CN109447158A - 一种基于不平衡数据的Adaboost有利储层发育区预测方法 - Google Patents
一种基于不平衡数据的Adaboost有利储层发育区预测方法 Download PDFInfo
- Publication number
- CN109447158A CN109447158A CN201811281446.0A CN201811281446A CN109447158A CN 109447158 A CN109447158 A CN 109447158A CN 201811281446 A CN201811281446 A CN 201811281446A CN 109447158 A CN109447158 A CN 109447158A
- Authority
- CN
- China
- Prior art keywords
- adaboost
- weight
- favorable
- classifier
- weak classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于不平衡数据的Adaboost有利储层发育区预测方法,其特征在于能够解决不平衡数据分类偏向多数类的问题,将能够反应分类器综合性能的AUC指标引入Adaboost弱分类器的权重计算,通过误差以及AUC共同决定弱分类的权重,实现了Adaboost的有效改进;针对Adaboost迭代过程中会产生具有较大权重的冗余或无用弱分类器的问题,采用PSO优化算法,进一步修正弱分类器的权重产生强分类器,实现了未知区域有利区的高效预测。本发明提供的方法可以有效的提高有利区预测的准确率,辅助地质人员快速地圈定有利目标。
Description
技术领域
本发明属于地球物理勘探领域和人工智能领域,具体涉及一种基于不平衡数据的Adaboost有利储层发育区预测方法。
背景技术
随着勘探技术的发展,岩性地层的油气藏数量在不断增加,无论是在东部高成熟探区还是中西部的低程度探区,油气藏的比例仍在持续扩大,具有巨大的勘探潜力。而有利区预测则是油气藏开发的关键环节之一,但由于地质条件复杂,受限于现有的理论和方法,传统有利区预测常用的地震属性相关性差,导致预测精度低。
机器学***衡问题。虽然现有的分类方法已经相对成熟,可以很好的解决大多数分类问题,然而对于不平衡数据,分类结果往往偏向于多数类,导致少数类的准确率很低。
综上,解决有利区预测中的不平衡性,提出一种高效的预测模型对有利储层发育区进行圈定,是迫切需要解决的问题。
发明内容
为了克服有利区预测过程中遇到的样本不平衡问题,辅助地质人员快速圈定有利储层发育区,本发明提供了一种基于不平衡数据的Adaboost有利储层发育区预测方法,对有利区数据进行建模,能有效地对有利区进行分类识别。
Adaboost算法通过将多个弱分类器组合成一个强分类器,大大提升了分类的精确度,但是弱分类的系数都是在每一次迭代的过程中就已经确定下来的,且后期无法更改,难免会产生冗余或者无用的弱分类器拥有较大权重的现象。针对Adaboost存在的问题,可利用PSO算法优化Adaboost弱分类器权重。
为实现上述目的,本发明技术方案主要包括以下四个步骤:
A.数据采集及处理:
从勘探数据库、地震数据体等数据源中提取地震属性以及岩性剖面数据,采用规范化方法对地震属性进行预处理,通过时深转换,匹配地震属性对应的岩性数据,获得带有类别标签的样本集。
B.训练基于改进的Adaboost的分类器:
(1)初始化训练数据的权值分布
其中,N为样本数,w1i为样本在第1轮迭代中的权重;
(2)对m=1,2,…,M
(a)使用具有权值分布Dm的训练数据集学习,得到基本分类器
Gm(x)={-1,+1}
(b)计算Gm(x)在训练数据集上的分类误差率em
其中yi表示第i个样本的真实标签值;
(c)计算Gm(x)的系数,针对Adaboost算法更加关注于错误分类的样本,而不是少数类样本,将可以从整体上评估分类器性能的AUC指标引入弱分类器的权值计算中,重新定义弱分类器的权值函数
(d)更新训练数据集的权值分布
这里Zm是规范化因子,使得Dm成为一个概率分布;
(3)构建基本分类器的线性组合
得到最终分类器
C.采用PSO优化Adaboost弱分类器系数:
针对弱分类系数在每一次迭代过程中一旦确定,后期无法更改,难免会产生冗余或者无用的弱分类器拥有较大权重的问题,采用PSO算法优化Adaboost弱分类器权重,使得精确度高的弱分类器得到较大的权重,无用或者冗余的弱分类器得到很小权重,从而进一步提升Adaboost的准确率和可读性。
通过计算Adaboost的误差率ei作为每个粒子的适应度值:
Q表示样本的个数,ei表示第i个粒子的误差率即适应度值,m是弱分类器的个数,xik表示第i个例子的第k个权重值,ys表示第s个样本的真实类别。
通过PSO优化,得到修正后的强分类器,对有利区进行预测。
本发明的有益效果是:Adboost是一种集成算法,具有很高的分类精度,但不能很好的处理不平衡数据下的分类问题,通过引入AUC指标,修正弱分类器权重,使其更关注于错误分类的少数类样本;采用PSO算法进一步优化弱分类器的权重,利用修正后的强分类器训练得到地震属性与类别标签的映射关系,大大提高了有利区预测的准确率,为地质人员快速圈定有利区提供了辅助作用。
