羅浩然,尹 成,丁 峰,黃旭日

(西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院,四川成都610500)

概率神經(jīng)網(wǎng)絡(luò)的平滑參數(shù)分析及在地震屬性分析中的應(yīng)用

羅浩然,尹 成,丁 峰,黃旭日

(西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院,四川成都610500)

概率神經(jīng)網(wǎng)絡(luò)(PNN)因訓(xùn)練方法簡(jiǎn)單且具有較好的分類能力而廣泛應(yīng)用于儲(chǔ)層參數(shù)預(yù)測(cè)、裂縫識(shí)別及地震屬性模式識(shí)別。在勘探初期,往往會(huì)遇到小樣本量的情況,為獲得好的模式識(shí)別效果,有必要對(duì)平滑參數(shù)和訓(xùn)練樣本的選取方法進(jìn)行研究。在分析了平滑參數(shù)對(duì)網(wǎng)絡(luò)分類符合率的影響后,利用取值試驗(yàn)得到樣本歸一化情況下平滑參數(shù)的最優(yōu)取值區(qū)間。在此基礎(chǔ)上進(jìn)行訓(xùn)練樣本選取的隨機(jī)性、均勻性及數(shù)量試驗(yàn),發(fā)現(xiàn)均勻選取各類訓(xùn)練樣本時(shí),小樣本量能使網(wǎng)絡(luò)獲得較高的分類符合率,而大樣本量則能得到更高的分類符合率。X工區(qū)的實(shí)際應(yīng)用結(jié)果表明,概率神經(jīng)網(wǎng)絡(luò)在少井情況下具備一定的應(yīng)用潛力,可作為勘探初期利用地震屬性進(jìn)行模式識(shí)別的一種選擇。

概率神經(jīng)網(wǎng)絡(luò);訓(xùn)練樣本;平滑參數(shù);地震屬性分析;模式識(shí)別

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)是1990年由SPECHT[1]提出的一種前饋分類網(wǎng)絡(luò),它以貝葉斯決策和概率密度函數(shù)估計(jì)為理論基礎(chǔ),在運(yùn)算過(guò)程中通過(guò)Parzen窗估計(jì)得到類條件概率密度,從而提供對(duì)樣本的分類。該方法由平滑參數(shù)σ,隱含層神經(jīng)元個(gè)數(shù),隱含層中心矢量(隱中心矢量,即訓(xùn)練樣本)等要素確定,其拓?fù)浣Y(jié)構(gòu)簡(jiǎn)單,算法設(shè)計(jì)容易,被廣泛應(yīng)用于模式識(shí)別領(lǐng)域[2]。在石油勘探中,PNN可用于儲(chǔ)層產(chǎn)能預(yù)測(cè)[3]、物性參數(shù)預(yù)測(cè)[4]、成巖相預(yù)測(cè)[5]、巖性反演[6]、地震多屬性反演[7]、裂縫識(shí)別[8]及沉積物類型識(shí)別[9]。

就傳統(tǒng)PNN而言,其拓?fù)浣Y(jié)構(gòu)的復(fù)雜度與訓(xùn)練樣本的數(shù)目成正比,訓(xùn)練樣本的選取和平滑參數(shù)的取值都會(huì)對(duì)網(wǎng)絡(luò)的模式識(shí)別效果產(chǎn)生影響。

在大樣本量情況下,為避免網(wǎng)絡(luò)體系過(guò)于龐大,一些學(xué)者對(duì)其結(jié)構(gòu)進(jìn)行了優(yōu)化,BURRASCANO[10],KRISHNA等[11],MA等[12]分別提出利用學(xué)習(xí)矢量量化法、K均值聚類法、期望最大化法從訓(xùn)練樣本中估算PNN的隱中心矢量,從而降低隱含層神經(jīng)元個(gè)數(shù),簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu);STREIT等[13]將最大似然算法引入PNN,以較小的訓(xùn)練樣本集來(lái)表示各個(gè)類別,進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu);邢杰等[14]以概率乘法公式為理論依據(jù),根據(jù)訓(xùn)練樣本的主成分分析(PCA)結(jié)果對(duì)PNN進(jìn)行結(jié)構(gòu)優(yōu)化。

