CN102707313A - 一种基于脉冲耦合神经网络的拟声波曲线构建方法 - Google Patents

Abstract

该发明属于地球物理测井及信号处理领域中利用脉冲耦合神经网络以实现拟声波曲线构建的方法。包括：导入声波曲线及其它测井曲线，预处理以对去除同一深度段内各测井曲线上的噪声成分，曲线幅值的归一化处理，确定网络的结构及网络初始化，分别统计各神经元的输出值为1的次数，确定拟声波曲线归一化后的幅值，获取拟声波曲线。该发明利用脉冲耦合神经网络方法将声波曲线与其它测井曲线进行合成处理，既不需样本、又不需对网络进行训练，且迭代次数少、数据处理量少，从而具有拟声波曲线的构建方法简捷、快速可靠，效率及准确度高，处理能力强、对数据量较大的测井曲线的合成处理效果尤为明显，可有效提高地震储层反演的分辨率和精度等特点。

Description

一种基于脉冲耦合神经网络的拟声波曲线构建方法

技术领域

本发明属于地球物理测井、油气资源勘探及信号处理应用领域，尤其是一种利用脉冲耦合神经网络以实现拟声波曲线构建的方法，采用本发明方法可利用多种(类)测井曲线与相应的声波曲线合成、以构建出拟声波曲线，从而有效地提高地震储层反演的分辨率和精度、弥补常规声波测井的缺陷。

背景技术

声波曲线是目前进行基于测井约束的波阻抗反演工作所必备的基础资料，然而由于井筒污染、储层胶结程度和孔隙度等非地层岩性因素影响，原始声波曲线不能很好地反映储层与围岩的差异，导致岩性识别困难，从而造成波阻抗的反演结果与地质层不吻合。因此，要寻找一种方法，充分利用现有的各种测井曲线(资料)、弥补声波曲线的不足。

拟声波曲线的构建(合成)就是通过其它测井曲线与声波曲线之间的关系，并利用其关系、综合同一深度段的测井曲线，构建出该深度段的拟声波曲线。目前利用BP(Back-Propagation)神经网络法可以实现拟声波曲线的构建、其方法是：首先将测井的声波曲线(AC)与自然伽马曲线(GR)、补偿中子曲线(CNL)、密度曲线(DEN)导入，选取同一深度段的曲线通过平滑滤波预处理的方法分别去掉各曲线上的噪声成分、并将4种曲线的幅值分别规范到[0，1]区间；接着确定BP神经网络结构，并把4种曲线作为训练样本、把声波曲线作为目标样本，然后初始化网络连接权值(一般为1)，最小目标误差，训练速率，迭代次数(一般为几千)后，对神经网络进行训练；网络训练中通过不断迭代、修改网络连接权值，当得到的网络输出误差小于设定的最小目标误差，则停止迭代、并保存所得(最终)的网络连接权值；或虽然达到设定的迭代次数，但网络输出误差却未达到设定的最小误差值，同样保存所得(最终)的该网络连接权值，从而获得训练好的网络。再分别将与训练网络时不同深度段的相应组别的经过预处理和归一化处理的测井曲线、输入该确定(训练好)的BP神经网络，利用训练好的网络，得到幅值在[0，1]区间的拟声波曲线输出，接着对曲线进行反归一化处理，使拟声波曲线幅值的量纲和预处理后的声波曲线幅值的量纲一致，从而合成出(获得)拟声波曲线。

常规BP神经网络法的流程为：

A.导入测井声波曲线、自然伽马曲线、补偿中子曲线和密度曲线，选取任一深度段的曲线来训练网络；

B.预处理：首先运用下述平滑滤波方法：

${\stackrel{\‾}{X}}_i=\frac{1}{35}[-3(X_{i-2}+X_{i+2})+12(X_{i-1}+X_{i+1})+17X_i]---\left(1\right)$

