[发明专利]一种基于张量判别字典的叠前地震反射模式分析方法

说明书

本发明公开了一种基于张量判别字典的叠前地震反射模式分析方法，包括以下步骤：S1、获取叠前地震信号；S2、加入目标道集的邻域道集信息，与目标道集数据一起组成多维叠前地震数据；S3、制作训练数据；S4、构建目标函数，在基于判别张量字典学习算法的基础上，制定有利于叠前地震数据分类的分类策略；S5、迭代更新模型；S6、将叠前地震数据放入步骤S6中训练好的模型，得到整个工区目标层位的反射模式结果。本发明基于Tucker张量分解，能够很好的处理多维数据，更好的利用叠前地震数据的多维信息，对于叠前地震反射模式分析能够具有更高的分类准确率，对噪声的鲁棒性更好。

技术领域

本发明属于地震信号分析技术领域，特别涉及一种基于张量判别字典的叠前地震反射模式分析方法。

背景技术

地震反射模式分析是一种非常有效且重要的储层表征方法。地震反射模式分析主要是通过对地震波形或地震属性进行分类或者聚类来解释储层分布。目前，受限于地震信号的信噪比等问题，对叠后信号展开一维地震反射模式分析是地震相分析的主要方式之一。理论上讲，共反射点的叠前地震信号的叠加处理能够显著提高地震信号的信噪比，但是叠加处理损失了共反射点叠前地震道集中大量的地震反射振幅随偏移距或者方位角变化的信息。为了满足目前精细化储层描述、流体性质识别、地层环境分析等，直接从叠前地震数据中提取相关地质体表征的信息成为了必然发展方向。由现有的地震反射模式分析的理论和应用效果，我们可以断定叠前地震反射模式分析必将成为该发展方向中行之有效的方法之一。

对于地震反射模式分析，可以使用一些传统的监督分类方法，如支持向量机(SVM)和K近邻(KNN)。这些方法只能进行一维地震反射模式分析，并且这些分类方法的准确性在很大程度上取决于训练数据，在低信噪比的训练数据下会导致较差的结果。为了满足目前精细化地震解释的要求，叠前地震信号分析更符合目前的趋势。然而使用如支持向量机(SVM)和K近邻(KNN)等方法，我们需要将多维叠前数据列向量化，损失了叠前地震数据中振幅随偏移距/方位角变化的特征，并且在叠前训练数据信噪比较低的情况下，会导致较差的分类结果。为此，我们从叠前地震数据的低信噪比和数据维度高两个方面去考虑。

针对低信噪比问题，字典学习是一种稀疏表示的方法，具有信号特征提取和信号中噪声压制两重特性。近年来，Bryt等人(2008)、Zhou等人(2010)在图像去噪领域运用字典学习，取得了极其显著的应用效果。这激励我们将稀疏表征应用于低信噪比的地震信号分类。具体来说，我们假设字典学习不能学习训练数据中随机噪声的形态。因此，字典学习算法减轻了训练数据中噪声的影响。KunHong Li等人(2018)在传统的KSVD字典基础上进行改进，提出一种具有较高鲁棒性的判别字典算法，对地震信号进行监督分类，取得了不错的效果。然而，传统的判别字典算法也只能处理一维数据，不能很好的应用于多维叠前数据。因此，针对数据维度高的问题，探索一种能够表示二维甚至高维信号的判别字典就显得十分重要。我们将二维甚至高维信号称为张量信号，可将稀疏表示向高维推广。目前，Tucker分解是处理分析多维数据的一种有效方法，Kolda T G等人将Tucker分解用于构建稀疏表示，并在医学CT的去噪和重构上获得了成功。这激励我们将判别稀疏表示与Tucker分解结合，提出了一种基于张量判别字典的地震反射模式分析方法，兼顾了叠前地震数据的低信噪比和数据维度高两个方面。

现有的技术存在以下的不足：

(1)受限于输入数据维度的要求，现有方法通常将多维叠前数据拼接成向量的形式，损失了具有的大量随偏移距或者方位角变化的信息。

(2)现有方法在低信噪比的叠前训练数据下会导致较差的结果。

(3)由沉积学理论可知地震相具有横向连续特征，现有方法中并未有效考虑到这一特征。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于Tucker张量分解，能够很好的处理多维数据，更好的利用叠前地震数据的多维信息，对于叠前地震反射模式分析能够具有更高的分类准确率，对噪声的鲁棒性更好的基于张量判别字典的叠前地震反射模式分析方法。