[发明专利]一种基于多阈值Birch聚类的相控孔隙度预测方法

权利要求书

1.一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于，包括以下步骤：

S1：对所有数据进行归一化处理，使各指标处于同一数量级；

S2：初始化M-Birch聚类模型，即主要初始化聚类特征CF和聚类特征树CF Tree，具体过程如下：

假设在某个簇中存在N个d维的阻抗样本{X_i}，i＝1，2，…，N，将聚类特征CF定义为四元组：CF＝N，LS，SS，T，其中，N为簇中阻抗样本的数量，LS为N个阻抗样本的线性和SS为N个阻抗样本的平方和T为簇半径阈值；分支因子是CF Tree的参数；其中，B是树中每个非叶节点最多包含的孩子节点的数量，记为条目CFi，CHILDi，i＝1，2，…，B，CFi是该节点中第i个聚类特征，CHILDi指向该节点中的第i个孩子节点；采用启发式设定阈值的方法为M-Birch聚类设定初始阈值，即在整个数据集中随机选取N对样本，将每一个样本都作为一个簇，根据簇的CF条目计算簇之间的曼哈顿距离，距离公式为：然后计算出距离的期望EX和方差DX，计算得出初始阈值T；其中P为预先设定的百分比；计算初始阈值T后，就可以建立一棵初始CF Tree；

S3：动态构建CF Tree，具体步骤如下：

S31：从根节点开始递归向下，通过计算CF与插入节点包含的各条目中CF的距离，寻找距离最短的路径及叶节点；

S32：如果CF与该叶节点各条目中的CF之间的距离小于阈值T，则选择阈值最小的条目，用合并算法将CF与该条目的CF进行合并，并自下向上相应地修改各节点的条目；合并定理如下：假定将n个簇合并，合并后新簇W的聚类特征如下所示：

其中，Ci.mean表示簇Ci的质心，W.mean表示新簇W的质心，计算公式为：

S33：如果CF无法与该条目的CF合并，则判断该条目所在叶节点的CF数量是否小于L；若小于则将CF新建为一个条目，并按B+树的插入算法将该条目插入到距离最近的条目后面，并相应修改CF Tree的结构；否则分裂该叶节点，原则是以距离最远的两个条目为种子进行分裂，剩余的条目按照距离最近合并到这两个条目中，并更新整个CF Tree；

S4：当CF Tree构建完成后，使用凝聚法对CF进行全局聚类；

S5：在沉积相带约束下，训练岭回归预测模型；

S6：在得到最优参数估计量的基础上，由未标签阻抗数据计算得到孔隙度预测值。

2.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S1中，归一化处理就是将有量纲的表达式变换为无量纲的表达式，使各指标处于同一数量级，以适合进行综合对比评价。

3.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S1中，使用标准分数归一法，使处理的数据符合均值为0，标准差为1的标准正态分布，其计算公式为：其中X是数据样本，μ为数据样本的均值，σ为数据样本的标准差。

4.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S3中，动态构建CFTree的过程也就是将簇的聚类特征CF插入到CFTree的过程。

5.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S4中，全局聚类的具体操作为将每个阻抗样本都作为一个独立的簇，并重复以下过程，计算两两簇之间的距离，找出距离最小的两个簇c1和c2并合并为一个簇，直到达到聚类数目。

6.根据权利要求1所述的一种基于多阈值Birch聚类的相控孔隙度预测方法，其特征在于：在S5中，训练岭回归预测模型时，其参数估计量见公式：其中X为阻抗样本，y为已知的孔隙度。