分别对声波曲线、自然伽马曲线、补偿中子曲线和密度曲线上各幅值进行处理、以去除各曲线相应深度段上的噪声成分；

上式中：i为相应曲线对应的深度值，X_i为测井曲线上深度为i处的幅值，X_i-2、X_i-1、X_i+1和X_i+2为测井曲线上与深度为i相邻深度处的幅值，为测井曲线上深度为i处去噪后的幅值；

C.曲线幅值的归一化处理：对经步骤B预处理后的各幅值分别进行归一化处理，归一化处理通过下式进行：

${\hat{X}}_i=\frac{{\stackrel{\‾}{X}}_i-\min \left(\stackrel{\‾}{X}\right)}{\max \left(\stackrel{\‾}{X}\right)-\min \left(\stackrel{\‾}{X}\right)}---\left(2\right)$

其中：

为相应曲线深度段去噪后的幅值，为测井曲线上深度为i处的归一化后的幅值；

D.确定BP神经网络：采用三层的网络结构，输入层的神经元个数为4(对应4种测井曲线)，隐含层的神经元个数依据经验一般选3～5个(该网络中选4个)，输出层的神经元的个数为1，对应拟声波曲线输出，(附图1即为该BP神经网络结构示意图)；

E.样本选定：选定的曲线样本必须是同一深度段的，且目标样本必须为声波曲线；

F.网络的初始化：网络连接权值w_jk、w_1j初始值为1，最小目标误差(依经验值为0.001)，训练速率(依经验值为0.05)，迭代次数(一般为几千)；

G.训练网络：网络初始化后，每一次迭代，均运用w_jk、w_1j及网络传递函数

得到声波输出值与目标样本值之间的误差值，式中u为函数的输入变量，然后修改网络连接权值：

G₁.首先获取输出层神经元的网络连接权值改变量Δw_1j：

Δw_1j＝ηδY_j                          (3)

式中：

δ＝e×f′(X)                          (4)

$e=\stackrel{\‾}{y}-y---\left(5\right)$

其中，

为输出层的声波输出值，y为目标样本值，e为网络输出误差值，X为输出层的网络输入值，f′(X)为输出层的网络传递函数的导数值，j为隐含层的第j个神经元，δ为输出层的训练误差，η为训练速率，Y_j为隐含层的第j个神经元的输出值，Δw_1j为输出层与隐含层的第j个神经元的网络连接权值的改变量；

当第t次迭代结束后输出层与隐含层的第j个神经元的网络连接权值：

w_1j(t+1)＝w_1j(t)+Δw_1j(t)                  (6)

式中：t为迭代次数，Δw_1j(t)为第t次迭代时输出层与隐含层的第j个神经元的网络连接权值的改变量，w_1j(t)为第t次迭代时输出层与隐含层的第j个神经元的网络连接权值，w_1j(t+1)为第t次迭代结束后输出层与隐含层的第j个神经元的网络连接权值。

G₂.然后获取隐含层神经元的网络连接权值改变量Δw_jk：

Δw_jk＝ηδw_1jf′(X_j)Y_k                    (7)

其中：k为输入层的第k个神经元，X_j为隐含层的网络输入值，f′(X_j)为隐含层的网络传递函数的导数值，Y_k为输入层的第k个神经元的输出值，Δw_jk为隐含层的第j个神经元与输入层的第k个神经元之间的网络连接权值的改变量；

当第t次迭代结束后隐含层的第j个神经元与输入层的第k个神经元的网络连接权值：

w_jk(t+1)＝w_jk(t)+Δw_jk(t)                       (8)

式中：w_jk(t)为第t次迭代时隐含层的第j个神经元与输入层的第k个神经元的网络连接权值，w_jk(t+1)第t次迭代结束后隐含层的第j个神经元与输入层的第k个神经元的网络连接权值。

当得到的网络输出误差小于设定的最小目标误差值，则停止迭代，并保存所得(最终)的网络连接权值；或虽然达到设定的迭代次数，但网络输出误差值未达到设定的最小目标误差值时，同样保存所得(最终)的网络连接权值，从而获得训练好的网络；