在平滑參數(shù)取值方面,MAO等[15]利用前向正交回歸法確定PNN的隱含層神經(jīng)元,用遺傳算法來(lái)選取平滑參數(shù)的值,獲得了較高的分類符合率;馬運(yùn)勇[16]利用PNN的分類結(jié)果來(lái)調(diào)整隱中心矢量,并提出以某隱中心到其他所有隱中心距離的平均值作為平滑參數(shù)取值的方法。

在勘探初期,利用地震屬性資料進(jìn)行儲(chǔ)層相關(guān)參數(shù)預(yù)測(cè)時(shí)往往會(huì)遇到多解性問(wèn)題,這時(shí)應(yīng)用有監(jiān)督的PNN比無(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)更具可靠性。在這個(gè)階段,常常面臨訓(xùn)練樣本數(shù)很少的情況,若不對(duì)訓(xùn)練樣本進(jìn)行合理選擇,會(huì)導(dǎo)致網(wǎng)絡(luò)的分類符合率偏低,無(wú)法進(jìn)行有效的預(yù)測(cè)。與此同時(shí),平滑參數(shù)的值對(duì)PNN分類效果也會(huì)產(chǎn)生影響,因而對(duì)其分布規(guī)律的認(rèn)識(shí)顯得尤為重要。還需說(shuō)明的是,當(dāng)參與預(yù)測(cè)的地震屬性較多時(shí),可能會(huì)出現(xiàn)過(guò)度擬合的問(wèn)題[17],該問(wèn)題可通過(guò)交叉驗(yàn)證法加以解決[18]。

為獲得較高的分類符合率,本文基于模糊自組織神經(jīng)網(wǎng)絡(luò)(FSOM)[19]對(duì)S工區(qū)地震屬性資料聚類分析的結(jié)果,對(duì)概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的選取方法及樣本歸一化情況下平滑參數(shù)的分布規(guī)律進(jìn)行了分析和研究,并將研究結(jié)果應(yīng)用于X工區(qū),以已鉆井和井點(diǎn)處的地震敏感屬性為訓(xùn)練樣本,利用PNN在少井情況下對(duì)工區(qū)含氣、含水和干井區(qū)的分布情況進(jìn)行了預(yù)測(cè),并對(duì)預(yù)測(cè)效果進(jìn)行了討論。

1 方法原理

概率神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、求和層和輸出層組成,其拓?fù)浣Y(jié)構(gòu)如圖1所示。輸入層各神經(jīng)元與隱含層各神經(jīng)元之間均有連接;求和層各神經(jīng)元只與屬于自己類別的隱含層神經(jīng)元相連;輸出層神經(jīng)元與求和層的每一個(gè)神經(jīng)元相連。輸入層與隱含層之間的連線代表可修改的權(quán)系數(shù),可通過(guò)訓(xùn)練得到;隱含層與求和層之間以等權(quán)值連接,權(quán)系數(shù)通常取1;求和層與輸出層之間的權(quán)系數(shù)為各類訓(xùn)練樣本數(shù)的倒數(shù)。

圖1 概率神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

設(shè)有n個(gè)隨機(jī)選自m個(gè)類別的訓(xùn)練樣本,單個(gè)訓(xùn)練樣本由d個(gè)地震屬性和一個(gè)期望輸出構(gòu)成。期望輸出通常來(lái)自鉆井資料,可以是沉積物類型、巖性或地震相等,其值通常取1或2等數(shù)字,代表訓(xùn)練樣本屬于期望輸出的第一類或第二類。此時(shí),輸入層有d個(gè)神經(jīng)元,隱含層有n個(gè)神經(jīng)元,求和層有m個(gè)神經(jīng)元,輸出層神經(jīng)元表示期望輸出。

為避免地震屬性值之間的數(shù)量級(jí)差異引起大數(shù)“吃”小數(shù)的情況,訓(xùn)練前應(yīng)對(duì)每一種屬性做[0,1]歸一化處理。之后,將各樣本按下式進(jìn)行單位長(zhǎng)度歸一化:

(1)