附图说明
图1是本发明的流程图
上图中:11.井震数据,12.弱分类器,13.Adaboost强分类器,14.PSO优化算法,15.优化后的Adaboost强分类器,16.未标记的地震属性样本。
具体实施方式
下面结合图1对本发明作进一步详细的描述:
A.数据采集预处理:
从勘探数据库、地震数据体等数据源中提取地震属性以及岩性剖面数据等井震数据11,因井震数据获取手段不同,导致数据存储格式多样化,数据的衡量尺度有很大不同,于是采用规范化方法对地震属性进行预处理,将属性数值映射到[0,1]区间,通过时深转换,匹配地震属性对应的岩性数据,获得带有类别标签的样本集。本发明采用十折交叉验证,将数据集划分为十份,其中九份用于训练,一份用于测试。
B.训练基于改进的Adaboost的分类器:
(1)初始化训练数据的权值分布
其中,N为样本数,w1i为样本在第1轮迭代中的权重;
(2)进行M次循环训练弱分类器Gm(x),迭代次数m=1,2,…,M
(a)使用具有权值分布Dm的训练数据集学习,得到基本弱分类器12,其中将有利储层发育区标记为1,非有利储层发育区标记为-1;
Gm(x)={-1,+1}
(b)计算Gm(x)在训练数据集上的分类误差率em
其中yi表示第i个样本的真实标签值,I(Gm(x)≠yi)说明参与分类错误率em计算的是被误分类的样本;
(c)计算Gm(x)的系数,针对Adaboost算法更加关注于错误分类的样本,而不是少数类样本,将可以从整体上评估分类器性能的AUC指标引入弱分类器的权值计算中,重新定义弱分类器的权值函数
(d)更新训练数据集的权值分布
这里Zm是规范化因子,使得Dm成为一个概率分布;
(3)构建基本分类器的线性组合
得到最终Adaboost强分类器13
C.采用PSO优化Adaboost弱分类器系数:
针对弱分类系数在每一次迭代过程中一旦确定,后期无法更改,难免会产生冗余或者无用的弱分类器拥有较大权重的问题,采用PSO算法14优化Adaboost弱分类器权重,使得精确度高的弱分类器得到较大的权重,无用或者冗余的弱分类器得到很小权重,从而进一步提升Adaboost的准确率和可读性。
(1)PSO优化的原理:每一个弱分类器的权重看作是一只鸟,称之为“粒子”,每个粒子都有一个适应值,代表自身解的优劣。在每次迭代的过程中,每个粒子根据全局最优解以及粒子本身所找到的最优解,调整自己的移动方向和速度大小,逐渐向最优粒子靠近。
(2)通过计算Adaboost的误差率ei作为每个粒子的适应度值:
Q表示样本的个数,ei表示第i个粒子的误差率即适应度值,m是弱分类器的个数,xik表示第i个例子的第k个权重值,ys表示第s个样本的真实类别。
通过PSO优化,得到修正后的强分类器15,以未标记的地震属性样本16为输入,对有利区进行预测。
以上所述,仅是本发明的较佳实施例,任何熟悉本专业的技术人员可能利用上述阐述的技术方案加以改型或变更为等同变化的等同实例。凡未脱离本发明技术方案内容,依据发明的技术方案对上述实施例进行的任何简单修改、变更或改型,均属于发明技术方案的保护范围。
Claims (1)
1.一种基于不平衡数据的Adaboost有利储层发育区预测方法,其特征在于,包括以下步骤:
从勘探数据库、地震数据体等数据源中提取地震属性以及岩性剖面数据,对其进行规范化处理,将地震属性数值映射到[0,1]区间,有利区划分为有利储层发育区和非有利储层发育区两类,通过时深匹配,获得带有类别标签的样本集;通过将分类器综合评价指标AUC引入Adaboost弱分类器的权重计算,综合分类误差以及AUC指标的共同作用决定弱分类的权重,从而解决了不平衡数据分类偏向于多数类的问题,提高了Adaboost的分类准确率;通过引入PSO算法,进一步优化Adaboost弱分类器的权重,实现优质弱分类器具有较高的权重,以经过规范化处理的样本集作为输入,采用修正后的Adaboost强分类器用于未知区域的有利区的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281446.0A CN109447158A (zh) | 2018-10-31 | 2018-10-31 | 一种基于不平衡数据的Adaboost有利储层发育区预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281446.0A CN109447158A (zh) | 2018-10-31 | 2018-10-31 | 一种基于不平衡数据的Adaboost有利储层发育区预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447158A true CN109447158A (zh) | 2019-03-08 |
Family
