CN102928876A - 基于脉冲耦合神经网络的地震属性融合方法 - Google Patents

Abstract

本发明提供了一种基于脉冲耦合神经网络的地震属性融合方法。根据本发明的基于脉冲耦合神经网络的地震属性融合方法，利用神经网络结构的强大的非线性处理功能，实现了地震属性的人工智能处理，通过确定神经元模型，得到每个神经元的脉冲输出值为1的次数，从而确定此神经元的融合系数，进一步得到此神经元的融合输出，从而实现了多地震属性的融合。因此，解决了利用各种地震属性信息解释复杂地质问题时单一地震属性信息所带来的多解性问题。

Description

基于脉冲耦合神经网络的地震属性融合方法

技术领域

本发明的示例性实施例通常涉及地球物理测井、油气资源勘探领域，尤其涉及一种利用脉冲耦合神经网络以实现地震多属性融合方法。

背景技术

地震属性可以对储层空间分布范围和储层岩石物理特征参数的描述与预测，但当利用各种地震属性信息解释复杂的地质问题时，由于观测条件和测量精度等限制因素，使用单一地震属性信息参数解决地质现象往往存在多解性。因此需要寻找一种方法，克服多解性问题。

地震属性融合就是通过利用地震资料中的多种单一属性，用相应的、适合探区地震地质条件的数学关系将它们组合起来，形成能反映储集层特性，反映油气显示为主的综合信息的地震属性。目前利用BP(Back-Propagation)神经网络法可以实现地震属性的融合，其方法是：首先将多种待融合的地震属性导入，选取同一深度段的属性并将其幅值分别规范到[0，1]区间；接着确定BP神经网络结构，并把所选属性作为训练样本，把其中一种属性作为目标样本；然后在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来修改网络连接权值，当得到的网络输出误差小于设定的最小目标误差时，停止迭代，并保存所得的网络连接权值；或者，当网络输出误差却未达到设定的最小误差值但已经达到设定的迭代次数时，同样保存所得的该网络连接权值，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归一化处理的地震属性、输入该训练好的BP神经网络，利用训练好的网络，得到幅值在[0，1]区间的属性融合输出，接着对其反归一化处理，使其幅值的量纲和归一化前的目标样本属性量纲一致，从而实现多种地震属性的融合。

常规BP神经网络法的流程为：

A、导入待融合的属性，选取任一深度段的属性来训练网络；

B、属性幅值的归一化处理：对导入的属性分别进行归一化处理，归一化处理通过下式进行：

${\tilde{X}}_i=\frac{X_i-\min \left(X_i\right)}{\max \left(X_i\right)-\min \left(X_i\right)}---\left(1\right)$

在式(1)中，X_i为第i种属性的幅值，

为第i种属性归一化处理后的幅值；

C、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待融合的属性个数，隐含层的神经元个数依据经验一般选3～5个，输出层的神经元的个数为1，对应属性融合输出，请参见图1，图1为该BP神经网络结构示意图；

D、样本选定：选定的训练属性样本和目标属性样本必须是同一深度段的；

E、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)；

F、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f(u)＝1/(1+e^-u)，得到网络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：

F₁、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(2)

在式(2)中：

δ＝e×f′(X)(3)

$e=\stackrel{\‾}{y}-y---\left(4\right)$

在式(2)-式(4)中，

为输出层的网络输出值，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)(5)

在式(5)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，

F₂、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(6)

在式(6)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)(7)

在式(7)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时，停止迭代，并保存所得的网络连接权值；或者，虽然达到设定的迭代次数，但当网络输出误差值未达到设定的最小目标误差值时，同样保存所得的网络连接权值，从而获得训练好的网络；

G、实现属性融合：分别将与训练网络时不同深度段的经过归一化处理的地震属性、输入步骤F已确定的BP神经网络，以得到幅值在[0，1]区间的属性融合输出，接着采用反归一化处理方法，使其幅值的量纲和归一化前的目标样本属性量纲一致，从而实现多种地震属性的融合。

BP神经网络法运用神经网络的非线性处理功能，易于实现地震属性的融合，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；而对于数据量较大的地震属性，BP神经网络法效率亦不高。

