CN101512556A - 解释分配给n维解释空间中多个位置的多个m维属性向量 - Google Patents

Abstract

一种用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的方法，该方法包括：将至少一个属性向量子集排列为m维属性空间中的点；通过为每个类识别属性空间中的至少一个分类点，定义k类(k≥2)属性向量；为属性空间中的点假设分类规则；利用分类点和获得被分类点的分类规则，确定属性空间中的点的类成员资格属性；及向被分类点分配关于该类成员资格属性的显示参数。在一种实施方式中，显示参数是得自概率成员资格值的混合显示参数，其中每个概率成员资格值表示被分类点属于选定类的概率。在另一种实施方式中，在属性空间中和解释空间中同时显示被分类点。该方法可以用在从次表层地层产生碳氢化合物的方法中。还提供了相应的计算机程序产品和计算机系统。

Description

解释分配给N维解释空间中多个位置的多个M维属性向量

技术领域

本发明涉及用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的方法。解释空间尤其可以表示次表层地层(subsurface formation)。本发明可以用在从次表层地层产生碳氢化合物的方法中。

背景技术

对所获得的用于解释空间的大量数据的解释可以是非常复杂的任务。一个特定的例子是针对次表层地层所获得的地震及有时候是其它数据的分析，以便允许在特定属性的区域和层之间加以区别。在此所使用的术语“次表层地层”指一定量的次表层。一定量的次表层一般包含多个层。次表层地层尤其可以包括一个或多个包含或者预计包含诸如油或天然气的碳氢化合物的层，但是它也可以，甚至主要地，包括其它层与地质结构。

通常，两个或多个数据集是可以获得的，每个数据集提供贯穿该解释空间不同位置的独特标量参数的值。期望联合起来解释这些数据集，以便识别解释空间中特定类别的区域。

在解释针对次表层地层所获得的数据的情况下，常常采用所谓的振幅随偏移距变化(AVO)技术。在2003年11月GSEG Recorder上第5-11页由S.Chopra、V.Alexeev和Y.Xu所写的文章“SuccessfulAVO and Cross-Plotting”中，作为使得能够同时且有意义评估两个属性的技术，讨论了交绘(Cross-Plotting)。在传统的交绘中，属于(次表层地层中)解释空间中特定位置的两个独立标量参数(属性)的值是作为独立二维空间中的点绘制的，其中该二维空间可以称为属性空间。属性空间的二个维度表示所考虑的两个属性。

在Chopra文章的例子1中，解释空间是沿通过次表层地层的井筒轨道的1维。沿着井筒，几个测井参数(属性)已经被测量出来或者从测量结果中得到，例如P-速度Vp、S-速度Vs、Rho、Mu和Lambda(Lamé参数，分别表示容积密度、剪切模量和对弹性模数的压缩影响)。给出了Vp对Vs、Lambda-Rho对Mu-Rho的2维交绘图，及其中使用三维属性的两个交绘图。地质层是沿井筒识别的，在交绘图中，表示来自特定类型地质层的数据的点是利用特定的颜色绘制的。在交绘图中，可以看到主要或完全具有同一颜色的点群。相反，通过围绕每个群画多边形，操作员可以标记沿这些数据点起源的钻井的测井带。

多边形方法的特定实施方式在2006年6月12日至15日于奥地利维也纳举办的第68届EAGE Conference & Exhibition上P.Brenton和O.D.Duplantier所写的论文“When Geology meets Geophysics-optimised Lithoseismic Facies Cubes for Reservoir Needs”中讨论。在这篇论文中，利用岩石学数据来更新画成隔开测井数据交绘图中相类群(facies group)的多边形。对特定相或相类群中诸如多孔性的特定岩石学参数出现的概率进行统计分析，并将其用于通过交绘图中的多边形边界精确定义相类群。在确定精确的多边形后，解释空间中的3D可视结果就可以由地质学家进行。

需要一种改进的解释方法。在复杂的情况下，例如当各个类的分布采样不够或者重叠时，而且尤其是当没有或者只有很少岩石学数据可用时，操作员就不能确信地画出区别几个数据类的多边形。而且，当考虑具有三个或更多维度的属性空间时，多边形方法也是不够的。

