10.1190/1.3046455
勘探地球物理学家协会
勘探地球物理学家协会
186
35724563
5981
2021031006455100334
10.1190
2021-03-10T09:56:29Z
2009年1月5日20:28:02Z
50
地球物理学
地球物理学
0016-8033
1942-2156
01
2009
74
1
地震相分析的可视化数据挖掘方法:第1部分:与其他无监督聚类方法的测试和比较
伊万·迪米特里
马洛金
前身为加拿大蒙特利尔麦吉尔大学地球与行星科学系;
目前位于美国德克萨斯州休斯顿的Paradigm。
加拿大蒙特利尔蒙特利尔大学第一校区盖尼埃利克分校蒙特利尔理工学院。
原麦吉尔大学地球与行星科学系,加拿大蒙特利尔;
目前位于美国德克萨斯州休斯顿的康菲石油公司。
珍妮·朱尔斯
Brault公司
原麦吉尔大学地球与行星科学系,加拿大蒙特利尔;
目前位于美国德克萨斯州休斯顿的Paradigm。
加拿大蒙特利尔蒙特利尔大学第一校区盖尼埃利克分校蒙特利尔理工学院。
前身为加拿大蒙特利尔麦吉尔大学地球与行星科学系;
目前位于美国德克萨斯州休斯顿的康菲石油公司。
布鲁斯·S。
雄鹿
前身为加拿大蒙特利尔麦吉尔大学地球与行星科学系;
目前位于美国德克萨斯州休斯顿的Paradigm。
加拿大蒙特利尔蒙特利尔大学第一校区盖尼埃利克分校蒙特利尔理工学院。
原麦吉尔大学地球与行星科学系,加拿大蒙特利尔;
目前位于美国德克萨斯州休斯顿的康菲石油公司。
地震相分析旨在识别相似地震道形状的簇(组),其中每个簇可被视为代表所成像地层的岩性、岩石属性和/或流体含量的变化。
不幸的是,并不总是清楚地震数据是否具有自然的聚类结构。
聚类分析由一系列方法组成,这些方法有很大潜力将地震道形状分类为有意义的聚类。
可以使用受监督的流程(将模式分配给预定义集群)或无监督流程(将一组模式划分为没有预定义集群的组)来执行集群。
我们评估和比较了完全基于地震响应特征的模式识别的不同无监督聚类算法(例如划分、层次、概率和软竞争模型)。
通过对简单数据集的验证结果,我们证明了在可视化数据挖掘方法中实现的自组织映射算法在解释集群结构方面优于所有其他聚类算法。
我们将这种方法应用于使用离散的已知数量的不同地层几何体生成的二维地震模型。
该可视化策略在模型测试中恢复了正确的端元地震相数量,表明它适用于高度相关和连续地震数据的模式识别。
01
2009
第1页
第11页
10.1190/1.3046455
10.1190/1.3046455
https://library.seg.org/doi/10.1190/1.3046455
https://library.seg.org/doi/pdf/10.1190/1.3046455
http://geosphysics.geoscienceworld.org/cgi/doi/10.1190/1.3046455
Artero,A.O.,M.C.F.de Oliveira和H.Levkowitz,2004,《在拥挤的平行坐标可视化中发现集群:第十届IEEE信息可视化研讨会论文集》,81-88。
10.1007/3-540-49257-7_15
Beyer,K.、J.Goldstein、R.Ramakrishnan和U.Shaft,1999年,“最近的邻居什么时候有意义?”?