发明内容

本发明的示例性实施例的目的在于克服现有技术中的上述的和/或其他的问题。因此，本发明的示例性实施例提供了一种基于脉冲耦合神经网络的地震属性方法，通过将多种地震属性融合，以达到在快速实现属性融合的同时，有效提高地质岩性信息的准确性、进而有效地提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。

根据本发明的一个示例性实施例，提供了一种基于脉冲耦合神经网络的地震属性融合方法，所述方法可以包括下述步骤：步骤A、导入待融合的地震属性；步骤B、对导入的地震属性的各幅值分别进行归一化处理；步骤C、确定神经网络的结构；步骤D、神经网络初始化；步骤E、分别统计每个地震属性的各神经元的输出值为1的次数；步骤F、确定每个地震属性的各神经元的融合系数；步骤G、实现地震属性融合。

在步骤B，可以通过下面的式(8)进行归一化处理：

${\tilde{X}}_i=\frac{X_i-\min \left(X_i\right)}{\max \left(X_i\right)-\min \left(X_i\right)}---\left(8\right)$

在式(8)中，X_i为第i种地震属性的幅值，

为第i种地震属性归一化处理后的幅值。

在步骤C，神经网络结构中神经元的个数可以为各个地震属性的幅值个数，每个幅值可以对应一个神经元，并可以以此确定神经网络的结构。

在步骤D，可以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，以进行神经网络的初始化。

在步骤D，可以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]，动态门限阈值可以均为0，脉冲输出可以均为0，迭代次数可以为8-15。

在步骤E，可以对每个地震属性的各神经元进行迭代处理，并可以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可以为1，否则该神经元的输出值可以为0。当该神经元的输出值为1时，可以在该神经元输出值为1的次数上加1。可以重复执行上述操作至设定的迭代次数为止，从而可以得到该神经元输出值为1的次数，并可以因此分别得到每种属性的各神经元的输出值为1的次数。

在步骤E，可以根据下面的式(10)-式(14)来确定各神经元的内部活动值、动态门限阈值、输出值：

内部活动值：

U_nl[t]＝F_nl[t](1+βL_nl[t])(10)

动态门限阈值：

E_nl[t]＝exp(-α_E)E_nl[t-1]+V_E∑Y_rs[t-1](11)

该神经元输出值：

$Y_{\mathrm{nl}}\left[t\right]=\left\{\begin{array}{cc}1,& U_{\mathrm{nl}}\left[t\right]>E_{\mathrm{nl}}[t-1]\\ 0,& U_{\mathrm{nl}}\left[t\right]\≤E_{\mathrm{nl}}[t-1]\end{array}\right.---\left(12\right)$

其中，

$F_{\mathrm{nl}}\left[t\right]={\tilde{X}}_{\mathrm{nl}}---\left(13\right)$

L_nl[t]＝∑W_nlrsY_rs[t-1](14)

在式(10)-式(14)中，nl表示当前神经元所处的位置，t表示第几次的迭代次数，其值≤10，U_nl[t]为当前神经元第t次迭代时的内部活动值，E_nl[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，V_E为固有电势值，W_ilrs当前神经元的系数值，Y_rs为当前神经元系数W_nlrs的输出值，Y_nl[t]为当前神经元第t次迭代时的输出，F_nl为当前神经元的常量输入，

为当前属性归一化处理后的幅值，L_nl为当前神经元的连接输入。

在步骤F，当前地震属性的各神经元对应的融合系数可以为其输出值为1的次数与所有地震属性对应神经元输出值为1的次数之和的比值。

在步骤F，可以假设第i种地震属性的神经元nl的输出为1的次数为Nⁱ _nl，则其融合系数可以为：

${{\mathrm{\ω}}^i}_{\mathrm{nl}}=\frac{{N^i}_{\mathrm{nl}}}{{N^1}_{\mathrm{nl}}+...+{N^i}_{\mathrm{nl}}+...+{N^p}_{\mathrm{nl}}},i\≤p---\left(15\right)$

在式(15)中，i指示第i种地震属性，p为总的属性个数，ωⁱ _nl为第i种地震属性的神经元nl的融合系数。

在步骤G，可以将属性融合的对应幅值输出为各地震属性的各个幅值与其对应的神经元的融合系数的乘积之和，然后可以将得到的属性融合的幅值经反归一化处理，使其幅值的量纲和归一化前的地震属性量纲一致，从而可以实现地震属性的融合。

