其中，ψ^*表示母小波ψ(t)复数共轭，t表示时间，b表示母小波的时间平移因子，a表示母小波的尺度因子；W_s(a,b)表示小波系数，将所述小波系数映射到二维平面得到时间-尺度聚合的图像；

S12、根据时间域和频率域的能量相等，重写所述小波系数为

其中，表示s(t)的傅里叶变换，ξ表示s(t)的角频率；

所述母小波的傅里叶变换的能量集中在ψ＝ω₀处，s(t)的连续小波变换W_s(a,b)在时间-尺度平面内聚集在上尺度的直线，其中，ω₀表示小波中心频率，ω表示信号中心频率；在任意点(a,b)处通过计算小波变换的偏导得到其瞬时频率ω_a(a,b)，对于满足W_s(a,b)≠0的小波系数，得到

S13、计算所述叠后地震信号的SST量值；

通过ω_a(a,b)公式将信号参数从时间-尺度平面映射到时间-频率平面上，把每个点(b,a)转换为(b,ω_a(a,b))，完成同步压缩，得到基于连续小波变换的时频分布；通过尺度离散化计算W_s(a,b)，尺度间隔为Δa_k＝a_k-1-a_k；当信号从时间-尺度平面映射到时间-频率平面的过程中，SST的量值T_s(ω,b)以ω_l为中心的范围决定

其中，a_k表示第k个离散尺度，满足区间|ω_s(a_k,b)-ω_l|≤Δω/2，ω_l表示第l个离散角频率；

S2、在时频域中构建数据矩阵；包括：

将每一道时频图像S按照时间轴的方向分成M个长度为Q＝T/M的切片，每个切片互相不重叠，其中，T表示时间轴方向长度；S_m表示第m个谱图切片，信号经过同步压缩小波变换得到时频图像S可以表示为一组连续的时频切片S＝[S₀,...S_M-1]；分别对每个切片进行时间平均，每个时频图像转变为M个向量的组合；所述叠后地震信号有L个道即L个时频图像，第l个时频图像由一组向量表示，其中表示通过对时频切片求时间平均而获得的大小为P向量；对所有L个时频图像提取L组向量D^(l)，并逐列堆叠构建数据矩阵其中，D＝[D⁽¹⁾,...D^(L)]，N＝ML；

S3、对所述数据矩阵进行非负分解，得到叠后地震信号特征；包括：

基于非负矩阵分解(Nonnegative Matrix Factor,NMF)的叠后地震信号特征学习；

计算所述数据矩阵的模并进行归一化处理，令其中，表示进行归一化处理后的数据矩阵，P表示每一个样本的维度，N表示样本数目；

对X进行NMF运算，获得基矩阵U和系数矩阵V，其中，V中的列向量为特征向量，即用于表征叠后地震反射模式的叠后地震信号特征；

NMF的损失函数为

对所述损失函数求解获得最优解，目标函数为

其中，Y₁和Y₂为拉格朗日乘子，tr(·)表示矩阵的迹，上标T表示矩阵的转置；针对所述目标函数，对U和V求偏导数，为

根据所述目标函数的KKT条件，有其中i,j,k表示矩阵元素下标，得到U和V的迭代更新公式，对U和V进行迭代更新；所述迭代更新公式为

2.如权利要求1所述的基于智能特征学习的叠后地震反射模式识别方法，其特征在于，所述方法还包括：

S4、对所述叠后地震信号特征进行分类，并生成叠后地震相图。