没有人 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 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。