在步骤G，可以假设Z_nl为神经元的融合输出值，则有：

$Z_{\mathrm{nl}}=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{{\mathrm{\ω}}^i}_{\mathrm{nl}}{\tilde{X}}_{\mathrm{nl}}^i---\left(16\right)$

在式(16)中，

为神经元nl对应的第i种地震属性的归一化处理后的幅值，Z_nl为神经元nl的归一化后属性融合结果。可以对由式(16)得到的属性融合的幅值进行反归一化处理，使其幅值的量纲和归一化前的地震属性的量纲一致，从而可以实现地震属性的融合。

根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法，可以综合多种地震属性，将地震信息转化为地质岩性信息，从而完成对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测，弥补使用单一地震属性信息参数解决地质现象存在的多解性缺陷。

根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法，利用神经网络结构的强大的非线性处理功能，实现了地震属性的人工智能处理，通过确定神经元模型，得到每个神经元的脉冲输出值为1的次数，从而确定此神经元的融合系数，进一步得到此神经元的融合输出，从而实现了地震多属性的融合，解决了利用各种地震属性信息解释复杂地质问题时单一地震属性信息所带来的多解性问题。根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法与现有的BP神经网络相比，既不需选择样本、又不需对网络进行训练，且迭代次数少，从而具有简捷、快速可靠，效率准确度高，处理能力强等特点，对数据量较大的地震属性的融合效果尤为明显，有效提高地质岩性信息的准确性、进而有效地提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。

根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法简捷快速可靠，效率准确度高，处理能力强，对数据量较大的地震属性的融合效果尤为明显，能综合多种地震属性信息，将有效的地质信息、储层信息及含流体特征信息更准确地表现出来，进而有效提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。本发明适用范围广，能应用于各种地震属性数据的融合。由于本发明算法简单快速，综合了更多有效的地震属性有效信息，在地质岩性分析、储层空间的描述与预测、含油气检测等领域将会有良好的应用前景。

附图说明

通过下面结合附图的详细描述，可以更清楚地理解本发明示例性实施例的上面的和其他的特征和优点，在附图中：

图1示出了根据现有技术的BP神经网络采用的3层网络结构；

图2为根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法的流程示意图；

图3a-图3c为根据本发明的示例性实施例的融合属性，其中，图3a为均方根振幅地震属性，图3b为相干体切片地震属性，图3c为融合的属性。

具体实施方式

下文中，将参照附图来详细描述本发明的示例性实施例。然而，本发明的示例性实施例可以以许多不同的形式来实施，且不应该被局限于这里阐述的示例。相反，提供这些示例使得本公开将是彻底并完整的，并将向本领域技术人员充分地传达本发明的范围。

图2为根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法的流程示意图。

参照图2，根据本发明的示例性实施例，可以首先将待融合的地震属性导入，并可以在对其幅值分别规范到[0，1]区间(归一化处理)后，将其作为常量输入。接下来，神经网络结构中神经元的个数可以为各个属性的幅值个数，每个幅值可以对应一个神经元，则网络结构也可以对应地确定。接着可以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来比较内部活动值和动态门限阈值，以得出每个神经元的输出值(1或0)，并统计各神经元在设定迭代次数中输出值为1的次数。该属性的对应的神经单元的融合系数可以为其在设定迭代次数中输出值为1的次数与所有属性对应神经元在设定迭代次数中输出值为1的次数之和的比值，则属性融合的对应幅值输出为各属性的各个幅值与其对应的神经元的融合系数的乘积之和。然后，可以将得到的属性融合的幅值经反归一化处理，使其幅值的量纲和归一化前的属性量纲一致，从而实现多种地震属性的融合。

具体地讲，根据本发明的一个实施例的基于脉冲耦合神经网络的地震属性融合方法可以包括下述步骤。

步骤A：导入待融合的地震属性。

步骤B：属性幅值的归一化处理，即，对导入的地震属性的各幅值分别进行归一化处理。

步骤C：确定网络的结构。

在一个示例性实施例中，神经网络结构中神经元的个数为各个属性的幅值个数，每个幅值对应一个神经元，并以此确定神经网络的结构。

步骤D：网络初始化。

在一个示例性实施例中，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。

步骤E：分别统计每个属性的各神经元的输出值为1的次数。

在一个示例性实施例中，对每个属性的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每种属性的各神经元的输出值为1的次数，待用。