H.构建拟声波曲线：分别将与训练网络时不同深度段的相应组别的经过预处理和归一化处理测井曲线、输入步骤G已确定(训练好)的BP神经网络，以得到幅值在[0，1]区间的拟声波曲线输出，接着采用反归一化曲线的处理方法，使拟声波曲线幅值的量纲和预处理后的声波曲线幅值的量纲一致，从而合成出(获得)拟声波曲线。

BP神经网络法运用神经网络的非线性处理功能，易于实现拟声波曲线的构建，但其参数比较多，需要迭代的次数比较多，且在迭代过程中网络输出误差值e容易陷入极小值、即导致误差值e在长时间内的变化值不大，难以达到最小目标值；因此上述BP神经网络法需要训练网络的时间比较长，且对训练样本的要求也比较高，否则构建的拟声波曲线的准确度不高；而对于数据量较大的测井曲线，BP神经网络法效率亦不高。

发明内容

本发明的目的是针对背景技术存在的缺陷，研究设计一种基于脉冲耦合神经网络的拟声波曲线构建方法，通过将声波曲线与其它对应测井曲线的合成，以达到在快速构建出拟声波曲线的同时，有效提高所构建拟声波曲线的准确度、进而有效地提高地震储层反演的分辨率和精度等目的。

本发明的具体解决方案是首先将测井的声波曲线与自然伽马曲线、补偿中子曲线、密度曲线、自然电位曲线和深侧向电阻率曲线导入，选取任一深度段的声波曲线和一组其它测井曲线作为当前(处理)曲线组，并在该段各测井曲线上等间隔设置去噪点，然后通过平滑滤波预处理的方法分别对各去噪点所对应的曲线幅值进行处理、以去掉各曲线上的噪声成分，并对所得曲线的幅值分别规范到[0，1]区间(归一化处理)后、将其作为常量输入；神经网络结构中神经元的个数为当前处理的各测井曲线上所设去噪点的个数与当前处理曲线数的乘积(即将各去噪点同时作为网络结构中各神经元的位置)，接着设定(初始化)网络神经元之间的系数矩阵、动态门限阈值、脉冲输出，迭代次数；再通过每一次的迭代处理、比较内部活动值和动态门限阈值，得出每个神经元的输出值(1或0)，并统计各当前处理曲线在设定迭代次数中每个神经元的输出值为1的次数；再将当前(处理)声波曲线对应的神经元输出值为1的次数与其它各当前处理曲线所对应的神经元输出值为1的平均值(即总输出值为1的次数除以其它当前处理曲线的条数)进行比较，如果声波曲线对应的神经元输出值为1的次数大于其它当前处理曲线神经元输出值为1的平均值时、则当前声波曲线归一化后的幅值即为归一化后的拟声波曲线的幅值，否则当前拟声波曲线的幅值为当前声波曲线归一化后的幅值与其它当前(处理)归一化后的曲线平均幅值的和的二分之一，然后将该深度段所得的拟声波曲线的幅值经反归一化处理、使其幅值的量纲和去噪处理后的声波曲线的幅值的量纲一致，从而实现此深度段的拟声波曲线的合成；本发明即以此实现其发明目的。因而本发明方法包括：

