基于支持向量机原理的复杂地层岩性识别方法.pdf

2011年第4期 国 外 测 井 技 术 Aug．2011 22 总第 184期 W0RLD WELL LOGGING TECHN0L0GY Total184 · 基础科学 · 基于支持向量机原理的复杂地层岩性识别方法 刘跃辉 郑建东 大庆油田勘探开发研究院地球物理测井研究室 摘 要：支持向量机是在统计理论基础上发展起来的一种新的机器学习方法。根据其原理，-．j-~有 效地识别复杂岩性地层剖面。在海拉尔塔南地区，其回判精度达到了86．7％~X,I-，应用效果比较理 想。 关键词：多元统计：支持向量机；岩性识别 一 0 引 言 支持向量机是在统计学习理论基础上发展起来 的一种新的机器学习方法，它根据有限的样本信息 在模型的复杂性(即对特定训练样本的学习精度)和 学习能力(即无错误地识别任意样本的能力)之间寻 求最佳折中，以期获得最好的推广能力。与传统的 神经网络相比，它具有结构简单、适应性强、全局优 图1最优分类面示意图 化、训练时间短、泛化能力强等优点，尤其是在解决 绝大部分数据完全线性可分的难以实现。在线性不 小样本、非线性和高维模式识别等问题方面，表现出 可分的情况下，就是某些训练样本不能满足式(I)的 其特有的优势。 条件，因此可以在条件中增加一个松弛项专，约束条 件变成： 1支持向量机(SVM)模式识别基本原理 [( )+ 1一 皇】，2，…，iv／ (2) 支持向量机是从线性可分情况下的最优分类面 发展而来的，基本思想可用图1的两维情况说明。 此时的目标函数是求下式的最小值： 图中，圆圈和矩形两种符号分别代表两类不同的训 1 厂』 、 妒(w，)=÷(w，w)+Cl∑ j，(it1,2，…，，1) (3) 练样本，H为把两类没有错误区分开的分类线，H1、 i-1 ／ H2分别为过各类中离分类线最近的样本且平行于 其中C0是一个指定的常数，表示对分类错误 分类线的直线。分类线方程为：x·w+b=0，对于线性 的惩罚，用于调整置信范围和经验误差之间的均衡， 可分样本集(x，Y)，i=l，2，…，n，x∈R，y∈{+1，一1}， 较大的c意味着较小的经验误差，而小的C意味着 满足：HI平面：W·X1+b≥1，H2平面：wX·2+b≤一1，即： 更大的分类间隔，即更复杂的学习机器。相对于岩 yj[(w．xi)+b]一1／0，i=l，2，…，n (1) 性识别问题，其测井参数数据是非线性的，要获得好 分类间隔等 lJ，求解的最优分类面就是 的分类效果，必须采用非线性决策函数： 满足条件式(1)且使目标函数 (w) fwI广最小的 ：)r (x)，R F 分类面，H1、H2上的训练点称为支持向量。 把向量x映射到一个高维线性特征空间F，在此 在实际情况中，数据总是有噪声的，因此导致了 空间中构造最优分类超平面，这就是支持向量机的 作者简介：刘跃辉(1981一)，男，硕士研究生，毕业于西南石油大学石油工程测井专业。现就职于大庆油田勘探开发研究院，从 事测井评价工作。 2011年第4期 刘跃辉，等：基于支持向量机原理的复杂地层层性识别方法 基本思想。 可分区域，那么不可分区域中的样本点就根据决策 问题转变成满