步骤F：确定每个属性的各神经元的融合系数。

在一个示例性实施例中，由步骤E所得每个属性的各神经元输出值为1的次数，则当前属性的各神经元对应的融合系数为其输出值为1的次数与所有属性对应神经元输出值为1的次数之和的比值。

步骤G：实现属性融合。

在一个示例性实施例中，由步骤F得到每个属性的各神经元的融合系数，将属性融合的对应幅值输出为各属性的各个幅值与其对应的神经元的融合系数的乘积之和；然后将得到的属性融合的幅值经反归一化处理，使其幅值的量纲和归一化前的属性量纲一致，从而实现多种地震属性的融合。

在步骤B，对各幅值分别进行归一化处理，归一化处理通过下式进行：

${\tilde{X}}_i=\frac{X_i-\min \left(X_i\right)}{\max \left(X_i\right)-\min \left(X_i\right)}---\left(8\right)$

在式(8)中：X_i为第i种属性的幅值，

为第i种属性归一化处理后的幅值。

在步骤D，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]，动态门限阈值均为0，脉冲输出均为0，迭代次数为8-15。

本发明由于利用脉冲耦合神经网络方法将多种地震属性进行合成处理，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，从而具有简捷、快速可靠，效率准确度高，处理能力强等特点，对数据量较大的地震属性的融合效果尤为明显，有效提高地质岩性信息的准确性、进而有效地提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。

下面，将参照图3a-图3c，以均方根振幅地震属性和相干体切片地震属性的融合为例，具体地说明根据本发明的一些示例性实施例的基于脉冲耦合神经网络的地震属性融合方法。图3a-图3c为根据本发明的示例性实施例的融合属性，其中，图3a为均方根振幅地震属性，图3b为相干体切片地震属性，图3c为融合的属性。

步骤A

在步骤A，可以导入均方根振幅属性和相干体切片属性。

步骤B

在步骤B，可以进行属性幅值的归一化处理。例如，对在步骤A导入的地震属性的幅值分别进行归一化处理。可以通过下式进行归一化处理：

${\tilde{X}}_i=\frac{X_i-\min \left(X_i\right)}{\max \left(X_i\right)-\min \left(X_i\right)}---\left(9\right)$

其中：X_i为第i种属性的幅值，

为第i种属性归一化处理后的幅值。

步骤C

在步骤C，可以确定网络的结构。例如，导入的2种地震属性的数据大小可以都为201×301，其对应的神经元个数因此可以都为201×301，每个数据对应相应的神经元，从而可以确定其神经网络的结构。

步骤D

在步骤D，可以进行网络初始化。例如，可以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]，动态门限阈值可以均为0，脉冲输出赋值可以均为0，可以将迭代次数赋值为10次。虽然在当前的示例性实施例中以均方根振幅属性和相干体切片属性为例来进行地震属性融合，但是本发明不限于此，上述取值可以适用于所有待融合的地震属性的融合。

步骤E

在步骤E，可以分别统计各神经元的输出值为1的次数。例如，对已初始化的网络，可以对各神经元进行迭代处理。可以根据下面的式(10)-式(14)来确定各神经元的内部活动值、动态门限阈值、输出值。

内部活动值：

U_nl[t]＝F_nl[t](1+βL_nl[t])(10)

动态门限阈值：

E_nl[t]＝exp(-α_E)E_nl[t-1]+V_E∑Y_rs[t-1](11)

该神经元输出值：

$Y_{\mathrm{nl}}\left[t\right]=\left\{\begin{array}{cc}1,& U_{\mathrm{nl}}\left[t\right]>E_{\mathrm{nl}}[t-1]\\ 0,& U_{\mathrm{nl}}\left[t\right]\≤E_{\mathrm{nl}}[t-1]\end{array}\right.---\left(12\right)$

其中，

$F_{\mathrm{nl}}\left[t\right]={\tilde{X}}_{\mathrm{nl}}---\left(13\right)$

L_nl[t]＝∑W_nlrsY_rs[t-1](14)