A.导入声波曲线及其它测井曲线，并选取相同深度段的声波曲线和一组其它测井曲线一并作为当前(处理)曲线组、并在各当前(处理)曲线上等距离设置去噪点；

B.预处理：首先运用平滑滤波方法、依次对步骤A所选深度段上各当前曲线上的去噪点所对应的各曲线幅值进行处理、以去除该深度段内各测井曲线上的噪声成分；

C.曲线幅值的归一化处理：对经步骤B预处理后的各幅值分别进行归一化处理；

D.确定网络的结构：首先将选定深度段中各当前曲线上的去噪点作为神经网络上的一个神经元，并以此确定神经网络的结构；

E.网络初始化：对各神经元之间的系数矩阵、动态门限阈值、脉冲输出，以及迭代次数分别赋值；

F.分别统计各神经元的输出值为1的次数：对各神经元进行迭代处理，并分别确定各神经元的内部活动值和动态门限阈值，如果对应神经元的内部活动值大于其动态门限阈值、则该神经元的输出值为1、否则该神经元的输出值为0，当该神经元的输出值为1时、在该神经元输出值为1的次数上加1，以此类推至设定的迭代次数为止，从而得到该神经元输出值为1的次数；采取相同方法分别得到各神经元的输出值为1的次数，待用；

G.确定拟声波曲线归一化后的幅值：将步骤F所得当前声波曲线对应的神经元输出值为1的次数与其它各当前曲线所对应的神经元输出值为1的平均值(即总输出值为1的次数除以其它当前处理曲线的条数)进行比较，如果当前声波曲线对应的神经元输出值为1的次数大于其它当前曲线神经元输出值为1的平均值时、则将当前声波曲线归一化后的幅值作为归一化后的拟声波曲线的幅值；否则将当前声波曲线归一化后的幅值与其它归一化后的当前(处理)曲线平均幅值的和的二分之一作为归一化后的拟声波曲线的幅值；

H.获取拟声波曲线：对步骤G所得的归一化后的拟声波曲线幅值进行反归一化处理，并使拟声波曲线幅值的量纲与去噪处理后的声波曲线幅值的量纲一致，从而实现此深度段的拟声波曲线的合成。

上述步骤A中所述导入的其它测井曲线为自然伽马曲线、补偿中子曲线、密度曲线、自然电位曲线和深侧向电阻率中两种以上的测井曲线；而所述相同深度段的长度为100-500m。

而在步骤B中所述运用平滑滤波方法通过下式进行：

${\stackrel{\‾}{X}}_i=\frac{1}{35}[-3(X_{i-2h}+X_{i+2h})+12(X_{i-h}+X_{i+h})+17X_i]$

上式中：i为当前曲线上相应去噪点及其幅值对应的深度值，h为各去噪点之间的间距，X_i为当前曲线组中对应曲线深度为i处的幅值，X_i-0.2、X_i-0.1、X_i+0.1和X_i+0.2为当前曲线组中对应曲线与深度为i处上下各两个去噪点对应深度的幅值，

为当前曲线组中对应曲线深度为i处去噪后的幅值；

在步骤C中所述对各幅值分别进行归一化处理，归一化处理通过下式进行：

${\hat{X}}_i=\frac{{\stackrel{\‾}{X}}_i-\min \left(\stackrel{\‾}{X}\right)}{\max \left(\stackrel{\‾}{X}\right)-\min \left(\stackrel{\‾}{X}\right)}$

式中：i为当前曲线上相应去噪点及其幅值对应的深度值，

为当前曲线组中对应曲线深度为i处的归一化后的幅值，

为当前曲线组中对应曲线深度为i处去噪后的幅值，

为当前曲线组中对应曲线去噪后的各幅值；

在步骤E中所述对各神经元之间的系数矩阵赋值为[0.707，1.000，0.707；1.000，0，1.000；0.707，1.000，0.707]；动态门限阈值为当前曲线组幅值中的最大值；脉冲输出均为0；迭代次数8-15。

本发明由于利用脉冲耦合神经网络方法将声波曲线与其它对应的测井曲线进行合成处理，既不需选择样本、又不需对网络进行训练，且迭代次数少、数据处理量少，从而具有对拟声波曲线的构建方法简捷、快速可靠，效率用准确度高，处理能力强、对数据量较大的测井曲线的合成处理效果尤为明显，可有效提高地震储层反演的分辨率和精度等特点。