歸一化后,將第一個(gè)訓(xùn)練樣本的各屬性值分別置于輸入層神經(jīng)元上。同時(shí),輸入層和隱含層第一個(gè)神經(jīng)元間的權(quán)系數(shù)被初始化為該訓(xùn)練樣本中對(duì)應(yīng)的屬性值,即:

(2)

式中:ω1j為輸入層和隱含層第一個(gè)神經(jīng)元間的權(quán)系數(shù)。此時(shí),在隱含層第一個(gè)神經(jīng)元和求和層中代表第一個(gè)訓(xùn)練樣本所屬類別的那個(gè)神經(jīng)元間就建立了一個(gè)連接,該神經(jīng)元到輸出層之間的連接也隨即建立,如圖2所示。

圖2 第一個(gè)訓(xùn)練樣本初始化權(quán)系數(shù)示意

類似上面的過(guò)程,對(duì)輸入層與隱含層其它神經(jīng)元之間的權(quán)系數(shù)進(jìn)行初始化,即:

(3)

式中:ωij代表輸入層神經(jīng)元和第i個(gè)隱含層神經(jīng)元之間的權(quán)系數(shù),記為Wi。通過(guò)這樣的訓(xùn)練,就得到了輸入層和隱含層之間的權(quán)系數(shù)。至此,便完成了對(duì)PNN的訓(xùn)練。

網(wǎng)絡(luò)訓(xùn)練完成后,可按如下步驟對(duì)工區(qū)任意樣本X的期望輸出值進(jìn)行預(yù)測(cè):

第一步,輸入層將歸一化后的X中的各地震屬性值分配給對(duì)應(yīng)的神經(jīng)元。

第二步,輸入層與隱含層第一個(gè)神經(jīng)元之間的權(quán)系數(shù)W1同X做標(biāo)量積,記為Inet1,即:

(4)

第三步,以高斯核函數(shù)為隱含層的激活函數(shù),Inet1為隱含層第一個(gè)神經(jīng)元的輸入,其輸出為:

(5)

式中:g1為隱含層第一個(gè)神經(jīng)元上的輸出值;σ為平滑參數(shù),也稱作高斯窗寬度。

第四步,重復(fù)第二、三步,輸入層與隱含層余下每一個(gè)神經(jīng)元之間的權(quán)系數(shù)Wi都同X做標(biāo)量積得到隱含層相應(yīng)神經(jīng)元的輸入Ineti,經(jīng)過(guò)高斯核函數(shù)的激活后得到該神經(jīng)元的輸出gi,其中,i=2,3,…,n,如圖3所示。

第五步,在求和層對(duì)隱含層中屬于同一類別的神經(jīng)元進(jìn)行累加運(yùn)算。

第六步,在輸出層比較求和層各神經(jīng)元輸出值yk的平均值的大小,X的期望輸出值為最大平均值所代表類別的類別號(hào),即:

(6)

式中:yk為求和層神經(jīng)元的輸出值;Nk為第k類的訓(xùn)練樣本數(shù)。至此,PNN對(duì)X的模式識(shí)別就完成了。

可見,概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程簡(jiǎn)單,無(wú)復(fù)雜計(jì)算,幾乎就是給權(quán)系數(shù)賦值的過(guò)程,這樣的特性使得新的訓(xùn)練樣本很容易被加入到之前訓(xùn)練好的網(wǎng)絡(luò)中來(lái),這對(duì)“實(shí)時(shí)”應(yīng)用特別有意義。

圖3 計(jì)算隱含層神經(jīng)元輸入、輸出值示意

2 平滑參數(shù)分析及樣本選取試驗(yàn)

為確定平滑參數(shù)的值及研究訓(xùn)練樣本的選取方法,我們?cè)赟工區(qū)進(jìn)行了一系列參數(shù)試驗(yàn)。結(jié)合工區(qū)地震資料中提取出的44個(gè)地震屬性[20](振幅類16個(gè),瞬時(shí)類5個(gè),高階類2個(gè),非線性類2個(gè),小波系數(shù)類7個(gè),層序類9個(gè),頻譜類3個(gè)),利用FSOM將研究區(qū)劃分為三種類別的組合區(qū)(圖4a);從工區(qū)井資料中選取100口井作為訓(xùn)練和檢驗(yàn)樣本(圖4b),其中一、二、三類分別為40,30,30口井;用井點(diǎn)處的地震敏感屬性(采用粗糙集(RS)[21]或三參數(shù)(SDC)[22]方法進(jìn)行屬性優(yōu)選)和井所對(duì)應(yīng)的類別構(gòu)成訓(xùn)練樣本來(lái)訓(xùn)練PNN并將其用于全工區(qū)模式識(shí)別,網(wǎng)絡(luò)的分類符合率由預(yù)留的檢驗(yàn)樣本確定。