ID=65550317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811281446.0A Pending CN109447158A (zh) | 2018-10-31 | 2018-10-31 | 一种基于不平衡数据的Adaboost有利储层发育区预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447158A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059755A (zh) * | 2019-04-22 | 2019-07-26 | 中国石油大学(华东) | 一种多特征评价准则融合的地震属性优选方法 |
CN112581265A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于AdaBoost的互联网金融客户申请欺诈检测方法 |
CN112733913A (zh) * | 2020-12-31 | 2021-04-30 | 浙江禾连网络科技有限公司 | 一种基于成本Adaboost算法的子女协同老年人财产安全检测方法 |
CN113744892A (zh) * | 2021-09-02 | 2021-12-03 | 上海宝藤生物医药科技股份有限公司 | 胚胎整倍性预测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110229025A1 (en) * | 2010-02-10 | 2011-09-22 | Qi Zhao | Methods and systems for generating saliency models through linear and/or nonlinear integration |
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
KR101254177B1 (ko) * | 2011-10-07 | 2013-04-19 | 위아코퍼레이션 주식회사 | 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템 |
CN104570109A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 一种储层油气预测的方法 |
CN105868775A (zh) * | 2016-03-23 | 2016-08-17 | 深圳市颐通科技有限公司 | 基于pso算法的不平衡样本分类方法 |
CN106778853A (zh) * | 2016-12-07 | 2017-05-31 | 中南大学 | 基于权重聚类和欠抽样的不平衡数据分类方法 |
CN108460421A (zh) * | 2018-03-13 | 2018-08-28 | 中南大学 | 不平衡数据的分类方法 |
-
2018
- 2018-10-31 CN CN201811281446.0A patent/CN109447158A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110229025A1 (en) * | 2010-02-10 | 2011-09-22 | Qi Zhao | Methods and systems for generating saliency models through linear and/or nonlinear integration |
KR101254177B1 (ko) * | 2011-10-07 | 2013-04-19 | 위아코퍼레이션 주식회사 | 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템 |
CN102650702A (zh) * | 2012-05-03 | 2012-08-29 | 中国石油天然气股份有限公司 | 一种地震波形分析及储层预测方法和装置 |
CN104570109A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 一种储层油气预测的方法 |
CN105868775A (zh) * | 2016-03-23 | 2016-08-17 | 深圳市颐通科技有限公司 | 基于pso算法的不平衡样本分类方法 |
CN106778853A (zh) * | 2016-12-07 | 2017-05-31 | 中南大学 | 基于权重聚类和欠抽样的不平衡数据分类方法 |
CN108460421A (zh) * | 2018-03-13 | 2018-08-28 | 中南大学 | 不平衡数据的分类方法 |
Non-Patent Citations (3)
Title |
---|
KEWEN LI 等: "An Improved Adaboost Algorithm for Imbalanced Data Based on Weighted KNN", 《2017 IEEE 2ND INTERNATIONAL CONFERENCE ON BIG DATA ANALYSIS 》 * |