附图说明

图1为背景技术BP神经网络采用的3层网络结构；

图2为本发明具体实施方式流程图示意图(方框图)；

图3为具体实施方式通过Visual Studio和Qt(基于Windows操作系统的开发环境)构建的所选深度段2472.0m至2592.0m的拟声波曲线和其它当前曲线坐标图；图中声波曲线(AC)包括声波曲线和构建(合成)的拟声波曲线，选择的测井曲线分别为自然伽马曲线(GR)、声波曲线(AC)、补偿中子曲线(CNL)、密度曲线(DEN)。

具体实施方式

本实施方式采用的测井曲线为新场区12井三开、深度为2456.0m(米)至4699.0m的测井曲线，包括声波曲线(m/s)、自然伽马曲线(API)、补偿中子曲线(％)、密度曲线(g/cc)、自然电位曲线(mV)和深侧向电阻率曲线(Ω·m)。

本发明的实施方式的具体步骤如下：

步骤A.导入声波曲线、自然伽马曲线、补偿中子曲线、密度曲线、自然电位曲线和深侧向电阻率曲线；选取深度段为2472.0m至2592.0m的声波曲线、自然伽马曲线、补偿中子曲线和密度曲线作为当前(处理)曲线，各当前曲线每间隔(h)0.1m对应设一个去噪点，则每条当前曲线上的去噪点及其对应的幅值个数为1200个；

步骤B.预处理：运用下述平滑滤波方法：

${\stackrel{\‾}{X}}_i=\frac{1}{35}[-3(X_{i-0.2}+X_{i+0.2})+12(X_{i-0.1}+X_{i+0.1})+17X_i]$

依次对步骤A中所选取深度段的当前声波曲线及自然伽马曲线、补偿中子曲线和密度曲线上的各去噪点所对应的曲线幅值进行处理、以去除该深度段内各测井曲线上的噪声成分；

上式中：i为当前曲线上相应去噪点及其幅值对应的深度值，X_i为当前曲线组中对应曲线深度为i处的幅值，X_i-0.2、X_i-0.1、X_i+0.1和X_i+0.2为当前曲线组中对应曲线与深度为i处上下各两个去噪点对应深度的幅值，

为当前曲线组中对应曲线深度为i处去噪后的幅值；

步骤C.曲线幅值的归一化处理：对经步骤B预处理后的各去噪后的幅值分别进行归一化处理，归一化处理通过下式进行：

${\hat{X}}_i=\frac{{\stackrel{\‾}{X}}_i-\min \left(\stackrel{\‾}{X}\right)}{\max \left(\stackrel{\‾}{X}\right)-\min \left(\stackrel{\‾}{X}\right)}$

式中：i为当前曲线上相应去噪点及其幅值对应的深度值，

为当前曲线组中对应曲线深度为i处的归一化后的幅值，

为当前曲线组中对应曲线深度为i处去噪后的幅值，

为当前曲线组中对应曲线去噪后的各幅值；

步骤D.确定网络的结构：将选定深度段(2472.0m至2592.0m)内各当前曲线上的去噪点作为神经网络上的一个神经元，并以此确定神经网络的结构，本实施方式神经网络由1200×4个神经元组成；

步骤E.网络初始化：对神经元之间的系数矩阵赋值[0.707，1.000，0.707；1.000，0，1.000；0.707，1.000，0.707]、动态门限阈值赋值为4条曲线的幅值中的最大值1、脉冲输出赋值均为0，迭代次数赋值为10次；

步骤F.分别统计各神经元的输出值为1的次数：对已初始化的网络，对各神经元进行迭代处理，根据以下各式确定各神经元的：

内部活动值：

U_il[t]＝F_il[t](1+βL_il[t])

动态门限阈值：

E_il[t]＝exp(-α_E)E_il[t-1]+V_E∑Y_rs[t-1]

该神经元输出值：

$Y_{\mathrm{il}}\left[t\right]=\left\{\begin{array}{cc}1,& U_{\mathrm{il}}\left[t\right]>E_{\mathrm{il}}[t-1]\\ 0,& U_{\mathrm{il}}\left[t\right]\≤E_{\mathrm{il}}[t-1]\end{array}\right.$

