隨著大數(shù)據(jù)時(shí)代的到來,深度學(xué)習(xí)利用多層次的模型結(jié)構(gòu),通過反向傳播算法（BP算法）自動(dòng)地從復(fù)雜數(shù)據(jù)中進(jìn)行多層次的、具有不同復(fù)雜度的特征提取。這種端到端的學(xué)習(xí)方式已經(jīng)在多個(gè)領(lǐng)域得到廣泛應(yīng)用。地震相巖性識(shí)別是儲(chǔ)層解釋評(píng)價(jià)的重要組成部分。在數(shù)據(jù)采集過程中,由于鉆井成本高,有標(biāo)簽數(shù)據(jù)數(shù)量很小,難于達(dá)到深度學(xué)習(xí)訓(xùn)練所需的數(shù)據(jù)規(guī)模,識(shí)別模型方差大。針對(duì)此不足,本文提出一種生成對(duì)抗網(wǎng)絡(luò)（GAN）中增加Gini正則項(xiàng)的半監(jiān)督學(xué)習(xí)算法（SGAN＿G）。首先證明了在損失函數(shù)中添加Gini正則項(xiàng)可以提高模型收斂的速度和泛化能力,并通過對(duì)比試驗(yàn)得到驗(yàn)證。然后將SGAN＿G應(yīng)用到巖性識(shí)別領(lǐng)域,較之前的模型識(shí)別效果有了顯著提升。地層鄰域具有相似性,導(dǎo)致地震數(shù)據(jù)存在局部相關(guān)性。采用以地震數(shù)據(jù)的多個(gè)采樣點(diǎn)作為輸入的采樣方式,隱含地使用地層信息,進(jìn)一步提升了地震相巖性識(shí)別的效果。 

【文章來源】：中國石油大學(xué)(北京)北京市211工程院校教育部直屬院校

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

模擬數(shù)據(jù)

第3章基于生成對(duì)抗網(wǎng)絡(luò)的半監(jiān)督學(xué)習(xí)-24-3.3SGAN的改進(jìn)Gini指數(shù)可以表達(dá)隨機(jī)變量的不確定性，在計(jì)算時(shí)無需知道樣本的真實(shí)標(biāo)簽，因此通過在判別器損失函數(shù)的無標(biāo)簽部分添加Gini正則項(xiàng)，可以進(jìn)一步從無標(biāo)簽數(shù)據(jù)中提取隱含的信息，提高了原有SGAN模型收斂的速度和泛化能力。3.3.1Gini正則項(xiàng)在信息論中，隨機(jī)變量不確定性由熵來度量。設(shè)X=<x1,x2,…,xn>是一個(gè)取n個(gè)值的離散隨機(jī)變量，其概率分布為p(X=xi)=pi(i=1,2,…,n)。因此，X的熵可以定義如下：1()logniiiEntropypp=X=（3.9）顯然，Entropy(X)∈[0,1]。熵越大，隨機(jī)變量越不確定，反之，熵越小隨機(jī)變量越確定。對(duì)于多分類模型的輸出L可看成多類別概率分布的隨機(jī)變量X，其每次輸出對(duì)應(yīng)一個(gè)熵值。優(yōu)良的多分類模型對(duì)樣本的可辨別性更強(qiáng)，即輸出的熵越小，分類結(jié)果越確定，如圖3.4所示，橫軸對(duì)應(yīng)5個(gè)類別，縱軸為模型對(duì)該類別的預(yù)測結(jié)果，為0到1之間的概率值，和為1。因此，為了SGAN學(xué)習(xí)過程更快、更好地收斂，改進(jìn)判別網(wǎng)絡(luò)D損失函數(shù)的無標(biāo)簽部分，在其中添加熵的正則項(xiàng)，為無標(biāo)簽數(shù)據(jù)的訓(xùn)練添加額外的約束。圖3.4多分類問題預(yù)測結(jié)果Fig.3.4Predictionsofmultiple-classrroblems在實(shí)踐中過程中，當(dāng)概率pi→0時(shí)，logpi→-∞，通過計(jì)算機(jī)求解會(huì)導(dǎo)致?lián)p失函數(shù)的值溢出，為此，進(jìn)一步將Entropy(X)改為Gini(X)。這是因?yàn)镚ini指數(shù)也是