应当理解，向量数据可以被看作标量数据的集合，尤其是用于对应的多个位置的标量数据集。特别地，属性向量总是可以被认为表示共址(co-located)标量数据集的集合。

发明内容

根据本发明，提供了一种用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的方法，该方法包括步骤：

将至少一个属性向量子集排列为m维属性空间中的点；

通过为每个类识别属性空间中的至少一个分类点，定义k类(k≥2)属性向量；

为属性空间中的点假设分类规则；

利用分类点和获得被分类点的分类规则，确定属性空间中被分类点的类成员资格属性，其中被分类点的类成员资格属性包括k个概率成员资格值，每个值表示被分类点属于k类中所选定一类的概率；及

向被分类点分配关于该类成员资格属性的显示参数，其中该显示参数是得自概率成员资格值的混合显示参数。

在本发明的方法中，k个类是通过属性空间中的分类点定义的。在属性空间中识别每一类的一个或多个这种分类点。依赖于操作员可用的信息，识别可以通过在属性空间中直接选择来进行，或者通过识别解释空间中已知或者预期属于特定一类的位置来进行。在后一种情况下，属于所选位置的属性向量由此被识别为定义特定类所需的分类点。

一旦完成了这种类的定义，就根据所识别出的分类点和已经为空间中的点、通常是为所考虑的属性空间中的任何点假设的分类规则，为每个被分类点确定类成员资格属性。

在该方法的特定实施方式中，定义类包括为类分配概率密度函数，使得被分类点的类成员资格属性可以从类的概率密度函数确定。概率密度函数指示属性空间中的点属于给定类的概率。更特别地，被分类点的类成员资格属性包括k个概率成员资格值，每个值表示被分类点属于给出在该点的属性值的一个类的概率。

一旦已经获得了属性空间中点的初始分类，操作员就可以在一次或多次迭代中，特别是交互式地，更新(修改或“微调”)类的定义，其中下一次迭代中的更新是响应从一次或多次前面迭代所获得的结果进行的。更新可以通过修正前面的选择或者通过应用例如期望最大化或K均值的算法来进行，例如在2004年Prentice-Hall出版社所出版Biometric Authentication：A Machine Learning Approach中由M.W.Mak、S.Y.Kung和S.H.Lin所写“Expectation-MaximizationTheory”中所描述的。

根据类成员资格属性，将显示参数分配给属性空间中的每个点。混合的(“掺和的”)显示参数尤其可以是混合的颜色。适当地，k维属性-颜色地图或表用于显示至少部分解释空间和/或属性空间。

适当地，至少部分属性空间是与显示至少部分解释空间一起显示的。利用混合显示参数在一个或多个计算机显示器上同时显示属性空间和至少部分解释空间中的被分类点，以尤其允许响应显示而交互地更新类的定义。

在本发明的另一方面，提供了一种用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的方法，该方法包括步骤：

将至少一个属性向量子集排列为m维属性空间中的点；

通过为每个类识别属性空间中的至少一个分类点，定义k类(k≥2)属性向量；

为属性空间中的点假设分类规则；

利用分类点和分类规则，确定属性空间中被分类点的类成员资格属性；

向被分类点分配关于类成员资格属性的显示参数；及

利用显示参数在一个或多个计算机显示器上同时在属性空间和至少部分解释空间中显示被分类点。

属性空间和至少部分解释空间的同时显示允许该方法的操作员对分类进行有利的交互式更新。类及分类点的个数可以利用解释空间和属性空间修改。分类规则也可以修改，且结果是立即可见的。

在特定的实施方式中，定义类包括向类分配概率密度函数，使得被分类点的类成员资格属性可以从类的概率密度函数确定。更特别地，被分类点的类成员资格属性包括k个概率成员资格值，每个值表示被分类点属于给出在该点的属性值的一个类的概率。

在另一实施方式中，被分类点的类成员资格属性是从被分类点关于分类点的位置确定的，例如根据属性空间中从被分类点到各个分类点的距离。

本发明还提供了一种用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的计算机程序产品，该计算机程序产品包括：