2.1 平滑參數(shù)分析及試驗(yàn)

從原理來(lái)看,當(dāng)待測(cè)樣本與某類的訓(xùn)練樣本相似時(shí),求和層中代表該類別神經(jīng)元上的求和值就最大,對(duì)應(yīng)于隱含層中,代表該類別神經(jīng)元上的激活函數(shù)的輸出值也較大。因此,在模式識(shí)別時(shí)總希望待測(cè)樣本所屬類別在隱含層對(duì)應(yīng)神經(jīng)元上的激活函數(shù)有較大的輸出值。

圖4 FSOM對(duì)S工區(qū)44個(gè)地震屬性聚類結(jié)果(a)和100口井位置(b)(紅色為一類,黃色為二類,藍(lán)色為三類)

實(shí)際應(yīng)用中,當(dāng)樣本經(jīng)過(guò)兩次歸一化后,內(nèi)積Ineti的值在0到1之間變化。根據(jù)(5)式可繪制出不同σ對(duì)應(yīng)的激活函數(shù)輸出值gi的曲線(圖5)。從圖5 可以看出,σ不變,gi隨Ineti增大而增大;gi不變,Ineti隨σ的減小而增大。換言之,只要σ足夠小,就能使Ineti不斷增大(趨近于1),從而得到較大的激活函數(shù)輸出值。

圖5 不同平滑參數(shù)情況下激活函數(shù)的輸出值曲線

下面通過(guò)試驗(yàn)對(duì)上述認(rèn)識(shí)做進(jìn)一步分析。隨機(jī)抽取30口井作為訓(xùn)練樣本,余下70口井作為檢驗(yàn)樣本,作為訓(xùn)練樣本的30口井中一、二、三類分別取10口井,討論不同地震屬性組合情況下(原始屬性組合、RS優(yōu)選屬性組合和SDC優(yōu)選屬性組合),平滑參數(shù)與PNN分類符合率之間的關(guān)系,并繪制出相關(guān)曲線圖(圖6)。從圖6中可大體看出,隨σ增加,分類符合率先增加后減小,最后保持在一個(gè)數(shù)值上。這說(shuō)明當(dāng)訓(xùn)練樣本確定后,σ并非越小越好,其必然存在一個(gè)最優(yōu)取值區(qū)間,使PNN獲得較高的分類符合率。對(duì)比圖6中3幅曲線不難發(fā)現(xiàn),當(dāng)σ位于[0.01,0.10]這個(gè)區(qū)間內(nèi)時(shí),PNN的分類符合率可達(dá)到一個(gè)相對(duì)較高的值。在后續(xù)的試驗(yàn)中,可以參考這個(gè)區(qū)間來(lái)選取平滑參數(shù)。

2.2 訓(xùn)練樣本選取方法試驗(yàn)

除了平滑參數(shù),訓(xùn)練樣本的選取也決定著PNN的模式識(shí)別準(zhǔn)確率。下面從樣本選取的隨機(jī)性、均勻性等角度討論訓(xùn)練樣本的選取方法。以下各試驗(yàn)中,平滑參數(shù)的取值參考上述試驗(yàn)結(jié)果,經(jīng)過(guò)多次試驗(yàn)對(duì)比,發(fā)現(xiàn)將σ取為0.025較為合適。

2.2.1 隨機(jī)抽取訓(xùn)練樣本試驗(yàn)

如表1,10次隨機(jī)抽取訓(xùn)練樣本和檢驗(yàn)樣本,在各次試驗(yàn)中樣本數(shù)目保持不變(各為50口井)?？梢钥闯?PNN分類符合率的高低與樣本抽取的隨機(jī)性之間沒有必然聯(lián)系。