任克强 等: "基于AFSA和PSO融合优化的AdaBoost人脸检测算法", 《小型微型计算机***》 * |
李军: "不平衡数据学习的研究", 《中国博士学位论文全文数据库-信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059755A (zh) * | 2019-04-22 | 2019-07-26 | 中国石油大学(华东) | 一种多特征评价准则融合的地震属性优选方法 |
CN110059755B (zh) * | 2019-04-22 | 2023-10-13 | 中国石油大学(华东) | 一种多特征评价准则融合的地震属性优选方法 |
CN112581265A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于AdaBoost的互联网金融客户申请欺诈检测方法 |
CN112733913A (zh) * | 2020-12-31 | 2021-04-30 | 浙江禾连网络科技有限公司 | 一种基于成本Adaboost算法的子女协同老年人财产安全检测方法 |
CN113744892A (zh) * | 2021-09-02 | 2021-12-03 | 上海宝藤生物医药科技股份有限公司 | 胚胎整倍性预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Attention-based relation extraction with bidirectional gated recurrent unit and highway network in the analysis of geological data | |
CN109447158A (zh) | 一种基于不平衡数据的Adaboost有利储层发育区预测方法 | |
CN108984745A (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN109947963A (zh) | 一种基于深度学习的多尺度哈希检索方法 | |
CN107545577B (zh) | 基于神经网络的沉积相图像分割方法 | |
CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN109736790A (zh) | 基于深度信念网络的测井岩性识别方法 | |
CN109858414A (zh) | 一种***分块检测方法 | |
Lin et al. | Mineral potential mapping using a conjugate gradient logistic regression model | |
CN101276420A (zh) | 一种融合光谱信息和多点模拟空间信息的分类方法 | |
CN109345007A (zh) | 一种基于XGBoost特征选择的有利储层发育区预测方法 | |
CN113344050A (zh) | 一种基于深度学习的岩性智能化识别方法及*** | |
CN111191741A (zh) | 一种岩石识别深度学习模型岩石分类约束继承性损失方法 | |
CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
CN107038505A (zh) | 基于机器学习的找矿模型预测方法 | |
CN109948825A (zh) | 基于改进PSO与Adaboost结合的有利储层发育区预测方法 | |
CN109902390A (zh) | 一种基于小样本扩充的有利储层发育区预测方法 | |
CN110298392A (zh) | 一种标签约束自权重多超图学习的半监督分类方法 | |
CN107798340A (zh) | 基于空间约束多自编码器的多元地球化学异常识别方法 | |
CN113902861A (zh) | 一种基于机器学习的三维地质建模方法 | |
Granek et al. | Data mining for real mining: A robust algorithm for prospectivity mapping with uncertainties | |
CN109613623A (zh) | 一种基于残差网络的岩性预测方法 | |
CN113032613A (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
Xia et al. | Land resource use classification using deep learning in ecological remote sensing images | |
CN109034213A (zh) | 基于相关熵原则的高光谱图像分类方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190308 |
|
WD01 | Invention patent application deemed withdrawn after publication |