其中：

$F_{\mathrm{il}}\left[t\right]={\hat{X}}_{\mathrm{il}}$

L_il[t]＝∑W_ilrsY_rs[t-1]

上式中，il表示当前神经元所处的位置，t为第几次的迭代次数，其值≤10，U_il[t]为当前神经元第t次迭代时的内部活动值，E_il[t]为当前神经元第t次迭代时的动态门限阈值，α_E为衰减时间常数、本实施方式取值为0.9，V_E为固有电势值，本实施方式取值为1mV，W_ilrs当前神经元的系数值、Y_rs为当前神经元系数W_ilrs的输出值，Y_il[t]为当前神经元第t次迭代时的输出，F_il为当前神经元的常量输入，

为当前归一化处理后曲线的幅值，L_il为当前神经元的连接输入。

对于各神经元，其常量输入F_il为

其初始输出值为0，脉冲输出值为1的次数初始值也为0。第一次迭代时，内部活动值U_il等于常量输入F_il，动态门限阈值E_il从初始值开始衰减，当其动态门限阈值衰减到小于相应的内部活动值时，则该神经元的输出值为1、否则该神经元的输出值为0；且脉冲输出值为1的神经元会通过连接输入激励邻近的神经元，使其输出脉冲值为1，并且幅值相似位置邻近的神经元趋向于同时输出值1。当该神经元的输出值为1时，在该神经元输出值为1的次数上加1；以此类推至设定的迭代次数达到10为止，从而得到该神经元输出值为1的次数；采取相同方法分别得到各神经元的输出值为1的次数；所得数据转下一步骤处理；

步骤G.确定拟声波曲线归一化后的幅值：将步骤F所得当前声波曲线对应的神经元输出值为1的次数与其它3条当前曲线所对应的神经元输出值为1的平均值(即总输出值为1的次数除以其它当前处理曲线的条数)进行比较，如果当前声波曲线对应的神经元输出值为1的次数大于其它3条当前曲线神经元输出值为1的平均值时、则将当前声波曲线归一化后的幅值作为归一化后的拟声波曲线的幅值；否则将当前声波曲线归一化后的幅值与其它3条当前(处理)曲线归一化后的平均幅值的和的二分之一作为归一化后的拟声波曲线的幅值；

具体处理方法通过下式进行：

$Z_i=\left\{\begin{array}{c}{\hat{X}}_i,T_i>{T^{\′}}_i\\ \frac{1}{2}({\hat{X}}_i+\frac{1}{4-1}\underset{l=2}{\overset{4}{\mathrm{\Σ}}}{\hat{X}}_{\mathrm{il}}),T_i\≤{T^{\′}}_i\end{array}\right.$

式中：i为当前曲线对应的深度值，Z_i为对应深度为i处输出的归一化后的拟声波幅值，T_i为对应深度为i处的声波曲线对应的神经元输出值为1的次数，T′_i为对应深度为i处的其它3条当前曲线对应的神经元输出值为1的次数的均值，

为声波曲线对应深度为i处归一化后的幅值，为对应深度为i处的其它3条当前曲线归一化后的幅值。

步骤H.获取拟声波曲线：对步骤G所得的归一化后的拟声波曲线幅值进行反归一化处理，并使拟声波曲线幅值的量纲与去噪处理后的声波曲线幅值的量纲一致，从而实现该深度段的拟声波曲线的合成。

Claims (5)