第七届数据库理论国际会议论文集,217-235。
10.1016/0167-9473(92)90042-E
10.1190/1.1623635
10.1190/1.2392789
0035-9246
英国皇家统计学会学报B
Dempster A.P.公司。
1
39
1977
10.1111/j.2517-6161.1977.tb01600.x
10.1190/1.1442554
Fayyad,U.、R.Cory和P.S.Bradley,1998,迭代精化聚类算法的初始化:第四届知识发现和数据挖掘国际会议论文集,194-198。
10.3233/IDA-2001-5502
10.1190/1.1443878
10.1198/016214502760047131
Fritzke,B.,1997,《一些竞争性学习方法》,
http://www.neuroinformatik.ruhr-uni-bochum.de/ini/VDM/research/JavaPaper
,2006年3月10日查阅。
10.1190/1.1778239
10.1559/1523040053722150
神经网络:综合基础
海金S。
1999
2
He,J.,M.Lan,C.L.Tan,S.Y.Sung,and L.Hwee-Boom,2004,《集群优化算法的初始化:回顾与比较研究:神经网络国际联合会议论文集》,第1297–302页。
2007年10月10日/BF01898350
10.1145/331499.331504
Johansson,J.、P.Ljung、M.Jern和M.Cooper,2005年,揭示集群平行坐标显示中的结构:第11届IEEE信息可视化研讨会论文集,125-132。
在数据中查找组:聚类分析简介
考夫曼L。
1990
10.1109/69.553159
自组织地图
Kohonen T。
1995
10.1109/ICPR.2004.1334429
Koskela,M.,J.Laakson,and E.Oja,2004,基于熵的聚类和SOM拓扑保存措施在基于内容的图像索引和检索中的应用:第17届模式识别国际会议论文集,21005–1009。
《多元观测分类和分析的一些方法:第五届伯克利数理统计与概率研讨会论文集》,MacQueen,J.B.著,1967年,第1281–297页。
Marroquin,I.D.,2007年,《通过应用地震属性描述储层特征:多属性和无监督地震相分析:麦吉尔大学博士论文》。
10.1190/1.3046456
Marroquin,I.D.、B.S.Hart和J.J.Brault,2009年,《地震相分析的可视化数据挖掘方法:第2部分——三维地震数据的应用:地球物理GPYSA70016-8033》,本期。
“神经-气体”网络学习拓扑
马丁内茨·T·M。
397
1991
10.1190/1.1440027
10.1007/978-3-540-45167-9_14
梅勒,M.,2003,《通过信息变化比较聚类:第16届计算学习理论年会论文集》,173-187。
梅勒,M.和D.赫克曼,1998,几种聚类方法的实验比较:第14届人工智能不确定性会议论文集,386–395。
沉积层序地震反射样式的地层学解释
米奇姆·R·M。
117
1977
Moth'd Belal,A.d.,2005,《集群初始化的新算法:世界科学、工程和技术学院学报》,第4期,第74-76页。
Moutard,F.和A.Ultsch,2005年,《U*F聚类:基于自组织地图分割的新性能“聚类挖掘”方法:第五届自组织地图研讨会论文集,25–32。
10.1145/584792.584889
Ordonez,C.和E.Omecinski,2002,FREM:大型数据集的快速和稳健EM聚类:国际信息和知识管理会议,1-12。
10.1190/1.1635052
Stata杂志
肖恩劳·M·。
316
三
2002
10.1190/1.1888942
Simaan,M.A.,1991年,基于纹理的地震剖面分割的基于知识的计算机系统:第61届国际年会,SEG,扩展摘要,289–292。
Ultsch,A.和H.P.Siemon,1990年,Kohonen的探索性数据分析自组织特征图:国际神经网络会议论文集,305-308。
10.1016/S0893-6080(02)00077-1
2016年10月10日/j.neucom.2004.04.008
10.1190/1.1887260
Vinther,R.,K.Mosegaard,K.Kierkegaard,I.Abatzis,C.Andersen,O.Vejback,F.If,and P.Nielsen,1995,《地震结构分类:地层分析的计算机辅助方法:第65届国际年会》,SEG,扩充摘要,153-155。
计算科学与统计
韦格曼·E·J。
352
28
1996
10.1190/1.1518444
数据挖掘:使用Java实现的实用机器学习工具和技术
维滕·I.H。
2005
2
0899-7667
神经计算
徐磊(Xu L.)。
129
7
1995
10.1109/TNN.2005.845141号
10.1190/1.1888936
Yang,F.M.和K.Y.Huang,1991,地震异常探测的多层感知:第61届国际年会,SEG,扩展摘要,309–312。
10.1109/72.914534
Zhang,H.和Y.Li,1993,自组织图作为聚类和数据分析的新方法:神经网络国际联合会议论文集,32448-2451。