圖6 平滑參數(shù)與分類符合率關(guān)系曲線a 原始44個(gè)屬性測(cè)試結(jié)果; b RS優(yōu)選屬性測(cè)試結(jié)果; c SDC優(yōu)選屬性測(cè)試結(jié)果

試驗(yàn)次數(shù)訓(xùn)練樣本數(shù)檢驗(yàn)樣本數(shù)一類二類三類一類二類三類符合率,%1201515201515942201515201515963201515201515904201515201515925201515201515966201515201515967201515201515968201515201515949201515201515941020151520151596

2.2.2 訓(xùn)練樣本數(shù)目選取試驗(yàn)

如表2,每次試驗(yàn)隨機(jī)且均勻地抽取各類訓(xùn)練樣本。從表中可以看出,在前6次試驗(yàn)中,分類符合率均在90%以上;從第1次到第3次試驗(yàn),分類符合率隨訓(xùn)練樣本總數(shù)的減少呈先減后增的變化趨勢(shì);從第3次到第7次試驗(yàn),分類符合率和訓(xùn)練樣本總數(shù)之間成正比關(guān)系。

2.2.3 不同類別訓(xùn)練樣本數(shù)不均勻試驗(yàn)

如表3,每次試驗(yàn)中訓(xùn)練樣本隨機(jī)抽取且總數(shù)不變(22口井)。當(dāng)某類訓(xùn)練樣本數(shù)相對(duì)其它兩類更少時(shí)(即不均勻情況,這里達(dá)到了5倍的差距),PNN分類符合率比各類訓(xùn)練樣本均勻選取時(shí)更低。

表2 訓(xùn)練樣本數(shù)減少選取試驗(yàn)結(jié)果

試驗(yàn)表明,在最優(yōu)區(qū)間內(nèi)選取平滑參數(shù)可使PNN具有較高的模式識(shí)別精度;在選取訓(xùn)練樣本時(shí),應(yīng)盡量滿足各類均勻選取的原則。

3 實(shí)際工區(qū)應(yīng)用

基于上述試驗(yàn)結(jié)果,將PNN應(yīng)用于X工區(qū)以檢驗(yàn)其模式識(shí)別能力。平滑參數(shù)的取值參考試驗(yàn)得出的最優(yōu)區(qū)間,訓(xùn)練樣本按各類均勻選取的原則進(jìn)行選取。X工區(qū)已鉆有8口井,其中氣井5口,水井2口,干井1口。工區(qū)地震相分布見圖7,其中灰色為致密砂體發(fā)育的丘狀-透鏡狀地震相,黃色為有利砂體發(fā)育的席狀地震相。

先對(duì)工區(qū)提取的46個(gè)地震屬性進(jìn)行野值剔除和平滑濾波等預(yù)處理操作并利用RS地震屬性優(yōu)選方法從中優(yōu)選出5種地震敏感屬性,即峰谷面積比、復(fù)合包絡(luò)差、平均波谷振幅、平均頻率和平均振幅;再在井點(diǎn)處抽取地震道特征屬性并與已鉆井組合構(gòu)成訓(xùn)練樣本集(訓(xùn)練樣本集包含三種類型,即含氣區(qū)、含水區(qū)和干井區(qū))來(lái)訓(xùn)練已構(gòu)建好的PNN,從而確定連接網(wǎng)絡(luò)各層之間的權(quán)系數(shù);用訓(xùn)練好的PNN對(duì)整個(gè)工區(qū)進(jìn)行模式識(shí)別,最終得到各類型區(qū)域的分布圖(圖8)。

圖7 X工區(qū)地震相分布(井點(diǎn)顏色:紅色為氣井,綠色為水井,黑色為干井)