在式(10)-式(14)中，nl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_nl[t]为当前神经元第t次迭代时的内部活动值，E_nl[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，在当前的示例性实施例中，α_E取值为0.2，V_E为固有电势值，在当前的示例性实施例中，V_E取值为0.65mV，W_ilrs当前神经元的系数值，Y_rs为当前神经元系数W_nlrs的输出值，Y_nl[t]为当前神经元第t次迭代时的输出，F_nl为当前神经元的常量输入，

为当前属性归一化处理后的幅值，L_nl为当前神经元的连接输入。

对于各神经元，其常量输入F_nl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_nl等于常量输入F_nl，动态门限阈值E_nl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F

在步骤F，可以确定每个属性的各神经元的融合系数。例如，由步骤E所得每个属性的各神经元输出值为1的次数，则当前属性的各神经元对应的融合系数为其输出值为1的次数与所有属性对应神经元输出值为1的次数之和的比值。假设属性i的神经元nl的输出为1的次数为Nⁱ _nl，则其融合系数为：

${{\mathrm{\ω}}^i}_{\mathrm{nl}}=\frac{{N^i}_{\mathrm{nl}}}{{N^1}_{\mathrm{nl}}+...+{N^i}_{\mathrm{nl}}+...+{N^p}_{\mathrm{nl}}},i\≤p---\left(15\right)$

在式(15)中，i指示第i种属性，p为总的属性个数，ωⁱ _nl为属性i的神经元nl的融合系数。

步骤G

在步骤G，可以实现属性融合。例如，由步骤F得到每个属性的各神经元的融合系数，则属性融合的对应幅值输出为各属性的各个幅值与其对应的神经元的融合系数的乘积之和，假设Z_nl为神经元的融合输出值，则有：

$Z_{\mathrm{nl}}=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{{\mathrm{\ω}}^i}_{\mathrm{nl}}{\tilde{X}}_{\mathrm{nl}}^i---\left(16\right)$

在式(16)中，

为神经元nl对应的属性i的归一化处理后的幅值，Z_nl为神经元nl的归一化后属性融合结果。

由式(16)得到的属性融合的幅值经反归一化处理，使其幅值的量纲和归一化前的属性量纲一致，从而实现多种地震属性的融合。

根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法，可以综合多种地震属性，将地震信息转化为地质岩性信息，从而完成对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测，弥补使用单一地震属性信息参数解决地质现象存在的多解性缺陷。

根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法，利用神经网络结构的强大的非线性处理功能，实现了地震属性的人工智能处理，通过确定神经元模型，得到每个神经元的脉冲输出值为1的次数，从而确定此神经元的融合系数，进一步得到此神经元的融合输出，从而实现了地震多属性的融合，解决了利用各种地震属性信息解释复杂地质问题时单一地震属性信息所带来的多解性问题。根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法与现有的BP神经网络相比，既不需选择样本、又不需对网络进行训练，且迭代次数少，从而具有简捷、快速可靠，效率准确度高，处理能力强等特点，对数据量较大的地震属性的融合效果尤为明显，有效提高地质岩性信息的准确性、进而有效地提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。

根据本发明的示例性实施例的基于脉冲耦合神经网络的地震属性融合方法简捷快速可靠，效率准确度高，处理能力强，对数据量较大的地震属性的融合效果尤为明显，能综合多种地震属性信息，将有效的地质信息、储层信息及含流体特征信息更准确地表现出来，进而有效提高对储层空间展布形态、分布范围和储层岩石物理特征参数的描述与预测。本发明适用范围广，能应用于各种地震属性数据的融合。由于本发明算法简单快速，综合了更多有效的地震属性有效信息，在地质岩性分析、储层空间的描述与预测、含油气检测等领域将会有良好的应用前景。

虽然已经示出并描述了本发明的示例性实施例的示例，但是本领域技术人员应该理解的是，本发明的示例性实施例不限于此，在不脱离根据权利要求所限定的本发明的精神和范围的情况下，可以对这些示例性实施例进行各种修改。

Claims (11)

1.一种基于脉冲耦合神经网络的地震属性融合方法，其特征在于，所述方法包括下述步骤：

步骤A、导入待融合的地震属性；

步骤B、对导入的地震属性的各幅值分别进行归一化处理；

步骤C、确定神经网络的结构；

步骤D、神经网络初始化；

步骤E、分别统计每个地震属性的各神经元的输出值为1的次数；

步骤F、确定每个地震属性的各神经元的融合系数；

步骤G、实现地震属性融合。

2.如权利要求1所述的方法，其特征在于，在步骤B，通过下式进行归一化处理：

${\tilde{X}}_i=\frac{X_i-\min \left(X_i\right)}{\max \left(X_i\right)-\min \left(X_i\right)}---\left(8\right)$