用于将至少一个属性向量子集排列为m维属性空间中的点的计算机程序代码单元；

用于通过为每个类识别属性空间中的至少一个分类点，定义k类(k≥2)属性向量的计算机程序代码单元；

用于为属性空间中的点假设分类规则的计算机程序代码单元；

用于利用分类点和获得被分类点的分类规则，确定属性空间中的点的类成员资格属性的计算机程序代码单元，其中被分类点的类成员资格属性包括k个概率成员资格值，每个值表示分类点属于k类中所选一类的概率；及

用于向被分类点分配关于类成员资格属性的显示参数的计算机程序代码单元，其中显示参数是得自概率成员资格值的混合显示参数。

而且，本发明还提供了一种用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的计算机程序产品，该方法包括步骤：

用于将至少一个属性向量子集排列为m维属性空间中的点的计算机程序代码单元；

用于通过为每个类识别属性空间中的至少一个分类点，定义k类(k≥2)属性向量的计算机程序代码单元；

用于为属性空间中的点假设分类规则的计算机程序代码单元；

用于利用分类点和分类规则，确定属性空间中被分类点的类成员资格属性的计算机程序代码单元；

用于向被分类点分配关于类成员资格属性的显示参数的计算机程序代码单元；及

用于利用显示参数在一个或多个计算机显示器上同时在属性空间和至少部分解释空间中显示被分类点的计算机程序代码单元。

此外，还提供了一种执行这些计算机程序产品中任何一个的计算机系统。

本发明还提供了从次表层地层产生碳氢化合物的方法，包括：

在表示次表层地层的解释空间中的多个位置获得多个m维属性向量(m≥2)，每个属性向量表征次表层地层在相应位置的至少两个参数；

根据本发明的解释多个属性向量的方法，解释该多个属性向量；

利用该解释识别次表层地层中包含碳氢化合物储藏的区域；

从该碳氢化合物储藏产生碳氢化合物。

附图说明

现在将参考附图更具体地描述本发明，附图中：

图1a和1b分别示意性地示出了3维解释空间和属性空间，示出了数据点(十字)和分类点(实心符号)；

图2a和2b分别示意性地示出了3维解释空间和属性空间，示出了分类点和被分类点(空心符号)；

图3a和3b分别示意性地示出了在所谓“硬”分类之后的3维解释空间和属性空间，其中每个属性向量被分配给完全只属于几个类中的一个；

图4a和4b分别示意性地示出了3维解释空间和属性空间，在属性空间中有类的概率分类，其中每个属性向量可以具有多于一个类中的部分成员资格；

图5示出了带事件的3维解释空间的几个截面的特定显示。

在不同的图中使用的相同的标号指代相同或类似的物体。

具体实施方式

现在参考图1a和1b。图1a示出了3维解释空间，而且为了说明，假设它是地球次表层中的空间。因此三个轴是关于坐标x、y、z(空间的)的或者是关于x、y、t的，因为“垂直”维度通常是以地震波传播时间为单位的。解释空间可以是任何n维体积的物理空间。如果数据只在少于三个维度(例如在平面中或者沿诸如井筒的轨道)获得，则解释空间也可以具有例如两个或一个维度。

对于解释空间中的大量位置P(其在图1a中示出为十字)，数据甚至可以贯穿该空间持续可用或者获得。对于本发明的方法，考虑至少两个数据集，该数据集可以例如源自不同的测量或者源自通过来自相同测量的原始数据的处理所获得的不同参数。每个数据集代表特定的属性值。数据可以以任何形式可用，例如它可以存储在计算机的存储器中或者大容量存储介质上，存储在用于所考虑解释空间体积的不同标量数据集中。它还可以作为向量数据存储，其中单个向量分量对应于各个属性。

无论对各种属性的数据的物理存储怎样，都对解释空间中多个位置的每一个分配m个属性，这被认为是为相应的位置分配以m个相应的属性值作为分量的一个属性向量。属性向量通常代表例如原始或处理过的对解释空间中位置获得或者可用的物理数据的数据。图1a中的十字是用于说明分配给相应位置的属性向量。在本例中，我们将考虑m＝2个属性的特定情况，这主要是为了方便说明，但3个或更多属性也可以以相同的方式处理。所考虑的两个属性是aa和bb，而且例子是近偏移反射率和远偏移反射率；lambda-rho和mu-rho；剪切波阻抗和压缩波阻抗；局部振幅包络线及外观；局部下沉(dip)幅度和方位角；从重力得到的密度和从地震得到的间隔速度。