圖8是PNN預(yù)測(cè)的X工區(qū)各類型區(qū)域的分布圖,其中的含氣區(qū)與圖7中的席狀地震相對(duì)應(yīng),含水區(qū)和干井區(qū)與丘狀-透鏡狀地震相對(duì)應(yīng)。圖8a中的預(yù)測(cè)網(wǎng)絡(luò)是由已鉆井中的3口(每種類型各1口)訓(xùn)練得到,它對(duì)其余5口已鉆井所屬類型的預(yù)測(cè)完全準(zhǔn)確(表4);圖8b中的預(yù)測(cè)網(wǎng)絡(luò)是由全部已鉆井訓(xùn)練得到。從圖8可看出,已鉆井均位于其所屬類型的預(yù)測(cè)區(qū)內(nèi),各類型區(qū)域分布明顯,彼此之間界限清晰,所預(yù)測(cè)的含氣區(qū)、含水區(qū)和干井區(qū)大都能與圖7中的席狀地震相和丘狀-透鏡狀地震相吻合,取得了較好的預(yù)測(cè)效果。結(jié)合圖7地震相,對(duì)比圖8a和圖8b可知,對(duì)各類型分布區(qū)的預(yù)測(cè)大體一致,但就局部區(qū)域而言,圖8a的預(yù)測(cè)效果要優(yōu)于圖8b。如圖8a中北部和中部的含氣區(qū)與圖7對(duì)應(yīng)位置處席狀地震相的吻合度比圖8b中的更高。相對(duì)圖7所示地震相,預(yù)測(cè)圖在各類型區(qū)域的連續(xù)性上要差一些,存在小部分預(yù)測(cè)不準(zhǔn)確的區(qū)域(如工區(qū)東部),其主要原因還是訓(xùn)練樣本的總數(shù)受限,若能在各類訓(xùn)練樣本選取均勻的前提下獲得更多的訓(xùn)練樣本,那么預(yù)測(cè)效果將會(huì)得到進(jìn)一步改善。

由此可見,在勘探初期面對(duì)少井情況時(shí),均勻選取各類訓(xùn)練樣本并在平滑參數(shù)的最優(yōu)區(qū)間內(nèi)合理取值,可使PNN對(duì)工區(qū)參數(shù)的模式識(shí)別取得良好的效果且具有一定的指示作用。

表4 預(yù)測(cè)網(wǎng)絡(luò)檢驗(yàn)表

圖8 PNN預(yù)測(cè)X工區(qū)各類型區(qū)域分布(井點(diǎn)顏色:紅色為氣井,綠色為水井,黑色為干井)a 3口訓(xùn)練樣本井; b 8口訓(xùn)練樣本井

4 結(jié)論

本文在理論分析和試驗(yàn)的基礎(chǔ)上,研究了PNN的平滑參數(shù)和訓(xùn)練樣本的選取方法,并利用所得結(jié)論指導(dǎo)了PNN在實(shí)際工區(qū)中的模式識(shí)別。本次研究的結(jié)論如下:

1) 平滑參數(shù)通過(guò)調(diào)節(jié)隱含層神經(jīng)元上激活函數(shù)的輸出值來(lái)影響模式識(shí)別結(jié)果,其值的選取非常關(guān)鍵。在研究中發(fā)現(xiàn)平滑參數(shù)存在最優(yōu)取值區(qū)間,其間的值可使PNN具有最佳模式識(shí)別效果。

2) 油田開發(fā)階段擁有大量鉆井資料,為利用PNN進(jìn)行地震資料儲(chǔ)層預(yù)測(cè)提供了許多訓(xùn)練樣本。當(dāng)各類型訓(xùn)練樣本均勻選取時(shí),訓(xùn)練樣本的總數(shù)與分類符合率之間沒有嚴(yán)格的正比關(guān)系且樣本抽取的隨機(jī)性對(duì)分類符合率無(wú)影響。因此,為提高訓(xùn)練效率,可按各類型訓(xùn)練樣本均勻選取的原則從樣本集中抽取一部分參與訓(xùn)練。

3) 在勘探初期,當(dāng)井資料特別少時(shí),利用地震屬性進(jìn)行PNN模式識(shí)別具有一定的應(yīng)用潛力,這為少井情況下實(shí)際工區(qū)的儲(chǔ)層參數(shù)預(yù)測(cè)提供了一種選擇。