在式(8)中，X_i为第i种地震属性的幅值，

为第i种地震属性归一化处理后的幅值。

3.如权利要求1所述的方法，其特征在于，在步骤C，神经网络结构中神经元的个数为各个地震属性的幅值个数，每个幅值对应一个神经元，并以此确定神经网络的结构。

4.如权利要求1所述的方法，其特征在于，在步骤D，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，以进行神经网络的初始化。

5.如权利要求4所述的方法，其特征在于，在步骤D，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]，动态门限阈值均为0，脉冲输出均为0，迭代次数为8-15。

6.如权利要求1所述的方法，其特征在于，在步骤E，

对每个地震属性的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，

重复执行上述操作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，并因此分别得到每种属性的各神经元的输出值为1的次数。

7.如权利要求6所述的方法，其特征在于，在步骤E，根据下式来确定各神经元的内部活动值、动态门限阈值、输出值：

内部活动值：

U_nl[t]＝F_nl[t](1+βL_nl[t])(10)

动态门限阈值：

E_nl[t]＝exp(-α_E)E_nl[t-1]+V_E∑Y_rs[t-1](11)

输出值：

$Y_{\mathrm{nl}}\left[t\right]=\left\{\begin{array}{cc}1,& U_{\mathrm{nl}}\left[t\right]>E_{\mathrm{nl}}[t-1]\\ 0,& U_{\mathrm{nl}}\left[t\right]\≤E_{\mathrm{nl}}[t-1]\end{array}\right.---\left(12\right)$

其中，

$F_{\mathrm{nl}}\left[t\right]={\tilde{X}}_{\mathrm{nl}}---\left(13\right)$

L_nl[t]＝∑W_nlrsY_rs[t-1](14)

在式(10)-式(14)中，nl表示当前神经元所处的位置，t表示第几次的迭代次数，其值≤10，U_nl[t]为当前神经元第t次迭代时的内部活动值，E_nl[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，V_E为固有电势值，W_ilrs当前神经元的系数值，Y_rs为当前神经元系数W_nlrs的输出值，Y_nl[t]为当前神经元第t次迭代时的输出，F_nl为当前神经元的常量输入，为当前属性归一化处理后的幅值，L_nl为当前神经元的连接输入。

8.如权利要求6所述的方法，其特征在于，在步骤F，当前地震属性的各神经元对应的融合系数为其输出值为1的次数与所有地震属性对应神经元输出值为1的次数之和的比值。

9.如权利要求6所述的方法，其特征在于，在步骤F，假设第i种地震属性的神经元nl的输出为1的次数为Nⁱ _nl，则其融合系数为：

${{\mathrm{\ω}}^i}_{\mathrm{nl}}=\frac{{N^i}_{\mathrm{nl}}}{{N^1}_{\mathrm{nl}}+...+{N^i}_{\mathrm{nl}}+...+{N^p}_{\mathrm{nl}}},i\≤p---\left(15\right)$

在式(15)中，i指示第i种地震属性，p为总的属性个数，ωⁱ _nl为第i种地震属性的神经元nl的融合系数。

10.如权利要求1所述的方法，其特征在于，在步骤G，将属性融合的对应幅值输出为各地震属性的各个幅值与其对应的神经元的融合系数的乘积之和，然后将得到的属性融合的幅值经反归一化处理，使其幅值的量纲和归一化前的地震属性量纲一致，从而实现地震属性的融合。

11.如权利要求10所述的方法，其特征在于，在步骤G，假设Z_nl为神经元的融合输出值，则有：

$Z_{\mathrm{nl}}=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{{\mathrm{\ω}}^i}_{\mathrm{nl}}{\tilde{X}}_{\mathrm{nl}}^i---\left(16\right)$

在式(16)中，

为神经元nl对应的第i种地震属性的归一化处理后的幅值，Z_nl为神经元nl的归一化后属性融合结果，

对由式(16)得到的属性融合的幅值进行反归一化处理，使其幅值的量纲和归一化前的地震属性的量纲一致，从而实现地震属性的融合。

Images