图1b示出了以aa和bb为轴的两维属性空间。

然后，将分配给解释空间中的位置P的属性向量排列在属性空间中。这可以是所有可用的属性数据，或者只是其一部分。例如，可以将仅分配给解释空间的特定部分或区域的属性向量排列在属性空间中，例如来自3维解释空间中的一个切片(slice)的属性向量。图1b中的十字示出了排列在属性空间中的属性向量。

在下一步中，定义k类属性向量(k≥2)。为此，为每个类识别属性空间中的至少一个分类点。该至少一个分类点在图1b中是通过实心的方形、圆形和三角形来例示的。这些是代替普通的十字示出的，但这通常是不需要的——分类点可以独立于该点实际数据的可用性在属性空间中定义。来自分析地球物理数据的实验显示例如特定岩石、流体填充、相的次表层结构通常可以在属性空间中以特定区域的属性值来表征。但是，实际的困难是如何确定这种区域的边界。

为了说明，图1b示出了三个充分隔开的属性向量群，且每个群都包含一个或多个定义该类的分类点。属性空间中特定类的分类点的选择可以基于例如操作员对数据的观察或者他对属性区域意义的理解。但是，重要的是要注意，对分类点的识别还可以在整个解释空间来进行。例如，如果操作员已知图1a中实心方形的位置是次表层特征特定类的典型情况，则分配给这个位置的属性向量可以用于定义该类。这种知识可以例如来自可用于该位置的测井数据。如图1a和1b中圆形所示，另一点要注意的是解释空间中的几个位置可以碰巧具有相同的属性向量。通过选择属性空间中圆形的点或者解释空间中圆形位置之一，所有其它实心圆的出现也可以类似地识别。

在Chopra文章中所讨论的多边形方法中，操作员现在将绘制围绕每个群的多边形，来完成分类。在比这里所说明例子更复杂的情况下，绘制特定的边界可能容易产生误导，因为其位置是非常主观和不确定的。利用本发明的方法，这种不确定性可以表示出来，而不是忽略。

根据本发明，假设用于属性空间中点的分类规则。对于属性空间中点的分类，类成员资格属性分配给被分类的点。该类成员资格属性是基于分类点和分类规则确定的。

分类规则可以采取许多形式。在相对直接的实施方式中，点可以基于属性空间中所定义的距分类点的距离来分类。例如，它可以看作是属于最近分类点的类。

这种分类的结果在图2a、b中示出，其中位于属性空间中被分类点(空心符号)处的属性向量分配给最近分类点(实心符号)的类。

在更复杂的实施方式中，可以利用概率工作。为此，可以给类分配概率密度函数，来描述属性空间中的点属于由类的分类点所识别的给定类的概率。当为k个类中的每一个都定义了这种概率密度函数时，就可以为被分类点确定表示属于选定一类的可能性的k个概率。以下所讨论的Bayes公式可以在这个过程中使用。这种情况下的类成员资格属性可以包括多个分概率(fractional probability)，例如以概率向量的形式，对k个类具有维度k。

概率密度函数可以假定许多函数形式。传统的方法是基于高斯函数，尤其是也称为高斯和的高斯混合模型。利用混合模型，任何概率函数都可以以任意精度表示(例如，通过增加分类点的个数)，并且很容易在概念上和实践中可视化。对于除高斯函数以外的其它核(kernel)，也很容易概括出混合模型。

从形式上讲，用于属性向量a属于类c的条件概率密度函数p(a|c)可以表示为

$p\left(a\right|c)=\underset{j}{\mathrm{\Σ}}{w}_j{g}_{\mathrm{\θj}}\left(a\right)$

其中，g表示例如高斯函数的核密度函数。在这里，类c由在属性空间上的加权高斯和来表征。权重w_j适于对1求和，而且每个都可以解释为与第j个核关联的先前概率。诸如高斯质心和标准偏移的参数由符号θ_j来表示。