[1] SPECHT D F.Probabilistic neural networks[J].Neural Network,1990,3(1):109-118

[2] 黃德雙.神經(jīng)網(wǎng)絡(luò)模式識(shí)別系統(tǒng)理論[M].北京:電子工業(yè)出版社,1996:121-124 HUANG D S.System theory of neural network pattern recognition[M].Beijing:Publishing House of Electronics Industry,1996:121-124

[3] 杜紅斌,郭巧占.概率神經(jīng)網(wǎng)絡(luò)及其在儲(chǔ)層產(chǎn)能預(yù)測(cè)中的應(yīng)用[J].石油儀器,2005,19(4):54-56 DU H B,GUO Q Z.Application of probabilistic neural network in reservoir productivity forecasting[J].Petroleum Instruments,2005,19(4):54-56

[4] 孫翠娟,張文.概率神經(jīng)網(wǎng)絡(luò)技術(shù)在油氣藏物性參數(shù)預(yù)測(cè)中的應(yīng)用[J].中國(guó)海上油氣(地質(zhì)),2002,16(5):349-354 SUN C J,ZHANG W.An application of probabilistic neural network technique to parameter prediction for oil and gas reservoir[J].China Offshore Oil and Gas (Geology),2002,16(5):349-354

[5] 龐國(guó)印,唐俊,王琪,等.利用概率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)成巖相——以鄂爾多斯盆地合水地區(qū)延長(zhǎng)組長(zhǎng)8段儲(chǔ)層為例[J].特種油氣藏,2013,20(2):43-47 PANG G Y,TANG J,WANG Q,et al.Prediction of diagenetic facies with probabilistic neural network—taking member Chang 8 of Heshui area in Ordos basin as an example[J].Special Oil and Gas Reservoirs,2013,20(2):43-47

[6] 張紹紅,林昌榮.砂泥巖地層概率神經(jīng)網(wǎng)絡(luò)巖性反演技術(shù)應(yīng)用研究[J].西安石油大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,23(4):1-4 ZHANG S H,LIN C R.Application of probabilistic neural network technique in the lithology inversion of sandstone-mudstone strata[J].Journal of Xi’an Shiyou University (Natural Science Edition),2008,23(4):1-4

[7] 劉淑華,謝占安,劉建武,等.疊前地震多屬性反演在南堡油田火成巖研究中的應(yīng)用[J].石油物探,2008,47(1):83-88 LIU S H,XIE Z A,LIU J W,et al.Application of pre-stack multi-attribute inversion technology on igneous rock investigation in Nanpu oilfield[J].Geophysical Prospecting for Petroleum,2008,47(1):83-88

[8] 王曉,周文,王洋,等.新場(chǎng)深層致密碎屑巖儲(chǔ)層裂縫常規(guī)測(cè)井識(shí)別[J].石油物探,2011,50(6):634-638 WANG X,ZHOU W,WANG Y,et al.Conventional log identification of fractures in the deep tight clastic reservoir in Xinchang area[J].Geophysical Prospecting for Petroleum,2011,50(6):634-638

[9] 郝立波,蔣艷明,陸繼龍,等.利用多目標(biāo)地球化學(xué)數(shù)據(jù)識(shí)別第四紀(jì)沉積物類型——基于概率神經(jīng)網(wǎng)絡(luò)方法[J].吉林大學(xué)學(xué)報(bào)(地球科學(xué)版),2008,38(6):1081-1084 HAO L B,JIANG Y M,LU J L,et al.Identification of quaternary sediments types used by multi-purpose geochemical data—with probabilistic neural networks method[J].Journal of Jilin University (Earth Scienc Edition),2008,38(6):1081-1084

[10] BURRASCANO P.Learning vector quantization for the probabilistic neural network[J].IEEE Transactions on Neural Networks,1991,2(4):458-461

[11] KRISHNA K,MURTY M N.Genetic K-means algorithm[J].IEEE Transaction on Systems,Man,and Cybernetics—Part B:Cybernetics,1999,29(3):433-439

[12] MA S,JI C Y,FARMER J.An efficient EM-based training algorithm for feedforward neural networks[J].Neural Networks,1997,10(2):243-256

[13] STREIT R L,LUGINBUHL T E.Maximum likelihood training of probabilistic neural networks[J].IEEE Transactions on Neural Networks,1994,5(5):764-783