1.一种基于脉冲耦合神经网络的拟声波曲线构建方法，包括：

A.导入声波曲线及其它测井曲线，并选取相同深度段的声波曲线和一组其它测井曲线一并作为当前曲线组、并在各当前曲线上等距离设置去噪点；

B.预处理：首先运用平滑滤波方法、依次对步骤A所选深度段上各当前曲线上的去噪点所对应的各曲线幅值进行处理、以去除该深度段内各测井曲线上的噪声成分；

C.曲线幅值的归一化处理：对经步骤B预处理后的各幅值分别进行归一化处理；

D.确定网络的结构：首先将选定深度段中各当前曲线上的去噪点作为神经网络上的一个神经元，并以此确定神经网络的结构；

E.网络初始化：对各神经元之间的系数矩阵、动态门限阈值、脉冲输出，以及迭代次数分别赋值；

F.分别统计各神经元的输出值为1的次数：对各神经元进行迭代处理，并分别确定各神经元的内部活动值和动态门限阈值，如果对应神经元的内部活动值大于其动态门限阈值、则该神经元的输出值为1、否则该神经元的输出值为0，当该神经元的输出值为1时、在该神经元输出值为1的次数上加1，以此类推至设定的迭代次数为止，从而得到该神经元输出值为1的次数；采取相同方法分别得到各神经元的输出值为1的次数，待用；

G.确定拟声波曲线归一化后的幅值：将步骤F所得当前声波曲线对应的神经元输出值为1的次数与其它各当前曲线所对应的神经元输出值为1的平均值进行比较，如果当前声波曲线对应的神经元输出值为1的次数大于其它当前曲线神经元输出值为1的平均值时、则将当前声波曲线归一化后的幅值作为归一化后的拟声波曲线的幅值；否则将当前声波曲线归一化后的幅值与其它归一化后的当前曲线平均幅值的和的二分之一作为归一化后的拟声波曲线的幅值；

H.获取拟声波曲线：对步骤G所得的归一化后的拟声波曲线幅值进行反归一化处理，并使拟声波曲线幅值的量纲与去噪处理后的声波曲线幅值的量纲一致，从而实现此深度段的拟声波曲线的合成。

2.按权利要求1所述基于脉冲耦合神经网络的拟声波曲线构建方法，其特征在于在步骤A中所述导入其它测井曲线为自然伽马曲线、补偿中子曲线、密度曲线、自然电位曲线和深侧向电阻率中两种以上的测井曲线；而所述相同深度段的长度为100-500m。

3.按权利要求1所述基于脉冲耦合神经网络的拟声波曲线构建方法，其特征在于在步骤B中所述运用平滑滤波方法通过下式进行：

${\stackrel{\‾}{X}}_i=\frac{1}{35}[-3(X_{i-2h}+X_{i+2h})+12(X_{i-h}+X_{i+h})+17X_i]$

上式中：i为当前曲线上相应去噪点及其幅值对应的深度值，h为各去噪点之间的间距，X_i为当前曲线组中对应曲线深度为i处的幅值，X_i-0.2、X_i-0.1、X_i+0.1和X_i+0.2为当前曲线组中对应曲线与深度为i处上下各两个去噪点对应深度的幅值，

为当前曲线组中对应曲线深度为i处去噪后的幅值。

4.按权利要求1所述基于脉冲耦合神经网络的拟声波曲线构建方法，其特征在于在步骤C中所述对各幅值分别进行归一化处理，归一化处理通过下式进行：

${\hat{X}}_i=\frac{{\stackrel{\‾}{X}}_i-\min \left(\stackrel{\‾}{X}\right)}{\max \left(\stackrel{\‾}{X}\right)-\min \left(\stackrel{\‾}{X}\right)}$

式中：i为当前曲线上相应去噪点及其幅值对应的深度值，

为当前曲线组中对应曲线深度为i处的归一化后的幅值，

为当前曲线组中对应曲线深度为i处去噪后的幅值，

为当前曲线组中对应曲线去噪后的各幅值。

5.按权利要求1所述基于脉冲耦合神经网络的拟声波曲线构建方法，其特征在于在步骤E中所述对各神经元之间系数矩阵的赋值为[0.707，1.000，0.707；1.000，0，1.000；0.707，1.000，0.707]；动态门限阈值为当前曲线组幅值中的最大值；脉冲输出均为0；迭代次数8-15。

Images