不管针对p(a|c)假设的函数形式如何，Bayes公式都针对给定属性向量a属于一组类中特定类c给出“后验”类成员资格概率p(c|a)：

p(c|a)＝p(a|c)p(c)/p(a)，

其中p(a)是可以很容易地通过在所有类c上对p(a|c)p(c)求和获得的归一化因子，而p(c)是不考虑属性值a或者任何可用数据、由操作员假定的观察类c的先验概率。

所定义类覆盖整个分类空间是不必要的，甚至在有些情况下是不建议的。包括“任何其它”类是有利的，例如具有准均匀概率密度函数和作为遇到不可分类点的先验危险所选的先验概率。

到目前为止，我们已经假设概率密度函数的参数是操作员已知并固定的。但是，在许多情况下，操作员没有这种确定性，并且期望从任何可用的数据估计模型参数。在最初的选择之后，分类要更新，如果需要的话可以迭代，以便找出解释空间的有用表示。

更新可以通过例如修改对分类点、诸如分配给一个或多个类的高斯参数的参数或者实际上就是分类规则的选择来手动进行。一种更具有目标性的特定更新途径是所谓的期望最大化(EM)算法，这是非常通用的——所谓k均值分群方法的特定情况——使得一套广泛的统计模式识别方法可以在本发明的框架中采用。EM算法具有几个期望的数学属性；这保证对所估计参数可能性最大限度的覆盖。与(高斯)混合模型组合起来，其实现和执行也是非常有效的。细节可以在例如2004年Prentice-Hall出版社所出版的Biometric Authentication：AMachine Learning Approach中由M.W.Mak、S.Y.Kung、S.H.Lin所写的“Expectation-Maximization Theory”中找到。另一种途径是K均值算法。

在概率分类中，分类点不需要对它们所指示的类具有100％的成员资格概率。分类点常常还可以变成被分类点。或者是最初或者是在迭代分类步骤中，它们可以被分配以属于它们所指示类的较低概率。

分类点和假设的分类规则的选择确定了分类的结果。当确定了用于被分类点的分概率时，“硬”分类可以通过例如将点分配给具有最高(后验)概率的类来获得。然后，类似于根据最近分类点的分类，类成员资格属性简化成属性向量所分配给的类的简单指示符。

这种硬分类将属性空间分成多个区，如图3b中所示。虚线指示区的边界，使得每个属性向量只属于一个类。如果解释空间中的一个位置具有相关联的属性向量，则该向量属于一个类。属性向量A位于三角形类中，向量B位于圆形类中，且这两个向量中的每一个都可以在解释空间中的几个位置找到。为了清晰起见，只在解释空间和属性空间中示出了一些特征点。应当指出，由这种分类获得的类的边界通常不是平表面或者直线/多边形，而一般是曲线的。在解释空间中，可以区分出其中可以找到特定类的属性向量的几个区域。

还有可能在进一步解释中维持具有多个概率的“软”或“模糊”分类。在进一步讨论这个之前，我们将首先讨论显示参数。

从属性空间中点的类成员资格属性，得到用于分类结果可视化的显示参数。在硬分类中，这可以通过将特定颜色分配给给定类的所有属性向量来直接获得。在这种情况下，图3b可以显示为其间具有清晰边界的三种不同颜色的地图，且解释空间也相应地着色。

为了使用可以从进一步解释中概率或“软”分类获得的信息，可以使用颜色混合。为此，所选的颜色被分配给类或分类点，而其它点则分配以得自分概率的混合颜色。在图4a、4b中示出了一个简单的例子。

解释器用户已经选择了类型情况G和B作为分类点，将标记“Green(绿色)”和“Blue(蓝色)”分配给所关联的类，并且选择了描述类中部分成员资格的函数。在属性空间中，实心圆上的向量在Blue类中具有相同的成员资格，且更小的圆指示Blue中更高程度的成员资格。(类似地，虚线圆表示Green中的分成员资格。很清楚，圆形是个简单的例子，在更复杂的概率密度函数中，具有相同概率的等值面或线可以而且一般将具有不同的形状。)在点C及沿点线的其它地方，成员资格对于Green和Blue是同等可能的。如果显示参数是颜色，且Green和Blue是具有那些名字的颜色的数值表示，则分配给C的显示参数是蓝绿色的数值表示。在彩色屏幕上，属性空间将表示为在相应点具有近似纯蓝色和绿色且在其它地方具有利用相关概率作为权重加权混合而获得的颜色的两维地图(应当指出，甚至G和B也不需要是它们所指示类的100％成员)。点线将呈现出蓝绿色。我们应当指出，该地图通常是所有属性的真正通用函数，即，并没有限制到一维色条的可分函数或者线性组合。