第3章基于生成對(duì)抗網(wǎng)絡(luò)的半監(jiān)督學(xué)習(xí)-28-因此可以確定Gini正則項(xiàng)關(guān)于lj的梯度值位于2pjG(pj)和2pjH(pj)之間，它們的函數(shù)曲線如圖3.5所示，其中紅色曲線對(duì)應(yīng)K=5時(shí)2pjG(pj)的值，綠色表示2pjH(pj)。jGinil的具體取值由除第j類外的剩余K-1類的概率分布決定，當(dāng)K-1類的概率分布均衡時(shí)，它取到下確界；當(dāng)K-1類的概率分布集中在某一類上時(shí)，取到上確界。圖3.52xG(x)和2xH(x)的函數(shù)曲線圖Fig.3.5Functiondiagramof2xG(x)and2xH(x)以剩余K-1類的概率分布均衡時(shí)為例，由圖3.5可知，當(dāng)1jp>K時(shí)，g<0，對(duì)于一個(gè)K分類（K≥2）問題而言，表示模型已經(jīng)判定該樣本屬于第j類，在使用梯度下降算法訓(xùn)練模型時(shí)，lj沿Gini正則項(xiàng)關(guān)于lj的負(fù)梯度方向變化，即繼續(xù)增大，從而加速模型在現(xiàn)有方向上的學(xué)習(xí)速度。不僅如此，當(dāng)pj趨近于1K或1時(shí)，即模型對(duì)現(xiàn)有樣本類別的判定信心不足或非常確定時(shí)，加速的強(qiáng)度減弱，這符合我們對(duì)模型訓(xùn)練的預(yù)期，可以自適應(yīng)地調(diào)節(jié)學(xué)習(xí)率。同理可知，當(dāng)1jpK時(shí)，g>0，模型進(jìn)一步否定該樣本屬于第j類。因此，Gini正則項(xiàng)可以在訓(xùn)練的過程中自適應(yīng)的加速模型收斂的速度。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度信念網(wǎng)絡(luò)的多采樣點(diǎn)巖性識(shí)別[J]. 李國和,鄭陽,李瑩,吳衛(wèi)江,洪云峰,周曉明.  地球物理學(xué)進(jìn)展. 2018(04)
[2]巖性識(shí)別技術(shù)現(xiàn)狀與進(jìn)展[J]. 付光明,嚴(yán)加永,張昆,胡浩,羅凡.  地球物理學(xué)進(jìn)展. 2017(01)
[3]測井約束與神經(jīng)網(wǎng)絡(luò)聯(lián)合反演儲(chǔ)層預(yù)測技術(shù)[J]. 余為維,馮磊,杜艷艷,楊艷軍,周明奐,董鄭.  地球物理學(xué)進(jìn)展. 2016(05)
[4]隨機(jī)森林分類方法在儲(chǔ)層巖性識(shí)別中的應(yīng)用[J]. 王志宏,韓璐,戚磊.  遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(09)
[5]分頻波阻抗反演技術(shù)在塔中西部臺(tái)內(nèi)灘儲(chǔ)層預(yù)測中的應(yīng)用[J]. 王振卿,王宏斌,張虎權(quán),張繼娟,武雪瓊.  天然氣地球科學(xué). 2014(11)
[6]測井資料一致性處理在井震聯(lián)合反演中的應(yīng)用[J]. 李謀杰,郭海敏,蔡炳坤,董勇,居大海.  石油天然氣學(xué)報(bào). 2014(05)
[7]地質(zhì)統(tǒng)計(jì)學(xué)反演在杏北西斜坡區(qū)儲(chǔ)層預(yù)測中的應(yīng)用[J]. 王雅春,王璐.  地球物理學(xué)進(jìn)展. 2013(05)
[8]波阻抗反演在吉林探區(qū)煤層特征分析及儲(chǔ)層預(yù)測中的應(yīng)用[J]. 苗廣文,劉聰,王典,李鵬,劉洋,于赟舟.  地球物理學(xué)進(jìn)展. 2011(05)
[9]地質(zhì)統(tǒng)計(jì)反演之隨機(jī)地震反演方法——以蘇丹M盆地P油田為例[J]. 李方明,計(jì)智鋒,趙國良,吳昌吉,李志明.  石油勘探與開發(fā). 2007(04)
[10]運(yùn)用多地震屬性和神經(jīng)網(wǎng)絡(luò)預(yù)測巖性[J]. 崔麗玲,齊龍瑜,劉松芬,胡北來.  南開大學(xué)學(xué)報(bào)(自然科學(xué)版). 2007(02)



本文編號(hào)：3623195