[14] 邢杰,蕭德云.基于PCA的概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,48(1):141-144 XING J,XIAO D Y.PCA-based probabilistic neural network structure optimization[J].Journal of Tsinghua University (Science and Technology),2008,48(1):141-144

[15] MAO K Z,TAN K C,SER W.Probabilistic neural-network structure determination for pattern classification[J].IEEE Transactions on Neural Networks,2000,11(4):1009-1016

[16] 馬運(yùn)勇.概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化研究及其應(yīng)用[D].哈爾濱:哈爾濱工業(yè)大學(xué),2008 MA Y Y.The optimization of probabilistic neural network structure and its applications[D].Harbin:Harbin Institute of Technology,2008

[17] KALKOMEY C T.Potential risks when using seismic attributes as predictors of reservoir properties[J].The Leading Edge,1997,16(3):247-251

[18] HAMPSON D P,SCHUELKE J S,QUIREIN J A.Use of multiattribute transforms to predict log properties from seismic data[J].Geophysics,2001,66(1):220-236

[19] 古發(fā)明.地震屬性的優(yōu)化方法研究與地震相分析[D].成都:西南石油大學(xué),2009 GU F M.Optimization of Seismic Attribute and Seismic Facies Analysis[D].Chengdu:Southwest Petroleum University,2009

[20] 魏艷,尹成,丁峰,等.地震多屬性綜合分析的應(yīng)用研究[J].石油物探,2007,46(1):42-47 WEI Y,YIN C,DING F,et al.Synthetic analysis of seismic multi-attribute and its application[J].Geophysical Prospecting for Petroleum,2007,46(1):42-47

[21] 古發(fā)明,尹成,丁峰.應(yīng)用粗集理論優(yōu)選地震屬性的方法研究[J].西南石油大學(xué)學(xué)報(bào),2007,29(S2):1-4 GU F M,YIN C,DING F.Applying rough set theory to optimize seismic attributes[J].Journal of Southwest Petroleum University,2007,29(S2):1-4

[22] 鮑祥生,尹成,趙偉,等.儲(chǔ)層預(yù)測(cè)的地震屬性優(yōu)選技術(shù)研究[J].石油物探,2006,45(1):28-33 BAO X S,YIN C,ZHAO W,et al.Optimizing seletion of seismic attributes in reservoir prediction[J].Geophysical Prospecting for Petroleum,2006,45(1):28-33

(編輯：朱文杰)

The smoothing parameter analysis of probabilistic neural network and its application in seismic attribute analysis

LUO Haoran,YIN Cheng,DING Feng,HUANG Xuri

(SchoolofGeoscienceandTechnology,SouthwestPetroleumUniversity,Chengdu610500,China)

The probabilistic neural network (PNN),with simple training method and good classification ability,can be utilized in pattern recognition of seismic attributes.However,the number of well logs is lack at the early stage of seismic exploration,which leads to the sample size of the pattern recognition using seismic attributes is small.In this case,the critical issues are also the smoothing parameter and the selection of training samples,which can determine the recognition accuracy of the network.Firstly we analyzed the influence of smoothing parameter on the classification coincidence rate of the network.Then,after a series of experiments with regard to selection of smoothing parameter and training samples,we proposed a method of training sample selection and an optimal interval of smoothing parameter to achieve the high classification coincidence rate in the context of sample normalization.Finally,the application of real seismic data inXarea indicated that the PNN has application potential in the case of less well logs and can be used as an alternative in pattern recognition of seismic attributes at the early stage of exploration.

probabilistic neural network,training sample,smoothing parameter,seismic attribute analysis,pattern recognition

2016-09-27;改回日期：2017-02-20。

羅浩然(1987—),男,博士在讀,現(xiàn)主要從事地震屬性分析和人工神經(jīng)網(wǎng)絡(luò)方面的研究。

國(guó)家科技重大專項(xiàng)(2016ZX05025001-001)資助。

P631

A

1000-1441(2017)04-0551-08

10.3969/j.issn.1000-1441.2017.04.011

This research is financially supported by the National Science and Technology Major Project of China (Grant No. 2016ZX05025001-001).