在图4a的解释空间中，解释器可以观察到几个区别特征是明显，显示为蓝色(用交叉影线表示的，“B”)、绿色(砖块形的，“G”)和蓝绿色(打点的，“C”)。解释空间的其它区域将利用中间色(混合色)着色。与由特定颜色所表示的概率的小偏差将利用近似该颜色显示，使得可以很容易地考虑概率范围。

通过给属性空间中的点分配表示类成员资格(尤其是概率类成员资格)的颜色值，优选地覆盖由实际属性向量构成的所有属性空间，定义了两维彩色地图或表。因此，彩色属性空间表示可以用作解释空间有效显示的查找参考的地图或表。

由于地震处理中所处理的数据量是非常大的，因此这是相关的。一般来说，在任何一个时间，只有一小部分实际数据显示在计算机屏幕上，如图5所示。利用由根据本发明的分类所获得的显示参数地图或表，改变解释空间的显示仅仅是对每个数据点几个查找操作的问题。对于解释空间50中一个给定的位置，确定几个属性，且相应的显示参数(例如，红色、绿色、蓝色、透明度值)被读出并用于显示。例如，通过利用标准工作站移动图5中的切片或平面51、52、53中的一个，这些是允许操作员快速浏览数据的快速操作。然后，解释空间的期望部分被显示，且例如表示次表层地层中的层的事件55利用彩色地图被突出。很清楚，解释空间的其它部分也可以被显示，例如等值面或特定事件。给定这个速度的数据处理与显示，分类有效地匆匆(on the fly)发生并且可以通过实时分析交互式地精炼，同时适当地显示属性空间(例如，如图4b)和至少部分解释空间(例如，如图4a或5)。因此，(整个属性空间的)类定义和(解释空间中的)显示/解释不再是独立的顺序步骤。相反，通过使用类成员资格参数的交互式管理，例如通过交互式改变表征类的概率密度函数的参数，它们可以同时执行。

本发明的解释方法允许该方法所有操作性方面的实时交互，包括分类结果的产生，并由此避免了许多现有技术分类工作流的“黑盒子”方面。

很清楚，相同的原理也允许m＝3或更多属性的有效处理，用颜色立方体或超立方体来代替两维彩色地图。这种更高维度的立方体原理上可以与两维彩色地图相同的方式创建并处理。

根据本发明的解释可以提供对次表层地层的存在与属性的洞察。有时候，有可能在例如钻井到次表层的相应区域中之后，识别地层中包含碳氢化合物储藏的区域，其中从该区域可以产生油和/或天然气。

本发明的方法适于计算机实现，尤其是通过在计算机系统上运行计算机程序来实现。该计算机程序产品包括适于执行该方法步骤的代码。很清楚，这种代码可以包括提示该方法的用户或操作员(例如地震解释员)输入例如用于定义和/或更新类的分类点和/或分类规则。当分类完成以后和/或在任何中间阶段，结果(分类点、规则、类成员资格属性和/或显示参数)都可以存储、显示、输出或发送。

Claims (19)

1、一种用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的方法，该方法包括以下步骤：

将至少一个属性向量子集排列为m维属性空间中的点；

通过为每个类识别属性空间中的至少一个分类点，定义k类(k≥2)属性向量；

为属性空间中的点假设分类规则；

利用分类点和获得被分类点的分类规则，确定属性空间中的点的类成员资格属性，其中被分类点的类成员资格属性包括k个概率成员资格值，每个值表示被分类点属于k类中所选定一类的概率；及

