[发明专利]基于SOM的半监督全局优化地震相定量分析方法

权利要求书

1.一种基于SOM的半监督全局优化地震相定量分析方法，其特征在于，包括以下步骤：

步骤1，提取叠前地震数据纹理属性，得到训练集，其中，所述训练集包括有标签样本和无标签样本；

步骤2，根据所述训练集训练SOM网络，得到所述有标签样本在SOM网络输出层中对应的最优响应元，根据标签信息确认所述有标签样本对应的最优响应元的必连和勿连关系；

步骤3，应用人工蜂群算法和所述步骤2中确定的必连和勿连关系对SOM网络输出神经元进行最优化K均值聚类，待优化的目标函数为K均值聚类的类内距离之和；

步骤4，重复所述步骤3直到满足所述人工蜂群算法停止条件，得到最优化的SOM网络输出神经元聚类，通过将神经元映射至对应的类别得到SOM网络输出层神经元与类别之间的最优化映射关系；

步骤5，将测试样本输入SOM网络，得到测试样本在SOM网络输出层中的最佳响应元，根据最优化映射关系得到测试样本对应的相类别，根据所有测试样本的相类别得到工区相带的展布图；

步骤6，将所述步骤4得到的SOM网络输出层的最优化神经元聚类设置PNN网络的模式层，通过PNN网络得到每个测试样本在已训练得到的SOM网络下属于每一类别的概率；

步骤7，通过计算每个测试样本的区分度、亲和度和置信度得到每个样本的分类评价指标，以评估整体分类置信度。

2.如权利要求1所述的基于SOM的半监督全局优化地震相定量分析方法，其特征在于，所述步骤2包括以下流程：

初始化SOM网络权值；

根据所述训练集中的训练样本与输出层神经元之间的距离得到最优响应元(BestMatching Unit,BMU)；

根据W_j(t+1)＝W_j(t)+(η(t)*h(dist(BMU,v_j),t)*(X_i-W_j(t)))，更新网络权值，其中，W_j(t)表示t时刻最优响应元或其领域响应元的权向量；η(t)为一个随着时间减小的学习率；X_i是训练样本；h是领域函数，其自变量dist(BMU,v_j)是神经元v_j和BMU之间的距离，并且该领域函数随着时间的增加而减小，h取为一个随时间增加而收缩的高斯函数；

得到有标签样本在SOM网络输出层中对应的最优响应元，根据标签信息确认所述有标签样本对应的最优响应元的必连和勿连关系。

3.如权利要求1所述的基于SOM的半监督全局优化地震相定量分析方法，其特征在于，所述步骤3包括以下流程：

应用人工蜂群算法和所述步骤2中确定的必连和勿连关系对SOM网络输出神经元进行最优化K均值聚类，待优化的目标函数为K均值聚类的类内距离之和

其中，Nc为总的类别数；N_j为第j类的元素数目；w^j为第j类的中心；w_i为第j类的第i个神经元对应的权向量。

4.如权利要求1所述的基于SOM的半监督全局优化地震相定量分析方法，其特征在于，所述步骤6包括以下流程：

将所述步骤4得到的SOM网络输出层的最优化神经元聚类设置PNN网络的模式层，对测试样本x，计算该样本属于每一类别的概率

其中，p(x|k)是样本x属于类别k的概率；N_k是竞争层中属于第k类的竞争元的数量；d是x的维度；w_i是竞争层中属于第k类的第i个竞争元对应的权向量；σ是尺度因子；W是核函数，为高斯函数

得到每个测试样本在已训练得到的SOM网络下属于每一类别的概率。

5.如权利要求4所述的基于SOM的半监督全局优化地震相定量分析方法，其特征在于，所述步骤7包括以下流程：

对每个测试样本，设置区分度D、亲和度A和置信度C参数以定量评估该样本经过SOM聚类的效果

其中，Large(p,1)和Large(p,2)分别表示p(x|k),k∈[1,N_c]中的最大和次大概率，Nc为总的类别数。