基于突现自组织映射的数据挖掘测井岩性识别新方法.pdfVIP

石油天然气学报(江汉石油学院学报) 2009年4月第31卷第2期 ofOilandGas V01．31No．2 · 67· Journal Apr．2009 Technology(J．JPI) 基于突现自组织映射的数据挖掘： 测井岩性识别新方法 郭海峰，李洪奇 (淼‘撼雾写鬻’油气资源与探j贝i|国家重点实验室) ：}n刀柚 ，中国石油大学(北京)资源与信息学院，油气资源与探测国家重点实验室(cp国石油大学(北京))，、 血7鼠7H ＼北京102249；新疆油田分公司勘探开发研究院，新疆克拉玛依834000 J 。一7、 李雄炎(巷淼‘：；翟)霎雩蔫息02学24阮9油气资源与探测国家重点实验室)＼(中国石油大学(北京))，北京1 ， [摘要]提出一种基于突现自组织映射的测井岩性识别数据挖掘方法。采用大规模神经元和无边界环面映 射，用U矩阵进行可视化，最后通过人工交互进行聚类和分类。将该方法用于准噶尔盆地陆东一五彩湾地 区的火山岩岩性识别。效果良好，准确率达90％以上。该方法能有效发现高维数据中隐藏的模式。尤其 适合复杂岩性的测井识别。 [关键词]岩性识别；数据挖掘；测井资料；突现自组织映射，U矩阵 [中图分类号]P631．84 [文献标识码]A 自组织映射(Self-OrganizingMap，SOM)是应用最为广泛的神经网络模型。但是高度参数化的BP网 络需要很高的工程技巧确定合适的参数，否则很容易过度拟合到训练数据中；标准SOM遇到高维复 杂、差异不明显的数据时，往往由于类簇相互重叠而无法得到有意义的聚类信息。突现自组织映射 (EmergentSelf-Organizing 笔者以准噶尔盆地陆东一五彩湾地区火山岩岩性识别为例，研究一种将ESOM作为综合数据挖掘工具用 予测井岩性识别的新方法。 1突现自组织映射 SOM神经网络[5]为一单层前馈网络，由输入层和输出层(竞争层)组成。输入层所在空间称为数 据空间或样本空间，神经元数与样本维数相同；竞争层由两维网络组成，称为映射空间。网络是全连接 的，可以把任意高维数据映射到低维空间，并且保持其拓扑结构不变。SOM经过充分训练并且收敛后， 具有聚类、特征选择、降维可视化等功能L6]。 突现[7]指的是在一个由大量个体组成的系统中自发涌现出来的集体行为，这种行为不能从系统个体 的知识中预测甚至“想象”。比如生命之于无生命的物理化学特性，心灵之于神经细胞的生理活动，就 是突现现象。ESOMC“叼的基本思想就是改进标准SOM映射使其能产生突现现象，以达到揭示隐藏在 数据中宏观结构的目的。如果想要SOM产生突现，必须满足2个关键条件：①映射空间必须要有充足 的神经元；②学习算法必须是拓扑保持的。对于条件①，ESOM选择的神经元个数至少上千，远远大 于预期的类簇个数；对于条件②，SOM映射算法本身就是拓扑保持的，因此ESOM直接继承该算法， 并采用无边界超环面映射空问。 [收稿日期]2009一02—10 [基金项目]国家。十五’重大科技攻关项目(2001BA605A09)。 [作者简介]郭海峰(1976一)．男。2006年硕士研究生毕业，博士生，现主要从事测井资料解释和数据挖掘方面的研究工作。 · 68· 石油天然气学报(江汉石油学院学报) 2009年4月 ESOM训练结果是高维原型向量的低维网络，样本匹配神经元坐标并不能提供直观可视化信息， 必须采用额外的方法来可视化。这些方法主要有基于距离的U矩阵法[10]、基于密度的P矩阵法[11]和基 于距离和密度结合的U‘矩阵法[12]3种。研究采用U矩阵法。定义神经元卵，的邻域U；为： Uf={以，l忌(珂i，扎f)U，”，≠托j) (1) 式中，k为映射空问上的距离度量；“为正数阈值常量；神经元的U高度砌(咒，)等于，2；权向量到U；内所有 神经元权向量距离之和： uh(n；)一∑d(n朋』) (2)