向被分类点分配关于该类成员资格属性的显示参数，其中显示参数是得自概率成员资格值的混合显示参数。

2、如权利要求1所述的方法，其中定义类包括给类分配概率密度函数，该函数在分类规则中用于确定被分类点的类成员资格属性。

3、如权利要求1-2中任何一项所述的方法，其中至少一个分类点是通过选择或识别n维解释空间中的位置来识别的。

4、如权利要求1-3中任何一项所述的方法，其中更新类的定义，特别地，其中更新是通过诸如期望最大化算法或K均值的算法来进行的。

5、如权利要求1-4中任何一项所述的方法，其中定义k类属性向量的步骤包括给每个类分配颜色，而且其中，混合显示参数是得自概率成员资格值和类的颜色的混合颜色。

6、如权利要求1-5中任何一项所述的方法，其中利用k维属性-颜色地图或表来显示至少部分解释空间和/或属性空间。

7、如权利要求1-6中任何一项所述的方法，其中该方法还包括与显示至少部分解释空间一起显示至少部分属性空间的步骤。

8、如权利要求7所述的方法，其中响应于与至少部分解释空间一起显示至少部分属性空间而更新类的定义。

9、如权利要求1-8中任何一项所述的方法，其中，定义类包括定义属于该类的颜色。

10、如权利要求1-9中任何一项所述的方法，其中解释空间的维度是空间维度，而且任选地可以有时间，特别地，其中n维解释空间表示次表层地层。

11、如权利要求1-10中任何一项所述的方法，还包括利用混合显示参数在一个或多个计算机显示器上同时在属性空间中和至少部分解释空间中显示被分类点。

12、一种用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的方法，该方法包括以下步骤：

将至少一个属性向量子集排列为m维属性空间中的点；

通过为每个类识别属性空间中的至少一个分类点，定义k类(k≥2)属性向量；

为属性空间中的点假设分类规则；

利用分类点和分类规则，确定属性空间中被分类点的类成员资格属性；

向被分类点分配关于该类成员资格属性的显示参数；及

利用该显示参数在一个或多个计算机显示器上同时在属性空间中和至少部分解释空间中显示被分类点。

13、如权利要求12所述的方法，其中类成员资格属性是从被分类点相对于分类点的位置确定的。

14、如权利要求12-13中任何一项所述的方法，其中至少一个分类点是通过选择或识别n维解释空间中的位置来识别的。

15、如权利要求12-14中任何一项所述的方法，其中更新类的定义，特别地，其中更新是通过诸如期望最大化算法或K均值的算法来进行的。

16、一种用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的计算机程序产品，该计算机程序产品包括：

用于将至少一个属性向量子集排列为m维属性空间中的点的计算机程序代码单元；

用于通过为每个类识别属性空间中的至少一个分类点而定义k类(k≥2)属性向量的计算机程序代码单元；

用于为属性空间中的点假设分类规则的计算机程序代码单元；

用于利用分类点和获得被分类点的分类规则而确定属性空间中的点的类成员资格属性的计算机程序代码单元，其中被分类点的类成员资格属性包括k个概率成员资格值，每个值表示被分类点属于k类中所选定一类的概率；及

用于向被分类点分配关于该类成员资格属性的显示参数的计算机程序代码单元，其中该显示参数是得自概率成员资格值的混合显示参数。

17、一种用于解释分配给n维解释空间(n≥1)中多个位置的多个m维属性向量(m≥2)的计算机程序产品，该计算机程序产品包括：

用于将至少一个属性向量子集排列为m维属性空间中的点的计算机程序代码单元；

用于通过为每个类识别属性空间中的至少一个分类点而定义k类(k≥2)属性向量的计算机程序代码单元；

用于为属性空间中的点假设分类规则的计算机程序代码单元；

用于利用分类点和分类规则而确定属性空间中被分类点的类成员资格属性的计算机程序代码单元；

用于向被分类点分配关于该类成员资格属性的显示参数的计算机程序代码单元；及

用于利用该显示参数在一个或多个计算机显示器上同时在属性空间中和至少部分解释空间中显示被分类点的计算机程序代码单元。

18、一种计算机系统，其执行如权利要求16或17所述的任何一种计算机程序产品。

19、一种从次表层地层产生碳氢化合物的方法，该方法包括：

针对表示次表层地层的解释空间中的多个位置获得多个m维属性向量(m≥2)，每个属性向量表征次表层地层在相应位置处的至少两个参数；

根据如权利要求1-15中之一所述的方法解释该多个属性向量；

利用该解释识别次表层地层中包含碳氢化合物储藏的区域；

从该碳氢化合物储藏产生碳氢化合物。

Images